RINN: One Sample Radio Frequency Imaging based on Physics Informed Neural Network

📄 arXiv: 2504.15311v1 📥 PDF

作者: Fei Shang, Haohua Du, Dawei Yan, Panlong Yang, Xiang-Yang Li

分类: eess.IV, cs.AI

发布日期: 2025-04-19

💡 一句话要点

提出RINN：一种基于物理信息神经网络的单样本射频成像方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 射频成像 物理信息神经网络 单样本学习 无相位成像 电磁场 逆问题 深度学习

📋 核心要点

  1. 现有射频成像技术依赖大量精确电磁测量数据，而常见Wi-Fi等设备难以提供，限制了其应用。
  2. RINN网络利用物理信息神经网络，以物理约束代替数据真值约束，实现单样本无相位射频成像。
  3. 实验表明，RINN在无相位数据下成像效果良好，RRMSE等指标与基于相位数据的经典算法相当。

📝 摘要（中文）

射频(RF)成像技术因其在非视距和弱光环境下工作的能力，有望为具身智能和多模态传感带来新的可能性。然而，广泛使用的射频设备(如Wi-Fi)通常难以提供高精度的电磁测量和大规模数据集，阻碍了射频成像技术的应用。本文结合物理信息神经网络(PINN)的思想，设计了RINN网络，使用物理约束代替真值比较约束，并根据普遍存在的射频信号的特性进行调整，使RINN网络仅使用一个样本，在无相位和存在幅度噪声的情况下实现射频成像。数值评估结果表明，与5种基于相位数据的经典成像算法相比，RINN基于无相位数据的成像结果良好，RRMSE(0.11)等指标表现同样出色。RINN为射频成像技术的普及发展提供了新的可能性。

🔬 方法详解

问题定义：传统射频成像方法需要大量的、高质量的电磁测量数据，特别是相位信息，这在实际应用中很难获得。例如，使用Wi-Fi等设备进行射频成像时，测量精度有限，且难以获取大规模数据集。此外，相位信息的获取也容易受到噪声的影响，导致成像质量下降。因此，如何在数据量有限、相位信息缺失或受噪声干扰的情况下实现高质量的射频成像是一个关键问题。

核心思路：RINN的核心思路是利用物理信息神经网络（PINN），将电磁场的物理规律作为约束条件嵌入到神经网络的训练过程中。通过这种方式，即使在缺少真实数据或相位信息的情况下，网络也能学习到电磁场的分布规律，从而实现高质量的射频成像。这种方法避免了对大量真实数据的依赖，降低了数据采集的成本和难度。

技术框架：RINN的整体框架包括以下几个主要步骤：1) 定义电磁场的物理模型，例如Helmholtz方程；2) 构建一个神经网络，其输入是空间坐标，输出是电磁场的幅值；3) 将Helmholtz方程作为约束条件，构建损失函数；4) 使用优化算法训练神经网络，使其满足物理约束，并尽可能逼近真实电磁场分布。通过训练好的神经网络，可以实现对目标物体的射频成像。

关键创新：RINN最重要的创新点在于将物理信息神经网络应用于射频成像领域，并成功实现了单样本、无相位成像。与传统的基于相位数据的成像算法相比，RINN不需要相位信息，降低了对数据质量的要求。此外，RINN只需要一个样本即可进行训练，大大降低了数据采集的成本。这种方法为射频成像技术的普及应用提供了新的可能性。

关键设计：RINN的关键设计包括：1) 损失函数的设计，损失函数由两部分组成：一部分是物理约束损失，即Helmholtz方程的残差；另一部分是数据损失，即网络输出与少量真实数据的差异。2) 网络结构的选择，RINN通常采用多层感知机（MLP）作为网络结构，通过增加网络的深度和宽度来提高网络的表达能力。3) 优化算法的选择，RINN通常采用Adam等优化算法来训练网络，并使用学习率衰减等技巧来提高训练的稳定性和收敛速度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RINN在数值模拟实验中表现出色，即使在无相位数据和存在幅度噪声的情况下，也能实现高质量的射频成像。与5种基于相位数据的经典成像算法相比，RINN的RRMSE指标达到了0.11，表现相当。这表明RINN在数据质量较差的情况下，仍能有效提取目标物体的特征，具有很强的鲁棒性和实用性。

🎯 应用场景

RINN技术在非视距成像、安防监控、智能家居、医疗健康等领域具有广泛的应用前景。例如，在安防监控中，RINN可以用于穿透墙壁或障碍物进行成像，提高监控范围和安全性。在智能家居中，RINN可以用于感知人体姿态和行为，实现更智能的人机交互。在医疗健康领域，RINN可以用于无创检测人体内部组织结构，辅助医生进行诊断。

📄 摘要（原文）

Due to its ability to work in non-line-of-sight and low-light environments, radio frequency (RF) imaging technology is expected to bring new possibilities for embodied intelligence and multimodal sensing. However, widely used RF devices (such as Wi-Fi) often struggle to provide high-precision electromagnetic measurements and large-scale datasets, hindering the application of RF imaging technology. In this paper, we combine the ideas of PINN to design the RINN network, using physical constraints instead of true value comparison constraints and adapting it with the characteristics of ubiquitous RF signals, allowing the RINN network to achieve RF imaging using only one sample without phase and with amplitude noise. Our numerical evaluation results show that compared with 5 classic algorithms based on phase data for imaging results, RINN's imaging results based on phaseless data are good, with indicators such as RRMSE (0.11) performing similarly well. RINN provides new possibilities for the universal development of radio frequency imaging technology.