文章来源 微信公众号 EW Frontier

残差扩散模型赋能MIMO CSI可变率联合信源信道编码，性能实现数量级提升

题目

残差扩散模型在MIMO信道状态信息可变率联合信源信道编码中的应用

摘要

尽管基于深度学习的信道状态信息（CSI）压缩技术取得了显著进展，但仍有一些关键局限性尚未得到解决。当前方法大多将CSI压缩视为纯信源编码问题，忽略了传输过程中的误差影响；传统的分离式信源信道编码存在悬崖效应，在复杂信道条件下重构性能会大幅下降。现有基于自编码器的压缩方案虽可直接扩展至联合信源信道编码（JSCC），但难以捕捉复杂的信道分布特征，且模型参数增加时可扩展性较差。为克服自编码器方法的固有缺陷，本文提出残差扩散联合信源信道编码框架（RD-JSCC），该框架将轻量级自编码器与残差扩散模块相结合，实现CSI重构的迭代优化。其灵活的解码策略可根据信道条件，在低复杂度自编码器解码和高精度扩散基重构之间动态切换，平衡计算效率与重构性能。大量仿真实验表明，在复杂无线环境中，RD-JSCC的性能显著优于现有基于自编码器的方法。此外，该框架还具备多项实用特性：推理阶段支持低时延的两步扩散过程、单模型兼容多种压缩率、对固定比特量化具有鲁棒性，且能适配非理想的信道估计场景。

引言

随着数据传输量的持续增长，大规模多输入多输出（MIMO）技术已成为下一代无线网络扩容的核心技术。基站通过部署大规模天线阵列，可让多个用户设备在非理想信道条件下实现高吞吐率通信，而这一目标的实现，需要精准的信道状态信息（CSI）以支撑下行传输的有效预编码。在频分双工（FDD）系统中，上行CSI可通过信道估计获取，下行CSI则需由用户设备高效反馈至基站。

深度学习已极大推动了物理层通信各领域的发展，包括非线性信道码设计、神经信道解码以及MIMO信道估计等，本文重点研究物理层中CSI的有损压缩问题。传统压缩技术如压缩感知，因CSI结构缺乏固有稀疏性，在CSI压缩中效果不佳，这使得深度学习成为更优选择。基于神经网络的有损压缩技术（即神经有损压缩）已在图像、视频压缩等领域备受关注，近年来，该方法也被用于提升CSI压缩效率——以CSINet为代表，其通过卷积神经网络实现了对当时主流压缩感知方法的性能突破，后续一系列研究进一步优化了基于卷积神经网络的CSI压缩技术，相关方法也被适配于CSI的联合信源信道编码。

扩散模型的引入为神经图像压缩带来了压缩效率和重构质量的双重突破，这类最初用于基于条件变量生成新图像的模型，被迅速应用于图像压缩领域，相关研究证明了扩散模型在压缩任务中的优越性，也为压缩技术提供了新的思路。尽管扩散模型在图像压缩中已得到广泛研究，但其在CSI压缩中的潜力仍未被充分挖掘。已有研究提出了基于生成扩散的CSI压缩框架，证明其在建模复杂信道方面显著优于传统自编码器方法。本文在该研究基础上，从两个关键维度进一步优化基于扩散的CSI压缩：一是通过平衡输出多样性提升重构保真度，将模型目标从生成新样本转向最大化重构精度；二是采用嵌套表示学习方法，在统一的隐空间中捕捉多个压缩等级。本文方法通过标量量化处理连续值隐变量，可直接映射至带功率约束的子载波，自然适配带噪传输，还能根据带宽约束的动态变化，实现压缩率的平滑、自适应调整。

本文提出一种新型的基于残差扩散的可变率CSI压缩框架，专为大规模MIMO系统中CSI矩阵的高效压缩设计。该框架的编码器采用低复杂度卷积神经网络架构，接收机端则采用两阶段解码流程，具体包括基于卷积神经网络的初始重构阶段，以及基于U型网络（U-Net）的扩散优化模块，实现CSI重构质量的迭代提升。本文的主要研究贡献如下：提出RD-JSCC灵活双阶段框架，以自编码器的粗略估计值初始化反向扩散过程，并对残差误差进行迭代优化，该设计支持在轻量级自编码器解码和两步扩散基重构之间自适应切换，平衡重构质量与低时延推理需求；采用基于连续值隐空间的嵌套表示学习框架，单模型即可支持多种压缩率，无需重新训练或切换模型，实现精细的带宽自适应；基于COST2100室外数据集和3GPP室内数据集，将RD-JSCC与当前主流的基于深度学习的JSCC方案对比验证，证明其性能相较于非扩散基线模型实现了数量级提升，且扩散基重构在统计特性复杂的信道分布中效果尤为显著；开展全面的消融实验，量化残差扩散设计、编码器复杂度和信噪比自适应对性能的贡献，系统分析不同信道场景下的复杂度-性能权衡关系，明确扩散基重构的适用场景；针对实际部署需求，验证了归一化均方误差（NMSE）的提升可显著降低块错误率（BLER），证明RD-JSCC对非理想信道估计具有鲁棒性，且在隐维度低至4比特的固定比特量化下，性能衰减可忽略不计。

