Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Les NeRF peuvent-ils voir sans caméra ?

Created by
  • Haebom

Auteur

Chaitanya Amballa, Sattwik Basu, Yu-Lin Wei, Zhijian Yang, Mehmet Ergezer, Romit Roy Choudhury

Contour

Cet article présente une méthode permettant d'inférer l'environnement à partir de signaux RF/audio contenant des signaux multitrajets, en exploitant les champs de radiance neuronaux (NeRF). Alors que le NeRF traditionnel reconstruit des scènes 3D à partir des informations de rayons issues d'images de caméra, cet article étend cette approche aux signaux RF/audio contenant des signaux multitrajets. Plus précisément, nous cherchons à inférer des plans d'étage intérieurs à l'aide de mesures Wi-Fi éparses, démontrant ainsi leur potentiel pour des applications telles que la prédiction de signaux intérieurs et le lancer de rayons de base. Bien que le problème inverse soit complexe, les plans d'étage appris implicitement donnent des résultats prometteurs.

Takeaways, Limitations_

Takeaways:
Nous démontrons que la portée de l'application de NeRF peut être étendue des données d'image aux données contenant des signaux multitrajets tels que les signaux RF/audio.
Cela suggère la possibilité de déduire des plans d'étage intérieurs en utilisant uniquement des mesures WiFi éparses.
Cela ouvre des possibilités pour une large gamme d’applications, notamment la prédiction de signaux intérieurs et le traçage de rayons de base.
Limitations:
Il existe un manque d’évaluation quantitative de la précision et de la performance de l’inférence du plan d’étage intérieur.
La vérification des performances de généralisation pour diverses conditions environnementales et de signal est requise.
En raison de la difficulté de résoudre le problème inverse, garantir la fiabilité des résultats d’inférence est une tâche importante.
👍