[论文解读] OFDM-guided Deep Joint Source Channel Coding for Wireless Multipath Fading Channels

Ming‐Yu Yang, Chenghong Bian+1 more|arXiv (Cornell University)|Sep 11, 2021

Advanced Data Compression Techniques被引用 7

一句话总结

本文提出了一种用于多径衰落信道中无线图像传输的OFDM引导型深度联合源信道编码（JSCC）框架，通过将卷积神经网络（CNNs）与可微分OFDM及信号处理模块（信道估计、均衡）结合，实现端到端训练。与传统分离编码方案（如BPG + LDPC）相比，该方法在信噪比（SNR）上实现了2.5–4 dB的增益，且对削波和信道模型失配具有更强的鲁棒性。

ABSTRACT

We investigate joint source channel coding (JSCC) for wireless image transmission over multipath fading channels. Inspired by recent works on deep learning based JSCC and model-based learning methods, we combine an autoencoder with orthogonal frequency division multiplexing (OFDM) to cope with multipath fading. The proposed encoder and decoder use convolutional neural networks (CNNs) and directly map the source images to complex-valued baseband samples for OFDM transmission. The multipath channel and OFDM are represented by non-trainable (deterministic) but differentiable layers so that the system can be trained end-to-end. Furthermore, our JSCC decoder further incorporates explicit channel estimation, equalization, and additional subnets to enhance the performance. The proposed method exhibits 2.5 -- 4 dB SNR gain for the equivalent image quality compared to conventional schemes that employ state-of-the-art but separate source and channel coding such as BPG and LDPC. The performance further improves when the system incorporates the channel state information (CSI) feedback. The proposed scheme is robust against OFDM signal clipping and parameter mismatch for the channel model used in training and evaluation.

研究动机与目标

• 为解决在真实多径衰落信道中无线图像传输存在的性能差距问题，传统基于分离的编码在低SNR或短块长条件下表现不佳。
• 通过将OFDM、信道估计和均衡等领域特定知识整合到可微分、模型驱动的框架中，克服黑箱深度学习在JSCC中的局限性。
• 设计一种可端到端训练的系统，联合优化源压缩与信道鲁棒性，提升在峰值功率与平均功率比（PAPR）等实际约束下的图像质量。
• 评估系统在信道模型失配和信号削波下的鲁棒性，确保其在真实衰落环境中的实际可部署性。

提出的方法

• 编码器和解码器使用CNN将源图像直接映射为复基带OFDM信号，实现源与信道的联合优化。
• 将OFDM和多径衰落建模为可微分的非训练层，以保留物理信号结构的同时支持反向传播。
• 解码器中引入显式子网络进行信道估计（Φce）和均衡（Φeq），提升在频率选择性衰落下的性能。
• 采用结合均方误差（MSE）、感知损失和分类头损失（λg）的损失函数，实现端到端训练，提升图像真实感。
• 在训练过程中显式建模信号削波，以在最小性能损失下实现PAPR的有效降低。
• 集成信道状态信息（CSI）反馈，进一步提升性能，尤其在低SNR场景下。

实验结果

研究问题

• RQ1 基于模型驱动的深度JSCC框架，若集成OFDM与信号处理模块，是否能在多径衰落信道中超越传统分离源信道编码？
• RQ2 显式集成信道估计与均衡子网络对深度JSCC中的图像重建质量有何影响？
• RQ3 在训练中引入信号削波，能在多大程度上提升OFDM系统对高峰均功率比（PAPR）的鲁棒性？
• RQ4 当训练与评估阶段的信道模型存在失配时，系统性能如何？
• RQ5 集成CSI反馈是否能显著提升性能，尤其是在低SNR或低速率传输场景下？

主要发现

• 所提出的OFDM引导型JSCC在等效图像质量（PSNR）上相比最先进的分离编码（BPG + LDPC）实现2.5–4 dB SNR增益，尤其在低SNR和低速率场景下表现突出。
• 引入显式信道估计与均衡子网络（Φce和Φeq）显著提升图像重建质量，SNR = 5 dB时，PSNR从无Φce的25.036 dB提升至含Φce的25.072 dB。
• 系统对OFDM信号削波保持鲁棒，当训练中显式建模削波时，性能下降极小，可实现实际PAPR降低。
• 在信道模型失配下性能依然稳健，即使评估信道与训练信道不同，仍能保持高质量图像输出。
• 集成CSI反馈可进一步提升性能，尤其在低SNR条件下，证明了反馈在深度JSCC中的优势。
• 所提出的架构即使在不使用OFDM或子网络的情况下，也优于黑箱深度JSCC模型（如[15]、[16]），参数量减少23%的同时，在AWGN与多径衰落信道中均实现更高PSNR。