基于Model Compression和Modality Generation的V2X网络多模态波束成形
信号处理
2025-07-01 v1 计算机视觉与模式识别
摘要
集成感知与通信（ISAC）已成为6G化车到一切（V2X）网络中预测波束成形的核心技术。然而，现有ISAC范例仅依赖射频（RF）信号，限制了在高移动性和多径干扰的V2X环境中的感知分辨率和鲁棒性。值得注意的是，随着多样化非RF传感器（如摄像头和LiDAR）的广泛部署，以及人工智能（AI）与通信系统的集成，为提高感知与通信之间的协同性提供了新的机遇。针对此动机，本文开发了一种新型且稳健的通信框架，利用多模态感知数据和先进的AI技术辅助V2X场景中的波束成形。具体而言，本文提出了一种用于预测波束成形的多模态学习框架，集成模态特定分支并采用层次化Transformer来捕获跨模态特征。通过利用多模态感知数据与波束成形决策之间的内在相关性，该设计增强了在动态V2X场景中波束成形的准确性和鲁棒性。为在资源受限的边缘设备（即路边单元）上实现实际部署，本文开发了一种模块感知压缩策略，该策略显著减少了推理延迟，同时保持模型性能。此外，为解决现实场景中可能出现的模态缺失问题，本文引入一种生成模型，能够从可用观察值中重建缺失的输入，使框架即使在感知条件不完整的情况下也能可靠运行。大量实验结果表明，所提出的方案在各种指标上 consistently 优于现有基线。
关键词
引用
@article{arxiv.2506.22467,
title = {SegmentAnyMuscle: A universal muscle segmentation model across different locations in MRI},
author = {Roy Colglazier and Jisoo Lee and Haoyu Dong and Hanxue Gu and Yaqian Chen and Joseph Cao and Zafer Yildiz and Zhonghao Liu and Nicholas Konz and Jichen Yang and Jikai Zhang and Yuwen Chen and Lin Li and Adrian Camarena and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2506.22467},
year = {2025}
}
备注
24 pages, 6 figures