💻 computer science

Seeing through boxes: Non-Line-of-Sight 3D Reconstruction from Radar Signals

यह शोध पत्र GeRaF 2.0 प्रस्तुत करता है, जो एक एकीकृत न्यूरल फ्रेमवर्क है जो शोर वाले रेडियो फ्रीक्वेंसी सिग्नल्स से छिपे हुए 3D दृश्यों के पुनर्निर्माण को निर्देशित और स्थिर करने के लिए दृश्य लाइन-ऑफ-साइट ज्यामिति का लाभ उठाता है, जिससे स्टेट-ऑफ-द-आर्ट नॉन-लाइन-ऑफ-साइट इमेजिंग प्रदर्शन प्राप्त होता है।

मूल लेखक: Jiachen Lu, Hailan Shanbhag, Haitham Al Hassanieh

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiachen Lu, Hailan Shanbhag, Haitham Al Hassanieh

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ पेपर "Seeing through boxes: Non-Line-of-Sight 3D Reconstruction from Radar Signals" (GeRaF 2.0) का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ स्पष्टीकरण दिया गया है।

बड़ी समस्या: "अंधा" रडार

कल्पना कीजिए कि आपके पास एक चमगादड़ है जो इकोलोकेशन (सोनार) का उपयोग करके देखता है। वह कार्डबोर्ड के डिब्बे के अंदर छिपी हुई एक गेंद को सुन सकता है। हालाँकि, एक मानव आँख या कैमरे के विपरीत, इस "चमगादड़" के पास अपनी दृष्टि को केंद्रित करने के लिए कोई लेंस नहीं है। यह एक ही समय में सब कुछ सुनता है: डिब्बे से टकराकर वापस आने वाली आवाज़, डिब्बे के अंदर की गेंद से टकराकर आने वाली आवाज़, और कमरे की दीवारों से टकराकर आने वाली आवाज़।

क्योंकि रडार सिग्नल "लेंसलेस" (बिना लेंस वाला) होता है, इसलिए परिणाम बहुत धुंधला, शोर (static/noise) से भरा और समझने में कठिन होता है। छिपे हुए ऑब्जेक्ट का स्पष्ट 3D मॉडल बनाने के लिए पिछले प्रयास अक्सर विफल रहे। कंप्यूटर भ्रमित हो जाता था, जिससे अजीब आकृतियाँ बन जाती थीं (जैसे कि एक टोपी पहने हुए खरगोश, जहाँ टोपी असल में डिब्बा होता है) या वह यह समझने में विफल रहता था कि वस्तु की सतह वास्तव में कहाँ थी।

पुराना तरीका बनाम नया तरीका

पुराना तरीका (GeRaF 1.0):
कल्पना कीजिए कि आप एक सीलबंद डिब्बे को सुनकर उसके अंदर की चीज़ का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आप ऐसा व्यवहार करते हैं जैसे डिब्बा मौजूद ही न हो। आप बस डिब्बे की दीवारों को अनदेखा कर देते हैं।

खामी: रडार सिग्नल डिब्बे के साथ इंटरैक्ट (interact) करता है। यह डिब्बे से टकराता है, कमजोर होता है, या वस्तु तक पहुँचने से पहले अपनी दिशा बदल लेता है। डिब्बे को अनदेखा करके, कंप्यूटर गणित गलत कर देता है। उसे लगता है कि सिग्नल वास्तव में जितना है उससे अधिक या कम शक्तिशाली है, जिससे 3D मॉडल विकृत (distorted) हो जाता है।

नया तरीका (GeRaF 2.0):
लेखकों ने महसूस किया कि भले ही रडार डिब्बे के आर-पार स्पष्ट रूप से नहीं देख सकता, लेकिन एक कैमरा डिब्बे के बाहरी हिस्से को पूरी तरह से देख सकता है।

उदाहरण: डिब्बे को एक अंधेरी गुफा की तरह समझें। रडार गुफा के भीतर का नक्शा बनाने की कोशिश कर रहा है, लेकिन वहाँ धुंध है। कैमरा बाहर खड़ा है, जो गुफा के प्रवेश द्वार को स्पष्ट रूप से देख पा रहा है। GeRaF 2.0 इस "प्रवेश द्वार" (डिब्बे) के स्पष्ट दृश्य का उपयोग यह समझने के लिए करता है कि "धुंध" के अंदर क्या हो रहा है।

