基于侧信息引导的超大规模 MIMO 近场信道估计：深度生成模型方法

本文研究了超大规模 MIMO（XL-MIMO）系统中的近场（NF）信道估计（CE）问题。鉴于 XL-MIMO 通信中显著的 NF 效应，本文首先建立基于联合角度-距离（AD）域的球面波前物理信道模型，以捕捉 XL-MIMO 信道内在稀疏性。凭借该模型对 AD 域稀疏性的利用，信道估计问题被建模为稀疏信号重建任务。基于此框架，本文首先提出压缩感知算法获取初始信道估计。利用生成人工智能（GenAI）的强大隐式先验学习能力，进一步提出基于 GenAI 的方法对估计信道进行细化。具体而言，本文将初始估计信道作为侧信息，推导条件于初始估计信道的目标 NF 信道对数似然分布的下界（ELBO），作为所提生成扩散模型（GDM）的优化目标。此外，本文引入更通用的 GDM 版本，即非马尔可夫 GDM（NM-GDM），以加速采样过程，实现约十倍的采样效率提升。实验结果表明，所提方法在 NF XL-MIMO 系统中相较于现有基准方案在信道估计方面具有显著性能提升。 Furthermore, our approach exhibits enhanced generalization capabilities in both the NF or far-field（FF）区域。