{"doi": "10.1109/twc.2023.3240969", "title": "Deep Learning Enabled Semantic Communications With Speech Recognition and Synthesis", "authors": "Zhenzi Weng; Zhijin Qin; Xiaoming Tao; Chengkang Pan; Guangyi Liu; Geoffrey Ye Li", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "9", "pages": "6227-6240", "ieee_document_id": "10038754", "source_url": "https://doi.org/10.1109/twc.2023.3240969", "pdf": "papers/2023_Weng_Deep_Learning_Enabled_Semantic_Communications_With_Speech_Recognition_and_Synthesis.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语音/音频传输或识别", "theme": "adaptive", "method_name": "DeepSC-ST", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "Polar", "Transformer", "QAM", "DeepSC-S", "DeepSC-ST", "BERT"], "metrics": ["WER", "CER", "accuracy", "latency"], "channels": ["AWGN", "Rayleigh", "Rician", "fading channel"], "snr_conditions": ["SNR=8 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，随着人工智能（AI）技术的蓬勃发展，人们对智能应用的需求空前高涨，对通信系统的传输效率提出了更高的要求，对传统的通信系统提出了更高的要求。"}, "problem": {"pages": [1], "zh": "然而，由于缺乏数学模型，语义信息的量化具有挑战性。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种基于深度学习的语音语义通信系统DeepSC-ST。"}, "mechanism": {"pages": [2], "zh": "受此启发，我们提出了一个DL启用的语义通信系统，命名为DeepSC-ST，语音传输和服务用户不同的请求。"}, "claim": {"pages": [1], "zh": "仿真结果表明，DeepSC-ST的性能明显优于传统通信系统和现有的支持下行链路的通信系统，尤其是在低信噪比（SNR）条件下。"}}, "method_summary": {"pages": [1, 2], "zh": "在本文中，我们开发了一个基于深度学习的语音传输语义通信系统，命名为DeepSC-ST。受此启发，我们提出了一个DL启用的语义通信系统，命名为DeepSC-ST，用于语音传输和服务不同请求的用户。"}, "representation_summary": {"zh": "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：DeepSC-ST 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [12], "zh": "DeepSC-ST 将语音语义特征映射为连续信道符号；AWGN、Rayleigh 或 Rician 噪声直接作用于这些连续符号，接收端再恢复文本或语音。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，DeepSC-ST的性能明显优于传统通信系统和现有的支持下行链路的通信系统，尤其是在低信噪比（SNR）条件下。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2023_deep-learning-enabled-semantic-communications-with-speech-recognition-and-synthesis_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2023_deep-learning-enabled-semantic-communications-with-speech-recognition-and-synthesis_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [12]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、Polar、Transformer、QAM、DeepSC-S、DeepSC-ST、BERT；指标包括WER、CER、accuracy、latency；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel；正文可定位的代表性工作点有SNR=8 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是语音/音频传输或识别所需的语音波形、声学特征或说话人信息。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 DeepSC-ST：在本文中，我们开发了一个基于深度学习的语音传输语义通信系统，命名为DeepSC-ST。受此启发，我们提出了一个DL启用的语义通信系统，命名为DeepSC-ST，用于语音传输和服务不同请求的用户。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [12]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [12]}, "output": {"zh": "最终输出为重建语音、识别文本或说话人任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3271665", "title": "Edge Learning for Large-Scale Internet of Things With Task-Oriented Efficient Communication", "authors": "Haihui Xie; Minghua Xia; Peiran Wu; Shuai Wang; H. Vincent Poor", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "12", "pages": "9517-9532", "ieee_document_id": "10120724", "source_url": "https://doi.org/10.1109/twc.2023.3271665", "pdf": "papers/2023_Xie_Edge_Learning_for_Large_Scale_Internet_of_Things_With_Task_Oriented_Efficient_Communication.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "Edge Learning for Large-Scale Internet of Things With Task-Oriented Efficient Communication", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["MNIST", "ModelNet40"], "baselines": ["ResNet", "YOLO"], "metrics": ["accuracy", "MSE", "PER"], "channels": ["wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在物联网（IoT）网络中，面向数据驱动型任务的边缘学习提供了智能应用和服务。"}, "problem": {"pages": [1], "zh": "随着网络规模变大，不同的用户可能生成不同的数据集。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "随着网络规模变大，不同的用户可能生成不同的数据集。"}, "mechanism": {"pages": [1], "zh": "因此，为了适应大规模物联网网络的多个边缘学习任务，本文通过使用无线资源分配和边缘学习误差预测的协同设计，考虑在面向任务的原则下进行有效的通信。"}, "claim": {"pages": [1], "zh": "由于所设计的算法的高度并行化，大量的实验结果证实，多用户调度和面向任务的功率分配有效地提高了性能的不同边缘学习任务相比，最先进的基准算法。"}}, "method_summary": {"pages": [1], "zh": "随着网络规模的扩大，不同用户可能会生成不同的数据集，因此，为了适应大规模物联网网络的多个边缘学习任务，本文考虑在面向任务的原则下，通过无线资源分配和边缘学习误差预测的协同设计来实现高效通信。"}, "representation_summary": {"zh": "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：Edge Learning for Large-Scale Internet of Things With Task-Oriented Efficient 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "由于所设计的算法的高度并行化，大量的实验结果证实，多用户调度和面向任务的功率分配有效地提高了性能的不同边缘学习任务相比，最先进的基准算法。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2023_edge-learning-for-large-scale-internet-of-things-with-task-oriented-efficient-communication_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2023_edge-learning-for-large-scale-internet-of-things-with-task-oriented-efficient-communication_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为MNIST、ModelNet40；实验小节中明确出现的比较对象包括ResNet、YOLO；指标包括accuracy、MSE、PER；信道/链路条件包括wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 Edge Learning for Large-Scale Internet of Things With Task-Oriented Efficient Communication：随着网络规模的扩大，不同用户可能会生成不同的数据集，因此，为了适应大规模物联网网络的多个边缘学习任务，本文考虑在面向任务的原则下，通过无线资源分配和边缘学习误差预测的协同设计来实现高效通信。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3238463", "title": "Excess Distortion Exponent Analysis for Semantic-Aware MIMO Communication Systems", "authors": "Yuxuan Shi; Shuo Shao; Yongpeng Wu; Wenjun Zhang; Xiang-Gen Xia; Chengshan Xiao", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "9", "pages": "5927-5940", "ieee_document_id": "10026795", "source_url": "https://doi.org/10.1109/twc.2023.3238463", "pdf": "papers/2023_Shi_Excess_Distortion_Exponent_Analysis_for_Semantic_Aware_MIMO_Communication_Systems.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义信息度量与理论", "theme": "theory", "method_name": "Excess Distortion Exponent Analysis for Semantic-Aware MIMO Communication Systems", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["JSCC"], "metrics": [], "channels": ["MIMO", "block fading"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "本文分析了语义感知通信系统中信源信道联合编码（JSCC）的超额失真指数。"}, "problem": {"pages": [1], "zh": "通过引入一个不可观测的语义源，我们将Csiszar的经典结果扩展到语义感知的通信系统。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "通过引入一个不可观测的语义源，我们将Csiszar的经典结果扩展到语义感知的通信系统。"}, "mechanism": {"pages": [1], "zh": "通过引入一个不可观测的语义源，我们将Csiszar的经典结果扩展到语义感知的通信系统。"}, "claim": {"pages": [9], "zh": "根据（a）不同的相干时间Nc（B）不同的EJ的相关系数（由EJopt和最佳JSCC码率R_（max）标记），对不同的JSCC方案对最佳码率R_（max）进行比较。"}}, "method_summary": {"pages": [1, 2], "zh": "通过引入一个不可观测的语义源，我们将Csiszar的经典结果推广到了语义感知的通信系统，这是远程源编码问题与我们的源系统模型的主要区别。"}, "representation_summary": {"zh": "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：Excess Distortion Exponent Analysis for Semantic-Aware MIMO Communication Systems 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [9], "zh": "根据（a）不同的相干时间Nc（B）不同的EJ的相关系数（由EJopt和最佳JSCC码率R_（max）标记），对不同的JSCC方案对最佳码率R_（max）进行比较。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2023_excess-distortion-exponent-analysis-for-semantic-aware-mimo-communication-systems_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2023_excess-distortion-exponent-analysis-for-semantic-aware-mimo-communication-systems_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括JSCC；信道/链路条件包括MIMO、block fading。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义信息度量与理论所需的抽象信源—任务—信道模型。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Excess Distortion Exponent Analysis for Semantic-Aware MIMO Communication Systems：通过引入一个不可观测的语义源，我们将Csiszar的经典结果推广到了语义感知的通信系统，这是远程源编码问题与我们的源系统模型的主要区别。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为界、度量或优化原则。", "pages": [9]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3306465", "title": "Integrated Sensing-Communication-Computation for Over-the-Air Edge AI Inference", "authors": "Zeming Zhuang; Dingzhu Wen; Yuanming Shi; Guangxu Zhu; Sheng Wu; Dusit Niyato", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "", "issue": "", "pages": "", "ieee_document_id": "10230049", "source_url": "https://doi.org/10.1109/twc.2023.3306465", "pdf": "papers/2023_Zhuang_Integrated_Sensing_Communication_Computation_for_Over_the_Air_Edge_AI_Inference.