CSI-Based User Positioning, Channel Charting, and Device Classification with an NVIDIA 5G Testbed
ETH Zurich（苏黎世联邦理工学院）；NVIDIA（英伟达）
本文发布三个真实世界5G NR上行信道的CSI数据集，用于神经UE定位、信道成图和设备分类，展示了高精度的实验结果。
2025-12-11 cs.IT eess.SP math.IT
Triplet-Based Wireless Channel Charting: Architecture and Experiments
Huawei Technologies France（华为技术法国公司）
信道制图是一种数据驱动的基带处理技术，包括将自监督机器学习技术应用于信道状态信息（CSI），目的是降低数据的维数并提取控制其分布的基本参数。我们介绍了一种新的通道制图方法的基础上的三元组的样本。该算法学习一个有意义的CSI样本之间的相似性度量的基础上，在各自的采集时间接近，同时进行降维。我们提出了一个广泛的实验验证所提出的方法从商业大规模多输入多输出系统获得的数据，特别是，我们评估在何种程度上所获得的信道图是类似的用户位置信息，虽然它不是由任何地理数据的监督。最后，我们提出并评估通道制图过程中的变化，包括部分监督的情况下，一些标签可用于部分数据集。
2021-04-30 cs.IT cs.LG eess.SP
Supervised Device Charting with CSI Measurements from Commercial 5G NR User Equipments
ETH Zurich（苏黎世联邦理工学院）
本文提出监督设备图表化，利用5G NR CSI指纹生成低维可视化图表，通过NLER评估，实现设备识别与分布偏移分析。
2026-09-22 cs.IT eess.SP math.IT
Improving Channel Charting with Representation-Constrained Autoencoders
最近已经提出了信道制图（CC），以使得能够仅根据信道状态信息（CSI）在多天线基站的邻域中对用户设备（UE）进行逻辑定位。CC依赖于高维CSI特征的降维，以便构造捕获空间和无线电几何形状的信道图，使得空间上接近的UE在信道图中接近。在本文中，我们证明了自动编码器（AE）为基础的CC可以增加边信息，在CSI采集过程中获得。更具体地说，我们建议将成对表示约束纳入AE，目标是提高学习的信道图的质量。我们表明，这种表示约束的AE恢复了学习的信道图的全局几何形状，这使得CC能够在没有全球导航卫星系统或依赖于广泛而昂贵的测量活动的监督学习方法的情况下执行近似定位。
2019-08-07 cs.IT eess.SP math.IT
Wireless Channel Charting: Theory, Practice, and Applications
本文系统介绍无线信道图谱框架，阐述其利用降维技术将CSI映射为低维伪位置的理论基础、算法进展与实际应用，并展望其在下一代网络中的前景。
2023-04-17 cs.AI cs.IT math.IT
Channel Charting for Position and Orientation
ETH Zürich（苏黎世联邦理工学院）
提出一种自监督方法，利用信道状态信息同时估计用户设备位置和朝向，通过新颖的朝向三元组损失和对齐损失实现，在5G NR实测中接近监督学习精度。
2026-06-17 cs.IT eess.SP math.IT
Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks
Virginia Tech（弗吉尼亚理工大学）
提出了一种新的毫米波网络信道图辅助定位框架。特别地，提出了一种卷积自动编码器模型来估计无线用户设备（UE）的三维位置，基于多径信道状态信息（CSI），由不同的基站接收。为了学习无线电几何图并捕获每个UE的相对位置，以无监督的方式构建基于自动编码器的信道图，使得物理空间中的相邻UE将在信道图中保持接近。接下来，将信道制图模型扩展到半监督框架，其中将自动编码器分为两个组件：编码器和解码器，并且使用具有关联位置信息的标记CSI数据集单独优化每个组件，以进一步提高定位精度。仿真结果表明，提出的CC辅助半监督定位产生了更高的精度，与现有的监督定位和传统的无监督CC方法。
2021-08-03 cs.AI cs.IT cs.NI
Uncertainty-Aware Dimensionality Reduction for Channel Charting with Geodesic Loss
针对基于相异度度量的信道制图在非凸结构下的距离失配问题，提出测地线损失与不确定性概率建模，支持多度量融合及惯性动态约束，并在实测数据集上验证定位性能提升。
2024-12-02 cs.IT eess.SP math.IT
