Paper-with-Code-of-Wireless-communication-Based-on-DL
Paper-with-Code-of-Wireless-communication-Based-on-DL 是一个专注于整理“深度学习 + 无线通信”领域开源论文与代码的资源库。随着深度学习在通信研究中的广泛应用，许多前沿论文往往缺乏配套代码，导致复现困难、入门门槛高。该项目旨在解决这一痛点，系统性地收集并分类那些已公开源代码的高质量论文，涵盖物理层优化、资源分配、分布式学习、网络切片、物联网应用及安全通信等多个细分方向。
它特别适合通信专业的研究生、高校科研人员以及从事相关算法开发的工程师使用。无论是希望快速了解领域动态，还是寻找可复现的基准模型进行二次开发，用户都能在这里找到有价值的参考实现。项目不仅提供论文链接和对应代码仓库地址，还持续通过自动化手段每日更新最新成果，并鼓励社区共同贡献缺失条目。其结构清晰、分类明确，兼具学术严谨性与工程实用性，是进入该交叉研究领域的高效起点。
使用场景
某通信实验室的硕士研究生正致力于研究“基于深度学习的鲁棒信道估计”，试图复现一篇顶会论文中的扩散模型算法以验证其在低信噪比下的性能。
没有 Paper-with-Code-of-Wireless-communication-Based-on-DL 时
- 检索效率极低：需要在 arXiv、IEEE Xplore 等多个平台手动筛选海量论文，难以快速定位到同时具备“开源代码”和“高相关性”的研究成果。
- 复现门槛过高：找到的多数高质量论文未公开代码，或代码散落在作者个人主页甚至已失效，导致无法验证算法有效性，陷入“纸上谈兵”的困境。
- 方向摸索盲目：缺乏系统性的分类指引，不清楚物理层优化、资源调度等细分领域有哪些成熟的基线模型（Baseline），容易在过时的方法上浪费时间。
- 环境配置困难：即便找到代码，往往缺少明确的依赖说明或数据集链接，配置仿真环境（如 Sionna 库）需耗费数周时间排查错误。
使用 Paper-with-Code-of-Wireless-communication-Based-on-DL 后
- 精准直达目标：通过"Physical layer optimization"分类直接锁定《Deep Diffusion Models for Robust Channel Estimation》及其对应的
diffusion-channels仓库，秒级获取论文与代码链接。 - 复现流程顺畅：直接克隆经过验证的开源项目，利用仓库中完整的训练脚本和预训练模型，将原本需要一个月的复现周期缩短至三天。
- 技术视野开阔：借助清晰的目录结构，快速对比了 LoRD-Net、MetaCC 等不同架构的优劣，迅速确立了适合当前课题的改进切入点。
- 生态工具赋能：顺藤摸瓜发现并集成了列表中推荐的
sionna开源库，解决了底层信号处理模块的构建难题，专注于核心算法创新。
Paper-with-Code-of-Wireless-communication-Based-on-DL 将通信与深度学习交叉领域的碎片化资源转化为结构化知识，极大地降低了科研入门门槛并加速了可复现研究的落地。
运行环境要求
- 未说明
未说明
未说明
快速开始
对于英文读者，请参阅英文版。
随着深度学习的发展，使用深度学习解决相关通信领域问题的研究也越来越多。作为一名通信专业的研究生，如果实验室没有相关方向的代码积累，入门并深入一个新的方向会十分艰难。同时，大部分通信领域的论文不会提供开源代码，reproducible research比较困难。
基于深度学习的通信论文这几年飞速增加，明显能感觉这些论文的作者更具开源精神。本项目专注于整理在通信中应用深度学习，并公开了相关源代码的论文。
个人关注的领域和精力有限，这个列表不会那么完整。如果你知道一些相关的开源论文，但不在此列表中，非常欢迎添加在issue当中，为community贡献一份力量。欢迎交流^_^
温馨提示:watch相较于star更容易得到更新通知 。
TODO
- 按不同小方向分类
- 论文添加下载链接
- 增加更多相关论文代码
- 在daily_arxiv这个repo下会以daily为尺度更新
eess.SP和cs.IT分类下开源的代码论文 - 该Repo通过爬虫+Github Action实现每日自动更新
- 在daily_arxiv这个repo下会以daily为尺度更新
- 传统通信论文代码列表
- “通信+DL”论文列表（引用较高，可以没有代码）
目录 （Contents)
- Topics
- Machine/deep learning for physical layer optimization
- Resource, power and network optimization using machine learning techniques
- Distributed learning algorithms over communication networks
- Multiple access scheduling and routing using machine learning techniques
- Machine learning for network slicing, network virtualization, and software-defined networking
- Machine learning for emerging communication systems and applications (e.g., IoT, edge computing, caching, smart cities, vehicular networks, and localization)
- Secure machine learning over communication networks
Topics
Physical layer optimization
资源与网络优化
通信网络上的分布式学习算法