GeRaF 2.0 कैसे काम करता है (तीन चरण)

यह पेपर GeRaF 2.0 नामक एक फ्रेमवर्क प्रस्तावित करता है जो तीन चतुर चरणों में "बाहरी" दृश्य (Vision) को "आंतरिक" दृश्य (Radar) के साथ जोड़ता है:

1. "नेस्टेड डॉल" मैप (एकीकृत प्रतिनिधित्व - Unified Representation)

डिब्बे और उसके अंदर की वस्तु को दो अलग-अलग समस्याओं के रूप में देखने के बजाय, यह सिस्टम उन्हें रूसी नेस्टिंग डॉल्स (एक के अंदर एक रखी जाने वाली गुड़िया) के सेट के रूप में मानता है।

अवधारणा: यह एक एकल, निरंतर मानचित्र (एक "साइंड डिस्टेंस फील्ड") बनाता है जो बाहर की हवा, कार्डबोर्ड बॉक्स, बॉक्स के अंदर की हवा और स्वयं वस्तु को कवर करता है।
यह कैसे मदद करता है: यह कंप्यूटर को इस बात पर भ्रमित होने से रोकता है कि एक वस्तु कहाँ समाप्त होती है और दूसरी कहाँ शुरू होती है। यह समझता है कि सिग्नल को "भीतरी डॉल" (वस्तु) तक पहुँचने के लिए "बाहरी डॉल" (डिब्बा) से गुजरना होगा।

2. "स्थिर लंगर" (विज़न-गाइडेड ट्रेनिंग - Stable Anchor)

रडार को समझने के लिए न्यूरल नेटवर्क को प्रशिक्षित करना एक तूफान में रस्सी पर चलने (tightrope walking) जैसा अस्थिर और डगमगाता हुआ अनुभव है।

नुस्खा: सिस्टम पहले डिब्बे का एक आदर्श, स्थिर मॉडल बनाने के लिए कैमरे का उपयोग करता है। फिर, यह इस आदर्श मॉडल को रडार ट्रेनिंग के लिए एक "लंगर" (anchor) या शुरुआती बिंदु के रूप में उपयोग करता है।
उदाहरण: कल्पना कीजिए कि आप एक गंदे खिड़की के माध्यम से एक कमरे का चित्र बनाने की कोशिश कर रहे हैं। आप पहले खिड़की के फ्रेम को पूरी तरह से पेंट करते हैं क्योंकि आप उसे स्पष्ट रूप से देख सकते हैं। फिर, आप उस सटीक फ्रेम का उपयोग अपने हाथ को गाइड करने के लिए करते हैं जब आप अंदर के धुंधले फर्नीचर को पेंट करने की कोशिश करते हैं। यह रडार ट्रेनिंग को भटकने से रोकता है।

3. "कैलिब्रेशन" ("सतह की अस्पष्टता" को हल करना - Solving the "Surface Ambiguity")

रडार सिग्नल पेचीदा होते हैं क्योंकि उनकी शक्ति कई चीजों पर निर्भर करती है (वस्तु कितनी दूर है, वह किस चीज़ की बनी है, या डिब्बा सिग्नल को कितना सोख लेता है)।

समस्या: कंप्यूटर यह नहीं जानता कि "कमजोर सिग्नल" का मतलब यह है कि वस्तु दूर है, या यह केवल एक कमजोर सामग्री है। इससे "सरफेस एम्बिग्युटी" (सतह की अस्पष्टता) पैदा होती है—कंप्यूटर वस्तु की सतह को 5 सेंटीमीटर बहुत बाहर या बहुत अंदर बना सकता है।
समाधान: सिस्टम प्रशिक्षण का दूसरा दौर करता है। यह रडार मॉडल को डिब्बे के बाहरी हिस्से पर कैमरा मॉडल के साथ सहमत होने के लिए मजबूर करता है।
तर्क: यदि रडार मॉडल और कैमरा मॉडल बाहर (जहाँ हम स्पष्ट रूप से देख सकते हैं) पूरी तरह से सहमत हैं, तो गणित यह सिद्ध करता है कि वे अंदर भी सहमत होंगे। यह "कैलिब्रेशन" रडार मॉडल को सही स्थिति में लॉक कर देता है, जिससे यह सुनिश्चित होता है कि 3D सतह ठीक वहीं बनाई जाए जहाँ वह होनी चाहिए, न कि अंतरिक्ष में कहीं तैरती हुई।

परिणाम: उन्होंने क्या हासिल किया?

