GeRaFは、無線周波数（RF）信号から近距離の3次元形状を再構成するために、ニューラル陰関数学習を初めて用いた手法である。本論文はJiachen Lu氏と他2名の著者によって執筆され、2026年5月27日にarXivへ投稿された（識別番号2605.29097、コンピュータビジョンとパターン認識のcs.CV分類）。さらにNeurIPS 2025でSpotlight論文として採択され、『Advances in Neural Information Processing Systems』第38巻（2026年）の94200〜94230ページに収録されている。
研究チームは、RGBやLiDARに基づく従来手法との違いを明確にしている。RFセンシングは遮蔽物を透過して見ることができる一方、レンズを持たない結像の性質上、解像度が低くノイズも大きい。この特性は大きく二つの課題を生む。第一にサンプリングの計算量である。RGB撮像ではレンズがサンプリングを1次元の光線上に制約するが、RF信号は空間全体を伝播するため大きなノイズを伴い、ボリュームレンダリングの計算量が3乗オーダーに膨らむ。第二に表面との相互作用のモデリングである。RF信号は鏡面反射によって表面と相互作用するため、光学撮像とは根本的に異なる定式化が必要となる。
これらの課題に対し、GeRaFは三つの設計を導入する。まず、無関係な信号を抑圧するフィルタベースのレンダリングを採用する。次に、物理原理に基づくRFボリュームレンダリングのパイプラインを実装する。そして、学習時に全空間サンプリングを実行可能にする新しいレンズレスサンプリングとレンズレスアルファブレンディングの戦略を提案する。
表現学習の面では、GeRaFは多層パーセプトロン（MLP）と学習可能なパラメータを通じて、符号付き距離関数、反射率、信号電力を同時に学習する。これにより、実環境においてRF信号からミリメートル級の形状を再構成する第一歩を達成した。著者らはGeRaFをこの方向への最初の試みと位置づけており、RFを用いた陰関数形状再構成がまだ初期段階にあり、精度やロバスト性の検証と向上は今後の課題であることを示唆している。
より広い観点では、本研究の意義はニューラル陰関数再構成を可視光の視覚センサから、遮蔽を透過できるRFモダリティへ拡張した点にある。実環境で手法が成熟すれば、視界が遮られた状況での近距離形状取得など、遮蔽下の知覚タスクへの応用が考えられる。ただし論文の要旨も認めるとおり、低解像度とノイズはRF撮像に固有の弱点であり、GeRaFの貢献は問題を完全に解決したことではなく、方法論的な枠組みを提示したことにある。