WiSER: A Wireless Scene Encoder for Geometry-Grounded Multi-View Wireless Prediction

技術要約: WiSER — 幾何学に基づいたマルチビュー無線予測のための無線シーンエンコーダ

問題定式化
屋内無線伝搬は、3D幾何構造、電波・材料特性、および送信機・受信機の構成によって決定される、シーンに条件付けられた物理プロセスである。古典的な確率モデルはサイト固有の構造を抽象化してしまい、決定論的なレイトレーシング・シミュレータは繰り返しのクエリに対して計算コストが高すぎるが、学習ベースの手法はサロゲート（代用モデル）として台頭している。しかし、既存の学習ベースのアプローチは通常、個別に孤立している。すなわち、ラジオマップ予測器は密な空間フィールド回帰（集約されたカバレッジ）に焦点を当て、チャネルインパルス応答（CIR）予測器はリンクレベルのマルチパス構造（疎で順序のない遅延電力タップの集合）に焦点を当てている。この分離は、ヘテロジニアス（異種混合）な無線ビューが、同一の物理的シーンから得られる共有かつ再利用可能な表現からデコードできるかという問いを提起する。現在のデータセットは、単一の出力表現（例：固定されたチャネル行列やスタンドアロンのラジオマップ）をターゲットとしており、整列されたマルチビューの教師あり学習に必要な共登録（co-registration）が欠如していることが多い。

手法: WiSER アーキテクチャ
本論文では、高密度なラジオマップ予測と可変個数のマルチパスCIR予測の両方をサポートする、再利用可能な送信機条件付きの疎な3Dシーン表現を学習するように設計されたフレームワークである WiSER (Wireless Scene Encoder) を提案する。

1. シーン表現: 屋内環境は、空の空間に対する密な計算を避けるため、占有された表面とオブジェクトのみを保持する疎な3Dボクセル集合 ($V_S$) として表現される。特徴量には、占有率、色、セマンティックカテゴリ、および材料属性が含まれる。
2. 送信機条件付き疎シーンメモリ: 共有エンコーダは、疎なボクセルシーンと送信機位置 ($x_t$) をマルチレゾリューション（多解像度）メモリ ($Z_\phi$) へとマッピングする。
   • ローカルメモリ ($X_{loc}$): 細粒度のメモリは、占有表面付近の幾何構造を保持し、異なる送信機配置に対しても再利用性を確保するために送信機に依存しない（transmitter-agnostic）ものとする。
   • グローバルメモリ ($M_{tx}$): コンパクトなグローバルメモリは、現在の送信機配置下でのシーンを要約する。これは、Fourier位置特徴量とMLPから導出された $x_t$ の埋め込みによって、Adaptive Layer Normalization zero (AdaLN-zero) 条件付けを用いて変調される。
3. デュアルデコーダ: 2つの構造認識デコーダが共有メモリをクエリする。
   • レイ・コリドー・ラジオマップ・デコーダ: 密な受信平面のパスゲイン予測のために、このデコーダは「レイ・コリドー・ギャザリング（光線回廊収集）」メカニメントを採用する。すべてのボクセルに注意を向けるのではなく、送信機と受信機のセグメントおよび両端付近のコンパクトなシーン・トークンのセットを選択する。これは、幾何学的に制約されたアテンション・スパリファイア（希薄化器）として機能し、クエリを可能性の高いブロッカー（遮蔽物）やリフレクタ（反射体）に露出させることで、弱い伝搬の事前知識を注入する。出力は密なパスゲイン・フィールドとなる。
   • DETRスタイルCIRセット・デコーダ: マルチパスCIR予測のために、このデコーダは出力を、可変個数の遅延・電力タップからなる順序のない集合として扱う。これは、$K$ 個の学習可能な候補タップ・クエリを持つDetection Transformer (DETR) スタイルのヘッドを使用する。クエリは受信機の位置に基づいて条件付けられ、グローバルなシーンメモリにアテンションを向ける。ハンガリアン・マッチング・アルゴリズムが予測されたタップとグランドトゥルースのパスを整合させ、置換不変な教師あり学習を可能にする。
4. 学習戦略: タスクのヘテロジニアス性（密な回帰 vs 疎なセット予測）と異なる損失スケールのため、本論文ではウォームスタートによる交互最適化戦略を採用している。モデルはシングルタスクのチェックポイントで初期化され、その後、短い共同アライメント・フェーズと、非アクティブなデコーダを凍結した状態で共有エンコーダとアクティブなデコーダを更新するタスク特化型の交互更新が行われる。

