.png){kind=icon}
返回
Generative Diffusion Models for High Dimensional Channel Estimation
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2025.3549592.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着生成式人工智能（AI）的繁荣，其在解决无线通信领域传统挑战方面的潜力也显现出来。受此趋势启发，我们研究了先进扩散模型（DMs），作为生成式AI模型的代表性类别，在高维无线信道估计中的应用。通过捕获由DMs编码的深度生成先验的多输入多输出（MIMO）无线信道结构，我们开发了一种新颖的后验推理方法用于信道重建。我们进一步将所提出的方法适应于从低分辨率量化测量中恢复信道信息。此外，为了增强空口可行性，我们将DM与无监督的Stein无偏风险估计器集成，以实现从噪声观测中学习，并规避在实践中难以获得的地面真实信道数据的需求。结果表明，所提出的估计器在实现高保真信道恢复的同时，与最先进方案相比将估计延迟降低了10倍，促进了实时实现。此外，我们的方法在将导频开销减少一半的同时优于现有估计器，展示了其对超大规模天线阵列的可扩展性。
Keyword:
MIMO channel estimation
deep learning
diffusion models
generative AI
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
.png){kind=icon}
Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems基于深度学习的波束空间毫米波大规模MIMO系统信道估计
OAAI
OAAI分享收藏Hyperspectral Image Denoising Using SURE-Based Unsupervised Convolutional Neural Networks基于肯定的无监督卷积神经网络的高光谱图像去噪
PREAI
分享收藏
分享收藏
查看更多内容