論文の概要: Point2Radio: A Foundation Model for Cross-Scene Radio Fields from Material-Aware Point Clouds

• arxiv url: http://arxiv.org/abs/2607.28994v1
• Date: Fri, 31 Jul 2026 03:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.583951
• Title: Point2Radio: A Foundation Model for Cross-Scene Radio Fields from Material-Aware Point Clouds
• Title（参考訳）: Point2Radio: 物質認識点雲からのクロスシーン無線フィールドの基礎モデル
• Abstract要約: 複数の環境に先立って伝達可能な伝搬を学習する基礎モデルであるPoint2Radioを提案する。 我々は,86,272のTX条件フィールドを含む337シーンコーパスのシーン分割におけるPG予測を評価した。 さらに実験により、光標的の微調整が特定の環境への適応を改善することが示されている。
• 参考スコア（独自算出の注目度）: 7.4188535764872485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity radio fields are typically simulated for every scene--transmitter configuration or fitted separately to each scene, failing to exploit propagation structures shared across environments. We present Point2Radio, a foundation model that learns a transferable propagation prior from multiple environments. Given a material-aware point cloud and a transmitter (TX) setting, a common encoder produces a TX-conditioned scene representation that can be queried at arbitrary receiver (RX) locations. Task-specific query decoders map this representation to different radio quantities, e.g., three-dimensional (3D) path-gain (PG) fields and power angular spectra (PAS). At inference for a new scene, the model uses only a material-aware point cloud and transceiver queries, running in milliseconds on a single GPU without meshes or explicit path tracing. We evaluate PG prediction on a scene-disjoint split of a 337-scene corpus containing 86,272 TX-conditioned fields. Point2Radio achieves 0.871 dB mean absolute error (MAE), reducing error by 76.7% relative to a same-split UNet-style baseline. The same encoder also supports PAS prediction via a task-specific decoder. Experiments further show that light target-scene fine-tuning improves adaptation to a specific environment.
• Abstract（参考訳）: 高忠実度無線場は典型的にはすべてのシーンでシミュレートされる-送信装置の構成や各シーンに個別に配置されるが、環境間で共有される伝搬構造を利用できない。 複数の環境から先に伝達可能な伝搬を学習する基礎モデルであるPoint2Radioを提案する。 材料対応の点雲と送信機(TX)設定が与えられた場合、共通エンコーダは任意の受信機(RX)位置でクエリ可能なTX条件のシーン表現を生成する。 タスク固有のクエリデコーダは、この表現を異なる無線量、例えば3次元(3D)パスゲイン(PG)フィールドとパワー角スペクトル(PAS)にマッピングする。 新しいシーンの推論では、メッシュや明示的なパストレースなしで、単一のGPU上でミリ秒で実行される、物質対応のポイントクラウドとトランシーバクエリのみを使用する。 我々は,86,272のTX条件フィールドを含む337シーンコーパスのシーン分割におけるPG予測を評価した。 Point2Radio は 0.871 dB の平均絶対誤差 (MAE) を達成し、同じ分離された UNet スタイルのベースラインに対して 76.7% の誤差を削減した。 同じエンコーダは、タスク固有のデコーダを介してPAS予測もサポートする。 さらに実験により、光標的の微調整が特定の環境への適応を改善することが示されている。

