論文の概要: PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting

• arxiv url: http://arxiv.org/abs/2605.08035v1
• Date: Fri, 08 May 2026 17:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.239165
• Title: PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting
• Title（参考訳）: PropSplat:3次元ガウス伝搬スプラッティングによるマップフリーRFフィールド再構成
• Authors: William Bjorndahl, Maninder Pal Singh, Farhad Nouri, Joseph Camp,
• Abstract要約: PropSplatは3次元異方性ガウスプリミティブを用いて無線周波数(RF)フィールドを再構成するマップフリーな伝搬モデリング手法である。 実世界の2つのデータセット上で,無線放射場法NeRF$2$,GSRF,WRF-GS+に対するPropSplatの評価を行った。
• 参考スコア（独自算出の注目度）: 0.9031038113277137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building a site-specific propagation model typically requires either ray-tracing over detailed 3D maps or dense measurement campaigns. Both approaches are expensive and often infeasible for rapid deployments where geographic data is unavailable or outdated. We present PropSplat, a map-free propagation modeling method that reconstructs radio frequency (RF) fields using 3D anisotropic Gaussian primitives. Each Gaussian encodes a scalar path loss offset relative to an explicit baseline path loss model with a learnable path loss exponent. Gaussians are initialized along observed transmitter--receiver paths and optimized end-to-end to learn the propagation environment without external information like floor plans, terrain databases, or clutter data. We evaluate PropSplat against wireless radiance field methods NeRF$^2$, GSRF, and WRF-GS+ on two real-world datasets. On large-scale outdoor drive-tests spanning multiple topographical regions at six sub-6 GHz frequencies, PropSplat achieves 5.38 dB RMSE when training measurements are spaced 300m apart and outperforms WRF-GS+ (5.87 dB), GSRF (7.46 dB), and NeRF$^2$ (14.76 dB). On indoor Bluetooth Low Energy measurements, PropSplat achieves 0.19m mean localization error, an order of magnitude better than NeRF$^2$ (1.84m), while achieving near-identical received signal strength prediction accuracy. These results show that accurate site-specific propagation reconstruction is achievable from sparse RF-native measurements. The need for geographic data as a prerequisite for scalable RF environment modeling is reduced.
• Abstract（参考訳）: サイト固有の伝播モデルを構築するには、通常、詳細な3Dマップや密集した測定キャンペーンよりもレイトレーシングが必要である。 どちらのアプローチも高価で、地理的データが利用できない、あるいは時代遅れである場合の迅速なデプロイメントでは不可能であることが多い。 本稿では,3次元異方性ガウスプリミティブを用いて無線周波数(RF)フィールドを再構成するマップフリーな伝搬モデリング手法PropSplatを提案する。 各ガウスアンは、学習可能なパス損失指数を持つ明示的なベースラインパス損失モデルに対して、スカラーパス損失オフセットを符号化する。 ガウスは観測された送受信経路に沿って初期化され、フロアプランや地形データベース、乱雑なデータといった外部情報なしで伝播環境を学習するために、エンドツーエンドで最適化される。 実世界の2つのデータセット上で、無線放射場法NeRF$^2$, GSRF, WRF-GS+に対するPropSplatの評価を行った。 6つの6GHz帯で複数の地形領域にまたがる大規模な屋外駆動試験では、トレーニング測定が300m間隔で行われ、WAF-GS+ (5.87 dB)、GSRF (7.46 dB)、NeRF$^2$ (14.76 dB) を上回る性能で5.38 dB RMSEを達成した。 屋内のBluetooth Low Energy測定において、PropSplatは平均定位誤差が0.19mであり、NeRF$^2$ (1.84m) よりも桁違いに優れている。 これらの結果から, 粗いRFネイティブ測定により, 正確な部位特異的な伝播再構成が達成できることが示唆された。 拡張性RF環境モデリングの前提条件としての地理データの必要性は減少する。

関連論文リスト

• Learned Elevation Models as a Lightweight Alternative to LiDAR for Radio Environment Map Estimation [4.489167091323233]
  推論時に3次元データを必要としない2段階のフレームワークを提案する。 既存のCNNベースのREM推定アーキテクチャでは、画像のみのベースラインよりもRMSEを最大7.8%改善する。
  論文  参考訳（メタデータ） (2026-04-07T07:18:53Z)
• U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach [62.11972168232143]
  XL-MIMOを搭載した上位6GHz帯(U6G)は、第6世代の無線システムにとって重要なイネーブルである。 既存のデータセットは、主に等方性アンテナを持つ小さな配列しかサポートしていない。 本稿では,XL-MIMOラジオマップを3つの側面から予測する。
  論文  参考訳（メタデータ） (2026-03-06T15:44:27Z)
• RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
  将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。 ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。 提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
  論文  参考訳（メタデータ） (2026-02-21T07:50:05Z)
• On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
  ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。 我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
  論文  参考訳（メタデータ） (2025-07-25T19:58:44Z)
• 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)
• Wideband RF Radiance Field Modeling Using Frequency-embedded 3D Gaussian Splatting [28.147938573798367]
  広帯域無線周波数(RF)放射場モデリングのための3次元ガウススプラッティング(3DGS)アルゴリズムを提案する。 6室内環境における1GHzから100GHzまでの50000サンプルを含む大規模電力角スペクトル(PAS)データセットを提案する。 提案手法は, 平均構造類似度指標(SSIM)を最大0.72で達成し, 現在のSOTA法と比較して17.8%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-05-27T04:48:26Z)
• 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)
• Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
  任意のスケールでガウスを適応させる統一最適化法を提案する。 ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。 本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
  論文  参考訳（メタデータ） (2024-08-12T16:49:22Z)
• Geo2SigMap: High-Fidelity RF Signal Mapping Using Geographic Databases [10.278799374600919]
  Geo2SigMapは、地理データベースを用いた効率的かつ高忠実なRF信号マッピングのためのMLベースのフレームワークである。 われわれはOpenStreetMap、Blender、Sionnaの3つのオープンソースツールをシームレスに統合する自動化フレームワークを開発した。 その結果,Geo2SigMapは平均根平均2乗誤差(RMSE)を6.04dBで達成し,UEにおける基準信号受信電力(RSRP)を予測する。
  論文  参考訳（メタデータ） (2023-12-21T21:26:09Z)
• 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。