单步生成式CSI预测框架显著压缩推理开销与延迟
围绕无线通信中信道老化问题，研究者提出基于MeanFlow模型的单步生成式CSI预测方法，仅需单次神经网络函数评估即可完成推理，显著降低计算复杂度与延迟。该方法引入信道感知先验，以未来信道估计替代高斯噪声初始化生成过程，在点预测精度相当的条件下获得更优的不确定性校准，整体优于近期扩散模型方案。
在无线通信系统中，信道状态信息（CSI）预测被视为缓解信道老化效应的有效手段。近年来，研究者开始将生成模型引入CSI预测框架，以刻画未来信道实现中的不确定性。然而，这类生成模型普遍存在计算复杂度高、推理延迟大的问题，制约了其走向实际部署。
为应对上述挑战，最新研究聚焦于一类单步生成模型——MeanFlow模型。该模型在推理阶段仅需单次神经网络函数评估（NFE），相较多步扩散模型大幅削减了计算开销与时延。为进一步缓解直接从噪声生成CSI的困难，研究团队提出了信道感知先验策略，使生成过程从对未来信道的信息化估计起步，而非从纯高斯噪声出发，从而改善了点预测精度与不确定性校准效果。
实验结果显示，MeanFlow框架在点预测精度上与近期基于扩散模型的方法相当，同时仅需单次NFE即可输出校准更优的CSI预测结果。该研究为生成式CSI预测在实时性要求严苛的通信场景中的工程落地提供了新的技术路径。
【空音视角】 CSI预测是WiFi感知系统的核心技术环节之一，其推理效率直接影响呼吸监测、跌倒检测等场景的实时性与端侧部署成本。该研究将MeanFlow单步生成框架与信道感知先验结合，在保持预测质量的同时显著压缩了推理时延，对推动CSI处理从云端走向边缘和终端具有参考意义。对空音所关注的非接触生命体征监测方向而言，更低算力消耗的CSI建模方法有助于降低设备功耗与硬件门槛，但其在真实室内复杂环境中的泛化表现仍值得关注与验证。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2609.17033
来源：arXiv 信号处理（查看原文）