ترجمه فارسی مقاله Radiodiff: یک مدل انتشار مؤثر برای ساخت نقشه رادیویی بدون نمونه گیری

چکیده

Radio map (RM) is a promising technology that can obtain pathloss based on only location, which is significant for 6G network applications to reduce the communication costs for pathloss estimation. However, the construction of RM in traditional is either computationally intensive or depends on costly sampling-based pathloss measurements. Although the neural network (NN)-based method can efficiently construct the RM without sampling, its performance is still suboptimal. This is primarily due to the misalignment between the generative characteristics of the RM construction problem and the discrimination modeling exploited by existing NN-based methods. Thus, to enhance RM construction performance, in this paper, the sampling-free RM construction is modeled as a conditional generative problem, where a denoised diffusion-based method, named RadioDiff, is proposed to achieve high-quality RM construction. In addition, to enhance the diffusion model’s capability of extracting features from dynamic environments, an attention U-Net with an adaptive fast Fourier transform module is employed as the backbone network to improve the dynamic environmental features extracting capability. Meanwhile, the decoupled diffusion model is utilized to further enhance the construction performance of RMs. Moreover, a comprehensive theoretical analysis of why the RM construction is a generative problem is provided for the first time, from both perspectives of data features and NN training methods. Experimental results show that the proposed RadioDiff achieves state-of-the-art performance in all three metrics of accuracy, structural similarity, and peak signal-to-noise ratio. The code is available at https://github.com/UNIC-Lab/RadioDiff.

چکیده به فارسی (ترجمه ماشینی)

نقشه رادیویی (RM) یک فناوری امیدوار کننده است که می تواند بر اساس تنها مکان ، مسیر را بدست آورد ، که برای برنامه های شبکه 6G برای کاهش هزینه های ارتباطی برای تخمین مسیر قابل توجه است.با این حال ، ساخت RM به صورت سنتی یا از نظر محاسباتی فشرده است یا به اندازه گیری های پرهزینه مبتنی بر نمونه گیری بستگی دارد.اگرچه روش مبتنی بر شبکه عصبی (NN) می تواند RM را بدون نمونه گیری به طور مؤثر بسازد ، اما عملکرد آن هنوز هم زیر حد متوسط ​​است.این در درجه اول به دلیل سوء استفاده بین ویژگی های تولیدی مشکل ساخت RM و مدل سازی تبعیض است که توسط روشهای مبتنی بر NN موجود است.بنابراین ، برای تقویت عملکرد ساخت و ساز RM ، در این مقاله ، ساخت و ساز RM بدون نمونه گیری به عنوان یک مشکل تولیدی مشروط مدل می شود ، جایی که یک روش مبتنی بر انتشار denoised ، به نام Radiodiff ، برای دستیابی به ساخت و ساز RM با کیفیت بالا پیشنهاد شده است.علاوه بر این ، برای تقویت توانایی مدل انتشار در استخراج ویژگی ها از محیط های پویا ، توجه U با یک ماژول تبدیل سریع فوریه سازگار به عنوان شبکه ستون فقرات برای بهبود قابلیت استخراج ویژگی های محیطی پویا استفاده می شود.در همین حال ، از مدل انتشار جدا شده برای افزایش بیشتر عملکرد ساخت و ساز RMS استفاده می شود.علاوه بر این ، یک تجزیه و تحلیل نظری جامع از اینکه چرا ساخت و ساز RM یک مشکل تولیدی است برای اولین بار ، از هر دو دیدگاه از ویژگی های داده و روش های آموزش NN ارائه شده است.نتایج تجربی نشان می دهد که رادیودف پیشنهادی در هر سه معیار از دقت ، شباهت ساختاری و نسبت اوج سیگنال به نویز ، عملکرد پیشرفته ای را به دست می آورد.این کد در https://github.com/unic-lab/radiodiff در دسترس است.