RadioDiff-FS：面向高保真无线电图构建的少样本扩散模型中的物理信息流 manifold 对齐
系统与控制
2026-03-27 v3 机器学习
系统与控制
摘要
无线电图（RM）提供了空间连续的传播特性描述，对6G网络规划至关重要，但高保真RM的构建仍然具有挑战。严格的电磁求解器计算延迟高昂，而数据驱动模型又需要大量标注数据集且在从简化仿真推广到复杂多径环境方面效果不佳。本文提出RadioDiff-FS，一种少样本扩散框架，通过仅少量高保真样本适配预训练的主路径生成器以适应多径丰富的目标域。该适配基于将多径RM分解为占主导地位的主路径组件和方向稀疏残差的理论分解。该分解表明，跨域偏移对应于受限且几何结构化的特征平移，而非任意分布变化。随后引入方向一致性损失（DCL），以约束扩散得分沿物理上可行的传播方向更新，从而抑制在稀疏数据情境下出现的相位不一致性伪影。实验表明，RadioDiff-FS在静态RM上降低NMSE 59.5%，在动态RM上降低74.0%，分别达到SSIM 0.9752和PSNR 36.37 dB，效果优于基于稀疏数据的扩散基线。即使在仅需每个场景单个目标域样本的极端稀疏情境下，RadioDiff-FS也优于所有全监督基线，证明了方向约束在数据极端稀缺时的有效归纳偏置。代码已公开于https://github.com/UNIC-Lab/RadioDiff-FS。
关键词
引用
@article{arxiv.2603.18865,
title = {RadioDiff-FS: Physics-Informed Manifold Alignment in Few-Shot Diffusion Models for High-Fidelity Radio Map Construction},
author = {Xiucheng Wang and Zixuan Guo and Nan Cheng},
journal= {arXiv preprint arXiv:2603.18865},
year = {2026}
}