首次理論分析，「無線電地圖構建」竟是生成問題？西電全新模型，性能全面領先
無線電地圖（Radio Map, RM）是一種非常有前途的技術，通過位置信息獲取路徑損耗，對于6G網絡應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。
盡管基于神經網絡（Neural Network, NN）的方法可以在不采樣的情況下高效構建RM，但其性能仍未達到最佳，主要是由于RM構建問題的生成特征與現有基于神經網絡的方法所采用的判別建模之間存在偏差。
為了提升 RM 構建性能，西安電子科技大學、電子科技大學、滑鐵盧大學的研究人員首次從「數據特征」和「神經網絡訓練方法」兩個角度，對「RM構建是一個生成問題」的原因進行了全面的理論分析，并提出了一種基于去噪擴散模型的方法（RadioDiff），將無采樣RM構建問題建模為條件生成問題，以實現高質量的RM構建。
論文鏈接: https://arxiv.org/abs/2408.08593
代碼倉庫: https://github.com/UNIC-Lab/RadioDiff
此外，為增強擴散模型從動態環境中提取特征的能力，文中采用了帶有自適應快速傅立葉變換模塊的注意力U-Net作為骨干網絡，從而顯著提高了動態環境特征的提取能力；同時利用解耦擴散模型進一步提升RM構建性能。
總結來說，這篇論文的貢獻如下：
- 條件生成建模：首次將無采樣 RM 構建問題建模為條件生成問題，將基站（BS）位置和環境特征作為生成條件提示，并從數據特征和訓練方法的角度，理論分析了RM構建是生成問題的原因。
- 擴散模型的應用：首次將基于擴散的生成模型應用于RM構建，并采用解耦擴散模型提升性能和推理效率
- 動態環境特征提取：通過靜態和動態環境特征提示矩陣，以及自適應快速傅立葉變換模塊，增強了擴散模型在動態環境特征提取中的能力。
- 實驗驗證：實驗結果表明，所提出的RadioDiff在準確度、結構相似度（SSIM）和峰值信噪比（PSNR）三項指標上均達到了當前最先進（SOTA）的 RM 構建性能。
擴散模型
擴散模型是一種基于馬爾可夫鏈的生成模型，通過逐步學習去噪過程來恢復數據.
擴散模型的工作原理: 擴散模型的核心思想是通過一系列步驟將原始數據逐漸「擴散」成噪聲，然后通過逆向過程——即從添加了噪聲的數據中逐步去除噪聲，以生成原始數據。這個過程可以分為兩個主要階段。
前向擴散過程：原始數據會經歷一個由多個時間步組成的馬爾可夫鏈，在每個時間步中，都會根據一定的概率分布向數據中添加高斯噪聲。經過T步之后，原始數據會被完全轉化為隨機噪聲。
反向去噪過程：在生成數據時，擴散模型首先從先驗分布中創建未結構化的噪聲向量，然后通過訓練好的神經網絡按照相反的時間順序去除這些噪聲。
RM的前向擴散過程
從數據特征和訓練方法兩個角度分析，并且從統計學習的角度以及從訓練方法來看，RM的構建是一個條件生成問題。
系統架構
Radiodiff框架中，VAE用于將RM編碼為潛在向量，從而降低去噪擴散模型的輸入/輸出空間的維數。
該框架采用了由編碼器和解碼器組成的U-Net架構，以促進去噪過程。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。對提示進行編碼后，被連接到U-Net網絡中，使模型能夠在環境條件下生成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，這些方法代表了當前基于深度學習的RM重建任務中使用的主要架構。
對于比較模型的詳細參數設置，訓練和測試數據將與RadioDiff保持一致。使用以下方法進行比較，其中SRM為靜態RM，DRM為動態RM。
不同方法構建的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度之間的平方差進行平均來計算的。NMSE（歸一化MSAE），RMSE（MSE的平方根）。另外，本文引入結構相似性指數測量（SSIM）和峰值信噪比（PSNR）作為額外的度量。SSIM評估結構信息的保存，以強調結構細節重建的準確性，而PSNR測量信噪比，以評估RM構建的保真度，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數據集的定量比較，此模型在誤差指標（即 NMSE、RMSE）和結構指標（即SSIM、PSNR）上都優于其他方法，表明我們的預測和生成的RM更準確。RadioDiff在PSNR指標上表現出色，表明與其他方法相比，它生成的 RM 具有更清晰、更銳利的結構邊緣。
不同方法構建的DRM的比較
DRM的比較：如圖所示，給出了DRM場景下RadioMapSeer測試數據集的定量比較。在DRM場景中，模型必須考慮其他動態環境因素。盡管性能普遍下降，但表中顯示，RadioDiff在所有指標中始終提供最佳結果。
RadioDiff模型對車輛等動態環境因素表現出更強的敏感性，而RME-GAN、RadioUNet和UVM-Net模型則難以應對這些因素，通常會導致明顯的模糊和失真。
關于AFT的消融研究
為了進一步提升模型性能，研究人員在模型中加入了AFT
定性結果表明，AFT的加入進一步提高了模型對邊緣信號的靈敏度，使得RM的圖像具有更準確的邊緣，在多個信號重疊時也能獲得更穩健的結果。
