RxGS: Receiver-Generalizable 3D Gaussian Splatting for Radio-Frequency Data Synthesis¶

会议: NeurIPS 2026
arXiv: 2605.24290
OpenReview: https://openreview.net/forum?id=n4D3BLFY3r
代码: 待确认
领域: 重建与渲染
关键词: 3D Gaussian Splatting, 射频数据合成, 接收端泛化, 神经渲染, 无线信道建模

一句话总结¶

针对现有射频 3DGS 依赖单一固定接收端、服务 $N$ 个接收端需独立训练 $N$ 个模型的瓶颈，RxGS 提出将接收端无关的场景几何与接收端相关的定向辐射率解耦的两阶段框架，配合全局谐波与局部遮挡条件分支以及单 Kernel 多接收端 CUDA 光栅化器，以单一共享模型实现任意发射端与未见接收端的统一射频合成，训练与存储开销降低达数十倍。

研究背景与动机¶

在无线网络规划、室内指纹定位与信道状态信息感知等射频（RF）应用中，获取高密度的发射端-接收端（Tx-Rx）测量数据是系统落地的核心前提。然而，依赖传统的人工现场勘测（site survey）在成千上万个 Tx-Rx 采样点采集 RSSI 或 CSI 信号极度耗时费力；而经典的射线追踪仿真又受制于对厘米级高精度 CAD 建筑模型、精确介电常数及材料电导率等难以获取的物理先验的严苛依赖。为此，利用可微分神经渲染直接从稀疏射频观测中反演场景电磁属性的神经射频合成方法应运而生。虽然基于 NeRF 的方法率先跑通了射频场建模，但高密度的体素体渲染与 MLP 评估带来了沉重的算力负担；近年来基于 3D 高斯泼溅（3DGS）的方法将体素采样替换为显式 3D 高斯图元，在训练与推理速度上实现了数量级的跨越。

然而，现有 3DGS 射频合成方法继承了光学神经渲染的单视角参数化假设，暴露出难以克服的结构性局限：光学 3DGS 仅需根据单一相机视点查询场景，而射频合成在物理上天然依赖发射端位置 $\mathbf{t}$ 与接收端位置 $\mathbf{r}$ 双变量。现有方法仅将发射端位置显式输入给每个高斯的辐射方向向量，接收端位置则完全缺失显式输入通道，其影响被隐式“固化”在训练标签中。这导致其辐射率系数对特定接收端强过拟合——要在同一场景中部署 $N$ 个网关接收端，就必须独立训练并存储 $N$ 个互不连通的独立 3DGS 模型；更致命的是，面对场景内未参与训练的新增接收端，模型完全丧失零样本泛化能力，必须重新勘测并重训模型。

本文的切入角度源自对射频多径传播特性的几何分解：在静态场景中，墙体、立柱和家具等物理散射体的位置与透射衰减完全独立于接收端位置，而唯独散射体到接收端末段路径的几何角度、自由空间路径损耗与多径相位会随接收端移动而改变。核心 idea：将射频场景几何与定向辐射率进行解耦，在第一阶段单参考接收端下冻结接收端无关的 3D 高斯几何结构，第二阶段通过轻量级全局谐波调制与局部多径遮挡分支，将定向辐射率显式条件化到接收端坐标，以单一共享模型实现任意发射端和未见接收端的端到端统一合成。

方法详解¶

整体框架¶

RxGS 针对发射端集合 $\{\mathbf{t}_i\}_{i=1}^M$ 与接收端集合 $\{\mathbf{r}_j\}_{j=1}^N$ 构建统一表征，通过两阶段工作流彻底解耦几何与辐射率学习： 1. 第一阶段（几何学习）：选取任意单一参考接收端 $\mathbf{r}_{\mathrm{ref}}$，对 3D 高斯图元的位置 $\mathbf{p}_k$、协方差 $\mathbf{C}_k$、定向辐射率 $\phi_k$ 及透射率 $\tau_k$ 进行端到端优化，学习场景共有的 3D 几何与衰减场；收敛后冻结几何属性 $\{\mathbf{p}_k, \mathbf{C}_k, \tau_k\}$ 并丢弃该阶段的辐射率参数。 2. 第二阶段（接收端条件化辐射率学习）：在冻结的几何图元之上，引入跨接收端共享的可学习基础辐射率系数 $\phi_k^{\mathrm{base}}$，并构建由全局分支与局部分支组成的调制函数 $g_{\Theta}$。该函数依据接收端坐标 $\mathbf{r}$ 对基底系数进行复数仿射调制，并在所有可用接收端上联合优化。 3. 推理阶段（多接收端单 Kernel 光栅化）：利用发射端图元投影与深度排序在多接收端间完全相同的特性，仅需通过单个 CUDA Kernel 便能批处理完成所有 $N$ 个接收端的并行前向积分，推理复杂度从 $\mathcal{O}(N \cdot t_{\mathrm{render}})$ 压缩至 $\mathcal{O}(t_{\mathrm{render}})$。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["单参考接收端射频数据<br/>S(t_i, r_ref)"] --> B["Stage I: 场景几何学习<br/>联合优化高斯位置/协方差/透射率"]
    B --> C["冻结场景几何并离线体素化<br/>固定 p_k, C_k, tau_k 获得占用网格 V"]
    C --> D["Stage II 联合多接收端训练<br/>多接收端观测 S(t_i, r_j)"]
    D --> E["双尺度可学习傅里叶编码<br/>接收端坐标 r 映射为特征 gamma(r)"]
    E --> F["全局调制分支<br/>按谐波阶次计算仿射参数 (alpha_l, beta_l)"]
    C --> G["局部逐散射体分支<br/>提取方向/末段距离/网格透射率与平均密度"]
    F & G --> H["复数仿射序列调制<br/>调制共享基底系数 phi_k^base 得到 phi_k(d_k, r)"]
    H --> I["单 Kernel 多接收端 CUDA 光栅化<br/>共享发射端投影排序，gridDim.z=N 批渲染"]

