写在前面：生成式人工智能（AIGC）方兴未艾。从计算机视觉领域的Stable Diffusion，到自然语言处理领域的ChatGPT，短短几年里，AIGC模型就已经掌握了大多数我们人类能够感知到的数据模态，并仍在不断演进。然而，在无线通信和感知领域中，面向无线射频信号的生成式模型研究，仍是一片新蓝海。
射频信号生成技术对于无线通信与感知系统有着重要的意义。一方面，生成的无线数据可以被用于下游通信与感知模型的训练数据增广，从而提升系统性能、降低大规模数据采集的人力与设备资源开销。另一方面，信号生成模型可以直接被用于处理通信领域中常见的回归（Regression）任务，如信道估计、信号去噪、信源识别等，为Wireless+AI领域开辟了一条新型的研究路径。为了填补目前高质量时序RF信号生成模型的缺失，清华大学杨铮教授团队在ACM MobiCom’24会议上发表了题为“RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion”的文章。该论文建立了一种新型的时频域扩散理论（Time-Frequency Diffusion Theory），揭示了从原域和变换域空间中联合重建原始信号分布的有效性，拓展了现有的单一域扩散理论，开创性地提出了首个针对射频信号的生成式扩散模型RF-Diffusion，实现了时间序列射频信号的多样化、大规模、高精度自动生成，并成功将其应用于Wi-Fi感知数据增广、FDD信道估计等一系列关键任务中，提供了一种生成式AI与无线系统研究相结合的新维度。清华大学博士后迟国轩为论文第一作者，清华大学副教授杨铮为论文通讯作者。RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion作者：Guoxuan Chi, Zheng Yang, Chenshu Wu, Jingao Xu, Yuchong Gao, Yunhao Liu, Tony Xiao Han
Citation: Guoxuan Chi, Zheng Yang, Chenshu Wu, Jingao Xu, Yuchong Gao, Yunhao Liu, and Tony Xiao Han. 2024. RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion. In Proceedings of the 30th Annual International Conference on Mobile Computing and Networking (ACM MobiCom’24). Association for Computing Machinery, New York, NY, USA, 77–92.
论文版权归属期刊及版权方，本文分享只体现学术贡献，未经许可禁止用于商业用途。
一、 射频信号生成技术
近年来，生成式扩散模型（Generative Diffusion Model）在CV/NLP等多个领域大放异彩，其多步迭代式生成的模式同时保障了数据样本的生成精度和多样性，使其成为了新一代生成范式。然而，无线射频信号在时域、频域和数域等多个方面的独特性质，为RF-Diffusion的设计提出了更高的要求：Ø 时序特性：不同于静态快照的图片，时序RF信号更容易受到动态时变信道的影响。因此，为图片生成而设计的扩散模型难以直接被用于合成RF信号序列。Ø 频谱特性：对于射频信号来讲，许多有效的特征是被嵌入到频域空间中的，如雷达的多普勒谱、通信信号的频率调制等。因此，现有的针对图像空域进行分析的方案难以充分挖掘出频域中隐含的关键信息。Ø 数域特性：复数域的射频信号采样同时具有幅度和相位两大特性，然而，现有的解决方案难以高效地处理复数类型的输入和输出数据。 本文提出了首个面向射频信号的生成扩散模型RF-Diffusion，通过将传统的单一域的去噪扩散模型（DDPM）拓展至时频域，本文建立了一种新型的时频扩散理论，以充分挖掘射频信号在时频域的分布特性。在此基础上，RF-Diffusion采用了一种基于复数域神经网络的层级式扩散架构，实现对复数信号特征的高效学习。![]()
图1 RF-Diffusion系统架构图
二、所提跨域多载波ISAC波形设计方法
图1展示了时频扩散理论描述的两个过程：正向退化过程和反向重建过程。Ø 正向退化过程：在每一步的正向退化过程中，交替执行时域加噪和频谱模糊操作，以此引导反向重建过程同时关注信号的幅度准确性和频谱连续性。Ø 反向重建过程：在每一步的反向重建过程中，借助训练的层级式扩散Transformer，重建出更接近真实分布的信号。 文章证明了：时频扩散理论的正向退化过程，最终能够使任意分布退化成一个固定的与原始分布无关的概率分布，同时结合现有的DDPM理论，证明了使用参数化的神经网络模型，可以拟合出上述的反向重建过程。从而揭示了从原域和变换域空间中，联合重建原始信号分布的可行性，有效地拓展了现有的单一域生成扩散理论。
![]()
图2 条件约束下RF-Diffusion的正向退化（左）与反向重建（右）示意图
三、层级式扩散Transformer
为了高效拟合时频扩散理论中的反向重建过程，本文设计了一种层级式扩散Transformer架构。如图3所示，该模型分为去噪和去模糊两个阶段：首先去除序列中每个信号样本中的引入的高斯噪声，再联合所有样本，消除频谱模糊对整个序列的影响，最终实现原始分布的精确重建。
