无线辐射场重建的神经表示：三维高斯溅射方法
摘要
无线信道建模在设计、分析和优化无线通信系统中发挥着关键作用。然而，开发有效的信道建模方法一直是一项长期挑战。由于下一代网络中更密集的网络部署、更大的天线阵列和更宽的带宽，这一问题变得更加严峻。为了解决这一挑战，我们提出了WRF-GS，一个基于三维高斯溅射（3D-GS）重建无线辐射场（WRF）的新型信道建模框架。WRF-GS利用三维高斯基元和神经网络来捕捉环境与无线电信号之间的交互，实现高效的WRF重建和传播特性可视化。重建的WRF随后可用于合成空间谱以进行全面的无线信道表征。虽然WRF-GS展现了显著的有效性，但它在捕捉由复杂多径效应引起的高频信号变化方面存在局限性。为了克服这些局限性，我们提出了WRF-GS+，一个将电磁波动物理融入神经网络设计的增强框架。WRF-GS+利用可变形三维高斯体来建模WRF的静态和动态分量，显著提升了其表征信号变化的能力。此外，WRF-GS+通过简化三维高斯溅射建模过程并提高计算效率来增强溅射过程。实验结果表明，WRF-GS和WRF-GS+在空间谱合成方面均优于基线方法，包括射线追踪和其他深度学习方法。值得注意的是，WRF-GS+在接收信号强度指示（RSSI）和信道状态信息（CSI）预测任务上达到了最先进的性能，分别超越现有方法超过0.7 dB和3.36 dB。
引用
@article{arxiv.2412.04832,
title = {Neural Representation for Wireless Radiation Field Reconstruction: A 3D Gaussian Splatting Approach},
author = {Chaozheng Wen and Jingwen Tong and Yingdong Hu and Zehong Lin and Jun Zhang},
journal= {arXiv preprint arXiv:2412.04832},
year = {2025}
}
备注
This is an extended journal version of our previous conference paper that was accepted to the IEEE INFOCOM 2025 at arXiv:2412.04832v2. The code for this version is available at https://github.com/wenchaozheng/WRF-GSplus