GSpaRC：用于无线射频信道实时重建的高斯溅射
机器学习
2026-04-29 v3
摘要
信道状态信息（CSI）是自适应波束赋形和维持无线通信系统稳健链路的关键要素，但获取 CSI 需频繁发送探发信号，导致在 5G 网络中占用高达 25% 的频谱资源。最近的研究尝试从时空射频测量（如信号强度和到达角）重建 CSI 以减轻这一负担。虽然在离线环境中效果良好，但这些方法常在 5-100 ms 延迟范围内难以满足实时系统需求。我们提出 GSpaRC：无线信道实时重建的高斯溅射方法，实现了低毫秒甚至亚毫秒延迟下的精确信道重建。GSpaRC 使用一组紧凑的 3D 高斯原始点表示射频环境，每个原始点由轻量级神经模型参数化，增强了包含基于距离衰减的物理信息。不同于传统面向视觉的溅射管线，GSpaRC 专为射频接收而设计：它对准天球面投影，其中心位于接收器位置，以反映全向天线行为。自定义 CUDA 流水线实现了频率和空间维度上的方向排序、溅射和渲染的完全并行。评估多个射频数据集表明，GSpaRC 在 CSI 重建保真度方面与最新 SOTA 方法相当，但训练与推理时间缩短了一个数量级以上。这些结果表明，适度的 GPU 计算资源即可显著降低 5G 及未来无线系统中信道估计的 pilot 开销，使 GSpaRC 成为一种可扩展的低延迟信道估计方法。
引用
@article{arxiv.2511.22793,
title = {GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels},
author = {Bhavya Sai Nukapotula and Rishabh Tripathi and Seth Pregler and Dileep Kalathil and Srinivas Shakkottai and Theodore S. Rappaport},
journal= {arXiv preprint arXiv:2511.22793},
year = {2026}
}
备注
Project website: https://nbhavyasai.github.io/GSpaRC/