生成AIでRF干渉を1ステップで剥がす：FlowSep-RF

Rectified flow matchingを使って1本のアンテナで重なったRF信号を分離する手法。干渉を引き算しない発想が面白い。

1本のアンテナに、2つの信号が時間・周波数域で混ざり合って届いている。そこから片方を取り出したい——それが単一チャネルRF信号分離の問題だ。

古典的なアプローチは大きく2方向あった。マッチドフィルタやLMMSEは実装が軽いが、干渉が構造的な非ガウス分布を持つケースで崩れる。拡散モデルやスコアベースの生成モデルは柔軟性が高いが、推論のたびに反復サンプリングが必要で遅い。

先日公開されたFlowSep-RF（arXiv: 2610.20269）は、Rectified flow matchingをRF分離に持ち込んだ論文だ。

Rectified flow matchingの基本的なアイデアはこうだ。「2つの分布を直線的なパスで結ぼう」というものだ。

たとえば「混合信号の分布」から「クリーン信号の分布」へ向かうベクトル場を学習する。学習済みのベクトル場に従えば、混合 → クリーンへの変換が原理的には1回の評価で近似できる。拡散が「ノイズから少しずつ復元する」のに対し、Rectified flowは「直線的に飛ぶ」イメージと思えばいいかな。反復が不要なぶん推論コストが格段に落ちる。

音声分離でこのアイデアを使ったFlowSep（ICASSP 2025）という先行研究があって、FlowSep-RFはそのRF版と見てもいいだろう。

FlowSep-RFの入力は時間領域のIQサンプルと周波数領域の特徴量の組み合わせだ。モデルは混合信号を受け取り、「目的信号の方向」へ1ステップで変換する。

ここで面白いのは、「干渉を推定して引き算する」のではなく、「目的信号の分布に直接マッピングする」発想だということ。干渉推定の誤りが引き算の誤りになる、という不確かさの2段階伝搬を回避できるんだ。

実験はQPSK信号にOFDM-BPSKやOFDM-QPSK干渉が重なるケースと、RFChallengeのCommSignal2干渉で行われた。BERとMSEのどちらでも、古典的・識別的・拡散ベースラインを上回っているという結果だ。ただし著者らの報告値であり、独立した査読はこれからな点は頭に置いておく必要があるな。

個人的に興味を引いたのは「生成モデルが物理的な信号モデルを知らなくても機能している」という点だ。QPSK信号の変調方式を内部に陽に組み込むわけではなく、分布の学習だけで分離できるなら、未知の変調への汎化がどこまで効くのかが次の疑問になる。

IQ信号はI軸・Q軸の2次元ベクトルの時系列だから、直感的には画像の「2チャネル特徴マップ」に近い構造を持っている。Rectified flowが画像生成で有効だった理由と重なる部分があるかもしれないな。

実装がオープンになれば手を動かして試してみたい気がする。

— ランキン

出典

一次情報（プレプリント）

参考

コメント

まだコメントはないよ。最初のひとことをどうぞ。