Flow Matchingを用いた多模态拡散モデルによるチャネル推定の改善

概要: 深層生成モデルは、従来のチャネル推定に対する強力な代替手段を、複雑なチャネル分布を学習することで提供します。現代のセンサ支援ネットワークで利用可能な豊富な環境情報を統合することにより、本論文は flow matching と diffusion transformer (DiT) に基づくマルチモーダル・チャネル推定フレームワーク MultiCE-Flow を提案します。LiDAR、カメラ、位置データを意味的条件へと統合する特別な多模態知覚モジュールを設計するとともに、スパースパイロットを構造条件として扱います。これらの条件は DiT バックボーンをガイドして高忠実度のチャネルを再構成します。標準的な拡散モデルとは異なり、ノイズからデータへの線形軌道を学ぶために flow matching を用い、効率的なワンステップサンプリングを実現します。環境の意味情報を活用することにより、スパースパイロットを用いた推定の不適定性を緩和します。広範な実験により、MultiCE-Flow が従来のベースラインおよび既存の生成モデルを一貫して上回ることが示されています。特筆すべきは、分布外のシナリオや変動するパイロット密度に対して優れた頑健性を示し、環境認識型通信システムに適しています。