arXiv 2505.194652025-05-26cs.LGcs.AI

基于残差交叉注意力Transformer的深度联合信源信道编码多用户CSI反馈

Residual Cross-Attention Transformer-Based Multi-User CSI Feedback with Deep Joint Source-Channel Coding

School of Information and Electronics, Beijing Institute of Technology（信息与电子学院，北京理工大学）；State Key Laboratory of CNS/ATM and the MIIT Key Laboratory of Complex-Field Intelligent Sensing, Beijing Institute of Technology (BIT)（国家 CNS/ATM 工程重点实验室和工信部复杂场智能感知关键实验室，北京理工大学）；Guangzhou Institute of Technology, Xidian University（广州理工大学，西安电子科技大学）

Hengwei Zhang, Minghui Wu, Li Qiao, Ling Liu, Ziqi Han, Zhen Gao

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出一种基于残差交叉注意力Transformer和深度联合信源信道编码的多用户CSI反馈框架，利用用户相关性降低开销并提升反馈性能，实验证明其优越性。

摘要：

本文提出了一种用于大规模多输入多输出系统的基于深度学习（DL）的多用户信道状态信息（CSI）反馈框架，其中利用深度联合信源信道编码（DJSCC）来提高CSI重建精度。具体而言，我们设计了一个多用户联合CSI反馈框架，利用邻近用户之间的CSI相关性来降低反馈开销。在该框架下，我们提出了一种新的残差交叉注意力Transformer架构，部署在基站侧以进一步提升CSI反馈性能。此外，为解决传统比特级CSI反馈方法中的“悬崖效应”，我们将DJSCC集成到多用户CSI反馈中，并采用两阶段训练方案以适应变化的上行噪声水平。实验结果表明，我们的方法在CSI反馈性能上具有优越性，且网络复杂度低、可扩展性更好。

英文摘要：

This letter proposes a deep-learning (DL)-based multi-user channel state information (CSI) feedback framework for massive multiple-input multiple-output systems, where the deep joint source-channel coding (DJSCC) is utilized to improve the CSI reconstruction accuracy. Specifically, we design a multi-user joint CSI feedback framework, whereby the CSI correlation of nearby users is utilized to reduce the feedback overhead. Under the framework, we propose a new residual cross-attention transformer architecture, which is deployed at the base station to further improve the CSI feedback performance. Moreover, to tackle the "cliff-effect" of conventional bit-level CSI feedback approaches, we integrated DJSCC into the multi-user CSI feedback, together with utilizing a two-stage training scheme to adapt to varying uplink noise levels. Experimental results demonstrate the superiority of our methods in CSI feedback performance, with low network complexity and better scalability.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。