論文の概要: Robust Super-Capacity SRS Channel Inpainting via Diffusion Models

• arxiv url: http://arxiv.org/abs/2510.26097v1
• Date: Thu, 30 Oct 2025 03:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.640613
• Title: Robust Super-Capacity SRS Channel Inpainting via Diffusion Models
• Title（参考訳）: 拡散モデルによるロバスト超容量SRSチャネルの塗装
• Authors: Usman Akram, Fan Zhang, Yang Li, Haris Vikalo,
• Abstract要約: 5G NRビームフォーミングでは、アップリンク音響基準信号(SRS)による相互性に基づくビームフォーミングがリソースとカバレッジの制約に直面している。 本稿では,推論時にシステムモデル知識を統合する拡散型チャネルインパインティングフレームワークを提案する。 本研究は,UNetスコアモデルベースラインと1ステップMAEの分散シフトにおいて,スコアベース拡散変法が一貫して優れることを示す。
• 参考スコア（独自算出の注目度）: 19.333344273742014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate channel state information (CSI) is essential for reliable multiuser MIMO operation. In 5G NR, reciprocity-based beamforming via uplink Sounding Reference Signals (SRS) face resource and coverage constraints, motivating sparse non-uniform SRS allocation. Prior masked-autoencoder (MAE) approaches improve coverage but overfit to training masks and degrade under unseen distortions (e.g., additional masking, interference, clipping, non-Gaussian noise). We propose a diffusion-based channel inpainting framework that integrates system-model knowledge at inference via a likelihood-gradient term, enabling a single trained model to adapt across mismatched conditions. On standardized CDL channels, the score-based diffusion variant consistently outperforms a UNet score-model baseline and the one-step MAE under distribution shift, with improvements up to 14 dB NMSE in challenging settings (e.g., Laplace noise, user interference), while retaining competitive accuracy under matched conditions. These results demonstrate that diffusion-guided inpainting is a robust and generalizable approach for super-capacity SRS design in 5G NR systems.
• Abstract（参考訳）: 信頼性のあるマルチユーザMIMO操作には,正確なチャネル状態情報(CSI)が不可欠である。 5G NRでは、アップリンク音声参照信号(SRS)による相互性に基づくビームフォーミングがリソースとカバレッジの制約に直面し、スパース非一様SRS割り当てを動機付けている。 マスク付きオートエンコーダ(MAE)アプローチはカバレッジを改善するが、マスクのトレーニングや、目に見えない歪み(例えば、マスクの追加、干渉、クリップング、非ガウスノイズ)の下での分解に過度に適合する。 そこで本研究では,確率勾配項による推論時にシステムモデル知識を統合する拡散型チャネルインパインティングフレームワークを提案する。 標準化されたCDLチャネルでは、スコアベースの拡散変動は、UNetスコアモデルベースラインと1ステップのMAEよりも一貫して優れており、マッチした条件下での競争精度を維持しながら、挑戦的な設定(例えば、ラプラスノイズ、ユーザ干渉)で最大14dB NMSEが改善されている。 これらの結果は,5G NR系における超大容量SRS設計において,拡散誘導インペイントは堅牢かつ一般化可能なアプローチであることを示す。

関連論文リスト

• Conditional Denoising Diffusion for ISAC Enhanced Channel Estimation in Cell-Free 6G [10.728362890819392]
  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。
  論文  参考訳（メタデータ） (2025-06-07T22:45:21Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  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。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• AdaFortiTran: An Adaptive Transformer Model for Robust OFDM Channel Estimation [22.40154714677385]
  本稿では,アダフォーティトラン(Adaptive Fortified Transformer, AdaFortiTran)を提案する。 AdaFortiTranは最先端モデルと比較して平均2乗誤差(MSE)を最大6dB削減する。
  論文  参考訳（メタデータ） (2025-05-14T02:22:37Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
  本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。 実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-26T02:34:25Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)

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。