[論文レビュー] Deep Joint Source Channel Coding for WirelessImage Transmission with OFDM

Mingyu Yang, Chenghong Bian+1 more|arXiv (Cornell University)|Jan 5, 2021

Wireless Signal Modulation Classification参考文献 23被引用数 8

ひとこと要約

本稿では、多径フェージングチャネルを介したOFDMベースの無線画像伝送における、モデル駆動型ディープラーニングフレームワークを用いた共同ソースチャネル符号化（JSCC）を提案する。トレーニング可能な畳み込みニューラルネットワーク（CNN）と、微分可能でトレーニング不可なOFDMおよび多径フェージングチャネルブロックを統合することで、エンドツーエンドのシステムが、低SNRおよび低レート領域において、従来の分離型ソース符号化とチャネル符号化（例：BPG + LDPC）を3 dB以上上回るPSNR性能を達成した。また、信号クリッピングやチャネルモデルの不一致に対しても、高いロバスト性を示した。

ABSTRACT

We present a deep learning based joint source channel coding (JSCC) scheme for wireless image transmission over multipath fading channels with non-linear signal clipping. The proposed encoder and decoder use convolutional neural networks (CNN) and directly map the source images to complex-valued baseband samples for orthogonal frequency division multiplexing (OFDM) transmission. The proposed model-driven machine learning approach eliminates the need for separate source and channel coding while integrating an OFDM datapath to cope with multipath fading channels. The end-to-end JSCC communication system combines trainable CNN layers with non-trainable but differentiable layers representing the multipath channel model and OFDM signal processing blocks. Our results show that injecting domain expert knowledge by incorporating OFDM baseband processing blocks into the machine learning framework significantly enhances the overall performance compared to an unstructured CNN. Our method outperforms conventional schemes that employ state-of-the-art but separate source and channel coding such as BPG and LDPC with OFDM. Moreover, our method is shown to be robust against non-linear signal clipping in OFDM for various channel conditions that do not match the model parameter used during the training.

研究の動機と目的

• 実用的なチャネル条件下での有限長無線画像伝送において、分離型ソース符号化とチャネル符号化の非最適性を解消すること。
• 従来のディープJSCC手法が、AWGNやBSCといった理想化されたチャネルに限定されているという制限を克服すること。
• OFDM信号処理および多径フェージングのドメイン固有の知識を、微分可能でトレーニング不可なフレームワークに統合することで、性能と学習効率を向上させること。
• 受信側に完全なCSIがなくても、非線形信号クリッピングおよびチャネルモデルの不一致（例：SNRや多径数）に対してロバストな性能を発揮すること。
• 明示的なチャネル推定およびイコライジング層を含むエンドツーエンド学習が、暗黙的オートエンコーダー形式のJSCCよりも優れた性能を発揮することを示すこと。

提案手法

• 画像を直接複素数値のOFDMベースバンドシンボルにマップするCNNベースのエンコーダーを用いたエンドツーエンドJSCCフレームワークを設計する。
• OFDM処理（FFT、サイクリックプロキシの挿入・除去など）および多径レイルリーフェージングチャネルモデルの微分可能でトレーニング不可なレイヤーを統合する。
• 2種類のデコーダー構造を実装する：IMPLICIT（直接エンドツーエンドの復元）とEXPLICIT（明示的なチャネル推定およびイコライジングのためのリサイクル接続付き）。
• 平均二乗誤差（MSE）損失関数を用いてバックプロパゲーションによりエンドツーエンドで全システムを学習し、ソース圧縮とチャネル耐性の両方を共同最適化可能にする。
• PAPRを低減するために、クリッピングをハードリミッティング関数としてモデル化し、学習中に非線形信号クリッピングを組み込む。
• 信号チェーン全体を微分可能に保つチャネルモデルを採用し、非線形性や複雑な信号処理にもかかわらず、勾配ベースの最適化が可能になるようにする。

実験結果

リサーチクエスチョン

• RQ1 実用的な多径フェージングチャネル下で、OFDMベースの無線画像伝送において、ディープラーニングベースのJSCCフレームワークは、従来の分離型ソース・チャネル符号化（例：BPG + LDPC）を上回ることができるか？
• RQ2 OFDMおよび多径フェージング処理を微分可能レイヤーとして統合することで、標準的なオートエンコーダー形式のJSCCと比較して、学習収束性および再構成品質が向上するか？
• RQ3 OFDM送信機で一般的な非線形信号クリッピングという実用的制約下で、提案されたJSCCシステムはどのように性能を示すか？
• RQ4 トレーニング時とテスト時のチャネル条件の不一致（例：SNRや多径数）に対して、学習済みJSCCモデルはどの程度ロバストか？
• RQ5 デコーダー構造に明示的なチャネル推定およびイコライジングを統合することで、暗黙的エンドツーエンドアプローチに比べて性能が向上するか？

主な発見

• 提案されたEXPLICIT JSCC手法は、低SNRおよび低レート（例：ピクセルあたり0.21チャネル使用）領域において、従来のBPG + LDPC + OFDMベースラインを3 dB以上上回るPSNR性能を達成しており、特に低SNR領域で顕著な向上を示した。
• MSE損失関数で学習されたにもかかわらず、ベースラインと比較して顕著なSSIM向上を達成しており、視認的画像品質の向上を示している。
• 明示的なチャネル推定およびイコライジングを統合したJSCCシステムは、IMPLICITバージョンよりも高速に収束し、より優れた性能を発揮しており、構造的なドメイン知識の有効性を示している。
• 非線形信号クリッピングに対してもロバストである：クリッピング比（CR）が上昇しても性能劣化は滑らかに進行し、全クリッピングレベルでベースラインを上回った。
• 固定SNR（例：5 dB や 15 dB）で学習したモデルは、広範なテストSNR範囲にわたって良好な一般化性能を示した。5 dBで学習したモデルは低SNRで優れた性能を発揮し、15 dBで学習したモデルは高SNRで優れた性能を発揮した。また、ランダムSNRの学習スケジュールにより、バランスの取れた性能が得られた。
• 多径チャネルモデルの不一致に対してもロバストである：L=8パスで学習したモデルは、L=4やL=16パスのテスト環境でも強力な性能を維持しており、チャネルモデルの不正確さに対して不感であることが示された。