RF-Diffusion: Radio Signal Generation via Time-Frequency Diffusion

随着AIGC在计算机视觉和自然语言处理领域的卓越表现，它在无线领域的潜力也在近年来显现出来。然而，由于表示能力有限，现有的面向射频的生成解决方案不适合生成高质量的时间序列射频数据。在本文中，受扩散模型在计算机视觉和自然语言处理领域的杰出成就的启发，我们将其应用于射频领域，并提出了RF-Diffusion。为了适应射频信号的独特特征，我们首先引入了一种新颖的时频扩散理论来增强原始扩散模型，使其能够利用射频信号的时间、频率和复值域中的信息。在此基础上，我们提出了一种分层扩散变压器，通过跨越网络架构、功能块和复值操作符的精心设计，将理论转化为实用的生成DNN，使RF-Diffusion成为生成多样化、高质量和时间序列射频数据的通用解决方案。与三种流行的生成模型的性能比较表明，RF-Diffusion在合成Wi-Fi和FMCW信号方面具有卓越的性能。我们还展示了RF-Diffusion在提高Wi-Fi感知系统和在5G网络中执行信道估计方面的多功能性。

本论文旨在解决现有的射频信号生成模型在生成高质量、时间序列射频数据方面的限制，提出了一种新的基于扩散模型的射频信号生成方法。

论文提出了一种基于时间-频率扩散理论的射频扩散模型，并设计了层次扩散Transformer网络结构，通过复杂值算子实现了对射频信号进行生成，提高了生成射频数据的质量和多样性。

论文在Wi-Fi和FMCW信号的生成方面表现出较好的性能，同时展示了RF-Diffusion在提升Wi-Fi感知系统和5G网络信道估计方面的实用性。论文使用了三个广泛使用的生成模型进行性能比较，并提供了开源代码。

近期的相关研究包括：1.《Generating Realistic Indoor WiFi Signal Strength Maps Using GANs》；2.《Deep Learning for Wireless Communications: A Survey》；3.《Generative Models for Wireless Signal Strength Prediction: A Survey》。