High-resolution efficient image generation from WiFi CSI using a pretrained latent diffusion model

我们提出了LatentCSI，这是一种利用预训练的潜在扩散模型（LDM）从WiFi信道状态信息（CSI）生成物理环境图像的新方法。与以往依赖复杂且计算密集型技术（如生成对抗网络GANs）的方法不同，我们的方法采用了一个轻量级神经网络，将CSI幅度直接映射到LDM的潜在空间中。随后，我们在潜在表示上应用LDM的去噪扩散模型，并结合文本引导，在通过LDM预训练解码器解码后生成高分辨率图像。这种设计绕过了像素空间图像生成的挑战，同时避免了传统图像到图像管道中通常需要的显式图像编码阶段，从而实现了高效且高质量的图像合成。我们在两个数据集上验证了该方法：一个是使用现成的WiFi设备和相机收集的宽带CSI数据集；另一个是公开可用的MM-Fi数据集的一个子集。结果表明，LatentCSI在计算效率和感知质量方面均优于直接基于真实图像训练的、复杂度相当的基线方法，同时通过其独特的文本引导可控性提供了实际优势。

该论文试图解决从WiFi信道状态信息（CSI）生成物理环境图像的问题。这是一个相对较新的问题，特别是在结合文本指导和高效生成模型的背景下。

关键思路是利用预训练的潜在扩散模型（LDM）将CSI幅度直接映射到LDM的潜在空间，而不是在像素空间中生成图像。这种方法通过轻量级神经网络实现，并结合文本引导的扩散过程来生成高质量图像。相比传统的GAN方法，此方法更高效且计算成本更低。

实验设计包括两个数据集：一个是作者自收集的宽频带CSI数据集，另一个是公开的MM-Fi数据集子集。结果显示LatentCSI在计算效率和感知质量上优于直接基于真实图像训练的基线方法。此外，该方法还支持文本引导的可控性，为实际应用提供了更多可能性。代码是否开源未明确提及，但其轻量化设计和高精度输出值得进一步研究，尤其是在实际场景中的部署潜力。

相关研究包括使用GAN生成CSI图像的工作，如'CSI2Image: Generating High-Resolution Images from WiFi CSI Signals'；以及结合深度学习与CSI信号处理的研究，例如'Deep Learning for CSI-Based Human Activity Recognition'。此外，还有关于扩散模型在其他模态转换任务中的应用，如'Text-to-Image Synthesis with Denoising Diffusion Probabilistic Models'。