⚡ electrical engineering

RadCloudSplat: Scatterer-Driven 3D Gaussian Splatting with Point-Cloud Priors for Radiomap Extrapolation

RadCloudSplat 是一个将 3D 高斯泼溅（3D Gaussian Splatting）扩展到射频领域的创新框架，它通过建模环境散射体并利用点云先验、无相机投影以及递归微调，实现了从稀疏测量中进行高效且达到最先进水平的无线电图外推。

原作者： Yiheng Wang, Ye Xue, Shutao Zhang, Hongmiao Fan, Tsung-Hui Chang

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yiheng Wang, Ye Xue, Shutao Zhang, Hongmiao Fan, Tsung-Hui Chang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图绘制一张详细的地图，展示一座大城市中 Wi-Fi 或手机信号强度的分布情况。这张地图被称为无线电图（radiomap）。为了让这张地图达到完美，你需要拿着信号测量仪走遍每一个街角，但这极其昂贵、缓慢，且在现实中几乎是不可能的。通常情况下，工程师只有一些零散的测量数据（就像地图上的几个点），然后需要通过猜测来推断出其他地方的信号分布情况。

这篇论文介绍了一个名为 RadCloudSplat 的新工具，它解决了这个“猜谜游戏”。以下是它的工作原理，我使用了简单的类比：

1. 问题所在：“盲人画家”

传统的建模方法试图通过连接已有的点来猜测缺失的部分（就像是在玩儿童连点成图的游戏），或者使用运行极其缓慢的复杂物理模拟。这些方法在大型城市中往往会失败，因为它们并不理解信号行为背后的“原因”（例如，信号是如何从高楼大厦上反射的）。

2. 解决方案：“3D 幽灵云”

RadCloudSplat 使用了一种借鉴自计算机图形学的巧妙技巧——3D 高斯泼溅（3D Gaussian Splatting）。

类比： 想象城市中充满了看不见的“幽灵”（散射体）。这些幽灵并不是人，而是代表了会让无线电信号发生反射的建筑物、墙壁和树木。
魔力所在： 系统并不试图绘制建筑物的每一块砖石，而是创建了一团在空中漂浮的 3D “斑点”（高斯分布）。每个斑点都代表一个信号可能发生反射的位置。
输入： 系统会观察一个 3D 点云（城市的数字 3D 扫描，类似于代表建筑物的尘埃点云）来决定在哪里放置这些“幽灵”。

3. “松弛均值（Relaxed-Mean）”技巧：清理噪声

城市的 3D 扫描数据通常很杂乱，充满了“噪声”（无关紧要的点）。

类比： 想象你要从一大堆泥泞的苹果堆里挑选出最好的苹果。你不想捡起泥土，你想要的是苹果。
方法： 作者发明了一种“松弛均值（RM）”方案。你可以把它看作是一个智能过滤器，它会说：“好吧，在这堆杂乱的 3D 点中，让我们选出最可能发生信号反射的位置，然后稍微调整它们，使其变得完美。”它将杂乱的数据转化为一组干净、高效的“幽灵”，让计算机可以快速学习。

4. “无相机”投影：无需眼睛

通常情况下，3D 图形需要一个“相机”将 3D 物体投影到 2D 屏幕上。但无线电信号并没有眼睛或相机。

类比： 系统不是在为城市拍照，而是像一位音响工程师。它获取 3D “幽灵”的信息，并计算出如果你站在特定位置、朝特定方向（即一个“波束”）看去时，声音（在此处指信号强度）会如何。
创新之处： 他们构建了一个特殊的“无相机”投影器，能直接将幽灵的 3D 位置转换为 2D 信号强度图，而无需知道基站天线的具体技术细节（这些细节通常是保密的）。

5. “递归微调”：在实践中学习

该系统不仅仅是猜测一次就停止了。

类比： 想象你在练习走钢丝。你先从你能看到的绳索部分开始走。一旦掌握了，你就向未知的领域迈进一步，学习那部分，然后再迈出下一步。
方法： 系统首先学习那些拥有真实数据的区域。然后，它利用学到的知识来预测紧邻的下一个空白区域。它将这些预测视为新的“真相”，从而帮助它学习下一个区域，如此循环往复，直到填满整张地图。这使得它能够处理其他方法无法跨越的巨大空白区域。

