論文の概要: Physically Accurate Differentiable Inverse Rendering for Radio Frequency Digital Twin

• arxiv url: http://arxiv.org/abs/2603.18026v1
• Date: Thu, 05 Mar 2026 23:59:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.39912
• Title: Physically Accurate Differentiable Inverse Rendering for Radio Frequency Digital Twin
• Title（参考訳）: 高周波ディジタル双生児のための物理的精度の異なる逆レンダリング
• Abstract要約: デジタル双生児(仮想シミュレートされた物理シーンのレプリカ)は、業界全体でシステムデザインを変えつつある。 RFDTは物理的に接地されたエッジ回折遷移関数で不連続を解消する。
• 参考スコア（独自算出の注目度）: 48.52428157677096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital twins, virtual simulated replicas of physical scenes, are transforming system design across industries. However, their potential in radio frequency (RF) systems has been limited by the non-differentiable nature of conventional RF simulators. The visibility of propagation paths causes severe discontinuities, and differentiable rendering techniques from computer graphics cannot easily transfer due to point-source antennas and dominant specular reflections. In this paper, we present RFDT, a physically based differentiable RF simulation framework that enables gradient-based interaction between virtual and physical worlds. RFDT resolves discontinuities with a physically grounded edge-diffraction transition function, and mitigates non-convexity from Fourier-domain processing through a signal domain transform surrogate. Our implementation demonstrates RFDT's ability to accurately reconstruct digital twins from real RF measurements. Moreover, RFDT can augment diverse downstream applications, such as test-time adaptation of machine learning-based RF sensing and physically constrained optimization of communication systems.
• Abstract（参考訳）: デジタル双生児(仮想シミュレートされた物理シーンのレプリカ)は、業界全体でシステムデザインを変えつつある。 しかし、無線周波数(RF)システムのポテンシャルは、従来のRFシミュレータの非微分性によって制限されている。 伝播経路の視認は重大な不連続を引き起こし、コンピュータグラフィックスからの微分可能なレンダリング技術は、ポイントソースアンテナと支配的なスペクトル反射のために容易に転送できない。 本稿では,仮想世界と物理世界間の勾配に基づく相互作用を可能にする物理ベース微分可能RFシミュレーションフレームワークRFDTを提案する。 RFDTは物理的に接地されたエッジ回折遷移関数で不連続を解消し、信号領域変換サロゲートを介してフーリエ領域処理から非凸性を緩和する。 本実装では,実測値からディジタル双生児を正確に再構成するRFDTの能力を実証する。 さらに、RFDTは、機械学習ベースのRFセンシングのテスト時間適応や、物理的に制約された通信システムの最適化など、さまざまな下流アプリケーションを拡張することができる。

