NeRF$^\textbf{2}$：神经射频辐射场
网络与互联网体系结构
2023-10-13 v2 机器学习
摘要
尽管麦克斯韦在 160 年前发现了电磁波的物理定律，如何精确建模射频信号在电大且复杂环境中的传播仍是一个长期存在的问题。困难在于射频信号与障碍物之间复杂的相互作用（例如反射、衍射等）。受使用神经网络描述计算机视觉中光场的巨大成功启发，我们提出了一种神经射频辐射场 NeRF，它表示一个连续的体素场景函数，用以刻画射频信号的传播。特别地，在用少量信号测量训练后，NeRF 能在知道发射机位置的情况下，告知在任何位置接收何种信号以及如何接收。作为一种物理层神经网络，NeRF 可利用学习到的统计模型加上光线追踪的物理模型生成满足应用层人工神经网络（ANNs）训练需求的合成数据集。因此，我们可以通过所提出的涡轮学习（turbo-learning）提升 ANNs 的性能，该方法混合真实与合成数据集以强化训练。我们的实验结果表明涡轮学习可提升性能约 50%。我们还展示了 NeRF 在室内定位与 5G MIMO 领域的威力。
引用
@article{arxiv.2305.06118,
title = {NeRF2: Neural Radio-Frequency Radiance Fields},
author = {Xiaopeng Zhao and Zhenlin An and Qingrui Pan and Lei Yang},
journal= {arXiv preprint arXiv:2305.06118},
year = {2023}
}