UNIC-Lab/RadioDiff

This is the code for the paper "RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction", IEEE TCCN.

What it solves

RadioDiff는 계산 비용이 많이 드는 시뮬레이션이나 비용이 많이 드는 물리적 샘플링 측정에 의존하지 않고 위치 기반 경로 손실을 매핑하는 라디오 맵(RM)을 구축하는 문제를 해결합니다. 기존에 판별 모델링을 사용한 신경망 방법은 이러한 복잡한 맵을 생성하려 할 때 성능이 최적이 아닌 경우가 많았던 제한을 극복합니다.

How it works

RadioDiff는 라디오 맵 구축을 조건부 생성 문제로 간주하고, 노이즈 제거 확산 기반 접근 방식을 사용합니다. 아키텍처는 다음으로 구성됩니다:

  • Attention U‑Net with Adaptive FFT: 동적 환경에서 특징을 더 잘 추출하도록 설계된 백본 네트워크.
  • Decoupled Diffusion Model: 구축 성능을 더욱 정교하게 다듬기 위해 사용되는 특수 확산 프로세스.
  • Two‑Stage Training: 시스템은 먼저 AutoEncoder(VAE)를 학습하고, 그 다음 잠재 확산‑엣지 모델을 학습하여 최종 라디오 맵을 생성합니다.

Who it’s for

이 프로젝트는 6G 네트워크 응용, 무선 통신 및 라디오 전파 모델링에 종사하는 연구원 및 엔지니어를 주 대상으로 하며, 동적 환경에서 고정밀 경로 손실 추정이 필요한 경우에 적합합니다.

Highlights

  • Sampling‑Free: 방대한 물리적 측정 없이 라디오 맵을 구축합니다.
  • State‑of‑the‑Art Performance: 정확도, 구조적 유사성 및 피크 신호 대 잡음비(PSNR) 측면에서 기존 방법을 능가합니다.
  • Dynamic Environment Support: 적응형 빠른 푸리에 변환 모듈을 통해 변화하는 환경에서 특징 추출을 최적화합니다.
  • Extensible Ecosystem: 물리 기반(RadioDiff‑k²), 3D(RadioDiff‑3D), few‑shot(RadioDiff‑FS) 버전을 포함한 모델 패밀리의 일부입니다.