IEEE TCCN 语义通信论文全景调研（2023—至今）

一句话主旨：DJPSCC 面向图像传输、压缩或生成，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：联合信源信道编码（JSCC）由于深度学习（DL）的引入而取得了巨大成功。 PDF p.1
2. 仍然存在的问题：然而，与传统的SSCC方案相比，现有的安全通信机制（例如，加密-解密机制）难以与DJSCC相耦合，这阻碍了这一新兴技术的实际应用。 PDF p.1
3. 为什么已有方法解决不了：只优化合法接收端的重建或任务 loss，并不会自动消除 latent 泄露、窃听或操纵风险；缺少的是把攻击者与保护目标放进同一系统模型。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为此，我们提出了一种新的方法，称为基于DL的联合保护和信源信道编码（DJPSCC）的图像，可以成功地保护视觉内容的原始图像，而不会显着牺牲图像重建性能。 PDF p.1
6. 方案为何可能有效：设计思想是利用神经网络进行视觉保护，将普通图像转换为视觉保护图像，同时考虑到图像与DJSCC的交互。 PDF p.1
7. 作者希望证明什么：与现有的应用于DJSCC传输的源保护方法相比，DJPSCC方法实现了更好的重构性能。 PDF p.1

方法与端到端信息流

为此，本文提出了一种新的图像保护方法，即基于DL的联合保护和信源信道编码（DJPSCC），该方法可以在不显著牺牲图像重建性能的情况下成功地保护原始图像的视觉内容，其设计思想是利用神经网络进行视觉保护，其考虑到其与DJSCC的相互作用而将普通图像转换为视觉上受保护的图像。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

连续 learned latent / channel symbol(DeepJSCC) 独立判断：DJPSCC 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

带宽比R被定义为k/n，其中n是源大小（即，图像大小），k是信道带宽（即，信道输入大小）。 PDF p.4

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.8

实验设置与主要结论

数据集为Kodak、ImageNet、CIFAR-10；实验小节中明确出现的比较对象包括JPEG、ResNet、ADJSCC、JSCC、SSCC、ETC；指标包括PSNR、SSIM、accuracy、classification accuracy；信道/链路条件包括wireless channel；正文可定位的代表性工作点有SNR = 10 dB、SNR=10 dB。 PDF p.8

与现有的应用于DJSCC传输的源保护方法相比，DJPSCC方法实现了更好的重构性能。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“通信安全与隐私”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：VDA 面向通用语义通信系统，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着分布式学习和边缘计算的发展，服务器必须经常接收来自多个终端设备的信息，因此，多接入信道（MAC）上分布式信源的信源信道编码的重要性变得越来越重要。 PDF p.1
2. 仍然存在的问题：但是，它需要知道所有源维的完整联合分布。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：提出了一种基于高斯MAC的多变量高斯信源深度联合信源信道编码（JSCC）设计方法。 PDF p.1
6. 方案为何可能有效：为了解决这个问题，我们使用一个VAE来构造JSCC系统，并通过变分分析在损失函数中引入附加的分布约束。 PDF p.2
7. 作者希望证明什么：分析了VDA-JSCC算法在高CSNR下性能下降的原因，提出了用专家混合算法代替VDA-JSCC算法的编码器，以提高其在高CSNR下的性能。 PDF p.1

方法与端到端信息流

针对高斯MAC上的多变量高斯信源，提出了一种深度联合信源信道编码（JSCC）设计方法，该方法利用变分分析方法构造JSCC系统，并在损失函数中引入额外的分布约束。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：VDA 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括VAE、JSCC、CLIP；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 20 dB、SNR = 10 dB、SNR = 30 dB、SNR = 25 dB。 PDF p.9

分析了VDA-JSCC算法在高CSNR下性能下降的原因，提出了用专家混合算法代替VDA-JSCC算法的编码器，以提高其在高CSNR下的性能。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。

一句话主旨：Neuromorphic Wireless Cognition 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：神经形态计算是一种新兴的计算范式，它从批量处理转向在线、事件驱动的流数据处理。 PDF p.1
2. 仍然存在的问题：神经形态芯片，当与基于尖峰的传感器相结合时，可以通过仅在尖峰定时记录相关事件时消耗能量以及通过对环境中变化的条件提供低延迟响应来固有地适应数据分布的“语义”。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：本文提出了一种端到端的设计，神经形态的无线物联网系统，集成了基于尖峰的传感，处理和通信。 PDF p.1
6. 方案为何可能有效：本文重点介绍了一种基于边缘的物联网系统，其中数据由移动的传感器以流式方式收集和预处理，以便在另一个边缘设备上连续进行推理。 PDF p.2
7. 作者希望证明什么：所提出的系统显着改善传统的基于帧的数字解决方案，以及替代非自适应训练方法，在时间精度和能耗指标。 PDF p.1

方法与端到端信息流

本文提出了一种基于神经形态的无线物联网系统的端到端设计，该系统集成了基于尖峰信号的传感、处理和通信。本文重点介绍了一种基于边缘的物联网系统，在该系统中，数据由移动的传感器以流式方式收集和预处理，以便在另一个边缘设备上连续进行推理。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Neuromorphic Wireless Cognition 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为MNIST；实验小节中明确出现的比较对象包括LDPC、VAE、VQ-VAE；指标包括accuracy、recall、latency、PER；信道/链路条件包括Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 10 dB。 PDF p.9

所提出的系统显着改善传统的基于帧的数字解决方案，以及替代非自适应训练方法，在时间精度和能耗指标。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：MUD 面向语义信息度量与理论，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：此外，它在各种仿真设置和不匹配的测试场景下表现出很高的鲁棒性。 PDF p.1
2. 仍然存在的问题：目前的语义通信工作主要依赖于连续的全分辨率特征的传输，这给计算资源有限的移动的设备带来了沉重的负担，并且难以在真实世界的数字系统中实现。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：没有定义清楚的语义目标和资源坐标，就无法判断收益来自通信机制还是更换了数据集、模型或评价指标。 PDF p.1
5. 本文提出什么：多用户语义通信理论是其重要的研究内容之一，可以进一步提高其在实际网络环境中的应用。 PDF p.1
6. 方案为何可能有效：拟议的NOMASC系统的示意图，其中许多智能语义用户位于一个单元中并配对成不同的组。 PDF p.2
7. 作者希望证明什么：仿真结果表明，该系统在非正交多用户信号传输中具有良好的性能，尤其是在中低信噪比时，性能优于其他方法。 PDF p.1

方法与端到端信息流

它的一个关键方面是多用户语义通信理论，这可以进一步提高其在实际网络环境中的应用。拟议的NOMASC系统的示意图，其中许多智能语义用户位于一个单元中，并配对成不同的组。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

为了避免对硬件的高要求，在语义编码器的末端采用非对称量化器来离散化连续的全分辨率语义特征。 独立判断：MUD 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

在瑞利衰落信道下的传输性能，除了信道类型不同外，仿真设置与AWGN情况相同，基于学习的方法表现出“悬崖效应”，但下降幅度较平缓。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.10

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.10

实验设置与主要结论

数据集为MNIST、Europarl；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、Turbo、QAM、NOMASC、JSCC、Huffman；指标包括PSNR、SSIM、MSE、mAP、accuracy、MACs、BLEU、PER；信道/链路条件包括AWGN、Rayleigh、NOMA、channel estimation、fading channel。 PDF p.10

仿真结果表明，该系统在非正交多用户信号传输中具有良好的性能，尤其是在中低信噪比时，性能优于其他方法。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SNC 面向通用语义通信系统，把问题放在“联合信源信道编码（JSCC）”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：最近，机器学习（ML）通过恢复比特的语义在提高通信效率方面显示出其有效性。 PDF p.1
2. 仍然存在的问题：然而，现有的SC研究通常假设每个听者的解码过程只是其发言者的编码过程的镜像。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：为此，受语言学和信息论的启发，我们提出了一种新的随机语义本机通信（SNC）模型，扬声器映射到语义概念，然后到符号的实体感兴趣的（例如，抽象的想法，物理现象和对象），从而在语义表示（SR）。 PDF p.1
6. 方案为何可能有效：受人类交流的启发，我们考虑了一个点对点的SNC场景，其中扬声器有一个意图，指的是一个实体，提取其语义概念，并将这些概念映射到符号，通过传统的香农通信信道传达给目标听众。 PDF p.1
7. 作者希望证明什么：仿真结果证实，基于上下文推理的SNC通过在上下文推理前量化实体-概念-符号映射，可以显著减少比特长度，并对不完美的Agent状态提供鲁棒的解决方案。 PDF p.1

方法与端到端信息流

为此，受语言学和信息论的启发，我们提出了一种新的随机语义-本机通信（SNC）模型，其中说话者映射感兴趣的实体将抽象概念、物理现象和物体等抽象概念转化为语义概念，再转化为符号，从而形成语义表征（SR）。我们考虑点对点SNC场景，其中说话者具有指代实体的意图，提取其语义概念，并将这些概念映射成通过传统香农通信信道传达给目标收听者的符号。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

仿真结果证实，基于上下文推理的SNC通过在上下文推理前量化实体-概念-符号映射，可以显著减少比特长度，并对不完美的Agent状态提供鲁棒的解决方案。 独立判断：SNC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括ARQ；指标包括accuracy、latency、PER；信道/链路条件包括erasure、BEC、erasure channel。 PDF p.9

仿真结果证实，基于上下文推理的SNC通过在上下文推理前量化实体-概念-符号映射，可以显著减少比特长度，并对不完美的Agent状态提供鲁棒的解决方案。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：ASC 面向任务导向推理，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：面向任务的通信是一种新的模式，旨在为完成智能任务提供有效的连接，而不是接收每一个发送的比特。 PDF p.1
2. 仍然存在的问题：然而，在延迟不容忍系统中容纳多个用户构成了挑战。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：本文提出了面向任务的端到端语义传输的通信架构，其中提取的语义压缩所提出的自适应语义压缩（ASC）方法。 PDF p.1
6. 方案为何可能有效：具体来说，我们提出了一个压缩比和资源分配（CRRA）算法，该算法将问题分为两个子问题，并迭代求解。 PDF p.1
7. 作者希望证明什么：此外，数值结果清楚地表明，所提出的CRRA和CRRAUS算法导致实质性的改善，在成功的收益相比，基线。 PDF p.1

方法与端到端信息流

提出了一种面向任务的端到端语义传输通信体系结构，采用自适应语义压缩（ASC）方法对提取的语义进行压缩，并提出了一种压缩比和资源分配（CRRA）算法，将问题分解为两个子问题进行迭代求解。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ASC 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为STL-10；实验小节中明确出现的比较对象包括JPEG、LDPC、TCM、ResNet、ASC；指标包括accuracy、classification accuracy；信道/链路条件包括channel estimation、imperfect CSI；正文可定位的代表性工作点有SNR = -5 dB。 PDF p.9

此外，数值结果清楚地表明，所提出的CRRA和CRRAUS算法导致实质性的改善，在成功的收益相比，基线。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：Adaptive Compression Offloading and Resource Allocation for Edge Vision Computing 面向语义感知资源分配与网络优化，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：边缘计算（EC）和5G无线通信技术的快速发展为深度神经网络（DNN）驱动的智能应用开辟了新的机遇。 PDF p.1
2. 仍然存在的问题：然而，视觉推理服务中涉及的实时和密集的数据传输对无线网络施加了显著的通信负担。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：具体而言，我们提出了一个压缩比和网络带宽的协同优化模型，以产生可靠的压缩卸载和资源分配方案。 PDF p.1
6. 方案为何可能有效：具体而言，我们提出了一个压缩比和网络带宽的协同优化模型，以产生可靠的压缩卸载和资源分配方案。 PDF p.1
7. 作者希望证明什么：实验结果表明，我们提出的卸载模型和压缩策略优于其他算法，实现了显着的通信改善和性能增益。 PDF p.1

方法与端到端信息流

针对上述问题，本文研究了面向边缘计算的通用视觉服务策略，提出了一种基于自适应压缩卸载的通信高效的边缘推理部署体系结构。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Adaptive Compression Offloading and Resource Allocation for Edge Vision Computing 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.8

实验设置与主要结论

数据集为ImageNet；实验小节中明确出现的比较对象包括JPEG、MobileNet；指标包括mAP、accuracy、classification accuracy。 PDF p.8

实验结果表明，我们提出的卸载模型和压缩策略优于其他算法，实现了显着的通信改善和性能增益。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 该文属于边界谱系,不能用它代表端到端语义通信主线。

一句话主旨：Adaptive Modulation and Retransmission Scheme for Semantic Communication Systems 面向任务导向推理，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：尽管上述语义通信系统在特定信道条件下表现出了优异的性能，但仍需要越来越深入的研究来进一步提高时变信道上无线传输的频谱效率。 PDF p.1
2. 仍然存在的问题：然而，在面向任务的语义通信系统中，由于神经网络的纠错能力，不完美的传输仍然可以导致语义任务的良好推理性能。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：针对这一问题，本文提出了一种新的自适应调制和重传方案，以在保证语义任务性能的同时最大化频谱效率。 PDF p.1
6. 方案为何可能有效：具体来说，我们首先引入语义通信系统中的鲁棒性验证问题来分析神经网络推理的鲁棒性。 PDF p.1
7. 作者希望证明什么：这是因为附加的纠错编码可以在编码系统中比在未编码系统中实现低得多的BER。 PDF p.11

方法与端到端信息流

在本文中，我们提出了新的自适应调制和重传方案，以最大限度地提高频谱效率，同时保证语义任务的性能。具体来说，我们首先引入语义通信系统的鲁棒性验证问题，分析神经网络推理的鲁棒性。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

这里量化数K的选择遵循保证可接受的计算复杂度和存储容量的原则，同时量化损失可以忽略不计。 独立判断：Adaptive Modulation and Retransmission Scheme for Semantic Communication Systems 的主传输单位应归为“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.3

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 4：离散 bit/index/packet error 被显式建模或联合训练

具体来说，我们利用瑞利衰落和信道增益建模为一个复杂的随机高斯向量。 本调研据此归为“类别 4：离散 bit/index/packet error 被显式建模或联合训练”。 PDF p.8

语义 decoder 实际面对的是：自适应调制后的可能有误语义数据,或经重传合并/信道译码后的语义变量。 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括LDPC、Huffman；指标包括accuracy、classification accuracy、BER、PER；信道/链路条件包括Rayleigh、channel estimation；正文可定位的代表性工作点有SNR = 0dB、SNR = 20dB。 PDF p.9

这是因为附加的纠错编码可以在编码系统中比在未编码系统中实现低得多的BER。 PDF p.11

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：通信价值来自把离散错误的后果纳入语义目标，而不只是降低平均 BER；应重点检查错误模型、保护开销和训练/测试失配。

