[2025年10月13日提交 (v1)，最后修订于2026年7月29日（本版本，v2）]

查看PDF

摘要：获取准确的信道状态信息（CSI）对于可靠且高效的无线通信至关重要，但诸如高导频开销和信道老化等挑战阻碍了及时准确的CSI获取。CSI预测，即从历史观测中预测未来CSI，提供了一种有前景的解决方案。最近的深度学习方法，包括循环神经网络和Transformer，已取得显著成功，但通常学习确定性映射，限制了它们捕捉无线信道的随机性和多模态特性的能力。在本文中，我们引入了一种基于扩散模型的新型概率框架，用于CSI预测，提供了一种灵活的设计，支持集成多种预测方案。我们将CSI预测任务分解为两个组件：一个提取信道动态的时间编码器，和一个生成未来CSI样本的基于扩散的生成器。我们研究了两种推断方案——自回归和序列到序列——并探索了多种扩散骨干，包括基于U-Net和Transformer的架构。此外，我们还研究了一种没有显式时间编码器的基于扩散的方法，并利用DDIM调度来降低模型复杂度。大量仿真表明，我们的基于扩散的模型显著优于最先进的基线。

提交历史

来自：Mehdi Sattari [查看邮箱]
[v1] 2025年10月13日，星期一 09:50:51 UTC (2,764 KB)
[v2] 2026年7月29日，星期三 13:48:59 UTC (6,855 KB)