Physics-Inspired Deep Learning Anti-Aliasing Framework in Efficient Channel State Feedback

在大规模多输入多输出频分双工系统中，基站获取下行信道状态信息（CSI）对于优化性能至关重要。虽然深度学习架构在促进用户设备端CSI反馈和gNB端恢复方面取得了成功，但在CSI反馈之前存在的欠采样问题经常被忽视。这个问题源于当前标准中低密度导频放置，导致室外信道中出现显著的混叠效应，从而限制了CSI恢复性能。为此，本文引入了一个新的CSI上采样框架，在gNB作为后处理解决方案，以解决欠采样引起的间隙问题。利用离散傅里叶变换移位定理和多径互易性的物理原理，我们的框架有效地利用上行CSI来减轻混叠效应。我们进一步开发了一种基于学习的方法，将所提出的算法与迭代收缩阈值算法网络（ISTA-Net）架构相结合，增强了我们的非均匀采样恢复方法。我们的数值结果表明，我们的基于规则和深度学习的方法在性能方面显著优于传统的插值技术和当前最先进的方法。

论文旨在解决大规模MIMO FDD系统中下行链路信道状态信息获取的问题，即低密度导频布置导致的欠采样问题。

论文提出了一种基于上行CSI的CSI上采样框架，利用离散傅里叶变换移位定理和多径互易原理有效地缓解了欠采样导致的混淆效应。同时，结合ISTA-Net架构，提出了一种基于学习的方法，用于非均匀采样的恢复。

论文的实验结果表明，所提出的基于规则和深度学习的方法在性能上显著优于传统插值技术和当前最先进的方法。此外，论文还提供了开源代码和数据集，为进一步研究提供了便利。

与此相关的最近研究包括：1. Massive MIMO系统中的CSI反馈优化；2. 基于深度学习的CSI估计方法；3. 非均匀采样恢复的其他方法。