論文の概要: Bridging Visual and Wireless Sensing: A Unified Radiation Field for 3D Radio Map Construction

• arxiv url: http://arxiv.org/abs/2601.19216v1
• Date: Tue, 27 Jan 2026 05:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.190672
• Title: Bridging Visual and Wireless Sensing: A Unified Radiation Field for 3D Radio Map Construction
• Title（参考訳）: 視覚とワイヤレスのブリッジ:3次元無線地図構築のための統一放射線場
• Authors: Chaozheng Wen, Jingwen Tong, Zehong Lin, Chenghong Bian, Jun Zhang,
• Abstract要約: 次世代無線ネットワークは、高忠実な環境インテリジェンスを必要とする。 この目的のために、重要なツールとして3Dラジオマップが登場した。 我々は、統一された放射光場表現フレームワークであるURF-GSを提案する。
• 参考スコア（独自算出の注目度）: 14.26926951448715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emerging applications of next-generation wireless networks (e.g., immersive 3D communication, low-altitude networks, and integrated sensing and communication) necessitate high-fidelity environmental intelligence. 3D radio maps have emerged as a critical tool for this purpose, enabling spectrum-aware planning and environment-aware sensing by bridging the gap between physical environments and electromagnetic signal propagation. However, constructing accurate 3D radio maps requires fine-grained 3D geometric information and a profound understanding of electromagnetic wave propagation. Existing approaches typically treat optical and wireless knowledge as distinct modalities, failing to exploit the fundamental physical principles governing both light and electromagnetic propagation. To bridge this gap, we propose URF-GS, a unified radio-optical radiation field representation framework for accurate and generalizable 3D radio map construction based on 3D Gaussian splatting (3D-GS) and inverse rendering. By fusing visual and wireless sensing observations, URF-GS recovers scene geometry and material properties while accurately predicting radio signal behavior at arbitrary transmitter-receiver (Tx-Rx) configurations. Experimental results demonstrate that URF-GS achieves up to a 24.7% improvement in spatial spectrum prediction accuracy and a 10x increase in sample efficiency for 3D radio map construction compared with neural radiance field (NeRF)-based methods. This work establishes a foundation for next-generation wireless networks by integrating perception, interaction, and communication through holistic radiation field reconstruction.
• Abstract（参考訳）: 次世代無線ネットワーク(例えば、没入型3D通信、低高度ネットワーク、統合型センシングと通信)の新たな応用は、高忠実な環境インテリジェンスを必要とする。 物理環境と電磁波伝搬のギャップを埋めることにより、スペクトル認識計画と環境認識センシングを可能にする3Dラジオマップが、この目的のために重要なツールとして登場した。 しかし、正確な3次元ラジオマップの構築には、微細な3次元幾何情報と電磁波伝播の深い理解が必要である。 既存のアプローチでは、光学的知識と無線的知識を異なるモダリティとして扱うのが一般的であり、光と電磁伝搬の両方を規定する基本的な物理原理を活用できない。 このギャップを埋めるために,3次元ガウススプラッティング(3D-GS)と逆レンダリング(3D-GS)に基づく高精度で一般化可能な3次元無線地図構築のための統一された放射光場表現フレームワークであるURF-GSを提案する。 URF-GSは、視覚と無線のセンシング観測を融合させることで、任意の送信機受信機(Tx-Rx)構成での電波の挙動を正確に予測しながら、シーン形状と材料特性を復元する。 実験の結果,URF-GSの空間スペクトル予測精度は最大24.7%向上し,ニューラル放射場(NeRF)法と比較して3次元無線地図構築における試料効率は10倍向上した。 この研究は、総合的な放射線場再構成を通じて知覚、相互作用、コミュニケーションを統合することによって、次世代無線ネットワークの基礎を確立する。

関連論文リスト

• 3D Dynamic Radio Map Prediction Using Vision Transformers for Low-Altitude Wireless Networks [52.73015408160948]
  低高度無線ネットワーク(LAWN)は無人航空機(UAV)の普及に伴い急速に拡大している 信頼性の高い接続性は、三次元(3D)モビリティ、時間変化によるユーザ密度、限られた電力予算のために、依然として重要な課題である。 本稿では,受信電力の進化を学習し,予測する3次元動的無線マップ(3D高度)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:47:17Z)
• Diffusion^2: Turning 3D Environments into Radio Frequency Heatmaps [12.678929276882299]
  広帯域のRF信号の伝搬をモデル化するために3次元点雲を用いた拡散に基づくDiffusion2を導入する。 また,Diffusion2では,RF信号の周波数帯域や環境条件の挙動を推定し,誤差の差は既存の手法に比べて1.9dB,27倍速かった。
  論文  参考訳（メタデータ） (2025-10-02T17:50:22Z)
• 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)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• 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)
• Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
  Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。 リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
  論文  参考訳（メタデータ） (2023-03-20T13:40:11Z)
• 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。