論文の概要: RadioDiff-FS: Physics-Informed Manifold Alignment in Few-Shot Diffusion Models for High-Fidelity Radio Map Construction

• arxiv url: http://arxiv.org/abs/2603.18865v1
• Date: Thu, 19 Mar 2026 13:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.155548
• Title: RadioDiff-FS: Physics-Informed Manifold Alignment in Few-Shot Diffusion Models for High-Fidelity Radio Map Construction
• Title（参考訳）: RadioDiff-FS:高忠実度無線マップ構築のためのFew-Shot拡散モデルにおける物理インフォームドマニフォールドアライメント
• Authors: Xiucheng Wang, Zixuan Guo, Nan Cheng,
• Abstract要約: 無線地図(RM)は6Gネットワーク計画に不可欠な空間的連続的な伝搬特性を提供する。 提案するRadioDiff-FSは,学習済みのメインパス生成器をマルチパスリッチターゲットドメインに適応させる,数発の拡散フレームワークである。
• 参考スコア（独自算出の注目度）: 25.36924798716969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio maps (RMs) provide spatially continuous propagation characterizations essential for 6G network planning, but high-fidelity RM construction remains challenging. Rigorous electromagnetic solvers incur prohibitive computational latency, while data-driven models demand massive labeled datasets and generalize poorly from simplified simulations to complex multipath environments. This paper proposes RadioDiff-FS, a few-shot diffusion framework that adapts a pre-trained main-path generator to multipath-rich target domains with only a small number of high-fidelity samples. The adaptation is grounded in a theoretical decomposition of the multipath RM into a dominant main-path component and a directionally sparse residual. This decomposition shows that the cross-domain shift corresponds to a bounded and geometrically structured feature translation rather than an arbitrary distribution change. A Direction-Consistency Loss (DCL) is then introduced to constrain diffusion score updates along physically plausible propagation directions, suppressing phase-inconsistent artifacts that arise in the low-data regime. Experiments show that RadioDiff-FS reduces NMSE by 59.5% on static RMs and by 74.0% on dynamic RMs relative to the vanilla diffusion baseline, achieving an SSIM of 0.9752 and a PSNR of 36.37 dB under severely limited supervision.
• Abstract（参考訳）: 無線地図(RM)は6Gネットワーク計画に不可欠な空間的連続的な伝搬特性を提供するが,高忠実性RM構築は依然として困難である。 厳密な電磁解法は計算遅延を禁止し、一方、データ駆動モデルは大量のラベル付きデータセットを必要とし、単純化されたシミュレーションから複雑なマルチパス環境への一般化が不十分である。 提案するRadioDiff-FSは,学習済みのメインパスジェネレータを,少数の高忠実度サンプルしか持たないマルチパスリッチターゲットドメインに適応させる,数発の拡散フレームワークである。 この適応は、マルチパスRMを主パス成分と方向スパース残基とに理論的に分解する。 この分解は、クロスドメインシフトが任意の分布変化ではなく、有界かつ幾何学的に構造化された特徴変換に対応することを示している。 次に、DCL(Direction-Consistency Loss)を導入し、物理的に妥当な伝播方向に沿って拡散スコアの更新を制限し、低データ体制で発生する位相非一貫性アーティファクトを抑制する。 実験の結果、RadioDiff-FSは静的RMでは59.5%、バニラ拡散ベースラインでは74.0%、SSIMは0.9752、PSNRは36.37dBとなっている。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• iRadioDiff: Physics-Informed Diffusion Model for Indoor Radio Map Construction and Localization [28.221749064585484]
  iRadioDiffは、屋内RM構築のためのサンプリングフリー拡散ベースのフレームワークである。 iRadioDiff は室内RM工法における最先端性能を実現し,信号強度に基づく室内局地化を実現した。
  論文  参考訳（メタデータ） (2025-11-25T07:32:49Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction [42.596399621642234]
  無線マップ(RM)は、位置のみに基づいてパスロスを得ることができる有望な技術である。 本稿では, サンプリングフリーのRM構造を条件付き生成問題としてモデル化し, 高品質なRM構造を実現するためにRadioDiffという名前の拡散拡散法を提案する。 実験の結果,提案したRadioDiffは,3つの精度,構造的類似度,ピーク信号対雑音比の3つの指標において,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-08-16T08:02:00Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)

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。