論文の概要: CORF-GS: Real-Time Wireless Radiance Field Reconstruction via Coupled Optical-RF Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2607.25569v2
• Date: Wed, 05 Aug 2026 13:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 17:51:08.545352
• Title: CORF-GS: Real-Time Wireless Radiance Field Reconstruction via Coupled Optical-RF Gaussian Splatting
• Title（参考訳）: CORF-GS:光-RFガウス散乱によるリアルタイム無線放射界再構成
• Authors: Jinya Zhang, Jiajia Guo, Chao-Kai Wen, Shi Jin,
• Abstract要約: CORF-GSは、シーケンシャルおよび無線周波数(RF)波を処理するリアルタイムWRF再構成フレームワークである。 光学的およびRFのための統一ガウス表現を構築し、共有幾何とモダリティ固有の外観を持つ。 最先端のRFスペクトルの品質を達成し、既存のWRF法と比較して復元時間を6.4倍に短縮する。
• 参考スコア（独自算出の注目度）: 65.63543177449922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in 3D Gaussian Splatting (3DGS)-based wireless radiance field (WRF) reconstruction provide an efficient solution for wireless channel modeling. However, existing WRF reconstruction methods rely on pre-collected observations and offline optimization, and thus struggle to provide real-time channel knowledge. To bridge this gap, we propose CORF-GS, a real-time WRF reconstruction framework that processes sequential optical and radio frequency (RF) keyframes. Specifically, CORF-GS constructs a unified Gaussian representation for optical and RF with shared geometry and modality-specific appearance, allowing high-resolution optical images to provide structural priors for WRF reconstruction. When a new keyframe arrives, CORF-GS first employs optical-guided Gaussian sampling to densify the WRF in under-represented regions. Since light and radio waves may respond differently to the same object surfaces due to wavelength mismatch, relying solely on optical guidance may neglect RF-informative areas. Therefore, CORF-GS performs coupled optical-RF optimization to jointly refine the shared Gaussians. Compared with the existing two-stage training pipelines, this prevents WRF from passively adapting to a frozen optical geometry and encourages the shared Gaussians to adapt to both optical structures and RF power distributions. Simulations show that CORF-GS achieves state-of-the-art RF spectrum synthesis quality and reduces the reconstruction time by $6.4\times$ compared with existing WRF methods.
• Abstract（参考訳）: 近年の3次元ガウス散乱(3DGS)に基づく無線放射場(WRF)再構成は、無線チャネルモデリングの効率的な解法である。 しかし、既存のWRF再構成手法は、事前に収集した観測とオフライン最適化に依存しており、リアルタイムチャネル知識の提供に苦慮している。 このギャップを埋めるために, 逐次光・無線周波数(RF)鍵フレームを処理するリアルタイムWRF再構成フレームワークであるCORF-GSを提案する。 特に、CORF-GSは、光とRFの統一されたガウス表現を、共有幾何とモダリティ固有の外観で構築し、高解像度の光学画像がWRF再構成の構造的前提を提供する。 新しいキーフレームが到着すると、CORF-GSはまず光学誘導型ガウスサンプリングを使用して、未表現領域でWRFを密度化する。 光と電波は、波長ミスマッチによって同じ物体表面に対して異なる反応をする可能性があるため、光誘導のみに依存するため、RF不変領域を無視することができる。 したがって、CORF-GSは共有ガウスを共同で洗練するために結合光-RF最適化を行う。 既存の2段階の訓練パイプラインと比較して、WAFが凍結した光学幾何学に受動的に適応することを防ぎ、共有ガウスが光学構造とRF電力分布の両方に適応することを奨励する。 シミュレーションにより、CORF-GSは最先端のRFスペクトル合成の品質を達成し、既存のWRF法と比較して復元時間を6.4\times$に短縮することが示された。

関連論文リスト

• Phy-CoSF: Physics-Guided Continuous Spectral Fields Reconstruction and Super-Resolution for Snapshot Compressive Imaging [79.35520607451187]
  暗黙のニューラル表現で深層展開ネットワークを相乗化するPhy-CoSFを提案する。 具体的には、連続的なスペクトルレンダリングで離散波長トレーニングをブリッジする2相アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-05-13T14:17:02Z)
• Rasterizing Wireless Radiance Field via Deformable 2D Gaussian Splatting [10.200300617390013]
  無線放射場(WRF)のモデル化は,現代の通信システムの基本である。 任意の位置でWRFスペクトルを合成する変形可能な2DスプレイティングフレームワークであるSwiftWRFを提案する。 実世界と合成室内の両方の実験では、SwiftWRFが既存の最先端の手法よりも500倍早くWRFを再構築できることが示されている。
  論文  参考訳（メタデータ） (2025-06-15T09:36:45Z)
• Neural Representation for Wireless Radiation Field Reconstruction: A 3D Gaussian Splatting Approach [8.644949917126755]
  本稿では,無線放射場(WRF)再構成に基づくチャネルモデリングのための新しいフレームワークであるWRF-GSを提案する。 本稿では、電磁波物理をニューラルネットワーク設計に統合する拡張フレームワークであるWRF-GS+を提案する。
  論文  参考訳（メタデータ） (2024-12-06T07:56:14Z)
• Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
  画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。 スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T14:24:03Z)
• Prompt2NeRF-PIL: Fast NeRF Generation via Pretrained Implicit Latent [61.56387277538849]
  本稿では,3次元シーンの直接条件付けと高速なNeRFパラメータ生成のための高速なNeRF生成について検討する。 Prompt2NeRF-PILは、単一の前方通過で様々な3Dオブジェクトを生成することができる。 我々は,テキストからNeRFモデルDreamFusionと画像からNeRF手法Zero-1-to-3の3次元再構成速度を3倍から5倍に高速化することを示す。
  論文  参考訳（メタデータ） (2023-12-05T08:32:46Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• 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)

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。