論文の概要: RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction

• arxiv url: http://arxiv.org/abs/2504.14298v1
• Date: Sat, 19 Apr 2025 13:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 03:34:37.095623
• Title: RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction
• Title（参考訳）: ラジオディフ逆:ISACラジオマップ構築のための拡散強化ベイズ逆推定
• Authors: Xiucheng Wang, Zhongsheng Fang, Nan Cheng,
• Abstract要約: 無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
• 参考スコア（独自算出の注目度）: 11.385703484113552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio maps (RMs) are essential for environment-aware communication and sensing, providing location-specific wireless channel information. Existing RM construction methods often rely on precise environmental data and base station (BS) locations, which are not always available in dynamic or privacy-sensitive environments. While sparse measurement techniques reduce data collection, the impact of noise in sparse data on RM accuracy is not well understood. This paper addresses these challenges by formulating RM construction as a Bayesian inverse problem under coarse environmental knowledge and noisy sparse measurements. Although maximum a posteriori (MAP) filtering offers an optimal solution, it requires a precise prior distribution of the RM, which is typically unavailable. To solve this, we propose RadioDiff-Inverse, a diffusion-enhanced Bayesian inverse estimation framework that uses an unconditional generative diffusion model to learn the RM prior. This approach not only reconstructs the spatial distribution of wireless channel features but also enables environmental structure perception, such as building outlines, and location of BS just relay on pathloss, through integrated sensing and communication (ISAC). Remarkably, RadioDiff-Inverse is training-free, leveraging a pre-trained model from Imagenet without task-specific fine-tuning, which significantly reduces the training cost of using generative large model in wireless networks. Experimental results demonstrate that RadioDiff-Inverse achieves state-of-the-art performance in accuracy of RM construction and environmental reconstruction, and robustness against noisy sparse sampling.
• Abstract（参考訳）: 無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 スパース計測技術はデータ収集を減らすが、スパースデータのノイズがRM精度に与える影響はよく分かっていない。 本稿では, 粗い環境知識とノイズスパース測定の下で, RM構造をベイズ逆問題として定式化し, これらの課題に対処する。 最大後部フィルタ(MAP)は最適解を提供するが、RMの正確な事前分布が必要であり、通常は利用できない。 そこで本稿では,未条件生成拡散モデルを用いた拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。 この手法は、無線チャネルの特徴の空間分布を再構築するだけでなく、ビルディングアウトラインやBSの位置といった環境構造認識を、統合センシングと通信(ISAC)を通じてパスロスで中継することを可能にする。 特筆すべきは、RadioDiff-Inverseは、Imagenetからトレーニング済みのモデルをタスク固有の微調整なしで活用することで、無線ネットワークで生成的大モデルを使用する場合のトレーニングコストを大幅に削減する。 実験結果から,RadioDiff-InverseはRMの施工精度と環境復元の精度,ノイズスパースサンプリングに対するロバスト性を実現していることがわかった。

関連論文リスト

• DiffusionRIR: Room Impulse Response Interpolation using Diffusion Models [16.92449230293275]
  高品質なRIR推定は、仮想マイク、音源のローカライゼーション、拡張現実、データ拡張などのアプリケーションを駆動する。 本研究は, 騒音拡散確率モデル(DDPM)を用いて, 室内の未測定箇所でRIRを推定することの課題に対処する。
  論文  参考訳（メタデータ） (2025-04-29T10:52:07Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [69.96295462931168]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$bmk2$を提案する。 我々は,無線伝搬に影響を与える臨界空間特性に対応するEM特異点と,ヘルムホルツ方程式の負波数で定義される領域との直接対応を確立する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• Radio Map Estimation via Latent Domain Plug-and-Play Denoising [24.114418244026957]
  無線マップ推定(RME)は、異なる領域(例えば、空間と周波数)にわたる電波干渉の強度を再構築することを目的としている。 提案手法は,無線地図の基盤となる物理構造を利用し,潜在領域におけるADMMノイズを提案する。 この設計は計算効率を大幅に改善し、ノイズの堅牢性を高める。
  論文  参考訳（メタデータ） (2025-01-23T08:42:24Z)
• RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction [42.596399621642234]
  無線マップ(RM)は、位置のみに基づいてパスロスを得ることができる有望な技術である。 本稿では, サンプリングフリーのRM構造を条件付き生成問題としてモデル化し, 高品質なRM構造を実現するためにRadioDiffという名前の拡散拡散法を提案する。 実験の結果,提案したRadioDiffは,3つの精度,構造的類似度,ピーク信号対雑音比の3つの指標において,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-08-16T08:02:00Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• RF-ULM: Ultrasound Localization Microscopy Learned from Radio-Frequency Wavefronts [7.652037892439504]
  遅延とサムのビームフォーミングは、RF(Radio-Frequency)チャネルデータを不可逆的に減少させる。 RFウェーブフロントに埋め込まれたリッチなコンテキスト情報は、DNN(Deep Neural Networks)をローカライゼーションシナリオに挑戦する上で、非常に有望である。 本稿では,学習した特徴チャネルシャッフル,非最大抑圧,半グローバル畳み込みブロックを用いて,RFチャネルデータ中の散乱体を直接ローカライズすることを提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:41:23Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)

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。