TinySense：面向可扩展且精确Wi-Fi感知的高效CSI压缩
计算机视觉与模式识别
2026-01-23 v1
摘要
随着对无设备且保护隐私的感知解决方案的需求日益增长，Wi-Fi感知已成为人体姿态估计（HPE）的一种有前景的方法。然而，现有方法通常直接处理大量信道状态信息（CSI）数据，最终给网络资源带来压力。本文介绍了TinySense，一个高效的压缩框架，旨在增强基于Wi-Fi的人体感知的可扩展性。我们的方法基于一种新的向量量化生成对抗网络（VQGAN）。具体而言，通过利用VQGAN学习的码本，TinySense显著减少了CSI数据量，同时保持了可靠HPE所需的精度。为了优化压缩，我们采用K-means算法动态调整压缩比特率，将大规模预训练码本聚类为更小的子集。此外，还引入了一个Transformer模型以减轻比特率损失，从而在不可靠的网络条件下增强鲁棒性。我们在使用Jetson Nano和Raspberry Pi的实验测试平台上构建了TinySense原型，以测量延迟和网络资源使用情况。大量结果表明，TinySense显著优于最先进的压缩方案，在相同压缩率下实现了高达1.5倍的HPE精度分数（PCK20）提升。它还将延迟和网络开销分别降低了多达5倍和2.5倍。代码仓库可在线获取：here。
引用
@article{arxiv.2601.15838,
title = {TinySense: Effective CSI Compression for Scalable and Accurate Wi-Fi Sensing},
author = {Toan Gian and Dung T. Tran and Viet Quoc Pham and Francesco Restuccia and Van-Dinh Nguyen},
journal= {arXiv preprint arXiv:2601.15838},
year = {2026}
}
备注
10 pages. This paper has been accepted for publication in IEEE PerCom 2026