빠른 무선 채널 모델링을 위한 복셀화 방사장 VoxelRF

초록

VoxelRF는 기존 NeRF 기반 무선 채널 모델의 고비용 MLP를 삼차 보간을 이용한 복셀 그리드와 얕은 MLP 두 개로 대체하여, 학습·추론 속도를 크게 높이면서도 높은 스펙트럼 정확도를 유지한다. 빈 공간 스킵핑, 점진적 학습, 배경 엔트로피 손실을 도입해 데이터 효율성과 일반화 능력을 강화하였다. 실험 결과, 제한된 학습 데이터와 저사양 GPU에서도 NeRF‑2·WRF‑GS+보다 우수한 SSIM을 달성했다.

상세 분석

본 논문은 무선 채널 모델링에 NeRF 개념을 적용한 기존 연구들의 근본적인 한계, 즉 깊은 MLP에 의존한 높은 연산 비용과 느린 추론 속도를 근본적으로 재설계한다. 핵심 아이디어는 ‘복셀화 방사장(voxelized radiance field)’이라는 명시적‑암시적 하이브리드 표현을 도입하는 것이다. 구체적으로, 공간 내 감쇠(attenuation)와 특성(feature)을 각각 3차원 복셀 그리드(V_attn, V_feat)로 저장하고, 샘플링 포인트 x_i에 대해 삼차 보간(trilinear interpolation)으로 σ(x_i)와 Feat(x_i)를 얻는다. 보간 연산은 미분 가능하므로 역전파가 가능해 학습이 직접적으로 복셀 값에 반영된다.

이때, 기존 NeRF‑2가 64개의 샘플을 매 레이마다 고정적으로 MLP에 전달하던 방식과 달리, VoxelRF는 ‘빈 공간 스킵핑(empty space skipping)’을 적용한다. 감쇠값이 사전 정의된 임계치 τ 이하인 경우 해당 샘플을 건너뛰어, 대부분이 공기인 실내·실외 환경에서 불필요한 연산을 크게 절감한다. 또한, 복셀 해상도를 점진적으로 늘리는 ‘프로그레시브 러닝’ 전략을 채택해 초기 학습 단계에서 저해상도 그리드로 빠르게 전역 구조를 파악하고, 이후 단계에서 해상도를 두 배씩 확대한다. 이는 과적합 위험을 낮추고 학습 안정성을 높이는 효과가 있다.

동적인 Tx 위치에 따른 방사장 변화를 모델링하기 위해 ‘변형 네트워크(deformation network)’ D를 도입한다. D는 각 샘플 x_i에 대해 ΔFeat(x_i)를 예측하고, 기존 정적 특성 Feat(x_i)와 합산해 동적 특성을 만든다. 이렇게 하면 Tx 위치가 변해도 기본 물리 파라미터(전도도·유전율 등)는 복셀에 고정되고, 위치 의존적인 다중 경로 효과만이 얕은 MLP에 의해 보정된다.

방사장 자체는 또 다른 얕은 MLP I에 의해 S(x_i,−ω) 를 출력한다. 여기서는 softplus와 sigmoid 활성화를 각각 감쇠와 방출 신호에 적용해 물리적 의미를 유지한다. 입력으로는 복셀에서 얻은 Feat와 ΔFeat, 그리고 위치·방향에 대한 위치 인코딩(E(p))을 사용한다. 위치 인코딩 차원 L은 Tx 위치와 샘플 위치에 5, 시야 방향에 4로 설정돼 고주파 변동을 충분히 포착한다.

손실 함수는 기본 스펙트럼 MSE(L_spectrum)와 배경 엔트로피 손실(L_bg)의 가중합이다. L_bg는 레이의 누적 감쇠 T_K(ω) 를 이진 확률로 해석해, 공기와 물체 경계에서의 명확한 판별을 유도한다. λ_bg=1e‑4 로 설정해 주 손실에 과도히 영향을 주지 않으면서도 수렴 속도를 가속한다.

실험에서는 160×160×160 복셀(특성 차원 24)과 두 개의 2‑layer MLP(256 채널)으로 구성했으며, 100k 이터레이션(≈1시간) 내에 수렴했다. RFID 실내 데이터셋(915 MHz, 4×4 안테나)에서 80 % 학습·20 % 테스트 비율로 평가했으며, SSIM 기준으로 NeRF‑2(0.730.92), WRF‑GS+(0.600.90), DCGAN(0.63~0.89)보다 전반적으로 높은 값을 기록했다. 특히 학습 데이터 양을 10 %까지 축소했을 때도 VoxelRF는 평균 SSIM 0.85 이상을 유지해 데이터 효율성이 뛰어나다는 점을 입증했다.

요약하면, VoxelRF는 복셀 기반 명시적 표현과 얕은 MLP를 결합해 연산량을 O(1) 수준으로 낮추고, 빈 공간 스킵핑·프로그레시브 학습·배경 엔트로피 손실을 통해 학습 효율과 일반화 성능을 동시에 확보한다. 이는 실시간 채널 예측, 모바일/엣지 디바이스에서의 경량 모델링, 그리고 다중 주파수·다중 Tx 시나리오 확장에 유리한 기반을 제공한다.