論文の概要: Spectral Domain Neural Reconstruction for Passband FMCW Radars

• arxiv url: http://arxiv.org/abs/2506.08163v1
• Date: Mon, 09 Jun 2025 19:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.552165
• Title: Spectral Domain Neural Reconstruction for Passband FMCW Radars
• Title（参考訳）: 帯域通過型FMCWレーダのスペクトル領域ニューラルリコンストラクション
• Authors: Harshvardhan Takawale, Nirupam Roy,
• Abstract要約: 本研究では,周波数変調連続波レーダを用いた高忠実度ボリューム再構成のためのニューラルネットワークSpINRv2を提案する。 我々のコアコントリビューションは、クローズドフォーム合成を用いて複雑なレーダ応答をキャプチャする、完全微分可能な周波数領域フォワードモデルである。 細かな範囲の解像度で生じる曖昧なサブビンの曖昧さを解消するために、スパーシリティと正規化を導入する。
• 参考スコア（独自算出の注目度）: 0.15193212081459279
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present SpINRv2, a neural framework for high-fidelity volumetric reconstruction using Frequency-Modulated Continuous-Wave (FMCW) radar. Extending our prior work (SpINR), this version introduces enhancements that allow accurate learning under high start frequencies-where phase aliasing and sub-bin ambiguity become prominent. Our core contribution is a fully differentiable frequency-domain forward model that captures the complex radar response using closed-form synthesis, paired with an implicit neural representation (INR) for continuous volumetric scene modeling. Unlike time-domain baselines, SpINRv2 directly supervises the complex frequency spectrum, preserving spectral fidelity while drastically reducing computational overhead. Additionally, we introduce sparsity and smoothness regularization to disambiguate sub-bin ambiguities that arise at fine range resolutions. Experimental results show that SpINRv2 significantly outperforms both classical and learning-based baselines, especially under high-frequency regimes, establishing a new benchmark for neural radar-based 3D imaging.
• Abstract（参考訳）: 本稿では、周波数変調連続波レーダ(FMCW)を用いた高忠実度ボリューム再構成のためのニューラルネットワークフレームワークSpINRv2を提案する。 従来の作業(SpINR)を拡張したこのバージョンでは,高起動頻度の位相エイリアスやサブビンの曖昧さが顕著になるような,高精度な学習が可能になった。 我々のコアコントリビューションは、クローズドフォーム合成を用いて複雑なレーダ応答を捕捉し、連続的なボリュームシーンモデリングのための暗黙のニューラル表現(INR)と組み合わせた、完全微分可能な周波数領域フォワードモデルである。 時間領域ベースラインとは異なり、SpINRv2は複雑な周波数スペクトルを直接監視し、スペクトルの忠実さを保ちながら、計算オーバーヘッドを大幅に削減する。 さらに,細域分解で発生するサブビンの曖昧さを曖昧にするために,スムーズさとスムーズさの正則化を導入する。 実験結果から、SpINRv2は古典的ベースラインと学習的ベースラインの両方で、特に高周波条件下では著しく優れており、ニューラルレーダベースの3Dイメージングのための新しいベンチマークが確立された。

関連論文リスト

• SpINR: Neural Volumetric Reconstruction for FMCW Radars [0.15193212081459279]
  本稿では、周波数変調連続波(FMCW)レーダデータを用いたボリューム再構成のための新しいフレームワークSpINRを紹介する。 従来のバックプロジェクション手法や既存の学習ベースアプローチよりも,SpINRの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-30T04:44:57Z)
• Range and Angle Estimation with Spiking Neural Resonators for FMCW Radar [16.91912935835324]
  自動車レーダーシステムは、高いサンプリングレートと大規模なデータ帯域幅を管理するという課題に直面している。 ニューロモルフィックコンピューティングは、その固有のエネルギー効率と並列処理能力のために、有望なソリューションを提供する。 本研究では、周波数変調連続波レーダ(FMCW)の信号処理のための新しいスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-02T13:51:03Z)
• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)
• FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization [67.47895278233717]
  周波数空間における過度再構成問題に対処するために, 進行周波数正規化手法を開発した。 FreGSは優れた斬新なビュー合成を実現し、最先端の技術を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-03-11T17:00:27Z)
• WaveNeRF: Wavelet-based Generalizable Neural Radiance Fields [149.2296890464997]
  我々は、ウェーブレット周波数分解をMVSとNeRFに統合したWaveNeRFを設計する。 WaveNeRFは、3つの画像のみを入力として与えたときに、より優れた一般化可能な放射場モデリングを実現する。
  論文  参考訳（メタデータ） (2023-08-09T09:24:56Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations [111.08941206369508]
  我々は,NeRFトレーニングの正規化にロバストなデータ拡張のパワーを初めてもたらすAugmented NeRF(Aug-NeRF)を提案する。 提案手法では,最悪の場合の摂動を3段階のNeRFパイプラインにシームレスにブレンドする。 Aug-NeRFは、新しいビュー合成と基礎となる幾何再構成の両方において、NeRF性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2022-07-04T02:27:07Z)
• Accurate and Robust Deep Learning Framework for Solving Wave-Based Inverse Problems in the Super-Resolution Regime [1.933681537640272]
  本稿では,すべての長さスケールにわたる逆波散乱問題を包括的に解決するエンドツーエンドのディープラーニングフレームワークを提案する。 本フレームワークは,新たに導入された広帯域バタフライネットワークと,トレーニング中に動的にノイズを注入する簡単なトレーニング手順から構成される。
  論文  参考訳（メタデータ） (2021-06-02T13:30:28Z)

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。