局限：主要局限取决于训练/测试分布、信道假设和系统开销是否完整公开。

一句话主旨：DeepMA 面向图像传输、压缩或生成，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“有限星座/标准数字波形接口”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是一种利用深度学习模型实现端到端（E2E）通信过程的新范式，最近的研究表明，与传统通信方案相比，语义通信在低信噪比（SNR）条件下能够实现更好的抗噪声能力。 PDF p.1
2. 仍然存在的问题：为了实现语义通信中的多址接入，通过训练具有联合信源信道编码（JSCC）和正交信号调制（OFDM）能力的语义通信模型，提出了一种基于深度学习的多址接入（DeepMA）方法。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了实现语义通信中的多址接入，通过训练具有联合信源信道编码（JSCC）和正交信号调制（OFDM）能力的语义通信模型，提出了一种基于深度学习的多址接入（DeepMA）方法。 PDF p.1
6. 方案为何可能有效：基于上述原因，我们必须开发一种特定的、低成本的同频多址语义通信方法。 PDF p.2
7. 作者希望证明什么：实验结果表明，DeepMA能够实现高效、灵活和隐私保护的信道复用过程，与传统的多址接入方案相比，该方案具有相当的带宽效率。 PDF p.1

方法与端到端信息流

为了实现语义通信中的多址接入，我们提出了一种基于深度学习的多址接入方法（DeepMA），即通过训练具有联合信源信道编码（JSCC）和正交信号调制（OFDM）能力的语义通信模型来实现语义通信中的多址接入，为此，我们必须开发一种特定的、低成本的语义通信同频多址接入方法。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

学习式语义 feature;数字接口需由正文具体实现判定 独立判断：DeepMA 的主传输单位应归为“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.13

ImageNet的图像大小可以不同，因此我们使用center-crop操作将输入图像大小设置为128 × 128。 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 2：语义特征映射为调制符号或编码包”解释信道作用点。 本调研据此归为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.10

实验设置与主要结论

数据集为Kodak、ImageNet、CIFAR10、CIFAR100；实验小节中明确出现的比较对象包括JPEG、JPEG2000、BPG、LDPC、DeepMA、ADJSCC、JSCC、OFDM；指标包括PSNR、MSE、recall、PER；信道/链路条件包括AWGN、Rayleigh、wireless channel、OFDM、fading channel。 PDF p.10

实验结果表明，DeepMA能够实现高效、灵活和隐私保护的信道复用过程，与传统的多址接入方案相比，该方案具有相当的带宽效率。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：I-JSCC 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：针对不同数据类型的任务，设计了一种面向任务的语义通信系统，该系统将语义级信息和效能级性能相结合。 PDF p.1
2. 仍然存在的问题：尽管语义通信在一定程度上提高了频谱利用率，但在面向任务的语义通信中，不加选择地传输语义信息仍会造成无线资源的浪费。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为此，本文提出了一种面向任务语义通信的重要性感知的联合信源信道编码（I-JSCC）框架。 PDF p.1
6. 方案为何可能有效：提出了一种重要性感知的语义资源分配问题，通过联合优化信道分配和特征选择向量，最大化所有用户的总TOSSE。 PDF p.1
7. 作者希望证明什么：设计了一种联合语义信道传输机制（JSCT），通过选择性地传输任务重要性特征来降低通信开销。 PDF p.1

方法与端到端信息流

本文提出了一种面向任务的语义通信的重要性感知联合信源信道编码（I-JSCC）框架，通过联合优化信道分配和特征选择向量，建立了一个重要性感知语义资源分配问题，以最大化所有用户的总TOSSE。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：I-JSCC 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为CIFAR10、CIFAR100；实验小节中明确出现的比较对象包括ResNet、PPO、JSCC、CLIP、OFDM；指标包括accuracy、QoE、latency、TOSSE；信道/链路条件包括Rayleigh、wireless channel、OFDM。 PDF p.9

设计了一种联合语义信道传输机制（JSCT），通过选择性地传输任务重要性特征来降低通信开销。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。

一句话主旨：ViTScore 面向语义信息度量与理论，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（Semantic Communication，SC）被认为是下一代通信的一个新的范式转变，其主要关注的是从精确的比特传输转向有效的语义信息交换。 PDF p.1
2. 仍然存在的问题：然而，现有的图像语义相似性度量方法并不适用于图像语义相似性的评价。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：没有定义清楚的语义目标和资源坐标，就无法判断收益来自通信机制还是更换了数据集、模型或评价指标。 PDF p.1
5. 本文提出什么：为了解决这个问题，灵感来自BERTScore在NLP社区，我们提出了一种新的度量图像语义相似性，命名为视觉Transformer分数（ViTScore）。 PDF p.1
6. 方案为何可能有效：我们利用基于GAN的SC系统模型，这将在第IV-D节中详细描述。 PDF p.2
7. 作者希望证明什么：特别是，ViTScore在评估语义攻击引起的图像语义变化方面优于其他3个典型指标，例如使用生成对抗网络（GANs）进行图像逆。 PDF p.1

方法与端到端信息流

为了解决这一问题，我们在自然语言处理领域的BERTScore的启发下，提出了一种新的图像语义相似性度量方法--视觉Transformer评分（ViTScore），该方法采用了一种基于GAN-based的SC SYSTEM模型。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ViTScore 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为Kodak、DIV2K、COCO、ImageNet、CelebA、Set5、Set14、Urban100；实验小节中明确出现的比较对象包括DeepJSCC、NTSCC、JPEG、JPEG2000、BPG、LDPC、ViT、GAN、VAE、VQ-VAE、ADJSCC、JSCC；指标包括PSNR、SSIM、MS-SSIM、LPIPS、mAP、accuracy、recall、BLEU、BERTScore、ViTScore；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 15dB。 PDF p.9

特别是，ViTScore在评估语义攻击引起的图像语义变化方面优于其他3个典型指标，例如使用生成对抗网络（GANs）进行图像逆。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：LaMoSC 面向文本传输或语言任务，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：这种方法已经被广泛地用于图像和视频传输，并显示出有希望的结果。 PDF p.1
2. 仍然存在的问题：然而，仅仅依赖于通过这些方法从图像导出的单峰视觉特性可能导致在低信噪比（SNR）条件下解码的不准确性。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：本文介绍了LaMoSC，一个语义通信系统驱动的大型语言模型（LLM），使用多模态特征来重建原始视觉信息，从而提高传输质量。 PDF p.1
6. 方案为何可能有效：本文提出了一种大语言模型（LLM）驱动的语义通信系统LaMoSC，以提高重构的可靠性和传输质量，特别是在低信噪比的情况下。 PDF p.2
7. 作者希望证明什么：LaMoSC在低SNR条件下（如4 dB）的性能分别优于Deep-JSCC和多级语义感知通信系统（MLSC）5.5%和2.6%。 PDF p.1

方法与端到端信息流

本文介绍了一种大语言模型（LLM）驱动的语义通信系统LaMoSC，该系统利用多模态特征来重构原始视觉信息，从而提高传输质量，并提出了一种大语言模型（LLM）驱动的语义通信系统LaMoSC，以提高重构的可靠性和传输质量，特别是在低信噪比条件下。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：LaMoSC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为ImageNet、CIFAR-10、ADE20K；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、BPG、ViT、JSCC、BERT、BLIP；指标包括PSNR、SSIM、MS-SSIM、LPIPS、MSE、mAP、accuracy、latency、semantic similarity。 PDF p.9

LaMoSC在低SNR条件下（如4 dB）的性能分别优于Deep-JSCC和多级语义感知通信系统（MLSC）5.5%和2.6%。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SC-PNC 面向图像传输、压缩或生成，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文提出了第一个框架语义通信（SC）授权的物理层网络编码（PNC），简称为SC-PNC。 PDF p.1
2. 仍然存在的问题：随着智能设备数量的指数增长，这些智能设备之间的无线通信产生了前所未有的数据量，使得无线频谱资源成为实现有效信息交换的重要瓶颈。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了解决这些问题，本文设计了SC-PNC，它利用语义通信绕过需要在目的地的位完美的消息恢复。 PDF p.1
6. 方案为何可能有效：具体地，设计了SC-PNC TriRN架构，其中每个节点仅在两个时隙中接收来自其他两个节点的信息。 PDF p.1
7. 作者希望证明什么：以图像传输为例，实验结果表明，SC-PNC在不同信道条件和相对相位偏移下，均能获得稳定的高质量图像重建，优于传统的位定向图像重建算法。 PDF p.1

方法与端到端信息流

为了解决这些问题，本文设计了SC-PNC，它利用语义通信，以绕过在目的地的比特完美的消息恢复的需要。具体来说，SC-PNC TriRN架构的设计，其中每个节点接收来自其他两个节点的信息，只有两个时隙。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

学习式语义 feature;数字接口需由正文具体实现判定 独立判断：SC-PNC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

SC-PNC TWRN的信道带宽比被设置为Psc = 1/3。 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

图10（a）和（B）分别绘制了在AWGN信道和瑞利衰落信道下不同方案的分类精度。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.13

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.13

实验设置与主要结论

数据集为MNIST；实验小节中明确出现的比较对象包括ViT；指标包括PSNR、MSE、accuracy、recall、latency、classification accuracy、BER、PER；信道/链路条件包括AWGN、Rayleigh、wireless channel、fading channel。 PDF p.9

以图像传输为例，实验结果表明，SC-PNC在不同信道条件和相对相位偏移下，均能获得稳定的高质量图像重建，优于传统的位定向图像重建算法。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SCAN 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：为了实现SCAN，我们首先通过在模型设计中利用信道状态信息（CSI）和噪声方差来开发一种用于多输入多输出（MIMO）信道的深度学习语义通信系统（DeepSC-MIMO）。 PDF p.1
2. 仍然存在的问题：因此，无法保证每个图像的可靠传输，给语义通信系统带来了很大的不确定性。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为此，语义通信作为一种新的通信范式，已被视为6G通信中有前途的技术。 PDF p.1
6. 方案为何可能有效：为了实现SCAN，我们首先通过在模型设计中利用信道状态信息（CSI）和噪声方差来开发一种用于多输入多输出（MIMO）信道的深度学习语义通信系统（DeepSC-MIMO）。 PDF p.1
7. 作者希望证明什么：实验结果表明，所提方案可以显著地提高图像传输的可靠性，同时极大地降低了反馈开销。 PDF p.1

方法与端到端信息流

为此，语义通信作为一种新的通信范式，被认为是6G通信中的一种有前途的技术。为了实现SCAN，我们首先开发了一种支持深度学习的多输入多输出（MIMO）信道语义通信系统（DeepSC-MIMO），该系统在模型设计中利用了信道状态信息（CSI）和噪声方差。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SCAN 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

我们使用CIFAR 10数据集，其中包括50，000张大小为32 × 32 × 3的彩色图像（训练数据集）和10，000张图像（测试数据集）。 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

传输过程被建模为信道层，并且接收到的符号可以表示为m i = H（zi ; Hi，ni），其中ni表示AWGN的噪声样本。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.6

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.6

实验设置与主要结论

数据集为CIFAR10；实验小节中明确出现的比较对象包括DeepSC、ADJSCC、JSCC、OFDM；指标包括PSNR、MSE、mAP、accuracy、latency、NMSE、BER；信道/链路条件包括AWGN、MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR = 6dB、SNR from -16 dB。 PDF p.3

实验结果表明，所提方案可以显著地提高图像传输的可靠性，同时极大地降低了反馈开销。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：DeepSC-TS 面向语音/音频传输或识别，把问题放在“联合信源信道编码（JSCC）”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：实验结果表明，该算法能够有效地实现高质量的语音传输。 PDF p.3
2. 仍然存在的问题：但其对不同信道环境的适应性有限，编码过程在提取语义信息时增加了语音信号的传输数据量。 PDF p.3
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.3
4. 为什么这个问题重要：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.3
5. 本文提出什么：提出了一种基于Transformer的端到端语音语义通信系统DeepSC-TS。 PDF p.1
6. 方案为何可能有效：提出了语音语义通信系统的总体结构，其中Eα（·）和Dβ（·）分别表示语义编码器和语义解码器，C（·）表示物理信道，^ s表示接收端恢复的信号。 PDF p.4
7. 作者希望证明什么：仿真结果表明，我们提出的DeepSC-TS在不同的信道环境中表现出出色的性能，它比现有的语音语义通信系统表现得更好。 PDF p.1

方法与端到端信息流

本文提出了一种基于Transformer的端到端语音语义通信系统DeepSC-TS，给出了该系统的总体结构，其中Eα（·）和Dβ（·）分别表示语义编码器和语义解码器，C（·）表示物理信道，^ s表示接收端恢复的信号。 PDF p.1 PDF p.4

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：DeepSC-TS 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.4

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.4 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

然后，我们讨论了在噪声（AWGN）、频率偏移和信道衰落（瑞利衰落）的影响下DeepSC-TS的仿真结果。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.8

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括Turbo、QAM、Swin Transformer、DeepSC、DeepSC-S；指标包括MSE、FLOPs、PESQ；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 1 dB、SNR = -12 dB、SNR = -8 dB、SNR = -3 dB、SNR = 3 dB、SNR = 6 dB、SNR = 8 dB。 PDF p.8

仿真结果表明，我们提出的DeepSC-TS在不同的信道环境中表现出出色的性能，它比现有的语音语义通信系统表现得更好。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：PLS 面向语义感知资源分配与网络优化，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在本文中，我们提出了一个物理层安全（PLS）框架的智能反射面（IRS）辅助集成传感和语义通信（ISASC）系统，多天线双功能语义基站（BS）服务于多个语义通信用户（SCU）和监视潜在的恶意传感目标（MST）在窃听者（EVE）的存在。 PDF p.1
2. 仍然存在的问题：但是，集成这些技术会带来重大的安全挑战。 PDF p.1
3. 为什么已有方法解决不了：只优化合法接收端的重建或任务 loss，并不会自动消除 latent 泄露、窃听或操纵风险；缺少的是把攻击者与保护目标放进同一系统模型。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：在本文中，我们提出了一个物理层安全（PLS）框架的智能反射面（IRS）辅助集成传感和语义通信（ISASC）系统，多天线双功能语义基站（BS）服务于多个语义通信用户（SCU）和监视潜在的恶意传感目标（MST）在窃听者（EVE）的存在。 PDF p.1
6. 方案为何可能有效：·提出了一个安全感知的IASC系统，该系统通过将AN和DSS结合作为PLS技术，来降低EVE和MST的安全风险。 PDF p.2
7. 作者希望证明什么：具体地说，与通常采用的最大比传输（MRT）方法相比，所提出的方法将感知精度提高了5 dB。 PDF p.1

方法与端到端信息流

该文提出了一种智能反射面（IRS）辅助的集成感知和语义通信（IASC）系统的物理层安全（PLS）框架，其中多天线双功能语义基站（BS）服务于多个语义通信用户（SCU），并在存在窃听者（EVE）的情况下监控潜在的恶意感知目标（MST），本文的主要贡献可以概括为：·提出了一个安全感知的IASC系统，该系统通过将AN和DSS结合作为PLS技术来降低来自EVE和MST威胁的安全风险。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

连续 learned latent / channel symbol(DeepJSCC) 独立判断：PLS 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.3

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.3

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.3

实验设置与主要结论

实验小节中明确出现的比较对象包括BPG、DeepSC；指标包括accuracy、semantic similarity、PER；信道/链路条件包括Rayleigh、Rician、IRS、SINR、MIMO、channel estimation。 PDF p.3

