CDDM: 无线通信的信道去噪扩散模型
文摘
科学
2024-07-15 16:15
陕西
扩散模型(Diffusion Models, DM)可以逐步学习去除噪声，近年来在人工智能生成内容(AIGC)中得到了广泛的应用。为了验证DM是否可以应用于无线通信，以帮助接收机消除信道噪声，来自上海交通大学的陶梅霞教授、张文军教授团队在GLOBECOM 2023上提出了无线通信的信道去噪扩散模型(CDDM)。CDDM可以作为信道均衡后的一个新的物理层模块来学习信道输入信号的分布，然后利用所学到的知识来去除信道噪声。实验结果表明，CDDM可以进一步降低均方误差(MSE)，具有更好的性能。CDDM: Channel Denoising Diffusion Models for Wireless Communications
Tong Wu1, Zhiyong Chen1, Dazhi He1, Liang Qian1, Lin Xu1, Meixia Tao1, Wenjun Zhang1
1Cooperative Medianet Innovation Center, Shanghai Jiao Tong University, Shanghai, China
https://ieeexplore.ieee.org/document/10436728
论文版权归属IEEE Conference on Global Communications (GLOBECOM) 2023及IEEE版权方，本文分享仅用于技术交流，未经许可禁止用于商业用途。1.1 扩散模型，Diffusion Models扩散模型包括两个过程，即正向扩散和反向采样，如图1所示。正向扩散过程中，DM向训练数据逐渐加入高斯噪声，直到变成全噪声。在反向过程中，网络学习从噪声中恢复数据。![]()
在无线通信中，接收信号y是发射信号x的有噪声失真版本。如对于加性高斯白噪声n，接收信号可表示为：
![]()
可以看出DM和无线通信过程具有一定的相似性。DM可以逐渐学会去除噪声，而无线通信系统中的接收机则是从接收信号中恢复发射信号。基于此，本文提出了无线通信信道去噪扩散模型(CDDM)。本文提出了一个CDMM和信源信道联合编码(JSCC)的联合系统，系统结构如图2所示。所提出的CDDM模块放置在信道均衡器之后，CDDM采用适应无线信道的专用噪声调度进行训练，使其能够通过设计的采样算法有效地消除信道噪声。
![]()
![]()
![]()
![]()
图3 所提出的CDDM的正向扩散过程和反向采样过程通过采样过程，CDDM能够得到去噪后的接收信号 y。本文将提出的CDDM应用于基于JSCC的语义通信系统中，用于无线图像传输。![]()
本文使用CIFAR10数据集进行训练和测试，采用JSCC系统和经典的基于分离的信源信道编码方案作为性能比较的基准。对于经典方案，采用JPEG2000编解码器进行压缩，LDPC编解码器进行信道编码，标记为“JPEG2000+LDPC”。图4显示了不同信噪比(SNR)下CDDM的MSE性能。可以看到，在AWGN和瑞利衰落信道下，有CDDM的系统在所有信噪比下的性能都比没有CDDM的系统好得多。这表明随着信噪比的降低，即信道噪声的增加，所提出的CDDM更容易去除更多的噪声。图4 所提出的CDDM的MSE性能 vs 不同信道上的信噪比图5和图6分别为AWGN信道和瑞利衰落信道下的PSNR性能与信噪比的关系。在瑞利衰落和AWGN信道下，CDDM和JSCC联合系统在5 ~ 20 dB信噪比范围内的PSNR性能优于JSCC系统。此外，还可以观察到CDDM和JSCC系统在瑞利衰落和AWGN信道上都明显优于“JPEG2000+LDPC”方案。本文提出了信道去噪扩散模型（CDDM）来消除瑞利衰落信道和AWGN信道下的信道噪声。CDDM利用适应无线信道的专门噪声调度进行训练，该调度允许在反向采样过程中通过合适的采样算法有效消除信道噪声。然后将CDDM应用到基于JSCC的语义通信系统中。实验结果表明，无论在AWGN信道还是瑞利衰落信道下，采用CDDM的系统在MSE和PSNR方面都优于不采用CDDM的系统。GenAINet公众号由IEEE Large Generative AI Models in Telecom (GenAINet) ETI成立，由GenAINet公众号运营团队负责维护并运行。
GenAINet公众号运营团队：
孙黎，彭程晖 （华为技术有限公司）
杜清河，肖玉权，张朝阳 （西安交通大学）
王锦光，俸萍 （鹏城实验室）
编辑：张朝阳
校对：肖玉权
