提出了一种语义通信（SemCom）支持的生成式人工智能内容（SemAIGC）生成和传输框架，通过语义信息的提取和传输，解决了无线网络中提供优质 AIGC 服务的挑战，并采用资源感知的工作负载权衡（ROOT）方案进行计算资源的智能调整。仿真结果表明，与传统方法相比，所提出的 SemAIGC 框架在延迟和内容质量方面具有优势。

Oct, 2023

本文深入讨论了基于人工智能技术生成内容的 AIGC，对其定义、关键条件、可重要的现有和未来特性、庞大的预训练模型带来的优势、工业链以及 AIGC 内部辅助生成和自动生成之间的区别进行了探讨，最后探讨了 AIGC 与元宇宙的潜在整合，旨在揭示 AIGC 的现有问题并提供未来应用方向。

Mar, 2023

该研究综述了生成模型的历史和基本组成部分，并从单模态和多模态交互的角度介绍了文本和图像生成任务及相关模型，讨论了人工智能生成内容领域中的开放性问题和未来挑战。

Mar, 2023

人工智能生成内容（AIGC）已经引领了一场新的技术革命，推动了数字内容的获取并推动传统编解码器在性能提升和多样化功能方面的进展，本文全面回顾了生成式视觉压缩的最新进展，展示了在超低码率通信，用户指定的重建 / 滤波和智能机器分析方面的巨大潜力和有前景的应用。特别是，我们回顾了基于深度生成模型的视觉数据压缩方法，并总结了如何通过生成技术实现紧凑的表示和高保真重建。此外，我们概括了相关的生成式压缩技术用于机器视觉和智能分析。最后，我们讨论了生成式视觉压缩技术面临的基本挑战，并展望了它们未来的研究方向。

Feb, 2024

最近几年，大型语言模型和扩散模型等生成人工智能模型在内容生产方面产生了革命性的影响，其生成的内容已嵌入到日常生活和工作的各个方面，涵盖了文本、图像、视频和音频。尽管人工智能生成的内容的真实性越来越高，接近人类创作水平，但这些技术也导致了伪造的人工智能生成内容的出现，给真伪信息的鉴别带来了新的挑战。本文提出了一个新的分类方法，更全面地介绍了目前伪造的人工智能生成内容的方法。接下来，我们探讨了伪造的人工智能生成内容的模态和生成技术，归类为人工智能生成的虚假信息和误导信息。在多个角度上，我们介绍了伪造的人工智能生成内容的检测方法，包括欺骗性伪造的检测、深度伪像的检测和错觉性伪造的检测。最后，我们讨论了未来研究的重要挑战和有希望的研究领域。

Apr, 2024

本论文介绍了一种利用神经网络编码 - 解码架构的可扩展的人工智能生成内容系统，通过将图像转化为文本表示并优化传输以实现语义通信，从而提高对盲区车辆的感知能力和有效压缩通信数据。

Nov, 2023

本文旨在探讨 AI 生成内容（AIGC）的三个主要问题：隐私、偏见、毒性、误导和知识产权的风险，并提供解决这些风险的可行方向，以实现 AIGC 的负责任和安全部署。

Mar, 2023

本文介绍了人工智能生成内容（AIGC）的技术及其在无线边缘网络中的应用，提出了 AIGC 作为服务（AaaS）的概念，并讨论了在边缘网络上部署 AaaS 的挑战。同时，我们还引入了几个基于图像的感知质量评估指标，并提出了一种通用有效的模型来说明计算资源与用户感知质量评估指标之间的关系。为了实现高效的 AaaS 和最大化在无线边缘网络中生成内容的质量，我们提出了一种深度强化学习启发的算法来选择最佳 ASP。仿真结果表明，相对于四个基准策略，即避免过载，随机，轮流以及上限方案，我们提出的算法可以为用户提供更高质量的生成内容并实现更少的崩溃任务。

Jan, 2023

AI 生成内容（AIGC）方法旨在使用 AI 算法产生文本、图像、视频、3D 资产和其他媒体。本文综述了跨不同数据模态的 AIGC 方法，包括单模态和多模态，重点介绍了各种挑战、代表性研究以及最近的技术方向，并在各种模态中提供了对多个基准数据集的比较结果。此外，本文还讨论了挑战和未来研究方向。

Aug, 2023

这项研究基于 Text-to-Video 人工智能生成内容 (AIGC) 的最新进展，针对 AIGC 视频的质量评估遇到的挑战进行了分类，并提出了特定模块来综合评估 AIGC 视频的视觉和内容一致性，在不同的生成模型中发现了重要的视觉质量、流畅度和风格差异。通过预测源生成模型，可以提高 AIGC 视频特性的差异性，从而提高质量评估性能。该方法在 NTIRE 2024 质量评估比赛中获得了第三名，展示了其有效性。

Apr, 2024