論文の概要: RadioDiff-v2: Generative Angular Radio Maps for Multi-Beam Selection and Localization
- arxiv url: http://arxiv.org/abs/2607.08045v1
- Date: Thu, 09 Jul 2026 01:48:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.3902
- Title: RadioDiff-v2: Generative Angular Radio Maps for Multi-Beam Selection and Localization
- Title（参考訳）: RadioDiff-v2: マルチビーム選択とローカライゼーションのための生成角無線マップ
- Authors: Xiucheng Wang, Junxi Huang, Nan Cheng,
- Abstract要約: 角無線地図は、6Gネットワークにおける入射角とアンダーピンビームの選択と受信位置に関する受信電力分布を記述している。
フローマッチングを訓練した1次元拡散変圧器RadioDiff-v2を提案する。
99の環境と100万のリンクのゼロショットテストでは、RadioDiff-v2はすべての測定基準をリードする。
- 参考スコア（独自算出の注目度）: 21.594684328904403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Angular radio maps describe the received-power distribution over the angle of arrival and underpin beam selection and receiver localization in sixth-generation (6G) networks. Predicting the angular power spectrum (APS) from geometry is difficult, because the mapping is ill-posed in non-line-of-sight (NLOS) conditions and must generalize to unseen environments. Distortion-minimizing regressors return the conditional mean, which over-smooths the spectrum and erases the multipath structure that downstream tasks need. We cast the task as a perception-distortion problem and propose RadioDiff-v2, a dual-branch one-dimensional diffusion transformer trained with flow matching. It couples periodic angular encoding, adaptive layer-normalization conditioning, a Fourier angular mixer, and joint velocity and clean-signal heads. A per-metric estimator portfolio reads every deployment quantity from this single model, so that samples carry the distribution, the clean-signal head supplies a regression-grade point estimate, Bayes-optimal rules select beams, and the conditional likelihood localizes the receiver. We prove that a concentrated conditional yields a straight probability-flow trajectory that one step integrates exactly, identifying deterministic transport as the correct inductive bias. On a zero-shot test of 99 environments and one million links, RadioDiff-v2 leads every baseline on every metric, with a 0.39 dB Wasserstein-1 distance, per-bin error below the regression baseline, a 2.43 dB eight-beam NLOS sweep loss, and a 20.6-pixel localization error with four base stations. Code is available at https://github.com/UNIC-Lab/RadioDiff-v2.
- Abstract（参考訳）: 角無線地図は、第6世代(6G)ネットワークにおける入射角とアンダーピンビーム選択と受信位置の受信電力分布を記述している。
角パワースペクトル(APS)を幾何学から予測することは困難であり、非視線(NLOS)条件でマッピングが不適切であり、目に見えない環境に一般化する必要がある。
歪み最小化回帰器は条件平均を返し、スペクトルを過度に滑らかにし、下流タスクに必要なマルチパス構造を消去する。
そこで我々は,この課題を認識歪み問題とみなし,フローマッチングを訓練した2分岐1次元拡散変圧器であるRadioDiff-v2を提案する。
周期的な角符号化、適応的な層正規化条件、フーリエ角混合器、関節速度とクリーンサインヘッドを結合する。
測度推定器のポートフォリオは、この単一モデルからすべての展開量を読み取り、サンプルが分布を持ち、クリーンサインヘッドが回帰グレードのポイント推定を提供し、ベイズ最適規則がビームを選択し、条件付き確率が受信機をローカライズする。
集中条件は、あるステップが正確に一体化して、決定論的輸送を正しい帰納的バイアスとして識別する、ストレートな確率フロー軌道をもたらすことを証明している。
99の環境と100万のリンクのゼロショットテストでは、RadioDiff-v2はすべての基準線をリードし、0.39dBのワッサースタイン-1距離、レグレッションベースライン以下のビン毎の誤差、2.43dBの8ビームのNLOSスイープロス、4つのベースステーションを持つ20.6ピクセルのローカライゼーション誤差を持つ。
コードはhttps://github.com/UNIC-Lab/RadioDiff-v2.comで入手できる。
関連論文リスト
- Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳（メタデータ） (2026-06-05T14:00:47Z) - Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。
終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。
EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
論文 参考訳（メタデータ） (2026-05-15T16:11:10Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - DifGa: Differentiable Error Mitigation for Multi-Mode Gaussian and Non-Gaussian Noise in Quantum Photonic Circuits [4.11280059407553]
DifGaはガウス的損失と弱い非ガウス的ノイズの下で動作している連続可変量子フォトニック回路のフレームワークである。
モンテカルロ平均化を用いたノイズアウェアトレーニングは、ガウス訓練による回復と比較して1桁以上の誤差を低減し、堅牢な一般化をもたらす。
論文 参考訳（メタデータ） (2025-12-29T13:18:21Z) - Blind Radio Mapping via Spatially Regularized Bayesian Trajectory Inference [34.91945910235526]
本稿では,屋内マルチインプット・マルチアウトプット(MIMO)-直交周波数分割多重化(OFDM)チャネル計測からユーザトラジェクトリを位置ラベルに依存することなく推定するブラインド無線マップ構築フレームワークを提案する。
レイトレーシングデータセットの実験では、平均位置推定誤差が0.68m、ビームマップ再構成誤差が3.3%となり、提案したブラインドマッピングの有効性が検証された。
論文 参考訳（メタデータ） (2025-12-04T05:31:28Z) - 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) - Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins [3.776919981139063]
内部のLoRaWAN伝播は、構造的および時間的変化の文脈因子によって形成される。
リークセーフなクロスバリデーションを用いて評価した,環境に配慮した統計的に規律のある経路損失フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-05T20:14:48Z) - 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) - 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) - On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。
RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。
本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
論文 参考訳（メタデータ） (2024-10-19T02:36:11Z)
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。