RadioMamba: Breaking the Accuracy-Efficiency Trade-off in Radio Map Construction via a Hybrid Mamba-UNet

📄 arXiv: 2508.09140v1 📥 PDF

作者: Honggang Jia, Nan Cheng, Xiucheng Wang, Conghao Zhou, Ruijin Sun, Xuemin, Shen

分类: eess.SP, cs.LG, cs.NI

发布日期: 2025-07-28

💡 一句话要点

RadioMamba：混合Mamba-UNet突破无线电地图构建的精度-效率权衡

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 无线电地图 Mamba UNet 深度学习 6G 信道建模 长程依赖

📋 核心要点

  1. 现有基于深度学习的无线电地图构建方法在精度和效率之间存在权衡，难以兼顾。
  2. RadioMamba采用混合Mamba-UNet架构，利用Mamba分支捕获全局依赖，卷积分支提取局部特征。
  3. 实验结果表明，RadioMamba在精度上优于现有方法，同时显著提升了效率并减少了参数量。

📝 摘要（中文）

无线电地图(RM)近年来备受关注，因为它能为6G服务和应用提供实时、准确的空间信道信息。然而，目前基于深度学习的RM构建方法存在众所周知的精度-效率权衡问题。本文提出RadioMamba，一种用于RM构建的混合Mamba-UNet架构，旨在解决这一权衡问题。准确的RM构建需要对长程空间依赖关系进行建模，以反映波传播物理的全局特性。RadioMamba利用Mamba-卷积块，其中Mamba分支以线性复杂度捕获这些全局依赖关系，而并行卷积分支提取局部特征。这种混合设计生成能够捕获全局上下文和局部细节的特征表示。实验表明，RadioMamba比包括扩散模型在内的现有方法实现了更高的精度，同时运行速度快近20倍，并且仅使用2.9%的模型参数。通过提高精度和效率，RadioMamba为下一代无线系统中的实时智能优化提供了一种可行的方法。

🔬 方法详解

问题定义：无线电地图(RM)构建旨在提供准确的空间信道信息，对6G应用至关重要。然而，现有的基于深度学习的方法在精度和效率之间难以平衡。为了获得高精度，通常需要复杂的模型，但这会导致计算成本增加，难以满足实时性要求。因此，如何在保证精度的前提下，提高RM构建的效率是一个关键问题。

核心思路：RadioMamba的核心思路是利用Mamba架构高效地建模长程空间依赖关系，同时结合卷积神经网络提取局部特征。Mamba架构具有线性复杂度，能够有效地捕获全局上下文信息，而卷积操作擅长提取局部细节。通过将两者结合，RadioMamba能够兼顾全局和局部信息，从而提高RM构建的精度和效率。

技术框架：RadioMamba采用混合Mamba-UNet架构。整体架构基于UNet，包含编码器和解码器两部分。编码器部分提取输入特征，解码器部分将特征映射到无线电地图。关键在于编码器和解码器中都使用了Mamba-Convolutional块。该模块包含两个并行分支：一个Mamba分支和一个卷积分支。Mamba分支负责捕获长程空间依赖关系，卷积分支负责提取局部特征。两个分支的输出进行融合，作为该模块的最终输出。

关键创新：RadioMamba的关键创新在于Mamba-Convolutional块的设计。该模块将Mamba架构和卷积神经网络相结合，充分利用了两者的优势。Mamba架构能够以线性复杂度建模长程依赖，避免了传统Transformer的二次方复杂度问题。卷积神经网络能够有效地提取局部特征，弥补了Mamba架构在局部信息提取方面的不足。这种混合设计使得RadioMamba能够兼顾全局和局部信息，从而提高RM构建的精度和效率。与现有方法相比，RadioMamba在精度和效率上都取得了显著提升。

关键设计：Mamba-Convolutional块中的Mamba分支采用标准的Mamba架构，具体参数设置未知。卷积分支采用标准的卷积操作，具体参数设置未知。两个分支的输出通过加权求和的方式进行融合，权重参数未知。损失函数采用均方误差(MSE)损失函数，用于衡量预测的无线电地图与真实值之间的差异。网络训练采用Adam优化器，学习率等超参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，RadioMamba在无线电地图构建任务上取得了显著的性能提升。与现有方法相比，RadioMamba在精度上优于包括扩散模型在内的其他方法，同时运行速度快近20倍，并且仅使用2.9%的模型参数。这些结果表明，RadioMamba在精度和效率之间取得了良好的平衡，为实时无线电地图构建提供了一种可行的解决方案。

🎯 应用场景

RadioMamba在6G无线通信系统中具有广泛的应用前景。它可以用于实时无线电地图构建，为资源分配、波束赋形、干扰管理等提供准确的空间信道信息。此外，RadioMamba还可以应用于室内定位、无人机导航等领域，为这些应用提供高精度、高效率的无线电地图服务。未来，RadioMamba有望成为下一代无线通信系统的关键技术之一。

📄 摘要（原文）

Radio map (RM) has recently attracted much attention since it can provide real-time and accurate spatial channel information for 6G services and applications. However, current deep learning-based methods for RM construction exhibit well known accuracy-efficiency trade-off. In this paper, we introduce RadioMamba, a hybrid Mamba-UNet architecture for RM construction to address the trade-off. Generally, accurate RM construction requires modeling long-range spatial dependencies, reflecting the global nature of wave propagation physics. RadioMamba utilizes a Mamba-Convolutional block where the Mamba branch captures these global dependencies with linear complexity, while a parallel convolutional branch extracts local features. This hybrid design generates feature representations that capture both global context and local detail. Experiments show that RadioMamba achieves higher accuracy than existing methods, including diffusion models, while operating nearly 20 times faster and using only 2.9\% of the model parameters. By improving both accuracy and efficiency, RadioMamba presents a viable approach for real-time intelligent optimization in next generation wireless systems.