Jun, 2024

考虑语义模糊性和信道噪声的实时语义沟通的潜在扩散模型

PDF
TL;DR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。
semantic communicationdeep learninglatent diffusion modeloutlier-robust encoderend-to-end consistency distillation
发现论文，激发创造
  • 基于非对称扩散的通道自适应安全无线语义通信

    通过扩散模型和深度强化学习（DRL）构建的 DiffuSeC 系统，解决了语义攻击中的安全问题，并且在不稳定的信道环境下展现出更高的鲁棒性和能够根据信噪比（SNR）迅速调整模型状态的能力。

    Oct, 2023

  • 基于知识蒸馏的多用户语义通信

    基于知识蒸馏的深度学习模型在语义通信系统中提高了模型鲁棒性和泛化能力，减小了模型尺寸压缩时的性能损失。

    Nov, 2023

  • 生成语义通信：超越比特恢复的扩散模型

    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

  • 具有任务不知晓的发射机和动态数据的深度学习技术支持的语义通信系统

    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

  • 使用深度生成模型重新考虑多用户语义通信

    在这篇文章中，我们提出了一个新的生成语义通信框架，针对多用户场景进行了优化，利用扩散模型在接收方填充丢失的信息，通过彻底的实验评估展示了这种创新性的扩散模型的能力和所提出框架的有效性，为基于 GenAI 的下一代通信发展指明了方向。

    May, 2024

  • 面向多模态数据语义通信的自适应编码机制

    本文提出一个利用神经网络解决多模态语义通信问题的分布式框架，该框架包括传统的信道编码和解码，进一步建立了针对各种多模态语义任务的一般速率自适应编码机制。优化方案旨在在保持语义任务推理准确性的同时，最小化推理延迟。本文的数值结果表明，所提出的机制总体上表现优于传统通信和现有的语义通信系统。

    May, 2023

  • 基于深度学习的语义通信系统

    提出了一种基于深度学习的语义通信系统 DeepSC，使用 Transformer 来重构语句的含义，最大化系统容量并最小化语义错误，同时采用迁移学习以适应不同的通信环境，并提供了一个新的度量标准，命名为句子相似性。深度语义通信系统在低信噪比的情况下表现更好，比传统的非语义信息传播的系统更稳健。

    Jun, 2020

  • 语音传输的语义沟通系统

    该研究通过设计一种基于深度学习和注意机制的语音语义通信系统 DeepSC-S，以提高在噪音环境下的语音信号精度和鲁棒性，并在电话和多媒体传输系统中进行了实践验证。研究证明 DeepSC-S 在语音信号指标方面优于传统通信方法，并且在低信噪比环境中表现更加出色，这可以通过提供更高的权重来识别必要的语音信息。

    Feb, 2021

  • 一种轻量级分布式语义通信系统，用于物联网

    本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC，该系统通过模型裁剪，低权重分辨率，优化语义星座，以及使用信道状态信息辅助训练等技术，旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明，在低信噪比环境下，该系统可实现高达 40 倍的数据压缩比，而不影响传输性能。

    Jul, 2020

  • 基于交替学习的稀疏语义视觉传输

    本文提出了 SparseSBC，它是一种用于视觉传输的基于深度神经网络的 SemCom 系统，通过交替学习编码和解码来解决信道中的非可微性问题，并且利用二进制量化模块在保持语义准确性的基础上生成稀疏的比特集。广泛的模拟结果验证了 SparseSBC 在不同信道条件下表现出高效和有效的传输性能，并超越了典型的 SemCom 解决方案。

    Jul, 2023