RadioDiff-Flux: 基于生成去噪扩散模型轨迹中点复用的高效无线电图构建
机器学习
2026-01-07 v1 信号处理
摘要
准确的无线电图 (RM) 构建对于实现环境感知和自适应无线通信至关重要。然而，在由高速网络实体和快速变化的环境构成的未来 6G 场景中，满足实时要求极具挑战性。虽然生成式扩散模型 (DM) 能以秒级延迟实现最先进的准确度，但其迭代性质导致在延迟敏感的场景中推理延迟高昂。本文通过揭示扩散过程的关键结构属性：在语义相似场景中，latent 中点高度一致，我们提出了 RadioDiff-Flux，一种新型两阶段潜在扩散框架，通过解耦静态环境建模和动态精细化，实现对预计算中点的复用以绕过冗余去噪。在具体方面，第一阶段仅使用静态场景特征生成粗糙的潜在表示，该表示可被缓存并在相似场景中共享。第二阶段利用预训练模型对该表示进行动态调整以适应变化的条件和发射位置，从而避免重复的早期计算。该方法显著降低了推理时间，同时保持保真度。实验结果表明，RadioDiff-Flux 可实现最高可达 50 倍的加速，且准确率损失不足 0.15%，展示了其在未来 6G 网络中快速、可扩展 RM 生成的实际实用性。
引用
@article{arxiv.2601.02790,
title = {RadioDiff-Flux: Efficient Radio Map Construction via Generative Denoise Diffusion Model Trajectory Midpoint Reuse},
author = {Xiucheng Wang and Peilin Zheng and Honggang Jia and Nan Cheng and Ruijin Sun and Conghao Zhou and Xuemin Shen},
journal= {arXiv preprint arXiv:2601.02790},
year = {2026}
}