RadioDiff-FS: Physics-Informed Manifold Alignment in Few-Shot Diffusion Models for High-Fidelity Radio Map Construction

📄 arXiv: 2603.18865v1 📥 PDF

作者: Xiucheng Wang, Zixuan Guo, Nan Cheng

分类: eess.SY, cs.LG

发布日期: 2026-03-19

💡 一句话要点

提出RadioDiff-FS以解决高保真无线电地图构建问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 无线电地图 少样本学习 扩散模型 多径环境 方向一致性损失 6G网络 高保真构建

📋 核心要点

  1. 现有的高保真无线电地图构建方法面临计算延迟高和泛化能力差的挑战。
  2. 本文提出RadioDiff-FS，通过少量高保真样本适应多径环境，利用理论分解实现主路径生成。
  3. 实验结果显示，RadioDiff-FS在静态和动态无线电地图上显著降低了NMSE，提升了SSIM和PSNR。

📝 摘要（中文）

无线电地图（RMs）为6G网络规划提供了空间连续的传播特性，但高保真RM的构建仍然面临挑战。现有的电磁求解器计算延迟高，而数据驱动模型需要大量标注数据且在复杂多径环境中泛化能力差。本文提出了RadioDiff-FS，一个少样本扩散框架，能够将预训练的主路径生成器适应于多径丰富的目标领域，仅需少量高保真样本。通过将多径RM理论分解为主路径成分和方向稀疏残差，提出了方向一致性损失（DCL），以限制扩散分数更新沿物理可行的传播方向，从而抑制低数据环境下产生的相位不一致伪影。实验结果表明，RadioDiff-FS在静态RM上减少了59.5%的NMSE，在动态RM上减少了74.0%，在严重有限监督下实现了0.9752的SSIM和36.37 dB的PSNR。

🔬 方法详解

问题定义：本文旨在解决高保真无线电地图构建中的计算延迟和数据需求问题。现有方法依赖于复杂的电磁求解器或大量标注数据，导致泛化能力不足。

核心思路：RadioDiff-FS通过少样本扩散框架，将预训练的主路径生成器适应于多径环境，利用理论分解将多径无线电地图分为主路径成分和方向稀疏残差，从而实现高效适应。

技术框架：该方法包括数据预处理、主路径生成、方向一致性损失计算和扩散过程。主要模块包括主路径生成器和方向一致性损失模块，确保生成结果的物理一致性。

关键创新：引入方向一致性损失（DCL），限制扩散分数更新沿物理可行的传播方向，显著抑制低数据环境下的伪影，与传统方法相比，提供了更为稳定的生成结果。

关键设计：在损失函数中加入DCL，确保生成的无线电地图在物理上合理；网络结构采用了预训练的生成器，减少了对大量标注数据的依赖。实验中通过调节超参数优化了模型性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，RadioDiff-FS在静态无线电地图上减少了59.5%的均方根误差（NMSE），在动态无线电地图上减少了74.0%。在严重有限监督条件下，模型实现了0.9752的结构相似性指数（SSIM）和36.37 dB的峰值信噪比（PSNR），显著优于传统扩散基线。

🎯 应用场景

该研究在6G网络规划、智能交通、无人驾驶等领域具有广泛的应用潜力。通过高保真无线电地图的构建，可以提升网络覆盖和信号质量，促进新一代通信技术的发展，具有重要的实际价值和未来影响。

📄 摘要（原文）

Radio maps (RMs) provide spatially continuous propagation characterizations essential for 6G network planning, but high-fidelity RM construction remains challenging. Rigorous electromagnetic solvers incur prohibitive computational latency, while data-driven models demand massive labeled datasets and generalize poorly from simplified simulations to complex multipath environments. This paper proposes RadioDiff-FS, a few-shot diffusion framework that adapts a pre-trained main-path generator to multipath-rich target domains with only a small number of high-fidelity samples. The adaptation is grounded in a theoretical decomposition of the multipath RM into a dominant main-path component and a directionally sparse residual. This decomposition shows that the cross-domain shift corresponds to a bounded and geometrically structured feature translation rather than an arbitrary distribution change. A Direction-Consistency Loss (DCL) is then introduced to constrain diffusion score updates along physically plausible propagation directions, suppressing phase-inconsistent artifacts that arise in the low-data regime. Experiments show that RadioDiff-FS reduces NMSE by 59.5% on static RMs and by 74.0% on dynamic RMs relative to the vanilla diffusion baseline, achieving an SSIM of 0.9752 and a PSNR of 36.37 dB under severely limited supervision.