Self-information Domain-based Neural CSI Compression with Feature Coupling
针对CSI压缩中忽略信息量度量的问题，提出基于自信息域的特征耦合网络SD-CsiNet，在压缩比1/8和1/16下分别取得7.17 dB和3.68 dB的性能提升。
2023-04-30 cs.IT cs.LG eess.SP
Channel Charting in Real-World Coordinates
针对现有信道图构建方法仅保留局部几何、伪位置无真实世界坐标的问题，提出基于接入点接收功率比较的双边定位损失，无需用户设备位置真值即可实现真实坐标下的信道图构建，经商用射线追踪数据验证有效。
2023-08-28 cs.IT eess.SP math.IT
Context-Aware Markov VAE for CSI Compression in Wireless Systems
Ericsson Research（爱立信研究）；Knut and Alice Wallenberg Foundation（克努特和阿莉斯·瓦伦贝格基金会）；ELLIIT；Lund University（隆德大学）
提出基于k-记忆马尔可夫变分自编码器的上下文感知压缩框架，利用有限时间窗口捕捉CSI在潜在空间中的演化，在低中压缩率下显著提升重构性能。
2026-06-16 cs.IT cs.LG eess.SP
Channel Charting: Locating Users within the Radio Environment using Channel State Information
我们提出了信道制图（CC），一种新的框架，其中多天线网络元件学习在其周围区域的无线电几何图形的图表。通道图捕获区域的局部空间几何形状，使得在空间上接近的点在通道图中也将接近，反之亦然。CC以完全无监督的方式工作，即，学习仅基于信道状态信息（CSI），所述信道状态信息是在空间中的单个点处被动收集的，但是是随时间从该区域中的多个发射位置收集的。然后，该方法提取表征无线信道的大尺度衰落特性的信道特征。最后，使用降维、流形学习和深度神经网络工具生成通道图。执行CC的网络元件可以是例如蜂窝系统中的多天线基站和服务小区中的图表区域。与发射机的位置和运动有关的逻辑关系，例如，小区中的用户设备（UE）然后可以通过将测量的无线电信道特性与信道图进行比较而直接推断。CC的无监督性质使得能够在UE定位、网络规划、用户调度、多点连接、切换、小区搜索、用户分组以及依赖于CSI和UE相对于基站的移动的其他认知任务中实现一系列新的应用，而不需要来自全球导航卫星系统的信息。
2018-08-21 cs.IT eess.SP math.IT
A Distributed Massive MIMO Channel Sounder for "Big CSI Data"-driven Machine Learning
提出了一种用于获取大型CSI数据集的分布式大规模MIMO信道探测器DICHASUS。测量的数据在用于用户定位、JCAS、信道制图、在FDD操作中实现大规模MIMO等的各种机器学习算法的研究中具有潜在的应用。所提出的信道探测器架构与以前类似的设计不同，因为每个单独的单天线接收器是完全自主的，能够实现任意的空间分布的天线部署，并提供几乎无限的天线数量的可扩展性。可选地，提取的信道系数向量可以用通过GNSS接收器（用于室外操作）或通过各种室内定位技术获得的地面实况位置数据来标记。
2022-06-30 cs.IT eess.SP math.IT
CSI Obfuscation: Single-Antenna Transmitters Can Not Hide from Adversarial Multi-Antenna Radio Localization Systems
University of Stuttgart（斯图加特大学）
针对单天线发射机通过信号混淆保护位置隐私的局限性，本文提出一种基于盲多信道识别的CSI恢复方法，使多天线接收机无视信号内容可靠定位用户，并通过真实测量验证了其有效性。
2025-08-04 cs.IT cs.LG eess.SP
AnciNet: An Efficient Deep Learning Approach for Feedback Compression of Estimated CSI in Massive MIMO Systems
在大规模多输入多输出（m-MIMO）系统中，由于信道状态信息（CSI）开销过大，而反馈带宽有限，因此准确的CSI反馈对于提高系统性能具有重要作用。通过考虑由于不完美的信道估计导致的噪声CSI，我们提出了一种新的深度神经网络架构，即AnciNet，以有限的带宽进行CSI反馈。AnciNet从有噪声的CSI样本中提取无噪声特征，以实现对反馈的有效CSI压缩。实验结果表明，该方法在各种条件下均优于现有方法.
