[论文解读] 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 8

一句话总结

本论文提出了一种模型驱动的深度学习框架，用于在多径衰落信道中基于OFDM的无线图像传输的联合源信道编码（JSCC）。通过将可训练的CNN与可微分的、非可训练的OFDM及多径信道模块相结合，端到端系统在低SNR和低速率场景下，PSNR性能相比传统分离式源编码与信道编码（如BPG + LDPC）提升超过3 dB，同时对信号削波和信道模型失配保持鲁棒性。

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.

研究动机与目标

• 解决在实际信道条件下，有限长度无线图像传输中分离式源编码与信道编码的次优性问题。
• 克服现有深度JSCC方法受限于理想化信道（如AWGN或BSC）的局限性。
• 将OFDM信号处理与多径衰落的领域知识整合到可微分的深度学习框架中，以提升性能与训练效率。
• 在无需接收端完美CSI的前提下，增强对非线性信号削波和信道模型失配（如SNR和多径数量）的鲁棒性。
• 证明在端到端训练中显式集成信道估计与均衡层可优于隐式自编码器风格的JSCC。

提出的方法

• 设计一种基于CNN的编码器，将图像直接映射为复值OFDM基带符号，构建端到端JSCC框架。
• 集成可微分的、非可训练的OFDM处理层（如FFT、循环前缀插入、CP移除等）以及多径Rayleigh衰落信道模型。
• 实现两种解码器架构：IMPLICIT（直接端到端解码）与EXPLICIT（通过残差连接实现显式信道估计与均衡）。
• 使用均方误差（MSE）损失函数，通过反向传播端到端训练整个系统，实现源压缩与信道鲁棒性的联合优化。
• 在训练中通过建模为硬限幅函数来引入非线性信号削波，以降低峰均功率比（PAPR），实现性能的渐进式下降。
• 采用可微分的信道模型，支持整个信号链路的反向传播，即使存在非线性和复杂信号处理，也能实现基于梯度的优化。

实验结果

研究问题

• RQ1 在实际多径衰落信道下，基于深度学习的JSCC框架能否在OFDM无线图像传输中超越传统的分离式源编码与信道编码（如BPG + LDPC）？
• RQ2 将领域特定的OFDM与多径信道处理作为可微分层集成，是否能相比标准自编码器风格的JSCC，提升训练收敛速度与重建质量？
• RQ3 所提出的JSCC系统在非线性信号削波（OFDM发射机中常见的实际约束）下的表现如何？
• RQ4 与训练时相比，经过训练的JSCC模型在测试时面对信道条件失配（如SNR或多径数量）时，其鲁棒性达到何种程度？
• RQ5 在解码器架构中显式集成信道估计与均衡，是否能优于隐式端到端方法？

主要发现

• 所提出的EXPLICIT JSCC方法在低SNR和低速率（如每像素0.21个信道使用）条件下，相比传统BPG + LDPC + OFDM基线，PSNR提升超过3 dB，尤其在低SNR场景下表现显著。
• 尽管使用MSE损失进行训练，该模型在SSIM上仍取得显著提升，表明图像感知质量更优。
• 采用显式信道估计与均衡的JSCC系统收敛更快且性能更优，证明了结构化领域知识的优势。
• 该方法对非线性信号削波具有鲁棒性：随着削波比（CR）增加（最高至1.4），性能仅渐进下降，且在所有削波水平下均优于基线。
• 在固定SNR（如5 dB或15 dB）下训练的模型能良好泛化至广泛的测试SNR范围：5 dB模型在低SNR下表现优异，15 dB模型在高SNR下表现更佳，而随机SNR训练策略则实现性能均衡。
• 该模型对多径信道模型失配具有鲁棒性：当在L=8径下训练时，即使在L=4或L=16径下测试，仍保持强劲性能，表明对信道模型不准确不敏感。