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

RadioDiff 解决了构建无线电地图（RM）——基于位置映射路径损耗——而不依赖计算成本高昂的仿真或昂贵的物理采样测量的挑战。它克服了以往使用判别建模的神经网络方法的局限，这些方法在生成这些复杂地图时往往表现不佳。

How it works

RadioDiff 将无线电地图构建视为条件生成问题，采用去噪扩散方法。其架构包括：

  • Attention U-Net with Adaptive FFT：一种旨在更好地从动态环境中提取特征的主干网络。
  • Decoupled Diffusion Model：用于进一步提升构建性能的专用扩散过程。
  • Two-Stage Training：系统首先训练一个自动编码器（VAE），随后训练潜在扩散‑edge 模型以生成最终的无线电地图。

Who it’s for

本项目主要面向从事 6G 网络应用、无线通信和无线传播建模的研究人员和工程师，帮助他们在动态环境中获得高精度的路径损耗估计。

Highlights

  • Sampling-Free：无需大量物理测量即可构建无线电地图。
  • State-of-the-Art Performance：在精度、结构相似性和峰值信噪比（PSNR）方面优于现有方法。
  • Dynamic Environment Support：通过自适应快速傅里叶变换模块专门优化了对变化环境的特征提取。
  • Extensible Ecosystem：属于包括物理信息模型（RadioDiff‑k²）、3D（RadioDiff‑3D）和少样本（RadioDiff‑FS）版本在内的模型家族。