論文の概要: GeRaF: Neural Geometry Reconstruction from Radio Frequency Signals

• arxiv url: http://arxiv.org/abs/2605.29097v1
• Date: Wed, 27 May 2026 20:58:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.457872
• Title: GeRaF: Neural Geometry Reconstruction from Radio Frequency Signals
• Title（参考訳）: GeRaF: 高周波信号からのニューラルジオメトリー再構成
• Authors: Jiachen Lu, Hailan Shanbhag, Haitham Al Hassanieh,
• Abstract要約: GeRaFは、無線周波数(RF)信号からの近距離3次元幾何再構成にニューラルネットワークを用いた最初の方法である。 RGBやLiDARベースの方法とは異なり、RFセンシングはオクルージョンを通して見ることができるが、レンズのない撮像特性のために低解像度とノイズに悩まされる。
• 参考スコア（独自算出の注目度）: 7.144634906657132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GeRaF is the first method to use neural implicit learning for near-range 3D geometry reconstruction from radio frequency (RF) signals. Unlike RGB or LiDAR-based methods, RF sensing can see through occlusion but suffers from low resolution and noise due to its lensless imaging nature. While lenses in RGB imaging constrain sampling to 1D rays, RF signals propagate through the entire space, introducing significant noise and leading to cubic complexity in volumetric rendering. Moreover, RF signals interact with surfaces via specular reflections, requiring fundamentally different modeling. To address these challenges, GeRaF (1) introduces filter-based rendering to suppress irrelevant signals, (2) implements a physics-based RF volumetric rendering pipeline, and (3) proposes a novel lensless sampling and lensless alpha blending strategy that makes full-space sampling feasible during training. By learning signed distance functions, reflectiveness, and signal power through MLPs and trainable parameters, GeRaF takes the first step towards reconstructing millimeter-level geometry from RF signals in real-world settings.
• Abstract（参考訳）: GeRaFは、無線周波数(RF)信号からの近距離3次元幾何再構成にニューラルネットワークを用いた最初の方法である。 RGBやLiDARベースの方法とは異なり、RFセンシングはオクルージョンを通して見ることができるが、レンズのない撮像特性のために低解像度とノイズに悩まされる。 RGB画像のレンズは1D線にサンプリングを制約するが、RF信号は空間全体に伝搬し、大きなノイズを発生させ、体積レンダリングの3倍の複雑さをもたらす。 さらに、RF信号はスペクトル反射によって表面と相互作用し、根本的に異なるモデリングを必要とする。 これらの課題に対処するため、GeRaF(1)は、無関係な信号を抑制するためにフィルタベースのレンダリングを導入し、(2)物理ベースのRFボリュームレンダリングパイプラインを実装し、(3)トレーニング中にフルスペースサンプリングを可能にする新しいレンズレスサンプリングとレンズレスアルファブレンディング戦略を提案する。 サイン付き距離関数、反射率、信号パワーをMDPとトレーニング可能なパラメータを通して学習することにより、GeRaFは実世界の設定でRF信号からミリレベルの幾何学を再構築する第一歩を踏み出す。

関連論文リスト

• Seeing through boxes: Non-Line-of-Sight 3D Reconstruction from Radar Signals [7.144634906657132]
  RF信号からの物体形状の再構成は、RF信号のレンズレス撮像特性のため、基本的に困難である。 本稿では,統一LoSとNLoSニューラルジオメトリー再構築フレームワークGeRaF 2.0を紹介する。 視覚的なLoSプリエントをニューラルネットワークの定式化に組み込むことで、GeRaF 2.0は安定したトレーニングと、目に見える幾何学と隠れた幾何学の両方の物理的に一貫した再構築を実現している。
  論文  参考訳（メタデータ） (2026-05-27T20:58:41Z)
• Diffusion^2: Turning 3D Environments into Radio Frequency Heatmaps [12.678929276882299]
  広帯域のRF信号の伝搬をモデル化するために3次元点雲を用いた拡散に基づくDiffusion2を導入する。 また,Diffusion2では,RF信号の周波数帯域や環境条件の挙動を推定し,誤差の差は既存の手法に比べて1.9dB,27倍速かった。
  論文  参考訳（メタデータ） (2025-10-02T17:50:22Z)
• Enabling Visual Recognition at Radio Frequency [13.399148413043411]
  PanoRadarは、RF分解能をLiDARに近づける新しいRFイメージングシステムである。 結果は、初めて、無線周波数での様々な視覚的認識タスクを可能にします。 以上の結果から,パノラダルの12棟の建物における堅牢な性能が示された。
  論文  参考訳（メタデータ） (2024-05-29T20:52:59Z)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• MS-NeRF: Multi-Space Neural Radiance Fields [48.0367339199913]
  既存のニューラルレイディアンス場(NeRF)法は反射物体の存在に悩まされ、しばしばぼやけたレンダリングをもたらす。 並列部分空間における特徴場の群を用いてシーンを表現するマルチスペースニューラルレイディアンス場(MS-NeRF)を提案する。 提案手法は,高品質シーンのレンダリングにおいて,既存の単一空間NeRF法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-07T13:11:07Z)
• AligNeRF: High-Fidelity Neural Radiance Fields via Alignment-Aware Training [100.33713282611448]
  我々は、高分解能データによるNeRFのトレーニングに関する最初のパイロット研究を行う。 本稿では,多層パーセプトロンと畳み込み層との結合を含む,対応する解を提案する。 私たちのアプローチは、明らかなトレーニング/テストコストを導入することなく、ほぼ無償です。
  論文  参考訳（メタデータ） (2022-11-17T17:22:28Z)
• Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations [111.08941206369508]
  我々は,NeRFトレーニングの正規化にロバストなデータ拡張のパワーを初めてもたらすAugmented NeRF(Aug-NeRF)を提案する。 提案手法では,最悪の場合の摂動を3段階のNeRFパイプラインにシームレスにブレンドする。 Aug-NeRFは、新しいビュー合成と基礎となる幾何再構成の両方において、NeRF性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2022-07-04T02:27:07Z)
• RFGAN: RF-Based Human Synthesis [9.709890321556204]
  本稿では,新しいクロスモーダルRFGANモデルを導入することにより,微細な光学的人間の画像を生成することを目的とする。 我々の知る限りでは、RF信号に基づいて光学画像を生成するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-12-07T14:34:35Z)
• NeRF-SR: High-Quality Neural Radiance Fields using Super-Sampling [82.99453001445478]
  主に低分解能(LR)入力を用いた高分解能(HR)新規ビュー合成のソリューションであるNeRF-SRを提案する。 提案手法は,多層パーセプトロンを用いて各点密度と色を予測するニューラルレージアンス場(NeRF)上に構築されている。
  論文  参考訳（メタデータ） (2021-12-03T07:33:47Z)
• iNeRF: Inverting Neural Radiance Fields for Pose Estimation [68.91325516370013]
  Neural RadianceField(NeRF)を「反転」してメッシュフリーポーズ推定を行うフレームワークiNeRFを紹介します。 NeRFはビュー合成のタスクに極めて有効であることが示されている。
  論文  参考訳（メタデータ） (2020-12-10T18:36:40Z)

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。