論文の概要: Flow matching-based generative models for MIMO channel estimation
- arxiv url: http://arxiv.org/abs/2511.10941v1
- Date: Fri, 14 Nov 2025 04:05:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.424818
- Title: Flow matching-based generative models for MIMO channel estimation
- Title（参考訳）: MIMOチャネル推定のためのフローマッチングに基づく生成モデル
- Authors: Wenkai Liu, Nan Ma, Jianqiao Chen, Xiaoxuan Qi, Yuhang Ma,
- Abstract要約: 拡散モデル(DM)に基づくチャネル推定は,高精度チャネル状態情報(CSI)取得の可能性を示している。
本稿では,Multiple-input multiple-output (MIMO) チャネル推定のための新しいフローマッチング(FM)に基づく生成モデルを提案する。
異なるチャネル条件下でのチャネル推定精度が向上する。
- 参考スコア（独自算出の注目度）: 13.894304144975552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion model (DM)-based channel estimation, which generates channel samples via a posteriori sampling stepwise with denoising process, has shown potential in high-precision channel state information (CSI) acquisition. However, slow sampling speed is an essential challenge for recent developed DM-based schemes. To alleviate this problem, we propose a novel flow matching (FM)-based generative model for multiple-input multiple-output (MIMO) channel estimation. We first formulate the channel estimation problem within FM framework, where the conditional probability path is constructed from the noisy channel distribution to the true channel distribution. In this case, the path evolves along the straight-line trajectory at a constant speed. Then, guided by this, we derive the velocity field that depends solely on the noise statistics to guide generative models training. Furthermore, during the sampling phase, we utilize the trained velocity field as prior information for channel estimation, which allows for quick and reliable noise channel enhancement via ordinary differential equation (ODE) Euler solver. Finally, numerical results demonstrate that the proposed FM-based channel estimation scheme can significantly reduce the sampling overhead compared to other popular DM-based schemes, such as the score matching (SM)-based scheme. Meanwhile, it achieves superior channel estimation accuracy under different channel conditions.
- Abstract（参考訳）: ディフュージョンモデル(DM)に基づくチャネル推定は, 後方サンプリングを段階的に行うことで, 高精度チャネル状態情報(CSI)取得の可能性を示した。
しかし,近年のDM方式では,サンプリング速度が遅いことが重要な課題である。
そこで本研究では,Multiple-Input multiple-output (MIMO) チャネル推定のための新しいフローマッチング(FM)に基づく生成モデルを提案する。
まず,ノイズチャネル分布から真のチャネル分布への条件付き確率経路を構築するFMフレームワーク内のチャネル推定問題を定式化する。
この場合、経路は一定の速度で直線軌道に沿って進化する。
そこで, ノイズ統計にのみ依存する速度場を導出し, 生成モデル学習の指導を行う。
さらに、サンプリングフェーズにおいて、トレーニングされた速度場を事前情報としてチャネル推定に利用し、通常の微分方程式 (ODE) Euler solver による高速で信頼性の高いノイズチャネル拡張を可能にする。
最後に,FM方式のチャネル推定方式は,スコアマッチング(SM)方式などの他の一般的なDM方式と比較して,サンプリングオーバーヘッドを大幅に低減できることを示す。
一方、異なるチャネル条件下では、より優れたチャネル推定精度を実現する。
関連論文リスト
- Non-Identical Diffusion Models in MIMO-OFDM Channel Generation [33.33163164222617]
非同一拡散モデルと呼ばれる新しい拡散モデルを提案し,その無線OFDMチャネル生成への応用について検討する。
非識別拡散により、ノイズ入力内の各要素の信頼性を特徴付けることができる。
提案手法の有効性と妥当性を理論的にも数値的にも示す。
論文 参考訳（メタデータ） (2025-09-01T17:33:39Z) - Near-Field Channel Estimation for XL-MIMO: A Deep Generative Model Guided by Side Information [70.25632840894272]
本稿では,大規模マルチインプット多重出力(XL-MIMO)システムにおける近接場(NF)チャネル推定について検討する。
我々は、推定チャネルを洗練するためのGenAIベースのアプローチを提案する。
実験結果から,提案手法はCEの大幅な性能向上を実現することができることが示された。
論文 参考訳（メタデータ） (2025-05-11T08:35:36Z) - Successive Interference Cancellation-aided Diffusion Models for Joint Channel Estimation and Data Detection in Low Rank Channel Scenarios [3.674863913115431]
本稿では、逐次干渉キャンセリング(SIC)を用いた新しい共振器推定と音源検出アルゴリズムを提案する。
提案アルゴリズムは、特に低ランクシナリオにおいて、ジョイントソースチャネル推定において既存の手法よりも優れている。
論文 参考訳（メタデータ） (2025-01-20T02:29:34Z) - Joint Sparsity Pattern Learning Based Channel Estimation for Massive
MIMO-OTFS Systems [46.42375183269616]
大規模マルチインプット・マルチアウトプット(MIMO)変調システムのためのジョイント・スパシティ・パターン・ラーニング(JSPL)に基づくチャネル推定手法を提案する。
シミュレーション結果と解析の結果から,提案したチャネル推定手法は,最先端のベースライン方式よりも性能が向上することが示された。
論文 参考訳（メタデータ） (2024-03-06T15:05:39Z) - 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) - MIMO Channel Estimation using Score-Based Generative Models [1.6752182911522517]
本稿では,ディープスコアに基づく生成モデルを用いたチャネル推定手法を提案する。
これらのモデルは、対数-主分布の勾配を推定するために訓練され、観測された信号の測定から推定を反復的に洗練するために使用することができる。
論文 参考訳（メタデータ） (2022-04-14T17:23:58Z) - Deep Generative Models for Downlink Channel Estimation in FDD Massive
MIMO Systems [13.267048706241157]
この課題に対処するために, 深部生成モデル(DGM)に基づく手法を提案する。
アップリンクチャネルとダウンリンクチャネルの部分的相互性を実行し、まず、周波数非依存のチャネルパラメータを推定する。
次に、各伝搬路の位相である周波数固有チャネルパラメータをダウンリンクトレーニングにより推定する。
論文 参考訳（メタデータ） (2022-03-09T18:32:10Z) - 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) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - Channel Estimation via Successive Denoising in MIMO OFDM Systems: A Reinforcement Learning Approach [23.57305243608369]
本稿では,強化学習フレームワークに基づく周波数領域の復調手法を提案する。
我々のアルゴリズムは、実用最小二乗推定法(LS)よりも大幅に改善されている。
論文 参考訳（メタデータ） (2021-01-25T18:33:54Z) - 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)
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。