WiFi 作为无处不在的信号是进行室内成像和同步最新信息给所有连接设备的一个有前景的选择。该研究工作首次将 WiFi 室内成像视为一个多模式图像生成任务，将测量得到的 WiFi 功率转换为高分辨率的室内图像。我们提出的 WiFi-GEN 网络实现的形状重构准确性是物理模型反演方法的 275％，此外，Frechet Inception Distance 得分减少了 82％。为了检验模型在这个任务中的有效性，我们发布了第一个大规模数据集，其中包含了 8 万对 WiFi 信号和成像目标。我们的模型将非线性、病态以及不确定性等挑战吸收到我们的生成 AI 网络的大量参数中，并且还设计了最佳拟合测得的 WiFi 信号和所需的成像输出。为了可复现性，我们将在接受后发布数据和代码。

Jan, 2024

基于 WiFi 信道状态信息（CSI）的人类活动识别实现了室内的非接触和视觉隐私保护感知。然而，由于环境条件和传感硬件的变化导致模型推广能力较差，这是该领域一个众所周知的问题。为了解决这个问题，在本研究中将常用于基于图像学习的数据增强技术应用于 WiFi CSI，探究它们对跨场景和跨系统设置下模型推广能力的影响。特别关注了直视（LOS）和穿墙非直视（NLOS）场景之间以及不同天线系统之间的推广能力，此前研究较少。我们收集并公开了一个人类活动 CSI 振幅谱图的数据集。利用这些数据，进行了一个消融研究，使用 EfficientNetV2 架构训练了基于活动识别模型，从而评估每种数据增强技术对模型推广能力的影响。实验结果显示，应用于 CSI 振幅数据的特定数据增强技术组合可以显著提高跨场景和跨系统的推广能力。

Jan, 2024

本文提出了一种利用无线点对点网络接收信号强度测量中的运动诱导方差进行实时壁障后运动成像、定位和跟踪的新方法，使用多径信道模型，将方差与运动空间位置相关的统计模型作为运动图像估计的框架，并从中应用卡尔曼滤波器以递归跟踪移动目标的坐标。

Sep, 2009

本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

Feb, 2023

我们在全被动可重构智能表面（RIS）辅助下的毫米波单用户单输入多输出（SIMO）通信系统中提出了一种基于变分推断（VI）的信道状态信息（CSI）估计方法，并且通过近似后验分布获得最大后验（MAP）估计，从而证明了所提出方法的有效性。

Aug, 2023

本文系统评估现有的信道状态信息 (CSI) 结构的开发利用，进而寻找更深层次的结构，开发适合于 CSI 数据的深度神经网络 (DNN) 设计，为未来性能提升提供了巨大潜力。

Dec, 2018

在本文中，我们提供了一个方案，通过从另一个传输通道预测信道状态信息（CSI）值，并将多频段信息拼接在一起，从频域改进室内指纹定位的准确性。我们在 COST 2100 模拟数据和从办公场景中收集的实时正交频分复用（OFDM）WiFi 数据上测试了我们提出的方案。

Sep, 2023

开发了一种方法，使用生成对抗网络 (GAN) 在现有数据集上生成了 3 万个合成的毫米波通道状态信息（CSI）样本，这些样本与原始数据展现出极高的一致性，将这些增强样本与真实数据结合使用以训练姿势分类模型，观察到增强样本对模型的泛化能力产生了积极的改进。

Jun, 2024

本文提出了一个包括数据收集，模式聚类，降噪，校准和轻量级一维卷积神经网络模型的端到端解决方案，并使用信号指纹技术解决复杂室内环境下通道状态信息的检测问题，实验表明该方法性能达到最佳神经网络和信道状态信息室内定位作品的 68.5％，参数极少。

May, 2022

本文提出了一种利用无线电信号生成可见光图像的新方法，采用双分支生成神经网络使用跨模态监督策略对视觉域内的基于信号的特征进行条件化，最终仅使用 Wi-Fi 信号成功地合成了人类轮廓和骨架视频。

Mar, 2022