Channel-Adaptive Low-Complexity Latent Diffusion-based MIMO Channel Estimation
- 주제(키워드) Massive MIMO , 채널 추정 , 잠재 확산 모델 , 저복잡도 추론 , 교사 유도 잠재 궤적 학습 , Massive MIMO , channel estimation , latent diffusion model , low-complexity inference , teacher-target trajectory learning
- 발행기관 서강대학교 일반대학원
- 지도교수 소재우
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 세부분야 해당없음
- 실제URI http://www.dcollection.net/handler/sogang/000000083167
- UCI I804:11029-000000083167
- 본문언어 영어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
대규모 다중입출력（MIMO） 시스템에서 정확한 채널 추정은 필수적이지만, 확산 모델 기반 추정 기법은 반복적인 고차원 denoising 으로 인해 높은 온라인 복잡도를 갖는다. 본 논문에서는 잠재 확산 모델（LDM）을 기반으로 하는 채널 적응형 저복잡도 MIMO 채널 추정 기법을 제안한다. 제안 기법은 수신 파일럿 관측값으로부터 최소제곱（LS） 추정값을 얻고, 사전 학습된 변분 오토인코더（VAE）를 통해 이를 압축된 잠재 표현으로 인코딩한다. 인코딩된 LS 추정값은 경량 잠재 정제 네트워크의 초기 상태와 조건 입력으로 함께 사용된다. 채널 영역 확산 teacher 는 오프라인에서 결정론적 denoising 궤적을 생성하며, 이는 학습을 위한 잠재 teacher-target 쌍으로 변환된다. 온라인 추정은 한 번의 VAE 인코딩/디코딩과 신호대잡음비（SNR） 적응형 잠재 정제를 사용하여 정확도–복잡도 trade-off 를 개선한다.
more초록(요약문)
Accurate channel estimation is essential for massive multiple-input multiple-output （MIMO） systems, but diffusion-based estimators often require repeated high-dimensional denoising, causing high online complexity. This paper proposes a channel-adaptive low-complexity MIMO channel estimator based on a latent diffusion model. The proposed method obtains a least-squares （LS） estimate from the received pilot observation and encodes it into a compact latent representation using a pretrained variational autoencoder. The encoded LS estimate is used as both the initial latent state and the condition for a lightweight refinement network. A channel-domain diffusion teacher generates deterministic denoising trajectories offline, which are converted into latent teacher- target pairs for training. Online estimation uses one encoder-decoder pass with signal-to-noise ratio （SNR）-adaptive latent refinement, improving the accuracy–complexity trade-off.
more목차
List of Figures iii
List of Tables iv
초록 v
Abstract vi
1. Introduction 1
2. System Model and Preliminaries 8
2.1 MIMO Channel Estimation Model 8
2.2 Latent Diffusion Models 9
3. Proposed Latent Diffusion-Based Low-Complexity Channel
Estimation 13
3.1 VAE-Based Channel Latent Representation 14
3.2 Teacher Trajectory Generation 17
3.3 Latent Refinement Network with LS Observation Guidance 19
3.4 Teacher-Target Latent Trajectory Learning 24
3.5 Online Channel Estimation and Complexity Analysis 31
4. Simulation Results 38
4.1 Simulation Setup 38
4.2 Reconstruction Accuracy of the Pretrained VAE 43
4.3 Channel Estimation Performance 43
4.4 Computational Complexity Comparison 48
4.5 Effect of Teacher-Target Trajectory Learning 53
5. Conclusion 56
Bibliography 59
