首次理论分析，「无线电地图构建」竟是生成问题？西电全新模型，性能全面领先

新智元

2025-01-06 13:08发布于北京新智元官方账号

AI划重点 · 全文约2129字，阅读需7分钟

1.西安电子科技大学等首次通过理论分析揭示了无线电地图构建是生成问题，并提出RadioDiff模型。

2.RadioDiff模型在无采样动态无线电地图构建的准确性、结构相似度和峰值信噪比三大指标上全面领先。

3.为此，研究人员采用了带有自适应快速傅立叶变换模块的注意力U-Net作为骨干网络，提高动态环境特征的提取能力。

4.实验结果表明，所提出的RadioDiff在准确度、结构相似度(SSIM)和峰值信噪比(PSNR)三项指标上均达到了当前最先进(SOTA)的RM构建性能。

以上内容由腾讯混元大模型生成，仅供参考

新智元报道

编辑：LRST 好困

【新智元导读】西安电子科技大学等首次通过理论分析揭示了无线电地图构建是生成问题，并提出RadioDiff模型，在无采样动态无线电地图构建的准确性、结构相似度和峰值信噪比三大指标上全面领先。

无线电地图（Radio Map, RM）是一种非常有前途的技术，通过位置信息获取路径损耗，对于6G网络应用中降低路径损耗估算的通信成本具有重要意义。

以往的RM构建方式要么需要大量计算资源，要么依赖昂贵的基于采样的路径损耗测量方法。

尽管基于神经网络（Neural Network, NN）的方法可以在不采样的情况下高效构建RM，但其性能仍未达到最佳，主要是由于RM构建问题的生成特征与现有基于神经网络的方法所采用的判别建模之间存在偏差。

为了提升 RM 构建性能，西安电子科技大学、电子科技大学、滑铁卢大学的研究人员首次从「数据特征」和「神经网络训练方法」两个角度，对「RM构建是一个生成问题」的原因进行了全面的理论分析，并提出了一种基于去噪扩散模型的方法（RadioDiff），将无采样RM构建问题建模为条件生成问题，以实现高质量的RM构建。

论文链接: https://arxiv.org/abs/2408.08593

代码仓库: https://github.com/UNIC-Lab/RadioDiff

此外，为增强扩散模型从动态环境中提取特征的能力，文中采用了带有自适应快速傅立叶变换模块的注意力U-Net作为骨干网络，从而显著提高了动态环境特征的提取能力；同时利用解耦扩散模型进一步提升RM构建性能。

总结来说，这篇论文的贡献如下：

条件生成建模：首次将无采样 RM 构建问题建模为条件生成问题，将基站（BS）位置和环境特征作为生成条件提示，并从数据特征和训练方法的角度，理论分析了RM构建是生成问题的原因。
扩散模型的应用：首次将基于扩散的生成模型应用于RM构建，并采用解耦扩散模型提升性能和推理效率
动态环境特征提取：通过静态和动态环境特征提示矩阵，以及自适应快速傅立叶变换模块，增强了扩散模型在动态环境特征提取中的能力。
实验验证：实验结果表明，所提出的RadioDiff在准确度、结构相似度（SSIM）和峰值信噪比（PSNR）三项指标上均达到了当前最先进（SOTA）的 RM 构建性能。

扩散模型

扩散模型是一种基于马尔可夫链的生成模型，通过逐步学习去噪过程来恢复数据.

扩散模型的工作原理: 扩散模型的核心思想是通过一系列步骤将原始数据逐渐「扩散」成噪声，然后通过逆向过程——即从添加了噪声的数据中逐步去除噪声，以生成原始数据。这个过程可以分为两个主要阶段。

前向扩散过程：原始数据会经历一个由多个时间步组成的马尔可夫链，在每个时间步中，都会根据一定的概率分布向数据中添加高斯噪声。经过T步之后，原始数据会被完全转化为随机噪声。

反向去噪过程：在生成数据时，扩散模型首先从先验分布中创建未结构化的噪声向量，然后通过训练好的神经网络按照相反的时间顺序去除这些噪声。

RM的前向扩散过程

从数据特征和训练方法两个角度分析，并且从统计学习的角度以及从训练方法来看，RM的构建是一个条件生成问题。

系统架构

Radiodiff框架中，VAE用于将RM编码为潜在向量，从而降低去噪扩散模型的输入/输出空间的维数。

该框架采用了由编码器和解码器组成的U-Net架构，以促进去噪过程。提示表示为具有三个通道的灰度图，每个通道都描述了建筑物、车辆和AP的特征。对提示进行编码后，被连接到U-Net网络中，使模型能够在环境条件下生成RM。

效果对比

为了评估所提出的RadioDiff模型，将其与其他方法进行了比较。为了确保实验的全面比较，分别比较了基于CNN、基于GAN和基于Mamba的方法，这些方法代表了当前基于深度学习的RM重建任务中使用的主要架构。

对于比较模型的详细参数设置，训练和测试数据将与RadioDiff保持一致。使用以下方法进行比较，其中SRM为静态RM，DRM为动态RM。

不同方法构建的SRM的比较

MSE：均方误差，通过对原始图像和最终图像的像素强度之间的平方差进行平均来计算的。NMSE（归一化MSAE），RMSE（MSE的平方根）。另外，本文引入结构相似性指数测量（SSIM）和峰值信噪比（PSNR）作为额外的度量。SSIM评估结构信息的保存，以强调结构细节重建的准确性，而PSNR测量信噪比，以评估RM构建的保真度，特别是在边缘信号重建方面。

定量比较

SRM的比较：表中第一部分和图中给出了针对SRM场景的RadioMapSeer-Test数据集的定量比较，此模型在误差指标（即 NMSE、RMSE）和结构指标（即SSIM、PSNR）上都优于其他方法，表明我们的预测和生成的RM更准确。RadioDiff在PSNR指标上表现出色，表明与其他方法相比，它生成的 RM 具有更清晰、更锐利的结构边缘。

不同方法构建的DRM的比较

DRM的比较：如图所示，给出了DRM场景下RadioMapSeer测试数据集的定量比较。在DRM场景中，模型必须考虑其他动态环境因素。尽管性能普遍下降，但表中显示，RadioDiff在所有指标中始终提供最佳结果。

RadioDiff模型对车辆等动态环境因素表现出更强的敏感性，而RME-GAN、RadioUNet和UVM-Net模型则难以应对这些因素，通常会导致明显的模糊和失真。

关于AFT的消融研究

为了进一步提升模型性能，研究人员在模型中加入了AFT

定性结果表明，AFT的加入进一步提高了模型对边缘信号的灵敏度，使得RM的图像具有更准确的边缘，在多个信号重叠时也能获得更稳健的结果。

参考资料：

https://arxiv.org/abs/2408.08593