論文の概要: Radiolunadiff: Estimation of wireless network signal strength in lunar terrain

• arxiv url: http://arxiv.org/abs/2509.14559v1
• Date: Thu, 18 Sep 2025 02:44:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.033667
• Title: Radiolunadiff: Estimation of wireless network signal strength in lunar terrain
• Title（参考訳）: ラジオルナディフ:月面における無線ネットワーク信号強度の推定
• Authors: Paolo Torrado, Anders Pearson, Jason Klein, Alexander Moscibroda, Joshua Smith,
• Abstract要約: 月面上の無線地図を予測するための物理インフォームド深層学習アーキテクチャを提案する。 提案手法は,NASAの公開データから得られるリアルな地形を生成する物理ベースの月面地形生成装置と,電波伝搬シナリオの高忠実度データセットを作成するレイトレーシングエンジンを統合したものである。
• 参考スコア（独自算出の注目度）: 37.61545165066493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a novel physics-informed deep learning architecture for predicting radio maps over lunar terrain. Our approach integrates a physics-based lunar terrain generator, which produces realistic topography informed by publicly available NASA data, with a ray-tracing engine to create a high-fidelity dataset of radio propagation scenarios. Building on this dataset, we introduce a triplet-UNet architecture, consisting of two standard UNets and a diffusion network, to model complex propagation effects. Experimental results demonstrate that our method outperforms existing deep learning approaches on our terrain dataset across various metrics.
• Abstract（参考訳）: 本稿では,月面上の無線地図を予測するための物理インフォームド深層学習アーキテクチャを提案する。 提案手法は,NASAの公開データから得られる現実的な地形を生成する物理ベースの月面地形生成装置と,電波伝搬シナリオの高忠実度データセットを作成するレイトレーシングエンジンを統合したものである。 このデータセットに基づいて、2つの標準UNETと拡散ネットワークからなる三重UNetアーキテクチャを導入し、複雑な伝搬効果をモデル化する。 実験結果から,本手法は地形データセットにおける既存の深層学習手法よりも高い性能を示した。

関連論文リスト

• RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication [76.6171399066216]
  UrbanRadio3Dは、現実的な都市環境におけるレイトレーシングによって構築された大規模で高解像度の3D RMデータセットである。 RadioDiff-3Dは3D畳み込みアーキテクチャを利用した拡散モデルに基づく生成フレームワークである。 この研究は、将来の3D環境対応コミュニケーション研究のための基礎的なデータセットとベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-07-16T11:54:08Z)
• MESA: Text-Driven Terrain Generation Using Latent Diffusion and Global Copernicus Data [0.0]
  我々は、手続き的な地形モデリングに代わる新しいデータ中心のMESAを提案する。 MESAはグローバルリモートセンシングデータを用いてテキスト記述から高品質な地形サンプルを生成する。 このモデルの能力は広範な実験を通じて実証され、現実的で多様な地形を生成する能力を強調している。
  論文  参考訳（メタデータ） (2025-04-09T18:37:24Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• 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)
• Auto-Linear Phenomenon in Subsurface Imaging [31.36376355719394]
  地表面イメージングは、フルウェーブフォームインバージョン(FWI)を解くことで、測定から物理特性を予測する。 通常、エンコーダとデコーダのネットワークを2つの領域のペアデータ(物理特性と測定)で訓練する。 本稿では, 線形写像がペアデータのみを必要とすることを示すとともに, エンコーダとデコーダの両方が自己教師付き学習によって各領域から学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-04-27T17:59:47Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)

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。