UNIC-Lab/RadioDiff

This is the code for the paper "RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction", IEEE TCCN.

What it solves

RadioDiff は、計算コストの高いシミュレーションや高価な実測サンプリングに依存せずに、位置に基づくパスロスをマッピングするラジオマップ（RM）を構築する課題に取り組みます。従来の判別的モデリングを用いたニューラルネットワーク手法は、これらの複雑なマップを生成しようとした際に性能が劣ることが多かったという制限を克服します。

How it works

RadioDiff は、条件付き生成問題としてラジオマップ構築を捉え、ノイズ除去拡散ベースのアプローチを採用します。そのアーキテクチャは以下で構成されます:

  • Attention U-Net with Adaptive FFT: 動的環境からの特徴抽出を改善するために設計されたバックボーンネットワーク。
  • Decoupled Diffusion Model: 構築性能をさらに洗練させるために使用される特殊な拡散プロセス。
  • Two-Stage Training: まず AutoEncoder (VAE) を訓練し、次に潜在拡散エッジモデルを訓練して最終的なラジオマップを生成します。

Who it’s for

このプロジェクトは、6G ネットワークアプリケーション、無線通信、ラジオ伝搬モデリングに取り組む研究者やエンジニアを主な対象とし、動的環境における高精度パスロス推定が必要な方に最適です。

Highlights

  • Sampling-Free: 大規模な実測測定を必要とせずにラジオマップを構築。
  • State-of-the-Art Performance: 精度、構造類似度、ピーク信号対雑音比（PSNR）において既存手法を上回ります。
  • Dynamic Environment Support: 適応型高速フーリエ変換モジュールにより、変化する環境からの特徴抽出を最適化。
  • Extensible Ecosystem: 物理情報を組み込んだ (RadioDiff‑k²)、3D (RadioDiff‑3D)、少数ショット (RadioDiff‑FS) バージョンを含むモデルファミリーの一部です。