論文の概要: RFWeave: Learning Wireless Propagation Across Scenes and Transceiver Configurations

• arxiv url: http://arxiv.org/abs/2610.16656v1
• Date: Mon, 12 Oct 2026 12:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:00:17.468514
• Title: RFWeave: Learning Wireless Propagation Across Scenes and Transceiver Configurations
• Title（参考訳）: RFWeave: シーン間の無線伝搬とトランシーバ構成を学習する
• Abstract要約: RFWeaveは、シーン、トランシーバ位置、およびトランシーバ構成を一般化するために設計された学習された無線伝搬モデルである。 RFWeaveは,10,000の屋内シーンと500万以上のチャネルレコードにまたがる,さまざまなトランシーバ構成の下で,大規模なシミュレーションデータセットでトレーニングされている。
• 参考スコア（独自算出の注目度）: 39.47711099325959
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless propagation modeling is foundational to the evaluation and design of modern communication systems. To achieve accurate wireless propagation prediction, recent learning-based approaches leverage scene geometry and materials, demonstrating promising generalization across transceiver locations and unseen scenes. However, these approaches remain largely confined to a fixed configuration of array size, receiver orientation, and transmit beam. In this work, we introduce RFWeave, a learned wireless propagation model designed to generalize across scenes, transceiver locations, and transceiver configurations. To accommodate varying array structures, RFWeave incorporates variable-length transceiver tokens that represent antenna elements individually. Furthermore, to capture the geometry between transmit and receive antenna elements, RFWeave aggregates their pairwise spatial relations into propagation tokens. A configuration-conditioned decoder predicts the spatial spectrum and received power. RFWeave is trained on a large-scale simulated dataset spanning 10,000 indoor scenes and more than 5 million channel records under diverse transceiver configurations. Extensive evaluations show that RFWeave achieves state-of-the-art performance across all evaluated generalization settings, improving spatial spectrum structural similarity (SSIM) by up to 15.7% and reducing received power mean absolute error (MAE) by up to 35.4% over the strongest baselines on unseen scenes. Additional experiments on measured DICHASUS data and in beam management further demonstrate RFWeave's broader applicability to real-world channels and downstream wireless tasks.
• Abstract（参考訳）: 無線伝搬モデリングは,現代の通信システムの評価と設計の基礎となる。 正確な無線伝搬予測を実現するために,近年の学習ベースアプローチでは,シーン形状と素材を活用し,トランシーバの位置や見えないシーンをまたいだ有望な一般化を実証している。 しかし、これらのアプローチは、配列サイズ、受信方向、送信ビームの固定配置に限られている。 本研究では,シーン,トランシーバ位置,およびトランシーバ構成を一般化する学習無線伝搬モデルRFWeaveを紹介する。 様々な配列構造に対応するため、RFWeaveはアンテナ要素を個別に表現する可変長のトランシーバトークンを組み込んでいる。 さらに、送信アンテナ素子と受信アンテナ素子の幾何学的特徴を捉えるため、RFWeaveはその対角空間関係を伝搬トークンに集約する。 構成条件付きデコーダは、空間スペクトルと受信電力を予測する。 RFWeaveは,10,000の屋内シーンと500万以上のチャネルレコードにまたがる,さまざまなトランシーバ構成の下で,大規模なシミュレーションデータセットでトレーニングされている。 大規模評価の結果、RFWeaveはすべての評価された一般化設定の最先端性能を達成し、空間スペクトル構造類似性(SSIM)を最大15.7%改善し、受信電力平均絶対誤差(MAE)を最大35.4%削減した。 測定されたDICHASUSデータとビーム管理に関するさらなる実験は、RFWeaveが現実世界のチャネルや下流無線タスクに広く適用可能であることを証明している。

関連論文リスト

• A Geometric Algebra-informed NeRF Framework for Generalizable Wireless Channel Prediction [28.17627433640575]
  無線チャネル予測のための幾何代数インフォームドニューラル放射場(GAI-NeRF)を提案する。 我々のアプローチにはグローバルトークン表現が組み込まれており、言語や視覚領域のトランスフォーマーアーキテクチャからインスピレーションを得ている。 GAI-NeRFはチャネル予測タスクにおいて優れた性能を発揮することを示す実験結果を得た。
  論文  参考訳（メタデータ） (2026-04-13T19:20:29Z)
• RF-GPT: Teaching AI to See the Wireless World [48.294819966466044]
  大規模言語モデル(LLM)とマルチモーダルモデルは、強力な汎用推論システムとなっている。 RF-GPT(RF-GPT)は、マルチモーダルの視覚エンコーダを用いて、RFスペクトログラムの処理と理解を行う無線言語モデルである。 テキストのみのLLMは、これらのキャプションをRF地上の命令回答ペアに変換し、約12,000のRFシーンと2500万のサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-16T15:24:56Z)
• 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)
• GWRF: A Generalizable Wireless Radiance Field for Wireless Signal Propagation Modeling [5.744904421002954]
  Generalizable Wireless Radiance Fields (GWRF) は、任意の3D送信機と受信機の位置で無線信号の伝搬をモデル化するためのフレームワークである。 まず、ジオメトリ対応トランスフォーマーエンコーダを用いた無線シーン表現モジュールは、地理的に近接する送信機からの情報を組み込んで、一般化可能な無線放射場を学習する。 第2に、このフィールド上でニューラル駆動のレイトレーシングアルゴリズムが動作し、受信機での信号受信を自動的に計算する。
  論文  参考訳（メタデータ） (2025-02-08T22:03:08Z)
• 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)
• SCTransNet: Spatial-channel Cross Transformer Network for Infrared Small Target Detection [46.049401912285134]
  赤外線小ターゲット検出(IRSTD)は近年,U字型ニューラルモデルから大きな恩恵を受けている。 既存のテクニックは、ターゲットが背景と高い類似性を持つ場合に苦労する。 本稿では,空間チャネルクロストランスネットワーク(SCTransNet)を提案する。
  論文  参考訳（メタデータ） (2024-01-28T06:41:15Z)
• DEFORM: A Practical, Universal Deep Beamforming System [4.450750414447688]
  我々は、ユニバーサルレシーバービームフォーミング技術を紹介し、設計し、評価する。 我々のアプローチとシステムDEFORMは、深層学習(DL)ベースのRXビームフォーミングであり、マルチアンテナRF受信機において大きな利益をもたらす。
  論文  参考訳（メタデータ） (2022-03-18T03:52:18Z)
• 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)

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。