論文の概要: CRFCAN: A Complex-Valued Cross-Domain Residual Network for Joint Channel and Phase Noise Estimation in Sub-THz OFDM Systems

• arxiv url: http://arxiv.org/abs/2609.12244v1
• Date: Thu, 10 Sep 2026 22:02:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.553639
• Title: CRFCAN: A Complex-Valued Cross-Domain Residual Network for Joint Channel and Phase Noise Estimation in Sub-THz OFDM Systems
• Title（参考訳）: CRFCAN:サブTHz OFDMシステムにおける結合チャネルと位相雑音推定のための複素値クロスドメイン残差ネットワーク
• Abstract要約: サブテラヘルツ (サブTHz) 通信では、超広帯域と重相雑音(PN)障害の結合により、結合チャネルとPN推定は非常に複雑で計算的に禁止される。 結合チャネルとPN推定のために設計された複素数値残差FFT畳み込みアテンションネットワークであるCRFCANを提案する。
• 参考スコア（独自算出の注目度）: 5.464031544932083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In sub-terahertz (sub-THz) communications, the coupling of ultra-wide bandwidth and severe phase noise (PN) impairments renders conventional joint channel and PN estimation highly complex and computationally prohibitive. To address this, we propose CRFCAN, a complex-valued residual FFT convolutional attention network designed for joint channel and PN estimation. Unlike existing deep learning schemes that rely on cascaded networks or hybrid frameworks combining neural networks with conventional iterative estimators, CRFCAN performs joint recovery in a truly end-to-end fashion through a physics-inspired cross-domain structure. Specifically, Fast Fourier Transform (FFT) and inverse FFT modules are embedded within residual groups to enable iterative feature interaction across the time and frequency domains, thereby capturing both frequency-selective fading and time-varying phase distortions. In addition, two dedicated residual blocks are introduced for complex feature extraction and multiplicative phase-distortion modeling, respectively. A physics-aware PN output tail with soft normalization is further employed to improve estimation stability while preserving the physical characteristics of the effective PN process. Simulation results demonstrate that CRFCAN significantly outperforms conventional algorithms and state-of-the-art deep learning models in terms of normalized mean square error (NMSE) and bit error rate (BER). Notably, CRFCAN achieves superior performance with single-shot, fixed-complexity inference and generalizes well to unseen PN models without fine-tuning, highlighting its robustness and practicality for sub-THz receivers.
• Abstract（参考訳）: サブテラヘルツ (sub-THz) 通信では、超広帯域帯域と重位相ノイズ(英語版)(PN)障害の結合により、従来のジョイントチャネルとPN推定は複雑で計算的に禁止される。 そこで本稿では,複素数値残差FFT畳み込みアテンションネットワークであるCRFCANを提案する。 ニューラルネットワークと従来の反復推定器を組み合わせたカスケードネットワークやハイブリッドフレームワークに依存する既存のディープラーニングスキームとは異なり、CRFCANは物理学に着想を得たクロスドメイン構造を通じて、真にエンドツーエンドの方法でジョイントリカバリを行う。 具体的には、Fast Fourier Transform (FFT) と逆FFTモジュールを残基内に埋め込んで、時間領域と周波数領域をまたいだ反復的特徴相互作用を可能にし、周波数選択型フェーディングと時間変化型位相歪みの両方を捕捉する。 さらに、複素特徴抽出と乗算位相歪みモデリングのために、2つの専用残差ブロックを導入している。 さらに, 有効PNプロセスの物理特性を保ちながら, 推算安定性を向上させるために, ソフトノーマライゼーションを施した物理対応型PN出力テールを用いる。 シミュレーションの結果、CRFCANは正規化平均二乗誤差(NMSE)とビット誤り率(BER)で従来のアルゴリズムや最先端のディープラーニングモデルよりも大幅に優れていた。 特に、CRFCANは単発、固定複素性推論による優れた性能を実現し、微調整をせずに未確認のPNモデルによく一般化し、サブTHz受信機の堅牢性と実用性を強調している。

関連論文リスト

• Frequency Domain Reservoir Computing [10.316233181797408]
  Echo State Networks (ESN) は、時間を通してバックプロパゲーションを回避するために、固定されたリカレントウェイトを利用することによって、魅力的なアプローチを提供する。 本稿では、周波数領域で完全に動作するESNアーキテクチャである周波数領域貯水池計算(FRESCO)を紹介する。 FRESCOは、トレーニングと推論の計算コストとエネルギー消費を大幅に削減する。
  論文  参考訳（メタデータ） (2026-06-23T10:14:46Z)
• Efficient Flow Matching for Sparse-View CT Reconstruction [7.05503627528473]
  Flow Matching (FM)モデルはノイズ注入なしで滑らかな軌道を示す。 FMCT(FM-based CT reconstruction framework)を提案する。 FMCT/EFMCTは,拡散法と比較して計算効率を著しく向上しつつ,競争力のある再構成品質を実現する。
  論文  参考訳（メタデータ） (2026-02-27T11:13:43Z)
• ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
  ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。 本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。 我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
  論文  参考訳（メタデータ） (2026-02-09T18:54:18Z)
• Self-Reinforced Deep Priors for Reparameterized Full Waveform Inversion [3.930876721046067]
  本稿では, 自己強化型DIP-FWIフレームワークを提案する。このフレームワークでは, ステアリングアルゴリズムが繰り返し毎に, ネットワークパラメータと入力を交互に更新する。 SRDIP-FWIは、マルチスケールFWIよりも優れた解像度、精度、深度浸透を実現している。
  論文  参考訳（メタデータ） (2025-12-09T06:30:39Z)
• Conditional neural field for spatial dimension reduction of turbulence data: a comparison study [3.1190164503669684]
  条件付きニューラルネットワーク(CNFs)は、メッシュに依存しない座標ベースのデコーダである。 我々は、CNFを適切な直交分解と畳み込みオートエンコーダに対して、統一的な符号化・復号化フレームワーク内でベンチマークする。 複雑度をローカライズする新規ドメイン分解型CNFを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:29:10Z)
• 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)
• STAF: Sinusoidal Trainable Activation Functions for Implicit Neural Representation [7.2888019138115245]
  Inlicit Neural Representations (INR) は、連続的な信号をモデリングするための強力なフレームワークとして登場した。 ReLUベースのネットワークのスペクトルバイアスは、十分に確立された制限であり、ターゲット信号の微細な詳細を捕捉する能力を制限する。 Sinusoidal Trainable Function Activation (STAF)について紹介する。 STAFは本質的に周波数成分を変調し、自己適応型スペクトル学習を可能にする。
  論文  参考訳（メタデータ） (2025-02-02T18:29:33Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Deep Convolutional Learning-Aided Detector for Generalized Frequency Division Multiplexing with Index Modulation [0.0]
  提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。 FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。 提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
  論文  参考訳（メタデータ） (2022-02-06T22:18:42Z)

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。