具体地说，与通常采用的最大比传输（MRT）方法相比，所提出的方法将感知精度提高了5 dB。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“通信安全与隐私”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。

一句话主旨：A Theory for Semantic Channel Coding With Many-to-One Source 面向语义信息度量与理论，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信作为6G的潜在关键技术之一，目前仍处于起步阶段，存在许多问题，如语义熵定义、语义信道编码理论等。 PDF p.1
2. 仍然存在的问题：为解决该问题，我们研究了语义信息测度和语义信道编码定理。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：没有定义清楚的语义目标和资源坐标，就无法判断收益来自通信机制还是更换了数据集、模型或评价指标。 PDF p.1
5. 本文提出什么：具体地说，我们提出了一个语义熵定义，即在知识库中随机变量符号语义解释的不确定性，在给定的条件下，它可以转化为已有的语义熵定义。 PDF p.1
6. 方案为何可能有效：具体地说，我们提出了一个语义熵定义，即在知识库中随机变量符号语义解释的不确定性，在给定的条件下，它可以转化为已有的语义熵定义。 PDF p.1
7. 作者希望证明什么：最后，数值仿真验证了语义熵和语义信道编码定理的有效性。 PDF p.1

方法与端到端信息流

具体地说，我们提出了一个语义熵定义，即在知识库中随机变量符号语义解释的不确定性，在给定的条件下，它可以转化为现有的语义熵定义。在Shannon信息熵的帮助下，我们提出了一个更一般的语义熵的定义，并证明了一个典型的语义信道编码定理语义通信。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：A Theory for Semantic Channel Coding With Many-to-One Source 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.6

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.6

语义 decoder 实际面对的是：非零 bit error rate 下的 many-to-one 语义信道输出(理论模型)。 PDF p.2 PDF p.6

实验设置与主要结论

数据集为CIFAR10、MNIST；实验小节中明确出现的比较对象包括ResNet；指标包括accuracy、classification accuracy、PER。 PDF p.6

最后，数值仿真验证了语义熵和语义信道编码定理的有效性。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：主要局限取决于训练/测试分布、信道假设和系统开销是否完整公开。

一句话主旨：SEMCOM 面向语音/音频传输或识别，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SEMCOM）是一种新型通信模型，它利用神经网络或深度学习技术来传达数据的语义和上下文推理，而不是像传统传输模型那样传输完整的原始比特。 PDF p.1
2. 仍然存在的问题：然而，这些过程非常容易受到对抗性攻击，因为没有加密的共享背景知识的性质和神经网络模型的脆弱性。 PDF p.1
3. 为什么已有方法解决不了：只优化合法接收端的重建或任务 loss，并不会自动消除 latent 泄露、窃听或操纵风险；缺少的是把攻击者与保护目标放进同一系统模型。 PDF p.1
4. 为什么这个问题重要：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.1
5. 本文提出什么：本文提出了两种针对SEMCOM的新的有针对性和无针对性的对抗性攻击，即信道反转攻击和朴素攻击。 PDF p.1
6. 方案为何可能有效：所提出的方法选择性地传输对于预期传输任务重要的语义特征，并且在各种传输环境中，例如，视线（LoS）和非视线（NLoS）中，穿透若干扰动模式的效率。 PDF p.2
7. 作者希望证明什么：因此，增强对抗训练和去除损失函数中的残差值是提高基于SECOMs的系统的复原力的直接解决方案。 PDF p.1

方法与端到端信息流

该文提出了两种针对SEMCOM的有针对性和无针对性的攻击方法，即信道反转攻击和朴素攻击，该方法选择性地传输对预定传输任务重要的语义特征，并在不同的传输环境下，如视线（LoS）和非视线（NLoS），穿透了几种扰动模式的有效性。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SEMCOM 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

AWGN信道上针对性攻击的SDR分数与非针对性攻击相比降低到1.35倍。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.12

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.12

实验设置与主要结论

实验小节中明确出现的比较对象包括Polar、VAE；指标包括MSE、accuracy、latency、PESQ；信道/链路条件包括AWGN、Rayleigh、Rician、wireless channel；正文可定位的代表性工作点有SNR = 8 dB、SNR = 0 dB、SNR = 20dB、SNR = 8dB。 PDF p.10

因此，增强对抗训练和去除损失函数中的残差值是提高基于SECOMs的系统的复原力的直接解决方案。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“通信安全与隐私”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。

一句话主旨：Conceptual Learning and Causal Reasoning for Semantic Communication 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是一种向以意义为导向的交流的范式转变，这在很大程度上是由人工智能技术实现的。 PDF p.1
2. 仍然存在的问题：然而，以自动化的方式学习这些概念空间是一个主要的挑战。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：为解决这些问题，本文提出了概念空间语义通信的两个主要创新。 PDF p.1
6. 方案为何可能有效：概念空间提供可解释的低维语义变量，因果图把这些变量与任务目标连接起来，使接收端能够利用结构知识补偿信道造成的语义偏移。 PDF p.2
7. 作者希望证明什么：仿真结果表明，该方法与传统通信技术相比，分类精度提高了40%，与传统方法相比，分类率降低了99%。 PDF p.1

方法与端到端信息流

发送端以 VAE 学习可解释的概念空间，并显式建模概念维度与任务变量之间的因果关系；接收端在受损语义变量上执行因果推理，恢复任务相关概念而非逐样本复刻。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Conceptual Learning and Causal Reasoning for Semantic Communication 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

实验小节中明确出现的比较对象包括QAM、VAE、BERT；指标包括mAP、accuracy、semantic similarity、classification accuracy、PER；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR of -20dB。 PDF p.9

仿真结果表明，该方法与传统通信技术相比，分类精度提高了40%，与传统方法相比，分类率降低了99%。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：MS-SSIM 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：研究了分布式双视场景中信源为相关图像、信道独立的深度联合信源信道编码（JSCC）。 PDF p.1
2. 仍然存在的问题：然而，现有的JSCC研究大多集中在点对点的通信场景，对多终端场景的探索有限，例如本文所考虑的分布式图像传输。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：研究了分布式双视场景中信源为相关图像、信道独立的深度联合信源信道编码（JSCC）。 PDF p.1
6. 方案为何可能有效：此外，针对以往大多数研究对所有图像分配相同的带宽，忽略了图像间的差异性，本文设计了一种基于熵掩模的内容自适应可变速率模块。 PDF p.1
7. 作者希望证明什么：实验结果表明，与现有的分布式JSCC算法相比，本文提出的多层信息融合模块和熵掩模模块能够有效地提高重建质量约1.0dB PSNR。 PDF p.1

方法与端到端信息流

本文研究了分布式双视角场景下的深度联合信源信道编码（JSCC），其中信源是相关图像，而信道是独立的;另外，针对以往大多数研究对所有图像分配相同的带宽，忽略了图像之间的差异，本文设计了一种基于熵掩码的内容自适应可变码率模块。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：MS-SSIM 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.2 PDF p.8

实验设置与主要结论

数据集为KITTI；实验小节中明确出现的比较对象包括JPEG、JPEG2000、BPG、ViT、JSCC；指标包括PSNR、SSIM、MS-SSIM、MSE、mAP、FLOPs、PER；信道/链路条件包括AWGN；正文可定位的代表性工作点有SNR = 5 dB、SNR of 28.12 dB、SNR = 10 dB、compression ratio of 0.065。 PDF p.8

实验结果表明，与现有的分布式JSCC算法相比，本文提出的多层信息融合模块和熵掩模模块能够有效地提高重建质量约1.0dB PSNR。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：DRL 面向图像传输、压缩或生成，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：在第六代（6G）无线通信系统中，语义通信（SC）的目的是提高数据传输速率和处理效率。 PDF p.1
2. 仍然存在的问题：然而，这些系统通常具有缺乏考虑动态压缩和非线性信道效应的局限性。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为此，提出了两种动态压缩策略，并对每种策略中的有利情况进行了评估。 PDF p.1
6. 方案为何可能有效：第二节概述了提议的系统模型。 PDF p.3
7. 作者希望证明什么：仿真结果表明，在衰落信道条件下，与现有方法相比，所提出的SC系统可分别降低约40%的计算复杂度和提高约20%的平均性能。 PDF p.1

方法与端到端信息流

为此，提出了两种动态压缩策略，并对每种策略的有利情况进行了评估。第二节概述了所提出的系统模型。 PDF p.1 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：DRL 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

在各种信道条件下进行了仿真，包括AWGN，瑞利和莱斯信道。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.10

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.10

实验设置与主要结论

实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、Turbo、QAM、VAE、SwinJSCC、JSCC；指标包括PSNR、accuracy、FLOPs、classification accuracy、PER；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel。 PDF p.9

仿真结果表明，在衰落信道条件下，与现有方法相比，所提出的SC系统可分别降低约40%的计算复杂度和提高约20%的平均性能。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：DiSeLCE 面向图像传输、压缩或生成，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：与传统的基于比特的方案相比，基于语义通信（SemCom）的图像传输方案由于其固有的抗信道噪声的鲁棒性而实现了传输数据量的显著减少，同时在有限数据的条件下保持了优异的图像质量。 PDF p.1
2. 仍然存在的问题：然而，大多数现有的SemCom系统基于模拟通信范例，允许在信道上传输任意复数值。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：本文针对数字通信系统的局限性，提出了一种基于可学习信道估计器（DiSeLCE）的端到端数字SemCom系统。 PDF p.1
6. 方案为何可能有效：受上述讨论的启发，本文介绍了一种用于OFDM传输的具有可学习信道估计器（DiSeLCE）的数字SemCom系统。 PDF p.2
7. 作者希望证明什么：实验结果表明，DiSeLCE算法在频率选择性衰落信道下具有良好的性能，即使在低信噪比（SNR）条件下也能实现高效的图像传输。 PDF p.1

方法与端到端信息流

本文针对数字通信系统的局限性，提出了一种基于可学习信道估计器（DiSeLCE）的端到端数字SemCom系统，并在此基础上，提出了一种基于可学习信道估计器的数字SemCom系统。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

此外，我们采用了软到硬量化方法，有效地减轻了由于量化映射模型梯度的不连续性。 独立判断：DiSeLCE 的主传输单位应归为“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.6

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象

我们将语义特征F作为查询，而星座图中具有不同调制方案（例如，16 QAM、64 QAM）的星座点作为键和值。 本调研据此归为“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”。 这些传统信道编码/调制条目若只属于 baseline，不改变所提语义接收机默认可靠输入的分类。 PDF p.5

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.5

实验设置与主要结论

数据集为Kodak；实验小节中明确出现的比较对象包括ResNet、JSCC、OFDM；指标包括PSNR、SSIM、MSE、mAP、accuracy、PER；信道/链路条件包括OFDM、channel estimation、fading channel。 PDF p.6

实验结果表明，DiSeLCE算法在频率选择性衰落信道下具有良好的性能，即使在低信噪比（SNR）条件下也能实现高效的图像传输。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：Digital-SC 面向图像传输、压缩或生成，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是一种智能通信范式，旨在通过深度学习技术来传输语义领域中的有用信息。 PDF p.1
2. 仍然存在的问题：然而，在频谱资源有限的情况下，要满足这些应用的严格服务要求，例如大规模连接、实时数据传输和处理等，是极具挑战性的。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为此，提出了一种数字语义通信系统，该系统由一个部署在资源受限设备上的编码网络和一个部署在边缘的解码网络组成。 PDF p.1
6. 方案为何可能有效：为此，提出了一种数字语义通信系统，该系统由一个部署在资源受限设备上的编码网络和一个部署在边缘的解码网络组成。 PDF p.1
7. 作者希望证明什么：我们还引入了一个语义学习损失（SLL）功能，以减少语义错误。 PDF p.1

方法与端到端信息流

在本文中，我们提出了一个数字语义通信系统，它包括一个部署在资源有限的设备上的编码网络和一个部署在边缘的解码网络。此外，为了使一个更灵活和自适应的量化过程，所提出的非线性量化函数自适应地学习量化间隔的数据分布，反映星座图上的点的密度。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

为了获得更好的数字传输的语义表示，提出了一种新的非线性量化模块，有效地与可训练的量化水平的语义特征。 独立判断：Digital-SC 的主传输单位应归为“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 4：离散 bit/index/packet error 被显式建模或联合训练

因此，我们将无噪声信道下的网络和AWGN信道下的网络之间的“软”信息中的差距纳入SLL中。 本调研据此归为“类别 4：离散 bit/index/packet error 被显式建模或联合训练”。 PDF p.7

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.7

实验设置与主要结论

数据集为ImageNet、CIFAR-10；实验小节中明确出现的比较对象包括BPG、QAM、ResNet、JSCC、BERT；指标包括accuracy、FLOPs、classification accuracy、BER；信道/链路条件包括AWGN、wireless channel、BSC；正文可定位的代表性工作点有at 6dB SNR、at 3dB SNR、at 12dB SNR、BER = 0.1、BER = 0.01。 PDF p.8

我们还引入了一个语义学习损失（SLL）功能，以减少语义错误。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：通信价值来自把离散错误的后果纳入语义目标，而不只是降低平均 BER；应重点检查错误模型、保护开销和训练/测试失配。

局限：错误模型仍主要来自仿真；码本规模、包头/FEC、真实调制和 burst error 是否与训练分布一致，需要原型或真实链路验证。

一句话主旨：EESC-S 面向语音/音频传输或识别，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，基于深度学习的语义通信技术在提高语义信息传输效率方面的研究取得了丰硕的成果。 PDF p.1
2. 仍然存在的问题：语音传输是语义通信的重要应用，而语音中所包含的情感对于准确理解说话人（即发送者）是非常重要的。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.1
5. 本文提出什么：本文提出了一种基于情感信息辅助的语音语义通信框架。 PDF p.1
6. 方案为何可能有效：具体地说，情感-语义融合机制被设计成增强接收机处的内容和情感之间的相关性。 PDF p.1
7. 作者希望证明什么：实验以悬臂梁系统为分析对象，与传统框架进行对比分析，实验结果表明，该框架能够显著提高语音传输性能。 PDF p.1

方法与端到端信息流

本文提出了一种基于情感信息的语音语义通信框架，设计了情感-语义融合机制，以增强接收端语音内容与情感之间的相关性。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：EESC-S 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为LibriSpeech；实验小节中明确出现的比较对象包括DeepJSCC、LDPC、Turbo、QAM、Swin Transformer、DeepSC、DeepSC-S、JSCC、OFDM；指标包括MSE、mAP、accuracy、precision、FLOPs、PESQ、SER、PER；信道/链路条件包括AWGN、Rayleigh、Rician、wireless channel、MIMO、OFDM、fading channel。 PDF p.9

实验以悬臂梁系统为分析对象，与传统框架进行对比分析，实验结果表明，该框架能够显著提高语音传输性能。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：NF-ISCSC 面向通用语义通信系统，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：该框架考虑了多个通信用户和由一系列散射点组成的扩展目标的影响。 PDF p.1
2. 仍然存在的问题：然而，语义通信对信道条件的敏感性强调了对自适应解决方案的需求。 PDF p.1
3. 为什么已有方法解决不了：只优化合法接收端的重建或任务 loss，并不会自动消除 latent 泄露、窃听或操纵风险；缺少的是把攻击者与保护目标放进同一系统模型。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：为此，流体天线（FA）提出，以协助NF-ISCSC系统，提供动态适应性的信道变化。 PDF p.1
6. 方案为何可能有效：提出了一个联合优化问题，在考虑感知性能、计算约束和功率预算的同时，最大化数据速率。 PDF p.1
7. 作者希望证明什么：新算法不仅减少了计算复杂度，同时能保持较高的性能。 PDF p.9

