LVM4CSI：面向无线信道任务的大型视觉模型直接应用框架
信息论
2025-07-08 v1 人工智能
计算机视觉与模式识别
机器学习
math.IT
摘要
准确的信道状态信息（CSI）是无线通信系统性能的关键，尤其在 5G 和未来 6G 技术的推进下引入了日益增长的规模和复杂性。虽然人工智能（AI）为 CSI 的获取和利用提供了有前景的方案，但现有方法大多依赖于任务特定的神经网络（NN），需要专家驱动的设计且需要大量训练数据，限制了其通用性和实用性。为此，我们提出 LVM4CSI，一个通用且高效的框架，利用 CSI 与计算机视觉（CV）数据之间的结构相似性，直接将大型视觉模型（LVM）预训练在广泛的 CV 数据集上应用于无线任务，无需任何微调，与需要微调的大型语言模型方法不同。LVM4CSI 将 CSI 任务映射到类似的 CV 任务，将复数 CSI 转换为与 LVM 兼容的视觉格式，并集成轻量级可训练层以适应提取的特征以满足特定通信目标。我们通过三个具有代表性的案例研究进行了 LVM4CSI 的验证，包括信道估计、人体活动识别和用户定位。结果表明，LVM4CSI 在信道估计中实现超过 9.61 dB 的性能提升，定位误差约降低 40%，并显著减少可训练参数的数量，消除任务特定 NN 设计的需求。
引用
@article{arxiv.2507.05121,
title = {LVM4CSI: Enabling Direct Application of Pre-Trained Large Vision Models for Wireless Channel Tasks},
author = {Jiajia Guo and Peiwen Jiang and Chao-Kai Wen and Shi Jin and Jun Zhang},
journal= {arXiv preprint arXiv:2507.05121},
year = {2025}
}
备注
This work has been submitted for possible publication