知识卡片：IIns-GAN——用深度生成模型合成带标签的无线信号

一句话结论

IIns-GAN 是一种面向无线感知的深度生成模型，用生成对抗网络合成带标签的无线信号；在公开 UWB 数据集上，生成信号的物理特征接近真实测量，并能用于距离估计、环境识别等模型训练任务。

事件概述或研究问题

无线感知模型的性能评估和训练依赖大量带位置相关标签的无线信号，但实测数据的采集与标注成本很高。传统合成方法通常依赖环境模型，需要大量超参数调节，且保真度不足以支撑完整模型训练。为此，研究者提出基于深度学习的 Inter-Instance Generative Adversarial Networks（IIns-GAN），用于生成具有真实感的带标签无线信号。

方法/产品要点

方法类别：基于生成对抗网络（GAN）的深度生成模型。
生成目标：带标签的无线信号，可适配不同环境场景。
下游适用任务：距离估计、环境识别等无线感知训练任务。
验证数据：公开 Ultra-Wideband (UWB) 数据集。
待核实：论文标题中的“Inter-Instance（实例间）”具体生成机制、网络架构和标签生成细节在摘要中未展开。

主要结果或产业意义

在公开 UWB 数据集上，IIns-GAN 生成的信号在物理特性上能够反映真实测量数据的特征。
生成信号可显著提升多种无线感知任务的模型训练效果。
产业意义在于：有望减少无线感知系统开发中对大规模实测数据采集和人工标注的依赖，降低数据获取成本。

为什么重要

无线信号实测数据常受场景、设备、测量成本等因素限制，带标签数据尤其稀缺。IIns-GAN 提供了一条不同于传统环境仿真的数据驱动合成路径，把 GAN 引入无线信号级数据生成，直接服务于下游感知模型的训练数据需求。

本条卡片的增量信息是：与“MultiPathFormer：面向多径无线传播的基础模型”侧重的信道表征预训练不同，IIns-GAN 聚焦于“生成带标签训练数据”这一数据稀缺问题，属于数据合成方向，二者互补而非重复。

局限与不确定性

摘要未给出定量性能数据和对比基线，具体提升幅度与评价指标待核实。
生成机制、网络结构、训练复杂度等问题待核实。
“适配不同环境场景”的能力目前仅在公开 UWB 数据集上验证，对其他频段、场景的泛化性待核实。
生成信号的标签质量与可解释性未在摘要中说明，待核实。

可用于图书/PPT/简报的角度

可作“生成式 AI 解决领域数据稀缺”的案例：与其进行昂贵的实测采集与标注，不如用 GAN 生成带标签射频信号，辅助下游模型训练。
可作为“AIGC + 无线通信/感知”交叉方向的例证，展示深度学习生成模型如何与传统射频数据仿真互补。

英文标题

A Deep Generative Model for Synthesizing Labeled Wireless Signals

英文关键词

Wireless signal synthesis; Generative adversarial network; Wireless sensing; UWB; Position-related labels

原始材料

作者：Yuxiao Li, Keke Hu, Santiago Mazuelas, Yuan Shen
arXiv ID：2609.05396v1
发布时间/更新时间：2026-09-04
摘要 URL：https://arxiv.org/abs/2609.05396v1
PDF URL：https://arxiv.org/pdf/2609.05396v1