Fugu-MT 論文翻訳(概要): Untangling the Geometry and Speed for RF Sensing Spectrograms

論文の概要: Untangling the Geometry and Speed for RF Sensing Spectrograms

arxiv url: http://arxiv.org/abs/2609.26960v1
Date: Tue, 22 Sep 2026 18:51:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 00:05:17.733666
Title: Untangling the Geometry and Speed for RF Sensing Spectrograms
Title（参考訳）: RFセンシングスペクトログラムにおける幾何と速度のアンタングリング
Abstract要約: RFセンシングにおける基本的な課題は、リンクによって観測されたドップラーのシグネチャが、ターゲットの動きとセンシング幾何学を絡み合わせることである。我々は、反射体速度を幾何学から切り離す物理的解釈可能なRFセンシングのための新しい基盤を確立する。我々は、WiFiトレーニングデータの必要性をなくし、合成から現実へのトレーニングフレームワークを導入する。
参考スコア（独自算出の注目度）: 2.7018389296091505
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A fundamental challenge in RF sensing is that Doppler signatures observed by a link entangle the target's motion with the sensing geometry, resulting in limited applicability to unconstrained real-world settings. In this paper, we establish a new foundation for physically interpretable RF sensing that disentangles reflector speed from geometry, jointly recovering the speed, geometry factor, relative amplitude, and width of each dominant Doppler ridge. More specifically, we first develop a compact parametric representation of WiFi spectrograms and establish its low-dimensional structure through a systematic computer-vision analysis of a large and diverse human-activity dataset, thereby providing a tractable foundation for learning. Building on this representation, we then design a physics-informed autoencoder whose structured bottleneck and differentiable RF forward model enforce physically meaningful estimates of reflector speed and geometry. We further introduce a synthetic-to-real training framework, eliminating the need for real WiFi training data. We extensively validate the proposed framework under both known and time-varying geometries, using both independently generated synthetic test sets and 31 real WiFi experiments. The results demonstrate the superior performance in speed and geometry extraction, robustly recovering the underlying geometry, speeds, Doppler-ridge amplitudes, and ridge widths across all settings, while substantially outperforming the strongest baselines.
Abstract（参考訳）: RFセンシングにおける基本的な課題は、リンクによって観測されたドップラーシグネチャが、ターゲットの動きとセンサー幾何学とを絡み合わせることで、制約のない現実世界の設定に限定的な適用性をもたらすことである。本稿では,物理解釈可能なRFセンシングのための新しい基盤を構築し,各ドップラーリッジの速度, 形状, 相対振幅, 幅を連続的に復元する。具体的には、まずWi-Fiスペクトログラムのコンパクトなパラメトリック表現を開発し、その低次元構造を、大規模で多様な人間の活動データセットの系統的コンピュータビジョン解析により確立し、学習のための抽出可能な基盤を提供する。この表現に基づいて、構造的ボトルネックと微分可能なRFフォワードモデルを持つ物理インフォームドオートエンコーダを設計し、リフレクタ速度と幾何の物理的有意な推定を強制する。さらに、実際のWiFiトレーニングデータの必要性をなくし、合成から現実へのトレーニングフレームワークも導入する。我々は、独立に生成された合成テストセットと31個の実Wi-Fi実験を用いて、既知および時変ジオメトリの両方で提案されたフレームワークを広範囲に検証した。その結果、速度と幾何抽出において優れた性能を示し、基礎となる幾何、速度、ドップラーリッジ振幅、尾根幅を安定に回復し、最強のベースラインを著しく上回った。

関連論文リスト

Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
論文参考訳（メタデータ） (2026-06-18T20:12:18Z)
Semantically Annotated Multimodal Dataset for RF Interpretation and Prediction [4.872063946977515]
無線モデリングとRF(Radio frequency)ベースのAIの現在の制限は、RF信号を物理的な環境に接続する高品質な計測ベースのデータセットの欠如によって引き起こされている。本稿では,RF計測と高分解能カメラやライダーなどの補助的モダリティを組み合わせることで,RF信号と物理的原因とのギャップを埋める新しいマルチモーダルデータセットを提案する。
論文参考訳（メタデータ） (2026-04-01T22:18:01Z)
From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction [3.2580743227673694]
時空間デコーダを用いた高次元空間場を潜時状態にマッピングするフレームワークSTRIDEを提案する。 STRIDEは超高分解能をサポートし、超高分解能をサポートし、ノイズに対して頑健であることを示す。
論文参考訳（メタデータ） (2026-02-04T04:39:23Z)
SourceNet: Interpretable Sim-to-Real Inference on Variable-Geometry Sensor Arrays for Earthquake Source Inversion [7.936803576241796]
SourceNetはTransformerベースのフレームワークで、任意のジオメトリをモデル化するためのフレキシブルなセットとしてセンサアレイを扱う。 10万の合成イベントを事前トレーニングし、2,000の現実世界イベントを微調整することで、SourceNetは保持された実データに対する最先端の精度を達成する。
論文参考訳（メタデータ） (2026-01-09T21:42:28Z)
SenseRay-3D: Generalizable and Physics-Informed Framework for End-to-End Indoor Propagation Modeling [35.27031919957894]
SenseRay-3Dは、RGB-Dスキャンから直接3Dパスロスヒートマップを予測するエンドツーエンドフレームワークである。合成屋内伝播データセットは、将来の研究の標準ベンチマークとして機能するように開発されている。 SenseRay-3Dは、目に見えない環境で平均4.27dBの絶対誤差を達成し、サンプルあたり217msのリアルタイム推論をサポートする。
論文参考訳（メタデータ） (2025-11-15T08:17:49Z)
Physics-Informed Neural Networks for MIMO Beam Map and Environment Reconstruction [67.65578956523403]
ネットワークインテリジェンスを用いて物理層計測をブリッジするための重要な手法として,チャネル状態情報(CSI)からの幾何学的特徴抽出が出現する。本稿では, 受信信号強度(RSS)データを3次元環境知識なしで探索し, 放射光マップと環境幾何学を共同構築することを提案する。反射領域に基づく幾何モデルを含む物理インフォームドディープラーニングフレームワークを提案し, ブロック, 反射, 散乱成分の学習を行った。
論文参考訳（メタデータ） (2025-10-24T08:17:14Z)
PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文参考訳（メタデータ） (2024-04-25T15:06:58Z)
SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [136.15885067858298]
本研究では、空間的に一貫した幾何フィルタリング機構と周波数誘導幾何正規化戦略により強化された特徴マッチングに基づくスパース幾何正規化モジュールを提案する。実験により, SGCNeRFは, LLFFおよびDTUにおけるPSNRの0.7dBの改善により, 優れた幾何整合性を実現し, かつFreeNeRFを超えていることが示された。
論文参考訳（メタデータ） (2024-04-01T08:37:57Z)
Stable Surface Regularization for Fast Few-Shot NeRF [76.00444039563581]
我々はAnnealing Signed Distance Function (ASDF) と呼ばれる安定表面正規化手法を開発した。 SDFの異なるレベルセットを形成するためには、アイコンの損失が密集した訓練信号を必要とすることが観察され、数発の訓練で低忠実度結果が得られた。提案手法は、既存の数発の新規ビュー合成法よりも最大45倍高速である。
論文参考訳（メタデータ） (2024-03-29T05:39:47Z)
Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文参考訳（メタデータ） (2022-12-10T20:15:23Z)

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。