扩大低成本合成数据预训练规模可改善室内无线电地图预测

arXiv:2610.19015v1 公告类型：新论文 摘要：真实测量数据过于有限，难以训练出能够适用于各种建筑的准确室内路径损耗预测器。大规模合成数据预训练提供了一条可行路径，但真实建筑布局同样稀缺，而精确的射线追踪仿真器速度慢、成本高，且往往为专有软件。为解决这两个问题，我们提出了一种可自动创建多样化室内布局的生成器，以及一种快速、开源的近似射线追踪器，用于计算这些布局的无线电地图。利用这一流程，我们生成了1.28亿个合成样本，对 ResNet-101 和 Swin-T 编码器—解码器进行预训练，并在高质量基准数据上进行微调。尽管存在仿真器与真实环境不匹配的问题，我们的 ResNet-101 模型在五项室内无线电地图预测任务中的误差相较于已知最佳方法平均降低了15%，并在一个小规模真实测量数据集上提升了迁移性能。两种架构均表现出可预测的数据规模扩展趋势：使用200万至1600万个样本拟合的幂律，可预测样本规模达到3200万至1.28亿时下游任务的平均归一化均方根误差（RMSE），其中 ResNet-101 的平均绝对百分比误差为3.33%，Swin-T 为7.10%。这些结果表明，即使真实测量数据和高质量仿真有限，利用大量低成本仿真数据进行预训练仍可改善室内无线电地图预测。