論文の概要: RadioDUN: A Physics-Inspired Deep Unfolding Network for Radio Map Estimation

• arxiv url: http://arxiv.org/abs/2506.08418v1
• Date: Tue, 10 Jun 2025 03:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.367237
• Title: RadioDUN: A Physics-Inspired Deep Unfolding Network for Radio Map Estimation
• Title（参考訳）: RadioDUN: 物理にインスパイアされた電波マップ推定のためのディープ・アンフォールディング・ネットワーク
• Authors: Taiqin Chen, Zikun Zhou, Zheng Fang, Wenzhen Zou, Kanjun Liu, Ke Chen, Yongbing Zhang, Yaowei Wang,
• Abstract要約: 限られた数のサンプルを実用的なシナリオで測定できるため、密度の高い無線マップを構築するのは難しい。 既存の研究は、深層学習を用いてスパースサンプルから密集した無線マップを推定しているが、無線マップの物理的特性と統合することは困難である。 適応的パラメータ調整と事前適合性を学習可能な方法で実現し,最適化プロセスの展開を目的としたRadio Deep Unfolding Network(RadioDUN)を提案する。
• 参考スコア（独自算出の注目度）: 35.88060477849067
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The radio map represents the spatial distribution of spectrum resources within a region, supporting efficient resource allocation and interference mitigation. However, it is difficult to construct a dense radio map as a limited number of samples can be measured in practical scenarios. While existing works have used deep learning to estimate dense radio maps from sparse samples, they are hard to integrate with the physical characteristics of the radio map. To address this challenge, we cast radio map estimation as the sparse signal recovery problem. A physical propagation model is further incorporated to decompose the problem into multiple factor optimization sub-problems, thereby reducing recovery complexity. Inspired by the existing compressive sensing methods, we propose the Radio Deep Unfolding Network (RadioDUN) to unfold the optimization process, achieving adaptive parameter adjusting and prior fitting in a learnable manner. To account for the radio propagation characteristics, we develop a dynamic reweighting module (DRM) to adaptively model the importance of each factor for the radio map. Inspired by the shadowing factor in the physical propagation model, we integrate obstacle-related factors to express the obstacle-induced signal stochastic decay. The shadowing loss is further designed to constrain the factor prediction and act as a supplementary supervised objective, which enhances the performance of RadioDUN. Extensive experiments have been conducted to demonstrate that the proposed method outperforms the state-of-the-art methods. Our code will be made publicly available upon publication.
• Abstract（参考訳）: 無線マップは、領域内のスペクトル資源の空間分布を表し、効率的な資源割り当てと干渉緩和を支援する。 しかし,少数のサンプルを実測できるため,高密度無線マップの構築は困難である。 既存の研究は、深層学習を用いてスパースサンプルから密集した無線マップを推定しているが、無線マップの物理的特性と統合することは困難である。 この課題に対処するため,ラジオマップ推定をスパース信号回復問題として用いた。 さらに物理伝搬モデルを導入して、問題を多重係数最適化サブプロブレムに分解し、回復複雑性を低減させる。 既存の圧縮センシング手法に着想を得て,適応パラメータ調整と事前の適合性を学習可能な方法で実現し,最適化プロセスの展開を目的としたRadio Deep Unfolding Network (RadioDUN)を提案する。 無線伝搬特性を考慮し,無線地図における各因子の重要性を適応的にモデル化する動的再重み付けモジュール(DRM)を開発した。 物理伝搬モデルにおけるシャドーイング因子に着想を得て,障害物による信号確率減衰を表現するために,障害物関連因子を統合する。 シャドーイング損失はさらに、因子予測を制限し、RadioDUNの性能を高める補助的な監視対象として機能するように設計されている。 提案手法が最先端手法より優れていることを示すため, 広範囲な実験が実施されている。 私たちのコードは出版時に公開されます。

関連論文リスト

• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  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。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• 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)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  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。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• 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)
• 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)
• 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)
• 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)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。