[论文解读] 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 6

一句话总结

该论文提出了一种面向94-GHz原型的高速毫米波5G/6G图像传输的深度学习优化压缩感知框架DL-CSNet。通过联合学习图像字典、优化Hadamard测量矩阵并实现无损重建，该系统在12 dB信噪比下实现了图像传输速度最高12倍的提升。

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".

研究动机与目标

• 为未来5G/6G毫米波网络中对超高速图像传输的需求提供解决方案。
• 通过整合人工智能实现联合优化，克服传统压缩感知在毫米波系统中的局限性。
• 在存在噪声的实际实验条件下，利用学习得到的图像字典和优化的测量矩阵，实现无损图像重建。
• 通过94-GHz毫米波真实原型验证所提出的AI优化系统。

提出的方法

• DL-CSNet采用深度神经网络从图像数据集中学习字典基，以最小化重建误差和系数的稀疏性。
• 通过最小化所学字典基的互相关性，联合优化Hadamard测量矩阵。
• 损失函数结合了稀疏码的ℓ₁-范数正则化、原始图像的重建误差以及压缩测量值的误差。
• 系统采用94-GHz毫米波设置，包含 corrugated horn 天线、介质透镜和 Schottky 二极管探测器，以实现硬件级伪随机Hadamard变换。
• 通过3D平移台根据DL-CSNet生成的最优序列动态调整Hadamard-CS掩模图案。
• 使用学习到的字典作为初始值，通过DL-CSNet执行图像重建，从而实现从压缩测量值中无损恢复。

实验结果

研究问题

• RQ1 AI优化的压缩感知框架是否能显著提升5G/6G系统中毫米波图像传输速度？
• RQ2 字典学习在多大程度上可降低Hadamard测量矩阵的互相关性，从而提升重建保真度？
• RQ3 在真实的毫米波硬件噪声和实验条件下，DL-CSNet能否实现无损图像重建？
• RQ4 使用AI优化的压缩感知技术，毫米波图像传输的最大可实现压缩比是多少？

主要发现

• 在像素等效信噪比为12 dB时，DL-CSNet对字母'I'实现了最高12倍的压缩比。
• 所有字母'A'至'Z'的平均压缩比为5.8，中位数为5。
• 二值化阈值处理后未观察到图像损失，证实了无损重建的可行性。
• 94-GHz实验原型相比传统方法实现了数量级的图像传输速度提升。
• 系统利用AI优化的测量矩阵和学习到的字典基，成功以高保真度重建了全部26个字母。
• 字典学习、测量矩阵和重建的联合优化使系统在噪声条件下仍具备鲁棒性能。