RadioDiff：用于无采样动态无线电地图构建的有效生成扩散模型
机器学习
2024-11-12 v3 系统与控制
系统与控制
摘要
无线电地图（RM）是一项有前景的技术，可仅凭位置获取路径损耗，这对6G网络应用减少路径损耗估计的通信成本具有重要意义。然而，传统无线电地图的构建要么计算密集，要么依赖昂贵的基于采样的路径损耗测量。虽然基于神经网络的方法可以高效构建无线电地图而无需采样，但其性能仍不理想。这主要是由于无线电地图构建问题的生成特性与现有基于神经网络方法所利用的判别建模之间的不匹配。因此，为提升无线电地图构建性能，本文将无采样无线电地图构建建模为条件生成问题，提出了一种名为RadioDiff的去噪扩散方法以实现高质量无线电地图构建。此外，为增强扩散模型从动态环境中提取特征的能力，采用了带有自适应快速傅里叶变换模块的注意力U-Net作为骨干网络以提升动态环境特征提取能力。同时，解耦扩散模型被用于进一步提升无线电地图构建性能。此外，首次从数据特征和神经网络训练方法两个角度对为什么无线电地图构建是一个生成问题提供了全面的理论分析。实验结果表明，所提出的RadioDiff在准确性、结构相似性和峰值信噪比三个指标上均达到最先进的性能。代码可在https://github.com/UNIC-Lab/RadioDiff获取。
引用
@article{arxiv.2408.08593,
title = {RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction},
author = {Xiucheng Wang and Keda Tao and Nan Cheng and Zhisheng Yin and Zan Li and Yuan Zhang and Xuemin Shen},
journal= {arXiv preprint arXiv:2408.08593},
year = {2024}
}