方法与端到端信息流

为此，流体天线（FA）被提出来协助NF-ISCSC系统，提供动态适应性的信道variation.A的联合优化问题，制定最大限度地提高数据速率，同时占传感性能，计算约束，和功率预算。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

学习式语义 feature;数字接口需由正文具体实现判定 独立判断：NF-ISCSC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

当最大延迟为0.1 s，计算能力为1.1 × 102 cycles/bit时，语义保密率最高，但随着数据量的增加，语义保密率逐渐下降。 PDF p.14

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.10

实验设置与主要结论

指标包括MSE、accuracy、recall、latency、PER；信道/链路条件包括Rayleigh。 PDF p.10

新算法不仅减少了计算复杂度，同时能保持较高的性能。 PDF p.9

通信价值、局限与 Codex 判断

该工作位于“通信安全与隐私”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：M-JSCC 面向任务导向推理，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：得益于非对称架构，解码器不再依赖于编码器，这使得它可以根据具体需求进行切换，以更好地适应不同的面向任务的场景。 PDF p.1
2. 仍然存在的问题：然而，目前的SC系统主要依赖于基于卷积神经网络的对称架构，这不仅严重限制了网络的容量，而且导致编码器和解码器之间的高度耦合。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：在本文中，我们提出了一个非对称的端到端SC架构的基础上GAI，命名为掩蔽联合信源信道编码（M-JSCC）。 PDF p.1
6. 方案为何可能有效：在M-JSCC中，我们更多地关注于编码器的设计，优先考虑语义信息的提取，而较少强调解码器。 PDF p.2
7. 作者希望证明什么：在模型训练过程中，我们引入了一种掩蔽机制，提高了M-JSCC提取语义信息的性能，并增强了在各种信道条件下的鲁棒性。 PDF p.1

方法与端到端信息流

本文提出了一种基于GAI的非对称端到端SC结构，称为掩码联合信源信道编码（M-JSCC），M-JSCC主要关注编码器的设计，优先考虑语义信息的提取，而不太关注解码器。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

连续 learned latent / channel symbol(DeepJSCC) 独立判断：M-JSCC 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.7

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.7

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.7

实验设置与主要结论

数据集为Kodak、DIV2K、ImageNet、CIFAR-10；实验小节中明确出现的比较对象包括DeepJSCC、WITT、JPEG、BPG、LDPC、Swin Transformer、JSCC；指标包括PSNR、SSIM、MS-SSIM、MSE、Top-1、Top-5、accuracy、latency、classification accuracy；信道/链路条件包括AWGN、Rayleigh；正文可定位的代表性工作点有SNR = 12 dB。 PDF p.7

在模型训练过程中，我们引入了一种掩蔽机制，提高了M-JSCC提取语义信息的性能，并增强了在各种信道条件下的鲁棒性。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SFMA 面向视频传输、生成或控制，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文研究了一种新的生成式人工智能（GAI）授权的多用户语义通信系统称为语义特征多址（SFMA）的视频传输，它包括一个基站（BS）和成对的用户。 PDF p.1
2. 仍然存在的问题：然而，实现语义通信面临着一些挑战，如有效的语义信息提取，鲁棒性错误，跨设备的互操作性，并在多用户环境中管理语义干扰。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：视频持续占用带宽且具有严格时延，单帧错误还会跨帧传播；通信系统必须同时处理时序一致性、资源占用和渐进退化。 PDF p.1
5. 本文提出什么：因此，我们引入一个权重参数的SINR方程，以更好地代表系统的性能。 PDF p.1
6. 方案为何可能有效：本文研究了一种新的生成式人工智能（GAI）授权的多用户语义通信系统称为语义特征多址（SFMA）的视频传输，它包括一个基站（BS）和成对的用户。 PDF p.1
7. 作者希望证明什么：仿真结果表明，我们的方法提高了传输速率高达24.8%，45.8%，和66.1%相比，固定功率非正交多址接入（F-NOMA），正交联合信源信道编码（O-JSCC），正交频分多址接入（OFDMA）计划，分别。 PDF p.1

方法与端到端信息流

因此，我们引入一个权重参数的SINR方程，以更好地代表系统的performance. This本文研究了一种新的生成人工智能（GAI）授权的多用户语义通信系统称为语义特征多址（SFMA）的视频传输，其中包括一个基站（BS）和成对的用户。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SFMA 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

表征可用信道资源的压缩比被定义为γ = B/n，并且B是指信道带宽。 PDF p.4

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为CIFAR-10；实验小节中明确出现的比较对象包括JSCC、OFDM；指标包括PSNR、SSIM、MS-SSIM、LPIPS、MSE、mAP、accuracy、PER；信道/链路条件包括AWGN、NOMA、SINR、MIMO、OFDM。 PDF p.9

仿真结果表明，我们的方法提高了传输速率高达24.8%，45.8%，和66.1%相比，固定功率非正交多址接入（F-NOMA），正交联合信源信道编码（O-JSCC），正交频分多址接入（OFDMA）计划，分别。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：GenAI 面向综述、架构与研究路线，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：我们研究关键技术，如语义通信和GenAI启用的传输和网络的开创性应用程序，允许实时理解和执行高层意图，使用户意图与无线网络的集成。 PDF p.1
2. 仍然存在的问题：现有的体验质量（QoE）建模方法通常受到用户意图和网络调整之间的弱相关性的影响。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：本文介绍了交互式无线网络中的一种创新范式，利用大语言模型（LLM）和生成式人工智能（GenAI）动态调整网络配置和传输策略与用户意图。 PDF p.1
6. 方案为何可能有效：我们为支持GenAI的QoE建模方法提供了一个路线图，该方法在用户需求和网络配置之间创建了强耦合和直接映射。 PDF p.4
7. 作者希望证明什么：曾获江苏省人民政府哲学社会科学优秀成果奖一等奖。 PDF p.22

方法与端到端信息流

本文介绍了交互式无线网络中的一种创新范式，利用大语言模型（LLM）和生成人工智能（GenAI）动态地将网络配置和传输策略与用户意图相匹配，并为基于GenAI的QoE建模方法提供了路线图，该方法在用户需求和网络配置之间创建了强耦合和直接映射。 PDF p.1 PDF p.4

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：GenAI 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.13

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.13

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.13

实验设置与主要结论

该文属于综述/架构论文，不设置单一训练数据集、实验 baseline 或统一 SNR 工作点；页面中的技术名称按被综述对象处理，不冒充作者实验。 PDF p.13

曾获江苏省人民政府哲学社会科学优秀成果奖一等奖。 PDF p.22

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。 该文属于边界谱系,不能用它代表端到端语义通信主线。

一句话主旨：AI-Driven 面向图像传输、压缩或生成，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：最近的研究已经证明了RSMA在频谱效率、能量效率和可靠性方面的优势，特别是在管理TC 2025 IEEE方面。 PDF p.1
2. 仍然存在的问题：然而，NOMA的固有局限性，包括在不完美的信道状态信息（CSI）和严格的用户信道条件要求下的大量性能下降，促使RSMA的发展。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：本文提出了一种集成速率分割多址接入（RSMA），语义通信和生成式AI的框架，用于优化下一代无线网络。 PDF p.1
6. 方案为何可能有效：我们的框架包括一个多目标的性能评估，同时考虑传统的指标和语义准确性在多用户RSMA环境。 PDF p.1
7. 作者希望证明什么：大量的仿真结果表明，我们提出的框架优于现有的方法在系统吞吐量，能源效率和语义保真度在各种网络场景和用户分布。 PDF p.1

方法与端到端信息流

本文提出了一个综合速率分割多址接入（RSMA）、语义通信和生成式人工智能的框架，用于优化下一代无线网络，该框架包括一个多目标性能评估，该评估在多用户RSMA环境中同时考虑了传统指标和语义准确性。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AI-Driven 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为COCO、ImageNet、Cityscapes；实验小节中明确出现的比较对象包括ResNet、DeepLab、PPO、SAC；指标包括bitrate、accuracy、PER；信道/链路条件包括NOMA；正文可定位的代表性工作点有SNR from 0 dB。 PDF p.9

大量的仿真结果表明，我们提出的框架优于现有的方法在系统吞吐量，能源效率和语义保真度在各种网络场景和用户分布。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：AIGC 面向综述、架构与研究路线，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：生成式人工智能（GAI）已经成为一个迅速发展的领域，在智能和自动创建多样化内容方面表现出巨大的潜力。 PDF p.1
2. 仍然存在的问题：语义通信（SemCom）已被认为是一个革命性的通信方案，以解决这一挑战，通过传达消息的含义，而不是比特再现。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：随后，我们提出了创新的生成水平和知识管理策略，在拟议的网络，包括知识的建设，更新和共享，确保准确和及时的基于知识的推理。 PDF p.1
6. 方案为何可能有效：组织和我们在本文中的主要贡献可以概括为：·第二部分-我们主要提出了一个GAI驱动的SemCom框架，用于AIGC交付。 PDF p.3
7. 作者希望证明什么：我们可以观察到，GAI驱动的SemCom系统的更优的性能在SNR从10到35 dB变化的情况下尤为明显，SSIM值迅速提高，在有利条件下展示了其卓越的性能。 PDF p.12

方法与端到端信息流

该文是架构/综述工作：它提出 GAI 驱动的语义通信网络分层框架，并按知识构建、更新、共享、生成式推理和资源编排组织现有技术，而不是给出单一可复现 codec。 PDF p.1 PDF p.3

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AIGC 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.13

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.13

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.13

实验设置与主要结论

该文属于综述/架构论文，不设置单一训练数据集、实验 baseline 或统一 SNR 工作点；页面中的技术名称按被综述对象处理，不冒充作者实验。 PDF p.13

我们可以观察到，GAI驱动的SemCom系统的更优的性能在SNR从10到35 dB变化的情况下尤为明显，SSIM值迅速提高，在有利条件下展示了其卓越的性能。 PDF p.12

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 该文属于边界谱系,不能用它代表端到端语义通信主线。

一句话主旨：SemCom 面向语义信息度量与理论，把问题放在“语义信息理论与性能度量”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信（SemCom）是一种以信息熵代替原始数据进行信息传输的有效方法，它可以提高信息传输的效率和鲁棒性。 PDF p.1
2. 仍然存在的问题：然而，SemCom在工业网络中的适应性仍有待探索。 PDF p.1
3. 为什么已有方法解决不了：不同论文各自报告准确率或重建指标，不能替代统一、可计算且与通信资源相联系的定义或可达界；缺失的是比较坐标而不是更深的网络。 PDF p.1
4. 为什么这个问题重要：没有定义清楚的语义目标和资源坐标，就无法判断收益来自通信机制还是更换了数据集、模型或评价指标。 PDF p.1
5. 本文提出什么：SemCom最近对物联网（IoT）的研究引起了更多的关注。 PDF p.1
6. 方案为何可能有效：具体而言，为了满足工业网络中各种节点的不同需求，构建了一种面向SemCom的异构网关规划架构。 PDF p.1
7. 作者希望证明什么：实验结果表明，H-DQN算法的性能优于其他算法，部署的网关数量少，运算时间节省50%以上。 PDF p.1

方法与端到端信息流

SemCom是近年来物联网研究的热点，为了满足工业网络中不同节点的不同需求，本文构建了一种异构的SemCom网关规划架构。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SemCom 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括DQN；指标包括SSIM、mAP、throughput；信道/链路条件包括SINR。 PDF p.8

实验结果表明，H-DQN算法的性能优于其他算法，部署的网关数量少，运算时间节省50%以上。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“语义信息理论与性能度量”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：Joint Source-Channel Coding for Channel-Adaptive Digital Semantic Communications 面向图像传输、压缩或生成，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：本文介绍了一个新的信道自适应数字语义通信的联合信源信道编码算法。 PDF p.1
2. 仍然存在的问题：为了解决这一问题，我们首先提出了一种新的解调方法，该方法通过评估解调输出的不确定性来提高数字语义通信系统的鲁棒性。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为此，我们使用二进制对称擦除信道来建模编码器的输出和解码器的输入之间的关系，然后从不同的分布中采样这些信道的参数。 PDF p.1
6. 方案为何可能有效：提出的方法包括三个新的组成部分：（i）鲁棒解调方法，（ii）鲁棒训练策略，和（iii）信道自适应调制技术。 PDF p.2
7. 作者希望证明什么：我们还开发了一种用于推理阶段的信道自适应调制技术，以便在保持任务性能的同时减少通信延迟。 PDF p.1

方法与端到端信息流

为此，我们使用二进制对称擦除信道的编码器的输出和解码器的输入之间的关系建模，然后从不同的distribution. The所提出的方法包括三个新的组件采样这些信道的参数：（i）一个强大的解调方法，（ii）一个强大的训练策略，和（iii）一个信道自适应调制技术。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

当执行梯度反向传播时，我们排除了JSCC编码器之后的量化过程，因为该过程涉及不可微采样。 独立判断：Joint Source-Channel Coding for Channel-Adaptive Digital Semantic Communications 的主传输单位应归为“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.8

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 4：离散 bit/index/packet error 被显式建模或联合训练

为此，我们使用二进制对称擦除信道来建模编码器的输出和解码器的输入之间的关系，然后从不同的分布中采样这些信道的参数。 本调研据此归为“类别 4：离散 bit/index/packet error 被显式建模或联合训练”。 PDF p.1

语义 decoder 实际面对的是：由 Binary Symmetric Erasure Channel 采样得到的受损 binary latent / demodulation output。 PDF p.1

实验设置与主要结论

数据集为CIFAR-10、CIFAR-100、MNIST、Fashion-MNIST；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、QAM、JSCC；指标包括PSNR、MSE、mAP、accuracy、precision、latency、classification accuracy、BER；信道/链路条件包括erasure、BSC、erasure channel；正文可定位的代表性工作点有SNR = 5 dB、SNR = 1 dB。 PDF p.9

我们还开发了一种用于推理阶段的信道自适应调制技术，以便在保持任务性能的同时减少通信延迟。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：通信价值来自把离散错误的后果纳入语义目标，而不只是降低平均 BER；应重点检查错误模型、保护开销和训练/测试失配。

局限：主要局限取决于训练/测试分布、信道假设和系统开销是否完整公开。

一句话主旨：MESC 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：提出了一种基于模型的面向任务的SemCom（MESC）模型，该模型通过参与者之间共享训练好的模型来建立SemCom。 PDF p.1
2. 仍然存在的问题：然而，这一前提条件偏离了现实，因为建立共享数据集的成本是巨大的。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：提出了一种基于模型的面向任务的SemCom（MESC）模型，该模型通过参与者之间共享训练好的模型来建立SemCom。 PDF p.1
6. 方案为何可能有效：具体地，我们假设每个通信参与者拥有一个非IID私有数据集。 PDF p.1
7. 作者希望证明什么：大量实验结果表明，MESC的性能优于SemCom基准测试和传统编码方法，达到了最佳的通信性能。 PDF p.1

