SpINR: Neural Volumetric Reconstruction for FMCW Radars

要約

この論文では、周波数調整連続波（FMCW）レーダーデータを使用した体積再構成の新しいフレームワークであるSpinRを紹介します。
バックプロジェクションなどの従来のレーダーイメージング技術は、多くの場合、理想的なシグナルモデルを想定し、密な開口サンプリングを必要とし、解決と一般化の制限につながります。
これらの課題に対処するために、SPINRは、暗黙の神経表現（INR）で周波数ドメインでネイティブに動作する完全に微分可能なフォワードモデルを統合します。
この統合は、FMCWレーダーシステムに固有のビート周波数と散乱距離の線形関係を活用し、シーンジオメトリのより効率的かつ正確な学習を促進します。
さらに、関連する周波数ビンのみの出力を計算することにより、フォワードモデルは、変換前に信号全体を処理するタイムドメインアプローチと比較して、より大きな計算効率を達成します。
広範な実験を通じて、SPISRは古典的なバックプロジェクション方法と既存の学習ベースのアプローチを大幅に上回り、より高い解像度とより正確な複雑なシーンの再構成を達成することを実証します。
この研究は、レーダードメインにおける神経体積再構成の最初の応用を表しており、レーダーベースのイメージングおよび知覚システムにおける将来の研究のための有望な方向性を提供します。

要約(オリジナル)

In this paper, we introduce SpINR, a novel framework for volumetric reconstruction using Frequency-Modulated Continuous-Wave (FMCW) radar data. Traditional radar imaging techniques, such as backprojection, often assume ideal signal models and require dense aperture sampling, leading to limitations in resolution and generalization. To address these challenges, SpINR integrates a fully differentiable forward model that operates natively in the frequency domain with implicit neural representations (INRs). This integration leverages the linear relationship between beat frequency and scatterer distance inherent in FMCW radar systems, facilitating more efficient and accurate learning of scene geometry. Additionally, by computing outputs for only the relevant frequency bins, our forward model achieves greater computational efficiency compared to time-domain approaches that process the entire signal before transformation. Through extensive experiments, we demonstrate that SpINR significantly outperforms classical backprojection methods and existing learning-based approaches, achieving higher resolution and more accurate reconstructions of complex scenes. This work represents the first application of neural volumetic reconstruction in the radar domain, offering a promising direction for future research in radar-based imaging and perception systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google