基于隐式神经表示的无线基础模型WiFo-INR发布
围绕信道状态信息的紧凑表征与高效反馈，研究者提出WiFo-INR模型，将CSI建模为坐标条件下的连续神经函数，结合Transformer编码器与SIREN解码器，并采用两阶段自监督预训练，在信道重建、CSI反馈与推理时延方面优于现有基座模型，并能零样本泛化至未见CSI尺寸。
近年，无线基础模型被视为AI原生物理层设计的重要方向，但现有方法多将信道状态信息（CSI）建模为类图像的离散张量，难以高效捕获高频细节，且表征维度常随尺寸变化而膨胀。arXiv最新收录的研究提出了一种名为WiFo-INR的新模型，将CSI视为一种坐标条件下的连续神经函数，而非传统网格化张量，从而实现尺寸无关的紧凑表示。
WiFo-INR的核心架构由Transformer编码器与基于SIREN的隐式神经表示解码器组成。编码器将部分或粗粒度CSI映射为固定维度的调制令牌，用以适配解码器的参数；同时配合压缩自编码器，支持量化形式的CSI反馈。模型采用两阶段自监督预训练策略：第一阶段通过混合掩码与去噪提升信道重建能力，第二阶段通过压缩增强预训练，实现在低压缩比下的精准CSI反馈。
实验显示，WiFo-INR在信道重建与CSI反馈任务上均优于现有基座模型，同时显著降低推理时延，并能以极少的微调开销迁移到多种下游无线任务，更具备对未见CSI尺寸的零样本泛化能力。该工作为无线通信与感知系统的统一建模提供了一条新路径。
【空音视角】 从WiFi感知与非接触监测从业者视角看，WiFo-INR体现了一个重要趋势：把信道视为连续函数而非离散网格。呼吸、睡眠姿态等生命活动引发的CSI扰动本质上是连续时空信号，隐式神经表示有望以更低维度、更强泛化能力捕捉此类细节，对推动WiFi感知模型的小型化、跨场景部署与零样本适配具有参考价值。
—— 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/2608.08033
来源：arXiv 信号处理（查看原文）