![]()
图3 层级式扩散Transformer架构
为了适配无线射频信号的复数域特性，该模型整体上由复数域神经网络模块构成。为了高效地提取射频信号序列的时序自相关特性信息，本文提出了一种基于注意力机制的扩散模块（Attention-based Diffusion Block）。此外，本文针对复数信号独特的相位属性，设计了一种相位调制位置编码（Phase Modulation Encoding）技术。上述模块设计可以被集成进任意一种复数域神经网络模型中，具有高效性和可移植性。
四、性能评估与下游应用
本文面向Wi-Fi CSI和FMCW毫米波雷达两种信号原始类型，对RF-Diffusion的生成性能进行评估，并与几种经典的生成模型，包括DDPM，DCGAN，CVAE进行了对比。为了保证对比的直观性，下图中展示的是生成信号的特征谱图。
![]()
图4 RF-Diffusion与其他方案的生成效果对比
文中的量化实验结果表明，RF-Diffusion生成的Wi-Fi信号与真实信号的平均相似度（SSIM）为0.81，分别超过DDPM、DCGAN和CVAE约 25.4%、18.6%和71.3%。RF-Diffusion生成Wi-Fi信号与真实信号的特征相似距离（FID）为4.42，比上述比较方法高出42.4%、63.0%和57.3%。类似地，在生成高保真FMCW信号方面，RF-Diffusion也取得了最优效果，其合成的FMCW信号的平均SSIM为0.75，平均FID为6.10。文中进一步尝试将RF-Diffusion作为一种数据增广方案，用以增强现有的无线感知系统性能。以Wi-Fi手势识别系统为例，实验保留了一定量真实采集的CSI数据作为原始训练集，并通过引入额外的RF-Diffusion合成数据，观察训练后系统的整体性能表现。如图5所示，引入少量合成的数据进行训练，有助于提升下游识别模型的准确率和泛化能力，说明了RF-Diffusion能够被用作一种数据增广器，进一步提升现有无线感知系统的性能。图5. RF-Diffusion增强的无线感知系统性能
文章同样研究了使用RF-Diffusion进行信道估计的能力。具体来说，在FDD系统中，将无线链路的上行CSI编码后作为条件输入生成模型，即可引导RF-Diffusion生成对应下行链路CSI，从而实现基于生成模型的CSI反馈。图6展示了上述策略与已有方案的对比。说明RF-Diffusion能够被用于无线通信系统中实现信道估计，并已达到SOTA的效果。
![]()
图6 RF-Diffusion实现FDD信道估计样例（左）与性能统计（右）
五、研究展望
RF-Diffusion是一种通用的射频信号生成范式，并不针对于某种特定的信号类型、调制方式、应用场景设计，因此同GAN/VAE等诸多基础性架构一样，有望被用于无线系统中执行各类任务。一方面，RF-Diffusion作为一种数据增广的手段，可以被用于增强现有的任意一种数据驱动的无线应用。另一方面，RF-Diffusion可以生成式地处理各类回归型任务，如跨模态信号生成、信号去噪、信源识别、功率控制、频谱分配等等。 我们期望RF-Diffusion能够为无线感知和通信领域的诸多研究者提供更多的研究思路，欢迎专家同行们一起探索生成式AI在无线系统中更多有价值的应用。
六、相关文献信息
该项工作的论文已被ACM MobiCom’24正式收录，相关代码已于GitHub开放，部分网络模块的分析与搭建教程也将更新至无线感知Tutorial。RF-Diffusion已通过ACM Artifact Evaluation全部认证，并被授予代码开源（Available），功能健全（Functional），系统可用（Reusable），结果可复现（Results Replicated）4枚徽章。Guoxuan Chi, Zheng Yang, Chenshu Wu, Jingao Xu, Yuchong Gao, Yunhao Liu, and Tony Xiao Han. 2024. RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion. In Proceedings of the 30th Annual International Conference on Mobile Computing and Networking (ACM MobiCom’24). Association for Computing Machinery, New York, NY, USA, 77–92.https://dl.acm.org/doi/abs/10.1145/3636534.3649348https://github.com/mobicom24/RF-DiffusionWireless Sensing Tutorial链接：http://tns.thss.tsinghua.edu.cn/wst/迟国轩，清华大学，chiguoxuan@gmail.comISAC通信感知一体化公众号由IEEE通信学会通信感知一体化新兴技术倡议委员会(ISAC-ETI)成立，由ISAC-ETI Online Content Working Group (WG4) 负责维护并运行。
