論文の概要: DyRadio: Spatiotemporal Diffusion for Dynamic Radio Map Reconstruction

• arxiv url: http://arxiv.org/abs/2611.01603v1
• Date: Sun, 01 Nov 2026 05:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 15:50:58.149423
• Title: DyRadio: Spatiotemporal Diffusion for Dynamic Radio Map Reconstruction
• Title（参考訳）: DyRadio:動的無線地図再構成のための時空間拡散
• Abstract要約: 本稿では,RM再構成と未知雑音推定を統合した伝搬誘導型時空間拡散モデルを提案する。 実験結果から,最良性能のベースラインよりも1.18-5.75dBのピーク信号対雑音比(PSNR)が向上した。
• 参考スコア（独自算出の注目度）: 10.90542785927776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate radio map (RM) reconstruction is essential for environment-aware wireless networks. Sampling-based methods, which infer radio conditions from sparse measurements, are widely adopted because they do not require explicit knowledge of transmitter configurations. However, in dynamic environments, time-varying propagation conditions cause RMs to evolve, complicating reconstruction from temporally distributed sparse observations. Although cross-frame observations provide complementary spatial information, their direct aggregation can introduce temporal state mismatch. Furthermore, unknown measurement noise adds to the reconstruction difficulties. To address these challenges, we propose DyRadio, a framework that integrates spatiotemporal RM reconstruction with unknown noise estimation. Specifically, a propagation-prior-guided, noise-conditioned spatiotemporal diffusion model (DM) jointly reconstructs consecutive RMs by capturing cross-frame dependencies, while adapting to measurement noise levels. To estimate the noise level, an iterative predictive likelihood method alternates between DM-based blind-area prediction and noise-level updates. The estimated noise level then conditions reconstruction of the complete RM sequence. Experimental results demonstrate superior reconstruction accuracy and robustness against measurement noise, with peak signal-to-noise ratio (PSNR) improvements of 1.18-5.75 dB over the best-performing baseline across all evaluated settings.
• Abstract（参考訳）: 環境に配慮した無線ネットワークにおいて,正確な無線マップ(RM)の再構築が不可欠である。 スパース測定から電波条件を推定するサンプリング法は、送信機構成の明示的な知識を必要としないため、広く採用されている。 しかし、動的環境下では、時間変化の伝播条件によってRMが進化し、時間分布のスパース観測からの再構成が複雑になる。 クロスフレーム観測は相補的な空間情報を提供するが、それらの直接的な集約は時間的状態のミスマッチをもたらす可能性がある。 さらに、未知の測定ノイズが復元困難を増す。 このような課題に対処するために,時空間RM再構成と未知雑音推定を統合したDyRadioを提案する。 具体的には, 伝搬優先型時空間拡散モデル (DM) は, 音レベル測定に適応しつつ, フレーム間の依存性を捉え, 連続RMを共同で再構成する。 ノイズレベルを推定するために、DMベースのブラインドエリア予測とノイズレベル更新を交互に予測する。 推定ノイズレベルは、完全なRMシーケンスの再構成条件となる。 実験結果から, 評価条件のすべてにまたがって, 1.18-5.75dBのピーク信号対雑音比(PSNR)が改善され, 再現精度が向上し, 測定ノイズに対するロバスト性が向上した。

関連論文リスト

• Rethinking Radiomap Blind Prediction with Limited Environment and Configuration Representations [75.34570531766927]
  ラジオマップブラインド予測は, 観測可能な伝搬環境の表現と基地局構成から, フィールド計測なしで電波マップを推定する。 本稿では,事前誘導予測器を補正可能なベースとして扱うRadioDecompを提案する。 クロスコンフィグレーションおよびクロス環境設定下での実験では、RadioLSRは特にクロスコンフィグレーションの一般化に有効であることが示されている。
  論文  参考訳（メタデータ） (2026-09-10T08:52:01Z)
• RadioTrace: Transmitter-Aware Diffusion for Radio Map Estimation without Deployment-Time Fine-Tuning [12.743046925489663]
  無線マップ(RM)推定は,スパース測定から無線信号特性の空間分布を再構成することを目的としている。 ディープラーニングを含む従来のアプローチでは、複雑な伝播効果を捉えるのに苦労するか、新しいサンプリングパターンごとに大規模な再トレーニングが必要になる。 デプロイ時の微調整を伴わない新しいRM推定フレームワークであるRadioTraceを提案する。
  論文  参考訳（メタデータ） (2026-07-23T04:18:39Z)
• RMPrior: Bridging Propagation Priors and Diffusion Refinement for Efficient Radio Map Construction [25.36924798716969]
  本論文は,中間段階のサンプリング戦略を通じて,伝播先行と拡散改善を橋渡しする。 IRT4HighResの実験は、$P_textstart=0.5$で、提案手法が2.01times$のスピードアップを達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T03:05:18Z)
• Adaptive Guidance for Retrieval-Augmented Masked Diffusion Models [60.25003813232697]
  本稿では,Masked Diffusion Models (MDMs) のトレーニング自由適応ガイダンスフレームワークとして,適応検索型Masked Diffusion (ARAM) を提案する。 ARAMは、検索した文脈によって誘導される分布シフトのSNR(Signal-to-Noise Ratio)に従って、雑音発生時の誘導スケールを校正する。 複数の知識集約型QAベンチマークの実験は、ARAMが競争力のあるRAGベースラインよりも全体的なQA性能を改善することを示している。
  論文  参考訳（メタデータ） (2026-03-18T12:54:50Z)
• Stabilizing Diffusion Posterior Sampling by Noise--Frequency Continuation [52.736416985173776]
  高雑音下では、不正確な推定から計算されたデータ一貫性勾配は、後部幾何学と幾何的に一致しない。 本稿では、雑音依存周波数帯域内でのみ測定一貫性を強制する中間部分の連続的なファミリを構成するノイズ周波数継続フレームワークを提案する。 提案手法は最先端性能を実現し,強いベースライン上で最大5dBのPSNRの動作劣化を改善する。
  論文  参考訳（メタデータ） (2026-01-30T03:14:01Z)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)

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。