関連論文リスト

• BeamRMX: Radiation-Pattern-Driven Learning for Generalizable Beam Radio Map Prediction and Beam Management [26.316069202754473]
  6G無線ネットワークは、より大きなアンテナアレイと高指向性マルチビーム伝送を駆動している。 BeamRMXは、空間放射パターンを主要なBeamRMクエリとして扱うための最初の専用のフレームワークである。 XBaseは放射線クエリとシーン幾何学の間のマルチスケール相互作用を学習する。
  論文  参考訳（メタデータ） (2026-09-01T02:59:08Z)
• GLocFM: A Geometry-Aware Foundation Model for 3D Indoor Wireless Localization [7.4188535764872485]
  本稿では3Dポイントクラウドとして表現されるWiFi計測とシーン形状を利用する学習ベースの無線ローカライザGLocFMを提案する。 GLocFMは、最先端のローカライゼーションベースラインの1つに対して平均3Dローカライゼーション誤差を49.5%、48.8%削減する。
  論文  参考訳（メタデータ） (2026-08-10T08:39:15Z)
• RadioDiff-v2: Generative Angular Radio Maps for Multi-Beam Selection and Localization [21.594684328904403]
  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。
  論文  参考訳（メタデータ） (2026-07-09T01:48:47Z)
• U6G XL-MIMO Radiomap Prediction: Multi-Config Dataset and Beam Map Approach [62.11972168232143]
  XL-MIMOを搭載した上位6GHz帯(U6G)は、第6世代の無線システムにとって重要なイネーブルである。 既存のデータセットは、主に等方性アンテナを持つ小さな配列しかサポートしていない。 本稿では,XL-MIMOラジオマップを3つの側面から予測する。
  論文  参考訳（メタデータ） (2026-03-06T15:44:27Z)
• Towards Zero-Shot Point Cloud Registration Across Diverse Scales, Scenes, and Sensor Setups [41.033896572767496]
  ゼロショット一般化を実現するトレーニングフリー登録フレームワークであるBUFFER-Xを提案する。 提案手法は階層型マルチスケールマッチングを用いて,局所,中,大域の受容領域にまたがる対応を抽出する。 効率クリティカルなアプリケーションでは、BUFFER-X-Liteを導入し、総時間を43%削減する。
  論文  参考訳（メタデータ） (2026-01-06T06:51:24Z)
• RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication [76.6171399066216]
  UrbanRadio3Dは、現実的な都市環境におけるレイトレーシングによって構築された大規模で高解像度の3D RMデータセットである。 RadioDiff-3Dは3D畳み込みアーキテクチャを利用した拡散モデルに基づく生成フレームワークである。 この研究は、将来の3D環境対応コミュニケーション研究のための基礎的なデータセットとベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-07-16T11:54:08Z)
• 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)
• RangeSeg: Range-Aware Real Time Segmentation of 3D LiDAR Point Clouds [0.6119392435448721]
  本稿では、異なるLiDARレーザビームの不均一領域分布の利点を生かし、レンジアウェア・インスタンスセグメンテーション・ネットワークであるレンジセグメンテーション・ネットワークを提案する。 KITTIデータセットの実験では、RangeSegは最先端のセマンティックセマンティックセグメンテーション手法よりも、大幅に高速化されている。 RangeSegパイプライン全体はNVIDIAtextsuperscripttextregistered JETSON AGX Xavierのリアルタイム要件を満たしている。
  論文  参考訳（メタデータ） (2022-05-02T09:57:59Z)
• Adjacent Context Coordination Network for Salient Object Detection in Optical Remote Sensing Images [102.75699068451166]
  本稿では,光RSI-SODのためのエンコーダ・デコーダアーキテクチャにおいて,隣接した特徴のコーディネートを探索するための新しいアジャセントコンテキストコーディネートネットワーク(ACCoNet)を提案する。 提案されたACCoNetは、9つの評価基準の下で22の最先端メソッドを上回り、1つのNVIDIA Titan X GPU上で81fpsで動作する。
  論文  参考訳（メタデータ） (2022-03-25T14:14:55Z)
• Neural RF SLAM for unsupervised positioning and mapping with channel state information [51.484516640867525]
  アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。 提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
  論文  参考訳（メタデータ） (2022-03-15T21:32:44Z)
• Stage-Aware Feature Alignment Network for Real-Time Semantic Segmentation of Street Scenes [59.81228011432776]
  街路シーンのリアルタイムなセマンティックセグメンテーションのためのSFANet(Stage-Aware Feature Alignment Network)を提案する。 デコーダにおける各ステージのユニークな役割を考慮に入れ、新しいステージ認識機能拡張ブロック(FEB)は、エンコーダからの特徴マップの空間的詳細と文脈的情報を強化するように設計されている。 実験の結果,提案したSFANetは,ストリートシーンのリアルタイムセマンティックセグメンテーションにおける精度と速度のバランスが良好であることがわかった。
  論文  参考訳（メタデータ） (2022-03-08T11:46:41Z)

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。