Diffusionsbasierter generativer Prior für die Schätzung von MIMO-Kanälen mit geringer Komplexität

Diese Arbeit schlägt einen neuartigen Kanalschätzer basierend auf Diffusionsmodellen (DMs) vor, einem der derzeit am besten bewerteten generativen Modelle. Im Gegensatz zu verwandten Arbeiten, die generative Priors nutzen, wurde ein leichtgewichtiges konvolutionales neuronales Netzwerk (CNN) mit positionaler Einbettung der Signal-Rausch-Verhältnis (SNR)-Informationen entworfen, indem die Kanaldistibution im spärlichen Winkelbereich gelernt wird. In Kombination mit einer Schätzstrategie, die stochastisches Resampling vermeidet und rückwärts gerichtete Diffusionsschritte trunciert, die bei niedrigeren SNRs als die gegebene Pilotbeobachtung relevant sind, bietet der resultierende DM-Schätzer sowohl eine niedrige Komplexität als auch einen geringen Speicheraufwand. Numerische Ergebnisse zeigen eine bessere Leistung als state-of-the-art Kanalschätzer, die generative Priors verwenden.