RadioDUN：一种用于无线电地图估计的物理启发深度展开网络
计算机视觉与模式识别
2025-07-25 v2 信号处理
摘要
无线电地图表示一个区域内频谱资源的空间分布，支持高效的资源分配和干扰缓解。然而，在实际场景中由于可测量的样本数量有限，构建密集的无线电地图十分困难。虽然现有工作使用深度学习从稀疏样本中估计密集的无线电地图，但它们难以与无线电地图的物理特性相融合。为了应对这一挑战，我们将无线电地图估计转化为稀疏信号恢复问题。进一步引入物理传播模型将问题分解为多个因子优化子问题，从而降低恢复复杂度。受现有压缩感知方法的启发，我们提出了无线电深度展开网络，以展开优化过程，以可学习的方式实现自适应参数调整和先验拟合。为了考虑无线电传播特性，我们开发了动态重加权模块 (DRM)，以自适应地建模每个因子对无线电地图的重要性。受物理传播模型中阴影因子的启发，我们整合了与障碍物相关的因子，以表达障碍物引起的信号随机衰减。进一步设计了阴影损失来约束因子预测并作为补充监督目标，从而增强了 RadioDUN 的性能。大量实验表明，所提方法优于 SOTA 方法。我们的代码将在发表后公开。
引用
@article{arxiv.2506.08418,
title = {RadioDUN: A Physics-Inspired Deep Unfolding Network for Radio Map Estimation},
author = {Taiqin Chen and Zikun Zhou and Zheng Fang and Wenzhen Zou and Kangjun Liu and Ke Chen and Yongbing Zhang and Yaowei Wang},
journal= {arXiv preprint arXiv:2506.08418},
year = {2025}
}