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "ISCC", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["OFDM"], "metrics": ["accuracy", "latency"], "channels": ["Rayleigh", "MIMO", "OFDM", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "边缘设备协同推理是指在设备和边缘服务器的协作下，在网络边缘部署经过良好训练的人工智能（AI）模型，以提供环境智能服务。"}, "problem": {"pages": [1], "zh": "然而，这些服务的实现高度依赖于在网络边缘利用训练有素的AI模型的推理能力进行智能决策。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了从系统的角度提高边缘设备协同推理任务中有限网络资源的利用率，我们提出了一种面向任务的集成传感、计算和通信（ISCC）方案。"}, "mechanism": {"pages": [1], "zh": "在此准则下，将感知功率分配、发射预编码和接收波束赋形联合问题转化为一个问题。"}, "claim": {"pages": [1], "zh": "基于一个人体运动识别任务的实验进行了验证，该方案的优势，现有的计划和基线。"}}, "method_summary": {"pages": [1], "zh": "为了从系统的角度提高边缘设备协同推理任务中有限网络资源的利用率，本文提出了一种面向任务的集成感知、计算和通信（ISCC）方案，并在此准则下建立了感知功率分配、发送预编码和接收波束赋形的联合问题。"}, "representation_summary": {"zh": "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：ISCC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "基于一个人体运动识别任务的实验进行了验证，该方案的优势，现有的计划和基线。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2023_integrated-sensing-communication-computation-for-over-the-air-edge-ai-inference_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 12, "file": "assets/2023_integrated-sensing-communication-computation-for-over-the-air-edge-ai-inference_result_p12.png", "caption": "Inference accuracy versus minimum pair-wise discriminant gain on different models", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括OFDM；指标包括accuracy、latency；信道/链路条件包括Rayleigh、MIMO、OFDM、fading channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 ISCC：为了从系统的角度提高边缘设备协同推理任务中有限网络资源的利用率，本文提出了一种面向任务的集成感知、计算和通信（ISCC）方案，并在此准则下建立了感知功率分配、发送预编码和接收波束赋形的联合问题。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3343086", "title": "Over-the-Air Multi-View Pooling for Distributed Sensing", "authors": "Zhiyan Liu; Qiao Lan; Anders E. Kalør; Petar Popovski; Kaibin Huang", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "", "issue": "", "pages": "", "ieee_document_id": "10373820", "source_url": "https://doi.org/10.1109/twc.2023.3343086", "pdf": "papers/2023_Liu_Over_the_Air_Multi_View_Pooling_for_Distributed_Sensing.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "边缘学习与任务通信", "theme": "digital", "method_name": "AirPooling", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ModelNet40", "ShapeNet"], "baselines": ["OFDM", "BERT"], "metrics": ["mAP", "accuracy", "classification accuracy", "latency", "MSE", "throughput", "PER"], "channels": ["Rician", "MIMO", "fading channel", "OFDM", "wireless channel", "block fading"], "snr_conditions": ["SNR 6 dB", "SNR of 6 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "感知是第六代（6G）移动的网络的一项关键网络功能，通过人工智能（AI）融合边缘网络中设备的多个感知视图，使边缘服务器能够进行准确的推理。"}, "problem": {"pages": [1], "zh": "然而，尽管在实践中最受欢迎，但称为Max-AirPooling的空中最大化并不是AirComp可实现的，因为AirComp只处理有限的功能子集。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "梯度或中间特征既大又易受噪声影响，通信错误会直接改变训练收敛或推理决策；这使空口聚合与任务 loss 必须一起考虑。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了缓解这个问题，我们提出了一个面向任务的分布式传感的同时访问计划称为空中池（AirPooling）。"}, "mechanism": {"pages": [1], "zh": "为了缓解这个问题，我们提出了一个面向任务的分布式传感的同时访问计划称为空中池（AirPooling）。"}, "claim": {"pages": [1], "zh": "在真实世界数据集上获得的实验结果表明，AirPooling提供的传感精度接近传统数字空中接口所能达到的精度，但大大降低了通信延迟，最高可达一个数量级。"}}, "method_summary": {"pages": [1, 2], "zh": "为了缓解这个问题，我们提出了一种面向任务的分布式传感同时访问方案，称为空中共享（Over-the-Air Pooling，AirPooling）。设计广义空中共享：我们提出了一种新的广义空中共享技术，包括平均空中共享和最大空中共享两种特殊情况。"}, "representation_summary": {"zh": "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：AirPooling 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [9], "zh": "我们考虑Rician衰落，其中视线（LoS）信道增益与非LoS信道增益的比率被设置为4dB。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "在真实世界数据集上获得的实验结果表明，AirPooling提供的传感精度接近传统数字空中接口所能达到的精度，但大大降低了通信延迟，最高可达一个数量级。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2023_over-the-air-multi-view-pooling-for-distributed-sensing_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2023_over-the-air-multi-view-pooling-for-distributed-sensing_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ModelNet40、ShapeNet；实验小节中明确出现的比较对象包括OFDM、BERT；指标包括mAP、accuracy、classification accuracy、latency、MSE、throughput、PER；信道/链路条件包括Rician、MIMO、fading channel、OFDM、wireless channel、block fading；正文可定位的代表性工作点有SNR 6 dB、SNR of 6 dB。", "pages": [3]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是边缘学习与任务通信所需的梯度、模型更新或中间特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 AirPooling：为了缓解这个问题，我们提出了一种面向任务的分布式传感同时访问方案，称为空中共享（Over-the-Air Pooling，AirPooling）。设计广义空中共享：我们提出了一种新的广义空中共享技术，包括平均空中共享和最大空中共享两种特殊情况。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为聚合模型或边缘推理结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3234408", "title": "Predictive and Adaptive Deep Coding for Wireless Image Transmission in Semantic Communication", "authors": "Wenyu Zhang; Haijun Zhang; Hui Ma; Hua Shao; Ning Wang; Victor C. M. Leung", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "8", "pages": "5486-5501", "ieee_document_id": "10015684", "source_url": "https://doi.org/10.1109/twc.2023.3234408", "pdf": "papers/2023_Zhang_Predictive_and_Adaptive_Deep_Coding_for_Wireless_Image_Transmission_in_Semantic_Communicatio.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "PADC", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Kodak"], "baselines": ["DeepJSCC", "JPEG2000", "JPEG", "BPG", "LDPC", "ADJSCC", "JSCC"], "metrics": ["PSNR", "MSE"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "PADC由支持可变代码长度的DeepJSCC实现（DeepJSCC-V）模型，用于根据图像传输任务的内容、信道信噪比（SNR）和压缩比（CR）值来预测图像传输任务的峰值信噪比（PSNR）值，CR优化器的目标是找到具有PSNR质量约束的最小数据级或实例级CR。"}, "problem": {"pages": [1], "zh": "然而，现有的基于DeepJSCC的语义通信框架仍然不能实现针对不同信道SNR和图像内容的自适应码率，这降低了其灵活性和带宽效率。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们提出了一个预测和自适应深度编码（PADC）框架，实现灵活的码率优化与给定的目标传输质量要求。"}, "mechanism": {"pages": [3], "zh": "借助DeepJSCC-V和OraNet模型，我们在PADC框架下提出了数据级CR优化和实例级优化。"}, "claim": {"pages": [1], "zh": "仿真结果表明，所提出的DeepJSCC-V模型可以实现类似的PSNR性能与最先进的基于注意力的DeepJSCC（ADJSCC）模型相比，所提出的OraNet模型能够预测高质量的PSNR值，平均误差低于0.5dB。"}}, "method_summary": {"pages": [1, 3], "zh": "本文提出了一种预测自适应深度编码（PADC）框架，用于在给定目标传输质量要求的情况下实现灵活的码率优化。借助DeepJSCC-V和OraNet模型，我们在PADC框架下提出了数据级CR优化和实例级优化。"}, "representation_summary": {"zh": "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：PADC 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。", "pages": [2]}, "overhead_summary": {"pages": [13], "zh": "回想一下，在本文中，我们将最大允许SC信道数设置为48，因为我们在编码器中使用了两次下采样操作，因此获得的SC形状为48×192×128。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，所提出的DeepJSCC-V模型可以实现类似的PSNR性能与最先进的基于注意力的DeepJSCC（ADJSCC）模型相比，所提出的OraNet模型能够预测高质量的PSNR值，平均误差低于0.5dB。"}, "assets": [{"kind": "method", "page": 5, "file": "assets/2023_predictive-and-adaptive-deep-coding-for-wireless-image-transmission-in-semantic-communication_method_p5.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2023_predictive-and-adaptive-deep-coding-for-wireless-image-transmission-in-semantic-communication_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 10]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为Kodak；实验小节中明确出现的比较对象包括DeepJSCC、JPEG2000、JPEG、BPG、LDPC、ADJSCC、JSCC；指标包括PSNR、MSE；信道/链路条件包括AWGN、Rayleigh、fading channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 3]}, "encoder": {"zh": "发送端采用 PADC：本文提出了一种预测自适应深度编码（PADC）框架，用于在给定目标传输质量要求的情况下实现灵活的码率优化。借助DeepJSCC-V和OraNet模型，我们在PADC框架下提出了数据级CR优化和实例级优化。", "pages": [1, 3]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 10]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2022.3221778", "title": "Progressive Feature Transmission for Split Classification at the Wireless Edge", "authors": "Qiao Lan; Qunsong Zeng; Petar Popovski; Deniz Gündüz; Kaibin Huang", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "6", "pages": "3837-3852", "ieee_document_id": "9955582", "source_url": "https://doi.org/10.1109/twc.2022.3221778", "pdf": "papers/2023_Lan_Progressive_Feature_Transmission_for_Split_Classification_at_the_Wireless_Edge.