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

Resumo Técnico: WiSER - Um Codificador de Cena Sem Fio para Predição Multiview de Wireless Baseada em Geometria

Formulação do Problema
A propagação sem fio em ambientes internos é um processo físico condicionado pela cena, determinado pela geometria 3D, propriedades de rádio-materiais e configurações de transmissor-receptor. Enquanto modelos estocásticos clássicos abstraem estruturas específicas do local, e simuladores determinísticos de ray-tracing são computacionalmente caros para consultas repetidas, métodos baseados em aprendizado emergiram como substitutos. No entanto, as abordagens de aprendizado existentes são tipicamente isoladas: preditores de radiomapa focam na regressão de campo espacial denso (cobertura agregada), enquanto preditores de Resposta de Impulso de Canal (CIR) focam em estruturas de multipat least de nível de link (conjuntos esparsos e não ordenados de taps de atraso-potência). Essa separação levanta a questão de se visões sem fio heterogêneas podem ser decodificadas a partir de uma representação de cena 3D compartilhada e reutilizável da mesma cena física. Os conjuntos de dados atuais frequentemente carecem da co-registro necessário para treinar tal modelo unificado, pois tipicamente visam representações de saída únicas (por exemplo, matrizes de canal fixas ou radiomapas autônomos) em vez de uma supervisão multi-view alinhada.

Metodologia: A Arquitetura WiSER
O artigo propõe o WiSER (Wireless Scene Encoder), um framework projetado para aprender uma representação de cena 3D esparsa, reutilizável e condicionada ao transmissor, que suporta tanto a predição densa de radiomapa quanto a predição de CIR multipath de cardinalidade variável.

1. Representação da Cena: O ambiente interno é representado como um conjunto de voxels 3D esparsos ($V_S$), retendo apenas superfícies e objetos ocupados para evitar computação densa sobre o espaço vazio. As características incluem ocupação, cor, categoria semântica e atributos de material.
2. Memória de Cena Esparsa Condicionada ao Transmissor: Um codificador compartilhado mapeia a cena de voxels esparsos e uma localização do transmissor ($x_t$) em uma memória de multiresolução ($Z_\phi$).
   • Memórias Locais ($X_{loc}$): Memórias de escala fina retêm a geometria próxima às superfícies ocupadas e permanecem agnósticas ao transmissor para garantir a reutilização entre diferentes posicionamentos de transmissores.
   • Memória Global ($M_{tx}$): Uma memória global compacta resume a cena sob a atual configuração de posicionamento do transmissor. Ela é modulada por um embedding de $x_t$ (derivado de características posicionais de Fourier e um MLP) usando condicionamento de Normalização de Camada Adaptativa Zero (AdaLN-zero).
3. Decodificadores Duais: Dois decodificadores conscientes da estrutura consultam a memória compartilhada:
   • Decodificador de Radiomapa de Corredor de Raios (Ray-Corridor): Para a predição de ganho de caminho em plano de receptor denso, este decodificador emprega um mecanismo de "reunião de corredor de raios" (ray-corridor gathering). Em vez de atender a todos os voxels, ele seleciona um conjunto compacto de tokens de cena próximos ao segmento transmissor-receptor e aos seus pontos finais. Isso atua como um esparsificador de atenção geometricamente restrito, injetando um prior de propagação fraco ao expor as consultas a prováveis bloqueadores e refletores. A saída é um campo de ganho de caminho denso.
   • Decodificador de Conjunto CIR Estilo DETR: Para a predição de CIR multipath, este decodificador trata a saída como um conjunto não ordenado de taps de atraso-potência com cardinalidade variável. Ele utiliza um cabeçalho do tipo Detection Transformer (DETR) com $K$ consultas de tap candidatas aprendíveis. As consultas são condicionadas à localização do receptor e atendem à memória da cena global. Um algoritmo de correspondência húngara alinha os taps preditos com os caminhos de referência (ground-truth), permitindo supervisão invariante à permutação.
4. Estratégia de Treinamento: Devido à heterogeneidade das tarefas (regressão densa vs. predição de conjunto esparso) e às diferentes escalas de perda, o artigo emprega uma estratégia de otimização alternada com início quente (warm-started alternating optimization). O modelo é inicializado com checkpoints de tarefa única, seguido por uma fase curta de alinhamento conjunto e atualizações alternadas focadas na tarefa, onde o codificador compartilhado e o decodificador ativo são atualizados enquanto o decodificador inativo é congelado.

