MMAug, 2023

基于生成扩散模型的射频无线信道建模与采样

PDF
TL;DR本文提出了一种基于扩散模型的信道采样方法，用于快速合成有限数据中的信道实现。实验证明，相比于基于 GAN 的方法，该基于扩散模型的方法在训练稳定性和生成多样性方面表现更好，并且可以使用有限数据对真实世界信道进行建模。
channel modellingdiffusion modelu net2-wasserstein distancepower spectrum
发现论文，激发创造
  • 使用扩散模型进行端到端信道编码学习

    通过扩散模型对信道进行近似处理，提出了一个高效的基于扩散模型的端到端信道编码框架，模拟结果表明扩散模型能准确学习信道分布，从而实现接近最优的端到端符号误码率，并具有在高信噪比区域具有稳健的泛化能力的优势。

    Sep, 2023

  • 基于扩散的低复杂度 MIMO 信道估计的生成先验模型

    基于扩散模型的信道估计器结合了轻量级卷积神经网络和位置嵌入技术，通过学习稀疏角度域中的信噪比信息，避免了随机重采样和截断逆扩散步骤来提高估计性能。与利用生成先验的最新信道估计器相比，该方法具有更低的复杂性和内存开销。

    Mar, 2024

  • MIMO-GAN：生成 MIMO 信道建模

    该研究提出了使用生成式渠道建模从信道输入输出测量中学习统计信道模型来代表现场数据，使用 MIMO - GAN 模型将无线信道隐式建模成时域带限脉冲响应分布，评估结果表明在捕获電力、时差和空间相关性统计方面具有高一致性，尤其是平均时延误差小于 3.57ns，功率损失在 - 18.7db 以内。

    Mar, 2022

  • 小波扩散模型：快速可扩展的图像生成器

    通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。

    Nov, 2022

  • 基于生成式神经网络的毫米波信道建模

    本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

    Aug, 2020

  • 利用变分生成对抗网络从观测中学习随机信道模型逼近虚空

    本研究提出使用变分生成对抗网络来解决无线信道建模中的问题，可以精确地捕捉随机的信道响应，并且可以在一系列真实信道分布上优化性能。

    May, 2018

  • WiGenAI: 无线通信与生成式人工智能的交融：扩散模型的交响乐

    使用生成式人工智能 (generative AI)、扩散模型 (diffusion models) 和去噪扩散概率模型 (DDPM) 研究了其在无线通信系统中的应用，并提出了具有鲁棒性的 AI 原生通信系统的发展方向与开放问题。

    Oct, 2023

  • 时变无线通信信道的衰落和阴影建模

    在这篇论文中，我们提出了一种将深度学习神经网络与混合密度网络模型相结合的新方法，以得到普通无线通信系统中给定通信距离的接收功率的条件概率密度函数（PDF）。此外，我们还设计和实现了一种深度迁移学习方案，使得信道模型能够动态适应通信环境的变化。通过在 Nakagami 衰落信道模型和 Log-normal 阴影信道模型上进行广泛实验，结果表明新方法比以前基于深度学习的信道模型在统计准确性、速度和鲁棒性方面更好。

    May, 2024

  • 从离散的标记到高保真音频的多频带扩散

    利用高保真多带扩散模型，基于低比特率离散表示生成任何类型的音频，其感知质量比最先进的生成技术更好。

    Aug, 2023

  • 用去噪漂移 GAN 解决生成学习三难问题

    本文提出了一种基于多模式条件 GAN，使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络，同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍，并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。

    Dec, 2021