RF-jelekkel lát át az akadályokon a GeRaF — milliméteres pontosságú 3D-modellezés
Az első neurális implicit tanulást használó módszer, a GeRaF milliméteres pontossággal képes 3D-geometriát rekonstruálni rádiófrekvenciás jelekből, akadályokon átlátva.
A GeRaF az első olyan eljárás, amely neurális implicit tanulást alkalmaz rádiófrekvenciás (RF) jelekből történő közeli 3D-geometriai rekonstrukcióra. A RF-szenzorok látnak az akadályokon keresztül, ellentétben a RGB vagy LiDAR alapú módszerekkel, de alacsony felbontásuk és zajosságuk miatt kihívást jelentenek.
A RF-jelek teljes teret áthatnak, ami jelentős zajt és köbös komplexitást okoz a volumetrikus renderelésben. A felületekkel való tükrös visszaverődésük alapvetően eltérő modellezést igényel. A GeRaF ezekre a problémákra szűrőalapú renderelést, fizikaalapú RF-volumetrikus renderelési folyamatot, valamint új, lencse nélküli mintavételi és alfa-blending stratégiát vezet be a hálózat betanítása során.
Kapcsolódó: 5G hálózatok fejlesztése
A módszer a neurális hálózatokon (MLP) és tanítható paramétereken keresztül tanulja meg az előjeles távolságfüggvényeket (signed distance functions), a visszaverődési képességet és a jel erejét. Ezzel a GeRaF megnyitja az utat a valós környezetben milliméteres szintű geometriai rekonstrukció előtt RF-jelek felhasználásával.
Kapcsolódó: orvosi képalkotás fejlesztése