关键设计¶

1. 几何-辐射率两阶段物理因式分解：从最后传播段严格解耦接收端依赖 根据电磁多径信道建模，接收信号为所有多径分量的叠加。对于以高斯图元 $\mathbf{p}_k$ 作为物理反射/散射终点的传播路径簇 $\mathcal{L}_k$，从发射端到达散射体 $\mathbf{p}_k$ 的上行累积损耗与相位 $h_l^{\mathrm{up}}(\mathbf{t})$ 完全独立于接收端 $\mathbf{r}$；接收端的影响完全收敛在散射体到接收端的末段传播因子 $\eta_{\mathrm{eff}}(\mathbf{p}_k, \mathbf{r})$ 中： $$\eta_{\mathrm{eff}}(\mathbf{p}_k, \mathbf{r}) = \frac{\lambda}{4\pi d_k} \cdot e^{-j\frac{2\pi}{\lambda} d_k} \cdot \prod_{m \in \mathcal{I}(k,\mathbf{r})} \tau_m$$ 其中 $d_k = \|\mathbf{p}_k - \mathbf{r}\|$ 为末段距离，$\prod \tau_m$ 为末段视线穿越各高斯散射体的累积介质遮挡透射率。数学推导证明，在 3DGS 渲染抽象下，高斯中心位置 $\mathbf{p}_k$、协方差 $\mathbf{C}_k$ 及固有透射率 $\tau_k$ 对接收端位置的偏导数恒为零（$\partial \mathbf{p}_k / \partial \mathbf{r} = \mathbf{0}, \partial \mathbf{C}_k / \partial \mathbf{r} = \mathbf{0}, \partial \tau_k / \partial \mathbf{r} = 0$），接收端依赖性完全且仅由辐射率项 $\phi_k(\hat{\mathbf{d}}_k, \mathbf{r})$ 承载。这为 Stage I 在单一参考点下冻结几何并跨接收端完全复用提供了坚实的理论支撑。

2. 双分支复数仿射调制：协同捕捉大尺度平均与逐图元末段残差 末段传播因子 $\eta_{\mathrm{eff}}(\mathbf{p}_k, \mathbf{r})$ 在空间上呈现显著的双尺度分布：自由空间路径损耗在房间尺度缓慢变化，而厘米级波长 $\lambda$ 的相位项 $e^{-j\frac{2\pi}{\lambda} d_k}$ 则剧烈振荡。RxGS 首先使用对数尺度的可学习傅里叶编码 $\gamma(\mathbf{r})$ 提取多尺度空间特征。进一步，由于末段效应可分解为空间平均项 $\bar{\eta}(\mathbf{r})$ 与局部残差 $\delta_k(\mathbf{r})$，RxGS 构建了顺序级联的两个分支： - 全局分支：由于低阶球面/勒让德谐波分量刻画大范围平缓多径、高阶分量捕获剧烈角度敏感多径，全局轻量 MLP 依据 $[\gamma(\mathbf{r}); \mathbf{c}_\ell; \mathbf{e}_\ell]$ 为每个辐射率分量 $\ell$ 生成复数缩放与位移参数 $(\bm{\alpha}_\ell, \bm{\beta}_\ell)$，实现全图元广播变换 $\tilde{\phi}_k^{(\ell)}(\mathbf{r}) = (1 + \bm{\alpha}_\ell) \odot \phi_k^{\mathrm{base},(\ell)} + \bm{\beta}_\ell$。 - 局部分支：各散射体因相对接收端的视线通断不同而贡献悬殊。RxGS 将冻结高斯透射率离线 splat 为 3D 占用网格 $\mathcal{V}$，在末段连线上等距采样 $S$ 个点，快速求出末段视线透射率 $T_k = \prod (1 - \mathcal{V}(\mathbf{q}_{k,s}))$ 与沿线平均密度 $\bar{\rho}_k$。结合末段方向 $\hat{\mathbf{v}}_k$ 与距离 $d_k$，共享权重的局部 MLP 计算残差参数 $(\bm{\alpha}_k^{\mathrm{loc}}, \bm{\beta}_k^{\mathrm{loc}})$，完成二次仿射修正 $\phi_k(\hat{\mathbf{d}}_k, \mathbf{r}) = (1 + \bm{\alpha}_k^{\mathrm{loc}}) \odot \tilde{\phi}_k(\mathbf{r}) + \bm{\beta}_k^{\mathrm{loc}}$。理论推导表明纯加性位移或实数缩放均无法完整表达复乘积引起的幅相耦合，而复数仿射调制以零初始化启动，确保了训练稳定性与物理自洽性。