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "ProgressFTX", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["MNIST"], "baselines": [], "metrics": ["mAP", "accuracy", "classification accuracy", "latency", "throughput", "PER"], "channels": ["fading channel", "wireless channel"], "snr_conditions": ["SNR =4 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "我们考虑在无线边缘的推理场景，其中设备连接到边缘服务器，并要求服务器进行远程分类，即对边缘设备处可用的数据样本进行分类。"}, "problem": {"pages": [1], "zh": "这要求边缘设备通过资源受限的无线信道上传样本的高维特征，这产生了通信瓶颈。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这个问题，我们提出了渐进式特征传输（ProgressFTX）协议，该协议通过渐进式传输特征来最大限度地减少开销，直到达到目标置信水平。"}, "mechanism": {"pages": [2], "zh": "这项工作的贡献是ProgressFTX协议的建议和一个次优的，但有效的控制协议的政策的设计。"}, "claim": {"pages": [1], "zh": "结果表明，ProgressFTX可以大大减少通信延迟相比，传统的功能修剪和随机特征传输策略。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决这个问题，我们提出了渐进式的功能传输（ProgressFTX）协议，它通过逐步传输功能，直到达到目标的置信水平，最大限度地减少了开销。这项工作的贡献是ProgressFTX协议的建议和设计的次优，但有效的策略控制协议。"}, "representation_summary": {"zh": "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：ProgressFTX 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "结果表明，ProgressFTX可以大大减少通信延迟相比，传统的功能修剪和随机特征传输策略。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2023_progressive-feature-transmission-for-split-classification-at-the-wireless-edge_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2023_progressive-feature-transmission-for-split-classification-at-the-wireless-edge_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为MNIST；指标包括mAP、accuracy、classification accuracy、latency、throughput、PER；信道/链路条件包括fading channel、wireless channel；正文可定位的代表性工作点有SNR =4 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 ProgressFTX：为了解决这个问题，我们提出了渐进式的功能传输（ProgressFTX）协议，它通过逐步传输功能，直到达到目标的置信水平，最大限度地减少了开销。这项工作的贡献是ProgressFTX协议的建议和设计的次优，但有效的策略控制协议。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3265201", "title": "Robust Semantic Communications With Masked VQ-VAE Enabled Codebook", "authors": "Qiyu Hu; Guangyi Zhang; Zhijin Qin; Yunlong Cai; Guanding Yu; Geoffrey Ye Li", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "12", "pages": "8707-8722", "ieee_document_id": "10101778", "source_url": "https://doi.org/10.1109/twc.2023.3265201", "pdf": "papers/2023_Hu_Robust_Semantic_Communications_With_Masked_VQ_VAE_Enabled_Codebook.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "VQ-VAE", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["CIFAR-10", "ImageNet"], "baselines": ["JPEG", "LDPC", "VQ-VAE", "VAE", "ViT", "Transformer", "QAM", "JSCC", "ResNet"], "metrics": ["mAP", "accuracy", "classification accuracy", "semantic similarity", "BER"], "channels": ["MIMO"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "虽然语义通信在大量任务上表现出令人满意的性能，但语义噪声的影响和系统的鲁棒性还没有得到很好的研究。"}, "problem": {"pages": [1], "zh": "语义噪声是指在语义符号的理解过程中，语义符号的意图和接受之间的误导，从而导致任务的失败。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "然后，我们提出了屏蔽的一部分输入，其中语义噪声出现频繁，并设计了屏蔽矢量量化变分自动编码器（VQ-VAE）与噪声相关的掩蔽策略。"}, "mechanism": {"pages": [2], "zh": "因此，在本文中，我们在通信领域的语义噪声建模，并设计了一个鲁棒的语义通信系统，可以有效地对抗语义噪声与较低的传输开销。"}, "claim": {"pages": [1], "zh": "仿真结果表明，该方法可应用于多种下游任务，在显著降低传输开销的同时，显著提高了对语义噪声的鲁棒性。"}}, "method_summary": {"pages": [1, 2], "zh": "在此基础上，本文提出对语义噪声频繁出现的部分输入进行屏蔽，并采用噪声相关屏蔽策略设计屏蔽矢量量化变分自编码器（VQ-VAE），从而在通信领域对语义噪声进行建模，设计一个鲁棒的语义通信系统，以较低的传输开销有效地对抗语义噪声。"}, "representation_summary": {"pages": [1], "zh": "然后，我们提出了屏蔽的一部分输入，其中语义噪声出现频繁，并设计了屏蔽矢量量化变分自动编码器（VQ-VAE）与噪声相关的掩蔽策略。 独立判断：VQ-VAE 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。"}, "overhead_summary": {"pages": [11], "zh": "“Patch-16”设置把每个 16×16×3 图像块压缩为一个离散标量/index；因此 H×W 图像约产生 (H/16)(W/16) 个 index。若码本大小为 K，净索引开销为 (H/16)(W/16)⌈log₂K⌉ bit，尚未包含 LDPC、调制与包头。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "我们采用16-QAM调制与低密度奇偶校验码（LDPC）的比率为1/2。 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。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，该方法可应用于多种下游任务，在显著降低传输开销的同时，显著提高了对语义噪声的鲁棒性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2023_robust-semantic-communications-with-masked-vq-vae-enabled-codebook_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2023_robust-semantic-communications-with-masked-vq-vae-enabled-codebook_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [10]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、ImageNet；实验小节中明确出现的比较对象包括JPEG、LDPC、VQ-VAE、VAE、ViT、Transformer、QAM、JSCC、ResNet；指标包括mAP、accuracy、classification accuracy、semantic similarity、BER；信道/链路条件包括MIMO。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 VQ-VAE：在此基础上，本文提出对语义噪声频繁出现的部分输入进行屏蔽，并采用噪声相关屏蔽策略设计屏蔽矢量量化变分自编码器（VQ-VAE），从而在通信领域对语义噪声进行建模，设计一个鲁棒的语义通信系统，以较低的传输开销有效地对抗语义噪声。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [10]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2022.3232565", "title": "Semantic-Aware Sensing Information Transmission for Metaverse: A Contest Theoretic Approach", "authors": "Jiacheng Wang; Hongyang Du; Zengshan Tian; Dusit Niyato; Jiawen Kang; Xuemin Shen", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "8", "pages": "5214-5228", "ieee_document_id": "10007890", "source_url": "https://doi.org/10.1109/twc.2022.3232565", "pdf": "papers/2023_Wang_Semantic_Aware_Sensing_Information_Transmission_for_Metaverse_A_Contest_Theoretic_Approach.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "点云/三维场景传输", "theme": "theory", "method_name": "Semantic-Aware Sensing Information Transmission for Metaverse: A Contest Theoretic Approach", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["accuracy", "utility", "BER", "PER"], "channels": ["Rayleigh", "Nakagami"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "随着网络技术和计算机技术的发展，虚拟赛博空间不断发展，以虚拟世界为主要代表。"}, "problem": {"pages": [1], "zh": "然而，随着时间的推移，经济蓬勃发展，各种技术不断发展，将曾经想象的世界变成现实。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "受新兴语义通信的启发，本文提出了一个将感知信息从物理世界传输到元宇宙的语义传输框架。"}, "mechanism": {"pages": [2], "zh": "受此启发，在本文中，我们提出了一个语义感知的传感数据传输框架，包括基于竞争理论的激励机制，提供无线传感数据，即信道频率响应（CFR）功率，从物理世界到Metaverse。"}, "claim": {"pages": [1], "zh": "实验结果表明，语义编码后的平均数据量减少到编码前的27.87%左右，同时保证了感知性能。"}}, "method_summary": {"pages": [1, 2], "zh": "受新兴语义通信的启发，本文提出了一种将感知信息从物理世界传输到Metaverse的语义传输框架，并提出了一种基于语义感知的感知数据传输框架，该框架包括基于竞争理论的激励机制，用于传输无线感知数据，即信道频率响应（CFR）功率，从物理世界到虚拟世界"}, "representation_summary": {"zh": "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：Semantic-Aware Sensing Information Transmission for Metaverse: A Contest Theoretic Approach 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，语义编码后的平均数据量减少到编码前的27.87%左右，同时保证了感知性能。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2023_semantic-aware-sensing-information-transmission-for-metaverse-a-contest-theoretic-approach_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2023_semantic-aware-sensing-information-transmission-for-metaverse-a-contest-theoretic-approach_result_p8.png", "caption": "Distribution of features in the 3D semantic space", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括accuracy、utility、BER、PER；信道/链路条件包括Rayleigh、Nakagami。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是点云/三维场景传输所需的三维点、视图或场景语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Semantic-Aware Sensing Information Transmission for Metaverse: A Contest Theoretic Approach：受新兴语义通信的启发，本文提出了一种将感知信息从物理世界传输到Metaverse的语义传输框架，并提出了一种基于语义感知的感知数据传输框架，该框架包括基于竞争理论的激励机制，用于传输无线感知数据，即信道频率响应（CFR）功率，从物理世界到虚拟世界", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为三维重建、渲染或下游感知结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2022.3191118", "title": "Task-Oriented Communication for Multidevice Cooperative Edge Inference", "authors": "Jiawei Shao; Yuyi Mao; Jun Zhang", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "1", "pages": "73-87", "ieee_document_id": "9837474", "source_url": "https://doi.org/10.1109/twc.2022.3191118", "pdf": "papers/2023_Shao_Task_Oriented_Communication_for_Multidevice_Cooperative_Edge_Inference.