固定源叠加和频率划分限制了 ISAC 中通信内容与探测参考的交互。我们在跨尺度上学习非线性波形融合，实现图像传输和多目标在距离和角度上的定位。接收端利用两端可得信息。自适应时间特征加权和谱更新将图像特征与确定性的线性调频参考在共享复数状态中结合，生成在阵列帧内能量固定的波形。用户设备端，参考信号和信道状态信息条件化神经解混网络用于图像重建。基站端，实现的发射脉冲构成相干字典，用于顺序定位，并通过学习的局部校正、物理细化和残差更新提升精度。我们在 512 张独立测试图像上，将所提波形与时域叠加和学习的谱线性融合进行比较，使用统一的 UE 接收机和基于相干峰值搜索的基线感知接收机。对十一种任务权重的平均结果表明，所提波形在归一化定位误差上分别降低 29.0% 和 27.0%，同时平均峰值信噪比提升 1.40 dB 和 0.82 dB。固定波形下，学习的局部校正相较于未使用校正的顺序接收机可再降低 12.2% 的平均归一化定位误差。
点评