शोधकर्ताओं ने एक रोबोटिक आर्म पर परीक्षण किया जो रडार पकड़े हुए था और विभिन्न डिब्बों के अंदर छिपी वस्तुओं जैसे कि खरगोश, हाथी और नावों को स्कैन कर रहा था।

पहले: रडार पुनर्निर्माण अक्सर शोर वाला होता था, उसमें "घोस्ट" आकृतियाँ (जैसे खरगोश की टोपी) होती थीं, या सतह गलत जगह पर होती थी।
बाद में (GeRaF 2.0): सिस्टम ने साफ और सटीक 3D मॉडल तैयार किए। इसने हाथी के दांतों या मुर्गी की कलगी जैसे बारीक विवरणों को सफलतापूर्वक पुनर्गठित किया, भले ही वे एक डिब्बे के अंदर छिपे हों।
मुख्य निष्कर्ष: "स्पष्ट दृश्य" का उपयोग करके "धुंधले दृश्य" को निर्देशित करके, उन्होंने अब तक का सबसे सटीक रडार-आधारित 3D पुनर्निर्माण हासिल किया है।

सारांश

संक्षेप में, GeRaF 2.0 एक अंधे मूर्तिकार (रडार) को एक जोड़ी चश्मे (कैमरा) देने जैसा है ताकि वह उस सांचे (डिब्बे) को देख सके जिस पर वह काम कर रहा है। सांचे को पूरी तरह से समझकर, मूर्तिकार अंततः अंदर छिपी मूर्ति को पूर्ण सटीकता के साथ तराश सकता है, बजाय इसके कि वह केवल अनुमान लगाए और गलतियाँ करे।

तकनीकी सारांश: बक्सों के पार देखना: रडार संकेतों से नॉन-लाइन-ऑफ-साइट 3D पुनर्निर्माण (GeRaF 2.0)

1. समस्या विवरण (Problem Statement)

रेडियो फ्रीक्वेंसी (RF) संकेतों से 3D ऑब्जेक्ट ज्योमेट्री का पुनर्निर्माण करना मौलिक रूप से चुनौतीपूर्ण है क्योंकि RF सेंसिंग की प्रकृति लेंस रहित (lensless) होती है, जिसके परिणामस्वरूप कम स्थानिक रिज़ॉल्यूशन, उच्च शोर (noise) और सिग्नल आर्टिफैक्ट्स उत्पन्न होते हैं। जबकि RF संकेतों में बाधाओं (occlusions) के पार देखने की अनूठी क्षमता (नॉन-लाइन-ऑफ-साइट या NLoS) होती है, मौजूदा न्यूरल पुनर्निर्माण विधियाँ सटीक ज्यामिति बनाने में संघर्ष करती हैं।

पिछले दृष्टिकोणों, जैसे कि लेखकों के पूर्व कार्य GeRaF [31] ने, दृश्यमान बाधा (जैसे कि एक बॉक्स) को केवल बाहर निकालकर दृश्य को ऐसे पुनर्निर्मित करने का प्रयास किया जैसे कि बाधा मौजूद ही न हो। यह दृष्टिकोण विफल रहता है क्योंकि यह इस भौतिक वास्तविकता की अनदेखी करता है कि लाइन-ऑफ-साइट (LoS) अवरोधक (बॉक्स) के साथ परस्पर क्रिया करने वाले वायरलेस सिग्नल छिपे हुए ऑब्जेक्ट तक पहुँचने से पहले आंशिक रूप से परावर्तित और क्षीण (attenuated) होते हैं। फलस्वरूप, इन विधियों में तीन प्राथमिक सीमाएँ होती हैं:

