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

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

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

提出了一种新颖的语义通信系统，该系统采用共享的知识库，并利用共享的知识库中的消息和相应知识来获取剩余信息，从而实现更少符号的传输，并且在语义性能方面没有降级。

Nov, 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

该文论述了语义通信的概念和理论框架，重点探讨了基于深度学习的语义通信系统设计及其性能度量，最终提出若干该领域的待解决问题。

Dec, 2021

本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC，该系统通过模型裁剪，低权重分辨率，优化语义星座，以及使用信道状态信息辅助训练等技术，旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明，在低信噪比环境下，该系统可实现高达 40 倍的数据压缩比，而不影响传输性能。

Jul, 2020

将大型语言模型和生成模型整合到新兴的语义交流模式中，我们提出了一种新的面向语言的语义交流框架（LSC）。在 LSC 中，机器使用人类语言消息进行交流，可以通过自然语言处理技术进行解释和操作以提高语义交流效率。通过引入三种创新算法：1）语义源编码（SSC）将文本提示压缩为捕捉提示的句法本质的关键词，同时保持它们的出现顺序以保持提示的上下文；2）语义通道编码（SCC）通过用更长的同义词替换关键词来提高对错误的鲁棒性；3）语义知识蒸馏（SKD）通过在上下文中学习听者的语言风格生成定制的提示。在一项渐进文本到图像生成的通信任务中，所提出的方法在减少传输次数的同时实现更高的感知相似度，并提高在嘈杂的通信信道中的鲁棒性。

Sep, 2023

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

在单个和多个干扰者的无线电频率干扰的情况下，研究了名为 DeepSC 的文本 SemCom 系统的性能极限，并通过引入一个明确的概率框架来展示，当单个和多个干扰者的 RFI 功率变得非常大时，DeepSC 会产生语义上不相关的句子。这些性能极限提供了有关 IR2 SemCom 设计的设计思路，并揭示了 DeepSC 和 SemCom 对 RFI 的漏洞，同时还启发了其他文本 SemCom 技术的性能分析。

Feb, 2023