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "DIB", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "ImageNet", "MNIST", "ModelNet40", "Tiny ImageNet"], "baselines": ["ETC"], "metrics": ["accuracy", "classification accuracy", "latency", "PER", "Rsum"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "虽然设备边缘协同推理与面向任务的通信一起实现了资源受限设备的低延迟推理，但其性能受到单个设备的感测能力的限制。"}, "problem": {"pages": [1], "zh": "具体来说，我们利用Tishby的信息瓶颈（IB）原理（Tishby et al.，2000）来提取每个边缘设备上的任务相关特征，并采用Aguerri和Zaidi，2021的分布式信息瓶颈（DIB）框架，以形式化分布式特征编码的最佳速率相关性权衡的单字母表征。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了实现低延迟的协同推理，我们提出了一种基于学习的通信方案，该方案以面向任务的方式优化本地特征提取和分布式特征编码，即去除数据冗余并传输下游推理任务所必需的信息，而不是在边缘服务器上重建数据样本。"}, "mechanism": {"pages": [1], "zh": "具体来说，我们利用Tishby的信息瓶颈（IB）原理（Tishby et al.，2000）来提取每个边缘设备上的任务相关特征，并采用Aguerri和Zaidi，2021的分布式信息瓶颈（DIB）框架，以形式化分布式特征编码的最佳速率相关性权衡的单字母表征。"}, "claim": {"pages": [1], "zh": "多视角图像分类和多视角对象识别任务上的大量实验证明，所提出的面向任务的通信方案比现有方法实现了更好的速率相关性权衡。"}}, "method_summary": {"pages": [1], "zh": "为了实现低延迟的协同推理，我们提出了一种基于学习的通信方案，该方案以面向任务的方式优化局部特征提取和分布式特征编码，即，去除数据冗余并传输下游推理任务所必需的信息，而不是在边缘服务器处重构数据样本。我们利用Tishby的信息瓶颈（IB）原理（Tishby等人，2000年），以提取每个边缘设备处的任务相关特征，并采用Aguerri和Zaidi，2021年的分布式信息瓶颈（DIB）框架，以形式化分布式特征编码的最佳速率相关性权衡的单字母表征。"}, "representation_summary": {"zh": "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：DIB 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "多视角图像分类和多视角对象识别任务上的大量实验证明，所提出的面向任务的通信方案比现有方法实现了更好的速率相关性权衡。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2023_task-oriented-communication-for-multidevice-cooperative-edge-inference_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2023_task-oriented-communication-for-multidevice-cooperative-edge-inference_result_p8.png", "caption": "The selective retransmission mechanism with (a) a stopping policy and (b) an attention module", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、ImageNet、MNIST、ModelNet40、Tiny ImageNet；实验小节中明确出现的比较对象包括ETC；指标包括accuracy、classification accuracy、latency、PER、Rsum。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 DIB：为了实现低延迟的协同推理，我们提出了一种基于学习的通信方案，该方案以面向任务的方式优化局部特征提取和分布式特征编码，即，去除数据冗余并传输下游推理任务所必需的信息，而不是在边缘服务器处重构数据样本。我们利用Tishby的信息瓶颈（IB）原理（Tishby等人，2000年），以提取每个边缘设备处的任务相关特征，并采用Aguerri和Zaidi，2021年的分布式信息瓶颈（DIB）框架，以形式化分布式特征编码的最佳速率相关性权衡的单字母表征。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3269444", "title": "Task-Oriented Explainable Semantic Communications", "authors": "Shuai Ma; Weining Qiao; Youlong Wu; Hang Li; Guangming Shi; Dahua Gao; Yuanming Shi; Shiyin Li; Naofal Al-Dhahir", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "12", "pages": "9248-9262", "ieee_document_id": "10110357", "source_url": "https://doi.org/10.1109/twc.2023.3269444", "pdf": "papers/2023_Ma_Task_Oriented_Explainable_Semantic_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "task", "method_name": "Task-Oriented Explainable Semantic Communications", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["MNIST", "CelebA"], "baselines": ["DeepJSCC", "JPEG", "VAE", "JSCC"], "metrics": ["PSNR", "accuracy"], "channels": ["Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信利用收发器计算资源来缓解稀缺的传输资源，诸如带宽和能量。"}, "problem": {"pages": [1], "zh": "虽然传统的基于深度学习（DL）的设计可以实现一定的传输效率，但是提取的特征的不可解释性问题是语义通信发展中的主要挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们提出了一个可解释的和强大的语义通信框架，结合建立良好的比特级通信系统，它不仅提取和解开功能独立和语义可解释的功能，但也只选择任务相关的功能进行传输，而不是所有提取的功能。"}, "mechanism": {"pages": [2], "zh": "本文的主要工作如下：·提出了一个基于比特级通信系统的语义通信框架，该框架包括一个新颖的语义编码器，以及相应的解码器、特征选择和语义信道。"}, "claim": {"pages": [1], "zh": "我们的模拟和实验表明，我们提出的可解释的语义通信系统可以显着提高传输效率，也验证了我们提出的强大的语义传输方案的有效性。"}}, "method_summary": {"pages": [1, 2], "zh": "在本文中，我们提出了一个可解释的和健壮的语义通信框架，通过结合成熟的比特级通信系统，它不仅提取和整理特征，成为独立的和语义上可解释的特征，而且只选择与任务相关的特征进行传输，而不是所有提取的特征。本文的主要贡献总结如下：·提出了一个基于比特级通信系统的语义通信框架，该框架包括一个新颖的语义编码器，以及相应的解码器、特征选择和语义信道。"}, "representation_summary": {"pages": [2], "zh": "具体而言，语义信道同时考虑量化误差（或噪声）和物理信道噪声，因为这些噪声源可能导致语义信息模糊，并且语义信道封装了传统的比特级通信系统，这意味着与JSCC方案相比，所提出的框架可以更容易地实现。 独立判断：Task-Oriented Explainable 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "我们的模拟和实验表明，我们提出的可解释的语义通信系统可以显着提高传输效率，也验证了我们提出的强大的语义传输方案的有效性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2023_task-oriented-explainable-semantic-communications_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2023_task-oriented-explainable-semantic-communications_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 9]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为MNIST、CelebA；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、VAE、JSCC；指标包括PSNR、accuracy；信道/链路条件包括Rayleigh、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Task-Oriented Explainable Semantic Communications：在本文中，我们提出了一个可解释的和健壮的语义通信框架，通过结合成熟的比特级通信系统，它不仅提取和整理特征，成为独立的和语义上可解释的特征，而且只选择与任务相关的特征进行传输，而不是所有提取的特征。本文的主要贡献总结如下：·提出了一个基于比特级通信系统的语义通信框架，该框架包括一个新颖的语义编码器，以及相应的解码器、特征选择和语义信道。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2022.3213227", "title": "The Age of Incorrect Information: An Enabler of Semantics-Empowered Communication", "authors": "Ali Maatouk; Mohamad Assaad; Anthony Ephremides", "year": 2023, "venue": "IEEE Transactions on Wireless Communications", "volume": "22", "issue": "4", "pages": "2621-2635", "ieee_document_id": "9921185", "source_url": "https://doi.org/10.1109/twc.2022.3213227", "pdf": "papers/2023_Maatouk_The_Age_of_Incorrect_Information_An_Enabler_of_Semantics_Empowered_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "通用语义通信系统", "theme": "theory", "method_name": "The Age of Incorrect Information", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["AoI", "utility"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "由于电池生产的技术进步和无线电设备的廉价成本，通信系统不再局限于传统的数据和语音交换框架。"}, "problem": {"pages": [1], "zh": "首先，我们揭示了传统的通信模式，其角色盲的数据方法，是容易受到性能瓶颈。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们介绍了不正确的信息时代（AoII）作为语义授权的通信，一个新倡导的通信范式围绕数据的作用和它的有用性的通信目标的使能者。"}, "mechanism": {"pages": [2], "zh": "因此，为了从网络中提取最佳性能，我们的系统设计无疑必须包括所涉及数据的用途。"}, "claim": {"pages": [8], "zh": "有趣的是，AoII最优策略实现了与错误最优策略相同的错误性能（即，AoII最优策略也是错误最优的）。"}}, "method_summary": {"pages": [1, 2], "zh": "在本文中，我们介绍了不正确信息时代（AoII）作为语义授权通信的推动者，这是一种新倡导的以数据的作用及其对通信目标的有用性为中心的通信范式。因此，为了从网络中提取最佳性能，我们的系统设计无疑必须包括所涉及的数据的目的。"}, "representation_summary": {"zh": "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：The Age of Incorrect Information 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [8], "zh": "有趣的是，AoII最优策略实现了与错误最优策略相同的错误性能（即，AoII最优策略也是错误最优的）。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2023_the-age-of-incorrect-information-an-enabler-of-semantics-empowered-communication_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2023_the-age-of-incorrect-information-an-enabler-of-semantics-empowered-communication_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括AoI、utility。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是通用语义通信系统所需的信源数据和接收端任务。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 The Age of Incorrect Information：在本文中，我们介绍了不正确信息时代（AoII）作为语义授权通信的推动者，这是一种新倡导的以数据的作用及其对通信目标的有用性为中心的通信范式。因此，为了从网络中提取最佳性能，我们的系统设计无疑必须包括所涉及的数据的目的。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建内容或任务输出。", "pages": [8]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3415363", "title": "A GAN-Based Semantic Communication for Text Without CSI", "authors": "Jin Mao; Ke Xiong; Ming Liu; Zhijin Qin; Wei Chen; Pingyi Fan; Khaled Ben Letaief", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "10", "pages": "14498-14514", "ieee_document_id": "10584461", "source_url": "https://doi.org/10.1109/twc.2024.3415363", "pdf": "papers/2024_Mao_A_GAN_Based_Semantic_Communication_for_Text_Without_CSI.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "generative", "method_name": "Ti-GSC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Europarl"], "baselines": ["GAN", "Transformer", "RSMA", "PPO", "DQN", "OFDM", "BERT", "CLIP"], "metrics": ["BLEU", "energy efficiency", "semantic similarity", "utility", "NMSE", "PER"], "channels": ["AWGN", "Rayleigh", "Rician", "MIMO", "OFDM", "fading channel", "Nakagami"], "snr_conditions": ["SNR = 9 dB", "SNR = 15 dB", "SNR = 24 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，语义通信（SC）被认为是6G最有潜力的范例之一。"