GSL-Diffusion 用 LSTM 时序条件与 SNR 门控捷径提升 MIMO 信道估计并降低高 SNR 推理步数

提出时序条件扩散估计框架，在角域对信道去噪，并用 LSTM 编码短序列 LS 观测以利用帧间时间相关性，突破逐快照估计。 既有扩散信道估计器多在单快照上操作、把 SNR 作为条件或位置嵌入，未充分利用时变信道的强帧间相关；该工作把序列级条件经多尺度交叉注意力注入 3D U-Net。 在 QuaDRiGa 生成的 3GPP TR 38.901 UMa/UMi、LOS/NLOS 时变数据集上训练与测试（50,000 训练样本、10,000 测试样本），并以相邻快照归一化相关量化时间结构；消融显示去掉完整 LSTM 时序条件后，模型在约 10 dB 以上劣于可分离 LMMSE。

设计可学习 SNR 门控后期融合捷径，用带可训练中心与尺度的 sigmoid 门把网络输入重注入最后解码阶段，在高 SNR 保留观测细节、低 SNR 依赖生成先验，缓解过平滑。 以往扩散估计器缺少在宽 SNR 范围内显式调节观测保真与生成先验权重的机制；该门控把这一权衡参数化为随 SNR 变化的可学习信任机制。 消融显示，从 LSTM 条件模型中移除该门控捷径后，高 SNR 性能下降并在约 15 dB 以上落后于 LMMSE；保留门控但缺少完整 LSTM 时序条件时，在约 10 dB 以上落后于 LMMSE。

采用确定性 DDIM 风格反向更新与 SNR 自适应截断和步数分配，把观测 SNR 匹配到扩散调度有效 SNR 以确定起始时间步，高 SNR 少步、低 SNR 多步，从而改善精度—时延权衡。 相对固定采样步数的扩散估计器，该策略按样本 SNR 自动分配反向步数，高 SNR 常达到 1 步最小值，并对最大步数设上限。 在 AMD 9950X CPU 与 NVIDIA RTX5090 GPU 上以批大小 1、预热后 50 次重复计时测量；单步耗时 13.2 ms 高于 Fesl 等轻量基线的 1.7 ms，但总时延由反向更新次数主导，因而整体仍具竞争力。

在标准化时变信道仿真中，完整 GSL-Diffusion 在约 -10 至 20 dB 的几乎全 SNR 范围内取得最优 NMSE，优于 LS、LMMSE 与扩散基线。 相较既有扩散信道估计基线，该工作同时引入时序条件与 SNR 门控捷径，二者被消融证明对避免高 SNR 过平滑、保持低 SNR 生成去噪均属必要。 结果以 NMSE（dB）对 SNR 报告，并可按移动性（速度/多普勒）与场景分组；对比对象包括 LS、LMMSE 以及相同采样策略下不同条件器/捷径的扩散消融。

该结果面向采用全向单极化 ULA 的窄带 MIMO 链路，信道由 QuaDRiGa 在 3GPP TR 38.901 UMa/UMi、LOS/NLOS 城市场景下生成，快照间隔与速度范围覆盖行人到高移动；方法适用于角域能量集中、帧间相关较强的时变信道，并假设可获得 LS 观测与 SNR 信息。对希望降低扩散估计器推理时延的物理层研究者与实现者，该工作给出可复用的设计范式：序列级条件编码、SNR 门控融合与按 SNR 截断采样。

原文以图 4、图 5 呈现 NMSE 与推理时延曲线，正文未给出逐 SNR 的具体数值，因此难以从文本独立复核各基线的精确差距；门控中心与尺度的学习值、各 SNR 下的实际步数分布也未在正文列出。数据集为 QuaDRiGa 仿真，未包含实测信道或硬件原型验证，向真实部署迁移时的表现仍是开放问题。此外，最大步数上限的具体取值与低 SNR 时延上界需结合图表确认。