低秩先验引导的深度学习框架显著提升CSI反馈效率

大规模多输入多输出（MIMO）系统是5G及未来通信网络的关键技术之一。在频分双工模式下，用户端需要将下行信道状态信息反馈至基站以支持波束赋形优化。然而，随着天线数量与子载波规模持续扩大，CSI反馈开销急剧上升，成为制约实际部署的主要瓶颈。

现有基于深度学习的反馈方法多将CSI视为通用图像，采用卷积或Transformer架构进行压缩与重建，对信道本身具有的低秩多径结构先验利用不足，同时在用户端与基站端均引入不可忽视的计算负担。本文提出的低秩先验引导框架另辟蹊径，直接在秩一信道分量上进行结构化感知与重建：编码器在用户端执行可学习的秩一感知，获取具备路径感知能力的测量值；解码器在基站端通过秩一合成重建完整CSI，无需经典求解器的迭代恢复过程。

为补偿有限秩近似带来的残差，研究者在前期DCRNet工作基础上引入低秩先验骨干网络与门控空洞卷积残差分支，形成DCRNetV2。多个数据集与场景的实验表明，所提方法在精度—复杂度权衡上优于现有模型基线与深度学习方法：独立运行的低秩先验模块相对传统模型基线实现超过10 dB的NMSE提升且复杂度更低；DCRNetV2则以约五分之一的计算复杂度达到与当前最优Transformer方法相当的重建精度。项目源代码已公开发布。

【空音视角】 从WiFi感知与非接触监测的实践角度看，该研究关注的CSI高效压缩与重建对感知系统同样具有参考价值。WiFi感知依赖信道状态信息刻画环境扰动，将低秩先验与可学习感知结合的思路，有助于在边缘设备上以更低算力提取与人体活动、呼吸等相关的关键信道特征，从而降低终端部署门槛并扩展可感知事件的范围，也为空音在算法轻量化方向上的探索提供了可借鉴的方法论。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2610.11558