論文の概要: Improving Channel Estimation via Multimodal Diffusion Models with Flow Matching

• arxiv url: http://arxiv.org/abs/2603.13440v1
• Date: Fri, 13 Mar 2026 11:26:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.208766
• Title: Improving Channel Estimation via Multimodal Diffusion Models with Flow Matching
• Title（参考訳）: フローマッチングによるマルチモーダル拡散モデルによるチャネル推定の改善
• Authors: Xiaotian Fan, Xingyu Zhou, Le Liang, Xiao Li, Shi Jin,
• Abstract要約: MultiCE-Flowはフローマッチングと拡散変換器(DiT)に基づくマルチモーダルチャネル推定フレームワーク 我々は、LiDAR、カメラ、位置情報をセマンティックな状態に融合させる特殊なマルチモーダル認識モジュールを設計する。 従来の拡散モデルとは異なり、ノイズからデータへの線形軌跡を学習するためにフローマッチングを用い、効率的なワンステップサンプリングを可能にした。
• 参考スコア（独自算出の注目度）: 41.609067424764746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models offer a powerful alternative to conventional channel estimation by learning complex channel distributions. By integrating the rich environmental information available in modern sensing-aided networks, this paper proposes MultiCE-Flow, a multimodal channel estimation framework based on flow matching and diffusion transformer (DiT). We design a specialized multimodal perception module that fuses LiDAR, camera, and location data into a semantic condition, while treating sparse pilots as a structural condition. These conditions guide a DiT backbone to reconstruct high-fidelity channels. Unlike standard diffusion models, we employ flow matching to learn a linear trajectory from noise to data, enabling efficient one-step sampling. By leveraging environmental semantics, our method mitigates the ill-posed nature of estimation with sparse pilots. Extensive experiments demonstrate that MultiCE-Flow consistently outperforms traditional baselines and existing generative models. Notably, it exhibits superior robustness to out-of-distribution scenarios and varying pilot densities, making it suitable for environment-aware communication systems.
• Abstract（参考訳）: 深い生成モデルは、複雑なチャネル分布を学習することで、従来のチャネル推定に代わる強力な代替手段を提供する。 本稿では,現代のセンシング支援ネットワークで利用可能な豊富な環境情報を統合することで,フローマッチングと拡散変換器(DiT)に基づくマルチモーダルチャネル推定フレームワークであるMultiCE-Flowを提案する。 スパースパイロットを構造条件として扱いながら、LiDAR、カメラ、位置データを意味条件に融合する特殊なマルチモーダル認識モジュールを設計する。 これらの条件は、高忠実度チャネルを再構築するためにDiTバックボーンを誘導する。 従来の拡散モデルとは異なり、ノイズからデータへの線形軌跡を学習するためにフローマッチングを用い、効率的なワンステップサンプリングを可能にした。 本手法は,環境意味論の活用により,スパースパイロットによる推定の誤った性質を緩和する。 大規模な実験により、MultiCE-Flowは従来のベースラインや既存の生成モデルよりも一貫して優れていることが示された。 特に、アウト・オブ・ディストリビューションシナリオと様々なパイロット密度に対して優れたロバスト性を示し、環境に配慮した通信システムに適している。

関連論文リスト

• RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints [10.076629346147639]
  本稿では,モデルに基づくチャネル推定とディープネットワークを組み合わせた新しい物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 最先端の手法と比較して、NMSEでは5dB以上のゲインを達成している。 多段階の時間予測のためにデコーダを拡張し、単一の推定値から将来の複数のチャネルスナップショットの正確な予測を可能にする。
  論文  参考訳（メタデータ） (2026-02-18T17:41:20Z)
• Environment-Aware Channel Inference via Cross-Modal Flow: From Multimodal Sensing to Wireless Channels [45.969793510760645]
  この論文では、マルチモーダル観測から直接完全なCSIを推定するパイロットフリーチャネル推定について検討する。 本研究では,センサ・チャネル間マッピングをモーダル間フローマッチング問題として定式化するデータ駆動型フレームワークを開発した。 実験では,シオンナとブレンダーをベースとした手続き型データ生成装置を構築し,センシングシーンのリアルなモデリングと無線伝搬を支援する。
  論文  参考訳（メタデータ） (2025-12-04T16:35:09Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Generative Diffusion Models for Radio Wireless Channel Modelling and Sampling [11.09458914721516]
  チャネルモデリングの複雑さと高品質な無線チャネルデータの収集コストが大きな課題となっている。 本稿では,拡散モデルに基づくチャネルサンプリング手法を提案する。 モード崩壊や不安定なトレーニングに苦しむ既存のGANベースのアプローチと比較して,拡散型アプローチは多種多様な高忠実度サンプルを合成し,生成することを示した。
  論文  参考訳（メタデータ） (2023-08-10T13:49:26Z)
• A Federated Channel Modeling System using Generative Neural Networks [8.424767096311928]
  本研究では,無人航空機におけるミリ波無線ネットワークにおける空対地チャネル推定のためのデータ駆動方式を提案する。 我々は、チャネル推定にフェデレートラーニング(FL)を用い、低高度プラットフォームと地上端末との間の空対地経路損失を予測する。 提案モデルの有効性を評価するため,Kullback-Leibler divergence (KL) と,モデルが生成した合成データ分布と実際のデータ分布とのワッサーシュタイン距離を用いて,その性能を評価する。
  論文  参考訳（メタデータ） (2023-05-30T08:50:22Z)
• Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
  我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。 次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。 提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
  論文  参考訳（メタデータ） (2022-05-25T02:26:34Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。