論文の概要: Sparse Gain Radio Map Reconstruction With Geometry Priors and Uncertainty-Guided Measurement Selection

• arxiv url: http://arxiv.org/abs/2604.05788v1
• Date: Tue, 07 Apr 2026 12:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.818125
• Title: Sparse Gain Radio Map Reconstruction With Geometry Priors and Uncertainty-Guided Measurement Selection
• Title（参考訳）: 幾何優先と不確実性誘導測定による疎利得無線マップの再構成
• Authors: Zhihan Zeng, Ning Wei, Muhammad Baqer Mollah, Kaihe Wang, Phee Lep Yeoh, Fei Xu, Yue Xiu, Zhongpei Zhang,
• Abstract要約: 我々は幾何学的・能動的センシングの観点からスパースゲイン無線地図の再構成について検討した。 本報告では,高密度ゲイン無線マップと空間不確実性マップをスパース計測と構造化シーン先行から共同で予測する軽量ネットワークである textbfGeoUQ-GFNet を提案する。
• 参考スコア（独自算出の注目度）: 13.374932423672035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio maps are important for environment-aware wireless communication, network planning, and radio resource optimization. However, dense radio map construction remains challenging when only a limited number of measurements are available, especially in complex urban environments with strong blockages, irregular geometry, and restricted sensing accessibility. Existing methods have explored interpolation, low-rank cartography, deep completion, and channel knowledge map (CKM) construction, but many of these methods insufficiently exploit explicit geometric priors or overlook the value of predictive uncertainty for subsequent sensing. In this paper, we study sparse gain radio map reconstruction from a geometry-aware and active sensing perspective. We first construct \textbf{UrbanRT-RM}, a controllable ray-tracing benchmark with diverse urban layouts, multiple base-station deployments, and multiple sparse sampling modes. We then propose \textbf{GeoUQ-GFNet}, a lightweight network that jointly predicts a dense gain radio map and a spatial uncertainty map from sparse measurements and structured scene priors. The predicted uncertainty is further used to guide active measurement selection under limited sensing budgets. Extensive experiments show that our proposed GeoUQ-GFNet method achieves strong and consistent reconstruction performance across different scenes and transmitter placements generated using UrbanRT-RM. Moreover, uncertainty-guided querying provides more effective reconstruction improvement than non-adaptive sampling under the same additional measurement budget. These results demonstrate the effectiveness of combining geometry-aware learning, uncertainty estimation, and benchmark-driven evaluation for sparse radio map reconstruction in complex urban environments.
• Abstract（参考訳）: 無線マップは、環境に配慮した無線通信、ネットワーク計画、無線リソース最適化において重要である。 しかし、密集した無線地図の構築は、特に強い遮蔽、不規則な幾何学、制限された感知アクセシビリティを持つ複雑な都市環境では、限られた数の測定しかできないため、依然として困難である。 既存の手法では補間、低ランクの地図作成、深い完成、チャネル知識マップ(CKM)の構築が検討されているが、これらの手法の多くは明示的な幾何学的前提を十分に活用したり、後続の知覚に対する予測の不確実性の価値を見落としたりする。 本稿では、幾何学的・能動的センシングの観点から、スパースゲイン無線地図の再構成について検討する。 我々はまず,多様な都市レイアウト,複数基地局配置,複数スパースサンプリングモードを備えた,制御可能なレイトレーシングベンチマークである「textbf{UrbanRT-RM}」を構築した。 次に,高密度ゲイン無線マップと空間不確実性マップをスパース測定と構造化シーン先行から共同で予測する軽量ネットワークである‘textbf{GeoUQ-GFNet} を提案する。 予測された不確実性は、限られた検知予算の下でのアクティブな測定選択を導くためにさらに使用される。 広汎な実験により,提案手法は,UrbanRT-RMを用いた送信機配置と異なるシーン間の強い一貫した再構成性能を実現する。 さらに、不確実性誘導クエリは、同じ追加測定予算の下での非適応サンプリングよりも効果的な再構成改善を提供する。 これらの結果から, 複雑な都市環境における地理認識学習, 不確実性推定, ベンチマーク駆動評価の併用効果が示された。

関連論文リスト

• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• 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)
• Reconstruction of SINR Maps from Sparse Measurements using Group Equivariant Non-Expansive Operators [1.9692747349111241]
  グループ同変非拡張演算子(GENEOs)に基づく新しい再構成フレームワークを提案する。 我々の重要な洞察は、SINRマップのトポロジ的構造を保存するネットワーク管理は、ピクセル単位の誤差を最小限に抑えるよりも、しばしば重要であるということである。 以上の結果から,MSEは競争力を維持しつつも,トポロジカル忠実度において確立されたMLベースラインを劇的に上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-07-25T14:59:44Z)
• 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)
• 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)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Spectrum Surveying: Active Radio Map Estimation with Autonomous UAVs [15.452264020787593]
  本稿では,無人航空機(UAV)のような移動体ロボットが,短時間で高品質な地図推定値を得るために,積極的に選択された一連の位置で測定値を収集したスペクトルサーベイを提案する。 モデルに基づくオンラインベイズ推定器とデータ駆動型深層学習アルゴリズムの2つの新しいアルゴリズムを考案し,各地点における計測の有意性を示すマップ推定と不確実性指標を更新する。 この問題の複雑さを克服するために,線形時間における大きな不確実性のある領域を通して経路点のリストを得る動的プログラミング手法を提案する。
  論文  参考訳（メタデータ） (2022-01-11T18:49:42Z)
• 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。