論文の概要: EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes

• arxiv url: http://arxiv.org/abs/2405.17366v1
• Date: Mon, 27 May 2024 17:19:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 14:23:58.800275
• Title: EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes
• Title（参考訳）: EM-GANSim:3次元屋内シーンのための条件付きGANを用いたリアルタイム・高精度EMシミュレーション
• Authors: Ruichen Wang, Dinesh Manocha,
• Abstract要約: 実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
• 参考スコア（独自算出の注目度）: 55.2480439325792
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a novel machine-learning (ML) approach (EM-GANSim) for real-time electromagnetic (EM) propagation that is used for wireless communication simulation in 3D indoor environments. Our approach uses a modified conditional Generative Adversarial Network (GAN) that incorporates encoded geometry and transmitter location while adhering to the electromagnetic propagation theory. The overall physically-inspired learning is able to predict the power distribution in 3D scenes, which is represented using heatmaps. Our overall accuracy is comparable to ray tracing-based EM simulation, as evidenced by lower mean squared error values. Furthermore, our GAN-based method drastically reduces the computation time, achieving a 5X speedup on complex benchmarks. In practice, it can compute the signal strength in a few milliseconds on any location in 3D indoor environments. We also present a large dataset of 3D models and EM ray tracing-simulated heatmaps. To the best of our knowledge, EM-GANSim is the first real-time algorithm for EM simulation in complex 3D indoor environments. We plan to release the code and the dataset.
• Abstract（参考訳）: 本稿では,3次元屋内環境における無線通信シミュレーションに用いるリアルタイム電磁(EM)伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 提案手法では,電磁伝搬理論に固執しながら,符号化幾何と送信機位置を組み込んだ条件付き生成共振器ネットワーク(GAN)を用いる。 全体的な物理的にインスパイアされた学習は、ヒートマップを用いて表現される3Dシーンの電力分布を予測することができる。 我々の全体的な精度は、平均2乗誤差値の低い値から証明されるように、レイトレーシングに基づくEMシミュレーションに匹敵する。 さらに,本手法は計算時間を劇的に削減し,複雑なベンチマークで5倍の高速化を実現している。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。 また,3次元モデルとEM線トレーシングシミュレーション熱マップの大規模なデータセットも提示する。 我々の知る限り、EM-GANSimは複雑な3次元屋内環境におけるEMシミュレーションのための最初のリアルタイムアルゴリズムである。 コードとデータセットをリリースする予定です。

関連論文リスト

• The Oxford Spires Dataset: Benchmarking Large-Scale LiDAR-Visual Localisation, Reconstruction and Radiance Field Methods [10.265865092323041]
  本稿では,オックスフォードの有名なランドマーク周辺で収集された大規模マルチモーダルデータセットを紹介する。 また、ローカライゼーション、再構築、新規ビュー合成を含むタスクのベンチマークも作成する。 我々のデータセットとベンチマークは、放射場法とSLAMシステムのより良い統合を容易にすることを意図している。
  論文  参考訳（メタデータ） (2024-11-15T19:43:24Z)
• MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
  カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。 我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。 また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
  論文  参考訳（メタデータ） (2024-04-01T04:57:41Z)
• Efficient Physics-Based Learned Reconstruction Methods for Real-Time 3D Near-Field MIMO Radar Imaging [0.0]
  近距離場多重出力多重出力レーダイメージングシステム(MIMO)は近年注目されている。 本稿では,リアルタイム近接場イメージングのための非定位深層学習に基づく新しい再構成手法を提案する。 ゴールは、設定時の計算コストを低くして、高画質を実現することである。
  論文  参考訳（メタデータ） (2023-12-28T11:05:36Z)
• GIR: 3D Gaussian Inverse Rendering for Relightable Scene Factorization [62.13932669494098]
  本稿では,3次元ガウス表現を用いた3次元ガウス逆レンダリング(GIR)手法を提案する。 最短固有ベクトルを用いて各3次元ガウスの正規性を計算する。 我々は3次元ガウシアン毎に方向対応の放射光を格納し、多重バウンス光輸送を近似するために二次照明をアンタングルするために、効率的なボクセルベースの間接照明追跡方式を採用する。
  論文  参考訳（メタデータ） (2023-12-08T16:05:15Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• Towards Real Time Thermal Simulations for Design Optimization using Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワークを用いて3次元システムの熱的挙動をシミュレートする手法を提案する。 一段階予測のネットワーク結果の精度は顕著である。
  論文  参考訳（メタデータ） (2022-09-21T13:48:41Z)
• Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
  我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。 このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。 このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
  論文  参考訳（メタデータ） (2021-06-01T08:46:04Z)
• Physics Validation of Novel Convolutional 2D Architectures for Speeding Up High Energy Physics Simulations [0.0]
  本稿では,GAN(Geneversarative Adrial Networks)をディープラーニング技術として応用し,温度計検出器シミュレーションを代替する。 我々は,同じ3次元画像生成問題を高速に解くために,新しい2次元畳み込みネットワークを開発した。 その結果,物理精度が向上し,高速検出器シミュレーションにおけるGANの利用がさらに強化された。
  論文  参考訳（メタデータ） (2021-05-19T07:24:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。