論文の概要: RadioVIL: Anomaly-Aware Diffusion Models for Radio Map Inpainting and Zero-Shot Vehicle Localization
- arxiv url: http://arxiv.org/abs/2608.16167v1
- Date: Mon, 17 Aug 2026 06:34:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.558339
- Title: RadioVIL: Anomaly-Aware Diffusion Models for Radio Map Inpainting and Zero-Shot Vehicle Localization
- Title（参考訳）: RadioVIL: 無線マップの塗装とゼロショット車両位置推定のための異常認識拡散モデル
- Abstract要約: 6G統合センシング・通信(ISAC)アプリケーションには,高精度な無線地図構築が不可欠である。
我々は,先行誘導物理逆問題として,共同無線地図の塗装とゼロショット車両のローカライゼーションを再構成するフレームワークであるRadioVILを提案する。
- 参考スコア（独自算出の注目度）: 24.12472362710203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-precision radio map construction is essential for emerging 6G Integrated Sensing and Communication (ISAC) applications, including digital twins and intelligent transportation. However, existing deep learning methods predominantly treat this as a pure image completion task, resulting in over-smoothed reconstructions that fundamentally erase high-frequency scattering signatures of dynamic physical entities such as hidden vehicles. To overcome this, we propose RadioVIL, an efficient two-stage framework that reformulates joint radio map inpainting and zero-shot vehicle localization as a prior-guided physical inverse problem. Specifically, we first train a Denoising Diffusion Probabilistic Model (DDPM) to capture the structural generative prior of the environment. During inference from highly sparse measurements, we employ a Diffusion-based Mediating Intermediate Layer Optimization (DMILO) algorithm. By optimizing an L1-regularized sparse deviation term, DMILO mathematically isolates vehicle scattering anomalies layer-by-layer without unfolding the entire denoising chain. Extensive experiments demonstrate that while conventional reconstruction baselines fail to detect hidden vehicles, and the zero-shot diffusion baseline achieves only limited detection ability due to forced semantic harmonization, RadioVIL preserves authentic physical textures, yielding the best LPIPS of 0.0587 in our evaluation. Uniquely, it unlocks accurate zero-shot vehicle localization directly from sparse radio maps, securing a 75.20% Recall and a 3.31-meter average error, paving a robust way for ISAC at the 6G edge.
- Abstract（参考訳）: 6G統合センシング通信(ISAC)アプリケーションには,ディジタルツインやインテリジェントトランスポートなど,高精度な無線マップ構築が不可欠である。
しかし、既存のディープラーニング手法では、これを純粋な画像補完タスクとして扱うことが多いため、隠蔽車のような動的物体の高周波散乱信号を根本的に消去する過度に平滑な再構成が行われる。
この問題を解決するために,先行誘導物理逆問題として,ジョイントラジオマップの塗装とゼロショット車両のローカライゼーションを再構成する効率的な2段階フレームワークであるRadioVILを提案する。
具体的には、まず、環境に先立って構造生成を捉えるために、Denoising Diffusion Probabilistic Model (DDPM) を訓練する。
高スパース測定から推定する際、拡散型メディア中間層最適化(DMILO)アルゴリズムを用いる。
L1規則化されたスパース偏差項を最適化することにより、DMILOはデノナイジングチェーン全体を展開することなく、数学的に車両散乱異常を層ごとに分離する。
広汎な実験により,従来の再建ベースラインは隠蔽車両の検知に失敗し,ゼロショット拡散ベースラインは強制的意味調和による限定的な検出能力しか得られなかったのに対し,RadioVILは実際の物理的テクスチャを保ち,評価において最高のLPIPSである0.0587を得た。
同様に、正確なゼロショット車両のローカライゼーションをスパース無線マップから直接アンロックし、75.20%のリコールと平均3.31mのエラーを確保し、6GエッジでのISACの堅牢な道を開いた。
関連論文リスト
- Dense Soft Weighting for Radar Ego-Velocity Estimation [6.356174487225252]
本稿では,エゴ速度推定のための分析レーダフロントエンドであるDense Soft Weightingを提案する。
すべてのレンジドップラーセルを2値検出閾値を強制するのではなく、連続した信頼度にマッピングする。
これは、最強のCFARポイントクラウドベースラインと比較して平均的な絶対的なポーズエラーを31-45%削減する。
論文 参考訳（メタデータ） (2026-07-29T14:37:52Z) - LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。
ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。
nuScenesとVIRATの実験は、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-02T06:44:02Z) - CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection [22.190054508477704]
訓練データに制限があるため、わずかな撮影異常検出は依然として困難である。
CMDS-AD(Cross-Modal Dual-Stream Anomaly Detection framework)を提案する。
CMDS-ADは、MVTec 3D-ADで5.7%(I-AUROC)と2.0%(AUPRO)の絶対的なパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2026-06-18T14:36:02Z) - RadioDiff-FS: Physics-Informed Manifold Alignment in Few-Shot Diffusion Models for High-Fidelity Radio Map Construction [25.36924798716969]
無線地図(RM)は6Gネットワーク計画に不可欠な空間的連続的な伝搬特性を提供する。
提案するRadioDiff-FSは,事前学習されたメインパス生成器をマルチパスリッチターゲットドメインに適応させる,数発の拡散フレームワークである。
実験の結果、RadioDiff-FSは静的RMではNMSEを59.5%、動的RMでは74.0%削減した。
論文 参考訳（メタデータ） (2026-03-19T13:12:09Z) - RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。
ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。
提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
論文 参考訳（メタデータ） (2026-02-21T07:50:05Z) - D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。
本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。
空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
論文 参考訳（メタデータ） (2026-01-27T23:21:59Z) - R$^3$D: Regional-guided Residual Radar Diffusion [8.828730946638103]
地域誘導残差レーダ拡散フレームワークR3Dを提案する。
ColoRadarデータセットの実験では、R3Dが最先端のメソッドより優れていることが示されている。
論文 参考訳（メタデータ） (2026-01-10T07:23:44Z) - Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - 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) - Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。
拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。
我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
論文 参考訳（メタデータ） (2025-01-22T18:52:06Z)
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。