データセット構築
このマルチビュー学習を可能にするために、著者らは ScanNet++ シーンと Sionna Ray Tracing を用いて、共登録された屋内シーンおよび無線データセットのパイプラインを構築した。

• 共登録: パイプラインは、単一のScanNet++シーンを、モデル用の疎なボクセル表現と、ラベル生成用のSionna適合無線シーンの両方に変換する。
• ラベル: 共通の座標系および伝搬構成の下で、整列された密なラジオマップ・ラベル（パスゲイン・フィールド）と、順序のないマルチパスCIRタップ集合（遅延および電力）を生成する。
• マルチパスの集約: 疎なボクセル入力の解像度に合わせるため、生のレイトレーシング・パスは、相互作用の深さ、相互作用タイプのシーケンス、および量子化されたバウンス・ボクセル・シーケンスに基づいて、代表的なタップへと集約される。これにより、教師対象がシーン表現によって解像可能であることを保証する。

主な貢献

1. 問題定式化: 本論文は、ラジオマップとマルチパスCIR予測を、同一のシーン条件付き伝搬プロセスの相補的なビューとして定式化し、再利用可能な幾何学に基づいた表現学習のための具体的な設定を確立した。
2. データセット・パイプライン: 疎な3Dシーン幾何、送信機/受信機構成、および密なラジオマップとパスレベルのCIRラベルを共登録した、ScanNet++/Sionnaベースのパイプラインを導入した。
3. WiSERモデル: 送信機条件付きの疎な3Dエンコーダと、2つの特化したデコーダ（ラジオマップ用のレイ・コリドールおよびCIR用のDETRスタイル）を特徴とするWiSERアーキテクチャを提案した。
4. 実証的検証: 単一の共有表現が、集約されたカバレッジとパスレベルのチャネル予測の両方をサポートできることを示す実験的証拠を提供し、シーン固有のベースラインを上回る性能を示した。

実験結果
モデルは100の訓練シーンと10のホールドアウト・シーンで評価された。

• ラジオマップ予測: WiSERは、MAE（平均絶対誤差）3.834 dB、RMSE（平方根平均二乗誤差）5.500 dBを達成し、シーン固有のベースラインであるNeRF2 (8.238 dB MAE) や RF-3DGS (4.585 dB MAE) を上回った。特筆すべきは、WiSERはマルチシーン・セットで一度訓練され、その後再利用されているのに対し、ベースラインは各シーンに対して個別に最適化されている点である。
• マルチパスCIR予測: WiSERは、一致したピーク電力MAE 5.89 dB および遅延MAE 0.61 ns を達成し、3D CNN (11.50 dB peak-power MAE, 1.50 ns delay MAE) を含むリファレンス・ベースラインを大幅に上回った。
• アブレーション研究: レイ・コリドー・ギャザリングまたは受信機の自己アテンションを除去すると、ラジオマップの性能が低下した。同様に、CIRデコーダにおけるクロスアテンションまたは自己アテンションを除去すると、特にパス数予測において、CIRの精度が著しく低下した。
• 学習戦略: ランダムな初期化からの直接的な共同学習は、アンダーフィッティング（学習不足）を招いた。ウォームスタートによる交互戦略が、ヘテロジニアスな教師あり学習の下で共有エンコーダを効果的に訓練するために必要であることが示された。

意義と主張
本論文は、送信機条件付きの疎な3Dシーン表現が、ヘテロジニアスな無線クエリのための再利用可能な無線シーンエンコーダとして機能できることを実証していると主張している。孤立した予測器ではなく、共有されたシーンメモリを学習することで、モデルは単一のアーキテクチャ内で、密なカバレッジレベルと疎なパスレベルの両方の予測をサポートする。著者らはこれを、「AIネイティブな無線システムのための表現学習および基盤モデル開発に向けた、幾何学に基づいたステップ」と位置付けており、デコーダがそれぞれの出力空間の構造に適合していれば、物理的環境そのものが複数のダウンストリーム無線タスクのための再利用可能な表現を提供できることを示唆している。