提出了一种基于深度学习的语义通信系统 DeepSC，使用 Transformer 来重构语句的含义，最大化系统容量并最小化语义错误，同时采用迁移学习以适应不同的通信环境，并提供了一个新的度量标准，命名为句子相似性。深度语义通信系统在低信噪比的情况下表现更好，比传统的非语义信息传播的系统更稳健。

Jun, 2020

提出了基于联邦学习的语义通信框架（FLSC），旨在通过全局聚合改善多任务分布式图像传输，其中每个用户的每个链接由基于分层视觉变换器（HVT）的提取器和适应特定任务的适应性翻译器组成。通过仿真实验结果表明，FLSC 在粗略语义信息方面表现优秀，并在低信噪比和信道带宽比场景中明显优于传统方案。

Aug, 2023

提出了一种用于 AIoT 中高效图像通信的新型深度图像语义通信模型，通过语义分割算法实现对图像的高精度语义信息提取以实现图像数据的显著压缩，通过基于生成对抗网络的语义图像恢复算法将语义图像转换为具有详细信息的实景图像，结果表明，与 WebP 和 CycleGAN 相比，所提出的图像语义通信模型在图像压缩比和恢复准确度上平均分别提高了 71.93% 和 25.07％，而且与原始图像传输相比，我们的演示实验证明该模型可以将传输中的总延迟减少了 95.26％。

Nov, 2023

本研究提出了一种基于深度神经网络和迁移学习的语义通信系统，名为 MR_DeepSC，此系统解决了多用户情况下应用语义通信的问题，并在低信噪比条件下实现了最佳性能。

Sep, 2022

该研究通过设计一种基于深度学习和注意机制的语音语义通信系统 DeepSC-S，以提高在噪音环境下的语音信号精度和鲁棒性，并在电话和多媒体传输系统中进行了实践验证。研究证明 DeepSC-S 在语音信号指标方面优于传统通信方法，并且在低信噪比环境中表现更加出色，这可以通过提供更高的权重来识别必要的语音信息。

Feb, 2021

该研究基于潜在扩散模型构建了一种语义交流系统，并通过三项改进，即异常值鲁棒编码器、轻量级单层潜在空间转换适配器和端到端一致性精炼策略，证明了该系统对异常值的稳健性、在未知分布数据传输中的适应能力以及保持高人类感知质量的实时信道去噪任务能力，优于现有的去噪方法。

Jun, 2024

本文提出了一种新的神经网络语义通信系统，包括语义编码网络和数据适应网络，通过传输学习中的域适应技术实现了针对动态数据环境下的任务不可知的图像传输，实验结果表明该方法在保持高性能的同时也能适应可观测数据集。

Apr, 2022

通过利用用户数据来解决隐私问题，降低信息传输量并减少网络流量，我们在联邦学习设置中探索语义通信，并提出了一种称为 FedLol 的机制来聚合来自客户端的全局模型，与基线方法相比，详尽的模拟结果证明了我们提出的技术的有效性。

Oct, 2023

本文提出了一种基于深度学习（DL）和向量量化（VQ）的语义通信系统 VQ-DeepSC，通过卷积神经网络（CNN）提取图像的多尺度语义特征并利用多尺度语义嵌入空间实现语义特征量化，从而使数据兼容数字通信系统，同时通过对抗训练引入 PatchGAN 鉴别器来提高接收图像的质量。实验结果表明，与 BPG 在数字通信系统方面相比，所提出的 VQ-DeepSC 具有更强的鲁棒性，并且在 MS-SSIM 性能方面与 DeepJSCC 方法相当。

Sep, 2022

本文研究了如何通过深度神经网络的测量压缩和推理，实现 IoT 数据通信的有效率，并在实验中取得了 96% 的数据传输量节省和 2.5% 推理准确度下降的成果。

Mar, 2020