論文の概要: Cross-Modal Generation: From Commodity WiFi to High-Fidelity mmWave and RFID Sensing
- arxiv url: http://arxiv.org/abs/2604.16558v1
- Date: Fri, 17 Apr 2026 08:39:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.072118
- Title: Cross-Modal Generation: From Commodity WiFi to High-Fidelity mmWave and RFID Sensing
- Title（参考訳）: クロスモーダル・ジェネレーション:コモディティWiFiから高密度ミリ波・RFIDセンシングへ
- Authors: Zhixiong Yang, Long Jing, Yao Li, Shuli Cheng, Guoxuan Chi, Chenyu Wen,
- Abstract要約: AIGCはCVとNLPで顕著な成功を収めており、最近は無線領域における有望な可能性を示している。
RFモダリティ間の重要なデータ不均衡は、豊富なWiFiデータを持つが、取得コストが高いため、mWaveやRFIDデータが少ない。
本稿では、データリッチWiFi信号を利用した拡散型クロスモーダル生成法RF-CMGを提案する。
- 参考スコア（独自算出の注目度）: 16.049962532104182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AIGC has shown remarkable success in CV and NLP, and has recently demonstrated promising potential in the wireless domain. However, significant data imbalance exists across RF modalities, with abundant WiFi data but scarce mmWave and RFID data due to high acquisition cost. This makes it difficult to train high-quality generative models for these data-scarce modalities. In this work, we propose RF-CMG, a diffusion-based cross-modal generative method that leverages data-rich WiFi signals to synthesize high-fidelity RF data for scarce modalities including mmWave and RFID. The key insight of RF-CMG is to decouple cross-modal generation into high-frequency guidance and low-frequency constraint, which respectively learn high-frequency distribution from limited target modality data and preserve the underlying physical structure via low-frequency constraints during generation. On this basis, we introduce a Modality-Guided Embedding (MGE) module to steer the reverse diffusion trajectory toward the target high-frequency distribution, and a Low-Frequency Modality Consistency (LFMC) module to progressively enforce low-frequency constraints to suppress the accumulation of source-modality structural biases during inference, enabling high-quality target-modality generation. Performance comparison with several prevalent generative models demonstrates that RF-CMG achieves superior performance in synthesizing RFID and mmWave signals. We further showcase the effectiveness of the data generated by RF-CMG in gesture recognition tasks, and analyze the impact of the proportion of synthetic data on downstream performance.
- Abstract（参考訳）: AIGCはCVとNLPで顕著な成功を収めており、最近は無線領域における有望な可能性を示している。
しかし、RFモダリティ間で有意なデータ不均衡が存在し、Wi-Fiデータが豊富だが、取得コストが高いため、mWaveやRFIDのデータが不足している。
これにより、これらのデータ・スカース・モダリティのための高品質な生成モデルのトレーニングが困難になる。
そこで本研究では,データリッチWiFi信号を利用した拡散型クロスモーダル生成法であるRF-CMGを提案し,mmWaveやRFIDなどの少ないモダリティのための高忠実なRFデータを合成する。
RF-CMGの鍵となる洞察は、クロスモーダル生成を高周波誘導と低周波制約に分離することであり、それぞれが限定された目標モダリティデータから高周波分布を学習し、生成中の低周波制約によって基盤となる物理構造を保存する。
そこで本研究では,低周波モード整合性(LFMC)モジュールを導入し,低周波制約を段階的に強化し,推論時のソース・モダリティ構造バイアスの蓄積を抑制し,高品質なターゲット・モダリティ生成を実現する。
RFID と mmWave 信号の合成において、RF-CMG が優れた性能を発揮することを示す。
さらに,ジェスチャー認識タスクにおけるRF-CMGが生成したデータの有効性を示すとともに,合成データの比率が下流性能に与える影響を分析する。
関連論文リスト
- 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) - RF-GPT: Teaching AI to See the Wireless World [48.294819966466044]
大規模言語モデル(LLM)とマルチモーダルモデルは、強力な汎用推論システムとなっている。
RF-GPT(RF-GPT)は、マルチモーダルの視覚エンコーダを用いて、RFスペクトログラムの処理と理解を行う無線言語モデルである。
テキストのみのLLMは、これらのキャプションをRF地上の命令回答ペアに変換し、約12,000のRFシーンと2500万のサンプルを生成する。
論文 参考訳（メタデータ） (2026-02-16T15:24:56Z) - CageDroneRF: A Large-Scale RF Benchmark and Toolkit for Drone Perception [10.23151778679351]
CageDroneRF (CDRF) は、無線周波数(RF)ドローンの検出と識別のための大規模なベンチマークである。
CDRFは既存のRFデータセットの不足と限られた多様性に対処する。
このデータセットは、さまざまな現代のドローンモデルにまたがる。
論文 参考訳（メタデータ） (2026-01-06T03:39:59Z) - Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。
可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。
実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2025-06-24T21:14:59Z) - Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。
既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。
本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
論文 参考訳（メタデータ） (2025-01-20T04:26:21Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。
本稿では,無線コミュニティに対して,エンドツーエンドの受信方式を提示することでRAQRを導入する。
次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
論文 参考訳（メタデータ） (2024-12-07T06:25:54Z) - Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals [9.99212997328053]
本稿では,Vector-Quantized Variational Autoencoder (VQ-VAE) を用いたトレーニングデータの拡張を提案する。
VQ-VAEモデルは高忠実な合成RF信号を生成し、トレーニングデータセットの多様性と忠実度を高める。
実験結果から,VQ-VAE生成データの導入により,ベースラインモデルの分類精度が大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2024-10-23T21:17:45Z) - One-shot Generative Distribution Matching for Augmented RF-based UAV Identification [0.0]
この研究は、限られたRF環境下でRFフィンガープリントを用いて無人航空機(UAV)を特定するという課題に対処する。
RF信号の複雑さと可変性は、環境干渉やハードウェアの不完全性の影響を受け、従来のRFベースの識別手法を効果的にしないことが多い。
変換されたRF信号を増強するためのワンショット生成法は、UAV識別を著しく改善する。
論文 参考訳（メタデータ） (2023-01-20T02:35:43Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Encoding Frequency Constraints in Preventive Unit Commitment Using Deep
Learning with Region-of-Interest Active Sampling [8.776029771500689]
本稿では,周波数制約単位コミットメント(FCUC)のための汎用データ駆動型フレームワークを提案する。
深層ニューラルネットワーク(dnn)を訓練し、実データや高忠実度シミュレーションデータを用いて周波数応答を予測する。
データ生成フェーズでは、すべての可能な電力注入を考慮し、uflcしきい値に近い周波数nadirの電力注入サンプルを含む領域間アクティブサンプリングを提案する。
論文 参考訳（メタデータ） (2021-02-18T19:04:21Z)
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。