基于深度学习的宽带 XL-MIMO 系统近场域率自适应 CSI 反馈
信息论
2025-08-04 v1 信号处理
math.IT
摘要
精准且高效的信道状态信息 (CSI) 反馈对于释放极大规模 MIMO (XL-MIMO) 系统在未来 6G 网络中的显著频谱效率收益至关重要。然而，近场球面波传播与宽带场景中频率相关的束分裂效应的组合，为 CSI 的表示与压缩带来了重大挑战。本文提出了 WideNLnet-CA，一个面向宽带近场 XL-MIMO 系统的率自适应深度学习框架，旨在实现高效的 CSI 反馈。WideNLnet-CA 引入轻量级的编码器-解码器架构，采用多尺度下采样与上采样，集成高效残差模块以在降低开销的同时捕获复杂的多尺度信道特征。我们提出的压缩比自适应模块具备特征重要性估计功能，可根据目标压缩比动态调制特征选择，从而实现单一模型在广泛反馈率范围内的灵活适应。评估结果表明，WideNLnet-CA 在各种压缩比和带宽下均一致优于现有的压缩感知和深度学习方法，同时保持快速推理和低存储需求。
引用
@article{arxiv.2508.00626,
title = {Deep Learning-Based Rate-Adaptive CSI Feedback for Wideband XL-MIMO Systems in the Near-Field Domain},
author = {Zhenyu Liu and Yi Ma and Rahim Tafazolli},
journal= {arXiv preprint arXiv:2508.00626},
year = {2025}
}