方法与端到端信息流

我们提出了一个模型使能的面向任务的SemCom（MESC），它通过在参与者之间共享训练好的模型来建立SemCom。具体地说，我们假设每个通信参与者拥有一个非IID的私有数据集。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：MESC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

作为比较，在衰落信道中，我们使用的神经网络架构在直接训练SVHN数据集时达到了94.80%的分类准确率，而我们的通信任务的准确率为91.02%。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.8

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.8

实验设置与主要结论

数据集为CelebA、MNIST；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、GAN、ResNet、JSCC；指标包括PSNR、accuracy、FLOPs、classification accuracy；信道/链路条件包括AWGN、Rayleigh、fading channel。 PDF p.8

大量实验结果表明，MESC的性能优于SemCom基准测试和传统编码方法，达到了最佳的通信性能。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：GDM 面向多模态检索与任务通信，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：此外，创成式人工智能（GAI）的最新进展通过其强大的创成能力进一步提高了SemCom的效率。 PDF p.1
2. 仍然存在的问题：但用户仍需要从移动的AIGC服务提供商处下载大量AIGC输出，这使通信资源紧张，并增加了传输故障的风险。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：语义质量必须在真实的带宽、功率和时延预算下成立，否则模型收益不能转化为通信系统收益。 PDF p.1
5. 本文提出什么：本文提出一种基于生成扩散模型（Generative Diffusion Model，GDM）的多模态SemCom（GM-SemCom）框架，利用该框架可以有效地解决多模态SemCom的建模问题。 PDF p.1
6. 方案为何可能有效：此外，为了确保在我们提出的框架内的MASP和用户之间的高质量的AIGC服务，我们制定了一个Stackelberg游戏模型与MASP作为领导者和多个用户作为追随者。 PDF p.2
7. 作者希望证明什么：数值实验结果表明，与传统的深度强化学习算法相比，该算法收敛速度更快，更接近Stackelberg均衡。 PDF p.1

方法与端到端信息流

本文提出了一个基于生成扩散模型（GDM）的多模态SemCom（GM-SemCom）框架，并建立了一个以MASP为领导者、多个用户为追随者的Stackelberg博弈模型，以保证框架内MASP和用户之间的高质量AIGC服务。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：GDM 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为CelebA、FFHQ；实验小节中明确出现的比较对象包括JPEG、JPEG2000、VAE、PPO、SAC、SSCC、GPT、OFDM；指标包括PSNR、SSIM、FID、MSE、mAP、accuracy、QoE、latency、energy efficiency；信道/链路条件包括OFDM；正文可定位的代表性工作点有SNR = 2 dB、SNR = 5 dB。 PDF p.9

数值实验结果表明，与传统的深度强化学习算法相比，该算法收敛速度更快，更接近Stackelberg均衡。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：PLIT 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：我们提出了一个新的框架称为渐进式学习图像传输（PLIT），利用分层变分自动编码器（VAE）催化语义通信。 PDF p.1
2. 仍然存在的问题：PLIT通过自底向上和自顶向下路径采用自回归生成来创建传输图像的几个特征表示，有效地捕获上下文信息。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：我们提出了一个新的框架称为渐进式学习图像传输（PLIT），利用分层变分自动编码器（VAE）催化语义通信。 PDF p.1
6. 方案为何可能有效：具体而言，PLIT可以将每个表示转换为不同数量的信道符号，由指示每个表示的熵的分层VAE的学习先验指导。 PDF p.1
7. 作者希望证明什么：大量的实验表明，我们提出的方法优于现有的基准方法的率失真性能，并保持对信道噪声的鲁棒性能。 PDF p.1

方法与端到端信息流

我们提出了一种名为渐进学习图像传输（PLIT）的新框架，该框架利用分层变分自动编码器（VAE）来催化语义通信。具体来说，PLIT可以在分层VAE学习的先验信息的指导下，将每个表示转换为不同数量的信道符号，这些先验信息指示每个表示的熵。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：PLIT 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

为了保持一致性，所有方案的CBR都固定为0.0625。 PDF p.12

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

在AWGN信道和Rayleigh衰落信道下，分别在1、2和4个相位下，PSNR性能与SNR性能的比较。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.10

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.10

实验设置与主要结论

数据集为Kodak、DIV2K、ImageNet；实验小节中明确出现的比较对象包括DeepJSCC、NTSCC、JPEG、JPEG2000、BPG、LDPC、Swin Transformer、VAE、ResNet、SwinJSCC、JSCC；指标包括PSNR、SSIM、MS-SSIM、LPIPS、MSE、latency；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 10 dB、SNR of 10 dB。 PDF p.9

大量的实验表明，我们提出的方法优于现有的基准方法的率失真性能，并保持对信道噪声的鲁棒性能。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：R-UAV-Net 面向语义感知资源分配与网络优化，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：近年来，由于水稻叶部病害的流行，水稻种植面临着重大挑战。 PDF p.1
2. 仍然存在的问题：无人机传感的一个严峻挑战是从这种高分辨率地面数据中进行资源有效的收集、传输和疾病检测。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：本研究旨在探讨水稻叶部病害的目标检测技术。 PDF p.1
6. 方案为何可能有效：本研究通过引入图启发的编码器-解码器语义压缩（G-SC）以及增强的YOLOv 4架构来解决这些问题，用于水稻农艺学中的疾病检测。 PDF p.1
7. 作者希望证明什么：R-UAV-Net的表现优于最先进的（SOTA）技术，平均精度（mAP）提高了0.69%，F1得分比性能最好的叶片检测模型提高了0.12。 PDF p.1

方法与端到端信息流

本研究致力于水稻叶部病害的目标检测和定位，通过引入基于图的编码解码语义压缩（G-SC）和增强型YOLOv 4体系结构，实现水稻叶部病害的目标检测。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：R-UAV-Net 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：无误语义表示,或抽象系统变量。 PDF p.2 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括ViT、ResNet、YOLO；指标包括mAP、Top-1、accuracy、precision、throughput、PER、F1-score。 PDF p.8

R-UAV-Net的表现优于最先进的（SOTA）技术，平均精度（mAP）提高了0.69%，F1得分比性能最好的叶片检测模型提高了0.12。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。 该文属于边界谱系,不能用它代表端到端语义通信主线。

一句话主旨：RDP 面向语义信息度量与理论，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着对高带宽效率需求的不断增长，端到端图像传输已成为智能无线通信的重要趋势。 PDF p.1
2. 仍然存在的问题：然而，现有的方法主要是优化带宽成本和客观失真之间的折衷，常常不能提供与人类感知一致的视觉上令人愉悦的结果。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：没有定义清楚的语义目标和资源坐标，就无法判断收益来自通信机制还是更换了数据集、模型或评价指标。 PDF p.1
5. 本文提出什么：为此，本文提出了一种新的速率-失真-感知（RDP）联合优化的联合信源-信道编码（JSCC）框架，以提高人类通信中的感知质量。 PDF p.1
6. 方案为何可能有效：在此背景下，我们建议升级JSCC框架的优化目标，纳入“速率-失真-感知（RDP）”的三重权衡，以满足端到端通信系统对高感知质量的需求。 PDF p.2
7. 作者希望证明什么：综合实验结果表明，本文提出的RDP-JSCC框架在感知性能上明显优于现有的传输方法，在某些情况下其失真性能也接近“VTM + LDPC”方案。 PDF p.14

方法与端到端信息流

本文提出了一种新的速率-失真-感知（RDP）联合优化的联合信源-信道编码（JSCC）框架来提高人类通信中的感知质量，在此背景下，我们提出了将JSCC框架的优化目标升级为包含“速率-失真-感知（RDP）”三重权衡，以满足端到端通信系统对高感知质量的需求。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：RDP 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

(c)：CCT、DPCT（β）、NTSCC+和“VTM + LDPC”的Cityscapes数据集上相对于CBR的平均IoU，灰色虚线表示Cityscapes验证集中原始图像的mIoU。 PDF p.12

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

图像以SNR = 10 dB通过AWGN信道（第一行）和瑞利信道（第二行）传输。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.11

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.11

实验设置与主要结论

数据集为Kodak、Open Images、Cityscapes、HEVC；实验小节中明确出现的比较对象包括NTSCC、BPG、VVC、HEVC、LDPC、VTM、GAN、ELIC、HiFiC、JSCC；指标包括PSNR、FID、MSE、mAP、mIoU、latency、FLOPs、IoU、PER；信道/链路条件包括AWGN、Rayleigh、fading channel；正文可定位的代表性工作点有SNR = 10dB、CBR = 0.0035、CBR = 0.009、CBR = 0.0192。 PDF p.9

综合实验结果表明，本文提出的RDP-JSCC框架在感知性能上明显优于现有的传输方法，在某些情况下其失真性能也接近“VTM + LDPC”方案。 PDF p.14

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：MPs 面向图像传输、压缩或生成，把问题放在“联合信源信道编码（JSCC）”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：地球观测（EO）卫星产生的大量数据对有限速率的星地链路构成了重大挑战。 PDF p.1
2. 仍然存在的问题：然而，一个主要问题是，使用高分辨率传感器会产生大量数据，这就需要大量的通信资源和机载数据存储能力，以便将数据传输给地面最终用户。 PDF p.1
3. 为什么已有方法解决不了：分离压缩与信道编码优化的是中间 bit 可靠性，未必等价于本文关心的语义/任务质量；反过来，只做端到端网络而不交代带宽、功率和信道作用点也无法形成公平通信比较。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：本文讨论了多光谱卫星图像变化检测的下行通信问题，用于EO目的。 PDF p.1
6. 方案为何可能有效：我们的方法通过对每个像素进行评分并选择性地传输那些可能被改变的像素来推进这一点，即，保持选择和编码改变的像素的95%的概率。 PDF p.2
7. 作者希望证明什么：数值计算结果表明，所提出的框架在实现高达58%的节能，同时保持高质量的数据传输基于卫星的EO应用的有效性。 PDF p.1

方法与端到端信息流

本文讨论了多光谱卫星图像变化检测的下行链路通信问题，我们的方法通过对每个像素进行评分并选择性地传输那些可能发生变化的像素，即保持95%的概率选择和编码变化的像素。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：MPs 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.9

实验设置与主要结论

指标包括PSNR、mAP、accuracy、precision、MACs、energy efficiency、AUC；信道/链路条件包括wireless channel。 PDF p.9

数值计算结果表明，所提出的框架在实现高达58%的节能，同时保持高质量的数据传输基于卫星的EO应用的有效性。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“联合信源信道编码（JSCC）”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：GMAC 面向文本传输或语言任务，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：多个Agent之间的协作需要高效的通信。 PDF p.1
2. 仍然存在的问题：然而，多智能体系统中的观测数据通常是大量的和冗余的，并且当直接传输时对通信系统构成了实质性的挑战。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：针对这一问题，提出了一种基于大语言模型（LLM）的多智能体通信方案，称为基于GPT的多智能体通信语义信息抽取（GMAC）。 PDF p.1
6. 方案为何可能有效：在本节中，我们将对我们提出的GMAC方案进行全面的解释，该方案分为四个主要阶段。 PDF p.4
7. 作者希望证明什么：因此，GMAC提供了一个简单而有效的方法来实现多智能体系统中的高效和经济的通信。 PDF p.1

方法与端到端信息流

针对这一问题，本文提出了一种基于大语言模型（LLM）的多Agent通信方案，即基于GPT的多Agent通信语义信息提取（GMAC）方案，并将其分为四个主要阶段进行了详细的阐述。 PDF p.1 PDF p.4

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：GMAC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.8

实验设置与主要结论

论文未在可稳定定位的实验段落中同时给出数据集、baseline、信道和资源工作点；应以对应结果图页为准。 PDF p.8

因此，GMAC提供了一个简单而有效的方法来实现多智能体系统中的高效和经济的通信。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。 该文属于边界谱系,不能用它代表端到端语义通信主线。

一句话主旨：Semantic Successive Refinement 面向图像传输、压缩或生成，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是一种旨在突破香农极限的新兴技术。 PDF p.1
2. 仍然存在的问题：传统的SC策略通常最小化原始数据和重建数据之间的信号失真，忽略感知质量，特别是在低信噪比（SNR）环境中。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了解决这个问题，我们引入了一种新的生成式AI语义通信（GSC）系统，用于单用户场景。 PDF p.1
6. 方案为何可能有效：在发送端，采用基于Swin Transformer的联合信源信道编码机制，有效地进行语义特征提取和压缩。 PDF p.1
7. 作者希望证明什么：与基于CNN的DeepJSCC相比，我们的方法在加性白色高斯噪声（AWGN）信道中将峰值信噪比（PSNR）提高了17.75%，在瑞利信道中提高了20.84%。 PDF p.1

方法与端到端信息流

针对这一问题，本文提出了一种新的单用户生成式人工智能语义通信（Generative AI Semantic Communication，GSC）系统，在发送端采用基于Swin Transformer的联合信源信道编码机制，实现高效的语义特征提取和压缩。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Semantic Successive Refinement 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

此外，为了验证所提方法的鲁棒性，在AWGN信道和多径瑞利衰落信道下进行了仿真实验。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.9

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.9

实验设置与主要结论

数据集为CIFAR-10；实验小节中明确出现的比较对象包括DeepJSCC、WITT、JPEG、LDPC、QAM、Swin Transformer、VAE、VQ-VAE、JSCC、OFDM；指标包括PSNR、LPIPS、MSE、latency、throughput、PER；信道/链路条件包括AWGN、Rayleigh、wireless channel、OFDM、fading channel；正文可定位的代表性工作点有SNR from 0 dB、SNR = 15 dB、SNR = 0 dB。 PDF p.8

与基于CNN的DeepJSCC相比，我们的方法在加性白色高斯噪声（AWGN）信道中将峰值信噪比（PSNR）提高了17.75%，在瑞利信道中提高了20.84%。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SUL 面向语义感知资源分配与网络优化，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：通过将知识库支持的语义网络引入离散时间马尔可夫链，研究了时隙状态更新系统中的SUL问题。 PDF p.1
2. 仍然存在的问题：然而，物联网设备的无情增加将导致网络拥塞E的当前版本7二月2025。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：在本文中，我们引入了一个新的度量SSUC系统，命名为语义效用损失（SUL），它捕获的年龄惩罚和语义信息的估计错误。 PDF p.1
6. 方案为何可能有效：为了最小化SUL与传输状态更新和更新知识库所消耗的能量的加权和，我们构造了一个无限时域平均代价马尔可夫决策过程。 PDF p.1
7. 作者希望证明什么：仿真结果表明，优化策略的性能优于零等待和改变时采样策略。 PDF p.1

方法与端到端信息流

本文在SSUC系统中引入了一种新的度量--语义效用损失（Semantic Utility Loss，SUL），它同时包含了语义信息的年龄惩罚和估计误差，并以SUL与传输状态更新和更新知识库所消耗的能量的加权和最小为目标，构造了一个无限水平平均代价的Markov决策过程。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SUL 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.10