}, "problem": {"pages": [1], "zh": "由于实际的CSI不能准确地获得和信道估计的开销不能忽略，因此，我们提出了一个生成的对抗网络（GAN）的SC框架（Ti-GSC），不需要CSI。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "当前的SC框架需要物理层信道状态信息（CSI），以便处理由信道衰落引起的严重信号失真。"}, "mechanism": {"pages": [2], "zh": "基于文本的应用程序是我们日常生活中最流行的应用程序之一，在这项研究中，我们专注于设计一个有效的SC文本数据没有CSI。"}, "claim": {"pages": [1], "zh": "此外，在没有CSI的情况下，Ti-GSC实现的BLEU分数分别比现有SC框架在Rician和Rayleigh衰落中实现的BLEU分数高约40%和62%。"}}, "method_summary": {"pages": [1, 2], "zh": "目前的SC框架需要物理层信道状态信息（CSI），以处理严重的信号失真引起的信道衰落，基于文本的应用是我们日常生活中最流行的，在这项研究中，我们专注于设计一个高效的SC文本数据没有CSI。"}, "representation_summary": {"zh": "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：Ti-GSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [12], "zh": "由于所提出的非CSI框架在严重的信道衰落（如瑞利衰落信道）下性能有限。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "此外，在没有CSI的情况下，Ti-GSC实现的BLEU分数分别比现有SC框架在Rician和Rayleigh衰落中实现的BLEU分数高约40%和62%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_a-gan-based-semantic-communication-for-text-without-csi_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_a-gan-based-semantic-communication-for-text-without-csi_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [12]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Europarl；实验小节中明确出现的比较对象包括GAN、Transformer、RSMA、PPO、DQN、OFDM、BERT、CLIP；指标包括BLEU、energy efficiency、semantic similarity、utility、NMSE、PER；信道/链路条件包括AWGN、Rayleigh、Rician、MIMO、OFDM、fading channel、Nakagami；正文可定位的代表性工作点有SNR = 9 dB、SNR = 15 dB、SNR = 24 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Ti-GSC：目前的SC框架需要物理层信道状态信息（CSI），以处理严重的信号失真引起的信道衰落，基于文本的应用是我们日常生活中最流行的，在这项研究中，我们专注于设计一个高效的SC文本数据没有CSI。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [12]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [12]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3381950", "title": "A Robust Semantic Text Communication System", "authors": "Xiang Peng; Zhijin Qin; Xiaoming Tao; Jianhua Lu; Lajos Hanzo", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "9", "pages": "11372-11385", "ieee_document_id": "10486856", "source_url": "https://doi.org/10.1109/twc.2024.3381950", "pdf": "papers/2024_Peng_A_Robust_Semantic_Text_Communication_System.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "task", "method_name": "R-DeepSC", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Europarl", "LibriSpeech"], "baselines": ["DeepSC", "LDPC", "VQ-VAE", "VAE", "Transformer", "QAM", "OFDM", "BERT"], "metrics": ["BLEU", "BERTScore", "semantic similarity"], "channels": ["AWGN", "Rayleigh", "Rician", "MIMO", "OFDM", "fading channel", "OTFS"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "然后，我们提出了一个强大的深度学习使能的语义通信系统（R-DeepSC），通过引入一个语义校正器进行强大的语义编码，以促进语义传输。"}, "problem": {"pages": [1], "zh": "然而，语义通信不仅容易受到物理信道损伤，而且还容易受到语义损伤，这降低了接收端处的语义理解并破坏了相关联的下游任务。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "然后，我们提出了一个强大的深度学习使能的语义通信系统（R-DeepSC），通过引入一个语义校正器进行强大的语义编码，以促进语义传输。"}, "mechanism": {"pages": [1], "zh": "具体来说，我们首先将语篇语义障碍分为三类，根据其来源。"}, "claim": {"pages": [1], "zh": "我们的实验结果证明了所提出的R-DeepSC和NA-RDeepSC架构在消除语义损伤方面的上级鲁棒性，从而突出了这项工作在推进鲁棒语义通信发展方面的重要性。"}}, "method_summary": {"pages": [1], "zh": "然后，我们提出了一个鲁棒的深度学习支持的语义通信系统（R-DeepSC），通过引入语义校正器进行鲁棒的语义编码，以促进语义传输。具体来说，我们首先根据其来源将文本语义损伤分为三类。"}, "representation_summary": {"zh": "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：R-DeepSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "此外，与AWGN信道相比，NA-RDeepSC和R-DeepSC之间的性能差距在莱斯衰落信道下变得更窄。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "我们的实验结果证明了所提出的R-DeepSC和NA-RDeepSC架构在消除语义损伤方面的上级鲁棒性，从而突出了这项工作在推进鲁棒语义通信发展方面的重要性。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_a-robust-semantic-text-communication-system_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_a-robust-semantic-text-communication-system_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Europarl、LibriSpeech；实验小节中明确出现的比较对象包括DeepSC、LDPC、VQ-VAE、VAE、Transformer、QAM、OFDM、BERT；指标包括BLEU、BERTScore、semantic similarity；信道/链路条件包括AWGN、Rayleigh、Rician、MIMO、OFDM、fading channel、OTFS。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 R-DeepSC：然后，我们提出了一个鲁棒的深度学习支持的语义通信系统（R-DeepSC），通过引入语义校正器进行鲁棒的语义编码，以促进语义传输。具体来说，我们首先根据其来源将文本语义损伤分为三类。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3334761", "title": "Age of Incorrect Information Minimization for Semantic-Empowered NOMA System in S-IoT", "authors": "Hui Hong; Jian Jiao; Tao Yang; Ye Wang; Rongxing Lu; Qinyu Zhang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "6", "pages": "6639-6652", "ieee_document_id": "10336741", "source_url": "https://doi.org/10.1109/twc.2023.3334761", "pdf": "papers/2024_Hong_Age_of_Incorrect_Information_Minimization_for_Semantic_Empowered_NOMA_System_in_S_IoT.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "multiuser", "method_name": "AoII", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NOMA", "PPO", "DDPG", "SAC", "CLIP"], "metrics": ["AoI", "utility"], "channels": ["Rician", "MIMO", "fading channel"], "snr_conditions": ["SNR = 15 dB", "SNR = 20 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在基于卫星的物联网（S-IoT）网络中，卫星可以通过非正交多址接入技术（NOMA）向大量地面用户设备（UE）提供及时的状态更新。"}, "problem": {"pages": [1], "zh": "然而，现有的下行NOMA系统大多是内容无关的，这可能导致在资源有限的S-IoT中存在冗余传输。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "该文设计了一种基于语义增强的不正确信息年龄（AoII）的内容感知采样策略，同时评估状态更新的新鲜度和价值，并建立了一个具有平均/峰值功率约束、网络稳定性和新鲜度要求的长期平均AoII最小化问题。"}, "mechanism": {"pages": [1], "zh": "该文设计了一种基于语义增强的不正确信息年龄（AoII）的内容感知采样策略，同时评估状态更新的新鲜度和价值，并建立了一个具有平均/峰值功率约束、网络稳定性和新鲜度要求的长期平均AoII最小化问题。"}, "claim": {"pages": [1], "zh": "评估结果表明，与现有算法相比，SAC-AMPA算法能够在更低的功耗和带宽消耗下获得最好的长期平均AoII性能。"}}, "method_summary": {"pages": [1, 2], "zh": "在本文中，我们设计了一个内容感知的采样策略，通过一个语义授权的度量，命名为年龄的不正确的信息（AoII），以评估新鲜度和价值的状态更新，并制定了一个长期的平均AoII最小化问题的三个约束，包括平均/峰值功率约束，网络稳定性和新鲜度的要求。在语义赋能的NOMA系统中，利用内容感知的采样策略，通过李雅普诺夫优化框架，建立了一个在三个长期约束和一个短期约束下的长期平均AoII最小化问题，最后通过基于DRL的算法求解该优化问题。"}, "representation_summary": {"zh": "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：AoII 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "评估结果表明，与现有算法相比，SAC-AMPA算法能够在更低的功耗和带宽消耗下获得最好的长期平均AoII性能。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_age-of-incorrect-information-minimization-for-semantic-empowered-noma-system-in-s-iot_method_p2.png", "caption": "The low Earth orbit (LEO) multibeam high-throughput satellite S improves the communication", "number": "Fig. 1"}, {"kind": "result", "page": 8, "file": "assets/2024_age-of-incorrect-information-minimization-for-semantic-empowered-noma-system-in-s-iot_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NOMA、PPO、DDPG、SAC、CLIP；指标包括AoI、utility；信道/链路条件包括Rician、MIMO、fading channel；正文可定位的代表性工作点有SNR = 15 dB、SNR = 20 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 AoII：在本文中，我们设计了一个内容感知的采样策略，通过一个语义授权的度量，命名为年龄的不正确的信息（AoII），以评估新鲜度和价值的状态更新，并制定了一个长期的平均AoII最小化问题的三个约束，包括平均/峰值功率约束，网络稳定性和新鲜度的要求。在语义赋能的NOMA系统中，利用内容感知的采样策略，通过李雅普诺夫优化框架，建立了一个在三个长期约束和一个短期约束下的长期平均AoII最小化问题，最后通过基于DRL的算法求解该优化问题。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3388329", "title": "AirNet: Neural Network Transmission Over the Air", "authors": "Mikołaj Jankowski; Denız Gündüz; Krystian Mikolajczyk", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "", "issue": "", "pages": "", "ieee_document_id": "10506072", "source_url": "https://doi.org/10.1109/twc.2024.3388329", "pdf": "papers/2024_Jankowski_AirNet_Neural_Network_Transmission_Over_the_Air.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "jscc", "method_name": "AirNet", "communication_layer": "联合信源信道编码（JSCC）", "layer_explanation": "在同一系统中共同设计压缩、语义保真和抗信道噪声机制。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet", "Tiny ImageNet"], "baselines": ["ResNet"], "metrics": ["accuracy", "PER"], "channels": ["AWGN", "fading channel", "wireless channel"], "snr_conditions": ["SNR of 20dB", "SNR of 5dB", "SNR of 30dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "深度神经网络（DNN）为许多边缘应用提供了一流的性能。"}, "problem": {"pages": [1], "zh": "然而，考虑到在大量和多种任务中使用的DNN的日益突出，我们不能期望用户在所有时间都具有可用的所有可能的DNN。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们介绍了AirNet，这是一系列新颖的方法，允许DNN在严格的发射功率和延迟限制下通过无线信道有效地传输。"