文章总结： 该论文提出PWC-Diff框架，将物理信道先验融入扩散模型预训练，通过FusedFormer架构联合学习信号时频特征，实现在反向扩散过程中同步去除信道失真和噪声。实验表明该方法在三个无线信号识别任务中达到最先进性能，消融研究验证了去信道模块的有效性。研究为无线通信系统提供了可操作的信号恢复方案，代码已开源。 综合评分： 87 文章分类： AI安全,技术标准,解决方案

ICML 2026 | 将物理信道先验融入扩散模型预训练的无线电信号理解模型 PWC-Diff

原创

刘曜齐 刘曜齐

北邮 GAMMA Lab

2026年5月19日 12:41 北京

在小说阅读器读本章

去阅读

近日，北邮 GAMMA LAB 实验室和鹏城国家实验室合作的无线信号识别工作 PWC-Diff 录用为ICML 2026 Spotlight，下面是论文的详细介绍：

• 论文作者：Yaoqi Liu, Jin Wang, Chunchen Wang, Hui Wang, Chuan Shi
• 论文链接：http://www.shichuan.org/doc/227.pdf
• 仓库代码：https://github.com/BUPT-GAMMA/FoundWSR

1. 摘要

近年来，利用人工智能识别被动接收无线电信号特性的无线信号识别（WSR）技术因其在频谱管理等领域的广泛应用而备受关注。现有的WSR方法通常直接从接收信号中学习，而接收信号会受到物理无线信道效应（例如衰减）的影响而失真。此外，当前去噪扩散模型缺乏去信道能力，导致性能下降。

因此，我们提出了一种名为 PWC-Diff 的新型框架，该框架将先验的物理信道信息融入到去噪扩散过程中。该框架采用了一种名为 FusedFormer 的专用架构，其中包含一个融合模块和一个自注意力模块，用于联合捕获信号在整个扩散轨迹中的时域和频域特性。通过利用先验的无线信道信息，PWC-Diff 能够逐步学习对接收信号进行“去信道”，并恢复出更接近发送信号的表示。在三个 WSR 任务的多个数据集上进行的大量实验取得了最先进的性能，这证明了我们理论的合理性，消融实验进一步说明了我们提出的 PWC-Diff 的有效性。

图1：传统扩散模型 v.s PWC-Diff 模型

2. 核心方法

我们提出了一种名为 PWC-Diff 的扩散框架，它能够联合去除信道失真和噪声来学习更接近发射信号的表示，进而用于无线信号识别。如图1所示，我们参考物理通信系统，从受物理信道效应和噪声影响的接收信号  开始。

• 在前向过程中，我们逐步用学习到的信道效应和高斯噪声污染  。
• 在反向过程中，主模型学习逆转这种影响，有效地执行去信道和去噪声。

在预训练阶段，模型学习映射  。在推理阶段，我们假设学习到的 CPE-Net 能够近似真实的信道分布，并将训练好的主模型应用于 ，得到用于下游 WSR 任务的表示  。为了捕捉丰富的时域-频域特征，我们借鉴SpectrumFM 和 IQformer 的方法，设计了 FusedFormer 作为主模型，该模型专门针对扩散进行了优化。

图2：PWC-Diff 模型框架

2.1 结合先验物理信道的扩散模型

前向过程：给定 IQ 数据  和通信模型 ，我们通过在  个步骤内逐步引入物理信道效应和高斯噪声来构建前向扩散过程。同时，考虑到真实物理信道很复杂，且难以直接获得，我们用一个简单的神经网络，通过估计一组预定义信道模型参数的形式来表示，于是步骤  的噪声观测值  由下式获得

其中  表示卷积， 表示高斯噪声， 表示信道脉冲响应。而傅里叶变换可以将卷积变为元素乘，且可以得到信号的频谱，因此我们前向过程最终表示为

其中，, ，是傅里叶变换运算符，，代表元素乘。

反向过程：类似的，反向过程主要用于恢复原始的IQ数据，最后我们的优化目标为

其中是可学习的主网络。

2.2 神经网络架构

在我们的工作中，我们引入了两个神经网络组件：信道参数估计网络（CPE-Net） 和主去噪模型（FusedFormer）。

CPE-Net主要采用候选模型参数估计的策略，通过提取IQ信号的时域和频域特征，结合MLP预测各个信道模型的参数。通过理论和实验证明该网络不能是随机的简单的神经网络，否则，导致整体模型退化为普通的扩散模型。

FusedFormer主要借鉴IQFormer的思想，通过融合的方式将信号的时域频域特征融合，交由以自注意力机制为核心的网络进行特征学习。

3. 实验

我们进行了多个实验，证明了PWC-Diff的优异效果以及去信道和去噪的能力。

3.1 主实验结果如下

表1：不同模型整体准确率

图3：不同SNR条件下效果可视化

3.2 消融实验

以下是分别在RML2016.10A、RML2022去除/添加候选信道后的结果

表2：不同候选信道模型消融结果 (在RML2016.10A上)

表3：不同候选信道模型消融结果 (在RML2022上)

3.3 案例分析

以下是原始信号和选择不同实现方式的案例对比。其中Baseline Channel代表使用MLP实现，Proposed Channel代表使用CPE-Net实现。

图4：不同信道建模策略下的信号频谱比较

4. 致谢

我们在此由衷感谢鹏城国家实验室对本工作的大力支持。如果您对本工作感兴趣，欢迎邮件联系：[email protected]。

对于本文所用代码集成在我们往期代码框架FoundWSR，往期参考：ICLR 2026 | 基于扩散模型的信号预训练模型TS-DDAE，未来将持续更新，我们欢迎大家提出宝贵的建议帮助我们共同建设。

—— END ——

北邮 GAMMA LAB 公众号

主编：石川

责任编辑：杨成

本期编辑：赵明宇

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：北邮 GAMMA Lab 刘曜齐 刘曜齐《ICML 2026 | 将物理信道先验融入扩散模型预训练的无线电信号理解模型 PWC-Diff》