RadioGen3D：基于大规模合成数据的对抗学习三维无线电地图生成
机器学习
2026-02-24 v1
摘要
无线电地图对于未来6G和低空网络中高效的无线电资源管理至关重要。虽然深度学习(DL)技术已成为传统射线追踪方法用于无线电地图估计(RME)的高效替代方案，但现有的大多数DL方法仅限于二维近地面场景。由于三维数据的稀缺和训练挑战，它们通常无法捕捉基本的三维信号传播特性和天线极化效应。为解决这些局限性，我们提出了RadioGen3D框架。首先，我们提出了一种高效的数据合成方法来生成高质量的三维无线电地图数据。通过建立一个捕捉二维射线追踪和三维信道衰落特性的参数化目标模型，我们从最少的真实测量中推导出逼真的系数组合，从而构建了一个大规模合成数据集Radio3DMix。利用该数据集，我们提出了一种基于条件生成对抗网络(cGAN)的三维模型训练方案，生成了一个能够在不同输入特征组合下进行准确RME的三维U-Net。实验结果表明，RadioGen3D在估计精度和速度上都超过了所有基线方法。此外，微调实验通过成功的知识迁移验证了其强大的泛化能力。
引用
@article{arxiv.2602.18744,
title = {RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data},
author = {Junshen Chen and Angzi Xu and Zezhong Zhang and Shiyao Zhang and Junting Chen and Shuguang Cui},
journal= {arXiv preprint arXiv:2602.18744},
year = {2026}
}