研究人员开发了一个新的多模态框架，使用高分辨率Transformer（HRFormer）来预测城市电磁场（EMF）图。该方法整合了建筑布局图像和天线配置，以生成详细的电磁场图，这对于蜂窝网络规划至关重要。该模型采用特征化线性调制（FiLM）和交叉注意力机制进行条件化，以及一种新颖的复合损失函数，通过上调高信号像素来提高预测精度。 AI
影响 这项研究通过改进电磁场预测，可能带来更高效、更准确的蜂窝网络规划。
排序理由 该集群包含一篇研究论文，详细介绍了用于特定预测任务的新模型架构和方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.27671v1 Announce Type: new Abstract: Predicting electromagnetic field (EMF) strength in urban environments is essential for cellular network planning but computationally expensive with physics-based simulators. We propose a multi-conditioned dense prediction framework …
Predicting electromagnetic field (EMF) strength in urban environments is essential for cellular network planning but computationally expensive with physics-based simulators. We propose a multi-conditioned dense prediction framework that generates 500 500 EMF maps from building la…