[论文解读] TinySense: Effective CSI Compression for Scalable and Accurate Wi-Fi Sensing

Toan Gian, Dung Thi Phuong Tran+3 more|arXiv (Cornell University)|Jan 22, 2026

Indoor and Outdoor Localization Technologies被引用 0

一句话总结

TinySense 引入基于 VQGAN 的 CSI 压缩框架，具自适应码本和基于 Transformer 的恢复模块，以在降低带宽与延迟的情况下实现可扩展的高精度 Wi-Fi 感知。

ABSTRACT

With the growing demand for device-free and privacy-preserving sensing solutions, Wi-Fi sensing has emerged as a promising approach for human pose estimation (HPE). However, existing methods often process vast amounts of channel state information (CSI) data directly, ultimately straining networking resources. This paper introduces TinySense, an efficient compression framework that enhances the scalability of Wi-Fi-based human sensing. Our approach is based on a new vector quantization-based generative adversarial network (VQGAN). Specifically, by leveraging a VQGAN-learned codebook, TinySense significantly reduces CSI data while maintaining the accuracy required for reliable HPE. To optimize compression, we employ the K-means algorithm to dynamically adjust compression bitrates to cluster a large-scale pre-trained codebook into smaller subsets. Furthermore, a Transformer model is incorporated to mitigate bitrate loss, enhancing robustness in unreliable networking conditions. We prototype TinySense on an experimental testbed using Jetson Nano and Raspberry Pi to measure latency and network resource use. Extensive results demonstrate that TinySense significantly outperforms state-of-the-art compression schemes, achieving up to 1.5x higher HPE accuracy score (PCK20) under the same compression rate. It also reduces latency and networking overhead, respectively, by up to 5x and 2.5x. The code repository is available online at here.

研究动机与目标

• 通过高效 CSI 传输推动可扩展且隐私友好的 Wi-Fi 感知。
• 开发一个面向任务的压缩框架，在高压缩下保持 HPE 精度。
• 通过码本尺寸调整与聚类实现自适应比特率控制。
• 利用基于 Transformer 的缺失索引恢复机制提升对分组丢包的鲁棒性。

提出的方法

• 在设备端使用基于 VQGAN 的潜在表示对 CSI 进行编码，生成 VQ 索引。
• 通过映射到共享码本并传输紧凑比特流来压缩 VQ 索引。
• 利用 K-means 动态调整码本大小，以实现可变比特率与质量的折衷。
• 在服务器端解码以重建 CSI，并通过估计器和解码器执行 HPE。
• 使用第二阶段 Transformer 在传输丢包时预测缺失 VQ 索引以提升鲁棒性。

Figure 1 : Overview of Cloud-based Wi-Fi Sensing.

实验结果

研究问题

• RQ1 如何在尽可能小的带宽条件下对 CSI 数据进行压缩，同时尽量保持 HPE 精度？
• RQ2 是否可通过共享学习的码本实现可灵活的比特率控制和在网络条件下的鲁棒重建？
• RQ3 引入基于 Transformer 的缺失索引预测是否能显著提升对分组丢失的鲁棒性？
• RQ4 与最先进方法相比，TinySense 的端到端时延和网络开销有哪些收益？

主要发现

• TinySense 在相同压缩率下的 PCK20 最高比 EfficientFi 和 RSCNet 高出约 1.5 倍。
• 相较于 EfficientFi，其时延降低最多约 5 倍，网络开销降低最多约 2.5 倍。
• 通过 K-means 的自适应码本尺寸调整实现了在保持重建质量的同时的可变比特率。
• 在存在丢失索引的场景中，基于 Transformer 的恢复性能远优于非 Transformer 的变体。
• 在 MM-Fi 和 Wi-Pose 数据集上的实验在 NMSE 与 HPE 指标上均显示出持续的增益。

Figure 2 : Illustration of the proposed $\mathtt{TinySense}$ framework: (a) the overall compression pipeline, (b) the K-means clustering algorithm to adjust the codebook size for variable bitrates, and (c) a transformer approach for predicting lost VQ indices.