2、对抗训练在信道状态信息估计中的应用分析

对抗训练在信道状态信息估计中的应用分析

1. 超分辨率生成对抗网络（SRGAN）

在图像超分辨率任务中，SRGAN是一种有效的生成对抗网络（GAN）。对抗训练是其核心方法，在训练过程中引入第二个神经网络（判别器）与主网络（生成器）竞争。判别器尝试区分生成样本和真实样本，两个网络同时训练，相互影响。通过对抗训练，生成器能够生成更接近真实样本的图像。

SRGAN通过避免使用均方误差（MSE）比较单个像素，而是在对抗训练阶段比较由视觉几何组（VGG）网络获得的图像特征图。具体来说，使用VGG损失 $l_{content}$ 来衡量真实图像和生成图像特征图之间的欧几里得距离，其损失函数如下：
[l_{content} = \frac{1}{ij}\sum_{y=1}^{i}\sum_{x=1}^{j}(\varphi(I_{HR}) {x,y} - \varphi(G(I {LR})) {x,y})^2]
其中 $i$ 和 $j$ 表示特征图的相应维度。最终的损失函数 $l {SRGAN}$ 由内容损失和对抗损失组成：
[l_{SRGAN} = l_{content} + 1e^{-3} * l_{adversarial}]

SRGAN的生成器由使用参数化修正线性单元（PReLU）激活函数的卷积层、多个残差块和另一个卷积层组成，所有层都使用批量归一化。在将特征图输入输出卷积层之前，添加两个2倍上采样层来提升特征图的物理尺寸。所有残差块使用64个通道，在缩放块中增加到256个通道。判别器的结构类似于VGG网络，有八个卷积层，最后通过一个1024节点的密集层和一个连接到Sigmoid激活函数的单节点层，使用二元交叉熵（