结果：快速且准确

论文在模拟数据和来自中国一座城市的真实数据上对该系统进行了测试。

速度： 它非常快。其他高科技方法可能需要几分钟甚至几小时来计算信号图，而 RadCloudSplat 仅需毫秒级即可完成。
准确度： 即使在初始数据非常稀疏（只有几个点）的情况下，它预测的信号强度也比旧方法准确得多。

总结： RadCloudSplat 就像一位超级聪明的快速画家，它观察城市的 3D 扫描，识别出那些会反射信号的关键建筑，然后瞬间画出一张完整的、准确的地图，展示出哪里手机信号强，哪里信号弱，甚至在那些从未被测量过的区域也是如此。

技术摘要：RadCloudSplat

问题陈述

构建准确的无线电图（Radiomaps）——即无线信号强度（RSS）的空间分布——对于网络优化、资源分配和自动驾驶至关重要。然而，在大型户外环境中获取密集的信号测量数据成本极高且耗费人力，通常只能依赖于通过路测收集的稀疏数据。传统的重建方法面临显著局限性：

基于插值的方法（如反距离加权法、克里金法）无法捕捉户外环境下无线传播的复杂物理特性。
射线追踪（Ray Tracing） 需要精确的 3D CAD 模型，而这些模型往往与现实环境存在偏差，且计算量巨大。
基于学习的方法（如 VAE、GAN）通常需要密集的训练数据，且缺乏显式的物理建模。
神经辐射场（NeRF） 已展现出潜力，但存在合成速度慢和计算成本高的问题，使其难以进行大规模部署。
现有的 3D 高斯泼溅（3DGS）改进方案（如 WRF-GS）通常局限于室内场景，依赖简化的信道假设，或者缺乏有效利用环境点云先验的能力。

核心挑战在于：如何通过利用环境几何信息，在不依赖专有天线参数或密集地面真值数据的情况下，实现复杂户外环境下从稀疏 RSS 测量值到无线电图的高效、准确且鲁棒的推断。

方法论：RadCloudSplat 框架

作者提出了 RadCloudSplat，一个将 3D 高斯泼溅（3DGS）扩展到射频领域的框架。它将环境散射体（建筑物、墙壁）建模为各向异性的 3D 高斯体，以捕捉多径传播特性。该框架由四个关键部分组成：

1. 放松均值（Relaxed-Mean, RM）重参数化

为了解决处理噪声密集型 LiDAR 点云的挑战，作者引入了 放松均值（RM） 方案。

目标： 从原始点云 ( $\hat{P}_{raw}$ ) 中选择关键虚拟散射体，作为 3D 高斯的均值 ( $\mu_{rad}$ )。
机制： 该模型并非将散射体位置视为来自点云的固定点，而是学习一个可训练的选择矩阵 $T$ 和一个偏置项 $B$ 。位置被重参数化为 $\mu_{rad} = T\hat{P}_{raw} + B$ 。
优化： 选择矩阵 $T$ 被约束在单纯形空间内，并带有最大元素约束（MEC），以确保稀疏性（选择不同的点）和行向主导性。偏置 $B$ 使模型能够精细化位置，以减轻噪声并更好地符合信号传播物理特性。这把一个离散的选择问题转化为了一个可微的优化任务。

2. 无相机 3DGS 投影

不同于传统的将 3D 场景映射到 2D 相机视图的 3DGS，RadCloudSplat 将 3D 散射体映射到 2D 波束空间（跨波束方向的 RSS 图谱）。

挑战： 无线信号缺乏内在/外在的相机参数，且运营商特定的天线方向图通常是专有的。
解决方案： 一种 无相机投影 使用两个结构化的多层感知器（MLP）来学习从 3D 散射体属性（均值 $\mu_{rad}$ 和协方差 $\Sigma_{rad}$ ）到 2D 波束空间高斯参数（均值 $x$ 和精度 $\Lambda$ ）的映射。这避免了对未知物理天线模型的依赖。

