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 解決了構建無線電地圖（RM）——根據位置映射路徑損耗——而不依賴計算成本高昂的模擬或昂貴的實體抽樣測量的挑戰。它克服了以往使用判別建模的神經網路方法的限制，這些方法在生成這些複雜地圖時往往表現不佳。

How it works

RadioDiff 將無線電地圖構建視為條件生成問題，採用去噪擴散方法。其架構包括：

  • Attention U-Net with Adaptive FFT：一種旨在更好地從動態環境中提取特徵的主幹網路。
  • Decoupled Diffusion Model：用於進一步提升構建效能的專用擴散過程。
  • Two-Stage Training：系統首先訓練一個自動編碼器（VAE），隨後訓練潛在擴散‑edge 模型以產生最終的無線電地圖。

Who it’s for

本專案主要面向從事 6G 網路應用、無線通信與無線傳播建模的研究人員與工程師，協助他們在動態環境中獲得高精度的路徑損耗估計。

Highlights

  • Sampling-Free：無需大量實體測量即可構建無線電地圖。
  • State-of-the-Art Performance：在精度、結構相似性與峰值訊噪比（PSNR）方面優於現有方法。
  • Dynamic Environment Support：透過自適應快速傅立葉變換模組專門優化了對變化環境的特徵提取。
  • Extensible Ecosystem：屬於包括物理資訊模型（RadioDiff‑k²）、3D（RadioDiff‑3D）與少樣本（RadioDiff‑FS）版本在內的模型家族。