[論文レビュー] High-speed Millimeter-wave 5G/6G Image Transmission via Artificial Intelligence

Shaolin Liao, Lu Ou|arXiv (Cornell University)|Jul 7, 2020

Photonic and Optical Devices参考文献 17被引用数 6

ひとこと要約

本論文は、94-GHzプロトタイプを用いたミリ波5G/6G画像伝送のための高速化された深層学習最適化圧縮センシングフレームワーク、DL-CSNetを提案する。画像辞書の共同学習、ハダマード測定行列の最適化、および損失なし再構成を可能にすることで、12 dB SNR下で最大12倍の画像伝送速度向上を達成した。

ABSTRACT

Artificial Intelligence (AI) has been used to jointly optimize a mmWave Compressed Sensing (CS) for high-speed 5G/6G image transmission. Specifically, we have developed a Dictionary Learning Compressed Sensing neural Network (DL-CSNet) to realize three key functionalities: 1) to learn the dictionary basis of the images for transmission; 2) to optimize the Hadamard measurement matrix; and 3) to reconstruct the lossless images with the learned dictionary basis. A 94-GHz prototype has been built and up to one order of image transmission speed increase has been realized for letters ``A" to ``Z".

研究の動機と目的

• 将来の5G/6Gミリ波ネットワークにおける超高速画像伝送のニーズに対応すること。
• 人工知能を統合することで、従来の圧縮センシングの限界を克服し、ミリ波システムにおける共同最適化を実現すること。
• 学習された画像辞書と最適化された測定行列を用いて、ノイズのある実験的条件下でも損失なしの画像再構成を可能にすること。
• 94-GHzミリ波プロトタイプを用いた実世界での実証により、提案されたAI最適化システムの有効性を検証すること。

提案手法

• DL-CSNetは、再構成誤差と係数のスパarsityを最小化するように、画像データセットから辞書基底を深層ニューラルネットワークで学習する。
• 学習された辞書基底を用いて、相互コherenceを最小化することで、ハダマード測定行列を共同で最適化する。
• 損失関数は、スパースコードのℓ₁-ノルム正則化、元の画像の再構成誤差、圧縮測定値の誤差を組み合わせたものである。
• コルゲートドームアパーチャー、誘電レンズ、ショットキー接合ダイオード検出器を備えた94-GHzミリ波セットアップを用い、ハードウェアレベルでの疑似ランダムハダマード変換を実施する。
• 3次元トランスレーションステージが、DL-CSNetが生成した最適なシーケンスに従って、ハダマード-CSマスクパターンを動的に調整する。
• 学習された辞書を初期値として用いることで、DL-CSNetを用いて圧縮測定値から損失なしの回復を実現する。

実験結果

リサーチクエスチョン

• RQ1 AI最適化された圧縮センシングフレームワークは、5G/6Gシステムにおけるミリ波画像伝送速度を顕著に向上させることができるか？
• RQ2 辞書学習は、ハダマード測定行列の相互コherenceをどの程度低減させることができ、再構成忠実度を向上させるか？
• RQ3 DL-CSNetは、現実のミリ波ハードウェアノイズおよび実験的条件下でも損失なしの画像再構成を達成できるか？
• RQ4 AI最適化された圧縮センシングを用いたミリ波画像伝送で、得られる最大圧縮比は何か？

主な発見

• 「I」という文字について、ピクセル相当SNR 12 dBで最大圧縮比12を達成した。
• 「A」から「Z」までのすべての文字について平均圧縮比は5.8、中央値は5であった。
• 2値化処理後も画像損失が確認されず、損失なし再構成の可能性が裏付けられた。
• 94-GHz実験プロトタイプは、従来手法と比較して、画像伝送速度が10倍向上した。
• AI最適化された測定行列と学習された辞書基底を用いて、26文字すべてを高い忠実度で再構成に成功した。
• 辞書学習、測定行列、再構成の共同最適化により、ノイズのある条件下でも安定した性能を発揮した。