论文研读——《RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion》

最新推荐文章于 2025-03-30 11:30:02 发布

彪嘞个彪

最新推荐文章于 2025-03-30 11:30:02 发布

阅读量3.4k

点赞数 22

分类专栏：论文研读文章标签：人工智能

本文链接：https://blog.youkuaiyun.com/qq_53732840/article/details/142497970

版权

本文的是有关无线电信号生成的一篇文章。

分层扩散Transformer——层次结构

分层扩Transformer——基于注意力的扩散块（ADB）

分层扩散Transformer——复值模块设计

论文简介

RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion

题目：RF-Diffusion：通过时频扩散生成无线电信号

出处：MobiCom 2024 CCF A

作者：Guoxuan Chi1, Zheng Yang1, Chenshu Wu2, Jingao Xu1, Yuchong Gao3,Yunhao Liu1, Tony Xiao Han4

单位：1清华大学 2香港大学 3北京邮电大学 4华为技术有限公司

我们提出了 RF-Diffusion，这是第一个针对 RF 信号量身定制的生成式扩散模型。RF-Diffusion 可用于RF 数据增强、信道估计和信号去噪等各种基本无线任务，推动 AIGC 在 RF 领域大放异彩。

我们提出了时频扩散理论，这是超越传统基于去噪的扩散方法的先进演进。时频扩散（TFD）与其定制的分层扩散Transformer(HDT) 的集成可以提高时间序列采样的精度，并平衡关注数据的频谱细节。

我们通过案例研究的大量评估结果显示了 RF-Diffusion 的有效性。

名词补充

AIGC：人工智能生成内容 (Artificial Intelligence Generated Content)，它利用深度神经网络等人工智能技术自动生成各种类型的内容，例如图像、文本、音频等。AIGC 在计算机视觉 (CV) 和自然语言处理 (NLP) 领域取得了突破性的进展。

扩散模型：(Diffusion Model) 是一种新兴的深度生成模型，在图像生成、文本生成等领域取得了突破性的成果。它通过迭代添加和去除噪声的过程，逐渐学习并捕捉数据分布的复杂特征，从而能够生成高保真度的数据样本。

时频扩散：(TFD) 是本文提出的一个新型扩散模型理论，旨在解决现有扩散模型在生成射频信号时的局限性。TFD 模型通过在时域添加噪声和频域进行模糊，能够有效地破坏原始射频信号的分布，并在反向过程中进行精确恢复，从而生成高质量的射频信号。

现有RF数据生成模型

基于环境建模的生成模型扩散模型

这种方法利用 LiDAR 点云或视频片段来制作环境的详细 3D 模型。然后，它使用物理模型（如射线追踪）来模拟 RF 信号如何与周围环境相互作用，最终有助于预测接收器可能捕获的信号。然而，一个值得注意的局限性是该方法没有充分考虑目标的材料和特性如何影响 RF 信号传播。

数据驱动的概率生成模型

当前的创新利用生成对抗网络 (GAN) 和变分自动编码器 (VAE) 等模型来增强 RF 数据集。本质上，这些模型学习训练数据中的分布，然后生成遵循该分布的新 RF 数据。

然而，这些模型主要侧重于扩展特征级分布，由于其受限的表示能力，难以精确生成原始 RF 信号。扩散模型与上述生成模型相比，其独特的噪声添加（即噪声化）和去除（即去噪）迭代过程可以精确捕获复杂的原始数据分布。

论文贡献

我们提出了 RF-Diffusion，这是第一个基于扩散模型的通用 RF 信号生成模型。为了克服上述挑战，我们通过重新审视其理论基础、整体 DNN 架构和详细的运算符设计，将现有的基于去噪的扩散模型扩展到时频域，使 RF-Diffusion 能够生成多样化、高质量和时间序列的 RF 数据。

时频扩散理论（正向过程）

提出时频扩散 (TFD) 理论作为一种新范式，以指导扩散模型提取和利用时间和频域中的 RF 信号特征。具体而言，我们证明了扩散模型可以通过在时域中添加噪声和在频域中模糊来有效地破坏和恢复高质量的 RF 信号。

分层扩散Transformer设计（反向过程）

进一步重新设计了现有基于去噪的扩散模型的 DNN，使其与 TFD 兼容。从自上而下的角度来看，派生的 DNN 被称为分层扩散Transformer(HDT)，使 RF 扩散能够生成高质量的 RF 数据。

RF-Diffusion

时频扩散

时频扩散——正向销毁过程

RF-Diffusion 的正向销毁过程旨在模拟无线信号在传播过程中受到的噪声和模糊效应，从而将原始信号逐渐转化为噪声。这个过程分为两个主要步骤：

频率域模糊 (Frequency Blur):

对原始信号进行傅里叶变换，将其从时间域转换到频率域。使用预先定义的高斯卷积核在频率域进行循环卷积操作，使信号频谱变得模糊，从而消除信号中包含的频率信息。

时间序列噪声 (Time-series Noise):

在原始信号上添加复数高斯白噪声，其中噪声的标准差由一个预先定义的参数控制。噪声的添加会干扰信号幅度的细节，使信号变得难以识别。

时频扩散——正向销毁过程

给定一个遵循特定分布 𝒙0 ~ 𝑞(𝒙0) 的信号，前向破坏过程会产生一系列随机变量 𝒙1、𝒙2、……、𝒙t 。此过程中的每个扩散步骤都会从时域和频域破坏原始分布，𝒙t 扩散步骤 t 时的信号状态。

𝒙t 的计算如下，其中𝛼𝑡是一个介于 0 和 1 之间的参数，控制噪声添加的程度，𝒈𝑡 是一个高斯卷积核，𝝐是复数高斯白噪声。

最低0.47元/天解锁文章