RF-Diffusion: 通过时频扩散生成射频信号

随着AIGC在计算机视觉和自然语言处理领域大放异彩，其在无线领域的潜力近年来也逐渐显现。然而，现有的面向射频的生成式解决方案由于表示能力有限，不适合生成高质量的时间序列射频数据。受扩散模型在计算机视觉和自然语言处理领域卓越成就的启发，我们将其适配到射频领域，并提出RF-Diffusion。为了适应射频信号的独特特性，我们首先引入了一种新颖的时频扩散理论来增强原始扩散模型，使其能够挖掘射频信号在时域、频域和复值域中的信息。在此基础上，我们提出了一种层次扩散Transformer，通过精心设计的网络架构、功能模块和复值算子，将该理论转化为实用的生成式深度神经网络，使RF-Diffusion成为一种通用的解决方案，能够生成多样化、高质量的时间序列射频数据。与三种主流生成模型的性能比较表明，RF-Diffusion在合成Wi-Fi和FMCW信号方面具有优越性能。我们还展示了RF-Diffusion在增强Wi-Fi感知系统和执行5G网络信道估计方面的多功能性。