[논문 리뷰] High-speed Millimeter-wave 5G/6G Image Transmission via Artificial Intelligence

Shaolin Liao, Lu Ou|arXiv (Cornell University)|2020. 07. 07.

Photonic and Optical Devices참고 문헌 17인용 수 6

한 줄 요약

이 논문은 94GHz 프로토타입을 사용하여 고속 mmWave 5G/6G 이미지 전송을 위한 딥러닝 최적화 압축 측정 프레임워크인 DL-CSNet을 제안한다. 이미지 사전을 공동으로 학습하고 헤이지드 측정 행렬을 최적화하며 손실 없는 복원을 가능하게 함으로써, 12 dB SNR 조건에서 이미지 전송 속도가 최대 12배 향상된다.

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".

연구 동기 및 목표

• 미래의 5G/6G mmWave 네트워크에서 초고속 이미지 전송의 필요성을 해결하기 위해.
• 인공지능을 통합하여 공동 최적화함으로써 기존 압축 측정 기법의 한계를 극복하기 위해.
• 학습된 이미지 사전과 최적화된 측정 행렬을 사용하여 실재의 mmWave 하드웨어 노이즈 및 실험 조건에서도 손실 없는 이미지 복원을 가능하게 하기 위해.
• 실제 94-GHz mmWave 프로토타입을 통해 제안된 인공지능 최적화 시스템의 성능을 검증하기 위해.

제안 방법

• DL-CSNet은 딥 뉴럴 네트워크를 활용해 이미지 데이터셋에서 사전 기저를 학습하여 복원 오차와 계수의 희박성 최소화를 목표로 한다.
• 학습된 사전 기저를 기반으로 헤이지드 측정 행렬의 상호코herence를 최소화함으로써 공동 최적화를 수행한다.
• 손실 함수는 희박 코드의 ℓ₁-노름 정규화, 원본 이미지의 복원 오차, 압축 측정값의 오차를 통합한다.
• 복합적인 허위 무작위 헤이지드 변환을 수행하기 위해, 굴절형 홀로우 안테나, 유전율 렌즈, 슈롯키 다이오드 검출기를 갖춘 94-GHz mmWave 설정을 하드웨어 수준에서 활용한다.
• 3D 이동 스테이지가 DL-CSNet에서 생성한 최적의 순서를 기반으로 헤이지드-CS 마스크 패턴을 동적으로 조절한다.
• 학습된 사전을 초기 값으로 사용하여 DL-CSNet을 통해 압축 측정값에서 손실 없는 복원을 수행한다.

실험 결과

연구 질문

• RQ1 인공지능 최적화 압축 측정 프레임워크는 5G/6G 시스템에서 mmWave 이미지 전송 속도를 크게 향상시킬 수 있는가?
• RQ2 사전 학습이 헤이지드 측정 행렬의 상호코herence를 얼마나 줄여주며, 복원 정밀도를 향상시키는가?
• RQ3 DL-CSNet은 실제 mmWave 하드웨어 노이즈 및 실험 조건에서도 손실 없는 이미지 복원을 달성할 수 있는가?
• RQ4 AI 최적화 압축 측정을 사용할 경우 mmWave 이미지 전송에서 달성 가능한 최대 압축 비율은 얼마인가?

주요 결과

• 글자 'I'에 대해 픽셀 기준 SNR 12 dB 조건에서 DL-CSNet은 최대 압축 비율 12를 달성했다.
• 모든 글자 'A'에서 'Z'에 걸쳐 평균 압축 비율은 5.8이며, 중앙값은 5였다.
• 이진 임계값 처리 후 이미지 손실이 관찰되지 않아 손실 없는 복원의 가능성을 확인했다.
• 94-GHz 실험 프로토타입은 기존 방법 대비 이미지 전송 속도가 10배 향상됨을 입증했다.
• AI 최적화 측정 행렬과 학습된 사전 기저를 사용하여 26개의 모든 글자를 높은 정밀도로 성공적으로 복원했다.
• 사전 학습, 측정 행렬, 복원의 공동 최적화가 노이즈 조건에서도 견고한 성능을 발휘함을 확인했다.