2020-08-17 cs.IT eess.SP math.IT
Multi-Rate Variable-Length CSI Compression for FDD Massive MIMO
针对FDD大规模MIMO中CSI反馈开销过大的问题，本文提出一种基于带熵瓶颈结构的变分自编码器的灵活压缩方法，支持多速率与可变长度操作，并在归一化均方误差上优于现有技术。
2023-11-30 cs.IT eess.SP math.IT
Deep Convolutional Compression for Massive MIMO CSI Feedback
Imperial College London（帝国理工学院）
编码缓存通过在不同的请求之间创建多播机会，比传统的未编码缓存提供了显着的收益。大规模多输入多输出（MIMO）系统需要在基站（BS）处的下行链路信道状态信息（CSI）以更好地利用可用的空间分集和复用增益。然而，在频分双工（FDD）大规模MIMO系统中，巨大的CSI反馈开销变得受限并且降低了整体频谱效率。在本文中，我们提出了一种基于深度学习的信道状态矩阵压缩方案，称为DeepCMC，由卷积层，然后是量化和熵编码块组成。与以前的工作相比，DeepCMC的主要贡献是两方面的：i）DeepCMC是完全卷积的，并且它可以在具有各种数量的子信道和发射天线的广泛场景中使用; ii）DeepCMC包括量化和熵编码块，并且最小化成本函数，该成本函数考虑BS处的信道矩阵的压缩速率和重构质量。仿真结果表明，DeepCMC在相同压缩率的信道状态矩阵的重构质量方面明显优于最先进的压缩方案，以每个信道维度的比特为单位进行测量。
2019-07-02 cs.IT cs.LG eess.SP
MIMO Channel as a Neural Function: Implicit Neural Representations for Extreme CSI Compression in Massive MIMO Systems
本文提出基于隐式神经表示的极值CSI压缩方法，将CSI矩阵视为神经函数，通过元学习生成调制并应用于共享基础网络，经量化和熵编码实现极高压缩比，达到最先进性能且反馈策略灵活。
2024-03-20 cs.IT eess.SP math.IT
Learning-Based Phase Compression and Quantization for Massive MIMO CSI Feedback with Magnitude-Aided Information
大规模MIMO无线FDD系统经常面临有效获取下行链路信道状态信息（CSI）的挑战。先前的工作已经证明了通过利用它们的CSI幅度之间的上行链路/下行链路互易性在CSI编码和恢复中的潜力。然而，这样的框架单独地编码CSI相位和幅度。为了改进CSI编码，我们提出了一个基于学习的框架，基于有限的CSI反馈和幅度辅助信息。超越以前的工作，我们提出的框架与修改后的损失函数，使端到端的学习，共同优化CSI幅度和相位恢复性能。仿真结果表明，该框架优于替代方法的相位恢复在室内和室外场景中的整体CSI恢复。
2021-12-17 cs.IT eess.SP math.IT
Distributed Deep Convolutional Compression for Massive MIMO CSI Feedback
Imperial College London（帝国理工学院）
大规模多输入多输出（MIMO）系统需要基站（BS）处的下行链路信道状态信息（CSI）来实现空间分集和复用增益。在频分双工（FDD）多用户大规模多输入多输出网络中，每个用户需要压缩其下行链路CSI并将其反馈给BS。CSI开销随着天线、用户和子载波的数量而缩放，并且成为整体频谱效率的主要瓶颈。在本文中，我们提出了一种基于深度学习（DL）的CSI压缩方案，称为DeepCMC，由卷积层以及量化和熵编码块组成。与之前基于DL的CSI缩减结构相比，DeepCMC提出了一种新的全卷积神经网络（NN）架构，在解码器处具有残留层，并将量化和熵编码块纳入其设计中。DeepCMC经过训练以最小化加权率失真成本，这使得能够在CSI质量和其反馈开销之间进行权衡。仿真结果表明，DeepCMC优于最先进的CSI压缩方案在CSI的重建质量方面，对于相同的压缩率。我们还提出了一个分布式版本的DeepCMC的多用户MIMO场景编码和重构CSI从多个用户以分布式的方式。分布式DeepCMC不仅利用单个MIMO用户的固有CSI结构进行压缩，而且还受益于附近用户的信道矩阵之间的相关性，以进一步提高性能。我们还提出了一种降低复杂度的分布式DeepCMC训练方法，允许将其扩展到多个用户，并提出了一种基于集群的分布式DeepCMC方法用于实际实现。
2020-09-06 cs.IT cs.LG eess.SP
An Efficient Deep Learning Framework for Low Rate Massive MIMO CSI Reporting