3. 电磁泼溅（Electromagnetic Splatting）

渲染过程通过模拟多径传播来合成 RSS 值：

散射体作为虚拟发射源： 每个 3D 高斯散射体都被视为一个具有特定衰减和相位偏移的二次源，进行信号重传。
视点相关编码： 球谐函数（SH）系数编码了每个散射体的方向相关贡献。
深度排序与混合： 散射体根据相对于目标位置的深度进行排序。最终的 RSS 通过聚合所有排序后的散射体的复数贡献来计算，同时考虑累积的衰减和相位偏移，从而有效地模拟多径信号的叠加。

4. 训练与外推策略

损失函数： 一个复合损失函数结合了用于准确性的均方误差（MSE）和用于确保空间平滑性与连贯性的全变分（TV）损失。
递归微调： 为了处理测量值的稀疏性，作者提出了一种递归方案。模型首先在已知的稀疏网格上进行训练。随后，它预测相邻未知网格的值；这些预测值被添加到训练集中，然后对模型进行重新训练。这种迭代过程逐步扩大覆盖范围，直到覆盖整个区域。

核心贡献

首次将 3DGS 扩展到射频领域： 本文提出了第一个将 3D 高斯泼溅应用于使用波束空间 RSS 数据进行户外无线电图重建的框架，超越了可见光和简化的室内模型。
放松均值（RM）重参数化： 一种从噪声密集点云中提取关键虚拟散射体的新方法，通过学习可微的选择和精细化过程，使模型能够有效利用环境先验。
无相机投影： 一种基于学习的投影机制，无需专有的天线增益或波束赋形模式即可将 3D 散射体映射到 2D 波束空间，增强了在实际部署中的鲁棒性。
增强外推的技术： 集成了三元正则化损失函数和递归微调方案，以在稀疏或无测量值的区域实现鲁棒的泛化。

实验结果

该框架在合成数据（城市 A）和真实世界路测数据（城市 B）上进行了评估。

合成数据（城市 A）： RadCloudSplat 实现了 7.564 dB 的平均绝对误差（MAE），优于包括 Kriging (11.307 dB)、VAE (10.306 dB) 以及基于 NeRF 的方法（NeRF2: 9.867 dB, NeWRF: 10.051 dB）在内的基准模型。它还展示了卓越的速度，单样本推理时间为 0.004 秒，比 NeRF 变体快约 5 倍。
真实世界数据（城市 B）： 在具有固有传感器噪声和 GPS 不准确性的真实世界数据上，RadCloudSplat 实现了 7.035 dB 的 MAE，优于射线追踪 (13.108 dB)、Kriging (9.656 dB) 和 NeRF2 (7.313 dB)。
消融实验：
- 去除递归微调策略会使 MAE 分别增加到 7.967 dB（合成）和 7.121 dB（真实世界），证实了其对外推的重要性。
- 用物理投影（假设已知天线模式）替换学习到的无相机投影会导致性能显著下降（MAE 12.218 dB），验证了在天线参数未知的实际场景中学习投影的必要性。
- RM 方案被证明至关重要；随机选择散射体或在没有偏置项的情况下进行固定初始化会导致显著更高的误差。

重要性与声明

本文声称 RadCloudSplat 巩固了基于 3DGS 模型在现实世界无线网络部署中的可信度。通过成功地将环境点云先验与无线传播物理特性相结合，该框架解决了 NeRF 的计算效率问题以及传统插值法的物理局限性。

作者强调，该框架能够实现对无线信号辐射模式的 鲁棒且具备空间感知能力的建模。由于能够直接从数据中学习散射体位置和投影参数，而不依赖于专有的运营商信息，该方法特别适用于实际的 MIMO 部署和下一代网络优化任务。这项工作证明了先进的 3D 建模技术可以有效地适配到无线电领域，以解决信号外推中的关键挑战。