.png){kind=icon}
返回
Multi-View Wireless Sensing via Conditional Generative Learning: Framework and Model Design
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2026.3665602.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文将物理知识融入基于学习的、高精度的目标感知中，利用基站（BSs）与用户设备（UEs）之间的多视角信道状态信息（CSI）。此类多视角感知问题可自然地转化为条件生成框架。为此，我们设计了一种两部分的神经网络架构：第一部分采用精心设计的编码器融合多视角CSI中嵌入的潜在目标特征，第二部分则将这些特征作为强大生成模型的条件输入，以指导目标重建。具体而言，编码器被设计用于捕捉CSI与目标之间的物理相关性，并能自适应基站-用户设备（BS-UE）对的数量和位置。其中，通过引入空间位置嵌入方案来同化CSI的视角特性，该方案利用了电磁（EM）波传播信道的结构。最后，采用加权损失的条件扩散模型，从融合特征中生成目标的点云。大量的数值结果表明，所提出的生成多视角（Gen-MV）感知框架在目标形状和EM属性重建质量方面表现出卓越的灵活性和显著的性能提升。
Keyword:
Integrated sensing and communication (ISAC)
multi-view sensing
generative model
diffusion model
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
An iterative solution of the two‐dimensional electromagnetic inverse scattering problem二维电磁逆散射问题的迭代解
.png){kind=icon}
PREAI
分享收藏Blockage-Resilient Integrated Sensing and Communication in mmWave Networks: Multi-View Collaboration and Efficient Task Allocation抗阻塞集成传感与通信在毫米波网络中的应用：多视图协作与高效任务分配
PREAI
分享收藏Physics-Informed Multi-View Neural Surface Reconstruction in Wireless Networks阮, H.; 张, Z.; 马, H.; 丁, Z. 基于物理信息的多视角神经网络表面重建在无线网络中的应用. 见: 2025年IEEE第26届无线通信中信号处理与人工智能国际研讨会(SPAWC)论文集, 英国萨里, 2025年7月7-10日. [Google Scholar] [CrossRef]
PREAI
分享收藏Big AI Models for 6G Wireless Networks: Opportunities, Challenges, and Research Directions6g无线网络的大AI模型: 机遇、挑战与研究方向
OAAI
OAAI分享收藏分享收藏Multibeam Joint Communication and Radar Sensing: Beamforming Design and Interference Cancellation多波束联合通信和雷达传感: 波束成形设计和干扰消除
PREAI
分享收藏
查看更多内容