論文の概要: SenseRay-3D: Generalizable and Physics-Informed Framework for End-to-End Indoor Propagation Modeling

• arxiv url: http://arxiv.org/abs/2511.12092v1
• Date: Sat, 15 Nov 2025 08:17:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.601567
• Title: SenseRay-3D: Generalizable and Physics-Informed Framework for End-to-End Indoor Propagation Modeling
• Title（参考訳）: SenseRay-3D: エンド・ツー・エンド屋内伝搬モデリングのための一般化および物理インフォームドフレームワーク
• Authors: Yu Zheng, Kezhi Wang, Wenji Xi, Gang Yu, Jiming Chen, Jie Zhang,
• Abstract要約: SenseRay-3Dは、RGB-Dスキャンから直接3Dパスロスヒートマップを予測するエンドツーエンドフレームワークである。 合成屋内伝播データセットは、将来の研究の標準ベンチマークとして機能するように開発されている。 SenseRay-3Dは、目に見えない環境で平均4.27dBの絶対誤差を達成し、サンプルあたり217msのリアルタイム推論をサポートする。
• 参考スコア（独自算出の注目度）: 35.27031919957894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling indoor radio propagation is crucial for wireless network planning and optimization. However, existing approaches often rely on labor-intensive manual modeling of geometry and material properties, resulting in limited scalability and efficiency. To overcome these challenges, this paper presents SenseRay-3D, a generalizable and physics-informed end-to-end framework that predicts three-dimensional (3D) path-loss heatmaps directly from RGB-D scans, thereby eliminating the need for explicit geometry reconstruction or material annotation. The proposed framework builds a sensing-driven voxelized scene representation that jointly encodes occupancy, electromagnetic material characteristics, and transmitter-receiver geometry, which is processed by a SwinUNETR-based neural network to infer environmental path-loss relative to free-space path-loss. A comprehensive synthetic indoor propagation dataset is further developed to validate the framework and to serve as a standardized benchmark for future research. Experimental results show that SenseRay-3D achieves a mean absolute error of 4.27 dB on unseen environments and supports real-time inference at 217 ms per sample, demonstrating its scalability, efficiency, and physical consistency. SenseRay-3D paves a new path for sense-driven, generalizable, and physics-consistent modeling of indoor propagation, marking a major leap beyond our pioneering EM DeepRay framework.
• Abstract（参考訳）: 屋内電波伝搬のモデル化は、無線ネットワークの計画と最適化に不可欠である。 しかし、既存のアプローチは、しばしば幾何学と材料特性の労働集約的な手動モデリングに依存し、スケーラビリティと効率が制限される。 これらの課題を克服するために,RGB-Dスキャンから直接3次元3次元パスロスヒートマップを予測する汎用・物理インフォームドエンド・ツー・エンド・フレームワークであるSenseRay-3Dを提案する。 提案フレームワークは,SwinUNETRベースのニューラルネットワークによって処理され,自由空間パスロスに対する環境パスロスを推定する,占有率,電磁特性,送信機・受信機幾何学を共同で符号化した,センサ駆動のボキセル化シーン表現を構築した。 さらに, この枠組みを検証し, 将来の研究の標準ベンチマークとして機能させるために, 総合的な室内伝搬データセットを開発した。 実験結果から,SenseRay-3Dは未知の環境で平均4.27dBの絶対誤差を達成し,サンプルあたり217msのリアルタイム推論をサポートし,そのスケーラビリティ,効率,物理的整合性を実証した。 SenseRay-3Dは、私たちの先駆的なEM DeepRayフレームワークを超えて、屋内伝播の感覚駆動型、一般化可能、物理一貫性のあるモデリングのための新しい道を開く。

関連論文リスト

• RIS-Assisted 3D Spherical Splatting for Object Composition Visualization using Detection Transformers [25.84331932738724]
  本研究では,物質対応球面プリミティブを用いた3次元物体再構成のためのPWE駆動RFフレームワークを提案する。 結果は、フレームワークがオブジェクトのジオメトリを近似し、材料組成を79.35%の精度で分類する能力を確認した。
  論文  参考訳（メタデータ） (2025-11-04T13:48:47Z)
• MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
  MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。 本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
  論文  参考訳（メタデータ） (2025-07-07T08:22:32Z)
• PBIR-NIE: Glossy Object Capture under Non-Distant Lighting [30.325872237020395]
  グロッシーオブジェクトは自然光下での多視点入力画像から3次元再構成を行う上で重要な課題となる。 PBIR-NIEは, 物体の形状, 材料特性, 周囲の照明を均等に捉えるために設計された逆レンダリングフレームワークである。
  論文  参考訳（メタデータ） (2024-08-13T13:26:24Z)
• Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
  室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。 合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
  論文  参考訳（メタデータ） (2024-06-17T08:18:41Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Normal Transformer: Extracting Surface Geometry from LiDAR Points Enhanced by Visual Semantics [7.507853813361308]
  本稿では,LiDARとカメラセンサから得られた3次元点雲と2次元カラー画像を利用して表面正規化を行うマルチモーダル手法を提案する。 本稿では,視覚的意味論と3次元幾何学的情報を巧みに融合した,トランスフォーマーに基づくニューラルネットワークアーキテクチャを提案する。 交通シーンを模倣したシミュレーション3D環境から,提案モデルが学習可能であることが確認された。
  論文  参考訳（メタデータ） (2022-11-19T03:55:09Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• Active 3D Shape Reconstruction from Vision and Touch [66.08432412497443]
  人間は、視覚と触覚を共同で利用して、活発な物体探索を通じて世界の3D理解を構築する。 3次元形状の再構成では、最新の進歩はRGB画像、深度マップ、触覚読影などの限られた感覚データの静的データセットに依存している。 1)高空間分解能視覚に基づく触覚センサを応用した3次元物体のアクティブタッチに活用した触覚シミュレータ,2)触覚やビジュオクティビティルを先導するメッシュベースの3次元形状再構成モデル,3)触覚やビジュオのいずれかを用いたデータ駆動型ソリューションのセットからなるシステムを導入する。
  論文  参考訳（メタデータ） (2021-07-20T15:56:52Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation [81.02742110604161]
  大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。 そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。 提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
  論文  参考訳（メタデータ） (2020-11-19T18:53:11Z)

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。