基于机器学习技术的多址接入调度与路由
软件定义网络中的机器学习
| 论文 | 代码 |
|---|---|
| DELMU：一种最大化虚拟化毫米波回传效用的深度学习方法 | ruihuili / DELMU |
| ns-3遇见OpenAI Gym：网络研究中机器学习的游乐场 | ns3-gym |
面向新兴通信系统与应用的机器学习
通信网络上的安全机器学习
| 论文 | 代码 |
|---|---|
| 针对端到端自动编码器通信系统的物理对抗攻击 | https://github.com/meysamsadeghi/Security-and-Robustness-of-Deep-Learning-in-Wireless-Communication-Systems |
| 用于高斯窃听信道的深度学习 | NN_GWTC |
“通信+DL”论文（无代码)/Paper List Without Code
说明：论文主要来源于arxiv中Signal Processing和Information Theory
- 具有单比特ADC的MIMO系统鲁棒数据检测：一种强化学习方法
- 大型能量采集网络的分布式功率控制：一种多智能体深度强化学习方法
- 用于无线通信信道建模的机器学习：综述
- Massive MIMO系统中总频谱效率最大化：深度学习带来的益处
数据集/Database
- Wireless-Signal-Strength-on-2.4GHz-WSS24-dataset: 用于RSSI分析的数据集
- MetaCC: 面向元学习的信道编码基准测试平台（A Channel Coding Benchmark for Meta-Learning）
- thymio-radio-map: OpenCSI：基于CSI指纹的室内定位开源数据集（OpenCSI: An Open-Source Dataset for Indoor Localization Using CSI-Based Fingerprinting）
- The DeepMIMO Dataset 及其相关论文 DeepMIMO: A Generic Deep Learning Dataset for Millimeter Wave and Massive MIMO Applications
- RAYMOBTIME: Raymobtime是一种用于模拟无线通信的、可收集真实场景数据的方法。它结合了射线追踪技术与包含移动性和时间演化的三维场景，以实现时间、频率和空间上的一致性。
- MASSIVE MIMO CSI MEASUREMENTS
- [SM-CsiNet+ 和 PM-CsiNet+] (https://drive.google.com/drive/folders/1_lAMLk_5k1Z8zJQlTr5NRnSD6ACaNRtj?usp=sharing): 来自论文 Convolutional Neural Network based Multiple-Rate Compressive Sensing for Massive MIMO CSI Feedback: Design, Simulation, and Analysis
- 一个开放的在线真实调制信号数据集: 来自论文 Deep Learning for Signal Demodulation in Physical Layer Wireless Communications: Prototype Platform, Open Dataset, and Analytics。
据我们所知，这是首个面向无线通信系统的公开真实调制信号数据集。
- RF DATASETS FOR MACHINE LEARNING
- 开放数据集: 来自论文 Signal Demodulation With Machine Learning Methods for Physical Layer Visible Light Communications: Prototype Platform, Open Dataset, and Algorithms
该数据集是在真实的物理环境中采集的，信道受到多种因素影响，如LED带宽受限、多径反射、干扰或持续性阻塞等。
学者个人主页/Researcher Homepage
- Dr. Zhen Gao (高镇):
- 无线通信
- 毫米波/太赫兹混合大规模MIMO信道估计
- 稀疏信号处理
- 基于深度学习的无线系统解决方案
- Ahmed Alkhateeb: 研究兴趣
- 毫米波与大规模MIMO通信
- 车载及无人机通信系统
- 机器学习在无线通信中的应用
- 构建真正可用的移动通信系统！
- Emil Björnson: 他的研究方向包括多天线通信、大规模MIMO、无线资源分配、能效通信以及网络设计。
- Leo-Chu: 他的研究兴趣集中在随机矩阵理论、非凸优化、深度学习的理论与算法研究，以及这些技术在无线通信、生物工程和智能电网中的应用。
有用的网页和材料/Useful Websites and Materials
- 基于图的深度学习在通信网络中的应用综述: GNN-Communication-Networks
- 机器学习与通信结合论文列表/Research Library
- 通信领域机器学习最佳阅读推荐
- 林雪平大学通信系统课程视频
- 智能反射面（IRS）相关代码
- awesome-ml4co: 一份利用机器学习技术解决组合优化问题的论文列表。
- 来自comsoc的仿真代码
贡献者/Contributors：
- WxZhu:
- LinTian
- HongtaiChen
- yihanjiang
- wu huaming:
版本更新/Version Update：
- 第一版完成/First Version：2019年2月21日
- 分类整理及链接补全/First Version: 2021年4月14日，由Yokoxue完成
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。