Eff-WRFGS: Efficient Wireless Radiance Field Using 3D Gaussian Splatting

Riepilogo Tecnico: Eff-WRFGS: Campo di Radiazione Wireless Efficiente mediante 3D Gaussian Splatting

Enunciato del Problema
La previsione accurata delle Informazioni sullo Stato del Canale (CSI) attraverso diverse posizioni del trasmettitore è fondamentale per i sistemi wireless di prossima generazione, ma rimane una sfida a causa delle complesse interazioni elettromagnetiche (riflessione, scattering, diffrazione). La stima convenzionale basata su piloti comporta un significativo sovraccarico di potenza e comunicazione. Sebbene approcci di machine learning come i Neural Radiance Fields (NeRF) e lo 3D Gaussian Splatting (3DGS) siano stati adattati per la modellazione dei canali wireless (ad esempio NeRF2 e WRF-GS), spesso soffrono di elevati costi computazionali e requisiti di archiviazione. NeRF2 richiede un campionamento denso e valutazioni di reti neurali in ogni punto, mentre i metodi basati su 3DGS standard (WRF-GS) generano un gran numero di primitive Gaussiane ridondanti, limitando la loro efficienza per applicazioni in tempo reale.

Metodologia
Il documento propone Eff-WRFGS, un framework efficiente costruito sull'architettura WRF-GS che migliora la velocità di rendering e riduce l'archiviazione attraverso due meccanismi principali:

1. Mascheramento e Potatura Apprendibili:

   • Il framework assegna un punteggio di maschera scalare apprendibile ($m_i$) a ciascuna primitiva Gaussiana 3D.
   • Una funzione sigmoide $\sigma(m_i)$ determina l'importanza di una primitiva. Una maschera binaria $M_i$ è derivata applicando una soglia a questo punteggio ($\sigma(m_i) \ge \epsilon$).
   • Per garantire la differenziabilità durante l'addestramento, viene impiegato uno Straight-Through Estimator (STE), consentendo ai gradienti di aggiornare i punteggi delle maschere mentre utilizza le maschere binarizzate per un rendering efficiente nel passaggio in avanti.
   • Le primitive con $M_i=0$ vengono saltate durante la rasterizzazione, riducendo direttamente il carico computazionale.

2. Addestramento e Inizializzazione Ottimizzati:

   • Funzione di Perdita: Il modello viene addestrato utilizzando una combinazione ponderata della perdita di rendering ($L_{render}$), che minimizza l'errore tra gli spettri spaziali previsti e quelli reali (ground-truth), e una perdita di regolarizzazione ($L_m$). Il termine di regolarizzazione incoraggia la sparsità penalizzando il valore medio dei punteggi delle maschere, controllato da un iperparametro $\lambda$.
   • Strategia di Inizializzazione: A differenza di lavori precedenti che inizializzano i centri Gaussiani in modo casuale, Eff-WRFGS inizializza i centri Gaussiani direttamente dalla geometria della nuvola di punti 3D della scena. Questo sfrutta la realtà fisica secondo cui i fenomeni di propagazione wireless si verificano sulle superfici degli oggetti.
   • Fasi di Addestramento: Il processo di addestramento segue tre stadi:
     • Densificazione: Ottimizzazione dei parametri per costruire la capacità di rappresentazione.
     • Potatura: Rimozione iterativa delle Gaussiane con bassi punteggi di maschera basata sull'importanza appresa.
     • Raffinamento (Finetuning): Ottimizzazione esclusivamente per la qualità del rendering con conteggi di Gaussiane fissi.

Contributi Chiave

• Meccanismo di Potatura Efficiente: Introduzione di una maschera apprendibile e di una binarizzazione basata su STE per potare dinamicamente le primitive Gaussiane 3D ridondanti nei campi di radiazione wireless.
• Inizializzazione Consapevole della Geometria: Una strategia di inizializzazione innovativa che allinea i centri Gaussiani alla nuvola di punti 3D della scena, migliorando il compromesso qualità-efficienza rispetto all'inizializzazione casuale.
• Controllo Flessibile del Compromesso: Un framework di regolarizzazione che consente agli utenti di regolare l'equilibrio tra qualità del rendering (SSIM) ed efficienza (archiviazione/velocità) tramite l'iperparametro $\lambda$.

Risultati Sperimentali
Valutato sul dataset NeRF2 (4.898 campioni di addestramento e 1.225 di test), il framework dimostra miglioramenti significativi:

• Archiviazione e Velocità: Eff-WRFGS raggiunge una riduzione dell'archiviazione fino a 44× e un accelerazione del rendering di 7× rispetto alla baseline WRF-GS ($\lambda=0$).
• Mantenimento della Qualità: Con un peso di regolarizzazione moderato ($\lambda=0,02$), il numero di Gaussiane viene ridotto da ~61.000 a ~1.374 con solo un degrado marginale nell'Indice di Similarità Strutturale (SSIM) (perdita di ~0,03).
• Impatto dell'Inizializzazione: I modelli inizializzati con la nuvola di punti della scena superano significativamente quelli con inizializzazione casuale, mostrando un migliore allineamento con la geometria reale (distanza di Chamfer di 0,22 contro 7,51).
• Latenza: Su una GPU NVIDIA RTX 1080, il metodo proposto riduce la latenza per previsione da 0,22s (baseline) a 0,031s. Il documento nota un limite di latenza in cui una ulteriore riduzione del conteggio di Gaussiane produce rendimenti di velocità decrescenti, poiché i costi della deformazione MLP e della proiezione diventano dominanti.

Significato e Affermazioni
Il documento afferma che Eff-WRFGS fornisce un'alternativa pratica e in tempo reale a NeRF2 e al ray-tracing per la modellazione dei canali wireless indoor. Affrontando efficacemente la ridondanza nelle rappresentazioni Gaussiane 3D, il framework consente una previsione accurata della CSI con un sovraccarico computazionale e di archiviazione sostanzialmente inferiore. Gli autori sottolineano che l'integrazione dell'inizializzazione geometrica e della potatura apprendibile permette un compromesso flessibile, rendendo la tecnologia praticabile per scenari che richiedono una stima rapida del canale senza misurazioni esaustive. I risultati suggeriscono che il metodo è particolarmente efficace quando la geometria della scena è nota, offrendo una via verso una simulazione wireless efficiente basata sull'apprendimento.