}, "mechanism": {"pages": [1], "zh": "在AirNet中，我们建议直接将DNN参数映射到传输的信道符号，同时在信道约束下训练网络，对信道噪声具有鲁棒性。"}, "claim": {"pages": [1], "zh": "我们进一步提高其性能修剪网络低于可用带宽，并使用带宽扩展的重要网络参数。"}}, "method_summary": {"pages": [1], "zh": "在本文中，我们介绍了AirNet，这是一系列新的方法，允许DNN在严格的发射功率和延迟约束下在无线信道上有效地传输。在AirNet中，我们建议直接将DNN参数映射到传输的信道符号，同时在信道约束下训练网络，对信道噪声具有鲁棒性。"}, "representation_summary": {"zh": "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：AirNet 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [1], "zh": "在AirNet中，我们建议直接将DNN参数映射到传输的信道符号，同时在信道约束下训练网络，对信道噪声具有鲁棒性。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "我们进一步提高其性能修剪网络低于可用带宽，并使用带宽扩展的重要网络参数。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_airnet-neural-network-transmission-over-the-air_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_airnet-neural-network-transmission-over-the-air_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [1]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为ImageNet、Tiny ImageNet；实验小节中明确出现的比较对象包括ResNet；指标包括accuracy、PER；信道/链路条件包括AWGN、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 20dB、SNR of 5dB、SNR of 30dB。", "pages": [9]}, "reviewer_value": "该工作位于“联合信源信道编码（JSCC）”：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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 AirNet：在本文中，我们介绍了AirNet，这是一系列新的方法，允许DNN在严格的发射功率和延迟约束下在无线信道上有效地传输。在AirNet中，我们建议直接将DNN参数映射到传输的信道符号，同时在信道约束下训练网络，对信道噪声具有鲁棒性。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [1]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [1]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3430903", "title": "Analysis on Peak Age of Status Updates in Task-Oriented Machine- Type Communications", "authors": "Yanlin Li; Xiaoqi Qin; Jincheng Dai; Xianxin Song; Nan Ma; Ping Zhang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "10", "pages": "15555-15570", "ieee_document_id": "10614101", "source_url": "https://doi.org/10.1109/twc.2024.3430903", "pdf": "papers/2024_Li_Analysis_on_Peak_Age_of_Status_Updates_in_Task_Oriented_Machine_Type_Communications.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "Analysis on Peak Age of Status Updates in Task-Oriented Machine- Type Communications", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["accuracy", "energy efficiency"], "channels": ["Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "6G无线通信系统的范围预计将扩展到向人类提供数据之外，并连接不断上传计算密集型状态更新以获得实时态势感知的机器。"}, "problem": {"pages": [1], "zh": "然而，传统的网络设计原则侧重于如何尽可能快地可靠地传输整个数据流，而不管传输的数据是否对后续的感知任务有用。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们开发了一个分析框架，调查的时间价值的状态更新，在信息的峰值年龄。"}, "mechanism": {"pages": [1], "zh": "基于理论分析，我们制定了一个优化问题，同时最大限度地减少年龄的状态更新和能源消耗的多个设备。"}, "claim": {"pages": [10], "zh": "如图所示，我们提出的解决方案在不同权重下始终优于其他方案。"}}, "method_summary": {"pages": [1], "zh": "在本文中，我们开发了一个分析框架，调查的时间价值的状态更新，在信息的峰值年龄的理论分析的基础上，我们制定了一个优化问题，同时最小化状态更新的年龄和能源消耗的多个设备。"}, "representation_summary": {"zh": "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：Analysis on Peak Age of Status Updates in Task-Oriented Machine- Type Communications 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [10], "zh": "如图所示，我们提出的解决方案在不同权重下始终优于其他方案。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_analysis-on-peak-age-of-status-updates-in-task-oriented-machine-type-communications_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_analysis-on-peak-age-of-status-updates-in-task-oriented-machine-type-communications_result_p8.png", "caption": "Process-related PAoS of device i with different loads under zero-wait policy", "number": "Fig. 9"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括accuracy、energy efficiency；信道/链路条件包括Rayleigh、fading channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 Analysis on Peak Age of Status Updates in Task-Oriented Machine- Type Communications：在本文中，我们开发了一个分析框架，调查的时间价值的状态更新，在信息的峰值年龄的理论分析的基础上，我们制定了一个优化问题，同时最小化状态更新的年龄和能源消耗的多个设备。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [10]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3381480", "title": "AoI-Aware Interference Mitigation for Task-Oriented Multicasting in Multi-Cell NOMA Networks", "authors": "Chih-Yu Lin; Wanjiun Liao", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "9", "pages": "11341-11356", "ieee_document_id": "10487785", "source_url": "https://doi.org/10.1109/twc.2024.3381480", "pdf": "papers/2024_Lin_AoI_Aware_Interference_Mitigation_for_Task_Oriented_Multicasting_in_Multi_Cell_NOMA_Networks.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "multiuser", "method_name": "AIM", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NOMA"], "metrics": ["AoI", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在面向任务的物联网应用中，信息年龄（AoI）是衡量信息新鲜度的关键性能指标。"}, "problem": {"pages": [1], "zh": "然而，即使使用多播传输，由于分配的正交信道的有限数量，5G OMA网络也不足以同时支持大量UE（即，每千米一百万个设备）。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了平衡小区间干扰和组播组大小，提出了一种新的AoI感知的小区间干扰抑制（AIM）方案，该方案动态调整组播组大小、调度组播组进行传输以及为组播组分配发射功率。"}, "mechanism": {"pages": [3], "zh": "我们制定的问题作为一个多目标非凸优化问题。"}, "claim": {"pages": [1], "zh": "通过将分组问题建模为一个多臂强盗问题，并使用ε-贪婪算法求解，我们还证明了我们的AoI感知分组方案优于随机分组和固定分组，以及基于进化的遗传算法分组。"}}, "method_summary": {"pages": [1, 3], "zh": "为了平衡小区间干扰和组大小，提出了一种新的AoI感知的小区间干扰抑制（AIM）解决方案，该方案动态调整组播组大小，调度组播组进行传输，并为组播组分配发射功率，将问题表示为多目标非凸优化问题。"}, "representation_summary": {"zh": "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：AIM 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "通过将分组问题建模为一个多臂强盗问题，并使用ε-贪婪算法求解，我们还证明了我们的AoI感知分组方案优于随机分组和固定分组，以及基于进化的遗传算法分组。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_aoi-aware-interference-mitigation-for-task-oriented-multicasting-in-multi-cell-noma-networks_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_aoi-aware-interference-mitigation-for-task-oriented-multicasting-in-multi-cell-noma-networks_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NOMA；指标包括AoI、PER。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 3]}, "encoder": {"zh": "发送端采用 AIM：为了平衡小区间干扰和组大小，提出了一种新的AoI感知的小区间干扰抑制（AIM）解决方案，该方案动态调整组播组大小，调度组播组进行传输，并为组播组分配发射功率，将问题表示为多目标非凸优化问题。", "pages": [1, 3]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3379244", "title": "CDDM: Channel Denoising Diffusion Models for Wireless Semantic Communications", "authors": "Tong Wu; Zhiyong Chen; Dazhi He; Liang Qian; Yin Xu; Meixia Tao; Wenjun Zhang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "9", "pages": "11168-11183", "ieee_document_id": "10480348", "source_url": "https://doi.org/10.1109/twc.2024.3379244", "pdf": "papers/2024_Wu_CDDM_Channel_Denoising_Diffusion_Models_for_Wireless_Semantic_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "CDDM", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "有限星座/标准数字波形接口", "channel_handling_class": "类别 2：语义特征映射为调制符号或编码包", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["DIV2K"], "baselines": ["JPEG2000", "LDPC", "GAN", "Transformer", "QAM", "JPEG", "JSCC"], "metrics": ["PSNR", "accuracy", "SSIM", "MSE"], "channels": ["AWGN", "Rayleigh", "fading channel", "wireless channel"], "snr_conditions": ["SNR= 5 dB", "SNR= 15 dB", "SNR= 20 dB", "SNR= 10 dB", "SNR of 10 dB", "SNR of 20 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "扩散模型（Diffusion models，DM）能够逐渐学习去除噪声，近年来在人工智能生成内容（AI GC）中得到了广泛的应用。"}, "problem": {"pages": [1], "zh": "DM的抗噪声特性使我们想知道DM是否可以应用到无线通信中，帮助接收机抑制信道噪声。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对这一问题，本文提出了一种基于信道去噪扩散模型（CDDM）的无线信道语义通信方法。"}, "mechanism": {"pages": [2], "zh": "基于此，本文设计了通信系统的信道去噪扩散模型（CDDM），以去除信道噪声，净化接收信号。"}, "claim": {"pages": [1], "zh": "实验结果表明，CDDM算法在最小均方误差（MMSE）均衡后能进一步降低均方误差（MSE），联合CDDM和JSCC的系统在不同场景下的性能优于JSCC系统、传统的采用低密度奇偶校验（LDPC）编码的JPEG 2000以及其他基准测试系统。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决这个问题，本文提出了用于无线信道语义通信的信道去噪扩散模型（CDDM），受此启发，本文设计了用于通信系统的信道去噪扩散模型（CDDM），以去除信道噪声并净化接收信号。"}, "representation_summary": {"zh": "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“有限星座/标准数字波形接口”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：CDDM 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。", "pages": [2]}, "overhead_summary": {"pages": [9], "zh": "结果从DIV 2K数据集获得，信道带宽比（CBR）设置为3/128。", "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"pages": [9], "zh": "在这里，我们考虑DVB-T2 LDPC码的块长度为64800位的不同的编码率和正交幅度调制（QAM）适应于信道条件。