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

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

基于ML的PMNet通过使用有限的RT（或信道测量）数据和地图数据进行训练，可以在几毫秒内高精度地预测位置上的路径损耗，并通过使用迁移学习在快速和高效的情况下学习新的网络场景。

Dec, 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

本文介绍了一种基于生成对抗网络（GAN）的新型无线电地图构建方法，命名为ACT-GAN，并通过三种不同场景的实验结果表明，ACT-GAN在提高无线电地图的重建精度方面具有显著优势，同时有助于更准确地预测电磁空间场分布和发射源位置。

Jan, 2024

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

通过利用接收信号强度数据并利用环境的几何结构联合构建无线电地图和虚拟环境，该论文提出了一种机器学习方法，用于快速构建5G及以后无线通信系统的信道模型。实验证明，该模型在重建3D虚拟环境方面表现出色，并在无线电地图构建方面优于现有方法，准确性提高了10%-18%。同时，该模型在转移到新环境时可以减少20%的数据和50%的训练时期。

Mar, 2024

为了解决多频段无线射频地图重建在实际部署中所面临的挑战，我们提出了一种基于图注意力网络（GAT）的新框架RadioGAT，它将基于模型的空间-频谱相关性编码与数据驱动的射频地图泛化相结合，从而最大程度地减少对大量数据源的依赖，并且在具有有限数据可用性的环境中展现出卓越的准确性和实用性。

Mar, 2024

本研究提出了RF-Diffusion，一种用于生成各种高质量时间序列射频数据的多功能解决方案，并通过与其他三种流行的生成模型进行性能比较，证明了RF-Diffusion在合成Wi-Fi和FMCW信号方面的出色表现。此外，我们还展示了RF-Diffusion在提升Wi-Fi感测系统和进行5G网络信道估计方面的多功能性。

Apr, 2024

使用图神经网络估计无线环境地图（REMs）的方法，将移动网络覆盖区域分割并编码成一个图，然后利用地理位置和稀疏的信号强度测量输入图神经网络模型中估计REM。

Jun, 2024