本文研究了基于深度神经网络的 MIMO 检测，并提出了一种适用于此检测任务的现代神经网络架构。通过数值模拟，结果表明，深层网络可以在显著降低复杂性的同时，提供针对具有不良条件通道和误指定噪声方差的鲁棒性，达到最先进的准确性。

Jun, 2017

本文介绍了两种不同的深度神经网络结构：一个标准的全连接的多层网络和一种特别设计用于该任务的检测网络 (DetNet)。我们将投影梯度下降算法的迭代展开成网络，获得了 DetNet 的结构。我们比较了这两种方法的准确性和运行时间，并成功地在保持低计算要求的情况下实现了最先进的性能。此外，我们成功地使用单个网络检测了整个频道分布，并考虑了软输出检测。我们证明这些网络可以被轻松地修改为产生软决策。

May, 2018

本研究提出了一种新的深度学习方法，即使用另一个神经网络（超网络）来生成基于神经网络的检测器的权重，以解决多输入多输出系统的最优符号检测问题，并且能够在不需要重新训练的情况下实现接近最先进性能的结果。

Feb, 2020

本文介绍了一种基于深度学习和迭代软阈值算法的 MMNet MIMO 检测方案，通过该方案，可以在同等或更低的计算复杂度下，实现对具有空间相关性的实际信道的在线训练，并在性能上远远优于现有的深度学习方法。

Jun, 2019

本文介绍了利用模块化神经网络实现多天线信号检测，通过降低干扰和信号扩展以及神经网络的设计来达到减小量化误差的目的。本文的方法可以通过模块化来降低学习复杂度，并具有优于其他基于深度学习的 MIMO 检测方法的性能。

Apr, 2020

本文提出了一种基于数据驱动的深度学习方法，用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性，该方法可以从欠定的测量中可靠地重构高维信道，模拟结果表明，该方法优于最先进的压缩感知方法。

Mar, 2020

论文提出了一种新颖的基于无监督深度学习的物理层方案，该方案在单用户多输入多输出 (MIMO) 通信中具有显著的潜力，其考虑了空间多样性和空间复用技术，并将无线信道失真模型引入自编码器优化问题中。

Jul, 2017

本文使用图神经网络（GNNs）学习图模型和马尔可夫链的随机场（MRF）来解决无线通信中的大规模 MIMO 检测问题，实验表现出比基于置信传播（BP）的 MMSE（minimum mean-squared error）基准检测器更好的性能。

Jul, 2020

本研究提出了一种基于模型驱动深度学习技术的大规模 MIMO 检测器，通过构建一个学习的共轭梯度下降网络（LcgNet），明确学习它们的通用值和增强网络通过增加这些步长的维度，并通过低分辨率非均匀量化器智能量化步幅，有效地减少了复杂性和内存成本。

Jun, 2019

本文提出了一个深度学习框架，用于大型智能表面辅助大规模 MIMO 系统中的通道估计，其核心是双卷积神经网络结构，用于估计直接和级联信道，结果表明该方法性能优越。

Jan, 2020