方法简介

本文提出的RD-JSCC框架针对大规模MIMO系统的CSI压缩设计，核心为轻量级自编码器+残差扩散模块的两阶段架构，同时融合嵌套表示学习实现可变率压缩，整体方法围绕系统建模、基础自编码器设计、残差扩散优化、可变率压缩四大核心模块展开，关键设计与实现如下：

1. 系统建模：针对频分双工（FDD）模式的大规模MIMO系统，简化为单输入多输出（SIMO）配置（用户端单天线），下行CSI为复值矩阵，编码器将其压缩为固定长度的复值隐向量，压缩率由隐向量维度与CSI矩阵维度的比值确定；接收机分两阶段处理，先由自编码器解码器得到CSI粗略估计值，再通过残差扩散模型迭代降噪优化，以归一化均方误差（NMSE）为失真度量，通过两阶段训练优化模型参数。

2. 低复杂度自编码器设计：编码器采用轻量级卷积神经网络+全连接层架构，加入信噪比（SNR）自适应模块动态缩放特征激活值，提升不同信噪比条件下的鲁棒性；解码器采用含残差块的较深层架构，镜像编码器加入SNR自适应模块，以均方误差（MSE）为损失函数端到端训练，采用连续值隐表示而非矢量量化，避免悬崖效应，实现性能的平滑衰减，适配联合信源信道编码。

3. 残差扩散CSI优化：先将CSI从空频域转换至角时延域并截断，利用其稀疏性降低计算复杂度；接收机第一阶段由自编码器得到CSI粗略估计值，第二阶段以该估计值初始化反向扩散过程（区别于传统从高斯噪声初始化），采用U-Net作为扩散降噪网络的骨干网络，通过残差扩散公式迭代优化CSI重构值。模型采用x预测的扩散损失函数，支持少步扩散推理；训练分为两阶段，先训练自编码器，再冻结其权重训练扩散降噪网络，同时可根据上行信道质量，自适应选择单阶段（仅自编码器）或双阶段（自编码器+扩散）解码。

4. 可变率压缩实现：基于套娃表示学习（MRL）框架，在单模型中学习分层的嵌套隐表示，通过截断隐向量至不同长度实现多种压缩率，无需训练多个模型。扩展损失函数为各压缩等级的重构误差加权和，实现多压缩率的联合优化；单模型可支持离散压缩等级及所有中间等级，推理时根据可用带宽自适应选择隐向量维度，消除模型切换开销。

5. 实用化设计：引入μ律压缩扩频结合均匀标量量化，实现隐向量的固定比特表示，4比特/维度量化下性能衰减可忽略；将信道估计误差融入训练流程，提升模型对非理想CSI的鲁棒性；加入SNR自适应模块，让模型根据信道质量调整重构策略，进一步优化性能。

结论

本文提出一种混合式联合信源信道编码方案，用于MIMO信道状态信息（CSI）压缩，该方案将基于自编码器的初始估计与基于扩散的重构优化相结合。本文的残差扩散方法以自编码器的粗略估计值初始化反向扩散过程，专门针对CSI重构任务设计。这一两阶段框架可根据信道条件和性能需求，在任一阶段终止解码，实现计算复杂度与重构保真度的平衡。此外，借助x预测技术，本文实现了低复杂度的两步扩散推理，且性能损失极小，大幅降低了推理时延。

在不同信道复杂度的实验中发现，基于扩散的重构优化在统计特性复杂的信道分布中能发挥最优效果，而自编码器方案则可高效适配简单的信道分布。这些研究结果证明，在复杂的上行信道条件下，扩散模型有望提升基站端的CSI重构性能。

未来的研究方向包括：在单模型中进一步优化多速率压缩技术；深入研究量化效应对模型性能的影响；探索权重量化技术，提升模型轻量化程度；优化U-Net骨干网络，在保持性能的同时提高计算效率。此外，引入额外的损失函数（如传输与接收数据间的二元交叉熵损失、有效MIMO信道容量损失），直接针对下游任务进行优化，也是极具研究价值的方向。