3. 单 Kernel 多接收端批处理光栅化器：重用发射端投影与深度排序 在多网关实际场景中，同一发射信号物理上并发触达所有接收端。传统 3DGS 逐接收端渲染会产生巨大的重复开销。RxGS 揭示发射端图元向发射球面投影的方向 $\hat{\mathbf{d}}_k$、瓦片（tile）范围及视线前后深度排序仅由发射端坐标 $\mathbf{t}$ 和高斯位置决定，与接收端位置完全无关。因此，系统仅需在 CPU/GPU 执行一次图元投影与 cub::SortPairs 排序；在发射端基底评估完成后，通过单个 CUDA Kernel 将网格维度配置为 $\mathrm{gridDim} = (\mathrm{tiles}_\theta, \mathrm{tiles}_\varphi, N)$，使接收端索引映射至 block 的 $z$ 轴，各线程块并发读取对应接收端辐射率切片并写入独立显存输出槽，彻底消除了内核调度与冗余几何计算开销。

理论分析与设计权衡¶

两阶段 vs 端到端联合优化：端到端同时优化高斯几何与接收端条件辐射率看似直接，但由于射频观测的稀疏性与欠定性，反向传播极易使高斯图元退化至过拟合特定接收端多径的虚假几何位置。冻结第一阶段几何强制约束了散射体在物理空间中的静态一致性，使第二阶段能够专注拟合纯粹的末段电磁相位与幅值流形。
计算复杂度边界：占用网格 $\mathcal{V}$ 仅在第一阶段结束时静态构建一次，后续 ray-probing 复杂度为 $\mathcal{O}(K \cdot S)$ 且无反向传播计算图残留。全局分支参数量仅与谐波基项数 $L$ 相关，局部分支在所有高斯图元间共享权重，使得新增接收端时的显存开销仅呈线性微增。

实验关键数据¶

主实验¶

在涵盖标量 RSSI（BLE 21 网关）、空间角度谱（RFID 21 网关仿真）与复数 CSI（WiFi 8 网关）三类代表性射频模态上，对比统一共享模型与各基线独立训练 $N$ 个模型的表现。

数据集	指标	RxGS (Ours-GSRF)	GSRF 基线 (N个模型)	NeRF2 (单一模型)	性能差距/收益
BLE RSSI (21 Rx)	MAE (dBm) ↓	3.57 ± 0.24	3.74 ± 0.41	3.40 ± 0.14	比单Rx 3DGS提升 0.17 dBm，方差更稳
RFID 空间谱 (21 Rx)	MSE ↓	0.0065 ± 0.0006	0.0052 ± 0.0004	0.0040 ± 0.0005	仅落后 0.82 dB PSNR，换取统一泛化
RFID 空间谱 (21 Rx)	PSNR (dB) ↑	22.47 ± 0.35	23.29 ± 0.35	24.58 ± 0.51	单一模型表征能力逼近独立模型全集
RFID 空间谱 (21 Rx)	SSIM ↑	0.780 ± 0.012	0.831 ± 0.010	0.868 ± 0.011	结构相似度保持在优秀区间
WiFi CSI (8 Rx)	SNR (dB) ↑	21.12 ± 0.49	21.91 ± 0.52	21.00 ± 0.46	仅低 0.79 dB，显著优于 NeRF2 单一模型

