移动通信系统网络的规划、部署和优化都不同程度依赖于参考信号接收功率（RSRP）估计的准确性。传统上，基站覆盖小区内某信号接收点的RSRP可由对应的无线传播模型估计。在城市环境中，不同小区的无线传播模型需要使用大量RSRP实测数据校正。由于不同小区环境存在差异，经过校正后的模型只适用于对应小区，且小区内的RSRP估计精度低。针对上述问题，将RSRP估计问题转化为图去噪问题，并通过图像处理与深度学习技术得到小区级无线传播模型，不仅能实现小区整体的RSRP估计，且能适用于相似环境小区。首先，通过随机森林回归器逐点预测每个接收点的RSRP，得到整个小区的RSRP估计图；然后，将RSRP估计图和实测RSRP分布图之间的损失视为RSRP噪声图，提出基于条件生成对抗网络（CGAN）的图去噪RSRP估计方法，通过电子环境地图反映小区的环境信息，有效地降低不同小区的RSRP。实验结果表明，在无实测数据的跨小区RSRP预测场景下，所提方法预测RSRP的均方根误差（RMSE）为6.77 dBm，相较于基于卷积神经网络的RSRP估计方法EFsNet下降2.55 dBm；在同小区RSRP预测场景下，相较于EFsNet，模型参数量减小80.3%。
