RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction

要約

ラジオマップ（RMS）は、環境を意識した通信とセンシングに不可欠であり、位置固有のワイヤレスチャネル情報を提供します。
既存のRM建設方法は、多くの場合、正確な環境データと基地局（BS）の場所に依存しています。これらは、動的またはプライバシーに敏感な環境で常に利用できるとは限りません。
まばらな測定技術はデータ収集を減少させますが、RM精度に対するスパースデータのノイズの影響はよく理解されていません。
このペーパーでは、粗い環境知識とノイズの多いまばらな測定の下でのベイジアン逆問題としてRM構造を策定することにより、これらの課題に対処します。
最大A Postteriori（MAP）フィルタリングは最適なソリューションを提供しますが、RMの正確な事前分布が必要です。これは通常利用できません。
これを解決するために、無条件に強化されたベイジアン逆推定フレームワークであるRadiodiffの逆数を提案します。
このアプローチは、ワイヤレスチャネル機能の空間分布を再構築するだけでなく、統合センシングと通信（ISAC）を通じて、パスロスのジャストリレーの構築やBSの位置などの環境構造の知覚を可能にします。
驚くべきことに、Radiodiff-inverseはトレーニングフリーであり、タスク固有の微調整なしでイメージネットから事前に訓練されたモデルを活用しているため、ワイヤレスネットワークで生成的大規模モデルを使用するトレーニングコストが大幅に削減されます。
実験結果は、Radiodiffの逆転が、RM構造と環境再構築の精度とノイズの多いまばらなサンプリングに対する堅牢性の最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Radio maps (RMs) are essential for environment-aware communication and sensing, providing location-specific wireless channel information. Existing RM construction methods often rely on precise environmental data and base station (BS) locations, which are not always available in dynamic or privacy-sensitive environments. While sparse measurement techniques reduce data collection, the impact of noise in sparse data on RM accuracy is not well understood. This paper addresses these challenges by formulating RM construction as a Bayesian inverse problem under coarse environmental knowledge and noisy sparse measurements. Although maximum a posteriori (MAP) filtering offers an optimal solution, it requires a precise prior distribution of the RM, which is typically unavailable. To solve this, we propose RadioDiff-Inverse, a diffusion-enhanced Bayesian inverse estimation framework that uses an unconditional generative diffusion model to learn the RM prior. This approach not only reconstructs the spatial distribution of wireless channel features but also enables environmental structure perception, such as building outlines, and location of BS just relay on pathloss, through integrated sensing and communication (ISAC). Remarkably, RadioDiff-Inverse is training-free, leveraging a pre-trained model from Imagenet without task-specific fine-tuning, which significantly reduces the training cost of using generative large model in wireless networks. Experimental results demonstrate that RadioDiff-Inverse achieves state-of-the-art performance in accuracy of RM construction and environmental reconstruction, and robustness against noisy sparse sampling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google