論文の概要: Deep Learning-Based CKM Construction with Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2411.08887v1
• Date: Mon, 28 Oct 2024 02:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 09:02:01.237205
• Title: Deep Learning-Based CKM Construction with Image Super-Resolution
• Title（参考訳）: 画像超解像を用いた深層学習型CKMの構築
• Authors: Shiyu Wang, Xiaoli Xu, Yong Zeng,
• Abstract要約: 本稿では,SRResNet として知られる画像SRネットワークを利用した効果的な深層学習に基づく CKM 構築手法を提案する。 従来の経路損失マップの構成に加えて,チャネル角マップの構築にも本手法を適用することができる。
• 参考スコア（独自算出の注目度）: 14.344058455725692
• License:
• Abstract: Channel knowledge map (CKM) is a novel technique for achieving environment awareness, and thereby improving the communication and sensing performance for wireless systems. A fundamental problem associated with CKM is how to construct a complete CKM that provides channel knowledge for a large number of locations based solely on sparse data measurements. This problem bears similarities to the super-resolution (SR) problem in image processing. In this letter, we propose an effective deep learning-based CKM construction method that leverages the image SR network known as SRResNet. Unlike most existing studies, our approach does not require any additional input beyond the sparsely measured data. In addition to the conventional path loss map construction, our approach can also be applied to construct channel angle maps (CAMs), thanks to the use of a new dataset called CKMImageNet. The numerical results demonstrate that our method outperforms interpolation-based methods such as nearest neighbour and bicubic interpolation, as well as the SRGAN method in CKM construction. Furthermore, only 1/16 of the locations need to be measured in order to achieve a root mean square error (RMSE) of 1.1 dB in path loss.
• Abstract（参考訳）: チャネル・ナレッジ・マップ(CKM)は,環境認識を実現するための新しい手法であり,無線システムにおける通信性能とセンシング性能を向上させる。 CKMにまつわる根本的な問題は、スパースデータ測定のみに基づいて、多数のロケーションに対してチャネル知識を提供する完全なCKMを構築する方法である。 この問題は画像処理における超解像(SR)問題と類似している。 本稿では,SRResNet として知られる画像SRネットワークを利用した効果的な深層学習に基づく CKM 構築手法を提案する。 既存のほとんどの研究とは異なり、我々の手法は疎測定データ以外の追加の入力を必要としない。 従来の経路損失マップ構築に加えて、CKMImageNetと呼ばれる新しいデータセットを使うことで、チャネル角マップ(CAM)の構築にも適用できる。 数値計算により,本手法はCKM工法におけるSRGAN法と同様に,近接補間法やバイコビック補間法などの補間法よりも優れていることが示された。 さらに、経路損失の1.1dBの根平均二乗誤差(RMSE)を達成するためには、位置の1/16しか測定できない。

関連論文リスト

• An I2I Inpainting Approach for Efficient Channel Knowledge Map Construction [33.648491554358]
  本研究では,ラプラシアンピラミッド (LP) を用いたCKM構築手法を提案する。 提案手法は高い一般化能力を有し,異なる無線通信シナリオで実装可能である。
  論文  参考訳（メタデータ） (2024-06-14T08:24:52Z)
• NoSENSE: Learned unrolled cardiac MRI reconstruction without explicit sensitivity maps [0.4419843514606336]
  本稿では,複数のレシーバコイルを用いた加速心MRIのための新しい画像再構成法を提案する。 本手法は画像のコイル間関係を暗黙的に捉えて学習する。 提案手法は,PSNR34.89,35.56,SSIM0.920,0.942をシネトラックで達成した。
  論文  参考訳（メタデータ） (2023-09-27T12:15:05Z)
• CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
  本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。 CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。 パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
  論文  参考訳（メタデータ） (2022-07-21T07:50:50Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Road-aware Monocular Structure from Motion and Homography Estimation [3.623923862398345]
  移動からの構造(SFM)と地上平面のホモグラフィー推定は、自律走行や他のロボット工学の応用にとって重要である。 本稿では,両問題をエンドツーエンドに解決し,その性能を向上する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T05:32:07Z)
• LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution Homography Estimation [52.63874513999119]
  クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。 既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。 本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-08T02:51:45Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Sparse-View Spectral CT Reconstruction Using Deep Learning [0.283239609744735]
  マルチチャネル入力と出力を持つU-Net畳み込みニューラルネットワークアーキテクチャを用いて、スパースビュースペクトルCTデータを高速に再構成する手法を提案する。 我々の手法は実行時に高速であり、内部の畳み込みはチャネル間で共有されるため、計算負荷は第一層と最後の層でのみ増加する。
  論文  参考訳（メタデータ） (2020-11-30T14:36:23Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。