本文提出了一种高效准确的深度学习方法，名为RadioUNet，用于估算从一个点$x$（发射器位置）到平面域上任意点$y$的传播路损。该方法能够学习如何在城市环境下准确地估算路损函数，并且能够在实时应用中快速计算结果。实验结果表明，相对于先前提出的方法，我们的方法具有明显的优势。

Nov, 2019

本文提出了一种基于采样点和未卷积生成器设计的无线电 GAN 框架，并结合估计的纯信号分布作为先验分布，通过能量约束优化算法实现更好的训练稳定性和收敛性，在广泛的仿真实验中展示了该框架可以有效地学习发射机特性和各种通道效应，从而准确地建模基础采样分布以合成高质量的无线电信号。

Jun, 2023

利用生成对抗网络的方法以及语义地图对室内环境进行建模，实现射频地图的自动合成及网络覆盖估计。

Aug, 2023

通过使用无人机收集大量数据，并对现有的射频地图估计器进行评估，本研究揭示出具有深度神经网络 (DNNs) 的复杂估计器表现最佳，但需要大量训练数据才能相对传统方案提供实质性优势，同时还提出了一种混合两种类型估计器的新算法，展示了进一步探索该研究方向的潜力。

Oct, 2023

通过使用地理数据库，Geo2SigMap是一个基于机器学习的高效高保真度的射频信号绘制框架，使用自动化框架进行大规模3D建筑地图和射线追踪建模，利用环境信息和稀疏测量数据，采用级联U-Net模型生成详细的射频信号图，并通过真实世界测量验证，取得了较现有方法更好的预测无线电信号的性能。

Dec, 2023

近年来, 许多研究探讨了深度学习算法在城市通信网络中确定发射器和接收器对之间的大规模信号衰落（也称为“路损”）的应用。本文通过发布包含真实城市地图和开放数据源的航拍图像的模拟路损无线电地图公共数据集，进行了关于模型架构、输入特征设计以及从航拍图像估计路损地图的初步实验，并提供了相关代码。

Jan, 2024

在6G时代，通过使用生成对抗网络（GAN）的合作式无线电地图估计（CRME）方法，可以快速而精确地估计无线电资源的分布并推测地图信息，实现低数据采集成本和计算复杂度。

Feb, 2024

使用生成对抗网络中的生成器网络重建仅依赖传感器数据的电磁场公开图，产生准确的估计结果。

May, 2024

我们提出了一种用于在3D室内环境中进行无线通信模拟的实时电磁(EM)传播的新型机器学习(ML)方法(EM-GANSim)。我们的方法使用了一种修改后的条件生成对抗网络(GAN)，该网络融合了编码几何和发射机位置，并符合电磁传播理论。整体上，基于物理启发的学习能够预测3D场景中的功率分布，该分布用热度图表示。我们的整体准确度与基于射线追踪的EM模拟相当，这表现在较低的均方误差值上。此外，我们基于GAN的方法大幅减少了计算时间，在复杂基准测试上实现了5倍加速。实际上，它可以在几毫秒内计算3D室内环境中任何位置的信号强度。我们还提供了一个包含3D模型和EM射线追踪模拟热度图的大型数据集。据我们所知，EM-GANSim是在复杂3D室内环境中进行EM模拟的第一个实时算法。我们计划发布代码和数据集。

May, 2024

本研究解决了传统无线电图构建方法计算复杂或依赖昂贵采样的问题。提出了一种名为RadioDiff的无采样无线电图构建的新方法，采用去噪扩散模型和注意力U-Net网络，显著提高了动态环境特征提取能力。实验结果显示，该方法在准确性、结构相似性和峰值信噪比等指标上达到了最先进水平，具有广泛的应用潜力。

Aug, 2024