本文提出了一种基于深度学习技术的方法，采用了深度循环神经网络（RNN）来学习时空相关性，并采用分离的深度可分离卷积来压缩信道状态信息（CSI）。实验结果表明，该方法在恢复质量和准确性方面优于现有的基于深度学习的方法，并且在低压缩比（CR）下也能达到显著的鲁棒性。

Aug, 2019

本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM，通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性，大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明，CsiNet-LSTM 优于现有的压缩感知和 DL 方法，并且在压缩比减小的情况下具有明显的鲁棒性。

Jul, 2018

该研究介绍了一种新的神经网络架构，使用卷积神经网络压缩和反馈信道状态信息，加入长短期记忆模块以实现多路径输入多路径输出（MIMO）通信的量化 CSI 反馈性能提高，实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。

Nov, 2018

使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

Dec, 2017

该论文提出了一种基于多任务学习的反馈网络架构及相应的训练方案，该方法可以在减少训练成本和存储使用的同时，实现全面的反馈性能。关键词包括：深度学习、信道状态信息、CSI、多任务学习和大规模 MIMO。

Apr, 2022

本文提出了一种基于深度学习的信道状态反馈 (CSI) 网络，通过低复杂度轻量级的 CSI 反馈网络实现了有效 CSI 反馈，该网络在重构性能方面表现更好，并且维持了较少的参数和参数复杂度，具有可行性和潜力。

May, 2020

本文提出了一种基于自编码器架构的基于 AI 的 CSI 反馈方法，通过将 CSI 编码成低维度潜空间并在 BS 处解码回来来有效地减少反馈开销，同时最小化恢复期间的损失，仿真结果表明，该 AI-based 建议的架构优于采用 5G New Radio（NR）系统中采用的 DFT 基础上的最先进的高分辨率线性组合码书。

Feb, 2022

该论文提出了一种基于 HyperRNN 的增强型端到端设计，利用下行和上行信道同时进行极化和时变相关性，优化长期信道特征从上行到下行的传递，从而降低了归一化均方误差（NMSE）性能并减少了导频长度。

Apr, 2021

本文提出了一种名为 CRNet 的新型反馈网络，通过在多个分辨率上提取 CSI 特征，实现更好的性能，并介绍了一种先进的训练方案以进一步提高网络性能。仿真结果表明，所提出的 CRNet 在相同计算复杂度下优于最先进的 CsiNet，且不需要额外的信息。

Oct, 2019

本文提出了一种多速度压缩感知神经网络框架来压缩和量化 CSI，从而提高重建精度、减少存储空间，增强系统可行性，并通过可视化参数研究了基于深度学习的 CSI 反馈方法的压缩和重建机制，提供了随后的研究指导。

Jun, 2019