信道状态信息（CSI）报告对于多输入多输出（MIMO）发射机在频分双工（FDD）模式中实现高容量和能量效率是重要的。用于大规模MIMO系统的CSI报告可能消耗过多的带宽并且降低频谱效率。与信道相关性集成的基于深度学习（DL）的压缩已经证明在改善CSI恢复方面是成功的。然而，现有的工作集中在CSI压缩很少表现出对CSI报告的有效编码。在本文中，我们提出了一个有效的DL为基础的压缩框架（称为CQNet），共同解决CSI压缩，报告编码，并在带宽限制下恢复。CQNet可以直接集成在其他基于DL的CSI反馈工程中，以进一步增强。CQNet显著优于使用均匀CSI量化和$μ$定律非均匀量化的解决方案。与传统的CSI报告相比，需要少得多的比特来实现可比较的CSI重构精度。
2019-12-23 cs.IT eess.SP math.IT
Deep CSI Compression for Massive MIMO: A Self-information Model-driven Neural Network
为了充分发挥大规模多输入多输出（mMIMO）的优势，发射端准确获取信道状态信息（CSI）至关重要。已经提出了基于深度学习（DL）的方法用于CSI压缩和向发射机的反馈。尽管大多数现有的基于DL的方法将CSI矩阵视为图像，但在神经网络设计中很少利用CSI图像的结构特征。因此，我们提出了一个模型的自我信息，动态测量的信息量包含在每个补丁的CSI图像的结构特征的角度。然后，通过应用自信息模型，我们提出了一个模型和数据驱动的CSI压缩和反馈网络，即IdasNet。IdasNet包括自信息删除和选择（IDAS）模块、信息特征压缩（IFC）编码器和信息特征恢复（IFR）解码器的设计。具体地，IDAS的模型驱动模块通过去除自信息方面的信息冗余来预压缩CSI图像。IFC的编码器然后对预压缩的CSI图像进行特征压缩，并生成包含两个分量的特征码字，即，码字值和码字值的位置索引。随后，IFR解码器对码字值以及位置索引进行交织以恢复CSI图像。实验结果表明，该方法在不同压缩比下的性能明显优于现有的基于DL的网络，同时与现有的各种方法相比，网络参数的数量减少了几个数量级。
2022-04-25 cs.IT eess.SP math.IT
Channel Charting in Real-World Coordinates with Distributed MIMO
本文针对分布式MIMO系统提出双基地定位损失和视距边界框损失，将信道图表嵌入真实世界坐标，在保持自监督特性的同时优于多个基线方法。
2025-04-08 cs.IT eess.SP math.IT
Neural CSI Compression Fine-Tuning: Taming the Communication Cost of Model Updates
Chalmers University of Technology（查尔姆斯理工大学）；Imperial College London（帝国理工学院）
本文提出了一种全模型微调方法，通过联合更新编码器和解码器，利用目标环境的近期CSI样本来提高神经CSI压缩的速率-失真性能，同时通过结构先验和熵编码减少模型更新的通信成本。
2026-05-18 cs.IT eess.SP math.IT
RSCNet: Dynamic CSI Compression for Cloud-based WiFi Sensing
York University（约克大学）；University of the Fraser Valley（弗雷泽河谷大学）；Cognitive Systems Corp.（认知系统公司）
针对云端WiFi感知中CSI传输开销大的问题，提出RSCNet，通过跨CSI窗口优化与云端LSTM利用历史窗口数据，在压缩CSI的同时保持高感知精度与低重建误差。
2024-05-20 cs.AI cs.HC cs.IT
Generative Diffusion Model-based Compression of MIMO CSI
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；InterDigital Communications（InterDigital通信公司）
针对MIMO通信中结合边信息的CSI压缩任务，提出一种基于后向扩散过程的解码框架，采用可训练码本进行固定速率编码，实验证明其在特定场景下以不到一半的数据速率实现相当失真，性能提升超两倍。
2025-02-07 cs.AI cs.IT eess.SP
Deep CSI Compression for Dual-Polarized Massive MIMO Channels with Disentangled Representation Learning
本文提出DiReNet，通过将双极化CSI解耦为极化共享、垂直极化特定和水平极化特定信息，减少极化相关性带来的冗余，从而提升CSI压缩与恢复性能，并降低近三分之一参数量。
2024-03-28 cs.IT eess.SP math.IT
Dual-Propagation-Feature Fusion Enhanced Neural CSI Compression for Massive MIMO
针对大规模MIMO系统中CSI压缩现有深度学习方法特征提取单一的问题，提出融合CNN与注意力网络双传播特征的DuffinNet及Duffin-CsiNet框架，结合量化与迁移学习策略，在重建性能等方面优于现有方法。
2023-05-29 cs.IT math.IT