实验设置与主要结论

数据集为MNIST；实验小节中明确出现的比较对象包括LDPC；指标包括accuracy、recall、latency、AoII、energy efficiency；信道/链路条件包括AWGN、Rayleigh、packet loss、fading channel；正文可定位的代表性工作点有SNR=12 dB、SNR=5 dB。 PDF p.10

仿真结果表明，优化策略的性能优于零等待和改变时采样策略。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SACC 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“有限星座/标准数字波形接口”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：支持深度学习（DL）的语义通信为更高的数据传输效率提供了广阔的前景。 PDF p.1
2. 仍然存在的问题：然而，大多数现有的研究集中在点对点传输与完美的信道状态信息（CSI）和固定的信道带宽比（CBR）。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：一个 token 错误就可能改变整句含义，因此仅看 BER 不足以评价链路；必须追踪最终语言意义或任务输出。 PDF p.1
5. 本文提出什么：在该系统中，我们设计了一个语义编码器的转换器卷积神经网络（CNN）混合块，同时捕获非本地和本地潜像特征和SINR自适应模块的基础上的信道空间软注意力机制，根据SINR条件缩放图像特征。 PDF p.1
6. 方案为何可能有效：在该系统中，我们设计了一个语义编码器的转换器卷积神经网络（CNN）混合块，同时捕获非本地和本地潜像特征和SINR自适应模块的基础上的信道空间软注意力机制，根据SINR条件缩放图像特征。 PDF p.1
7. 作者希望证明什么：此外，实验结果表明，在FLOP，模型大小和计算延迟的现有先进的ADJSCC和WITT具有相当的性能有很大的改善。 PDF p.1

方法与端到端信息流

在该系统中，我们设计了一个基于变换器-卷积神经网络（CNN）混合模块的语义编码器来同时捕获非局部和局部潜像特征，并设计了一个基于信道-空间软注意机制的SINR自适应模块来根据SINR条件对图像特征进行缩放。我们研究了一种SINR自适应和CBR可控的语义蜂窝通信系统，该系统考虑了ICCI和不完全CSI。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

比率R = k/m被表示为CBR，确定有多少信道符号可用于每个源符号，其可以对应于可用的频谱或时间资源。 独立判断：SACC 的主传输单位应归为“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

比率R = k/m被表示为CBR，确定有多少信道符号可用于每个源符号，其可以对应于可用的频谱或时间资源。 PDF p.2

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 2：语义特征映射为调制符号或编码包”解释信道作用点。 本调研据此归为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.2 PDF p.11

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.11

实验设置与主要结论

数据集为Kodak、Open Images；实验小节中明确出现的比较对象包括DeepJSCC、WITT、JPEG、LDPC、QAM、TCM、ADJSCC、JSCC；指标包括PSNR、LPIPS、latency、FLOPs；信道/链路条件包括AWGN、Rayleigh、Rician、wireless channel、SINR、channel estimation、imperfect CSI；正文可定位的代表性工作点有SNR of 10dB、SNR 10dB、CBR=1/32、CBR of 1/32。 PDF p.11

此外，实验结果表明，在FLOP，模型大小和计算延迟的现有先进的ADJSCC和WITT具有相当的性能有很大的改善。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SwinJSCC 面向图像传输、压缩或生成，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“有限星座/标准数字波形接口”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：作为实现语义通信的关键技术之一，端到端优化神经元联合信源信道编码（JSCC）近年来取得了长足的发展。 PDF p.1
2. 仍然存在的问题：然而，分离理论所基于的假设在实际系统中可能不成立，这导致了联合信源-信道编码（JSCC）的发展。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：近年来，在推动神经网络JSCC模型适应性和应用多样性的研究中，一个普遍的趋势是基于卷积神经网络（CNN）的主干网络，但其模型容量有限，固有地导致系统编码增益低于传统的编码传输系统。 PDF p.1
6. 方案为何可能有效：因此，本文提出了一种新的网络骨干网来升级深度JSCC，我们的开源框架旨在推动这一领域的研究。 PDF p.2
7. 作者希望证明什么：大量的实验结果表明，我们的SwinJSCC与最先进的工程BPG + 5G LDPC编码传输系统相比，具有更快的端到端编码速度，特别是对于高分辨率图像，在这种情况下，传统的基于CNN的JSCC由于其有限的模型容量而仍然。 PDF p.1

方法与端到端信息流

近年来，许多研究工作都在推动神经JSCC模型适应性和应用多样性的发展，而基于卷积神经网络（CNN）骨干网的神经JSCC模型容量有限，我们的开放源码框架旨在促进这一领域的研究。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：有限星座/标准数字波形接口

通过与两个空间调制模块（可根据信道状态信息和目标传输速率缩放潜在表示）配合使用，我们的基准SwinJSCC可进一步升级为多功能版本，从而增强其适应不同信道条件和速率配置的能力。 独立判断：SwinJSCC 的主传输单位应归为“有限星座/标准数字波形接口”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

随后，采用速率调制网络来调整嵌入大小以匹配CBR R，定义为R = C /（2 × 3 × 2 i × 2 i），其中i表示级数。 PDF p.6

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 2：语义特征映射为调制符号或编码包

这里，我们考虑了针对不同的编码率和正交幅度调制（QAM）的具有6144比特的块长度的5G LDPC码。 本调研据此归为“类别 2：语义特征映射为调制符号或编码包”。 PDF p.8

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.8

实验设置与主要结论

数据集为Kodak、DIV2K、CIFAR10；实验小节中明确出现的比较对象包括DeepJSCC、BPG、LDPC、QAM、Swin Transformer、SwinJSCC、ADJSCC、JSCC；指标包括PSNR、SSIM、MS-SSIM、BD-rate、MSE、latency、FLOPs、PER；信道/链路条件包括AWGN、Rayleigh、wireless channel、fading channel；正文可定位的代表性工作点有SNR = 0dB、SNR = 3dB、SNR = 13dB、SNR = 10dB、SNR = 1dB、CBR = 1/48、CBR = 0.0625。 PDF p.9

大量的实验结果表明，我们的SwinJSCC与最先进的工程BPG + 5G LDPC编码传输系统相比，具有更快的端到端编码速度，特别是对于高分辨率图像，在这种情况下，传统的基于CNN的JSCC由于其有限的模型容量而仍然。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：GNNs 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：图形数据在知识表示和社交网络等领域至关重要，通常涉及具有许多节点和边的大型网络。 PDF p.1
2. 仍然存在的问题：然而，图形数据固有的复杂性和大小可能会对传输和存储带来挑战。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：本文介绍了一种方法来提取一个较小的，以任务为中心的子图，保持关键信息，同时减少通信开销。 PDF p.1
6. 方案为何可能有效：此外，我们提出了VQ-GIB机制，集成矢量量化（VQ）转换成一个离散的码本序列，与现有的数字通信系统兼容的子图表示。 PDF p.1
7. 作者希望证明什么：平衡码本的大小是至关重要的，因为增加码本的大小会降低量化失真，但也会提高计算复杂度。 PDF p.8

方法与端到端信息流

本文提出了一种提取较小的、以任务为中心的子图的方法，该方法在保留关键信息的同时降低了通信开销，并提出了一种与现有数字通信系统兼容的VQ-GIB机制，该机制结合了矢量量化（VQ）将子图表示转换为离散码本序列。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

此外，我们提出了VQ-GIB机制，集成矢量量化（VQ）转换成一个离散的码本序列，与现有的数字通信系统兼容的子图表示。 独立判断：GNNs 的主传输单位应归为“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.1

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释信道作用点。 本调研据此归为“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.2 PDF p.9

实验设置与主要结论

指标包括accuracy、precision、classification accuracy、PER；信道/链路条件包括AWGN；正文可定位的代表性工作点有SNR of 5 dB。 PDF p.9

平衡码本的大小是至关重要的，因为增加码本的大小会降低量化失真，但也会提高计算复杂度。 PDF p.8

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：ATE 面向点云/三维场景传输，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：3D高斯溅射（3DGS）技术以其卓越的渲染效率和逼真的重建能力，成为实时场景重建和同步定位与制图（SLAM）应用的一种有前途的方法。 PDF p.1
2. 仍然存在的问题：然而，在实际应用中，传统的3DGS方法仍然面临着两个关键的挑战：输入数据中的噪声和冗余，以及固定分辨率建模的适应性不足。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：XR 与三维感知的数据量极大而交互时延敏感；以更少信道使用保住几何和任务关键对象，会直接降低空口负担。 PDF p.1
5. 本文提出什么：本文提出了一种新的三维高斯场景表示框架，联合集成联合信源信道编码（JSCC）与多尺度优化，以提高建模精度和鲁棒性，在复杂的操作环境。 PDF p.1
6. 方案为何可能有效：我们结合了联合收割机的基于高斯的多尺度分解方案，处理渲染输出和JSCC增强的RGB-D数据。 PDF p.1
7. 作者希望证明什么：所提出的框架实现了更优的性能相比，最先进的3DGS方法在绝对轨迹误差（ATE）的指标，同时保留实时渲染能力。 PDF p.1

方法与端到端信息流

为了提高复杂作战环境下的建模精度和鲁棒性，该文提出了一种新的三维高斯场景表示框架，该框架将联合信源信道编码（Joint Source-Channel Coding，JSCC）与多尺度优化技术相结合，并联合收割机了基于高斯金字塔的多尺度分解算法，该算法同时处理渲染输出和JSCC增强的RGB-D数据。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ATE 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.4

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.4 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.4 PDF p.9

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.4 PDF p.9

实验设置与主要结论

数据集为Waymo；实验小节中明确出现的比较对象包括JPEG、LDPC、JSCC；指标包括PSNR、SSIM、LPIPS、bpp、mAP、accuracy、PER；信道/链路条件包括AWGN、wireless channel；正文可定位的代表性工作点有SNR of 25.76 dB、SNR= 20 dB、SNR= 0 dB、SNR= 15 dB、SNR= 25 dB、0.85 bpp、2.12 bpp、1.85 bpp。 PDF p.9

所提出的框架实现了更优的性能相比，最先进的3DGS方法在绝对轨迹误差（ATE）的指标，同时保留实时渲染能力。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：LAM-SC 面向语音/音频传输或识别，把问题放在“通信安全与隐私”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：第六代（6G）通信技术正在推动从传统句法传输向语义智能传输的深刻变革。 PDF p.1
2. 仍然存在的问题：同时，通过分析模型的体系结构、优势和局限性，讨论了图像、文本、音频和多模态场景下的语义提取。 PDF p.1
3. 为什么已有方法解决不了：只优化合法接收端的重建或任务 loss，并不会自动消除 latent 泄露、窃听或操纵风险；缺少的是把攻击者与保护目标放进同一系统模型。 PDF p.1
4. 为什么这个问题重要：语音的可懂度、识别正确率与波形误差并不总是同步，少量包丢失也可能破坏整段语言内容；有限码率下应优先保护语言与说话人语义。 PDF p.1
5. 本文提出什么：然后，我们提出了一个先进的基于LAM的SC（LAM-SC）计划的图像SC系统，它引入了一个特定于模态的交叉训练策略，以实现高效的语义图像传输。 PDF p.1
6. 方案为何可能有效：在本小节中，我们介绍了两种基于DL的音频数据语义提取模型，包括基于注意力机制的挤压和激励网络和基于wav 2 vec的自动编码器架构。 PDF p.8
7. 作者希望证明什么：这些结果说明了语义抽取在认知语言学中的重要性。 PDF p.1

方法与端到端信息流

在此基础上，本文提出了一种基于分层学习模型的图像语义提取方法（LAM-SC），该方法引入了一种基于模态的交叉训练策略，实现了图像语义的高效传输。 PDF p.1 PDF p.8

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：LAM-SC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.13

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

然后，这些符号在具有加性高斯白噪声（AWGN）的无线信道上被发送。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.13

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.13

实验设置与主要结论

数据集为COCO、VOC2012；实验小节中明确出现的比较对象包括ASC、GPT；指标包括SSIM、MSE、mAP、latency；信道/链路条件包括AWGN、wireless channel；正文可定位的代表性工作点有SNR = 0 dB、SNR = 10 dB、SNR = 20 dB、SNR of 10 dB、SNR of 20 dB、SNR = 5 dB、SNR of 5 dB。 PDF p.13

这些结果说明了语义抽取在认知语言学中的重要性。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“通信安全与隐私”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。 该文属于边界谱系,不能用它代表端到端语义通信主线。

一句话主旨：AFBs 面向任务导向推理，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信是动态和资源受限环境下面向任务的智能服务的一个很有前途的范例。 PDF p.1
2. 仍然存在的问题：然而，当前的设计遭受有限的泛化、高模型计算和低效的训练。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：然而，当前的设计遭受有限的泛化、高模型计算和低效的训练。 PDF p.1
6. 方案为何可能有效：在此框架下，通过集成注意力特征块（AFB）和语义码（SC）屏蔽机制，提出了一种深度联合信源信道编码（DeepJSCC）模型。 PDF p.1
7. 作者希望证明什么：实验结果表明，在高信噪比条件下，所提出的单模型DADC-C框架比传统方法的分类准确率提高了30%，而在参数、浮点运算量、延迟、每秒帧数（FPS）和存储量等方面与多模型DeepJSCC方案具有数量级的优势。 PDF p.1

方法与端到端信息流

在此框架下，通过集成注意力特征块（Attention Feature Blocks，AFB）和语义码（Semantic Code，SC）屏蔽机制，提出了一种深度联合信源信道编码（DeepJSCC）模型，即基于注意力特征块的深度联合信源信道编码（DeepJSCC）模型。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AFBs 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

传统方法：我们考虑了三种不同的信源信道编码方案，它们将JPEG/JPEG 2000与1/3码率Turbo或1/5码率LDPC相结合，使用在一致设置下独立训练的无噪声分类器。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.12

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.12

实验设置与主要结论

数据集为ImageNet、CIFAR-10；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、JPEG2000、LDPC、Turbo、ResNet、ADJSCC、JSCC、ETC；指标包括PSNR、SSIM、MSE、mAP、accuracy、precision、latency、FLOPs、FPS、classification accuracy；信道/链路条件包括AWGN、Rayleigh、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 24 dB、SNR of 38.95 dB。 PDF p.10

实验结果表明，在高信噪比条件下，所提出的单模型DADC-C框架比传统方法的分类准确率提高了30%，而在参数、浮点运算量、延迟、每秒帧数（FPS）和存储量等方面与多模型DeepJSCC方案具有数量级的优势。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：LNC 面向图像传输、压缩或生成，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：低地球轨道（LEO）卫星中继传输越来越多地用于增强网络覆盖范围。 PDF p.1
2. 仍然存在的问题：但是，卫星通信过程中的诸多不可控因素会影响信号的传输质量和连续性，对卫星网络的高效传输提出挑战。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：为了解决这个问题，我们提出了一种分组级学习网络编码（LNC），它是一种数据驱动的联合信源-网络编码方法，利用端到端联合训练，在没有反馈的情况下有效地适应动态网络条件。 PDF p.1
6. 方案为何可能有效：这些包括：（1）目前，我们通常使用单独的源网络编码方案。 PDF p.2
7. 作者希望证明什么：仿真结果表明，与现有的RLNC方法相比，所提出的LNC方法具有较好的鲁棒性。 PDF p.1

