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

通过使用 transformer 结构进行特征提取，以实现图像压缩和紧凑表示，从而优化语义通信的质量和带宽利用效率。

May, 2024

探索利用深度学习技术实现联合感知和通信，并通过引入语义通信进行扩展的论文。通过将编码器和解码器应用于无线信道上的发射机和接收机，实现源编码、信道编码、调制、解调、信道解码和源解码的联合操作。通过多任务学习对这些深度神经网络进行联合训练，在考虑数据和信道特性的基础上，通过引入任务分类器扩展到语义通信，从而在接收信号的标签分类中提高语义集成效果。该研究基于 CIFAR-10 数据集，并考虑加性白高斯噪声（AWGN）和瑞利衰落等信道效应，得出了多任务深度学习在实现高保真联合感知和语义通信方面的有效性。

Nov, 2023

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

通过使用可重新配置的智能表面和空中衍射深度神经网络的新方法，该文论述了基于 RIS 的空中语义通信，介绍了其系统模型、数据和控制流以及性能分析，并与传统硬件方法进行了比较。

Dec, 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

本文提出了一种文本语义传输框架，利用先进的自然语言处理技术对句子进行建模和编码，以实现鲁棒传输。该方法利用神经网络和注意机制在具有挑战性的无线环境中提供可靠高效的文本数据传输，通过对语义相似性和双语评估的模拟结果证明了该模型的优越性。

Jul, 2023

我们提出了一种新颖的 AI 本地目标导向通信设计，利用变换器神经网络在带宽和计算的动态推理约束下。

Apr, 2024

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

语义通信在增强数据传输效率方面具有很大潜力。本文针对干扰情景与基准方案进行了比较研究，提出了一种抗干扰的语义通信方案。该方案基于神经网络（NNs）开发了收发机，它可以单独在接收端或发送端和接收端都集成信道状态信息（CSI）。我们还建立了一个综合损失函数来训练 IRSC 收发机，并采用动态机制来更新损失函数中各个部分的权重，以提高系统对用户的公平性。实验结果表明，所提出的 IRSC 方案能有效地学习抑制干扰，在低信噪比（SNR）环境中优于基准方案。

Apr, 2024