Contrastive Predictive Coding with Compression for Enhanced Channel State Feedback in Wireless Networks
Department of Electrical Engineering and Computer Science, York University（电气工程与计算机科学系，约克大学）；Nokia France（诺基亚法国）；Nokia UK（诺基亚英国）
研究针对下一代无线系统中CSI反馈问题，提出统一压缩预测框架，集成CPC到3GPP CSI压缩架构，通过联合目标优化，给出两种变体，实验表明其能降低计算量、保持反馈开销，提供年龄感知且高效的CSI反馈方案。
2026-07-09 cs.AI cs.IT eess.SP
Accelerating and Compressing Deep Neural Networks for Massive MIMO CSI Feedback
University of Calgary（卡尔加里大学）
本文提出联合剪枝与量化方法压缩大规模MIMO CSI反馈神经网络，在商用硬件上实现模型大小减少86.5%、推理时间减少76.2%，为深度学习在无线系统中的实际部署铺平道路。
2023-01-20 cs.IT cs.LG cs.NI
Context-Tree-Based Lossy Compression and Its Application to CSI Representation
针对无线通信中的时变信道状态信息，提出了一种新的压缩算法。该方案结合了（有损）矢量量化和（无损）压缩。首先，新的矢量量化技术是基于应用于归一化CSI矢量的每个分量上的一类参数化压缩扩展器。我们的算法选择一个合适的压扩器在一个直观的简单的方式，只要经验数据。然后，使用基于上下文树的方法压缩量化索引的序列。本质上，我们在每个时刻更新源的条件分布的估计，并使用估计的分布对当前符号进行编码。该算法具有低复杂度，在空间维度和持续时间上都是线性时间的，并且可以以在线方式实现。我们运行模拟来证明所提出的算法在这种情况下的有效性。
2022-05-05 cs.IT math.IT
Deep Learning-Based Rate-Adaptive CSI Feedback for Wideband XL-MIMO Systems in the Near-Field Domain
针对宽带近场XL-MIMO系统中CSI反馈面临的表征与压缩挑战，提出带压缩比自适应模块的轻量级深度学习框架WideNLNet-CA，单模型可适配多反馈速率，性能优于现有方法且推理快、存储需求低。
2025-08-01 cs.IT eess.SP math.IT
Digital Twin Aided Massive MIMO: CSI Compression and Feedback
针对大规模 MIMO 中 DL CSI 压缩反馈模型依赖大量真实数据的问题，提出用站点数字孪生与射线追踪生成合成 CSI，并结合在线选择和域适应，大幅降低真实数据需求。
2024-03-01 cs.IT eess.SP math.IT
CNN-based Analog CSI Feedback in FDD MIMO-OFDM Systems
Imperial College London（帝国理工学院）
大规模多输入多输出（MIMO）系统需要在基站（BS）处的下行链路信道状态信息（CSI）以更好地利用可用的空间分集和复用增益。然而，在频分双工（FDD）大规模MIMO系统中，CSI反馈开销降低了整体频谱效率。基于卷积神经网络（CNN）的CSI反馈压缩方案最近由于压缩效率的显著改进而受到很多关注;然而，它们仍然需要可靠的反馈链路来将压缩的CSI信息传送到BS。相反，我们在这里提出了一种基于CNN的模拟反馈方案，称为AnalogDeepCMC，它直接将下行链路CSI映射到上行链路信道输入。对应的噪声信道输出被另一个CNN用来重构DL信道估计。所提出的方案不仅在可实现的下行链路速率方面优于现有的数字CSI反馈方案，而且由于其不需要显式量化、编码和调制而简化了操作，并且提供了低延迟的替代方案，特别是在快速变化的MIMO信道中，其中CSI需要被周期性地估计和反馈。
2019-10-23 cs.IT cs.LG eess.SP
Dilated Convolution based CSI Feedback Compression for Massive MIMO Systems
针对大规模 MIMO 的 CSI 反馈开销问题，本文提出基于空洞卷积的 DCRNet，通过扩大感受野及优化编解码器，以更低 FLOPs 实现接近 SOTA 的 CSI 重建性能。
2021-06-08 cs.IT eess.SP math.IT
Deep Joint Source-Channel Coding for CSI Feedback: An End-to-End Approach
