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

通过可逆神经网络，我们提出了 INN-RSIC 方法，用于解码远程感应图像并实现高感知质量，在低比特率下尤为重要。我们采用现有图像压缩算法捕捉压缩失真，并通过 INN 将其编码为一组高斯分布的潜在变量，使解码图像中的压缩失真与真实图像无关。因此，通过利用 INN 的逆映射，我们可以将解码图像以及一组随机重采样的高斯分布变量输入到逆网络中，有效生成感知质量更好的增强图像。我们通过引入量化模块（QM）来缓解格式转换的影响，从而提高框架的泛化能力和增强图像的感知质量。广泛的实验表明，我们的 INN-RSIC 在感知质量方面明显优于现有的传统和基于深度学习的图像压缩方法。

May, 2024

该研究提出了一种结合可逆神经网络和扩散模型的方法（INDigo）来解决逆问题，同时在扩散过程中添加数据一致性步骤来优化重建图像，实验表明该方法可以在更多复杂的退化模型和低质量图像上表现良好。

Jun, 2023

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

通过深度学习的联合源信道编码（DeepJSCC）和接收端的去噪扩散概率模型（DDPM），我们考虑在噪声无线信道上的图像传输问题，并在实际有限块长度范围内关注感知失真权衡，其中独立的源编码和信道编码可能高度亚最优。我们引入了一种利用目标图像的范围 - 零空间分解的新方案。我们经过编码传输图像的范围空间，并采用 DDPM 逐步改进其零空间内容。通过大量实验，我们证明与标准 DeepJSCC 和最先进的生成学习方法相比，重建图像的失真和感知质量有显着改进。我们将公开共享我们的源代码以促进进一步的研究和可重复性。

Sep, 2023

本文提出了一种新颖的高效端到端扩散压缩感知方法，使用可逆扩散模型（IDM）从压缩测量恢复原始图像，克服了传统学习范式的限制，超过现有先进的压缩感知网络 2.64dB 的 PSNR 增益并实现 14.54 倍的推理加速。

Mar, 2024

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

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

提出了一种新颖的深度神经网络结构，用于在仅在解码器处存在相关图像侧信息时压缩图像，特别地，我们考虑一对立体图像并假设其中一幅图像要被压缩和传输，而另一幅图像仅在解码器处可用，我们的方法利用解码器只有的侧信息进行压缩并得到了比之前工作更好的结果。

Jun, 2021