CORF-GS: Real-Time Wireless Radiance Field Reconstruction via Coupled Optical-RF Gaussian Splatting

📄 arXiv: 2607.25569v1 📥 PDF

作者: Jinya Zhang, Jiajia Guo, Chao-Kai Wen, Shi Jin

分类: eess.SP, cs.AI, cs.CV, cs.IT

发布日期: 2026-07-28

💡 一句话要点

提出CORF-GS以解决实时无线辐射场重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 无线辐射场 高斯表示 实时重建 光学-射频优化 信道建模

📋 核心要点

  1. 现有无线辐射场重建方法依赖于预先收集的数据，无法实现实时处理，导致信道知识更新滞后。
  2. CORF-GS通过构建统一的高斯表示，结合光学和射频信息，实现实时的无线辐射场重建，提升了重建效率。
  3. 实验表明，CORF-GS在无线电频谱合成质量上优于现有方法，并且重建时间减少了6.4倍，显示出显著的性能提升。

📝 摘要（中文）

近年来，基于3D高斯点云的无线辐射场重建为无线信道建模提供了高效解决方案。然而，现有方法依赖于预先收集的观测数据和离线优化，难以实现实时信道知识。为此，本文提出了CORF-GS，一个实时的无线辐射场重建框架，能够处理光学和射频关键帧的序列数据。CORF-GS构建了一个统一的高斯表示，结合了光学和射频的几何结构和特定外观，利用高分辨率光学图像为无线辐射场重建提供结构先验。新关键帧到达时，CORF-GS首先通过光学引导的高斯采样来密集化无线辐射场。由于光波和无线电波对同一物体表面的响应可能不同，CORF-GS还执行耦合的光学-射频优化，以共同细化共享的高斯表示。实验结果表明，CORF-GS在无线电频谱合成质量上达到了最先进的水平，并将重建时间减少了6.4倍。

🔬 方法详解

问题定义：本文旨在解决现有无线辐射场重建方法无法实时处理信道信息的问题，现有方法依赖于离线优化，导致实时性不足。

核心思路：CORF-GS的核心思路是通过构建统一的高斯表示，结合光学和射频数据，以实现实时的无线辐射场重建，利用光学图像提供结构先验。

技术框架：CORF-GS的整体架构包括光学引导的高斯采样模块和耦合的光学-射频优化模块。新关键帧到达时，首先进行高斯采样，然后通过耦合优化共同细化高斯表示。

关键创新：最重要的创新在于引入了光学和射频数据的耦合优化，避免了无线辐射场被动适应固定的光学几何结构，促进了共享高斯对光学结构和射频功率分布的适应。

关键设计：在参数设置上，CORF-GS采用了特定的损失函数来平衡光学和射频信息的贡献，同时设计了适应性采样策略，以确保在低密度区域的高斯表示得到有效增强。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CORF-GS在无线电频谱合成质量上达到了最先进的水平，相较于现有方法，重建时间减少了6.4倍，显示出显著的性能提升，验证了其在实时无线辐射场重建中的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、无人驾驶汽车、增强现实和虚拟现实等场景，能够实时提供高质量的无线信道信息，提升系统的智能化水平和用户体验。未来，该技术有望在更广泛的无线通信和传感器网络中发挥重要作用。

📄 摘要（原文）

Recent advances in 3D Gaussian Splatting (3DGS)-based wireless radiance field (WRF) reconstruction provide an efficient solution for wireless channel modeling. However, existing WRF reconstruction methods rely on pre-collected observations and offline optimization, and thus struggle to provide real-time channel knowledge. To bridge this gap, we propose CORF-GS, a real-time WRF reconstruction framework that processes sequential optical and radio frequency (RF) keyframes. Specifically, CORF-GS constructs a unified Gaussian representation for optical and RF with shared geometry and modality-specific appearance, allowing high-resolution optical images to provide structural priors for WRF reconstruction. When a new keyframe arrives, CORF-GS first employs optical-guided Gaussian sampling to densify the WRF in under-represented regions. Since light and radio waves may respond differently to the same object surfaces due to wavelength mismatch, relying solely on optical guidance may neglect RF-informative areas. Therefore, CORF-GS performs coupled optical-RF optimization to jointly refine the shared Gaussians. Compared with the existing two-stage training pipelines, this prevents WRF from passively adapting to a frozen optical geometry and encourages the shared Gaussians to adapt to both optical structures and RF power distributions. Simulations show that CORF-GS achieves state-of-the-art RF spectrum synthesis quality and reduces the reconstruction time by $6.4\times$ compared with existing WRF methods.