方法与端到端信息流

为了解决这个问题，我们提出了一种分组级学习网络编码（LNC），这是一种数据驱动的联合源网络编码方法，可以在没有反馈的情况下有效地适应动态网络条件，利用端到端的联合训练。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：LNC 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

我们使用λ1 = 0.013的模型在所有实验中进行评估。我们的模型在Kodak和DOTA-v1数据集上的bpp分别为0.473和0.442。 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：经过多跳 relay recoding 后仍存活的 latent packets;丢失 packet 不可用。 PDF p.2 PDF p.10

实验设置与主要结论

数据集为Kodak；实验小节中明确出现的比较对象包括JPEG、JPEG2000、JSCC、CLIP；指标包括PSNR、bitrate、bpp、mAP、FLOPs、PER；信道/链路条件包括packet loss、erasure。 PDF p.10

仿真结果表明，与现有的RLNC方法相比，所提出的LNC方法具有较好的鲁棒性。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 该文属于边界谱系,不能用它代表端到端语义通信主线。

一句话主旨：G-DSE 面向语义感知资源分配与网络优化，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信深入研究比特背后的本质，有望促进跨语言和跨领域的信息交换。 PDF p.1
2. 仍然存在的问题：然而，数量激增的边缘设备对无线通信网络提出了前所未有的挑战，W论文已在第13届IEEE/CIC国际会议上发表于Wang.）chuanyudong@tju.edu.cn，wangq@tju.edu.cn）。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：功率、带宽、算力和时延是共享资源；若调度器不知道语义效用，它可能增加吞吐量却没有改善任何用户真正关心的任务。 PDF p.1
5. 本文提出什么：基于这些问题，提出了一种鲁棒的、保真度增强的语义通信方案LRSC。 PDF p.1
6. 方案为何可能有效：同时，建立了一种基于RSA机制的语义解码方法，实现了对语义的准确解释。 PDF p.2
7. 作者希望证明什么：与现有的最先进的lite方法相比，它提高了2.8 dB的峰值信噪比和语义保真度的8%。 PDF p.1

方法与端到端信息流

针对这些问题，本文提出了一种增强保真度的健壮语义通信方案LRSC，同时建立了一种基于RSA机制的语义解码方法，实现了语义的准确解释。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“上层理论/资源变量；论文不单独定义可发送语义格式”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：G-DSE 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.8

实验设置与主要结论

数据集为ImageNet、CIFAR-10；实验小节中明确出现的比较对象包括WITT、BPG、LDPC、QAM、Swin Transformer、JSCC、OFDM、ETC；指标包括PSNR、SSIM、MSE、accuracy、latency、FLOPs、semantic similarity、classification accuracy、energy efficiency；信道/链路条件包括Rayleigh、OFDM、fading channel；正文可定位的代表性工作点有SNR = 7dB、SNR = 7 dB、SNR = 13 dB、SNR = 13dB、SNR = 1dB、SNR = 1 dB、SNR = 15dB、CBR = 0.125、CBR = 0.25、CBR of 0.125。 PDF p.8

与现有的最先进的lite方法相比，它提高了2.8 dB的峰值信噪比和语义保真度的8%。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：Active-SGDBN 面向任务导向推理，把问题放在“多用户接入、广播或中继”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：未来的无线网络需要具有高可靠性和低延迟的智能数据密集型服务，这促使语义感知通信成为一种变革性的范式。 PDF p.1
2. 仍然存在的问题：针对基于无人机的NOMA网络资源分配的NP难问题，提出了一种新的主动语义广义动态贝叶斯网络（Active-SGDBN）框架。 PDF p.1
3. 为什么已有方法解决不了：把单用户语义编解码器逐个复制给多个用户，会忽略共享内容、异构信道、干扰和公平性，因而不能直接得到频谱有效的网络方案。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：针对基于无人机的NOMA网络资源分配的NP难问题，提出了一种新的主动语义广义动态贝叶斯网络（Active-SGDBN）框架。 PDF p.1
6. 方案为何可能有效：具体来说，我们优化的功率分配的基础上无人机的移动性，以最大限度地提高系统的总速率，同时通过无监督聚类和贝叶斯推理编码的语义结构。 PDF p.1
7. 作者希望证明什么：仿真结果表明，Active-SGDBN在总速率和误比特率（BER）方面均优于基准方案，性能接近最优，验证了其有效性和推广能力。 PDF p.1

方法与端到端信息流

针对基于无人机的NOMA网络中资源分配的NP难问题，提出了一种新的主动语义广义动态贝叶斯网络（Active-SGDBN）框架，该框架基于无人机移动性优化功率分配，以最大化系统总速率，同时通过无监督聚类和贝叶斯推理对语义结构进行编码。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Active-SGDBN 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.11

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.11

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.11

实验设置与主要结论

实验小节中明确出现的比较对象包括PPO、DDPG；指标包括QoE、throughput、energy efficiency、BER、PER；信道/链路条件包括NOMA。 PDF p.11

仿真结果表明，Active-SGDBN在总速率和误比特率（BER）方面均优于基准方案，性能接近最优，验证了其有效性和推广能力。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“多用户接入、广播或中继”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。

一句话主旨：AIGPV 面向视频传输、生成或控制，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：人工智能生成的全景视频（AIGPV）的发展为用户在6G沉浸式通信场景中的多样化需求提供了潜在的解决方案。 PDF p.1
2. 仍然存在的问题：然而，在资源受限的条件下确保用户的体验质量（QoE）仍然是一个重大挑战。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：视频持续占用带宽且具有严格时延，单帧错误还会跨帧传播；通信系统必须同时处理时序一致性、资源占用和渐进退化。 PDF p.1
5. 本文提出什么：在本文中，我们介绍了一个跨模态的语义通信传输方案的移动-AIGPV。 PDF p.1
6. 方案为何可能有效：此外，我们设计了一个跨模态的摆动Transformer块（CMSTB），以提高深JSCC的性能。 PDF p.1
7. 作者希望证明什么：仿真结果表明，相比直接传输高分辨率视频的语义通信方案，我们提出的PVSR-JSCC不仅减少了36.7%的带宽消耗，但也降低了42.8%的语义模型的计算复杂度。 PDF p.1

方法与端到端信息流

本文提出了一种面向移动AIGPV的跨模态语义通信传输方案，并设计了跨模态转换器Transformer模块（CMSTB）来增强JSCC的深层性能。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：AIGPV 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

为了确保公平性，APVST和APVST（w/o text）方案的CBR设置为0.018，而其他方案的CBR设置为0.013。 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2

实验设置与主要结论

数据集为HEVC；实验小节中明确出现的比较对象包括NTSCC、HEVC、H.264、H.265、LDPC、Swin Transformer、ViT、DeepSC、JSCC、CLIP；指标包括PSNR、SSIM、mAP、QoE、latency、FLOPs、semantic similarity；信道/链路条件包括Rayleigh、wireless channel；正文可定位的代表性工作点有SNR of 29.7 dB、SNR of 10 dB。 PDF p.2

仿真结果表明，相比直接传输高分辨率视频的语义通信方案，我们提出的PVSR-JSCC不仅减少了36.7%的带宽消耗，但也降低了42.8%的语义模型的计算复杂度。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：FIVSSC 面向视频传输、生成或控制，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：提出了一种基于深度联合信源信道编码（JSCC）的视频符号语义通信系统（FIVSSC），通过只传输选定的语义关键帧来降低处理延迟。 PDF p.1
2. 仍然存在的问题：现有的视频语义通信方案主要关注在受限的信道带宽下确保高视频重构质量，而与数字通信系统的及时性和兼容性仍然是需要进一步探索的开放性挑战。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：视频持续占用带宽且具有严格时延，单帧错误还会跨帧传播；通信系统必须同时处理时序一致性、资源占用和渐进退化。 PDF p.1
5. 本文提出什么：提出了一种基于深度联合信源信道编码（JSCC）的视频符号语义通信系统（FIVSSC），通过只传输选定的语义关键帧来降低处理延迟。 PDF p.1
6. 方案为何可能有效：综上所述，对于6G通信中的视频语义通信，我们面临以下问题：问题1：如何让视频语义通信系统更好地兼容传统数字通信系统？ PDF p.2
7. 作者希望证明什么：仿真实验结果表明，与其他语义视频通信和传统视频通信方案相比，该方案具有更高的重建质量和更高的实时性。 PDF p.1

方法与端到端信息流

本文提出了一种基于深度联合信源信道编码（JSCC）的视频符号语义通信系统（FIVSSC），通过只传输选定的语义关键帧来降低处理延迟。综上所述，对于6G通信中的视频语义通信，我们面临以下问题：问题1：如何使视频语义通信系统与传统数字通信系统更好地兼容？ PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：FIVSSC 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

语义提取器和JSCC编码器的压缩比是一个固定值γn，定义为dn中的符号数除以cn中的符号数。 PDF p.6

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.10

语义 decoder 实际面对的是：数字解调/译码后的 bit、index 或量化 feature;软信息接口若未明示则不能假定。 PDF p.2 PDF p.10

实验设置与主要结论

数据集为UVG、HEVC；实验小节中明确出现的比较对象包括DeepJSCC、HEVC、H.264、H.265、LDPC、Polar、Minnen、DVC、JSCC、SSCC；指标包括PSNR、SSIM、MS-SSIM、MSE、accuracy、latency、FLOPs；信道/链路条件包括AWGN、Rayleigh、NOMA、MIMO、channel estimation、fading channel；正文可定位的代表性工作点有SNR = 15dB、SNR = 10dB、SNR of 12 dB、SNR = 0dB。 PDF p.10

仿真实验结果表明，与其他语义视频通信和传统视频通信方案相比，该方案具有更高的重建质量和更高的实时性。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：ASCViT 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：人工智能的迅速发展促进了语义通信，尤其是无线图像传输的显著进步。 PDF p.1
2. 仍然存在的问题：然而，大多数现有的方法集中在丢弃不太重要的语义特征，以减少带宽消耗。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：然而，大多数现有的方法集中在丢弃不太重要的语义特征，以减少带宽消耗。 PDF p.1
6. 方案为何可能有效：具体而言，该方案根据对象和特征点检测结果对图像区域进行优先级排序。 PDF p.1
7. 作者希望证明什么：然而，大多数现有的方法集中在丢弃不太重要的语义特征，以减少带宽消耗。 PDF p.1

方法与端到端信息流

然而，大多数现有的方法集中在丢弃不太重要的语义特征，以减少带宽消耗。具体地说，该方案的优先级图像区域的基础上的对象和特征点检测结果。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：ASCViT 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”解释信道作用点。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.2 PDF p.9

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.9

实验设置与主要结论

数据集为COCO；实验小节中明确出现的比较对象包括DeepJSCC、BPG、LDPC、ViT、YOLO、FCN、JSCC、OFDM；指标包括PSNR、SSIM、MSE、IoU、PER；信道/链路条件包括AWGN、Rayleigh、OFDM、channel estimation、fading channel；正文可定位的代表性工作点有at 0 dB SNR、At -5 dB SNR。 PDF p.9

然而，大多数现有的方法集中在丢弃不太重要的语义特征，以减少带宽消耗。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：PCs 面向点云/三维场景传输，把问题放在“生成式语义信源编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着自动驾驶和延展实境的快速发展，点云（PC）的高效传输变得越来越重要。 PDF p.1
2. 仍然存在的问题：仿真结果证实了跨模态语义提取和双度量指导微调的有效性，突出了该框架在各种条件下的鲁棒性，包括低SNR，带宽限制，不同数量的2D图像和以前看不见的对象。 PDF p.1
3. 为什么已有方法解决不了：把生成模型放在接收端并不等于通信开销自然降低；仍需明确发送什么条件、条件占多少资源，以及信道破坏条件时怎样约束幻觉和时延。 PDF p.1
4. 为什么这个问题重要：XR 与三维感知的数据量极大而交互时延敏感；以更少信道使用保住几何和任务关键对象，会直接降低空口负担。 PDF p.1
5. 本文提出什么：论文针对这一问题，提出了一种新的面向PC传输的信道自适应跨模态生成语义通信（SemCom）算法--GenSeCPC。 PDF p.1
6. 方案为何可能有效：针对这一问题和不足，我们提出了一种新的跨模态生成式SemCom框架，称为GenSeC-PC，该框架将生成式SemCom与JSCC无缝集成。 PDF p.2
7. 作者希望证明什么：此外，为了保证传输的鲁棒性和降低系统复杂度，我们设计了一种精简的非对称信道自适应联合语义信道编码结构，其中编码器只需要反馈平均信噪比和可用带宽。 PDF p.1

方法与端到端信息流

在这种情况下，我们提出了一种新的信道自适应跨模态生成语义通信（SemCom）的PC传输，称为GenSeCPC。针对这一差距，我们提出了一种新的跨模态生成SemCom框架，称为GenSeC-PC，无缝集成生成SemCom与JSCC。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：PCs 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

而且，正如预期的那样，AWGN信道下的性能普遍优于Rayleigh衰落信道下的性能。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.10

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.10

实验设置与主要结论

数据集为ShapeNet；实验小节中明确出现的比较对象包括LDPC、SAC、JSCC、PointNet；指标包括MSE、accuracy、precision、latency、FPS、IoU、PER；信道/链路条件包括AWGN、Rayleigh、wireless channel、fading channel；正文可定位的代表性工作点有SNR = 20 dB、SNR = -20 dB、SNR = -5 dB、SNR = 15 dB、SNR of 15 dB、ber of 2。 PDF p.10

此外，为了保证传输的鲁棒性和降低系统复杂度，我们设计了一种精简的非对称信道自适应联合语义信道编码结构，其中编码器只需要反馈平均信噪比和可用带宽。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“生成式语义信源编码”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。

一句话主旨：Channel-Adaptive Semantic Communication for Stereoscopic Media: Design and Prototype Implementation 面向点云/三维场景传输，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：立体媒体因其在3D可视化、虚拟现实、虚拟实境和沉浸式媒体中的广泛应用而受到关注。 PDF p.1
2. 仍然存在的问题：但是，考虑到立体媒体对之间的相关性，立体媒体通信将引入冗余。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：XR 与三维感知的数据量极大而交互时延敏感；以更少信道使用保住几何和任务关键对象，会直接降低空口负担。 PDF p.1
5. 本文提出什么：为此，提出了一种新的双视角深度联合信源-信道编码方案，该方案能够有效地提取和传输表示视角间相关性的语义特征，从而在提高重建质量的同时减少冗余。 PDF p.1
6. 方案为何可能有效：通过利用视图之间的差异，立体媒体可以促进3D结构构建并增强空间感知。 PDF p.1
7. 作者希望证明什么：相比于基准测试，基于WSNM的重构方法在不同条件下均能保持重构质量，可获得更高的峰值信噪比（Peak Signal to Noise Ratio，PSNR）和结构相似度（Structural Similarity Index，SSIM）。 PDF p.1

