論文の概要: Conditional Denoising Diffusion for ISAC Enhanced Channel Estimation in Cell-Free 6G

• arxiv url: http://arxiv.org/abs/2506.06942v1
• Date: Sat, 07 Jun 2025 22:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.577478
• Title: Conditional Denoising Diffusion for ISAC Enhanced Channel Estimation in Cell-Free 6G
• Title（参考訳）: ISACによる無細胞6Gチャネル推定のための条件付きデノジング拡散
• Authors: Mohammad Farzanullah, Han Zhang, Akram Bin Sediq, Ali Afana, Melike Erol-Kantarci,
• Abstract要約: ISAC (Cell-free Integrated Sensing and Communication) は、第6世代 (6G) ネットワークに革命をもたらすことを目的としている。 チャネル推定は、セルレスISACシステムにおいて、信頼性の高い通信を保証するための重要なステップである。 本稿では, 条件付き騒音拡散モデルにおいて, 感覚情報を重要な入力として活用する新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 10.728362890819392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell-free Integrated Sensing and Communication (ISAC) aims to revolutionize 6th Generation (6G) networks. By combining distributed access points with ISAC capabilities, it boosts spectral efficiency, situational awareness, and communication reliability. Channel estimation is a critical step in cell-free ISAC systems to ensure reliable communication, but its performance is usually limited by challenges such as pilot contamination and noisy channel estimates. This paper presents a novel framework leveraging sensing information as a key input within a Conditional Denoising Diffusion Model (CDDM). In this framework, we integrate CDDM with a Multimodal Transformer (MMT) to enhance channel estimation in ISAC-enabled cell-free systems. The MMT encoder effectively captures inter-modal relationships between sensing and location data, enabling the CDDM to iteratively denoise and refine channel estimates. Simulation results demonstrate that the proposed approach achieves significant performance gains. As compared with Least Squares (LS) and Minimum Mean Squared Error (MMSE) estimators, the proposed model achieves normalized mean squared error (NMSE) improvements of 8 dB and 9 dB, respectively. Moreover, we achieve a 27.8% NMSE improvement compared to the traditional denoising diffusion model (TDDM), which does not incorporate sensing channel information. Additionally, the model exhibits higher robustness against pilot contamination and maintains high accuracy under challenging conditions, such as low signal-to-noise ratios (SNRs). According to the simulation results, the model performs well for users near sensing targets by leveraging the correlation between sensing and communication channels.
• Abstract（参考訳）: ISAC (Cell-free Integrated Sensing and Communication) は、第6世代 (6G) ネットワークに革命をもたらすことを目的としている。 分散アクセスポイントとISAC機能を組み合わせることで、スペクトル効率、状況認識、通信信頼性が向上する。 チャネル推定は、信頼できる通信を保証するために無細胞ISACシステムにおいて重要なステップであるが、その性能はパイロット汚染やノイズチャネル推定といった課題によって制限される。 本稿では,CDDM(Conditional Denoising Diffusion Model)において,センサ情報をキー入力として活用する新しいフレームワークを提案する。 本フレームワークでは,ISAC対応セルフリーシステムにおいて,CDDMとMultimodal Transformer(MMT)を統合し,チャネル推定を強化する。 MMTエンコーダは、センシングデータと位置データの間のモーダル間関係を効果的に捕捉し、CDDMがチャネル推定を反復的に復調することを可能にする。 シミュレーションの結果,提案手法が性能向上に寄与していることが示唆された。 最小平均二乗誤差(MMSE)推定器と最小平均二乗誤差(MMSE)推定器と比較して, 提案手法は, 8dBおよび9dBの正規化平均二乗誤差(NMSE)改善を実現する。 さらに,センサチャネル情報を組み込まない従来のデノナイジング拡散モデル(TDDM)と比較して,27.8%のNMSE改善を実現している。 さらに、パイロット汚染に対するロバスト性が高く、低信号対雑音比(SNR)などの困難な条件下で高い精度を維持する。 シミュレーション結果から, センサと通信チャネルの相関を利用して, センサターゲット近傍のユーザに対して, モデルの有効性を検証した。

関連論文リスト

• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [55.42071552739813]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 微分方程式(SDE)に基づく理論基礎の確立 信号対雑音比(SNR)と復調時間ステップとの閉形式解析関係を導出する。 受信した信号とDMのトレーニングデータとの分布ミスマッチに対処するため、数学的に原理化されたスケーリング機構を導入する。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Latent Diffusion Model-Enabled Low-Latency Semantic Communication in the Presence of Semantic Ambiguities and Wireless Channel Noises [18.539501941328393]
  本稿では,ソースデータのアウトレイラを処理するために,遅延拡散モデルを用いたSemComシステムを開発した。 軽量な単層遅延空間変換アダプタは、送信機でのワンショット学習を完了させる。 終端整合蒸留法を用いて, 潜時空間で訓練した拡散模型を蒸留する。
  論文  参考訳（メタデータ） (2024-06-09T23:39:31Z)
• Deep learning approaches to indoor wireless channel estimation for low-power communication [0.0]
  本稿では,LP-IoT通信における高精度チャネル推定にRSSIを利用する,FCNNを用いた2つの低電力チャネル推定モデルを提案する。 我々のモデルAは平均二乗誤差(MSE)の99.02%の顕著な減少を示し、モデルBは現在の研究で設定されたベンチマークと比較して90.03%のMSEの減少を示す。
  論文  参考訳（メタデータ） (2024-05-21T00:36:34Z)
• MoE-AMC: Enhancing Automatic Modulation Classification Performance Using Mixture-of-Experts [2.6764607949560593]
  MoE-AMCは、Mixture-of-Experts (MoE)ベースの新しいモデルで、AMC(Automatic Modulation Classification)にバランスよく対処するために開発された。 MoE-AMCは低SNR信号を扱うLSRMと高SNR信号を扱うHSRMの強度をシームレスに結合する。 実験の結果、MoE-AMCはSNRレベルによって71.76%の平均的な分類精度を達成し、以前のSOTAモデルの性能を10%近く上回った。
  論文  参考訳（メタデータ） (2023-12-04T19:31:15Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。