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

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

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

本文介绍了一种基于 Markovian 模型的深度卷积神经网络框架 MarkovNet，用于对前向通道状态信息 (CSI) 进行编码、传输和恢复，以提高 CSI 的重建精度和反馈效率。与基于递归神经网络 (RNN) 的方法相比，MarkovNet 在保证重建准确性的前提下，能显著降低成本和复杂度，尤其在反馈量化方面表现优异。

Sep, 2020

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

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

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

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

本文提出一种拼图辅助的训练策略，旨在通过最大化原始 CSI 和压缩 CSI 之间的互信息，增强深度学习的大规模 MIMO CSI 反馈方法，实验结果表明，采用这种训练策略可以使在室内和室外环境中的准确度平均提高 12.07％和 7.01％，此方法可用于现有的深度学习框架。

Aug, 2022

本文介绍了一种联合优化的网络，用于信道估计和反馈，以学习光谱效率波束形成器。同时，应用了部署友好型子阵混合波束形成架构，并特别设计了实用的轻量级端到端网络。实验证明，与仅具有轻微性能损失的先前现有技术方法相比，所提出的网络在资源敏感的用户设备上更轻了 10 倍以上。

Feb, 2023