論文の概要: Diffusion Models-Aided Uplink Channel Estimation for RIS-Assisted Systems
- arxiv url: http://arxiv.org/abs/2506.07770v1
- Date: Mon, 09 Jun 2025 13:46:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.981041
- Title: Diffusion Models-Aided Uplink Channel Estimation for RIS-Assisted Systems
- Title（参考訳）: RIS支援システムの拡散モデルを用いたアップリンクチャネル推定
- Authors: Yang Wang, Yin Xu, Cixiao Zhang, Zhiyong Chen, Xiaowu Ou, Mingzeng Dai, Meixia Tao, Wenjun Zhang,
- Abstract要約: 本稿では,再構成可能なインテリジェントサーフェス(RIS)支援システムのためのチャネル推定手法を提案する。
拡散モデル(DM)の逆過程と一致するデノナイズプロセスとしてチャネル推定問題を再構成する。
U-Netのパラメータ数を削減すべく、我々は、同等の性能を実現する軽量ネットワークを慎重に設計する。
- 参考スコア（独自算出の注目度）: 36.13599378572637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This letter proposes a channel estimation method for reconfigurable intelligent surface (RIS)-assisted systems through a novel diffusion model (DM) framework. We reformulate the channel estimation problem as a denoising process, which aligns with the reverse process of the DM. To overcome the inherent randomness in the reverse process of conventional DM approaches, we adopt a deterministic sampling strategy with a step alignment mechanism that ensures the accuracy of channel estimation while adapting to different signal-to-noise ratio (SNR). Furthermore, to reduce the number of parameters of the U-Net, we meticulously design a lightweight network that achieves comparable performance, thereby enhancing the practicality of our proposed method. Extensive simulations demonstrate superior performance over a wide range of SNRs compared to baselines. For instance, the proposed method achieves performance improvements of up to 13.5 dB in normalized mean square error (NMSE) at SNR = 0 dB. Notably, the proposed lightweight network exhibits almost no performance loss compared to the original U-Net, while requiring only 6.59\% of its parameters.
- Abstract（参考訳）: 本稿では,新しい拡散モデル(DM)フレームワークを用いて,再構成可能なインテリジェントサーフェス(RIS)支援システムのチャネル推定手法を提案する。
我々は、チャネル推定問題を、DMの逆過程と整合した復調過程として再構成する。
従来のDM手法の逆過程における固有ランダム性を克服するため、ステップアライメント機構を備えた決定論的サンプリング戦略を採用し、異なる信号対雑音比(SNR)に適応しながらチャネル推定の精度を確保する。
さらに,U-Netのパラメータ数を削減すべく,提案手法の実用性を向上させる軽量ネットワークを慎重に設計する。
大規模シミュレーションは, ベースラインと比較して, 広範囲のSNRよりも優れた性能を示す。
例えば,SNR = 0 dBにおける正規化平均二乗誤差(NMSE)において,最大13.5 dBの性能向上を実現する。
特に、提案された軽量ネットワークは、元のU-Netと比べてほとんど性能が低下せず、パラメータの6.59倍しか必要としない。
関連論文リスト
- SNR-EQ-JSCC: Joint Source-Channel Coding with SNR-Based Embedding and Query [40.61935046452048]
本稿では,SNR-EQ-JSCCと呼ばれる軽量なチャネル適応型セマンティックコーディングアーキテクチャを提案する。
汎用トランスフォーマーモデルに基づいて構築され、信号-雑音比(SNR)をアテンションブロックに埋め込み、チャネル適応(CA)を実現する。
即時SNRフィードバックが不完全である可能性があることを考慮し、平均SNRのみを使用する別の方法を提案する。
論文 参考訳（メタデータ） (2025-01-07T02:31:04Z) - Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。
本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。
既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
論文 参考訳（メタデータ） (2024-09-25T16:15:21Z) - Domain Generalization Guided by Gradient Signal to Noise Ratio of
Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。
本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文 参考訳（メタデータ） (2023-10-11T10:21:34Z) - A Comparative Study of Deep Learning and Iterative Algorithms for Joint Channel Estimation and Signal Detection in OFDM Systems [11.190815358585137]
周波数分割多重化システムでは,共同チャネル推定と信号検出が重要である。
従来のアルゴリズムは低信号対雑音比(SNR)のシナリオでは不十分である。
深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
論文 参考訳（メタデータ） (2023-03-07T06:34:04Z) - Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。
本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。
教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
論文 参考訳（メタデータ） (2022-10-11T11:29:54Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z)
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。