方法与端到端信息流

为了解决这个问题，我们提出了一种新的双视图深度联合信源信道编码方案，该方案有效地提取和传输表示视图间相关性的语义特征，从而在提高重建质量的同时减少冗余，通过利用视图之间的视差，立体媒体可以促进3D结构构建并增强空间感知。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Channel-Adaptive Semantic Communication for Stereoscopic Media: Design and Prototype Implementation 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.10

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

子图（a）-（B）对应于AWGN信道下的InStereo 2k，（c）-（d）对应于Cityscapes，而（e）-（f）对应于Rayleigh衰落信道下的InStereo 2k，（g）-（h）对应于Cityscapes。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.9

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.9

实验设置与主要结论

数据集为Cityscapes；实验小节中明确出现的比较对象包括SwinJSCC、ADJSCC、JSCC、OFDM；指标包括PSNR、SSIM、accuracy、latency、FLOPs、FPS、PER；信道/链路条件包括AWGN、Rayleigh、OFDM、channel estimation、imperfect CSI、fading channel；正文可定位的代表性工作点有SNR = 10 dB。 PDF p.10

相比于基准测试，基于WSNM的重构方法在不同条件下均能保持重构质量，可获得更高的峰值信噪比（Peak Signal to Noise Ratio，PSNR）和结构相似度（Structural Similarity Index，SSIM）。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“自适应联合信源信道编码”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：SemCom 面向图像传输、压缩或生成，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“显式数字语义表示：bit、离散 token 或码本 index”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：智能体人工智能的发展依赖于具身感知与物理世界的交互，这就需要下一代能够进行实时、高保真视觉传输的网络。 PDF p.1
2. 仍然存在的问题：然而，传统的数字通信结构以忠实的比特级重构为目标，由于香农极限而遭受性能瓶颈。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：针对这些问题，提出了一种基于潜在流匹配的生成式信源-信道联合编码框架。 PDF p.1
6. 方案为何可能有效：更具体地说，在发射机处通过显式频域解耦和多级离散化来设计小波增强的鲁棒语义表示。 PDF p.1
7. 作者希望证明什么：仿真结果表明，与扩散驱动的SemCom算法相比，该算法在峰值信噪比（PSNR）、结构相似度指数（SSIM）和感知图像块相似度（LPIPS）等性能指标上均优于扩散驱动的SemCom算法，同时显著降低了推理延迟。 PDF p.1

方法与端到端信息流

针对这些问题，本文提出了一种基于潜在流匹配的生成式信源信道联合编码框架，通过在发送端进行显式频域解耦和多级离散化，设计了一种小波增强的鲁棒语义表示。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：是：存在明确的离散/有限数字接口

表示判断：显式数字语义表示：bit、离散 token 或码本 index

小波增强的残差矢量量化（RVQ）模块的鲁棒语义表示的设计。 独立判断：SemCom 的主传输单位应归为“显式数字语义表示：bit、离散 token 或码本 index”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.3

初始学习速率设定为2×10-4，随后是用于动态调整的余弦退火时间表。 PDF p.9

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释信道作用点。 本调研据此归为“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：带噪连续 channel symbol / latent,经神经 decoder 恢复任务输出。 PDF p.2 PDF p.8

实验设置与主要结论

数据集为ImageNet；实验小节中明确出现的比较对象包括DeepJSCC、ELIC、JSCC；指标包括PSNR、SSIM、LPIPS、accuracy、latency、PER；信道/链路条件包括AWGN、Rayleigh、Rician、wireless channel、fading channel；正文可定位的代表性工作点有SNR = 5 dB、CBR = 1/12。 PDF p.8

仿真结果表明，与扩散驱动的SemCom算法相比，该算法在峰值信噪比（PSNR）、结构相似度指数（SSIM）和感知图像块相似度（LPIPS）等性能指标上均优于扩散驱动的SemCom算法，同时显著降低了推理延迟。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：CLDA 面向图像传输、压缩或生成，把问题放在“任务导向联合信源信道设计”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：作为接收端处的预期任务的用于分类的语义通信涉及对消息信号进行编码以在接收端处的准确性方面最大化分类器的性能。 PDF p.1
2. 仍然存在的问题：虽然解耦预训练将编码器和分类器设计分开，但它在适应变化的任务和信道条件方面经常面临限制。 PDF p.1
3. 为什么已有方法解决不了：像素级重建是比下游决策更强、也更昂贵的目标；但只压缩 feature 又可能丢掉决定任务的少量证据，因此需要把任务 loss 与通信瓶颈联合设计。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：我们提出了一种基于复值线性判别分析（CLDA）的编码方法，提高了类的歧视和功能的可解释性。 PDF p.1
6. 方案为何可能有效：该方法通过使用诸如最小均方误差（MMSE）之类的传统检测器来恢复所传输的特征，从而保持了去耦并增强了对信道变化的鲁棒性，使得能够无缝地集成到现有通信系统中。 PDF p.1
7. 作者希望证明什么：实验结果验证了所提CLDA+CI框架的有效性，其分类准确率达到96.3%。 PDF p.1

方法与端到端信息流

我们提出了一种基于复值线性鉴别分析（CLDA）的编码方法，该方法通过使用传统的检测器（如最小均方误差（MMSE））来恢复传输的特征，从而保持解耦并增强对信道变化的鲁棒性，从而能够无缝集成到现有的通信系统中。 PDF p.1

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：语义 feature/latent；量化到 bitstream 的接口未完整报告

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：CLDA 的主传输单位应归为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文未同时报告输入尺寸、encoder 输出尺寸、量化精度/码本大小和帧级开销，因此不能从全文唯一重建总 bit 数。页面保留论文实际使用的 CBR、bpp、token 数或信道使用次数；缺失项不作臆测。 PDF p.2 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 0：信道作用点不足，或由外部传统链路抽象承担

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释信道作用点。 本调研据此归为“类别 0：信道作用点不足，或由外部传统链路抽象承担”。 PDF p.2 PDF p.8

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2 PDF p.8

实验设置与主要结论

实验小节中明确出现的比较对象包括IB；指标包括accuracy、recall、precision、classification accuracy、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel；正文可定位的代表性工作点有at 0 dB SNR、at 0dB SNR、at 30dB SNR。 PDF p.8

实验结果验证了所提CLDA+CI框架的有效性，其分类准确率达到96.3%。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“任务导向联合信源信道设计”：价值应由论文在明确带宽/信道预算下对任务或重建质量的改善来判断，同时区分提出方法与传统链路 baseline。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。

一句话主旨：Conquering High Packet-Loss Erasure 面向视频传输、生成或控制，把问题放在“数字语义编码与物理层接口”层处理；本调研把主接口判断为“连续神经 JSCC latent / 实复信道符号”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：语义通信与联合语义信道编码鲁棒地传输不同的数据模态，但面临的挑战，在减轻语义信息丢失，由于在基于分组的系统中的数据包丢失。 PDF p.1
2. 仍然存在的问题：然而，传统通信系统在物理层的传输容量越来越接近香农极限。 PDF p.1
3. 为什么已有方法解决不了：连续 latent 或独立设计的传统链路没有回答语义特征怎样量化、映射为有限符号，以及 bit/index 出错后为何不会跳到完全不同的语义。仅改进信源网络无法补上这一接口。 PDF p.1
4. 为什么这个问题重要：视频持续占用带宽且具有严格时延，单帧错误还会跨帧传播；通信系统必须同时处理时序一致性、资源占用和渐进退化。 PDF p.1
5. 本文提出什么：在当前协议下，丢弃具有错误的分组，防止接收端利用错误的语义数据进行鲁棒解码。 PDF p.1
6. 方案为何可能有效：本文的主要工作如下：1）提出了一种基于Swin Transformer的抗丢包语义视频通信系统。 PDF p.2
7. 作者希望证明什么：为了改进压缩，采用了公共-个体分解方法，对个体信息应用下采样以最小化冗余。 PDF p.1

方法与端到端信息流

在现有的协议中，有错误的数据包会被丢弃，使得接收端不能利用错误的语义数据进行鲁棒解码。本文的主要工作概括如下：1）提出了一种基于Swin Transformer的抗丢包语义视频通信系统。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：连续神经 JSCC latent / 实复信道符号

全文没有给出可复核的 VQ/codebook/index-to-bit 接口。根据系统模型，本调研将传输表示判断为“连续神经 JSCC latent / 实复信道符号”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Conquering High Packet-Loss Erasure 的主传输单位应归为“连续神经 JSCC latent / 实复信道符号”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

GOP大小被设置为4，并且整个GOP的帧被随机裁剪为256 × 256像素。 PDF p.8

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 3：连续语义变量直接经过有噪声信道并端到端恢复

说明了在丢包信道下，MS-SSIM和PSNR性能与丢包率之间的关系。 本调研据此归为“类别 3：连续语义变量直接经过有噪声信道并端到端恢复”。 PDF p.12

语义 decoder 实际面对的是：未丢失的 semantic packets、packet-loss mask,以及由 3D CNN 恢复的缺失语义特征。 PDF p.12

实验设置与主要结论

数据集为UVG、HEVC；实验小节中明确出现的比较对象包括DeepJSCC、VVC、HEVC、H.264、H.265、LDPC、Swin Transformer、SwinJSCC、JSCC、ETC；指标包括PSNR、SSIM、MS-SSIM、FPS、throughput、SER、PER；信道/链路条件包括packet loss、erasure；正文可定位的代表性工作点有SNR of 26.169 dB、CBR of 0.0078。 PDF p.11

为了改进压缩，采用了公共-个体分解方法，对个体信息应用下采样以最小化冗余。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“数字语义编码与物理层接口”：通信价值要由相同 CBR、功率和信道条件下的质量/任务收益证明，而不是只由神经网络指标提升证明。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。

一句话主旨：AoCI 面向任务导向推理，把问题放在“资源分配与跨层优化”层处理；本调研把主接口判断为“上层理论/资源变量；论文不单独定义可发送语义格式”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着人们对实时通信需求的不断增长，目标导向通信已经成为一种强调信息的重要性及其与特定目标的相关性的范式。 PDF p.1
2. 仍然存在的问题：然而，传统的通信系统设计主要集中在信息比特的可靠传输和精确重构上。 PDF p.1
3. 为什么已有方法解决不了：只按 bit rate、吞吐量或平均失真分配资源，无法区分不同样本和任务的语义价值；外层优化必须得到可用的语义效用—资源曲线。 PDF p.1
4. 为什么这个问题重要：边缘设备常需要及时决策而不是完整副本；只发送任务充分信息可以降低时延与带宽，但前提是关键证据确实能穿过信道。 PDF p.1
5. 本文提出什么：在信道时延分布未知的情况下，提出了一种在线调度策略，该策略的性能与离线策略的性能渐近接近。 PDF p.1
6. 方案为何可能有效：对于在线的情况下，我们评估所提出的在线政策，通过检查各种系统配置下的学习参数的收敛行为。 PDF p.2
7. 作者希望证明什么：仿真结果验证了所提出的离线策略可以实现显着的性能增益的平均成本相比，其他基线政策。 PDF p.1

方法与端到端信息流

当信道延迟分布未知时，我们提出了一种在线调度策略，该策略的性能渐近地接近离线调度策略;对于在线情况，我们通过考察学习参数在各种系统配置下的收敛行为来评估所提出的在线调度策略。 PDF p.1 PDF p.2

数字化方案与真实传输开销

是否属于严格数字语义通信：否/不适用：主接口为连续 JSCC 或上层模型

表示判断：上层理论/资源变量；论文不单独定义可发送语义格式

系统/理论层变量;论文未定义统一 payload bitstream 独立判断：AoCI 的主传输单位应归为“上层理论/资源变量；论文不单独定义可发送语义格式”。只有论文明确给出量化和映射时，才能把 token/index 数换算成总 bit；连续 channel symbol 只能按 channel uses/CBR 比较。 PDF p.2

论文优化的是功率、带宽、时隙、用户调度或语义效用等上层资源变量，并未定义一条可逐 bit 复现的语义 codec。因而这里只报告系统约束和效用曲线，不能从优化变量反推 token/index 总 bit 数。 PDF p.2

换算边界：该公式按论文定义复核；若未计入包头、FEC、重传或侧信息，仍不能直接当作真实空口总开销。

信道怎样作用，以及 decoder 实际拿到什么

信道处理类别：类别 5：沿用底层链路或抽象速率—效用模型

正文未给出可单句摘录的更细信道流程；结合题名、摘要、方法与实验，本调研按“类别 5：沿用底层链路或抽象速率—效用模型”解释信道作用点。 本调研据此归为“类别 5：沿用底层链路或抽象速率—效用模型”。 PDF p.2

语义 decoder 实际面对的是：由论文系统模型定义的语义 feature、任务状态或传统译码后数据。 PDF p.2

实验设置与主要结论

指标包括MSE、throughput、AoI、AoII、PER；信道/链路条件包括wireless channel。 PDF p.2

仿真结果验证了所提出的离线策略可以实现显着的性能增益的平均成本相比，其他基线政策。 PDF p.1

通信价值、局限与 Codex 判断

该工作位于“资源分配与跨层优化”：价值在于把语义效用接入网络优化或可达边界；关键是效用定义能否在真实链路被测量、估计并稳定用于决策。

局限：没有完整离散接口,无法直接回答 bit/index/token 跳变问题。 未显式注入离散误码/丢包,鲁棒性结论不应外推到真实数字链路。 未报告统一可复核的 payload bit 数/CBR,跨论文带宽比较受限。

一句话主旨：CAE 面向图像传输、压缩或生成，把问题放在“自适应联合信源信道编码”层处理；本调研把主接口判断为“语义 feature/latent；量化到 bitstream 的接口未完整报告”。

Motivation｜Introduction 怎样导出本文方案

1. 现有进展：随着数据流量的指数增长，光纤通信系统需要先进的方法来优化传输效率，同时保持信号完整性。 PDF p.1
2. 仍然存在的问题：本文提出了一种新的基于卷积自动编码器（CAE）的光纤网络语义通信框架，具有可调的压缩率，平衡带宽效率和传输质量。 PDF p.1
3. 为什么已有方法解决不了：为固定 SNR 或带宽训练的模型具有固定瓶颈和保护方式；条件变化时重复运行同一网络，不能把码率或冗余重新分给变得脆弱的信息。 PDF p.1
4. 为什么这个问题重要：有限信道使用迫使系统决定哪些视觉内容值得保护；低 SNR 或高压缩率下，任务/感知关键结构往往比平均像素误差更重要。 PDF p.1
5. 本文提出什么：本文提出了一种新的基于卷积自动编码器（CAE）的光纤网络语义通信框架，具有可调的压缩率，平衡带宽效率和传输质量。 PDF p.1
6. 方案为何可能有效：总的来说，所提出的基于CAE的光学语义通信框架通过在物理上真实的EGN模型下联合解决语义压缩和信道感知去噪来区分自己，提供可扩展的压缩控制，更高的重建保真度，以及比无线和光学领域中现有的基于深度学习的通信系统更低的计算成本。 PDF p.2
7. 作者希望证明什么：新的数据集只需要很少的训练时间就可以达到接近甚至稍微超过MNIST结果的性能。 PDF p.1