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，CDDM算法在最小均方误差（MMSE）均衡后能进一步降低均方误差（MSE），联合CDDM和JSCC的系统在不同场景下的性能优于JSCC系统、传统的采用低密度奇偶校验（LDPC）编码的JPEG 2000以及其他基准测试系统。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_cddm-channel-denoising-diffusion-models-for-wireless-semantic-communications_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_cddm-channel-denoising-diffusion-models-for-wireless-semantic-communications_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。", "pages": [9]}, "discrete_error_judgment": "部分。论文有真实数字物理层接口，但若语义 decoder 只看到信道译码后的结果，残余 bit/index 跳变仍未必被端到端处理。", "experiment_setup_summary": {"zh": "数据集为DIV2K；实验小节中明确出现的比较对象包括JPEG2000、LDPC、GAN、Transformer、QAM、JPEG、JSCC；指标包括PSNR、accuracy、SSIM、MSE；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= 5 dB、SNR= 15 dB、SNR= 20 dB、SNR= 10 dB、SNR of 10 dB、SNR of 20 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 CDDM：为了解决这个问题，本文提出了用于无线信道语义通信的信道去噪扩散模型（CDDM），受此启发，本文设计了用于通信系统的信道去噪扩散模型（CDDM），以去除信道噪声并净化接收信号。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是有限星座符号、OFDM/OTFS 资源或受保护数据包。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 2：语义特征映射为调制符号或编码包”解释。", "pages": [9]}, "receiver": {"zh": "接收端从均衡或 soft demodulation 后的符号，再恢复语义表示开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3483314", "title": "Compression Before Fusion: Broadcast Semantic Communication System for Heterogeneous Tasks", "authors": "Mingze Gong; Shuoyao Wang; Fangwei Ye; Suzhi Bi", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "12", "pages": "19428-19443", "ieee_document_id": "10738311", "source_url": "https://doi.org/10.1109/twc.2024.3483314", "pdf": "papers/2024_Gong_Compression_Before_Fusion_Broadcast_Semantic_Communication_System_for_Heterogeneous_Tasks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "multiuser", "method_name": "Compression Before Fusion", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["BPG", "JSCC", "SSCC", "ETC"], "metrics": ["PSNR", "accuracy", "classification accuracy", "mIoU", "SER"], "channels": ["AWGN", "Rayleigh", "Rician", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 7dB", "SNR from -5dB", "SNR from -10dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，基于神经网络的语义通信系统得到了广泛的发展，其中大部分系统都采用了联合信源信道编码（Joint Source and Channel Coding，JSCC）的核心框架。"}, "problem": {"pages": [1], "zh": "然而，传统的基于信源信道分离编码（SSCC）方案的通信系统很少工作在理论上的最优状态，从而难以提供极高的数据速率来满足要求。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "特别地，我们针对压缩和融合分别提出了多个任务信道感知子编码器（TCE）和一个信道感知特征融合子编码器（CFE）。"}, "mechanism": {"pages": [2], "zh": "本文首先介绍了一个面向多用户广播任务的语义通信系统DeepBroadcast。"}, "claim": {"pages": [1], "zh": "试验结果表明，所提出的DeepBroadcast算法在实时性和检测准确率方面有效得到提高。"}}, "method_summary": {"pages": [1, 2], "zh": "特别地，我们提出了多个任务信道感知子编码器（TCE）和信道感知特征融合子编码器（CFE），分别用于压缩和融合。"}, "representation_summary": {"zh": "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：Compression Before Fusion 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "试验结果表明，所提出的DeepBroadcast算法在实时性和检测准确率方面有效得到提高。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_compression-before-fusion-broadcast-semantic-communication-system-for-heterogeneous-tasks_method_p2.png", "caption": "A semantic communication system with single server and multiple devices", "number": "Fig. 1"}, {"kind": "result", "page": 8, "file": "assets/2024_compression-before-fusion-broadcast-semantic-communication-system-for-heterogeneous-tasks_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括BPG、JSCC、SSCC、ETC；指标包括PSNR、accuracy、classification accuracy、mIoU、SER；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 7dB、SNR from -5dB、SNR from -10dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Compression Before Fusion：特别地，我们提出了多个任务信道感知子编码器（TCE）和信道感知特征融合子编码器（CFE），分别用于压缩和融合。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3422794", "title": "Deep Joint Source-Channel Coding for Adaptive Image Transmission Over MIMO Channels", "authors": "Haotian Wu; Yulin Shao; Chenghong Bian; Krystian Mikolajczyk; Deniz Gündüz", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "10", "pages": "15002-15017", "ieee_document_id": "10597355", "source_url": "https://doi.org/10.1109/twc.2024.3422794", "pdf": "papers/2024_Wu_Deep_Joint_Source_Channel_Coding_for_Adaptive_Image_Transmission_Over_MIMO_Channels.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "ViT", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet", "CelebA", "Kodak"], "baselines": ["DeepJSCC", "JPEG2000", "BPG", "LDPC", "Turbo", "ViT", "Transformer", "JPEG", "JSCC", "OFDM", "VTM"], "metrics": ["PSNR", "LPIPS", "mAP"], "channels": ["MIMO", "OFDM", "fading channel"], "snr_conditions": ["SNR 1dB", "SNR=5 dB", "SNR 5 dB", "SNR=12 dB", "SNR of 1.07 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "我们介绍了一种基于视觉Transformer（ViT）的深度联合源和信道编码（DeepJSCC）方案，用于多输入多输出（MIMO）信道上的无线图像传输，称为DeepJSCC-MIMO。"}, "problem": {"pages": [1], "zh": "然而，基于分离的方法在实际的有限块长度制度中是次优的，这在涉及物联网和边缘智能的新兴应用中变得越来越重要。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "我们介绍了一种基于视觉Transformer（ViT）的深度联合源和信道编码（DeepJSCC）方案，用于多输入多输出（MIMO）信道上的无线图像传输，称为DeepJSCC-MIMO。"}, "mechanism": {"pages": [1], "zh": "具体来说，通过利用ViT的自注意机制，DeepJSCC-MIMO智能地学习根据源图像的独特特征和主要信道条件定制的特征映射和功率分配策略。"}, "claim": {"pages": [1], "zh": "大量的数值实验验证了DeepJSCC-MIMO在各种场景下对开环和闭环MIMO系统的失真质量和感知质量的显著改善。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种基于视觉Transformer（ViT）的深度联合信源信道编码（DeepJSCC）方案，用于多输入多输出（MIMO）信道上的无线图像传输，称为DeepJSCC-MIMO。"}, "representation_summary": {"zh": "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：ViT 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。", "pages": [2]}, "overhead_summary": {"pages": [12], "zh": "最后两列展示了通过DeepJSCC-MIMO-universal和DeepJSCC-MIMO方案恢复的补丁。DeepJSCC-MIMO-universal的模型，在不同的带宽比中没有基于SVD分解的预编码，表示为DeepJSCC-MIMO-universal w/o SVD。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "大量的数值实验验证了DeepJSCC-MIMO在各种场景下对开环和闭环MIMO系统的失真质量和感知质量的显著改善。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2024_deep-joint-source-channel-coding-for-adaptive-image-transmission-over-mimo-channels_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_deep-joint-source-channel-coding-for-adaptive-image-transmission-over-mimo-channels_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 10]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为ImageNet、CelebA、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、JPEG2000、BPG、LDPC、Turbo、ViT、Transformer、JPEG、JSCC、OFDM、VTM；指标包括PSNR、LPIPS、mAP；信道/链路条件包括MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR 1dB、SNR=5 dB、SNR 5 dB、SNR=12 dB、SNR of 1.07 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 ViT：本文提出了一种基于视觉Transformer（ViT）的深度联合信源信道编码（DeepJSCC）方案，用于多输入多输出（MIMO）信道上的无线图像传输，称为DeepJSCC-MIMO。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 10]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3330744", "title": "Deep Learning-Empowered Semantic Communication Systems With a Shared Knowledge Base", "authors": "Peng Yi; Yang Cao; Xin Kang; Ying-Chang Liang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "6", "pages": "6174-6187", "ieee_document_id": "10318078", "source_url": "https://doi.org/10.1109/twc.2023.3330744", "pdf": "papers/2024_Yi_Deep_Learning_Empowered_Semantic_Communication_Systems_With_a_Shared_Knowledge_Base.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "jscc", "method_name": "Deep Learning-Empowered Semantic Communication Systems With a Shared Knowledge Base", "communication_layer": "联合信源信道编码（JSCC）", "layer_explanation": "在同一系统中共同设计压缩、语义保真和抗信道噪声机制。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "LDPC", "Polar", "Transformer", "QAM", "Reed-Solomon"], "metrics": ["BLEU", "semantic similarity", "BER", "SER", "PER"], "channels": ["AWGN", "Rayleigh", "Rician"], "snr_conditions": ["SNR = 3 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "支持深度学习的语义通信被认为是未来6G网络的一种很有前途的候选网络。"}, "problem": {"pages": [1], "zh": "虽然现有的语义通信系统已经取得了上级传统方法的性能，但大多数语义通信系统采用的端到端架构被视为一个黑盒子，缺乏可解释性。