開題先直接給結論
RuView（原名 WiFi DensePose）由 GitHub 用戶 ruvnet（Reuven Cohen）發布的開源項目，宣稱利用普通 WiFi 信號的 CSI（Channel State Information）數據，通過 ESP32-S3 等低成本硬件，實現無攝像頭的穿墻人體姿態估計、生命體征監測（呼吸、心率）、存在檢測、跌倒檢測等功能。該項目在 GitHub 上迅速獲得極高關注度，目前 Star 數已超過 65,000。
經過樓主收集大量數據，和GitHub社區反饋，并且和國內做WIFI項目的一個實驗室交流過后，一致確認本項目為假，純騙Star，以下是樓主目前收集到的信息，希望大家能有自己的分析，樓主的建議僅供參考！
①項目問題
#509問題，Feedback & Analysis: Unable to reproduce multi-node (4x ESP32-S3) 17-keypoint pose estimation & Missing model weights（無法再現多節點(4x ESP32-S3) 17關鍵點姿勢估計和丟失模型權重）
https://github.com/ruvnet/RuView/issues/509
"The Real Part (Hardware & Data Pipeline): The infrastructure layer is genuine. The ESP32-S3 firmware correctly utilizes ESP-IDF APIs to extract CSI ... The Rust backend and WebSocket transport layers are also solidly implemented." "The Missing Part (AI Inference): The core AI layer seems incomplete. While the network architecture for DensePoseHead is defined in the code, there are no pre-trained weights (.pth or .onnx files) available in the repository."
（一）很明顯，雖然ESP32 S3確實在獲取CSI信息，并且WebSocket層也能跑通。問題是后端并沒有可以推理的模型，所以到底怎么得出17 關鍵點姿態估計結果？
"CMU's research heavily relies on multi-antenna commercial NICs (like Intel 5300 or Atheros with 3x3 MIMO) which provide rich spatial resolution."
"ESP32s only have 1x1 SISO antennas. While a 4-node mesh could theoretically compensate for this, achieving the microsecond/nanosecond-level clock同步 required for accurate 3D spatial field reconstruction and triangulation across discrete ESP32s is notoriously difficult."
（二）項目聲稱可以用ESP32-S3 實現 CMU 論文同等功能，問題是CMU 論文用的是 3×3 MIMO 網卡（英特爾5300，3發3收），但是ESP32-S3 只有 1×1 SISO，所以確定可以用1x1的天線去實現3x3MIMO的效果嗎？
注：卡內基梅隆大學（CMU）2023 年發表的論文《DensePose From WiFi》。CMU 的研究團隊用三個 WiFi 發射器和三個接收器，在 30 個子載波頻率上生成 150×3×3 的張量，然后用修改后的 DensePose-RCNN 架構將 WiFi 信號轉化為人體表面的 24 個區域映射。
"The backend/UI relies heavily on a 'simulation mode'. When the system lacks real UDP data (or real inference outputs), it renders pre-generated skeletal animations to populate the dashboard."
"When real data is received, since there are no actual neural network weights loaded, older code paths (like pose_service.py) seem to rely on simplistic if-else thresholds on signal norms (e.g., if feature_norm > 2.0 return 'walking') instead of actually computing the 17 COCO keypoint coordinates via tensor operations."
（三）用戶發現前端展示的不是真實推理結果，而是預生成的骨骼動畫。就是當你打開前端網站的時候，發現有人體骨架在動，其實不是系統感知到你，而是因為沒有真實數據，系統播放了一段預設的“動畫”給你看。
并且沒用神經網絡，而是只有簡單的if-else 閾值判斷，所以這和17關鍵點姿態估計有什么關系嗎
②沒有成功案例
#230問題，There hasn't been a successful running video of this project been published yet（這個項目還沒有一個成功的運行視頻發布）
確實如他標題所說，目前項目65k+ Star，網上沒有任何一個"成功運行"的視頻或者教程，正常這么多Star的項目，早就有類似相關的成品，或者是改進版的項目出現了，而這個項目除了滿天飛的項目介紹，在公眾號和抖音以外，沒有找到任何有用的資料了。
③樂鑫官方
樂鑫官方是有ESP-CSI示例的https://github.com/espressif/esp-csi
"CSI data is sensitive to environmental changes. Furniture movement, door opening, or even a running fan can cause false positives."
"Breathing detection requires the subject to be within 1 meter of the antenna and remain still for at least 30 seconds."
很明顯官方給出的示例都達不到這么RuView說的這么強的效果，在我看來，最多就能實現，人來人走的識別、人奔跑的識別就已經非常不錯了
標題：DensePose From WiFi
作者：Jiaqi Geng, Dong Huang, Fernando De la Torre（卡內基梅隆大學）
arXiv：2301.00250，2023 年發表
核心問題：能否用 WiFi CSI 信號（而非攝像頭）估計人體的 DensePose
論文下載：https://mbb.eet-china.com/download/322344.html
論文使用的硬件信息
論文結果
CMU 論文用 3×3 MIMO 陣列（9 個獨立信道）、4 塊 Titan X GPU、13,600 個配對訓練樣本、16 種實驗室環境，才在"同環境"條件下達到相機一半精度（AP 43.5），且明確承認跨環境泛化暴跌、3 人以上失敗、需要研究級硬件。
RuView 聲稱用 1×1 單天線 ESP32（1/9 空間分集）、無訓練數據、無 GPU、任意家庭環境，實現比 CMU 更好的效果
所以，這對嗎？？？？
總結
基于目前我對這個項目的分析，以及國內某個實驗室的佐證，我認為項目為假，所以大家不需要再浪費時間去研究這個項目了
WiFi 人體感知在"存在檢測"和"跌倒檢測"層面已進入商用階段（802.11bf 標準推動），但"姿態估計"仍停留在學術研究階段，且僅限于 3×3 MIMO 研究級硬件的實驗室環境。消費級單天線設備（ESP32、家用路由器）由于物理維度不足，在數學上就無法反演人體姿態。全球沒有任何公司或學術團隊解決了這一瓶頸。
那些熬夜調試的夜晚，那些從Bug中突圍的頓悟，
不該只停留在過去的項目里。
把你在電子技術領域沉淀下的獨家心法拿出來曬曬，
讓更多人看到你的光芒。
現在投稿，京東卡與E幣雙重激勵等你拿！
