論文の概要: WiNeRF: Measurement Constrained Radiance Fields for Actionable Wireless Channel Modeling
- arxiv url: http://arxiv.org/abs/2609.22132v1
- Date: Mon, 24 Aug 2026 04:17:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.726436
- Title: WiNeRF: Measurement Constrained Radiance Fields for Actionable Wireless Channel Modeling
- Title（参考訳）: WiNeRF:動作可能な無線チャネルモデリングのための制約された放射場の測定
- Abstract要約: 我々は,コモディティWiFiデバイスによって収集されたスパースチャネル状態情報(CSI)から直接,連続的かつ複雑な無線チャネル表現を学習するニューラルネットワークフレームワークであるWiNeRFを提案する。
WiNeRFは、アンテナ幾何学、空間分解能の制限、位相不確実性といった固有系の制約を3次元円錐波サンプリングモデルを通じて誘導バイアスとして埋め込む。
非視線(NLoS)領域を持つ様々な屋内環境において、WiNeRFは5.3dBの中央値予測SNRを達成し、前回の神経ベースラインを平均4.9dB上回る。
- 参考スコア（独自算出の注目度）: 0.4618037115403289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wireless embedded systems increasingly rely on wireless channel information for decision making, yet practical platforms operate under severe constraints, including few antennas, narrow bandwidth, and sparse, noisy measurements. While neural field based approaches inspired by Neural Radiance Fields (NeRFs) have recently been explored for continuous wireless channel modeling, existing approaches depend on dense measurements or external priors such as known geometry, visual context, or angle-of-arrival (AoA) information, limiting their practicality in real-world deployments. We present WiNeRF, a neural field framework that learns a spatially continuous, complex-valued wireless channel representation directly from sparse channel state information (CSI) collected by commodity WiFi devices. WiNeRF embeds intrinsic system constraints, such as antenna geometry, limited spatial resolution, and phase uncertainty, as inductive biases through a 3D conical wave sampling model, a multi-resolution implicit scene representation, and a differentiable optimization framework for complex-valued channel learning. Across diverse indoor environments with non-line-of-sight (NLoS) regions, WiNeRF achieves a median prediction SNR of 5.3 dB, outperforming prior neural baselines by 4.9 dB on average (approximately 3x higher prediction SNR), and produces a task-agnostic channel representation that can be directly reused in standard signal-processing pipelines, including beamforming, AoA estimation, and RSSI coverage mapping, without modifying existing hardware or wireless protocols.
- Abstract（参考訳）: 無線組み込みシステムは、意思決定のために無線チャネル情報にますます依存するが、実用的なプラットフォームは、アンテナの少ない、狭い帯域幅、希薄なノイズ測定など、厳しい制約の下で運用される。
ニューラルレージアンス・フィールド(Neural Radiance Fields、NeRF)にインスパイアされたニューラルネットワークベースのアプローチは、最近、連続的な無線チャネルモデリングのために研究されているが、既存のアプローチは、既知の幾何学、視覚的コンテキスト、またはAoA情報のような、密度の高い測定や外部の事前情報に依存するため、実世界の展開における実用性を制限している。
我々は,コモディティWiFiデバイスによって収集されたスパースチャネル状態情報(CSI)から直接,空間的に連続した複雑な無線チャネル表現を学習するニューラルネットワークフレームワークであるWiNeRFを提案する。
WiNeRFは、アンテナ幾何学、空間分解能の制限、位相不確実性といった固有のシステム制約を、3次元円錐波サンプリングモデルによる誘導バイアス、多重解像度の暗黙的なシーン表現、複雑に評価されたチャネル学習のための微分可能な最適化フレームワークとして埋め込んでいる。
非視線(NLoS)領域を持つ様々な屋内環境において、WiNeRFは5.3dBの中央値予測SNRを達成し、従来の神経ベースラインを平均4.9dB(約3倍高い予測SNR)で上回り、既存のハードウェアや無線プロトコルを変更することなく、ビームフォーミング、AoA推定、RSSIカバレッジマッピングなどの標準信号処理パイプラインで直接再利用可能なタスクに依存しないチャネル表現を生成する。
関連論文リスト
- Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。
本稿では,無線コミュニティに対して,エンドツーエンドの受信方式を提示することでRAQRを導入する。
次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
論文 参考訳（メタデータ） (2024-12-07T06:25:54Z) - 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) - Generating High Dimensional User-Specific Wireless Channels using Diffusion Models [27.848413167129774]
本稿では拡散モデルを用いて合成無線チャネルデータを生成する新しい手法を提案する。
提案手法では,条件付き拡散暗黙的モデル (cDDIM) を用いて,ユーザ位置とマルチアンテナチャネル特性の関係を効果的に把握する。
我々は、ユーザ位置を条件入力として合成された高忠実度チャネルサンプルを生成し、測定不足を克服するために、より大きな拡張データセットを作成する。
論文 参考訳（メタデータ） (2024-09-05T22:08:28Z) - RayProNet: A Neural Point Field Framework for Radio Propagation Modeling in 3D Environments [1.7074276434401858]
本稿では,無線チャネルモデリングのための機械学習を利用した新しい手法を提案する。
主な材料は、ポイントクラウドベースのニューラルネットワークと、光プローブを備えた球高調波エンコーダである。
論文 参考訳（メタデータ） (2024-06-04T01:06:41Z) - A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems [35.07773969966621]
無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,Deep Learning (DL) が登場している。
無線チャネルの動的性質に対処するためには、新しい非老化データに基づいてDL手法を再訓練する必要がある。
本稿では,モデルを再学習することなく,様々な無線環境において高い検出性能を達成できる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
論文 参考訳（メタデータ） (2024-04-03T11:21:10Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - NeuRBF: A Neural Fields Representation with Adaptive Radial Basis
Functions [93.02515761070201]
本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。
提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。
ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2023-09-27T06:32:05Z) - 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) - A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。
本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。
提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文 参考訳（メタデータ） (2020-02-28T05:56:14Z)
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。