論文の概要: Physics-Informed Neural Networks for MIMO Beam Map and Environment Reconstruction

• arxiv url: http://arxiv.org/abs/2510.21238v1
• Date: Fri, 24 Oct 2025 08:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.400285
• Title: Physics-Informed Neural Networks for MIMO Beam Map and Environment Reconstruction
• Title（参考訳）: MIMOビームマップと環境復元のための物理インフォームニューラルネットワーク
• Authors: Wangqian Chen, Junting Chen, Shuguang Cui,
• Abstract要約: ネットワークインテリジェンスを用いて物理層計測をブリッジするための重要な手法として,チャネル状態情報(CSI)からの幾何学的特徴抽出が出現する。 本稿では, 受信信号強度(RSS)データを3次元環境知識なしで探索し, 放射光マップと環境幾何学を共同構築することを提案する。 反射領域に基づく幾何モデルを含む物理インフォームドディープラーニングフレームワークを提案し, ブロック, 反射, 散乱成分の学習を行った。
• 参考スコア（独自算出の注目度）: 67.65578956523403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As communication networks evolve towards greater complexity (e.g., 6G and beyond), a deep understanding of the wireless environment becomes increasingly crucial. When explicit knowledge of the environment is unavailable, geometry-aware feature extraction from channel state information (CSI) emerges as a pivotal methodology to bridge physical-layer measurements with network intelligence. This paper proposes to explore the received signal strength (RSS) data, without explicit 3D environment knowledge, to jointly construct the radio beam map and environmental geometry for a multiple-input multiple-output (MIMO) system. Unlike existing methods that only learn blockage structures, we propose an oriented virtual obstacle model that captures the geometric features of both blockage and reflection. Reflective zones are formulated to identify relevant reflected paths according to the geometry relation of the environment. We derive an analytical expression for the reflective zone and further analyze its geometric characteristics to develop a reformulation that is more compatible with deep learning representations. A physics-informed deep learning framework that incorporates the reflective-zone-based geometry model is proposed to learn the blockage, reflection, and scattering components, along with the beam pattern, which leverages physics prior knowledge to enhance network transferability. Numerical experiments demonstrate that, in addition to reconstructing the blockage and reflection geometry, the proposed model can construct a more accurate MIMO beam map with a 32%-48% accuracy improvement.
• Abstract（参考訳）: 通信ネットワークがより複雑なもの(例えば6Gなど)へと進化するにつれ、無線環境に対する深い理解がますます重要になる。 環境の明示的な知識が得られない場合、ネットワークインテリジェンスによって物理層計測をブリッジするための重要な手法として、チャネル状態情報(CSI)からの幾何学的特徴抽出が出現する。 本稿では、受信信号強度(RSS)データを明示的な3次元環境知識なしで探索し、マルチインプットマルチアウトプット(MIMO)システムのための無線ビームマップと環境幾何学を共同構築することを提案する。 ブロック構造のみを学習する既存の手法とは異なり,ブロック構造と反射構造の幾何学的特徴を捉える指向性仮想障害物モデルを提案する。 反射ゾーンは、環境の幾何学的関係に応じて、関連する反射経路を特定するために定式化される。 反射領域の解析式を導出し、その幾何学的特徴を更に分析し、深層学習表現とより互換性のある再構成を開発する。 反射ゾーンに基づく幾何学モデルを組み込んだ物理インフォームドディープラーニングフレームワークを提案し,ネットワーク転送性を高めるために物理の事前知識を活用するビームパターンとともに,ブロック,反射,散乱成分を学習する。 数値実験により, ブロック形状と反射形状の再構成に加えて, 32%-48%の精度で高精度なMIMOビームマップを構築することができることがわかった。

関連論文リスト

• Three-dimensional inversion of gravity data using implicit neural representations [2.7372527234669115]
  重力データのインバージョンは、多様な応用に関連する地下密度の変動を研究する重要な方法である。 ここでは,三次元重力インバージョンを連続場として表す科学的機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-17T03:55:08Z)
• Reflections Unlock: Geometry-Aware Reflection Disentanglement in 3D Gaussian Splatting for Photorealistic Scenes Rendering [51.223347330075576]
  Ref-Unlockは3Dガウススプラッティングをベースとした新しい幾何認識反射モデリングフレームワークである。 提案手法では、高次球面高調波を用いた二重分岐表現を用いて、高周波反射の詳細を捉える。 そこで本手法は,反射シーンのリアルなレンダリングのための効率的で一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-08T15:45:08Z)
• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Diffraction and Scattering Aware Radio Map and Environment Reconstruction using Geometry Model-Assisted Deep Learning [14.986314279939952]
  本稿では、受信信号強度(RSS)データを用いて、無線マップと仮想環境を共同構築することを提案する。 我々は,仮想障害物モデルを開発し,伝搬経路と仮想障害物との間の幾何学的関係を特徴づける。 数値実験により, 3次元仮想環境の再構築に加えて, 提案したモデルは, 精度10%-18%向上した無線地図構築において, 最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-01T02:20:01Z)
• DuRIN: A Deep-unfolded Sparse Seismic Reflectivity Inversion Network [23.080395291046408]
  地震データから界面の位置と反射係数の振幅を復元する反射地震学の問題を考察する。 重み付きminimax-concave penalty-regularized reflectivity inversion法を提案し,モデルベースニューラルネットワークを用いて解く。
  論文  参考訳（メタデータ） (2021-04-10T07:49:38Z)
• High-Order Residual Network for Light Field Super-Resolution [39.93400777363467]
  可視光カメラは通常、異なる視点から情報を取得するために、SAIの空間分解能を犠牲にする。 そこで本稿では,光場から階層的に幾何学的特徴を学習するための新しい高次残差ネットワークを提案する。 提案手法は,挑戦的領域においても高品質な再構成が可能であり,定量化と視覚的評価の両面から,最先端の単一画像やLF再構成よりも優れる。
  論文  参考訳（メタデータ） (2020-03-29T18:06:05Z)
• Deep Non-Line-of-Sight Reconstruction [18.38481917675749]
  本稿では,再構成問題を効率的に解くために,畳み込みフィードフォワードネットワークを用いる。 本研究では,自動エンコーダアーキテクチャを設計し,一貫した画像を直接深度マップ表現にマッピングする。 筆者らのフィードフォワードネットワークは,合成データのみに基づいて訓練されているものの,SPADセンサの計測データに一般化し,モデルに基づく再構成手法と競合する結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-01-24T16:05:50Z)

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。