論文の概要: RMPrior: Bridging Propagation Priors and Diffusion Refinement for Efficient Radio Map Construction

• arxiv url: http://arxiv.org/abs/2606.03074v1
• Date: Tue, 02 Jun 2026 03:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.715569
• Title: RMPrior: Bridging Propagation Priors and Diffusion Refinement for Efficient Radio Map Construction
• Title（参考訳）: RMPrior:効率的な無線地図構築のためのブリッジング・プロパゲーション優先と拡散抑制
• Authors: Zixuan Guo, Xiucheng Wang, Nan Cheng,
• Abstract要約: 本論文は,中間段階のサンプリング戦略を通じて,伝播先行と拡散改善を橋渡しする。 IRT4HighResの実験は、$P_textstart=0.5$で、提案手法が2.01times$のスピードアップを達成することを示した。
• 参考スコア（独自算出の注目度）: 25.36924798716969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models achieve high-fidelity radio map construction through iterative denoising, yet their sampling cost limits practicality in dynamic wireless systems where radio maps must be refreshed repeatedly. Meanwhile, classical propagation models encode valuable scene-level knowledge that standard diffusion inference discards entirely by initializing from pure Gaussian noise. This paper bridges propagation priors and diffusion refinement through a mid-start sampling strategy. A matched propagation prior is perturbed to an intermediate diffusion timestep, and the pretrained diffusion backbone executes only the remaining reverse steps, focusing computation on multipath-aware refinement rather than full reconstruction from noise. We provide theoretical analysis establishing an upper bound on the initialization gap, a sufficient condition under which truncation improves reconstruction fidelity, and a formal characterization of prior-quality sensitivity under aggressive truncation. Experiments on IRT4HighRes show that, at $P_{\text{start}}=0.5$, the proposed method achieves a $2.01\times$ speedup while simultaneously improving NMSE, RMSE, SSIM, and PSNR over the full-step baseline. A prior-quality ablation across three propagation models of different fidelity confirms that reconstruction quality tracks prior quality, with the sensitivity amplified under shorter reverse trajectories, consistent with the theoretical predictions. These results also suggest that mid-start reconstruction quality can serve as a proxy for ranking the scene-level fidelity of different propagation models.
• Abstract（参考訳）: 拡散モデルは反復デノイングにより高忠実度無線マップ構築を実現するが、そのサンプリングコストは無線マップを繰り返しリフレッシュしなければならない動的無線システムにおいて実用性に制限される。 一方、古典的伝播モデルは、標準拡散推論が純粋なガウス雑音から初期化することによって完全に破棄されるという貴重なシーンレベルの知識を符号化する。 本論文は,中間段階のサンプリング戦略を通じて,伝播先行と拡散改善を橋渡しする。 一致した伝播前を中間拡散時間ステップに摂動し、事前訓練された拡散バックボーンは残余の逆ステップのみを実行し、ノイズからの完全な再構成ではなく、マルチパス対応の精製に焦点をあてる。 本稿では,初期化ギャップの上界を確立する理論解析,トランケーションが再現精度を向上させる十分な条件,およびアグレッシブトランケーション下での事前品質感度の形式的評価について述べる。 IRT4HighResの実験によると、$P_{\text{start}}=0.5$で、提案手法はNMSE、RMSE、SSIM、PSNRをフルステップベースラインで同時に改善しつつ、$2.01\times$スピードアップを達成する。 異なる忠実度の3つの伝播モデルに対する事前品質のアブレーションは、復元品質が事前品質をトラックし、より短い逆軌道の下で感度が増幅され、理論的予測と一致していることを確認する。 これらの結果は,異なる伝播モデルのシーンレベルの忠実度をランク付けするプロキシとして,中頃の復元品質が有効であることを示唆している。

関連論文リスト

• Bridging Restoration and Generation Manifolds in One-Step Diffusion for Real-World Super-Resolution [22.963799508399365]
  最近の単一段階蒸留は推論を加速するが、認識歪んだトレードオフに直面している。 実時間ISR(IDaS-SR)の適応的インバージョンと劣化認識サンプリングを提案する。 IDaS-SRは決定論的復元と生成のボトルネックを埋める一段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-27T07:43:00Z)
• Diffusion prior as a direct regularization term for FWI [0.0]
  フルウェーブフォーム・インバージョン(FWI)に先立つスコアベース生成拡散を提案する。 従来の拡散法とは異なり,本手法は逆拡散サンプリングを回避し,イテレーションを少なくする。 提案手法は,従来およびGANベースのFWI手法と比較して,忠実度と堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-06-11T19:43:23Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Arbitrary-steps Image Super-resolution via Diffusion Inversion [68.78628844966019]
  本研究では,拡散インバージョンに基づく新しい画像超解像(SR)手法を提案する。 本研究では,拡散モデルの中間状態を構築するための部分雑音予測戦略を設計する。 トレーニングが完了すると、このノイズ予測器を使用して、拡散軌道に沿ってサンプリングプロセスを部分的に初期化し、望ましい高分解能結果を生成する。
  論文  参考訳（メタデータ） (2024-12-12T07:24:13Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Adaptive Diffusion Priors for Accelerated MRI Reconstruction [0.9895793818721335]
  ディープMRI再構成は、完全にサンプリングされたデータと整合したイメージを復元するために、アンサンプされた取得をデエイリアス化する条件付きモデルで一般的に行われる。 非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を向上させるために、演算子から切り離された生成画像の事前を学習する。 本稿では,MRI 再構成に先立つ適応拡散 AdaDiff を提案する。
  論文  参考訳（メタデータ） (2022-07-12T22:45:08Z)

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。