Wideband RF Radiance Field Modeling Using Frequency-embedded 3D Gaussian Splatting

📄 arXiv: 2505.20714v2 📥 PDF

作者: Zechen Li, Lanqing Yang, Yiheng Bian, Hao Pan, Yongjian Fu, Yezhou Wang, Zhuxi Chen, Yi-Chao Chen, Guangtao Xue

分类: cs.NI, cs.AI, cs.LG

发布日期: 2025-05-27 (更新: 2025-11-21)

💡 一句话要点

提出基于频率嵌入3D高斯溅射的宽带射频辐射场建模方法，解决多频段射频信号统一建模问题。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 宽带射频建模 3D高斯溅射 频率嵌入 电磁特征网络 功率角谱 射频辐射场 多频段信号

📋 核心要点

  1. 现有3DGS技术虽能有效重建单频射频辐射场，但无法对任意或未知频率的宽带场进行建模。
  2. 论文提出频率嵌入的电磁特征网络，利用3D高斯球学习频率与传输特性之间的关系，实现宽带射频辐射场建模。
  3. 实验结果表明，该模型在PAS重建任务上，SSIM达到0.922，优于单频3DGS模型的0.863。

📝 摘要（中文）

本文提出了一种新颖的3D高斯溅射（3DGS）算法，用于统一的宽带射频辐射场建模。针对射频波传播依赖于信号频率和3D空间环境（包括几何形状和材料电磁特性）的问题，本文引入了一个频率嵌入的电磁（EM）特征网络，该网络利用每个空间位置的3D高斯球来学习频率与传输特性（如衰减和辐射强度）之间的关系。利用包含特定3D环境中稀疏频率样本的数据集，该模型可以有效地重建任意和未见频率下的射频辐射场。为了评估该方法，本文引入了一个包含50,000个样本的大规模功率角谱（PAS）数据集，该数据集跨越六个室内环境的1到94 GHz。实验结果表明，所提出的模型在多个频率上训练后，PAS重建的结构相似性指数（SSIM）为0.922，超过了最先进的单频3DGS模型（SSIM为0.863）。

🔬 方法详解

问题定义：现有方法主要针对单频射频辐射场进行建模，无法有效处理实际室内环境中普遍存在的多频段射频信号。现有3DGS方法无法直接应用于宽带射频建模，因为它们没有考虑频率对射频信号传播特性的影响，例如不同频率的信号衰减和辐射强度不同。因此，需要一种能够统一建模宽带射频辐射场的方法，以支持异构射频系统的联合部署、跨频段通信和分布式射频感知等应用。

核心思路：论文的核心思路是将频率信息嵌入到3D高斯溅射模型中，通过学习频率与射频信号传输特性之间的关系，实现对宽带射频辐射场的建模。具体来说，在每个空间位置使用3D高斯球来表示射频信号的辐射特性，并引入一个频率嵌入的电磁（EM）特征网络，该网络以频率作为输入，预测该频率下高斯球的传输特性，如衰减和辐射强度。这样，模型就可以根据不同的频率，自适应地调整高斯球的参数，从而实现对宽带射频辐射场的建模。

技术框架：该方法的技术框架主要包括以下几个模块：1）3D高斯溅射：使用3D高斯球来表示空间中的射频信号辐射特性。2）频率嵌入的电磁特征网络：该网络以频率作为输入，预测该频率下高斯球的传输特性。3）渲染模块：根据高斯球的参数和频率，计算每个视角下的射频信号辐射强度。4）优化模块：通过最小化预测辐射强度与真实辐射强度之间的差异，优化高斯球的参数和电磁特征网络的权重。整体流程是，首先使用3D高斯溅射初始化空间中的射频信号辐射特性，然后使用频率嵌入的电磁特征网络预测不同频率下的高斯球传输特性，接着使用渲染模块计算每个视角下的射频信号辐射强度，最后使用优化模块优化模型参数。

关键创新：该方法最重要的技术创新点在于引入了频率嵌入的电磁特征网络，该网络能够学习频率与射频信号传输特性之间的关系。与现有方法相比，该方法能够显式地建模频率对射频信号传播的影响，从而实现对宽带射频辐射场的统一建模。此外，该方法还利用了3D高斯溅射技术，能够高效地表示和渲染射频辐射场。

关键设计：在频率嵌入的电磁特征网络中，可以使用多层感知机（MLP）来实现频率到传输特性的映射。损失函数可以使用均方误差（MSE）或结构相似性指数（SSIM）来衡量预测辐射强度与真实辐射强度之间的差异。在优化过程中，可以使用Adam优化器来更新模型参数。高斯球的参数包括位置、协方差矩阵和颜色等。频率嵌入的维度可以根据实际情况进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该模型在多个频率上训练后，PAS重建的结构相似性指数（SSIM）为0.922，显著优于最先进的单频3DGS模型（SSIM为0.863）。该结果验证了所提出的频率嵌入电磁特征网络能够有效学习频率与射频信号传输特性之间的关系，从而实现对宽带射频辐射场的精确建模。此外，该模型在1到94 GHz的宽频带范围内均表现出良好的性能。

🎯 应用场景

该研究成果可应用于异构射频系统的联合部署，例如NB-IoT、Wi-Fi和毫米波系统的协同工作。此外，该方法还可用于跨频段通信，实现不同频段信号之间的转换和融合。在分布式射频感知领域，该方法可以用于构建高精度的射频地图，为定位、导航和环境监测等应用提供支持。未来，该技术有望推动无线通信和感知技术的发展，提升室内环境下的用户体验。

📄 摘要（原文）

Indoor environments typically contain diverse RF signals distributed across multiple frequency bands, including NB-IoT, Wi-Fi, and millimeter-wave. Consequently, wideband RF modeling is essential for practical applications such as joint deployment of heterogeneous RF systems, cross-band communication, and distributed RF sensing. Although 3D Gaussian Splatting (3DGS) techniques effectively reconstruct RF radiance fields at a single frequency, they cannot model fields at arbitrary or unknown frequencies across a wide range. In this paper, we present a novel 3DGS algorithm for unified wideband RF radiance field modeling. RF wave propagation depends on signal frequency and the 3D spatial environment, including geometry and material electromagnetic (EM) properties. To address these factors, we introduce a frequency-embedded EM feature network that utilizes 3D Gaussian spheres at each spatial location to learn the relationship between frequency and transmission characteristics, such as attenuation and radiance intensity. With a dataset containing sparse frequency samples in a specific 3D environment, our model can efficiently reconstruct RF radiance fields at arbitrary and unseen frequencies. To assess our approach, we introduce a large-scale power angular spectrum (PAS) dataset with 50,000 samples spanning 1 to 94 GHz across six indoor environments. Experimental results show that the proposed model trained on multiple frequencies achieves a Structural Similarity Index Measure (SSIM) of 0.922 for PAS reconstruction, surpassing state-of-the-art single-frequency 3DGS models with SSIM of 0.863.