अशुद्ध पुनर्निर्माण (Inaccurate Reconstruction): दृश्य सतहों से परावर्तन छिपे हुए क्षेत्र में "लीक" हो जाता है, जिससे शोर और आर्टिफैक्ट्स (जैसे कि बॉक्स के कारण बनी बनी (bunny) की आकृति पर एक "टोपी" जैसा आकार) उत्पन्न होते हैं।
अस्थिर अनुकूलन (Unstable Optimization): विभिन्न LoS ज्यामिति अनुकूलन परिदृश्य (optimization landscape) को बदल देती है, जिससे अभिसरण (convergence) विफल हो जाता है।
सतह अस्पष्टता (Surface Ambiguity): सिग्नल स्ट्रेंथ को सामान्य (normalize) करने में असमर्थता के कारण वास्तविक सतह स्थान (साइनड डिस्टेंस फील्ड या SDF का ज़ीरो-लेवल सेट) निर्धारित करना कठिन हो जाता है, जिसके परिणामस्वरूप अक्सर सतहें कई सेंटीमीटर तक विस्थापित (offset) हो जाती हैं।

2. कार्यप्रणाली: GeRaF 2.0

यह शोध पत्र GeRaF 2.0 का प्रस्ताव करता है, जो एक यूनिफाइड लोएस और नॉन-लोएस (ULoS) न्यूरल ज्योमेट्री पुनर्निर्माण फ्रेमवर्क है। मुख्य दर्शन यह है कि दृश्य (LoS) क्षेत्र से स्थिर, उच्च-सटीकता वाली दृश्य जानकारी का उपयोग करके छिपे हुए (NLoS) क्षेत्र के पुनर्निर्माण को निर्देशित किया जाए।

2.1 ULoS दृश्य प्रतिनिधित्व (ULoS Scene Representation)

फ्रेमवर्क पूरे दृश्य (दृश्य और छिपे हुए दोनों) को एक एकल ULoS साइनड डिस्टेंस फील्ड (ULoS SDF) के भीतर क्रमबद्ध, बंद और सघन सेट की एक श्रृंखला के रूप में मॉडल करता है।

यूनिफाइड डोमेन: दृश्य को $\Omega_{\text{ULoS}} = \Omega_{\text{LoS}} \cup \Omega_{\text{NLoS}}$ के रूप में परिभाषित किया गया है।
नेस्टेड सेट्स: स्थान को परतों $M_1, \dots, M_n$ द्वारा दर्शाया गया है, जहाँ $M_n \subset \text{int}(M_{n-1}) \dots \subset \text{int}(\Omega_{\text{ULoS}})$ है।
साइन सिमेंटिक्स (Sign Semantics): पारंपरिक SDFs के विपरीत, जहाँ "नेगेटिव" का अर्थ वस्तु के अंदर होना है, ULoS SDF रेडियो फ्रीक्वेंसी इंटरेक्शन स्ट्रेंथ के आधार पर साइन असाइन करता है। वे क्षेत्र जहाँ मजबूत RF इंटरेक्शन होता है (जैसे बॉक्स की दीवारें, ऑब्जेक्ट), उन्हें नकारात्मक मान दिए जाते हैं, जबकि कमजोर इंटरेक्शन वाले क्षेत्रों (जैसे हवा) को सकारात्मक मान दिया जाता है। यह फील्ड को एक ही निरंतर क्षेत्र के भीतर कई सतहों (आंतरिक/बाहरी बॉक्स, ऑब्जेक्ट) को प्रदर्शित करने की अनुमति देता है।

2.2 ULoS लेंसलेस रेंडरिंग (ULoS Lensless Rendering)

शोर वाले RF डेटा के साथ प्रशिक्षण की अस्थिरता को दूर करने के लिए, लेखक एक रेंडरिंग तकनीक पेश करते हैं जो एक विज़न-प्रीट्रेंड SDF ( $f_v$ ) को एक प्रायर (prior) के रूप में शामिल करती है।

साझा ज्यामिति (Shared Geometry): LoS क्षेत्र (बॉक्स के बाहर) में, RF-प्रशिक्षित ULoS SDF ( $f_r$ ) और विज़न-प्रशिक्षित SDF ( $f_v$ ) समान होते हैं।
ट्रांसमिटेंस एडजस्टमेंट (Transmittance Adjustment): प्रत्येक किरण (ray) के लिए ट्रांसमिटेंस की गणना शून्य से करने के बजाय (जो गणनात्मक रूप से महंगा और त्रुटिपूर्ण है), सिस्टम विज़न-प्रीट्रेंड SDF का उपयोग करके प्राथमिक किरणों के संचित ट्रांसमिटेंस को समायोजित करता है। यह RF प्रशिक्षण के लिए एक स्थिर इनिशियलाइजेशन प्रदान करता है, यह सुनिश्चित करता है कि अनुकूलन एक भौतिक रूप से सुसंगत ज्यामितीय अवस्था से शुरू हो।

