論文の概要: Radiance-Field Reinforced Pretraining: Scaling Localization Models with Unlabeled Wireless Signals

• arxiv url: http://arxiv.org/abs/2512.07309v1
• Date: Mon, 08 Dec 2025 08:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.795403
• Title: Radiance-Field Reinforced Pretraining: Scaling Localization Models with Unlabeled Wireless Signals
• Title（参考訳）: 放射界強化事前学習:未ラベル無線信号を用いた局所化モデルのスケーリング
• Authors: Guosheng Wang, Shen Wang, Lei Yang,
• Abstract要約: 無線周波数(RF)ベースの屋内ローカライゼーションは、屋内ナビゲーション、拡張現実、広範コンピューティングなどのアプリケーションに有望である。 RFRP(Radiance-Field Reinforced Pretraining)の導入 この新しい自己教師型事前学習フレームワークは、非対称オートエンコーダアーキテクチャにおいて、大規模な局在モデル(LM)とニューラルラジオ周波数放射場(RF-NeRF)を結合する。 RFRPプレトレーニングLMは,非事前学習モデルに比べて40%以上,教師あり学習モデルに比べて21%以上,局所化誤差を減少させることを示した。
• 参考スコア（独自算出の注目度）: 5.688789306551577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio frequency (RF)-based indoor localization offers significant promise for applications such as indoor navigation, augmented reality, and pervasive computing. While deep learning has greatly enhanced localization accuracy and robustness, existing localization models still face major challenges in cross-scene generalization due to their reliance on scene-specific labeled data. To address this, we introduce Radiance-Field Reinforced Pretraining (RFRP). This novel self-supervised pretraining framework couples a large localization model (LM) with a neural radio-frequency radiance field (RF-NeRF) in an asymmetrical autoencoder architecture. In this design, the LM encodes received RF spectra into latent, position-relevant representations, while the RF-NeRF decodes them to reconstruct the original spectra. This alignment between input and output enables effective representation learning using large-scale, unlabeled RF data, which can be collected continuously with minimal effort. To this end, we collected RF samples at 7,327,321 positions across 100 diverse scenes using four common wireless technologies--RFID, BLE, WiFi, and IIoT. Data from 75 scenes were used for training, and the remaining 25 for evaluation. Experimental results show that the RFRP-pretrained LM reduces localization error by over 40% compared to non-pretrained models and by 21% compared to those pretrained using supervised learning.
• Abstract（参考訳）: 無線周波数(RF)ベースの屋内ローカライゼーションは、屋内ナビゲーション、拡張現実、広範コンピューティングなどのアプリケーションに有望である。 ディープラーニングは、ローカライズ精度とロバスト性を大幅に向上させたが、既存のローカライズモデルは、シーン固有のラベル付きデータに依存しているため、クロスシーンの一般化において大きな課題に直面している。 これを解決するために、RFRP(Radiance-Field Reinforced Pretraining)を導入する。 この新しい自己教師型事前学習フレームワークは、非対称オートエンコーダアーキテクチャにおいて、大規模な局在モデル(LM)とニューラルラジオ周波数放射場(RF-NeRF)を結合する。 この設計では、受信したRFスペクトルを位置関連表現に符号化し、RF-NeRFはそれらを復号して元のスペクトルを再構成する。 この入力と出力のアライメントは、大規模でラベルなしのRFデータを用いて効果的な表現学習を可能にし、最小限の努力で継続的に収集することができる。 この目的のために、RFID、BLE、WiFi、IIoTの4つの一般的な無線技術を用いて、100の多様なシーンにまたがる7,327,321のRFサンプルを収集した。 75シーンのデータをトレーニングに使用し、残りの25シーンを評価に使用した。 実験結果から,RFRPプレトレーニングされたLMは,非事前学習モデルに比べて40%以上,教師あり学習モデルに比べて21%以上,局所化誤差を減少させることがわかった。

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)
• 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)
• DWTNeRF: Boosting Few-shot Neural Radiance Fields via Discrete Wavelet Transform [3.44306950522716]
  Instant-NGPの高速学習ハッシュ符号化に基づく統合フレームワークDWTNeRFを提案する。 スパーストレーニングビューで動作する数発のNeRF用に設計された正規化用語と組み合わせられている。 我々のアプローチは、INGPや3DGSのような暗黙の表現を高速に収束させるための、現在の数発のアプローチを再考することを奨励している。
  論文  参考訳（メタデータ） (2025-01-22T04:53:12Z)
• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)
• RF-ULM: Ultrasound Localization Microscopy Learned from Radio-Frequency Wavefronts [7.652037892439504]
  遅延とサムのビームフォーミングは、RF(Radio-Frequency)チャネルデータを不可逆的に減少させる。 RFウェーブフロントに埋め込まれたリッチなコンテキスト情報は、DNN(Deep Neural Networks)をローカライゼーションシナリオに挑戦する上で、非常に有望である。 本稿では,学習した特徴チャネルシャッフル,非最大抑圧,半グローバル畳み込みブロックを用いて,RFチャネルデータ中の散乱体を直接ローカライズすることを提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:41:23Z)
• MS-NeRF: Multi-Space Neural Radiance Fields [48.0367339199913]
  既存のニューラルレイディアンス場(NeRF)法は反射物体の存在に悩まされ、しばしばぼやけたレンダリングをもたらす。 並列部分空間における特徴場の群を用いてシーンを表現するマルチスペースニューラルレイディアンス場(MS-NeRF)を提案する。 提案手法は,高品質シーンのレンダリングにおいて,既存の単一空間NeRF法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-07T13:11:07Z)
• Re-ReND: Real-time Rendering of NeRFs across Devices [56.081995086924216]
  Re-ReNDは、NeRFを標準グラフィックスパイプラインで効率的に処理できる表現に変換することで、リアルタイムのパフォーマンスを実現するように設計されている。 Re-ReNDはレンダリング速度が2.6倍に向上し、最先端技術では品質が損なわれることなく達成できることがわかった。
  論文  参考訳（メタデータ） (2023-03-15T15:59:41Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• 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)
• Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
  WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。 得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。 WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
  論文  参考訳（メタデータ） (2021-07-11T19:02:07Z)

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。