論文の概要: RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling

• arxiv url: http://arxiv.org/abs/2504.19161v1
• Date: Sun, 27 Apr 2025 08:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.157332
• Title: RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling
• Title（参考訳）: RadioFormer: 1 {\displaystyle 1\textpertenthousand Space Smpling を用いた多重粒度無線地図推定変換器
• Authors: Zheng Fang, Kangjun Liu, Ke Chen, Qingyu Liu, Jianguo Zhang, Lingyang Song, Yaowei Wang,
• Abstract要約: 電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 60.267226205350596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of radio map estimation aims to generate a dense representation of electromagnetic spectrum quantities, such as the received signal strength at each grid point within a geographic region, based on measurements from a subset of spatially distributed nodes (represented as pixels). Recently, deep vision models such as the U-Net have been adapted to radio map estimation, whose effectiveness can be guaranteed with sufficient spatial observations (typically 0.01% to 1% of pixels) in each map, to model local dependency of observed signal power. However, such a setting of sufficient measurements can be less practical in real-world scenarios, where extreme sparsity in spatial sampling can be widely encountered. To address this challenge, we propose RadioFormer, a novel multiple-granularity transformer designed to handle the constraints posed by spatial sparse observations. Our RadioFormer, through a dual-stream self-attention (DSA) module, can respectively discover the correlation of pixel-wise observed signal power and also learn patch-wise buildings' geometries in a style of multiple granularities, which are integrated into multi-scale representations of radio maps by a cross stream cross-attention (CCA) module. Extensive experiments on the public RadioMapSeer dataset demonstrate that RadioFormer outperforms state-of-the-art methods in radio map estimation while maintaining the lowest computational cost. Furthermore, the proposed approach exhibits exceptional generalization capabilities and robust zero-shot performance, underscoring its potential to advance radio map estimation in a more practical setting with very limited observation nodes.
• Abstract（参考訳）: 無線地図推定の課題は、空間分布ノードのサブセット(ピクセルとして表される)の測定に基づいて、地理的領域内の各格子点における受信信号強度などの電磁スペクトル量の密度の高い表現を作ることである。 近年,U-Net などの深部視覚モデルは,観測信号パワーの局所的依存性をモデル化するために,各マップにおける十分な空間観測(通常は0.01%から1%)で有効性を保証する無線マップ推定に適応している。 しかし、空間的サンプリングにおいて極端に空間的な間隔が広く見られる現実のシナリオでは、このような十分な測定設定は実用的ではない。 この課題に対処するために,空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 我々のRadioFormerは、デュアルストリーム自己アテンション(DSA)モジュールを介して、画素単位で観測された信号パワーの相関をそれぞれ検出し、複数の粒度のスタイルでパッチワイズな建物のジオメトリを学習し、クロスストリームクロスアテンション(CCA)モジュールによって無線地図のマルチスケール表現に統合する。 公開RadioMapSeerデータセットの大規模な実験により、RadioFormerは、最小の計算コストを維持しながら、無線マップ推定における最先端の手法より優れていることが示された。 さらに、提案手法は、非常に限られた観測ノードを持つより実用的な環境で、無線マップ推定を推し進める可能性を示す、例外的な一般化能力と堅牢なゼロショット性能を示す。

関連論文リスト

• Sionna RT: Technical Report [55.30691098976664]
  SionnaはオープンソースのGPUアクセラレーションライブラリで、電波伝搬をシミュレートするレイトレーサを備えている。 本論文は、Sionna RTが電波伝搬を効率的にシミュレートするアルゴリズムについて詳述する。
  論文  参考訳（メタデータ） (2025-04-30T15:05:20Z)
• 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)
• ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks [0.5694070924765915]
  本稿では,GAN(Generative Adversarial Network)に基づく新しい無線地図構築手法を提案する。 ラジオ地図の再現精度と局部テクスチャを大幅に向上させる。 提案手法はロバストな電波地図の構築であり,放射源の位置を正確に予測する。
  論文  参考訳（メタデータ） (2024-01-17T05:03:53Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• Quantized Radio Map Estimation Using Tensor and Deep Generative Models [11.872336932802844]
  スペクトル地図(SC)は、センサの限られた測定値から複数の領域(周波数と空間)の電波伝搬マップを作成することを目的としている。 既存の実証可能なSCアプローチでは、センサーは実測値(フルレゾリューション)を核融合中心に送信するが、これは非現実的である。 この研究は、BTDとDGMベースのSCを、非常に量子化されたセンサー測定を使用するシナリオに一般化する量子化されたSCフレームワークを提示する。
  論文  参考訳（メタデータ） (2023-03-03T08:22:51Z)
• 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)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models [44.609368050610044]
  ディープニューラルネットワーク(DNN)は、データから基盤構造を“学習”することができる。 本研究では,エミッタラジオマップの解離に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-01T07:04:09Z)

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。