論文の概要: ControlRadio: Prompt-Driven Controllable Diffusion for Cross-Modal Radio Map Generation

• arxiv url: http://arxiv.org/abs/2608.09357v1
• Date: Mon, 10 Aug 2026 09:36:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.187021
• Title: ControlRadio: Prompt-Driven Controllable Diffusion for Cross-Modal Radio Map Generation
• Title（参考訳）: ControlRadio: マルチモード無線マップ生成のためのプロンプト駆動制御可能拡散
• Abstract要約: ControlRadioは、自然言語の記述と環境レイアウトから無線マップを生成する制御可能な生成フレームワークである。 ControlRadioは、さまざまな都市シナリオにおける最先端の精度と強力な一般化を実現している。
• 参考スコア（独自算出の注目度）: 39.108798042600974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio maps describe how wireless signals propagate across space and are essential for wireless communication, sensing, and network planning. However, constructing accurate radio maps traditionally requires either dense measurements or computationally expensive physical simulations, which limits scalability and real-time deployment. Recent advances in generative artificial intelligence offer a promising alternative, but existing approaches lack fine-grained control and physical consistency when applied to real-world wireless environments. Here we present \textbf{ControlRadio}, a controllable generative framework that produces radio maps from natural-language descriptions and environmental layouts, including building structures and transmitter locations. Joint semantic and spatial conditioning enables interpretable, propagation-plausible generation, while a controlled latent prior and layout-aware conditioning improve stability and structural consistency. Extensive experiments demonstrate that ControlRadio achieves state-of-the-art accuracy and strong generalization across diverse urban scenarios, while reducing computation time by more than four orders of magnitude compared with conventional simulation-based methods. Such results suggest a new paradigm for scalable and controllable wireless environment modeling, with broad implications for next-generation communication systems and data-driven radio sensing.
• Abstract（参考訳）: 無線地図は、無線信号が空間を伝播し、無線通信、センシング、ネットワーク計画に不可欠であることを示す。 しかし、従来の正確な無線地図の構築には、高密度な測定や計算に高価な物理シミュレーションが必要であるため、スケーラビリティとリアルタイムな展開が制限される。 生成人工知能の最近の進歩は、有望な代替手段を提供するが、既存のアプローチは、現実世界の無線環境に適用した場合、きめ細かい制御と物理的整合性を欠いている。 ここでは、自然言語記述や環境レイアウトから無線マップを生成する制御可能な生成フレームワークである「textbf{ControlRadio}」について述べる。 共同セマンティックおよび空間条件付けにより、解釈可能で伝播可能な生成が可能であり、制御された遅延前処理とレイアウト対応条件付けにより、安定性と構造的整合性が向上する。 大規模実験により,ControlRadioは,従来のシミュレーション手法に比べて計算時間を4桁以上削減しつつ,様々な都市シナリオにおける最先端の精度と強力な一般化を実現していることが示された。 このような結果は、次世代通信システムやデータ駆動無線センシングに幅広い影響を及ぼす、スケーラブルで制御可能な無線環境モデリングの新しいパラダイムを示唆している。

関連論文リスト

• Physical-AI: From Channel Awareness to Environmental Intelligence in 6G Wireless Networks [100.92510794177822]
  従来の無線ネットワークは、物理的環境を明示的にモデル化することなく、瞬時チャネル状態情報(CSI)に依存し、チャネルの変動に反応する。 本研究では,環境に配慮した無線ネットワークのための新しいアーキテクチャであるPhysical-AIを提案する。 提案手法は,特にビームスイッチング遅延の増加にともなって,停止確率とブロック応答遅延を低減させる。
  論文  参考訳（メタデータ） (2026-05-12T09:02:20Z)
• Bridging Visual and Wireless Sensing: A Unified Radiation Field for 3D Radio Map Construction [14.26926951448715]
  次世代無線ネットワークは、高忠実な環境インテリジェンスを必要とする。 この目的のために、重要なツールとして3Dラジオマップが登場した。 我々は、統一された放射光場表現フレームワークであるURF-GSを提案する。
  論文  参考訳（メタデータ） (2026-01-27T05:35:50Z)
• RadioMapMotion: A Dataset and Baseline for Proactive Spatio-Temporal Radio Environment Prediction [21.594684328904403]
  本稿では,過去の観測から将来の地図の列を予測することを含む,動的RM予測の課題を提案する。 この予測アプローチの鍵となる障壁は、継続的環境進化をキャプチャするデータセットの欠如である。 物理的に一貫した車両軌道から生成された連続RMシーケンスの大規模公開データセットであるRadioMapMotionを紹介する。
  論文  参考訳（メタデータ） (2025-10-24T03:25:25Z)
• 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)
• Generative AI Empowered LiDAR Point Cloud Generation with Multimodal Transformer [10.728362890819392]
  統合センシングと通信は6G無線通信システムのキーイネーブルである。 本稿では、画像とRADARデータからLiDAR点雲を合成し、無線通信システムを強化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T04:15:08Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Spatial Channel State Information Prediction with Generative AI: Towards Holographic Communication and Digital Radio Twin [23.09171064957228]
  6Gは、最先端の無線技術によって、より高速で信頼性の高いワイヤレス接続を提供する。 従来の管理手法は主にリアクティブで、ユーザからのフィードバックに基づいて動的無線チャネルに適応する。 ハードウェアとニューラルネットワークの進歩により、正確な環境情報を用いてそのような空間CSIを予測することができる。 我々は,デジタルワールドと電波に対する決定論的制御の両方の利点を生かした,新たな枠組みであるディジタルラジオツインを提案する。
  論文  参考訳（メタデータ） (2024-01-16T00:29:05Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• 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)
• Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder [29.590446724625693]
  雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。 現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
  論文  参考訳（メタデータ） (2020-11-16T21:41:31Z)

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。