Null-Space Flow Matching for MIMO Channel Estimation in Latency-Constrained Systems

📄 arXiv: 2604.22005v1 📥 PDF

作者: Junjie Zhao, Guangming Liang, Dongzhu Liu, Xiaonan Liu

分类: cs.IT, cs.LG, eess.SP

发布日期: 2026-04-23

备注: 6 pages, 3 figures, 20 references

💡 一句话要点

提出空域流匹配方法，解决低延迟约束下的MIMO信道估计问题

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

关键词: MIMO信道估计 低延迟通信 流匹配 生成模型 零空间 值域空间 深度学习 无线通信

📋 核心要点

  1. 现有基于深度生成模型的信道估计方法，虽然精度高，但推理延迟过高，难以满足低延迟MIMO系统的需求。
  2. 论文提出空域流匹配框架，将信道估计分解为值域空间重构和零空间生成，降低了生成模型的计算负担。
  3. 实验表明，该方法在3ms的延迟预算下，实现了具有竞争力的NMSE，优于传统模型和生成模型。

📝 摘要（中文）

本文针对多输入多输出(MIMO)通信系统中精确且低延迟的信道状态信息(CSI)获取问题，提出了一种空域流匹配(FM)框架。该框架将受限于导频的MIMO信道估计分解为值域空间重构问题和零空间生成问题。具体而言，信道的值域空间分量直接从带噪导频观测中恢复，而模糊的零空间分量则使用基于FM的生成先验进行迭代细化。为了进一步提高框架的鲁棒性，引入了幂律时间表以更好地分配有限数量的细化步骤，以及一种噪声感知自适应校正策略来抑制细化轨迹上的信道噪声。实验结果表明，即使在约3毫秒的严格延迟预算下，该方法也能实现具有竞争力的归一化均方误差(NMSE)，同时提供比基于模型和生成模型的基线方法更高的估计精度和更快的推理速度。

🔬 方法详解

问题定义：论文旨在解决在严格延迟约束下，如何准确估计MIMO信道状态信息(CSI)的问题。现有方法，特别是基于深度生成模型（如score-based和diffusion模型）的方法，虽然能够从有限的导频观测中重建高保真度的CSI，但由于其固有的高计算复杂度，导致推理延迟过高，无法满足低延迟通信系统的需求。

核心思路：论文的核心思路是将MIMO信道估计问题分解为两个子问题：值域空间重构和零空间生成。值域空间可以通过直接从带噪导频观测中恢复，而零空间则利用生成模型进行迭代细化。由于零空间的维度通常远小于整个信道空间，因此可以显著降低生成模型的计算负担，从而降低推理延迟。

技术框架：该框架包含两个主要阶段：1) 值域空间重构：利用线性最小均方误差(LMMSE)等方法直接从带噪导频观测中估计信道的值域空间分量。2) 零空间生成：使用基于流匹配(FM)的生成模型，迭代地细化信道的零空间分量。该生成模型以值域空间重构的结果为条件，生成与观测数据一致的零空间。

关键创新：该论文的关键创新在于将信道估计问题分解为值域空间重构和零空间生成，并利用流匹配模型作为零空间的先验。这种分解方式有效地降低了生成模型的计算复杂度，从而实现了低延迟的信道估计。此外，论文还提出了幂律时间表和噪声感知自适应校正策略，进一步提高了框架的鲁棒性和估计精度。

关键设计：论文采用了流匹配(FM)模型作为零空间的生成先验。为了提高鲁棒性，引入了幂律时间表来控制细化步骤的分配，在初始阶段分配更多的步骤以快速收敛，在后期阶段分配较少的步骤以进行精细调整。此外，还设计了一种噪声感知自适应校正策略，根据信道噪声水平动态调整细化轨迹，以抑制噪声对估计结果的影响。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在3ms的严格延迟预算下，该方法实现了具有竞争力的归一化均方误差(NMSE)，并且优于基于模型和生成模型的基线方法。具体来说，与传统的LMMSE方法相比，该方法在NMSE上取得了显著的提升。与基于扩散模型的信道估计方法相比，该方法在保证相似精度的前提下，推理速度提高了数倍。

🎯 应用场景

该研究成果可应用于各种需要低延迟MIMO通信的场景，例如：高速无线通信、虚拟现实/增强现实(VR/AR)、自动驾驶、工业物联网等。通过降低信道估计的延迟，可以提高系统的吞吐量、降低时延，从而改善用户体验和系统性能。该方法还有潜力应用于其他需要从不完整或噪声数据中进行高精度重建的任务。

📄 摘要（原文）

Accurate yet low-latency channel state information (CSI) acquisition is essential for multiple-input multiple-output (MIMO) communication systems. While advanced deep generative models, such as score-based and diffusion models, enable high-fidelity CSI reconstruction from limited pilot observations, they often suffer from high inference latency. To achieve accurate CSI estimation under stringent latency constraints, this paper proposes a null-space flow matching (FM) framework that decomposes pilot-limited MIMO channel estimation into a range-space reconstruction problem and a null-space generation problem. Specifically, the range-space component of the channel is directly recovered from noisy pilot observations, while only the ambiguous null-space component is iteratively refined using an FM-based generative prior. To further improve the robustness of the proposed framework, we introduce a power-law time schedule to better allocate the limited number of refinement steps, along with a noise-aware adaptive correction strategy to suppress channel noise on the refinement trajectory. Experimental results demonstrate that our method achieves a competitive normalized mean square error (NMSE) even under a strict latency budget of around 3 ms, while delivering superior estimation accuracy and faster inference than both model-based and generative baselines.