[论文解读] Lightweight Convolutional Neural Networks for CSI Feedback in Massive MIMO

Zheng Cao, Wan-Ting Shih+3 more|arXiv (Cornell University)|May 1, 2020

Wireless Signal Modulation Classification参考文献 17被引用 12

一句话总结

本文提出 ConvCsiNet，一种基于深度学习的FDD大规模MIMO系统CSI反馈网络，采用卷积自编码器以保留CSI矩阵的二维空间结构，从而提升重建精度。为实现移动设备部署，进一步提出轻量化变体 ShuffleCsiNet，采用逐通道可分离卷积和通道混洗操作，相比 ConvCsiNet 参数量减少79%，FLOPs降低80%，同时在1/32压缩比下保持接近最优的重建性能。

ABSTRACT

In frequency division duplex mode of massive multiple-input multiple-output systems, the downlink channel state information (CSI) must be sent to the base station (BS) through a feedback link. However, transmitting CSI to the BS is costly due to the bandwidth limitation of the feedback link. Deep learning (DL) has recently achieved remarkable success in CSI feedback. Realizing high-performance and low-complexity CSI feedback is a challenge in DL based communication. We develop a DL based CSI feedback network in this study to complete the feedback of CSI effectively. However, this network cannot be effectively applied to the mobile terminal because of the excessive numbers of parameters. Therefore, we further propose a new lightweight CSI feedback network based on the developed network. Simulation results show that the proposed CSI network exhibits better reconstruction performance than that of other CsiNet-related works. Moreover, the lightweight network maintains a few parameters and parameter complexity while ensuring satisfactory reconstruction performance. These findings suggest the feasibility and potential of the proposed techniques.

研究动机与目标

• 解决移动终端中基于深度学习的CSI反馈带来的高计算与内存开销问题。
• 提升频率划分双工（FDD）大规模MIMO系统中CSI反馈的重建精度。
• 在保持高重建性能的前提下，降低模型复杂度与参数量，以实现移动设备上的实际部署。
• 开发一种轻量化网络架构，在严重带宽限制下仍保持鲁棒性与高性能。

提出的方法

• 设计基于卷积自编码器的CSI反馈网络（ConvCsiNet），利用卷积层、平均池化和上采样操作，以保留CSI矩阵中的二维空间相关性。
• 在解码器中引入 RefineNet 和 DN 模块，以细化特征重建并提升空间分辨率。
• 通过将标准卷积替换为逐通道可分离卷积，并引入通道混洗操作，开发 ShuffleCsiNet，以减少参数量与FLOPs。
• 在所有卷积模块中使用批量归一化（BN）和ReLU激活函数，以稳定训练过程并增强特征学习能力。
• 在编码器与解码器路径中分别使用平均池化和上采样层，对特征图进行下采样与上采样。
• 通过最小化全连接层数量并利用混洗机制中的功能复用，优化网络以实现低复杂度部署。

实验结果

研究问题

• RQ1 基于深度学习的CSI反馈网络是否能在FDD大规模MIMO系统中实现优于CsiNet及其变体的重建性能？
• RQ2 如何在不显著降低重建质量的前提下，减少基于CNN的CSI反馈网络的参数量与计算复杂度？
• RQ3 在深度可分离卷积中，通道混洗机制在CSI反馈中在多大程度上提升了模型的鲁棒性与效率？
• RQ4 在低反馈压缩比（如1/32）下，轻量化网络架构是否能保持高重建精度？
• RQ5 通过卷积层进行空间特征提取，与全连接层或前馈网络相比，在CSI反馈中表现如何？

主要发现

• 在1/16压缩比下，ConvCsiNet在室内环境的归一化均方误差（NMSE）为-13.79 dB，在室外环境为-6.00 dB，优于CsiNet、CRNet与DS-NLCsiNet。
• 在1/32压缩比下，ConvCsiNet在室内环境的NMSE为-10.10 dB，在室外环境为-5.21 dB，表明在高倍率压缩下仍具备卓越的重建精度。
• 在1/32压缩比下，ShuffleCsiNet的参数量仅为ConvCsiNet的21.05%，参数量从1,623,416降至341,800。
• 在1/32压缩比下，ShuffleCsiNet的FLOPs仅为ConvCsiNet的19.8%，从58.2M降至11.6M，显著降低了计算复杂度。
• 尽管计算复杂度更低，ShuffleCsiNet仍保持接近最优性能，在1/32压缩比下，室内NMSE为-9.41 dB，室外为-3.50 dB。
• ShuffleCsiNet中通道混洗与深度可分离卷积的设计增强了模型鲁棒性与功能复用能力，实现了以极低资源消耗获得高性能。