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

该研究提出了一种基于多模态语义信息传输的图像传输方法，通过提取多模态语义信息并传输，接收方使用图像生成模型生成多张图像，并根据语义相似性进行选择。研究探索了评估原始图像和生成图像的语义特征相似性的新指标，并表明所提出的方法可促进通过移动网络进行各种服务应用的照片的传输与利用。

Apr, 2024

本文提出了一种基于强化学习的自适应语义编码方法 (RL-ASC)，通过卷积语义编码器将图像数据的类别、空间排列和视觉特征作为表征单元，将像素相似度替换为语义相似度来定义图像重建准则，通过自适应量化等级编码某个语义概念来增加速率 - 语义 - 感知性能作为奖励和生成式对抗网络 (GANs) 的语义解码器来重构图像，实验结果表明，与标准编解码器和其他深度学习基础图像编解码器相比，提出的 RL-ASC 方法具有噪声鲁棒性并能节约大量位量成本。

Aug, 2022

本文提出了一种文字引导图像压缩的多模态机器学习方法，通过使用文本的语义信息来引导图像压缩，以实现更好的压缩性能，包括采用图像 - 文本注意力模块和改进的多模态语义一致性损失函数。实验证明，该方法能够在极低比特率下获得较好的视觉效果，并且即使与最先进的技术相比，其性能也可以相媲美或超越。

Apr, 2023

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

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

本研究提出了一种新颖的扩散引导框架的语意通信，通过高度压缩的语意信息来降低带宽使用，然后利用扩散模型从这些去噪的语意信息中学习合成语义一致的场景，从而生成保留语义信息的高质量图像。

Jun, 2023

本文介绍了一种基于深度神经网络编解码器的任务驱动语义编码方案，通过使用强化学习和马尔科夫决策过程实现了基于任务的语义编码，实验结果表明与 H.265/HEVC 相比，该方案可以节省 34.39% 到 52.62% 的比特率。

Jun, 2021

本文中，我们提出了一种知识增强语义通信框架，其中接收方可以更积极地利用知识库中的先前知识进行语义推理和解码，无需对发射器的神经网络结构进行额外修改。

Feb, 2023

本研究通过推广 Basu 等人的方法，将语义建模扩展至完整的通信马尔科夫链，提出了一种 ML-based 的语义通信系统 SINFONY，通过传输信息的同时进行压缩，有效提高了信息传输质量，尤其在多分发情况下，SNR 比传统通信系统提高了 20dB。

Apr, 2022