Vector Quantization for Deep-Learning-Based CSI Feedback in Massive MIMO Systems

本文提出了一种基于深度学习的有限速率信道状态信息（CSI）反馈方法，用于大规模多输入多输出（MIMO）系统。该方法采用向量量化变分自编码器（VQ-VAE）框架，提供了潜在向量的有限位表示，并基于形状增益向量量化来降低其计算复杂度。在这种方法中，潜在向量的大小使用非均匀标量码本进行量化，并配合适当的变换函数，而潜在向量的方向则使用可训练的Grassmann码本进行量化。还开发了一种多速率码本设计策略，通过引入嵌套码本的码字选择规则以及损失函数的设计。仿真结果表明，所提出的方法在给定反馈开销下，提高了CSI重建性能，同时降低了与VQ-VAE相关的计算复杂度。

本文提出了一种基于有限速率的深度学习（DL）信道状态信息（CSI）反馈方法，旨在解决大规模多输入多输出（MIMO）系统中的CSI反馈问题。该方法基于矢量量化变分自编码器（VQ-VAE）框架提供了潜在向量的有限位表示，并通过形状增益矢量量化来降低其计算复杂度。在该方法中，潜在向量的大小使用非均匀标量码本进行量化，并使用可训练的Grassmann码本进行方向量化。同时，还设计了多速率码本策略，引入了嵌套码本的码字选择规则，以及损失函数的设计。

本文提出了一种基于VQ-VAE框架的有限速率CSI反馈方法，通过形状增益矢量量化和Grassmann码本对潜在向量进行量化，同时设计了多速率码本策略，以降低计算复杂度并提高CSI重建性能。

本文的亮点包括：1.提出了一种基于VQ-VAE框架的有限速率CSI反馈方法；2.通过形状增益矢量量化和Grassmann码本对潜在向量进行量化；3.设计了多速率码本策略，引入了嵌套码本的码字选择规则和损失函数的设计；4.通过实验验证了该方法的有效性。

最近在该领域的相关研究包括：1. A Deep Learning-Based Feedback Framework for Massive MIMO Systems with Finite-Rate CSI Feedback；2. Deep Learning for CSI Feedback in FDD Massive MIMO Systems；3. A Low-Complexity Deep Learning-Based CSI Feedback for FDD Massive MIMO Systems with Large Antenna Arrays。