論文の概要: GeoGS-CE: Learning Delay--Beam Channel Priors with 3D Gaussians for High-Mobility Scenarios

• arxiv url: http://arxiv.org/abs/2605.16094v1
• Date: Fri, 15 May 2026 15:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.350173
• Title: GeoGS-CE: Learning Delay--Beam Channel Priors with 3D Gaussians for High-Mobility Scenarios
• Title（参考訳）: GeoGS-CE:学習遅延--高機能シナリオのための3次元ガウシアンによるチャネル事前学習
• Authors: Yumeng Zhang, Jiajia Guo, Chaozheng Wen, Chenghong Bian, Jun Zhang,
• Abstract要約: 高速鉄道は、予定された軌道、予測可能な速度、および支配的な伝播経路の限られた数を示す。 これらの特性は、瞬時複素チャネル周波数応答よりも安定な遅延ビームパワースペクトルを誘導する。 スパースパイロットハイモビリティシナリオのための2段階チャネル推定フレームワークGeoGS-CEを提案する。
• 参考スコア（独自算出の注目度）: 18.254264849970955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wideband channel estimation (CE) in high-mobility scenarios remains challenging because channel responses vary rapidly, while practical systems can allocate only sparse pilots to accommodate dense users. Fortunately, many high-mobility environments, such as high-speed railways, exhibit scheduled trajectories, predictable velocities, and a limited number of dominant propagation paths. These properties induce a delay--beam power spectrum that is more stable than the instantaneous complex channel frequency response (CFR), less sensitive to the random phase coherence, and rich in geometric information. To exploit such environmental properties, we propose GeoGS-CE, a two-stage channel estimation framework for sparse-pilot high-mobility scenarios. In the offline stage, GeoGS-CE jointly models: 1) a scene-level 3D Gaussian representation that captures the non-line-of-sight (NLoS) geometric scattering support, and 2) a leakage-aware differentiable wireless rendering process that maps the NLoS Gaussians, together with an explicit virtual line-of-sight (LoS) component, to the measured delay--beam power spectrum, while accounting for practical OFDM delay and array leakage effects. In the online stage, the delay--beam power spectrum is predicted for each user location and used as a strong covariance prior, enabling accurate full-band and full-array CFR reconstruction and tracking through a linear MMSE estimator. Simulations based on channels generated from a segment of the Guangshen high-speed railway show that the proposed geometric prior substantially improves CFR reconstruction over pilot-only and non-geometric baselines.
• Abstract（参考訳）: 高モビリティシナリオにおける広帯域チャネル推定(CE)は、チャネル応答が急速に変化する一方、実用的なシステムでは、密集したユーザに対応するためにスパースパイロットのみを割り当てることができるため、依然として困難である。 幸運なことに、高速鉄道のような多くの高移動環境は、予定された軌道、予測可能な速度、および支配的な伝播経路の限られた数を示す。 これらの特性は、瞬時複素チャネル周波数応答(CFR)よりも安定であり、ランダム位相コヒーレンスに敏感でなく、幾何学情報に富む遅延ビームパワースペクトルを誘導する。 このような環境特性を活かすために,スパースパイロットハイモビリティシナリオのための2段階チャネル推定フレームワークGeoGS-CEを提案する。 オフラインの段階では、GeoGS-CEは共同でモデルを作る。 1)非視線(NLoS)幾何散乱支援を捉えるシーンレベルの3次元ガウス表現、及び 2)NLoSガウスを明示的な仮想視線(LoS)成分とともに、実際のODM遅延及びアレイリーク効果を考慮しつつ、測定された遅延ビームパワースペクトルにマッピングするリーク対応の無線無線レンダリングプロセスである。オンライン段階では、遅延ビームパワースペクトルを各ユーザ位置に対して予測し、より正確なフルバンドおよびフルアレイCFR再構成と線形MMSE推定器による追跡を可能にする。 広セン高速鉄道のセグメントから生成されたチャネルに基づくシミュレーションにより、提案した幾何学的事前設計により、パイロット専用および非幾何学的ベースラインよりもCFRの再構築が大幅に改善されることが示された。

関連論文リスト

• Null-Space Flow Matching for MIMO Channel Estimation in Latency-Constrained Systems [8.479186000343482]
  本稿では、パイロット限定チャネル推定をレンジ空間再構成問題とヌル空間生成問題に分解するヌル空間フローマッチング(FM)フレームワークを提案する。 提案手法は,3ms程度の厳密な遅延予算下であっても,競合正規化平均二乗誤差(NMSE)を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-23T18:49:06Z)
• GS-STVSR: Ultra-Efficient Continuous Spatio-Temporal Video Super-Resolution via 2D Gaussian Splatting [71.12303582606019]
  Continuous Video Super-Resolution (C-STVSR) は、任意のスケールファクタによる動画の空間的・フレーム的レートの同時向上を目的としている。 2次元ガウシアンティング(2D-GS)に基づく超効率的なC-STVSRフレームワークであるGS-STVSRを提案する。 GS-STVSRは,すべてのベンチマークにおいて最先端の品質を実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-20T10:11:05Z)
• UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
  UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。 生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
  論文  参考訳（メタデータ） (2026-04-15T07:43:06Z)
• RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints [10.076629346147639]
  本稿では,モデルに基づくチャネル推定とディープネットワークを組み合わせた新しい物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 最先端の手法と比較して、NMSEでは5dB以上のゲインを達成している。 多段階の時間予測のためにデコーダを拡張し、単一の推定値から将来の複数のチャネルスナップショットの正確な予測を可能にする。
  論文  参考訳（メタデータ） (2026-02-18T17:41:20Z)
• Unifying Sign and Magnitude for Optimizing Deep Vision Networks via ThermoLion [0.0]
  現在のパラダイムは、情報チャネルドリフトパラメータに静的な妥協を課している。 我々は「低次元」探索モデルと「低次元」動的アライメントフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-01T17:04:17Z)
• GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels [18.70495617397063]
  無線通信システムにおける適応ビームフォーミングおよびロバストリンクにはチャネル状態情報(CSI)が不可欠である。 本稿では1msの遅延障壁を破る最初の計算であるRFチャネルのリアルタイム再構成のためのガウススプラッティングについて述べる。
  論文  参考訳（メタデータ） (2025-11-27T22:42:23Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)

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。