论文速览 | MobiCom 2024 | RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion | 基于时频扩散的无线
**论文速览 | 2024年MobiCom会议 | RF-Diffusion: 基于时频扩散机制的无线电信号生成技术 | 基于时频扩散机制的新无线电信号生成范式
1 引言
当前，在人工智能生成内容（AIGC）领域取得了显著进展。然而，在无线通信与感知领域也面临着新的机遇与挑战。尽管如此，传统的无线信号生成方法在生产高质量、时序性的射频（RF）数据方面仍存在不足。为了应对这一问题，我们提出了一种名为RF-Diffusion的新方法。该方法不仅开创性地提出了时频扩散理论模型，并且通过设计一种分层扩散变换器实现了对多样化、高质量和高保真的 RF 数据的有效处理。
2 动机 (关键创新和核心贡献)
2.1 研究背景与挑战
现有的RF数据生成方法主要分为两类：
基于环境建模的生成模型：这类方法主要通过激光雷达获取点云数据或通过视频获取图像信息来建立精确的三维环境模型，并采用物理仿真技术（如基于射线追踪的方法）来模拟RF信号与环境之间的相互作用过程。然而，在实际应用中发现这种方法在考虑目标材料及其物理特性和RF信号传播特性方面存在一定的局限性，并且在获取与RF信号频率相匹配、具有足够分辨率以准确捕捉其传播特性的高精度三维环境模型仍然面临诸多技术难题。
数据驱动的概率生成模型 ：这类方法主要运用生成对抗网络（GAN）和变分自编码器（VAE）等技术手段来增强射频（RF）数据集的质量与丰富度。然而这些模型在特征级别上的扩展能力仍有待提升 其核心缺陷在于难以精确还原原始射频信号 这使得其在实际应用中往往局限于特定功能领域 未能实现真正的泛化能力
2.2 核心创新
面对这些挑战，本文提出的RF-Diffusion具有以下关键创新：
时频扩散理论：不仅能够创新性地建立一种新的扩散模式，在时间维度和频率维度上全面分析RF信号的行为。
分层扩散变换器：采用了与时频扩散理论相匹配的神经网络结构，并由分层架构、利用注意力机制实现信息传播的模块以及复数形式的设计组成。
广泛适用性：RF-Diffusion在无线电信号合成、手势识别增强以及5G信道估计等多个通信场景中展现出卓越性能。
3 方法
3.1 时频扩散理论
RF-Diffusion的核心是时频扩散（TFD）理论 。该理论被用于指导扩散模型在时域与频域同步捕获并充分利用RF信号的特性。具体而言，TFD体系主要包括正向破坏阶段与逆向重建阶段。
3.1.1 前向破坏过程
前向破坏过程可以表示为：
该模型在时间步t处的状态向量\mathbf{x}_t是通过傅里叶逆变换作用于滤波器矩阵\mathbf{G}_t与上一时间步状态向量傅里叶变换的结果进行卷积运算后得到的结果，并在此基础上加入了一个服从标准正态分布\boldsymbol{\epsilon}的噪声项。具体而言，在时间步t处的状态向量\mathbf{x}_t可被表示为：
\mathbf{x}_t = \sqrt{\alpha_t}\cdot\mathcal{F}^{-1}\left(\mathbf{G}_t * \mathcal{F}(\mathbf{x}_{t-1})\right) + \sqrt{1 - \alpha_t}\cdot\boldsymbol{\epsilon}
其中\alpha_t是一个介于0和1之间的归一化系数。
其中，在时域与频域之间进行转换的操作通常由算子\texttt{\mathcal{F}(\cdot)}表示为傅里叶变换（FT），而其逆操作则由算子\texttt{\mathcal{F}^{-1}}(\cdot)作为逆傅里叶变换（IFT）。该算法引入了一个预先设定的高斯平滑核矩阵\textbf{\bm{\textit{G}}_t}。随机误差项\bm{\epsilon}\sim\bm{\mu=}\bm{\textit{o}},{}\bm{\Sigma=}\bm{\textit{l}}{}{}服从均值为零、单位矩阵协方差矩阵的复值高斯分布。\textit{$\alpha_t$}\in(0,{}1)是一个被系统预先设定的有效系数参数。
基于递归应用和参数化变换的方法可揭示原信号\mathbf{x}_0与降质信号\mathbf{x}_t之间的关系。
该变量在时间点t处的状态由其初始状态与系数矩阵以及噪声项共同决定。
其中定义为乘积从s=1到t的\boldsymbol{\gamma}向量序列
3.1.2 反向恢复过程
反向过程的优化目标可以表示为：
\theta被定义为使条件概率q(\mathbf{x}_{t-1}|\mathbf{x}_t, \mathbf{x}_0)对p_{\theta}(\mathbf{x}_{t-1}|\mathbf{x}_t)的Kullback-Leibler散度达到最小的参数
经过推导，这个优化问题可以简化为最小化均方误差：
θ等于关于θ使得期望值最小的那个值
其中，\tilde{\boldsymbol{\mu}}_{t-1}代表真实反向过程的均值，而\boldsymbol{\mu}_{\theta}则代表模型所预测的条件均值；此外，在这种情况下使用的条件变量为\mathbf{c}。
