論文の概要: GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels
- arxiv url: http://arxiv.org/abs/2511.22793v1
- Date: Thu, 27 Nov 2025 22:42:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.727165
- Title: GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels
- Title（参考訳）: GSpaRC : RFチャネルのリアルタイム再構成のためのガウススプラッティング
- Authors: Bhavya Sai Nukapotula, Rishabh Tripathi, Seth Pregler, Dileep Kalathil, Srinivas Shakkottai, Theodore S. Rappaport,
- Abstract要約: 無線通信システムにおける適応ビームフォーミングおよびロバストリンクにはチャネル状態情報(CSI)が不可欠である。
本稿では1msの遅延障壁を破る最初の計算であるRFチャネルのリアルタイム再構成のためのガウススプラッティングについて述べる。
- 参考スコア（独自算出の注目度）: 18.70495617397063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Channel state information (CSI) is essential for adaptive beamforming and maintaining robust links in wireless communication systems. However, acquiring CSI incurs significant overhead, consuming up to 25\% of spectrum resources in 5G networks due to frequent pilot transmissions at sub-millisecond intervals. Recent approaches aim to reduce this burden by reconstructing CSI from spatiotemporal RF measurements, such as signal strength and direction-of-arrival. While effective in offline settings, these methods often suffer from inference latencies in the 5--100~ms range, making them impractical for real-time systems. We present GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels, the first algorithm to break the 1 ms latency barrier while maintaining high accuracy. GSpaRC represents the RF environment using a compact set of 3D Gaussian primitives, each parameterized by a lightweight neural model augmented with physics-informed features such as distance-based attenuation. Unlike traditional vision-based splatting pipelines, GSpaRC is tailored for RF reception: it employs an equirectangular projection onto a hemispherical surface centered at the receiver to reflect omnidirectional antenna behavior. A custom CUDA pipeline enables fully parallelized directional sorting, splatting, and rendering across frequency and spatial dimensions. Evaluated on multiple RF datasets, GSpaRC achieves similar CSI reconstruction fidelity to recent state-of-the-art methods while reducing training and inference time by over an order of magnitude. By trading modest GPU computation for a substantial reduction in pilot overhead, GSpaRC enables scalable, low-latency channel estimation suitable for deployment in 5G and future wireless systems. The code is available here: \href{https://github.com/Nbhavyasai/GSpaRC-WirelessGaussianSplatting.git}{GSpaRC}.
- Abstract（参考訳）: チャネル状態情報(CSI)は、無線通信システムにおいて、アダプティブビームフォーミングとロバストリンクの維持に不可欠である。
しかし、CSIの取得は大きなオーバーヘッドをもたらし、ミリ秒以下の間隔で頻繁にパイロット送信を行うため、5Gネットワークのスペクトルリソースの最大25%を消費する。
近年のアプローチでは、信号強度や位置方向などの時空間RF測定からCSIを再構築することで、この負担を軽減することを目指している。
オフライン環境では有効であるが、これらの手法は5-100~msの範囲での推論遅延に悩まされ、リアルタイムシステムでは実用的ではない。
本稿では,1msの遅延障壁を高精度に維持する最初のアルゴリズムである,RFチャネルのリアルタイム再構成のためのガウススプラッティングについて述べる。
GSpaRCは3Dガウスプリミティブのコンパクトなセットを使用してRF環境を表現する。
従来の視覚ベースのスプレイティングパイプラインとは異なり、GSpaRCはRF受信用に調整されている。
カスタムCUDAパイプラインは、周波数と空間次元をまたいで完全に並列化された方向ソート、スプラッティング、レンダリングを可能にする。
複数のRFデータセットに基づいて評価し、GSpaRCは、最近の最先端手法と同様のCSI再構成忠実度を達成しつつ、トレーニングと推論時間を桁違いに短縮する。
パイロットオーバヘッドを大幅に削減するために、控えめなGPU計算を取引することで、GSpaRCは5Gおよび将来の無線システムへの展開に適したスケーラブルで低レイテンシなチャネル推定を可能にする。
コードは以下の通りである。 \href{https://github.com/Nbhavyasai/GSpaRC-WirelessGaussianSplatting.git}{GSpaRC}。
関連論文リスト
- Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。
本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
論文 参考訳（メタデータ） (2025-09-08T15:56:06Z) - RF-PGS: Fully-structured Spatial Wireless Channel Representation with Planar Gaussian Splatting [3.3008315224941973]
本稿では,スパースパス損失スペクトルのみから高忠実度電波伝搬路を再構成する新しいフレームワークRF-PGSを提案する。
従来の放射界法と比較して、RF-PGSは再構成精度を大幅に向上し、トレーニングコストを低減し、無線チャネルの効率的な表現を可能にする。
論文 参考訳（メタデータ） (2025-08-23T00:33:21Z) - Rasterizing Wireless Radiance Field via Deformable 2D Gaussian Splatting [10.200300617390013]
無線放射場(WRF)のモデル化は,現代の通信システムの基本である。
任意の位置でWRFスペクトルを合成する変形可能な2DスプレイティングフレームワークであるSwiftWRFを提案する。
実世界と合成室内の両方の実験では、SwiftWRFが既存の最先端の手法よりも500倍早くWRFを再構築できることが示されている。
論文 参考訳（メタデータ） (2025-06-15T09:36:45Z) - Terahertz Spatial Wireless Channel Modeling with Radio Radiance Field [7.9667883086938955]
Terahertz (THz) 通信は6Gシステムにとって重要な機能であり、超広帯域幅と前例のないデータレートを提供する。
本研究では,THz帯への無線放射場(RRF)フレームワークの適用可能性について検討する。
本手法は,高密度サンプリングを伴わない効率的な空間チャネル状態情報(Spatial-CSI)モデリングを可能にする。
論文 参考訳（メタデータ） (2025-05-06T19:38:33Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。
本稿では,無線コミュニティに対して,エンドツーエンドの受信方式を提示することでRAQRを導入する。
次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
論文 参考訳（メタデータ） (2024-12-07T06:25:54Z) - Neural Representation for Wireless Radiation Field Reconstruction: A 3D Gaussian Splatting Approach [8.644949917126755]
本稿では,無線放射場(WRF)再構成に基づくチャネルモデリングのための新しいフレームワークであるWRF-GSを提案する。
本稿では、電磁波物理をニューラルネットワーク設計に統合する拡張フレームワークであるWRF-GS+を提案する。
論文 参考訳（メタデータ） (2024-12-06T07:56:14Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - 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)
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。