저고도 UAV 의미 전송을 위한 예측 채널 스케줄링 및 생성 복원

초록

**
본 논문은 저고도 UAV의 다운링크에서 급변하는 A2G 채널을 고려해, 이미지의 구조와 텍스처를 분리하고 각각에 맞는 오류 보호를 적용하는 예측 기반 스케줄링 프레임워크를 제안한다. 구조 스트림은 신뢰도가 높은 슬롯에 우선 전송하고, 텍스처는 조건부 생성 모델을 이용해 손실된 부분을 복원한다. 실험 결과, 기존 단일 스트림 DeepJSCC 대비 PSNR이 5.6 dB 향상되고, 채널 예측 오차에도 강인함을 보인다.

**

상세 분석

**
이 연구는 저고도 UAV가 지상 사용자에게 영상을 전송할 때, LOS/NLOS 전이와 급격한 그림자 변동으로 인해 SNR이 시간에 따라 크게 변동하는 현실적인 A2G 채널 모델을 채택한다. 기존 DeepJSCC는 순간 CSI에만 의존해 전체 라틴트를 동일하게 전송하므로, 깊은 페이딩 구간에서 구조와 텍스처가 동시에 손상돼 의미 손실이 발생한다. 논문은 이러한 문제를 “구조‑텍스처 분리”라는 새로운 의미적 인코딩 패러다임으로 해결한다.

먼저, ST‑VAE(Structure‑Texture Variational AutoEncoder)를 설계해 이미지의 고정적인 기하 구조(z_s)와 확률적 세부 텍스처(z_t)를 각각 별도의 라틴트로 추출한다. 구조 라틴트는 deterministic encoder를 통해 직접 복원되며, 하나의 전역 블록으로 처리해 전송 비용을 최소화한다. 반면 텍스처 라틴트는 가우시안 사후분포 q_ϕ(z_t|x)로 모델링하고, 조건부 사전 p_ψ(z_t|z_s)를 도입해 수신 측에서 누락된 텍스처 블록을 구조 라틴트에 기반해 샘플링하도록 설계한다. 이는 채널이 불안정한 구간에서 텍스처 손실을 허용하고, 대신 생성 모델이 시각적으로 일관된 보완을 제공하게 한다.

채널 측면에서는, UAV의 궤적과 과거 SNR 측정을 입력으로 하는 신경망 기반 예측기 F_ϕ를 사용해 향후 K 슬롯의 SNR을 예측한다. 예측된 SNR을 기반으로 “사용 가능 슬롯”(γ̂_k ≥ γ_min)을 선정하고, 각 슬롯에 할당할 샘플 수 n_k를 로그 용량 근사인 log₂(1+γ̂_lin)에 비례하도록 배분한다. 이렇게 얻어진 예산은 정수화 후 남은 샘플을 가장 높은 잔여분을 가진 슬롯에 추가 배정해 총 예산 n_tot을 정확히 사용한다.

스케줄링 단계에서는 구조 블록을 우선적으로 신뢰도가 높은 슬롯에 할당하고, 텍스처 블록은 예측된 여유가 있는 슬롯에 분산시킨다. 전송 중 실제 SNR γ_k가 예측과 차이가 나더라도, 구조 블록이 손실될 확률이 낮아 의미 손상이 최소화된다. 수신 측에서는 손실된 텍스처 블록을 조건부 사전으로부터 샘플링하고, 구조 라틴트와 결합해 최종 이미지를 복원한다.

학습 목표는 재구성 손실 L_rec(픽셀 L2 + 퍼셉추얼)과 KL 발산(텍스처 사후와 조건부 사전 사이) 및 구조 정규화(L_str)를 가중합한 라그랑지안 형태이며, 텍스처 블록을 무작위 마스킹해 조건부 복원 능력을 강화한다. 실험에서는 PSNR 기준 5.6 dB 향상을 입증했으며, 채널 예측 오차가 큰 경우에도 구조 복원률이 크게 떨어지지 않아 의미적 견고성을 확인했다.

핵심 인사이트는 (1) 의미적 라틴트를 구조와 텍스처로 명시적으로 분리함으로써 서로 다른 보호 수준을 적용할 수 있다는 점, (2) UAV 궤적 기반 SNR 예측을 활용해 전송 예산을 사전 할당함으로써 “예측‑선제” 스케줄링이 가능하다는 점, (3) 조건부 생성 모델을 이용해 손실된 텍스처를 복원함으로써 채널 깊은 페이딩 구간에서도 시각적 품질을 유지한다는 점이다. 이러한 설계는 향후 저지연, 고신뢰가 요구되는 UAV 기반 영상 전송 시스템에 적용 가능하며, 다른 의미 전송 시나리오(예: 라이다 포인트 클라우드, 비디오 스트림)에도 확장될 여지가 크다.

**