論文の概要: Scene-Conditioned PINN-GNN for Multipath RF Maps: Cross-Scene Generation and In-Scene Completion

• arxiv url: http://arxiv.org/abs/2607.01777v1
• Date: Thu, 02 Jul 2026 06:48:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.71155
• Title: Scene-Conditioned PINN-GNN for Multipath RF Maps: Cross-Scene Generation and In-Scene Completion
• Title（参考訳）: マルチパスRFマップのためのシーンコンディション付きPINN-GNN:クロスシーン生成とインシーン補完
• Abstract要約: 本稿では,物理インフォームドニューラルネットワーク(PINN)とグラフニューラルネットワーク(GNN)に基づく統一マップ構築フレームワークを提案する。 PINNは電磁伝搬制約を埋め込んで、受信者位置からマルチパスパラメータへの物理的に一貫したマッピングを確立する。 GNNは、隣接する受信機間の相関をモデル化することで空間的一貫性を強制する。
• 参考スコア（独自算出の注目度）: 22.32901031075578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio frequency (RF) maps provide a compact representation of multipath propagation characteristics and are fundamental to channel modeling, coverage analysis, and environment-aware wireless optimization. This paper proposes a unified RF map construction framework based on a physics-informed neural network (PINN) and a graph neural network (GNN), supporting both cross-scene generation and in-scene completion with 2D and 2.5D environmental representations. The PINN embeds electromagnetic propagation constraints to establish a physically consistent mapping from receiver locations to multipath parameters, including path gain, time of arrival, and angles, while the GNN enforces spatial consistency by modeling correlations among neighboring receivers. To comprehensively evaluate multipath reconstruction quality, we propose a peak-weighted dynamic time warping metric that jointly accounts for amplitude errors and peak delay misalignment in channel impulse responses. Extensive experiments demonstrate that the proposed method consistently outperforms image-based, diffusion-based, and interpolation baselines across both map-level and multipath-level metrics, achieving robust generalization and high-fidelity RF map construction under sparse observations.
• Abstract（参考訳）: RFマップは、マルチパス伝搬特性のコンパクトな表現を提供し、チャネルモデリング、カバレッジ分析、環境に配慮した無線最適化の基礎となる。 本稿では,物理インフォームドニューラルネットワーク(PINN)とグラフニューラルネットワーク(GNN)に基づく統合RFマップ構築フレームワークを提案する。 PINNは電磁伝搬制約を埋め込んで、経路ゲイン、到着時刻、角度を含むマルチパスパラメータへの物理的に一貫したマッピングを確立する。 チャネルインパルス応答における振幅誤差とピーク遅延誤りを共同で考慮した,ピーク重み付き動的時間ワープ指標を提案する。 広汎な実験により,提案手法は画像ベース,拡散ベース,補間ベースラインを地図レベルおよびマルチパスレベルの両方で連続的に上回り,スパース観測下で頑健な一般化と高忠実度RFマップ構築を実現している。

関連論文リスト

• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• ReVeal-MT: A Physics-Informed Neural Network for Multi-Transmitter Radio Environment Mapping [9.43653276377036]
  本稿では,マルチソースPDE残基をニューラルネットワーク損失関数に統合した新しいPINNであるemphReVeal-MTを提案する。 ReVeal-MTは、農耕地や郊外の環境にまたがるARA無線リビングラボからの実測値を用いて検証されている。 その結果,ReVeal-MTはマルチトランスミッタのシナリオでかなりの精度のゲインが得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-22T23:33:06Z)
• Hierarchical Frequency-Decomposition Graph Neural Networks for Road Network Representation Learning [17.71971203386826]
  道路網は、インテリジェント交通システムとその関連アプリケーションを支える重要なインフラである。 HiFiNetは、空間およびスペクトルモデリングを統一する新しい階層型周波数分解グラフニューラルネットワークである。
  論文  参考訳（メタデータ） (2025-11-16T08:48:02Z)
• Unsupervised Radio Map Construction in Mixed LoS/NLoS Indoor Environments [34.91945910235526]
  本稿では,チャネル伝播シーケンスから直接データ収集軌道を復元することを目的とする。 提案手法は,室内環境における平均局部位置精度0.65mを実現する。
  論文  参考訳（メタデータ） (2025-10-09T09:53:24Z)
• Long-Range Graph Wavelet Networks [48.591533900586626]
  グラフ機械学習では、長距離インタラクションが中心的な課題である。 既存のウェーブレットベースのグラフニューラルネットワークは有限次近似に依存している。 本稿では、ウェーブレットを補完的なローカルおよびグローバルなコンポーネントに分解するLong-Range Graphlet Networks (LR-GWN)を提案する。
  論文  参考訳（メタデータ） (2025-09-08T14:35:30Z)
• Data-driven RF Tomography via Cross-modal Sensing and Continual Learning [11.021948836550829]
  地下根管の断面像を再構成するためのDRIFT(Data-driven Radio frequency tomography)フレームワークを提案する。 まず、RFと視覚センサを用いたクロスモーダルセンシングシステムを設計し、RFトモグラフィディープニューラルネットワーク(DNN)モデルをトレーニングすることを提案する。 実験の結果, 平均直径誤差は2.29cm, 23.2%であり, 最先端のアプローチでは改善が見られた。
  論文  参考訳（メタデータ） (2025-08-04T09:48:50Z)
• EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
  イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。 ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-23T11:01:03Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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。