在多接收端系统开销方面（以 RFID 21 网关部署为例）： - 训练耗时：RxGS (Ours-GSRF) 仅需 0.6 小时，相比 GSRF 独立训练的 5.5 小时加速 9.2×（在 WRF-GS+ 架构下从 13.6 小时压缩至 0.3 小时，加速达 45.3×）。 - 推理延迟：单发射端服务 21 个接收端仅耗时 31.2 ms，比 GSRF（238.1 ms）快 7.6×，比 NeRF2（2436.4 ms）快 78.1×，比 GRaF 快三个数量级。 - 存储占用：单模型权重仅 26.1 MB，相比独立存储 21 个 GSRF 模型（548.0 MB）实现 21× 存储压缩。

消融实验与未见接收端泛化¶

在 BLE RSSI 数据集（21 个网关）上对核心架构设计进行严格控制变量消融（基于 Ours-GSRF）：

配置	MAE (dBm) ↓	相对降级	说明
Full RxGS (Ours-GSRF)	3.57 ± 0.24	—	完整两阶段 + 全局/局部分支 + 复数仿射调制
联合训练 (无两阶段，几何未冻结)	4.44 ± 0.39	+0.87 dBm	几何与条件辐射率共缠，破坏空间静态一致性
仅保留全局分支 (w/o Local Branch)	4.11 ± 0.40	+0.54 dBm	丢失逐散射体末段视线遮挡与距离微观信息
仅保留局部分支 (w/o Global Branch)	3.91 ± 0.28	+0.34 dBm	缺乏全场景多径谐波分量的大尺度共模修正
纯加性位移调制 (w/o Affine)	4.02 ± 0.36	+0.45 dBm	无法严格承载由末段传播因子引起的复数缩放旋转
移除遮挡网格特征 (w/o $T_k, \bar{\rho}_k$)	3.95 ± 0.25	+0.38 dBm	证明射线穿透介质的衰减对末段幅度恢复极具价值

针对未见接收端的 3 折交叉验证（14 训练 / 7 测试）： - 在 BLE RSSI 上，为每个接收端独立建模的 GSRF 在未见位置直接崩溃（测试 MAE 从 3.6 跳跃至 9.7 dBm）；RxGS 在测试集上维持了 4.92 dBm 的平滑泛化，远优于独立模型直接匹配邻近网关的退化方案。 - 在室内定位下游任务中，仅物理部署 5 个网关并用 RxGS 零样本合成其余 16 个网关指纹，平均定位误差由 5.61 m 骤降至 2.98 m，弥合了全量物理密集部署（1.91 m）71% 的性能鸿沟。

关键发现¶

两阶段解耦是防过拟合的胜负手：消融中联合训练误差飙升 0.87 dBm，表明在稀疏射频信号下，必须通过 Stage I 强行锁定物理几何先验，才能规避多变量优化中的非凸局部极值。
低成本泛化与极高吞吐：RxGS 证明了在 3DGS 体系内无需为每个物理传感器保留全套几何副本。单一几何表征通过轻量网络外挂末段修正，能以低于 1 dB 的极小代价换取全域任意位置的连续预测能力。

亮点与洞察¶

物理导向的神经算子设计：跳过盲目的大模型拟合，严格从 Friis 传输方程与多径末段积分推导出全局-局部解耦及复数仿射调制的数学必然性，架构轻量而极具解释性。
底层计算流的软硬协同优化：敏锐抓住“发射端决定图元投影与前后遮挡关系、接收端仅改变辐射值”这一几何对称性，将多接收端批处理塞入单个 CUDA Kernel 的 $z$ 轴，实现了无原子冲突的硬件级极限加速。
虚拟传感器增强的新范式：在物联网指纹定位中成功验证了“极少硬件部署 + 神经场高密虚拟指纹插值”的实用价值，大幅压低了射频基础设施的工程铺设门槛。

局限与展望¶

静态室内环境假设：当前模型假定散射体与家具位置严格静止，若场景中存在走动的人员或重组的空间隔断，冻结的 Stage I 几何将引入不可逆的建模偏差；未来引入时间轴动态图元是关键迭代方向。
跨场景零样本迁移能力缺失：当前权重无法直接跨建筑迁移，在新环境中仍需使用单参考接收端跑完 Stage I；若能融合室内建筑布局先验构建大一统跨场景基础模型，将真正实现即插即用。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次打破 3DGS 射频合成对单一固定接收端的结构局限，理论推导严密。
实验充分度: ⭐⭐⭐⭐⭐ 覆盖 RSSI、空间谱、CSI 三种模态，含多折交叉泛化、消融与定位下游任务。
写作质量: ⭐⭐⭐⭐⭐ 物理动机清晰，公式推导严谨，系统工程与硬件加速闭环完整。
价值: ⭐⭐⭐⭐⭐ 极大降低了射频勘测与高密度定位系统的落地门槛，具备显著工程实用价值。