MIMO技术带来的吞吐量的增加依赖于基站（BS）中获取的信道状态信息（CSI）的知识。为了使CSI反馈开销对于MIMO技术的演进是可承受的（例如，大规模MIMO和超大规模MIMO），引入了深度学习（DL）来处理CSI压缩任务。基于现有通信系统中的分离原理，基于DL的CSI压缩被用作信源编码。然而，在有限块长度机制中，这种单独的信源-信道编码（SSCC）方案劣于联合信源-信道编码（JSCC）方案。在本文中，我们提出了一个深度联合信源-信道编码（DJSCC）为基础的CSI反馈任务的框架。特别地，所提出的方法可以同时从CSI源和无线信道学习。在现有的方法中，通过在延迟域中的傅立叶变换来截断CSI，而不是应用非线性变换网络来压缩CSI。此外，我们采用了一种信噪比自适应机制来处理无线信道的变化。大量的实验证明了该框架的有效性、适应性和通用性。
2022-04-07 cs.IT eess.SP math.IT
Exploring the Potential of Large Language Models for Massive MIMO CSI Feedback
本文首次探索将大型语言模型用于大规模MIMO系统的CSI压缩反馈，利用其去噪能力并设计定制模块，实验证明该方法能有效提升CSI重建性能。
2025-01-18 cs.IT eess.SP math.IT
CSI Compression for Massive MIMO-OFDM: Mismatch-Aware Rate-Distortion Trade-offs
POSTECH（韩国科学技术院）
本文研究了在基站使用不完美的协方差模型重建CSI时，宽频频分复用大规模MIMO的CSI压缩问题。提出了一种基于Gaussian测试信道和不匹配MMSE重建规则的可实现不匹配Gaussian率-失真特性，通过共享特征向量域实现鲁棒的反向水填充分配。
2026-04-19 cs.IT math.IT
Fundamental Limits of CSI Compression in FDD Massive MIMO
POSTECH（浦项工科大学）
本文提出基于高斯混合的变换编码方法，通过状态自适应变换实现高效CSI压缩，在保持分析 tractability 的同时提升RD性能。
2026-03-15 cs.IT math.IT stat.ML
Joint Signal and Channel State Information Compression for the Backhaul of Uplink Network MIMO Systems
在网络MIMO蜂窝系统中，基站（BS）的子集或远程无线电头端经由回程链路连接到中央单元（CU），所述中央单元在下行链路中执行联合编码并且在上行链路中执行联合解码。聚焦于上行链路，用于回程链路上的BS与对应CU之间的通信的有效解决方案是基于压缩和转发来自每个BS的基带接收信号。在存在遍历衰落的情况下，从BS向CU传送信道状态信息（CSI）可能需要回程容量的相当大的部分。在先前的工作中，通过假设压缩-前向-估计（CFE）方法来研究这方面，由此BS压缩训练信号并且CSI估计在CU处发生。相反，在这项工作中，研究了估计-压缩-转发（ECF）方法，由此BS执行CSI估计并将CSI的压缩版本转发给CU。这种选择的动机是信息理论的最优分离估计和压缩。提出了各种ECF策略，其执行估计的CSI和接收信号的单独或联合压缩。此外，当考虑多个BS时，所提出的策略与分布式信源编码相结合。还提出了在回程链路上不传送任何CSI或训练信息的“半相干”策略。通过数值结果，它表明，一个适当的设计ECF策略的基础上联合接收信号和估计的CSI压缩或半相干方案导致大量的性能增益相比，更传统的方法，基于非相干传输或CFE方法。
2013-10-23 cs.IT math.IT
TCLNet: A Hybrid Transformer-CNN Framework Leveraging Language Models as Lossless Compressors for CSI Feedback
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院）；Peng Cheng Laboratory（鹏城实验室）
TCLNet通过结合Transformer-CNN架构和语言模型，实现CSI的高效无损压缩，提升压缩效率和传输性能。
2026-01-10 cs.IT math.IT physics.comp-ph
Residual Diffusion Models for Variable-Rate Joint Source Channel Coding of MIMO CSI
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Samsung Research America（三星美国研究院）
本文提出残差扩散联合源信道编码框架，通过结合轻量级自编码器与残差扩散模块，实现对MIMO信道状态信息的高效压缩与重建，提升无线环境下的传输性能。
2026-02-18 cs.IT math.IT
Meta-Learning-Based Fronthaul Compression for Cloud Radio Access Networks
本文针对云无线接入网前传压缩问题，提出变换-压缩-转发方案及基于元学习的深度学习框架，以低通信开销实现接近全局CSI基准的和速率性能。
2024-03-13 cs.IT eess.SP math.IT