3.2 分层扩散变换器
为了开发为时频扩散理论提供实际可用的生成模型并实现其应用价值本文系统性地构建了一个创新性的分层扩散变换器（Hierarchical Diffusion Transformer HDT）。该方法的主要创新点体现在以下几个关键方面首先通过多层次架构设计实现了对不同频域特征信息的有效捕获其次基于注意力机制实现了计算过程的高度自适应性最后通过巧妙平衡效率与扩展性确保了整体系统的性能优势
基于分层架构的方案：HHT采用了双阶段框架，在此过程中依次实施信号的时间域降噪和平移频域消噪步骤；该方法能够实现对非平稳信号中复杂噪声成分的有效分离与消除。
该模型的信息传播体设计中包含自注意结构与互注意过程两个关键组件。其中自注意结构负责完成特征识别任务而互注意过程则用于实现目标输出功能
复数信号处理方案：针对处理复值无线信号的需求，HDT通过增加复数形式的注意力模块和前馈模块来实现了对这些信号的高效处理。
相位调制编码 ：提出了一种新的位置编码方法，适用于复值神经网络。
4 实验和结果
4.1 数据集和评估指标
本实验基于整合Wi-Fi与FMCW雷达信号的数据集进行了构建，并覆盖了不同环境区域、设备部署位置以及人体形态特征。用于评估的指标包括结构相似性指数（SSIM） 和Fréchet Inception距离（FID） 。
4.2 整体生成质量
RF-Diffusion在生成Wi-Fi和FMCW信号方面都显著优于现有方法：
- 在Wi-Fi信号方面，在各项评估指标上表现优异。具体而言，在SSIM指标上达到0.81的平均值，在FID指标上的平均值则为4.42。与最佳对比方法相比，前者在SSIM方面提升了约25\%（精确值约为25\text{.%}），后者则提升了约39\text{.%}（精确值约为39\text{.%}）。
- 基于上述分析可知，在使用FMCW信号时，在各项评估指标上均超越了所有比较的对象（即所有其他对比方法）。具体来说，在SSIM指标上的平均值达到0.\!75分（满分制），而在FID评分中得到的分数则达到了6分。
4.3 应用案例
4.3.1 Wi-Fi手势识别
RF-Diffusion被用于提升数据质量，并为现有Wi-Fi手势识别系统带来了明显的性能提升。
- 跨域评估：Widar3.0与EI模型的准确率分别提高至4.7%及11.5%。
- 域内评估：Widar3.0与EI模型的准确率分别提高至1.8%及8.7%。
4.3.2 5G FDD信道估计
在5G FDD信道估计任务中，RF-Diffusion展现出卓越性能：
- 该平均信噪比值达到了27.01 dB，在此方案中较之于NeRF²和FIRE方法分别提升了约34.6%和77.5%的信噪比水平。
- 相较于基于传统码本的方法，在所提出的方案中其性能提升幅度超过5倍。
5 不足和未来展望
然而RF-Diffusion在无线信号生成领域已展示了显著的性能优势 但也面临诸多局限性 并且未来的研究重点也包括探索其改进方向
下游任务的进一步探索 ：然而其潜在的应用价值远超预期。尽管本文展示了RF-Diffusion在Wi-Fi手势识别与信道估计方面的应用研究，并非仅限于此。未来可以通过扩展应用范围到更多无线通信与感知任务来进一步挖掘RF-Diffusion的优势。
其潜在应用价值：RF-Diffusion作为一种概率生成模型，在无需基于特定信号传播机制假设的情况下展现出独特的能力。这可能使其在某些复杂动态环境中显示出更高的效率或准确性。然而，在当前研究中仍存在一个值得探讨的问题：探索如何将RF-Diffusion与其他现有的模拟技术相结合以实现更优的整体性能。
基于自回归机制的信号生成机制 ：目前所采用的传统RF-Diffusion架构属于非自回归式生成模型，在面对不同长度序列时展现出一定的局限性。对此，在未来研究中可借鉴GPT等基于自注意力机制的设计思路，在提升模型对变长序列信息处理能力的同时实现更好的适应性。
提升计算效率：本文未对计算复杂度进行深入探讨。扩散模型往往要求较长的采样时间。如何在保证生成质量的前提下提升计算效率，则是未来研究的重要方向。
多模态融合 ：考虑到无线感知经常与其他传感模态（如视觉、音频）结合使用，未来可以探索将RF-Diffusion扩展到多模态生成领域，实现跨模态的信号生成和转换。
6 总结
本研究引入RF-Diffusion框架旨在探索无线信号生成的新路径。通过将扩散模型创新性地应用于射电频段，并构建时频扩散理论框架及分层扩散变换器结构，该框架显著提升了无线信号的生成质量与多样性。实证分析显示，在生成效果方面RF-Diffusion明显优于现有方案，在保持性能的同时显著降低了计算开销。研究结果为人工智能驱动通信系统与感知技术的实际应用提供了创新思路与技术支撑。
未来的研究重点将在于对RF-Diffusion进行系统性探究与持续改进，在这一过程中我们有理由期待能够开发出更多基于高质量合成数据的新颖应用方案。这些创新成果不仅将有助于拓展无线通信与感知技术的研究领域，并且在实际部署中能够显著提升了性能水平并带来了新增的功能模块。