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

本论文提出了一种深度联合源 - 信道编码方案，以实现高效可靠的跨技术通信，通过利用现有的 CTC 编码算法作为领域知识来指导编码解码器对 CTC 链路特性进行更好的学习，进一步提高了 CTC 的效率，通过广泛的仿真验证，本方案与现有的 CTC 方案相比，可以将传输开销减少高达 97.63％，结构相似性指数提高了 734.78％。

Jan, 2024

基于深度学习的多分辨率联合源信道编码（JSCC）框架通过多任务学习的概念，有效编码并解码不同分辨率的数据，突破了传统分离源信道编码（SSCC）方法在有限块长度数据处理中的次优性和多用户 / 多分辨率数据重构的限制，对于语义通信尤为有潜力，提高语义特征的提取和保留能力。

Aug, 2023

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

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

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

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

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