GLIP：基于深度生成网络的电磁场暴露图补全
机器学习
2025-04-08 v1
摘要
在频谱制图(SC)中，射频电磁场(RF-EMF)暴露图的生成跨越频率、空间和时间维度，这依赖于稀疏的传感器数据收集，构成了一个具有挑战性的不适定逆问题。基于模型的制图方法集成了设计好的先验(如稀疏性和低秩结构)，以优化该逆问题的解。在我们之前的工作中，通过生成对抗网络(GAN)实现了电磁场暴露图的重建，其中将物理定律或结构约束作为先验，但它们需要大量标记数据或模拟的完整地图进行训练才能产生有效的结果。在本文中，我们提出了一种仅使用 GAN 中的生成器网络来重建电磁场暴露图的方法，该方法不需要显式训练，从而克服了 GAN 的局限性(例如使用参考完整暴露图)。该方法使用来自传感器数据的先验作为局部图像先验(LIP)，由深度卷积生成网络捕获，而无需在城市环境中的图像上学习网络参数。实验结果表明，即使只有稀疏传感器数据可用，我们的方法也能产生准确的估计。
引用
@article{arxiv.2405.03384,
title = {GLIP: Electromagnetic Field Exposure Map Completion by Deep Generative Networks},
author = {Mohammed Mallik and Davy P. Gaillot and Laurent Clavier},
journal= {arXiv preprint arXiv:2405.03384},
year = {2025}
}