该研究提出了一种基于卷积神经网络的自编码器的无线图像传输联合源和信道编码技术，可提高信噪比和信道带宽性能，在慢Rayleigh衰落信道中具有噪声鲁棒特性。

Sep, 2018

通过自编码机（autoencoder）我们提出了一种新的JSCC方案，将无噪声或有噪声的信道输出反馈引入到传输系统中，以提高接收端的重建质量或平均延迟，并展示了现代机器学习技术在通信领域中的应用。

Nov, 2019

该文论述了语义通信的概念和理论框架，重点探讨了基于深度学习的语义通信系统设计及其性能度量，最终提出若干该领域的待解决问题。

Dec, 2021

本文介绍了一种新型的语义传输范式：语义传播，主张在源编码和信道编码中注入语义指导，以利用数据语义多样性和无线信道多样性来提高整个系统的效率和可靠性。

Aug, 2022

本文针对深度学习(DL)的基于联合源信道编码(DeepJSCC)的最新进展进行了研究，探讨了在图像传输中通过三种PAPR降低技术来抑制高峰均比功率(PAPR)的传输信号，实现亮点提取和传输。通过实验结果，证实了DeepJSCC语义通信的优越的重构性能可以在传输PAPR被抑制到可接受水平时保持不变。

Aug, 2022

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

基于深度学习的多分辨率联合源信道编码（JSCC）框架通过多任务学习的概念，有效编码并解码不同分辨率的数据，突破了传统分离源信道编码（SSCC）方法在有限块长度数据处理中的次优性和多用户/多分辨率数据重构的限制，对于语义通信尤为有潜力，提高语义特征的提取和保留能力。

Aug, 2023

我们提出了一种自适应语义资源分配方案，通过语义比特量化（SBQ）与现有无线通信兼容，解决了动态无线环境中由语义度量和传输度量之间的附加映射关系引入的环境感知不准确的问题，并通过联合优化基站的传输波束，语义表示的比特数，子信道分配和带宽资源分配，解决了将整体有效的语义通信服务质量最大化的问题。通过混合深度强化学习（DRL）算法提出了一种智能资源分配方案，在无线通信中能够有效抵抗语义噪声并获得卓越的性能，比几种基准方案提高了13%的SC-QoS性能。

Dec, 2023

通过对数据驱动的端到端学习和优化的物理层的深度学习表示学习的利用，端到端系统在复杂的无线环境中显现出增强的适应性和性能，满足5G及以后的网络系统和应用需求。本文综述数据驱动的物理层在端到端通信系统中的关键作用以及其在不同模态中实现的语义应用，同时指出了关键挑战和未来研究方向，为深度学习在物理层和语义通信中的未来发展提供重要参考。

Jan, 2024

本论文提出了一种深度联合源-信道编码方案，以实现高效可靠的跨技术通信，通过利用现有的CTC编码算法作为领域知识来指导编码解码器对CTC链路特性进行更好的学习，进一步提高了CTC的效率，通过广泛的仿真验证，本方案与现有的CTC方案相比，可以将传输开销减少高达97.63％，结构相似性指数提高了734.78％。

Jan, 2024