Nous présentons une méthode d'estimation des propriétés inertielles d'objets à géométrie complexe (\textit{patatoïde}) à partir d'images, fondée sur une représentation implicite de leur forme (SDF) et un espace latent géométrique appris. Notre approche repose sur l'optimisation d'un vecteur latent représentant la forme de l'objet, obtenu à partir d'un ensemble d'observations visuelles. Nous développons tout d'abord \textbf{SDFformer}, un modèle de reconstruction 3D basé sur l'apprentissage d'une représentation implicite de la surface des objets via leur Fonction de Distance Signée (SDF). Nous proposons ensuite un modèle basé sur l'apprentissage profond entraîné pour prédire les propriétés physiques de l'objet observé. Ce second modèle se base sur le premier et utilise le vecteur latent comme descripteur compact de la géométrie du solide observé. Les résultats montrent que cet espace latent capture efficacement les informations géométriques nécessaires à la description complète de la forme mais également des propriétés inertielles. Cette approche permet d'envisager une caractérisation temps réel d'objets observés, directement exploitable dans un jumeau numérique.