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

利用离散傅里叶变换位移定理和多径互易的物理原理，本研究引入了一种新的基站下行信道状态信息上采样框架作为解决低密度导频放置导致的欠采样间隙的后处理解决方案，并结合迭代收缩阈值算法网络（ISTA-Net）架构。通过数值实验结果表明，本研究所提出的基于规则和深度学习的方法在性能上明显优于传统插值技术和现有最先进方法。

Mar, 2024

使用分布式生成器通过用户设备上传并使用局部数据进行训练，Dig-CSI 实现了具有较轻通信开销且性能可比的全局 CSI 反馈模型训练。

Dec, 2023

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

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

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

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

本文提出了一种基于卷积自编码器的信道图辅助定位方法，结合多路径信道状态信息，通过无人监督学习构建信道图以捕捉每个无线设备的相对位置，再引入半监督学习，进一步提高了定位精度。与现有的有监督和传统无监督方法相比，所提出的方法在精度上得到了显著提高。

Aug, 2021

在本文中，我们提出了一种低开销的基于 IEFSF 的少样本 CSI 反馈框架来应对大规模 MIMO 系统中的 CSI 反馈开销问题，通过在用户设备和基站之间进行合并和外推处理，形成低维特征向量的 CSI 矩阵，并利用领域知识和生成模型实现了少样本 CSI 反馈，实验结果表明，相比于现有方法，所提出的框架在几百个样本的情况下能够将 CSI 反馈开销降低 16 倍且保持较高的准确性。

Dec, 2023