특정 현장 기반의 전파 모델을 구축하려면 상세한 3D 지도를 이용한 레이 트레이싱(ray-tracing)이나 밀도 높은 측정 캠페인이 필요합니다. 두 접근 방식 모두 비용이 많이 들고, 지리 데이터가 없거나 오래된 신속 배포 환경에서는 종종 비현실적입니다. 우리는 3D 이방성 가우시안 프리미티브를 사용하여 무선 주파수(RF) 필드를 재구성하는 지도 없는 전파 모델링 방법인 PropSplat을 제시합니다. 각 가우시안은 학습 가능한 경로 손실 지수(path loss exponent)를 가진 명시적인 기준 경로 손실 모델 대비 스칼라 경로 손실 오프셋을 인코딩합니다. 가우시안들은 관측된 송신기-수신기 경로를 따라 초기화되며, 평면도, 지형 데이터베이스 또는 장애물 데이터와 같은 외부 정보 없이 전파 환경을 학습하기 위해 엔드투엔드(end-to-end)로 최적화됩니다. 우리는 두 가지 실제 데이터셋에서 PropSplat을 무선 복사 에너지 필드 방법인 NeRF$^2$, GSRF, 그리고 WRF-GS+와 비교 평가했습니다. 6개의 서브-6 GHz 주파수에서 여러 지형 지역에 걸친 대규모 실외 드라이브 테스트에서, 측정 간격이 300m일 때 PropSplat은 5.38 dB RMSE를 달성하며 WRF-GS+ (5.87 dB), GSRF (7.46 dB), NeRF$^2$ (14.76 dB)보다 우수했습니다. 실내 블루투스 저전력(Bluetooth Low Energy) 측정에서는 PropSplat이 0.19m의 평균 위치 추정 오차를 달성하여 NeRF$^2$ (1.84m)보다 한 자릿수 더 좋았으며, 수신 신호 강도 예측 정확도는 거의 동일하게 달성했습니다. 이러한 결과는 희소한 RF 네이티브 측정으로부터 정확한 현장별 전파 재구성이 가능하다는 것을 보여줍니다. 지리적 필요성은

확장 가능한 무선 주파수(RF) 환경 모델링을 위한 전제 조건인 그래픽 데이터가 줄어듭니다.