본 논문은 환경 인식 통신 및 감지에 필수적인 무선 채널 정보를 제공하는 무선 지도(Radio Map, RM) 생성 문제를 다룹니다. 기존 방법들은 정확한 환경 데이터와 기지국 위치 정보에 의존하지만, 역동적이거나 개인 정보 보호가 중요한 환경에서는 이러한 정보를 얻기 어렵습니다. 본 논문은 부정확한 환경 정보와 잡음이 많은 희소 측정값 하에서 RM 생성을 베이지안 역문제로 공식화합니다. 최대 사후 확률(MAP) 필터링은 최적의 해를 제공하지만, 정확한 사전 분포가 필요하다는 한계가 있습니다. 이를 해결하기 위해, 본 논문은 확산 모델을 활용하여 RM의 사전 분포를 학습하는 RadioDiff-Inverse 프레임워크를 제안합니다. 이 방법은 무선 채널 특징의 공간 분포를 재구성할 뿐만 아니라, 통합 감지 및 통신(ISAC)을 통해 건물 윤곽 및 기지국 위치와 같은 환경 구조를 인지할 수 있습니다. 특히, RadioDiff-Inverse는 사전 훈련된 이미지넷 모델을 활용하여 별도의 미세 조정 없이 동작하므로, 대규모 생성 모델 사용의 훈련 비용을 크게 줄입니다. 실험 결과, RadioDiff-Inverse는 RM 생성 및 환경 재구성의 정확도와 잡음이 많은 희소 샘플링에 대한 강건성 면에서 최첨단 성능을 달성함을 보여줍니다.
