GeRaF是一種全新的方法，它利用神經隱式學習從射頻（RF）信號中重建近距三維幾何結構。與基於RGB或LiDAR的方法不同，RF傳感能夠穿透遮擋物，但由於其無透鏡成像特性，存在分辨率低和噪聲大的問題。在RGB成像中，透鏡將採樣限制在一維光線上，而RF信號則在整個空間傳播，引入了大量噪聲，導致體渲染的計算複雜度呈立方增長。此外，RF信號與表面通過鏡面反射相互作用，需要從根本上不同的建模方法。
為了解決這些挑戰，GeRaF提出了三項關鍵創新。首先，它引入了基於濾波的渲染來抑制無關信號，從而減少噪聲的影響。其次，實現了基於物理的RF體渲染管線，能夠更準確地模擬RF信號的傳播和反射過程。第三，提出了一種新穎的無透鏡採樣和無透鏡阿爾法混合策略，使得在訓練過程中全空間採樣成為可能，從而避免了傳統方法中採樣點稀疏的問題。這些創新共同解決了RF信號處理中的核心難題，使得高質量的三維重建成為可能。
通過多層感知機（MLPs）和可訓練參數，GeRaF學習符號距離函數、反射率和信號功率。該方法在真實場景中首次實現了從RF信號重建毫米級幾何結構，展示了神經隱式學習在非傳統傳感模態中的巨大潛力。該工作由Jiachen Lu等人完成，於2026年5月27日提交至arXiv，並被NeurIPS 2025接收為Spotlight論文。相關代碼和預印本可在arXiv上獲取（arXiv:2605.29097）。GeRaF的提出為穿透性傳感和三維重建開闢了新的道路，尤其在自動駕駛、機器人導航和隱蔽目標檢測等領域具有廣闊的應用前景。