無線電地圖（Radio Map, RM）是一種非常有前途的技術(shù)，通過位置信息獲取路徑損耗，對于6G網(wǎng)絡(luò)應(yīng)用中降低路徑損耗估算的通信成本具有重要意義。

以往的RM構(gòu)建方式要么需要大量計算資源，要么依賴昂貴的基于采樣的路徑損耗測量方法。

盡管基于神經(jīng)網(wǎng)絡(luò)（Neural Network, NN）的方法可以在不采樣的情況下高效構(gòu)建RM，但其性能仍未達(dá)到最佳，主要是由于RM構(gòu)建問題的生成特征與現(xiàn)有基于神經(jīng)網(wǎng)絡(luò)的方法所采用的判別建模之間存在偏差。

為了提升 RM 構(gòu)建性能，西安電子科技大學(xué)、電子科技大學(xué)、滑鐵盧大學(xué)的研究人員首次從「數(shù)據(jù)特征」和「神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法」兩個角度，對「RM構(gòu)建是一個生成問題」的原因進(jìn)行了全面的理論分析，并提出了一種基于去噪擴(kuò)散模型的方法（RadioDiff），將無采樣RM構(gòu)建問題建模為條件生成問題，以實現(xiàn)高質(zhì)量的RM構(gòu)建。

論文鏈接: https://arxiv.org/abs/2408.08593

代碼倉庫: https://github.com/UNIC-Lab/RadioDiff

此外，為增強(qiáng)擴(kuò)散模型從動態(tài)環(huán)境中提取特征的能力，文中采用了帶有自適應(yīng)快速傅立葉變換模塊的注意力U-Net作為骨干網(wǎng)絡(luò)，從而顯著提高了動態(tài)環(huán)境特征的提取能力；同時利用解耦擴(kuò)散模型進(jìn)一步提升RM構(gòu)建性能。

總結(jié)來說，這篇論文的貢獻(xiàn)如下：

• 條件生成建模：首次將無采樣 RM 構(gòu)建問題建模為條件生成問題，將基站（BS）位置和環(huán)境特征作為生成條件提示，并從數(shù)據(jù)特征和訓(xùn)練方法的角度，理論分析了RM構(gòu)建是生成問題的原因。
  
• 擴(kuò)散模型的應(yīng)用：首次將基于擴(kuò)散的生成模型應(yīng)用于RM構(gòu)建，并采用解耦擴(kuò)散模型提升性能和推理效率
  
  
• 動態(tài)環(huán)境特征提取：通過靜態(tài)和動態(tài)環(huán)境特征提示矩陣，以及自適應(yīng)快速傅立葉變換模塊，增強(qiáng)了擴(kuò)散模型在動態(tài)環(huán)境特征提取中的能力。
  
• 實驗驗證：實驗結(jié)果表明，所提出的RadioDiff在準(zhǔn)確度、結(jié)構(gòu)相似度（SSIM）和峰值信噪比（PSNR）三項指標(biāo)上均達(dá)到了當(dāng)前最先進(jìn)（SOTA）的 RM 構(gòu)建性能。
  

擴(kuò)散模型

擴(kuò)散模型是一種基于馬爾可夫鏈的生成模型，通過逐步學(xué)習(xí)去噪過程來恢復(fù)數(shù)據(jù).

擴(kuò)散模型的工作原理: 擴(kuò)散模型的核心思想是通過一系列步驟將原始數(shù)據(jù)逐漸「擴(kuò)散」成噪聲，然后通過逆向過程——即從添加了噪聲的數(shù)據(jù)中逐步去除噪聲，以生成原始數(shù)據(jù)。這個過程可以分為兩個主要階段。

前向擴(kuò)散過程：原始數(shù)據(jù)會經(jīng)歷一個由多個時間步組成的馬爾可夫鏈，在每個時間步中，都會根據(jù)一定的概率分布向數(shù)據(jù)中添加高斯噪聲。經(jīng)過T步之后，原始數(shù)據(jù)會被完全轉(zhuǎn)化為隨機(jī)噪聲。