Learning Progressive Distributed Compression Strategies from Local Channel State Information
本文提出了一个深度学习框架来设计分布式压缩策略，分布式代理需要压缩源的高维观测数据，然后通过带宽受限的链路将压缩后的比特发送到融合中心进行源重构。此外，我们要求压缩策略是渐进的，以便它可以适应代理和融合中心之间不断变化的链路带宽。此外，为了确保可扩展性，我们调查的策略，只依赖于本地信道状态信息（CSI）在每个代理。为此，我们使用一种数据驱动的方法，其中每个代理的渐进线性组合和统一量化策略都是根据其本地CSI进行训练的。为了应对量化操作建模的挑战（在神经网络的训练中总是产生零梯度），我们提出了一种新的方法，利用批量训练数据的统计数据来设置均匀量化器的动态范围。在数值上，我们表明，建议的分布式估计策略设计，只有本地CSI可以显着降低信令开销，并可以实现较低的均方误差失真的源重建比国家的最先进的设计，需要全球CSI在可比的整体通信成本。
2022-03-09 cs.IT math.IT
Self-Supervised Pretraining for Transmission-Relevant MIMO CSI Representation
Pohang University of Science and Technology（浦项科技大学）；Institute of New Media and Communications, Seoul National University（首尔大学新媒体与通信研究所）；Department of Electrical and Computer Engineering, Seoul National University（首尔大学电气与计算机工程系）；Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
研究无标签信道状态信息的自监督表示学习，提出波束响应对比学习框架BRCL，基于发射端Gram矩阵，结合重建学习实现样本级CSI恢复和波束响应级一致性，实验表明其提高标签效率且性能优于其他预训练方法。
2026-09-09 cs.IT cs.SY eess.SY
A Lightweight Deep Network for Efficient CSI Feedback in Massive MIMO Systems
为了充分利用大规模多输入多输出（m-MIMO）的优势，在发射端需要准确的信道状态信息（CSI）。然而，对于大型天线阵列，过多的CSI反馈是低效的，因此在实际应用中是不期望的。通过利用角延迟域中复值信道响应的固有相关特性，提出了一种新的神经网络（NN）架构，即ENet，用于m-MIMO中的CSI压缩和反馈。即使ENet单独处理CSI值的实部和虚部，其特殊结构也使仅针对实部训练的网络能够重新用于虚部。与现有的基于神经网络的解决方案相比，所提出的ENet显示出增强的性能，网络大小减少了近一个数量级。实验结果验证了所提出的ENet的有效性。
2021-05-21 cs.IT eess.SP math.IT
DJSCC-Enabled Multi-User Semantic CSI Feedback for Hybrid Beamforming in Dual-Polarized cmWave Massive MIMO
Beijing Institute of Technology（北京理工大学）；Yangtze Delta Region Academy, BIT (Jiaxing)（北京理工大学长三角研究院（嘉兴））；University of the Witwatersrand（威特沃特斯兰德大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出了一种基于MAXIM架构的深度学习方案，用于多用户厘米波MIMO-OFDM系统的联合语义CSI反馈和混合波束成形，通过端到端优化最大化下行链路总速率，同时利用深度联合源-信道编码（DJSCC）提升CSI压缩效率和抗噪能力。
2026-05-19 cs.IT eess.SP math.IT
MIMO Channel Information Feedback Using Deep Recurrent Network
在多输入多输出（MIMO）系统中，发射端信道状态信息（CSI）的可用性是提高系统性能的关键。最近的基于卷积神经网络（NN）的技术在实现CSI压缩和反馈方面显示出有竞争力的能力。通过引入一种新的神经网络结构，我们提高了MIMO通信中量化CSI反馈的准确性。所提出的NN架构调用了一个名为长短期记忆（LSTM）的模块，该模块允许NN受益于利用无线信道的时间和频率相关性。妥协的性能与复杂性，我们进一步修改的NN架构，大大减少了参数的数量进行训练。最后，实验表明，建议的神经网络结构实现更好的性能，在CSI压缩和恢复精度。
2018-11-19 cs.IT math.IT
Fronthaul Compression and Precoding Design for C-RANs over Ergodic Fading Channel