Construção do Dataset
Para permitir este aprendizado multi-view, os autores construíram um pipeline de dataset de cena interna e wireless co-registrada usando cenas ScanNet++ e Sionna Ray Tracing.

• Co-Registro: O pipeline converte uma única cena ScanNet++ em uma representação de voxel esparsa para o modelo e em uma cena de rádio compatível com o Sionna para geração de labels.
• Labels: Ele gera labels de radiomapa densos alinhados (campos de ganho de caminho) e conjuntos de taps de CIR multipath não ordenados (atraso e potência) sob um sistema de coordenadas comum e configuração de propagação.
• Consolidação de Multipath: Para corresponder à resolução da entrada de voxel esparso, os caminhos brutos de ray-tracing são consolidados em taps representativos baseados em profundidade de interação, sequências de tipo de interação e sequências de bounce-voxel quantizadas, garantindo que os alvos de supervisão sejam resolvíveis pela representação da cena.

Principais Contribuições

1. Formulação do Problema: O artigo formula a predição de radiomapa e CIR multipath como visões complementares de um mesmo processo de propagação condicionado pela cena, estabelecendo um cenário concreto para estudar representações reutilizáveis baseadas em geometria.
2. Pipeline de Dataset: Introduz um pipeline baseado em ScanNet++/Sionna que co-registra a geometria da cena 3D esparsa, configurações de transmissor/receptor e tanto labels de radiomapa densos quanto de CIR por caminho.
3. Modelo WiSER: Propõe a arquitetura WiSER, apresentando um codificador 3D esparso condicionado ao transmissor e dois decodificadores especializados (corredor de raios para radiomapas e estilo DETR para CIRs).
4. Validação Empírica: Fornece evidência experimental de que uma única representação compartilhada pode suportar tanto predição de cobertura agregada quanto predição de canal por caminho, superando baselines específicos de cena.

Resultos Experimentais
O modelo foi avaliado em um conjunto de treinamento de 100 cenas e 10 cenas mantidas fora do treinamento (held-out).

• Predição de Radiomapa: O WiSER alcançou um Erro Médio Absoluto (MAE) de 3.834 dB e RMSE de 5.500 dB, superando baselines específicos de cena como NeRF2 (8.238 dB MAE) e RF-3DGS (4.585 dB MAE). Notavelmente, o WiSER foi treinado uma única vez no conjunto multi-cena e reutilizado, enquanto os baselines foram otimizados separadamente para cada cena.
• Predição de CIR Multipath: O WiSER alcançou um MAE de potência de pico correspondida de 5.89 dB e MAE de atraso de 0.61 ns, superando significativamente os baselines de referência, incluindo um CNN 3D (11.50 dB de MAE de potência de pico, 1.50 ns de MAE de atraso).
• Estudos de Ablação: Remover o gathering de corredor de raios ou a auto-atenção do receptor degradou o desempenho do radiomapa. Da mesma forma, remover a cross-attention ou a auto-atenção no decodificador CIR degradou severamente a precisão do CIR, particularmente na predição da contagem de caminhos.
• Estratégia de Treinamento: O treinamento conjunto direto a partir de inicialização aleatória resultou em subajuste (underfitting). A estratégia alternada de início quente mostrou-se necessária para treinar efetivamente o codificador compartilhado sob supervisão heterogênea.

Significância e Alegações
O artigo afirma que o WiSER demonstra que representações de cena 3D esparsas condicionadas ao transmissor podem servir como codificadores de cena wireless reutilizáveis para consultas de propagação heterogêneas. Ao aprender uma memória de cena compartilhada em vez de preditores isolados, o modelo suporta tanto predições de nível de cobertura densa quanto de nível de caminho esparso dentro de uma única arquitetura. Os autores posicionam isso como um "passo baseado em geometria em direção ao aprendizado de representação e desenvolvimento de modelos de fundação para sistemas wireless nativos de IA", sugerindo que o próprio ambiente físico pode fornecer uma representação reutilizável para múltiplas tarefas wireless descendentes, desde que os decodificadores sejam compatibilizados com o espaço de saída específico de cada uma.