反向去噪過程：在生成數(shù)據(jù)時，擴(kuò)散模型首先從先驗分布中創(chuàng)建未結(jié)構(gòu)化的噪聲向量，然后通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)按照相反的時間順序去除這些噪聲。

RM的前向擴(kuò)散過程

從數(shù)據(jù)特征和訓(xùn)練方法兩個角度分析，并且從統(tǒng)計學(xué)習(xí)的角度以及從訓(xùn)練方法來看，RM的構(gòu)建是一個條件生成問題。

系統(tǒng)架構(gòu)

Radiodiff框架中，VAE用于將RM編碼為潛在向量，從而降低去噪擴(kuò)散模型的輸入/輸出空間的維數(shù)。

該框架采用了由編碼器和解碼器組成的U-Net架構(gòu)，以促進(jìn)去噪過程。提示表示為具有三個通道的灰度圖，每個通道都描述了建筑物、車輛和AP的特征。對提示進(jìn)行編碼后，被連接到U-Net網(wǎng)絡(luò)中，使模型能夠在環(huán)境條件下生成RM。

效果對比

為了評估所提出的RadioDiff模型，將其與其他方法進(jìn)行了比較。為了確保實驗的全面比較，分別比較了基于CNN、基于GAN和基于Mamba的方法，這些方法代表了當(dāng)前基于深度學(xué)習(xí)的RM重建任務(wù)中使用的主要架構(gòu)。

對于比較模型的詳細(xì)參數(shù)設(shè)置，訓(xùn)練和測試數(shù)據(jù)將與RadioDiff保持一致。使用以下方法進(jìn)行比較，其中SRM為靜態(tài)RM，DRM為動態(tài)RM。

不同方法構(gòu)建的SRM的比較

MSE：均方誤差，通過對原始圖像和最終圖像的像素強(qiáng)度之間的平方差進(jìn)行平均來計算的。NMSE（歸一化MSAE），RMSE（MSE的平方根）。另外，本文引入結(jié)構(gòu)相似性指數(shù)測量（SSIM）和峰值信噪比（PSNR）作為額外的度量。SSIM評估結(jié)構(gòu)信息的保存，以強(qiáng)調(diào)結(jié)構(gòu)細(xì)節(jié)重建的準(zhǔn)確性，而PSNR測量信噪比，以評估RM構(gòu)建的保真度，特別是在邊緣信號重建方面。

定量比較

SRM的比較：表中第一部分和圖中給出了針對SRM場景的RadioMapSeer-Test數(shù)據(jù)集的定量比較，此模型在誤差指標(biāo)（即 NMSE、RMSE）和結(jié)構(gòu)指標(biāo)（即SSIM、PSNR）上都優(yōu)于其他方法，表明我們的預(yù)測和生成的RM更準(zhǔn)確。RadioDiff在PSNR指標(biāo)上表現(xiàn)出色，表明與其他方法相比，它生成的 RM 具有更清晰、更銳利的結(jié)構(gòu)邊緣。

不同方法構(gòu)建的DRM的比較

DRM的比較：如圖所示，給出了DRM場景下RadioMapSeer測試數(shù)據(jù)集的定量比較。在DRM場景中，模型必須考慮其他動態(tài)環(huán)境因素。盡管性能普遍下降，但表中顯示，RadioDiff在所有指標(biāo)中始終提供最佳結(jié)果。

RadioDiff模型對車輛等動態(tài)環(huán)境因素表現(xiàn)出更強(qiáng)的敏感性，而RME-GAN、RadioUNet和UVM-Net模型則難以應(yīng)對這些因素，通常會導(dǎo)致明顯的模糊和失真。

關(guān)于AFT的消融研究

為了進(jìn)一步提升模型性能，研究人員在模型中加入了AFT

定性結(jié)果表明，AFT的加入進(jìn)一步提高了模型對邊緣信號的靈敏度，使得RM的圖像具有更準(zhǔn)確的邊緣，在多個信號重疊時也能獲得更穩(wěn)健的結(jié)果。