2.3 दो-चरणीय प्रशिक्षण पाइपलाइन (Two-Stage Training Pipeline)

सतह अस्पष्टता समस्या (जहाँ ज़ीरो-लेवल सेट गलत तरीके से विस्थापित होता है) को हल करने के लिए, लेखक एक दो-चरणीय अनुकूलन प्रक्रिया प्रस्तावित करते हैं:

चरण 1: इनिशियलाइजेशन और ज्योमेट्री लर्निंग
- रिफ्लेक्टिविटी नेटवर्क को फ्रीज कर दिया जाता है और इसे एक स्थिर मान (1.0) पर इनिशियलाइज किया जाता है।
- SDF नेटवर्क को विज़न-प्रीट्रेंड SDF का उपयोग करके इनिशियलाइज किया जाता है।
- प्रशिक्षण अनुमानित और ग्राउंड-ट्रुथ मैच्ड फिल्टर (MF) पावर डिस्ट्रीब्यूशन के बीच के लॉस को कम करता है, जिसमें एक वैध SDF को लागू करने के लिए ईकोनल रेगुलराइजेशन (Eikonal regularization) को जोड़ा जाता है।
- रेंडरिंग के दौरान ट्रांसमिटेंस को समायोजित करने के लिए विज़न-प्रीट्रेंड SDF का उपयोग किया जाता है।
चरण 2: RSDF अलाइनमेंट (RSDF Alignment)
- सभी नेटवर्क संयुक्त रूप से प्रशिक्षित किए जाते हैं।
- एक नया लॉस टर्म, RSDF अलाइनमेंट, पेश किया जाता है। लेखक एक रिलेटिव SDF (RSDF), $g_r$ को परिभाषित करते हैं, जो एक अज्ञात स्थिरांक द्वारा विस्थापित (offset) RF-प्रशिक्षित SDF है।
- सैद्धांतिक आधार: यदि दो स्केलर फील्ड्स के ग्रेडिएंट्स समान हैं और फील्ड्स एक बंद सतह पर मेल खाते हैं, तो फील्ड्स हर जगह समान होते हैं।
- कार्यान्वयन: सिस्टम बॉक्स की बाहरी सतह ( $\partial M_1$ ) पर RF-प्रशिक्षित RSDF ( $g_r$ ) को विज़न-प्रशिक्षित SDF ( $f_v$ ) के साथ अलाइन करता है। यह विज़न और RF मोडैलिटीज के बीच प्राथमिक किरणों के साथ एक्सपेक्टेड डेप्थ (expected depth) के अंतर को कम करके प्राप्त किया जाता है।
- यह अलाइनमेंट RF-प्रशिक्षित SDF को सही ज़ीरो-लेवल सेट की ओर अभिसरित (converge) होने के लिए मजबूर करता है, जिससे विज़न मॉडल की ज्यामितीय सटीकता को छिपे हुए NLoS क्षेत्र में प्रभावी रूप से स्थानांतरित किया जा सके।

3. प्रमुख योगदान (Key Contributions)

यूनिफाइड रिप्रेजेंटेशन: ULoS SDF का परिचय, जो RF प्रसार के लिए भौतिक रूप से सार्थक साइन सिमेंटिक्स के साथ एक सिंगल न्यूरल फील्ड में LoS और NLoS क्षेत्रों को एकीकृत करता है।
ULoS लेंसलेस रेंडरिंग: एक रेंडरिंग तकनीक जो स्थिर इनिशियलाइजेशन और ट्रांसमिटेंस एडजस्टमेंट प्रदान करने के लिए विज़न-प्रीट्रेंड SDFs का लाभ उठाती है, जिससे NLoS पुनर्निर्माण में LoS-प्रेरित आर्टिफैक्ट्स कम होते हैं।
RSDF अलाइनमेंट: एक नवीन दो-चरणीय प्रशिक्षण रणनीति जो LoS क्षेत्र (बॉक्स) की ज्ञात ज्यामिति का उपयोग करके RF-प्रशिक्षित SDF को अलाइन करती है, जिससे सतह अस्पष्टता की समस्या हल होती है और मैनुअल थ्रेशोल्डिंग के बिना सटीक ज़ीरो-लेवल सेट प्राप्त होता है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: फ्रेमवर्क स्थिर प्रशिक्षण और भौतिक रूप से सुसंगत पुनर्निर्माण प्राप्त करता है, जो पिछले RF-आधारित तरीकों से बेहतर प्रदर्शन करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने विभिन्न बक्सों के अंदर विभिन्न वास्तविक वस्तुओं (बनी, हाथी, हिरण, चिकन, नाव, बॉल) की इमेजिंग के लिए एक रोबोटिक आर्म पर लगे 77 GHz mmWave रडार का उपयोग करके GeRaF 2.0 का मूल्यांकन किया।

