論文の概要: Learning Nonlinear Waveform Fusion Across Scales for Integrated Sensing and Communication

• arxiv url: http://arxiv.org/abs/2610.32099v1
• Date: Fri, 23 Oct 2026 03:02:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.330907
• Title: Learning Nonlinear Waveform Fusion Across Scales for Integrated Sensing and Communication
• Title（参考訳）: 統合センシング・通信のための非線形波形融合の学習
• Abstract要約: 我々は、画像伝送と複数のターゲットの領域と角度の局在化のために、スケールをまたいだ非線形波形融合を学習する。 提案した波形と時間領域の重ね合わせを比較し、512個の独立試験画像上でスペクトル線形融合を学習した。 11のタスクウェイトで平均化され、提案された波形は正規化局所化誤差をそれぞれ29.0%、27.0%削減する。
• 参考スコア（独自算出の注目度）: 61.58746204904253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fixed source superposition and frequency partitioning constrain how communication content interacts with a probing reference in integrated sensing and communication (ISAC). We learn nonlinear waveform fusion across scales for image transmission and localization of multiple targets in range and angle. Reception uses the information available at each end. Adaptive temporal feature weighting and spectral updates combine image features and a deterministic linearly frequency-modulated reference in a shared complex state, generating a waveform with fixed total energy over the array frame. At the user equipment (UE), the reference and channel state information condition a neural demixer for image reconstruction. At the base station, the realized transmit pulse defines a coherent dictionary for sequential localization with learned local correction, physical refinement, and residual updates. We compare the proposed waveforms with superposition in the time domain and learned spectral linear fusion on 512 independent test images, using a shared fixed UE receiver and a baseline sensing receiver using coherent peak search. Averaged across eleven task weights, the proposed waveforms reduce normalized localization error by 29.0\% and 27.0\%, respectively, while increasing mean peak signal-to-noise ratio by 1.40 and 0.82~dB. With the proposed waveforms fixed, learned local correction reduces mean normalized localization error by 12.2\% relative to the same sequential receiver without learned correction.
• Abstract（参考訳）: 固定ソース重畳と周波数分割は、統合センシング通信(ISAC)において、通信内容が探索参照とどのように相互作用するかを制約する。 我々は、画像伝送と複数のターゲットの領域と角度の局在化のために、スケールをまたいだ非線形波形融合を学習する。 レセプションは各端で利用可能な情報を使用する。 適応時間的特徴重み付けとスペクトル更新は、画像特徴と決定論的線形周波数変調参照を共有複素状態に組み合わせ、配列フレーム上に固定された総エネルギーの波形を生成する。 ユーザ装置(UE)において、参照及びチャネル状態情報条件は、画像再構成のためのニューラルデミキサである。 基地局において、実効送信パルスは、学習された局所補正、物理的精細化、残差更新を伴う逐次ローカライゼーションのためのコヒーレント辞書を定義する。 提案した波形を時間領域の重ね合わせと比較し,コヒーレントピークサーチを用いた共有固定UE受信機とベースライン受信機を用いて,512個の独立テスト画像上でスペクトル線形融合を学習した。 11のタスクウェイトで平均化され、提案された波形は、平均ピーク信号対雑音比を1.40と0.82〜dBで増加させながら、正規化ローカライズ誤差を29.0\%と27.0\%に減少させる。 提案した波形を固定することにより、学習した局所補正は、学習した補正なしに同じシーケンシャル受信機に対して平均正規化局所化誤差を12.2\%削減する。

関連論文リスト

• SAGE: Source-Anchored Guidance via Frequency Equalization for Hierarchical RGB-T Alignment and Fusion [12.130236808750468]
  本稿では,周波数等化,階層的アライメント,サブバンド融合を組み合わせた統合フレームワークを提案する。 SAGEは、構造とゲインガイダンスを導出するために、可逆的なジョイントエンコーディングとソース固有の低周波変調を採用している。 実世界および合成ミスアライメントを用いたRGB-Tデータセットの実験は、アライメントと融合において一貫して競合性能を示す。
  論文  参考訳（メタデータ） (2026-09-25T02:22:00Z)
• Show the Signal, Hide the Noise: Spectral Forcing for Pixel-Space Diffusion [46.51681899437508]
  本稿では,パラメータフリーで時間条件付き2D-DCTローパス演算子であるSpectral Forcingを導入する。 その遮断は拡散時間とともに単調に膨張し、データエンドポイントのアイデンティティとなる。 JiT-700M/32のImageNet-256では、Spectral Forcingは、異なるトレーニングエポック間で、FIDとInception Scoreの両方を一貫して改善している。
  論文  参考訳（メタデータ） (2026-06-13T10:29:11Z)
• JSCGC: Joint Source-Channel-Generation Coding for Wireless Generative Communications [58.67925548779465]
  Joint Source-Channel-Generation Coding (JSCGC) は、従来のデコーダをレシーバで生成モデルに置き換えるジェネレーティブ通信パラダイムである。 JSCGCは、様々なチャネル条件にまたがるフィーチャベース、セマンティックレベル、推論品質を一貫して改善する。
  論文  参考訳（メタデータ） (2026-06-11T03:42:03Z)
• WaveFormer: Frequency-Time Decoupled Vision Modeling with Wave Equation [24.13944601660532]
  視覚モデリングはトランスフォーマーによって急速に進歩し、注意機構は視覚的依存を捉えるが、意味情報が空間的にどのように伝播するかという原則的な説明は欠いている。 我々はこの問題を波面から再検討し、内部伝播時間における空間信号として特徴写像を下水波方程式で制御する。 本稿では,標準VTやCNNのドロップイン置換としてWaveFormerモデルのファミリを提案し,画像分類,オブジェクト検出,セマンティックセグメンテーションにおける競合精度を実現する。
  論文  参考訳（メタデータ） (2026-01-13T14:47:22Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• WAVE-UNET: Wavelength based Image Reconstruction method using attention UNET for OCT images [1.0835264351334324]
  本稿では, ラムダ空間から直接, 高品質なOCT画像を再構成し, 複雑さを軽減するための体系的設計手法WAVE-UNETを提案する。 このフレームワークは、IDFT処理されたラムダ空間フリンジを入力として、アテンションゲーティングと残差接続を持つ修正UNETを使用している。 この方法は、時間複雑度を著しく低減した良質なBスキャンを生成することによって、従来のOCTシステムより一貫して優れる。
  論文  参考訳（メタデータ） (2024-10-05T11:16:10Z)
• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• 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)
• WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
  WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。 WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。 低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
  論文  参考訳（メタデータ） (2021-07-23T04:44:40Z)

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。