在 6G 时代，智能交通系统、数字孪生、远程监控有望成为普遍实践。为了解决无线网络中庞大数据量和频繁更新的挑战，本文提出了一种基于强化学习的新型代理驱动生成语义通信（A-GSC）框架。通过无缝地结合源信息的内在属性和任务相关的情境信息，本研究在语义通信领域进行了创新，同时引入了生成人工智能（GAI），实现了语义编码器和解码器的独立设计。在实证分析中，基于 CDNet2014 数据集验证了所设计模型的有效性，并证明了整体 A-GSC 框架在节能和重构准确性方面的性能提升。

Apr, 2024

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

通过引入内容生成层，将人工智能生成内容 (AIGC) 与语义通讯 (SemCom) 结合起来，提供了清晰的 AIGC 与 SemCom 之间互动产生有意义和有效内容的概念模型，并提出了一种基于 AIGC 技术的语义信息编码器和解码器的新框架，以优化 AIGC 服务的语义提取和评估指标，从而适应不同类型的内容生成、所需质量和语义信息使用。通过使用深度 Q 网络 (DQN)，展示了对优化问题的可行性和收敛特性的有益见解。

Aug, 2023

在本文中，我们提出了一种分散化的激励机制，利用多智能体深度强化学习在车联网环境中平衡 RSUs 上的 AIGC 服务供应和用户对服务的需求，以优化用户体验和减小传输时延。实验结果表明，我们的方法在性能上优于其他基准模型。

Mar, 2024

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

通过提出一种多任务语义通信框架，本研究旨在解决连接和自动驾驶汽车（CAV）中的语义通信问题。采用卷积自编码器（CAE）对道路交通标志进行语义编码，并通过卫星在低可视性天气条件下从一个 CAV 传输到另一个 CAV。同时，该框架还提出了用于图像重建和分类任务的任务导向语义解码器，模拟结果表明该框架在图像相似度和分类准确性方面优于传统方案，并通过发送更少的比特节省了高达 89% 的带宽。

Mar, 2024

提出了一种用于 AIoT 中高效图像通信的新型深度图像语义通信模型，通过语义分割算法实现对图像的高精度语义信息提取以实现图像数据的显著压缩，通过基于生成对抗网络的语义图像恢复算法将语义图像转换为具有详细信息的实景图像，结果表明，与 WebP 和 CycleGAN 相比，所提出的图像语义通信模型在图像压缩比和恢复准确度上平均分别提高了 71.93% 和 25.07％，而且与原始图像传输相比，我们的演示实验证明该模型可以将传输中的总延迟减少了 95.26％。

Nov, 2023

本文提出了一种新方法，将无线感知技术与人工智能生成的内容相结合，提出了一个统一的无线感知 - 人工智能生成内容框架，以改善数字内容生产的质量，在服务需求的基础上生成相应的数字内容。该框架能够根据用户的姿势作为约束生成内容，并能接受用户的反馈，从而调整边缘服务器上的计算资源以提高服务质量。实验结果验证了该框架的有效性，凸显了其在准确生成数字内容方面的潜力。

Mar, 2023

本文旨在为研究人员和实践者提供综合指南，介绍生成式人工智能和基础模型在智能汽车背景下的现状、潜在应用和未来研究方向，讨论其在语音、音频、视觉和多模态交互等领域的应用和与伦理相关的挑战和风险，以及关键未来研究领域，包括领域适应性、对齐、多模态集成等，以解锁生成式人工智能的全部潜力，塑造智能车辆未来。

May, 2023

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