1.28亿合成样本预训练，室内无线电地图预测误差直降15%！
Scaling Cheap Synthetic Pretraining Improves Indoor Radio-Map Prediction
📖 AI 总结
该研究针对室内路径损耗预测中真实测量数据稀缺、高质量射线追踪仿真昂贵且多为闭源的问题，提出了一套低成本合成预训练方案。作者开发了可自动生成多样化室内布局的生成器，以及快速开源的近似射线追踪器，据此生成了1.28亿个合成样本，用于预训练ResNet-101和Swin-T编码器-解码器模型，并在高质量基准数据上微调。尽管存在仿真器与真实环境的失配，ResNet-101在五项室内无线电地图预测任务上平均误差较现有最优方法降低15%，并在小规模真实测量数据集上提升了迁移效果。两种架构均呈现可预测的数据缩放规律：基于200万至1600万样本拟合的幂律，能以3.33%（ResNet-101）和7.10%（Swin-T）的平均绝对百分比误差预测3200万至1.28亿样本下的下游归一化RMSE。结果表明，即便真实测量与高保真仿真均受限，大规模廉价合成数据预训练仍能有效提升室内无线电地图预测性能。
🔑 关键词速览
| Indoor Radio-Map Prediction | 室内无线电地图预测，指在建筑物内部环境中预测无线电信号强度分布（如路径损耗）的任务。 |
| Synthetic Pretraining | 合成预训练，指使用计算机生成的模拟数据（而非真实测量数据）对模型进行预训练，以学习通用特征。 |
| Ray Tracing | 射线追踪，一种通过模拟无线电波传播路径（如反射、衍射）来精确计算无线电地图的仿真技术。 |
| ResNet-101 | 一种深度残差网络，具有101层，常用于图像编码任务，本文中作为编码器-解码器架构的一部分。 |
| Swin-T | Swin Transformer的轻量级版本，一种基于Transformer的视觉模型，本文中用于编码器-解码器架构。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