GeRaF 是一项全新的研究，首次将神经隐式学习引入射频（RF）信号驱动的近距离三维几何重建领域。该论文由 Jiachen Lu 与另外两位作者共同完成，已于 2026 年 5 月 27 日提交至 arXiv（编号 2605.29097，属于计算机视觉与模式识别 cs.CV 分类），并被 NeurIPS 2025 接收为 Spotlight 论文，收录于《Advances in Neural Information Processing Systems》第 38 卷（2026 年），页码 94200 至 94230。
研究团队指出，与基于 RGB 或 LiDAR 的常规方法不同，射频传感具备穿透遮挡的能力，但由于其无透镜成像的本质，信号分辨率低且噪声明显。这一特性带来了两方面的核心难题。其一是采样复杂度问题：RGB 成像中的透镜会把采样约束在一维光线上，而 RF 信号会在整个空间中传播，产生大量噪声，并使体渲染的计算复杂度上升到立方级。其二是表面交互建模问题：RF 信号通过镜面反射与物体表面相互作用，因此需要与光学成像截然不同的建模方式。
针对上述挑战，GeRaF 提出了三项关键设计。第一，引入基于滤波器的渲染机制，用于抑制无关信号。第二，构建了基于物理原理的 RF 体渲染流程，使信号传播与反射过程得到合理刻画。第三，提出了新颖的无透镜采样与无透镜 alpha 混合策略，让全空间采样在训练阶段变得可行。
在表示学习层面，GeRaF 通过多层感知机（MLP）与可训练参数，同时学习符号距离函数、反射率与信号功率。借助这一组合，该方法在真实场景中实现了从 RF 信号重建毫米级几何的初步尝试。作者将 GeRaF 定位为迈向该方向的第一步，意味着射频隐式几何重建仍处于早期探索阶段，其精度与鲁棒性还有待后续工作进一步验证与提升。
从更广的视角看，这项工作的意义在于把神经隐式重建从依赖可见光的视觉传感器拓展到能够穿透遮挡的射频模态。如果该方法在真实环境中持续成熟，未来有望服务于视觉受阻条件下的感知任务，例如遮挡环境中的近距几何获取。不过论文摘要也明确承认，低分辨率与噪声仍是 RF 成像的固有短板，GeRaF 的贡献更多在于搭建方法框架，而非宣称已经彻底解决这些问题。