In-Context Learning for Deep Joint Source-Channel Coding Over MIMO Channels

doi:10.1109/TWC.2026.3697658

In-Context Learning for Deep Joint Source-Channel Coding Over MIMO Channels

2026-06-03

0

PRE

AI

DOI：10.1109/TWC.2026.3697658

原文链接

原文求助

摘要

En 中文

大语言模型已展现出进行上下文学习（ICL）的能力，即模型通过将查询和给定任务中的少数示例直接映射到输出变量来进行预测。本文研究了在多输入多输出（MIMO）系统中的图像传输背景下，深度联合信源信道编码（DeepJSCC）的ICL问题，其中采用ICL去噪器进行MIMO符号估计。首先，我们研究了无任何硬件损伤的收发器，并探索了在开环和闭环MIMO系统中将基于Transformer的ICL与DeepJSCC相结合的方法，具体取决于收发器处的信道状态信息（CSI）的可用性。对于开环和闭环场景，我们提出了两种利用上下文信息（即导频序列及其输出）作为额外输入的MIMO收发器架构，使DeepJSCC编码器、DeepJSCC解码器和ICL去噪器能够联合学习针对每个信道实现的编码、解码和估计策略。接下来，我们将研究扩展到一个更具挑战性的场景，其中收发器受到同相和正交（IQ）不平衡的影响，导致非线性MIMO估计。在这种情况下，上下文信息也被利用，以促进在硬件损伤和变化信道条件下DeepJSCC编码器、解码器和ICL去噪器之间的联合学习。数值结果表明，用于MIMO估计的ICL去噪器显著优于传统的最小二乘方法，在IQ不平衡条件下优势更为明显。此外，所提出的基于Transformer的ICL框架，结合上下文信息，在收发器IQ不平衡的情况下实现了端到端图像重建质量的显著提升。

Keyword:

Deep joint source-channel coding (DeepJSCC)

in-context learning (ICL)

in-phase and quadrature (IQ) imbalance

non-linear estimation

In-Context Learning for Deep Joint Source-Channel Coding Over MIMO Channels

摘要

期刊

机构

引用论文