関連論文リスト

• CORF-GS: Real-Time Wireless Radiance Field Reconstruction via Coupled Optical-RF Gaussian Splatting [65.63543177449922]
  CORF-GSは、シーケンシャルおよび無線周波数(RF)波を処理するリアルタイムWRF再構成フレームワークである。 光学的およびRFのための統一ガウス表現を構築し、共有幾何とモダリティ固有の外観を持つ。 最先端のRFスペクトルの品質を達成し、既存のWRF法と比較して復元時間を6.4倍に短縮する。
  論文  参考訳（メタデータ） (2026-07-28T10:56:52Z)
• PF-Trans: Physics-Embedded Frequency-Aware Transformer for Spectral Reconstruction [9.122692658405116]
  高忠実度リモートセンシングスペクトル再構成のための物理埋め込み周波数対応変換器(PF-Trans)を提案する。 PF-Transは最先端のパフォーマンスを実現し、GF-5上海データセット上で最大48.50dBのピーク信号対雑音比(PSNR)を達成する。
  論文  参考訳（メタデータ） (2026-06-09T03:34:34Z)
• Differentiable Ray Tracing with Gaussians for Unified Radio Propagation Simulation and View Synthesis [13.057153756597904]
  視覚的に再構成されたニューラルシーン内で直接、微分可能なRF伝搬シミュレーションを可能にするフレームワークを提案する。 本稿では, 電磁伝搬シミュレーションと光現実視合成の両面において, ニューラル再構成が空間的統一表現として機能することを示す。
  論文  参考訳（メタデータ） (2026-05-08T14:19:28Z)
• Semantically Annotated Multimodal Dataset for RF Interpretation and Prediction [4.872063946977515]
  無線モデリングとRF(Radio frequency)ベースのAIの現在の制限は、RF信号を物理的な環境に接続する高品質な計測ベースのデータセットの欠如によって引き起こされている。 本稿では,RF計測と高分解能カメラやライダーなどの補助的モダリティを組み合わせることで,RF信号と物理的原因とのギャップを埋める新しいマルチモーダルデータセットを提案する。
  論文  参考訳（メタデータ） (2026-04-01T22:18:01Z)
• Unlocking High-Fidelity Analog Joint Source-Channel Coding on Standard Digital Transceivers [54.82164616081277]
  D2AJSCCは、標準デジタルPHY上に高忠実度アナログJ SCCをデプロイできる新しいフレームワークである。 本システムは,SNR条件にまたがる優雅な劣化を伴って,ほぼ理想のアナログJ SCC性能を実現する。 ハードウェア変更なしにレガシーインフラストラクチャ上で次世代のセマンティックトランスミッションを可能にすることで,ネットワークの持続的進化を促進する。
  論文  参考訳（メタデータ） (2026-03-10T01:42:23Z)
• ReVeal-MT: A Physics-Informed Neural Network for Multi-Transmitter Radio Environment Mapping [9.43653276377036]
  本稿では,マルチソースPDE残基をニューラルネットワーク損失関数に統合した新しいPINNであるemphReVeal-MTを提案する。 ReVeal-MTは、農耕地や郊外の環境にまたがるARA無線リビングラボからの実測値を用いて検証されている。 その結果,ReVeal-MTはマルチトランスミッタのシナリオでかなりの精度のゲインが得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-22T23:33:06Z)
• Scalable RF Simulation in Generative 4D Worlds [12.977761033016503]
  WaveVerseはプロンプトベースでスケーラブルなフレームワークで、生成された屋内シーンのリアルなRF信号を人間の動きでシミュレートする。 条件付き人体運動生成におけるアプローチの有効性を実証し,ビームフォーミングと呼吸監視に位相コヒーレンスがどのように適用されているかを明らかにする。
  論文  参考訳（メタデータ） (2025-08-16T23:02:14Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• 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)
• Closing the Visual Sim-to-Real Gap with Object-Composable NeRFs [59.12526668734703]
  本稿では,オブジェクト合成可能なNeRFモデルであるComposable Object Volume NeRF(COV-NeRF)を紹介する。 COV-NeRFは、実際の画像からオブジェクトを抽出し、それらを新しいシーンに合成し、フォトリアリスティックなレンダリングと多くのタイプの2Dおよび3D監視を生成する。
  論文  参考訳（メタデータ） (2024-03-07T00:00:02Z)
• Deep Learning-based MRI Reconstruction with Artificial Fourier Transform Network (AFTNet) [14.146848823672677]
  複合価値ディープラーニングフレームワーク-Artificial Fourier Transform Network (AFTNet)を導入する。 AFTNetは、ドメイン変換における画像逆問題の解決に容易に利用できる。 AFTNetは既存のアプローチに比べ,MRIの高速化に優れることを示す。
  論文  参考訳（メタデータ） (2023-12-18T02:50:45Z)
• Dynamic Mesh-Aware Radiance Fields [75.59025151369308]
  本稿では,メッシュとNeRFの双方向結合をレンダリングおよびシミュレーション時に設計する。 ハイブリッドシステムはメッシュ挿入のための視覚リアリズムの代替よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-08T20:18:18Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)

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。