本研究开发了一种语义通信框架用于图像传输；引入多模态度量方法对比提取得到的语义信息与原始图像之间的相关性，以最小化每个服务器的传输延迟同时满足用户 ISS 需求为目标，提出了基于价值分解的最大熵多智能体强化学习算法以解决资源块的分配问题，在模拟实验中将传输延迟降低至传统多智能体强化学习的 16.1%。

Jan, 2023

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

提出了基于联邦学习的语义通信框架（FLSC），旨在通过全局聚合改善多任务分布式图像传输，其中每个用户的每个链接由基于分层视觉变换器（HVT）的提取器和适应特定任务的适应性翻译器组成。通过仿真实验结果表明，FLSC 在粗略语义信息方面表现优秀，并在低信噪比和信道带宽比场景中明显优于传统方案。

Aug, 2023

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

在无线边缘，通过使用数字和模拟通信方案，利用深度神经网络来压缩图像并进行图像检索，提高检索准确性、速度和可靠性。

Jul, 2020

基于语言的语义通信框架通过语言 - 图像编码和图像 - 语言解码，以及潜在扩散模型，实现了在嘈杂通信渠道中以较高的感知相似度重建预期图像的能力。

May, 2024

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

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

本研究论文提出了一种联合优化算法，用于减少总延迟和提高效用的语义通信系统。该系统包含了物理层安全方法，通过秘密速率来确保信息不被窃听者获得。实验结果表明，与基线相比，所提出的算法能够达到最佳的联合优化性能。

Dec, 2023

该论文提出了一种新的转发框架，语义向前（SF），用于面向第六代（6G）无线网络的合作通信。SF 中继提取并传输语义特征，减少转发负载，并提高网络对内部链路错误的鲁棒性。基于具有额外信息的合作通信的理论基础和 Turbo 原则，我们设计了一种联合源 - 信道编码算法，以迭代地交换外部信息，提高目的地的解码增益。令人惊讶的是，模拟结果表明，即使在恶劣的信道条件下，SF 中继仍可以有效地提高恢复的信息质量。

Oct, 2023