该研究使用深度神经网络对图像进行压缩，提出了基于特征向量直接映射信道输入的联合源通道编码方法，提高了端到端准确性，加快编码操作，适用于受电力和时延限制的物联网应用。

Oct, 2019

通过使用基于深度学习的通信方法，我们提出了一个用于适应带宽传输图像的方案，并考虑由接收器聚合以提高重建质量的图像逐层传输的情形。我们提出了 DeepJSCC-l，这是第一个为实际信息源和信道开发和测试的多描述 JSCC 方案，并具有与数字渐进传输方案相媲美的性能。

Sep, 2020

本文提出了基于深度学习的通信方法，用于通过无线信道逐步改进图像质量。结果表明，相对于现有数字通信技术，该方法在低信噪比和低带宽情况下具有更好的性能，且可以成功学习分层表示，达到接近单层方案的性能。

Mar, 2019

该研究提出了一种基于卷积神经网络的自编码器的无线图像传输联合源和信道编码技术，可提高信噪比和信道带宽性能，在慢 Rayleigh 衰落信道中具有噪声鲁棒特性。

Sep, 2018

本文提出了两种基于深度生成 (deng) 模型的联合源信号编码方案，分别是 InverseJSCC 和 GenerativeJSCC。通过介绍一种基于修改 DeepJSCC 的逆问题方法和一种端到 dalou 训练的 JSCC 方法，本文显示了这些方法在视觉感知质量方面的改进。

Nov, 2022

利用预训练的文本到图像扩散模型，提出了一种名为 DiffJSCC 的新框架，用于增强信道传输的图像的逼真度，通过利用空间和文本特征以及信道状态信息（如信噪比）对预先训练的稳定扩散模型进行微调，实验证明该方法在感知度量方面显著优于常规方法和以往的深度联合源信道编码方法，尤其在信道条件差和带宽有限的情况下表现出色，即使在 1dB 信噪比下，DiffJSCC 也能以每像素不到 0.008 个符号的速度对 768x512 像素的 Kodak 图像进行高度逼真的重建。

Apr, 2024

提出一种基于源信号与信道联合编码、优化的机器学习方法 DeepJSCC-Q，用于无线图像传输，能够在信道输入固定的情况下实现与传统连续值信道输入方法相似的性能表现，并保持图像质量的优雅退化特性，具有更多实际系统的部署价值。

Nov, 2021

本文提出了一种新的适应性深度联合源通信信道编码方案，支持多速率传输，使用单个深度神经网络模型，并通过政策网络动态控制速率，该方案是首个能够使用单个网络模型自动调整速率的深度联合源通信信道编码方案。

Oct, 2021

通过自编码机（autoencoder）我们提出了一种新的 JSCC 方案，将无噪声或有噪声的信道输出反馈引入到传输系统中，以提高接收端的重建质量或平均延迟，并展示了现代机器学习技术在通信领域中的应用。

Nov, 2019

本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

Dec, 2023