मात्रात्मक प्रदर्शन (Quantitative Performance): GeRaF 2.0 ने F1-स्कोर और चैम्फर डिस्टेंस (CD) के मामले में बेसलाइन्स (मैच्ड फिल्टर इमेजिंग, GeRaF [31], और बाधित दृश्यों पर विज़न-आधारित NeuS [48]) को काफी पीछे छोड़ दिया। उदाहरण के लिए, "बनी" डेटासेट पर, GeRaF 2.0 ने 0.962 का F1-स्कोर और 0.15 mm का CD प्राप्त किया, जबकि GeRaF का स्कोर 0.822 और CD 4.24 mm था।
गुणात्मक सुधार (Qualitative Improvements): पद्धति ने सही ज़ीरो-लेवल सेट के साथ साफ और सटीक सतहें बनाईं। पिछले तरीकों के विपरीत, जिन्हें सतह स्तरों (जैसे $g_r = 40$ mm) के मैनुअल चयन की आवश्यकता थी, GeRaF 2.0 ने $g_r = 0$ mm पर सतह को सही ढंग से पहचाना, जिससे चिकन की कलगी और हाथी के दांतों जैसी सूक्ष्म विवरणों को संरक्षित किया गया।
मजबूती (Robustness): सिस्टम ने तब भी उच्च-सटीकता वाला पुनर्निर्माण बनाए रखा जब बॉक्स को बबल रैप (जो स्कैटरिंग लेयर्स पेश करता है) से भरा गया था या जब नेस्टेड (एक के भीतर एक) बक्सों का पुनर्निर्माण किया गया था।
एब्लेशन स्टडीज (Ablation Studies):
- ULoS लेंसलेस रेंडरिंग को हटाने से अभिसरण धीमा हो गया और आकार निर्माण कम सटीक रहा।
- RSDF अलाइनमेंट ( $\lambda_{\text{RSDF}} = 0$ ) को हटाने से सतहें ज़ीरो लेवल से काफी विस्थापित हो गईं, जो सतह अस्पष्टता को हल करने के लिए अलाइनमेंट चरण की आवश्यकता की पुष्टि करती हैं।

5. महत्व (Significance)

यह शोध पत्र दावा करता है कि यह पहला कार्य है जो लाइन-ऑफ-साइट मोडैलिटीज का उपयोग करके नॉन-लाइन-ऑफ-साइट 3D पुनर्निर्माण को बढ़ावा देता है, जो RF-आधारित ज्योमेट्री पुनर्निर्माण में एक नया स्टेट-ऑफ-द-आर्ट स्थापित करता है। दृश्य और छिपे हुए क्षेत्रों के बीच के अंतर को पाटकर, GeRaF 2.0 RF सेंसिंग में अंतर्निहित अस्थिरता और अस्पष्टता को संबोधित करता है। यह फ्रेमवर्क रोबोटों और स्मार्ट उपकरणों को बाधाओं के पीछे छिपी वस्तुओं को सटीक रूप से समझने में सक्षम बनाता है, जो उन सीमाओं से परे जाता है जहाँ पिछले तरीकों ने बाधाओं को अस्तित्वहीन माना या उनके भौतिक इंटरैक्शन को मॉडल करने में विफल रहे। यह कार्य दर्शाता है कि विज़न प्रायर को न्यूरल RF पुनर्निर्माण में एकीकृत करना चुनौतीपूर्ण दृश्य स्थितियों में मजबूत, उच्च-रिज़ॉल्यूशन 3D सेंसिंग के लिए एक व्यवहार्य मार्ग है।