基于可学习 CSI 融合掩码的鲁棒图像语义编码
信息论
2024-06-12 v1 机器学习
信号处理
math.IT
摘要
尽管在各种场景中取得了惊人的进展, 现有语义通信框架主要考虑单输入单输出高斯信道或瑞利衰落信道, 忽略了广泛使用的多输入多输出 (MIMO) 信道, 这限制了其在实际系统中的应用。 一种常见的解决 MIMO 衰落的方法是利用反馈 MIMO 信道状态信息 (CSI)。 本文从新视角考虑将 MIMO CSI 融入系统设计, 提出可学习 CSI 融合语义通信 (LCFSC) 框架, 将 CSI 视为语义提取器的侧信息以增强语义编码。 为避免因 CSI 与特征突然组合导致的特征融合问题, 我们在 Swin Transformer 内部提出一种非侵入式 CSI 融合多头注意力模块。 通过源和信道状态决定的可学习注意力掩码映射, 可生成更鲁棒的注意力分布。 此外, 可学习掩码比例的比例可以通过基于条件变式干扰的无监督方式生成, 从而实现可学习的 CSI 融合掩码。 实验结果表明, LCFSC 在 MIMO 衰落信道下优于传统方案和基于最新 Swin Transformer 的语义通信框架。
引用
@article{arxiv.2406.07387,
title = {Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging},
author = {Nipuni Ginige and Arthur Sousa de Sena and Nurul Huda Mahmood and Nandana Rajatheva and Matti Latva-aho},
journal= {arXiv preprint arXiv:2406.07387},
year = {2024}
}