本文研究了云无线接入网下行链路前传压缩和预编码的联合设计。在C-RAN中，中央单元（CU）为无线电单元（RU）的集群执行基带处理，RU通过低延迟前传链路从CU接收压缩基带样本。关于前传压缩和预编码的设计的大多数先前工作假设恒定信道和CU处的瞬时信道状态信息（CSI）。这项工作，相反，集中在一个更实际的情况下，块遍历信道，并考虑在CU的瞬时或随机CSI。此外，分析包括压缩后预编码（CAP）和压缩前预编码（CBP）计划。利用CAP方法（其是标准C-RAN解决方案），CU执行信道编码和预编码，然后CU压缩并在前传链路上将得到的基带信号转发到RU。相反，利用CBP方案，CU不执行预编码，而是将移动站（MS）的子集的信息消息与压缩的预编码矩阵一起单独转发到每个RU，然后RU执行预编码。提出了基于随机连续上限最小化方法的CAP和CBP前传压缩和预编码优化算法。通过数值计算结果，这两种策略的相对优点，无论是瞬时或随机CSI作为一个函数的系统参数，如前传容量和信道相干时间进行评估。
2014-12-21 cs.IT math.IT
Design of an Efficient CSI Feedback Mechanism in Massive MIMO Systems: A Machine Learning Approach using Empirical Data
大规模多输入多输出（mMIMO）机制在精确获取信道状态信息（CSI）的情况下获得空间分集和复用增益的益处。在当前的通信架构中，下行链路CSI由用户设备（UE）经由专用导频估计，然后反馈给gNodeB（gNB）。反馈信息被压缩，目的是减少空中开销。这种压缩增加了所获取的CSI的不准确性，从而降低了整体频谱效率。提出了一种基于机器学习（ML）的CSI反馈算法，该算法利用双通道预测器，计算量小.所提出的方法可以用于时分双工（TDD）和频分双工（FDD）系统，并且它允许减少反馈开销并提高所获取的CSI准确度。为了观察到真正的好处，我们证明了所提出的方法使用的经验数据记录在诺基亚在德国斯图加特的校园的性能。数值结果表明，所提出的方法在减少开销，最大限度地减少量化误差，提高频谱效率，余弦相似性，和预编码增益相比，传统的CSI反馈机制的有效性。
2022-08-25 cs.IT eess.SP math.IT
Deep Learning-based CSI Feedback Approach for Time-varying Massive MIMO Channels
在频分双工（FDD）网络中，大规模多输入多输出（MIMO）系统依赖于信道状态信息（CSI）反馈来执行预编码并实现性能增益。然而，大量的天线对传统的CSI反馈减少方法提出了挑战，并导致过多的反馈开销。在这篇文章中，我们开发了一个实时CSI反馈架构，称为CsiNet-长短期记忆（LSTM），通过扩展一个新的基于深度学习（DL）的CSI感知和恢复网络。CsiNet-LSTM通过直接从时变大规模MIMO信道的训练样本中学习空间结构与时间相关性，大大提高了恢复质量，并改善了压缩比（CR）和复杂度之间的权衡。仿真结果表明，CsiNet-LSTM优于现有的基于压缩感知和基于DL的方法，并且对CR减少具有显著的鲁棒性。
2018-07-31 cs.IT math.IT
Generative Decoding of Compressed CSI for MIMO Precoding Design
Arizona State University（亚利桑那州立大学）；Nokia Bell Laboratories（诺基亚贝尔实验室）
本文提出一种仅含解码器的生成式CSI压缩方案，在用户侧使用标准化编码器，在基站侧用站点特定生成式解码器结合环境知识细化CSI，并通过数字孪生生成合成数据降低训练数据收集开销，仿真验证了其在多种反馈开销下的有效性。
2025-11-11 cs.IT eess.SP math.IT
Deep Learning for Massive MIMO CSI Feedback
在频分双工模式下，下行链路信道状态信息（CSI）应该通过反馈链路发送到基站，以便可以展现大规模多输入多输出的潜在增益。然而，这样的传输被过多的反馈开销所阻碍。在这封信中，我们使用深度学习技术来开发CsiNet，这是一种新的CSI感知和恢复{机制}，可以从训练样本中学习有效使用信道结构。CsiNet学习从CSI到近似最优数量的表示（或码字）的变换以及从码字到CSI的逆变换。我们进行实验，以证明CsiNet可以恢复CSI与显着提高重建质量相比，现有的压缩感知（CS）为基础的方法。即使在基于CS的方法无法工作的过低压缩区域，CsiNet也保留了有效的波束成形增益。
2018-04-23 cs.IT math.IT
Compressed CSI Feedback With Learned Measurement Matrix for mmWave Massive MIMO
实现压缩感知方法获取信道状态信息（CSI）的一个主要挑战在于设计性能良好的测量矩阵以降低稀疏信道向量的维数。广泛采用的随机测量矩阵来自高斯或伯努利分布不是最优的。为了解决这个问题，我们提出了一种完全数据驱动的方法来优化波束空间信道压缩的测量矩阵，这种方法训练一个数学上可解释的自动编码器，根据稀疏恢复的迭代解构造。所得到的测量矩阵可以用较少的测量实现接近完美的CSI恢复，从而可以大大减少反馈开销。
2020-07-11 cs.IT math.IT
