超越潜在表示的 CSI 压缩：端到端混合注意力-CNN 网络带熵正则化
系统与控制
2025-12-17 v1 系统与控制
摘要
大规模 MIMO 系统依赖准确的信道状态信息(CSI)反馈以实现高增益波束成形。然而，反馈开销随天线数量线性增长，成为主要瓶颈。虽然最近的深度学习方法改进了 CSI 压缩，但大多数方法忽视了量化和熵编码的影响，限制了实际部署性。本文提出了一种集成空间相关性引导注意力机制与量化和熵感知训练的端到端 CSI 压缩框架。我们的模型有效地利用天线之间的空间相关性，从而学习紧凑、熵优化后的潜在表示以实现高效编码。这在不牺牲重构精度的前提下降低了所需反馈比特率，从而实现更优的速率-失真权衡。实验表明，我们的方法在室内数据集上超越了现有端到端 CSI 压缩方案，平均提升 21.5%；在室外数据集上提升 18.9%。该框架的结果是一种实用且高效的 CSI 反馈方案。
引用
@article{arxiv.2509.08776,
title = {CSI Compression Beyond Latents: End-to-End Hybrid Attention-CNN Networks with Entropy Regularization},
author = {Maryam Ansarifard and Mostafa Rahmani and Mohit K. Sharma and Kishor C. Joshi and George Exarchakos and Alister Burr},
journal= {arXiv preprint arXiv:2509.08776},
year = {2025}
}