AntennaFlow模型实现无相位偏移天线测试
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载无相位测试的两个难点
大孔径天线的近场到远场变换是测试流程中的关键环节，但在毫米波频段上，相位数据的采集代价很高。与此同时，天线安装位置一旦偏离中心，传统方法所依赖的对中假设就不再成立。已有方案把这两类问题分开处理：要么需要密集的全场数据，要么需要事先知道偏移向量。这篇论文选择把两者合并处理，其出发点是观察到不同偏移下的幅度场其实是同一近场的坐标变换视图。由此产生的目标变得明确：在没有相位、也没有偏移向量的条件下，从带偏移的幅度数据中还原出对中后的场。
三阶段框架的构成
AntennaFlow 由三个环节串联而成。第一步是对比学习得到的编码器，把不同偏移下的视图映射为与偏移无关的嵌入表示；第二步是确定性的流匹配传输，把偏移幅度转换为中心对齐的幅度；第三步接入简化外推技术，该技术依赖格林函数的泰勒展开，而这一展开只在场已对中时才成立。三个环节的先后顺序有明确依赖：前两步负责消除偏移带来的坐标差异，第三步才具备可用的前提。论文称，该框架能够从稀疏的纯幅度测量中完成快速、无需相位、也无需偏移向量的近场到远场重建。
与既有做法的差别
既有方法要么依赖密集的全场采样，要么需要额外的偏移向量输入，两者都构成对测量条件的前置要求。AntennaFlow 的不同之处在于把偏移视为同一近场的不同坐标视图，而不是需要单独估计的未知量，因此省去了偏移向量这一输入项，也降低了对采样密度的依赖。论文的实验结果显示，该框架在保持物理一致性的同时，稳定优于现有基线方法。需要说明的是，材料给出的对比结论停留在“优于基线”这一层面，未列出具体指标数值与测试条件，因此不同场景下的实际增益幅度尚无法从材料中判断。
适用范围与阅读提示
从材料看，该工作的适用场景是毫米波频段下的大孔径天线近场测试，尤其是相位采集困难、安装存在偏移的情形。其限制也写在方法本身：简化外推环节的格林函数泰勒展开仅对中心对齐的场有效，因此前两步的校正质量会直接影响最终重建结果。论文共 6 页、含 6 幅图，归类于 cs.AI 与 cs.IT，提交时间为 2026 年 9 月 15 日。对关注天线测量流程的读者而言，这项工作的意义在于把相位获取成本与对中假设这两个约束放在同一个框架内处理，而不是分别打补丁。
为什么值得看
将生成流模型引入天线测试，解决了毫米波波段相位获取昂贵和安装偏移的双重难题。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。