Rasterizing Wireless Radiance Field via Deformable 2D Gaussian Splatting

要約

ワイヤレスラディアンスフィールド（WRF）のモデリングは、最新の通信システムの基本であり、ローカリゼーション、センシング、チャネル推定などの重要なタスクを可能にします。
経験的な式または物理シミュレーションに依存する従来のアプローチは、しばしば限られた精度に悩まされるか、強いシーンの事前に必要です。
最近のニューラル放射輝度フィールド（NERFベース）方法は、微分可能な体積レンダリングにより再構成の忠実度を改善しますが、計算上の高価な多層パーセプトロン（MLP）クエリへの依存はリアルタイムの展開を妨げます。
これらの課題を克服するために、ワイヤレスドメインにガウススプラット（GS）を導入し、コンパクトで正確なWRF再構成を可能にする光学放射界のモデリングの効率を活用します。
具体的には、片面トランシーバーモビリティの下で任意の位置でWRFスペクトルを合成する、変形可能な2DガウススプラッティングフレームワークであるSwiftWrfを提案します。
SWIFTWRFは、CUDAのアクセラレーションラスター化を採用して100000 fpsを超えるスペクトルをレンダリングし、軽量MLPを使用して2Dガウスの変形をモデル化し、モビリティ誘導のWRF変動を効果的に獲得します。
新規スペクトル合成に加えて、SWIFTWRFの有効性は、そのアプリケーションで、Angle-of-Arrival（AOA）および受信信号強度インジケータ（RSSI）予測でさらに強調されています。
現実世界と合成の屋内シーンの両方で実施さ​​れた実験は、SWIFTWRFが既存の最先端の方法よりも最大500倍高速でWRFスペクトルを再構築し、その信号の品質を大幅に向上させることを示しています。
プロジェクトページはhttps://evan-sudo.github.io/swiftwrf/です。

要約(オリジナル)

Modeling the wireless radiance field (WRF) is fundamental to modern communication systems, enabling key tasks such as localization, sensing, and channel estimation. Traditional approaches, which rely on empirical formulas or physical simulations, often suffer from limited accuracy or require strong scene priors. Recent neural radiance field (NeRF-based) methods improve reconstruction fidelity through differentiable volumetric rendering, but their reliance on computationally expensive multilayer perceptron (MLP) queries hinders real-time deployment. To overcome these challenges, we introduce Gaussian splatting (GS) to the wireless domain, leveraging its efficiency in modeling optical radiance fields to enable compact and accurate WRF reconstruction. Specifically, we propose SwiftWRF, a deformable 2D Gaussian splatting framework that synthesizes WRF spectra at arbitrary positions under single-sided transceiver mobility. SwiftWRF employs CUDA-accelerated rasterization to render spectra at over 100000 fps and uses a lightweight MLP to model the deformation of 2D Gaussians, effectively capturing mobility-induced WRF variations. In addition to novel spectrum synthesis, the efficacy of SwiftWRF is further underscored in its applications in angle-of-arrival (AoA) and received signal strength indicator (RSSI) prediction. Experiments conducted on both real-world and synthetic indoor scenes demonstrate that SwiftWRF can reconstruct WRF spectra up to 500x faster than existing state-of-the-art methods, while significantly enhancing its signal quality. The project page is https://evan-sudo.github.io/swiftwrf/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google