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "虽然现有的语义通信系统已经取得了上级传统方法的性能，但大多数语义通信系统采用的端到端架构被视为一个黑盒子，缺乏可解释性。"}, "mechanism": {"pages": [1], "zh": "具体地说，我们在系统中引入了一个由固有可读句子构成的文本知识库。"}, "claim": {"pages": [1], "zh": "仿真结果表明，该方法在传输数据量和句子相似度方面均优于现有的基线方法。"}}, "method_summary": {"pages": [1], "zh": "虽然现有的语义通信系统已经取得了更优的性能相比，传统的方法，大多数语义通信系统所采用的端到端的架构被认为是一个黑盒子，导致缺乏可解释性。"}, "representation_summary": {"zh": "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：Deep Learning-Empowered Semantic Communication Systems With a Shared Knowledge Base 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [11], "zh": "另一方面，由于对噪声方差的估计不准确，其在瑞利信道中的性能相对较差。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，该方法在传输数据量和句子相似度方面均优于现有的基线方法。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_deep-learning-empowered-semantic-communication-systems-with-a-shared-knowledge-base_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_deep-learning-empowered-semantic-communication-systems-with-a-shared-knowledge-base_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、LDPC、Polar、Transformer、QAM、Reed-Solomon；指标包括BLEU、semantic similarity、BER、SER、PER；信道/链路条件包括AWGN、Rayleigh、Rician；正文可定位的代表性工作点有SNR = 3 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 Deep Learning-Empowered Semantic Communication Systems With a Shared Knowledge Base：虽然现有的语义通信系统已经取得了更优的性能相比，传统的方法，大多数语义通信系统所采用的端到端的架构被认为是一个黑盒子，导致缺乏可解释性。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [11]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [11]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3334225", "title": "Features Disentangled Semantic Broadcast Communication Networks", "authors": "Shuai Ma; Zhi Zhang; Youlong Wu; Hang Li; Guangming Shi; Dahua Gao; Yuanming Shi; Shiyin Li; Naofal Al-Dhahir", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "6", "pages": "6580-6594", "ieee_document_id": "10335608", "source_url": "https://doi.org/10.1109/twc.2023.3334225", "pdf": "papers/2024_Ma_Features_Disentangled_Semantic_Broadcast_Communication_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "Features Disentangled Semantic Broadcast Communication Networks", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "数字压缩 bitstream 或量化 feature；无线接口未纳入研究", "channel_handling_class": "类别 1：数字压缩后默认可靠传输/存储", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": [], "baselines": ["DeepJSCC", "BPG", "JSCC", "OFDM"], "metrics": ["PSNR", "accuracy", "semantic similarity"], "channels": ["Rayleigh", "OFDM", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "单用户语义通信近年来得到了广泛的研究，但多用户语义广播通信（BC）仍处于起步阶段。"}, "problem": {"pages": [1], "zh": "语义通信中的关键挑战是如何准确地提取任务相关信息并有效地将其传递到目的地。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种实用的鲁棒性特征去纠缠多用户语义BC框架，其中发送方包含一个特征选择模块，每个用户包含一个特征完成模块。"}, "mechanism": {"pages": [1], "zh": "此外，为了实现所提出的语义BC框架，我们设计了一个轻量级的、鲁棒的语义BC网络，该网络利用一个有监督的自动编码器（AE），能够可控地分离语义特征。"}, "claim": {"pages": [1], "zh": "仿真和实验结果表明，所提出的鲁棒语义BC网络可以显着提高传输效率。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种实用的鲁棒特征分离的多用户语义BC框架，其中发送端包括一个特征选择模块，每个用户都有一个特征完成模块，并利用一个有监督的自动编码器（AE）设计了一个轻量级的鲁棒语义BC网络来实现该框架。"}, "representation_summary": {"zh": "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“数字压缩 bitstream 或量化 feature；无线接口未纳入研究”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Features Disentangled Semantic Broadcast Communication Networks 的主传输单位应归为“数字压缩 bitstream 或量化 feature；无线接口未纳入研究”。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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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：数字压缩后默认可靠传输/存储”解释信道作用点。 本调研据此归为“类别 1：数字压缩后默认可靠传输/存储”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真和实验结果表明，所提出的鲁棒语义BC网络可以显着提高传输效率。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_features-disentangled-semantic-broadcast-communication-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_features-disentangled-semantic-broadcast-communication-networks_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：无误码 bitstream 解码后的 latent/图像/特征。", "pages": [2, 9]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepJSCC、BPG、JSCC、OFDM；指标包括PSNR、accuracy、semantic similarity；信道/链路条件包括Rayleigh、OFDM、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 Features Disentangled Semantic Broadcast Communication Networks：本文提出了一种实用的鲁棒特征分离的多用户语义BC框架，其中发送端包括一个特征选择模块，每个用户都有一个特征完成模块，并利用一个有监督的自动编码器（AE）设计了一个轻量级的鲁棒语义BC网络来实现该框架。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是熵编码 bitstream、分层码流或压缩 feature。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 1：数字压缩后默认可靠传输/存储”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从无误码 bitstream 解码后的 latent/图像/特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3424493", "title": "Goal-Oriented Semantic Communications for Robotic Waypoint Transmission: The Value and Age of Information Approach", "authors": "Wenchao Wu; Yuanqing Yang; Yansha Deng; A. Hamid Aghvami", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "12", "pages": "18903-18915", "ieee_document_id": "10618994", "source_url": "https://doi.org/10.1109/twc.2024.3424493", "pdf": "papers/2024_Wu_Goal_Oriented_Semantic_Communications_for_Robotic_Waypoint_Transmission_The_Value_and_Age_of.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "task", "method_name": "GSRC", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DQN", "ETC"], "metrics": ["AoI", "latency", "MSE", "PER"], "channels": ["packet loss", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "第五代（5G）移动的通信网络的超可靠和低延迟通信（URLLC）服务努力支持安全的机器人操作。"}, "problem": {"pages": [1], "zh": "然而，目前的5G/6G研究主要集中在提高通信性能，而机器人社区大多认为通信是理想的。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了共同考虑通信和机器人控制的重点是特定的机器人任务，我们提出了面向目标的语义通信机器人控制（GSRC），利用数据的上下文及其在实现任务的重要性在发送器和接收端。"}, "mechanism": {"pages": [1], "zh": "在接收端，我们设计了基于信息价值（VoI）和信息年龄（AoI）的队列排序机制（VA-QOM），根据从AoI和VoI中提取的语义信息对队列进行排序。"}, "claim": {"pages": [1], "zh": "仿真结果验证了我们提出的GSRC框架实现了91.5%的改善相比，传统的无人机控制框架的均方误差。"}}, "method_summary": {"pages": [1], "zh": "为了共同考虑通信和机器人控制，重点关注特定的机器人任务，我们提出了面向目标的机器人控制语义通信（GSRC），以利用数据的上下文及其在发送器和接收端处实现任务的重要性。在接收端处，设计了基于信息价值（VoI）和信息年龄（AoI）的队列排序机制（VA-QOM）基于从AoI和VoI提取的语义信息对队列进行排序。"}, "representation_summary": {"zh": "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：GSRC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 8], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 8]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果验证了我们提出的GSRC框架实现了91.5%的改善相比，传统的无人机控制框架的均方误差。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_goal-oriented-semantic-communications-for-robotic-waypoint-transmission-the-value-and-age-of-informa_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_goal-oriented-semantic-communications-for-robotic-waypoint-transmission-the-value-and-age-of-informa_result_p7.png", "caption": "An example of the timeline of UAV and BS", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 8]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DQN、ETC；指标包括AoI、latency、MSE、PER；信道/链路条件包括packet loss、wireless channel。", "pages": [8]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 GSRC：为了共同考虑通信和机器人控制，重点关注特定的机器人任务，我们提出了面向目标的机器人控制语义通信（GSRC），以利用数据的上下文及其在发送器和接收端处实现任务的重要性。在接收端处，设计了基于信息价值（VoI）和信息年龄（AoI）的队列排序机制（VA-QOM）基于从AoI和VoI提取的语义信息对队列进行排序。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 8]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 8]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3432918", "title": "Goal-Oriented Wireless Communication Resource Allocation for Cyber-Physical Systems", "authors": "Cheng Feng; Kedi Zheng; Yi Wang; Kaibin Huang; Qixin Chen", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "11", "pages": "15768-15783", "ieee_document_id": "10622021", "source_url": "https://doi.org/10.1109/twc.2024.3432918", "pdf": "papers/2024_Feng_Goal_Oriented_Wireless_Communication_Resource_Allocation_for_Cyber_Physical_Systems.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "resource", "method_name": "CPSs", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["MNIST"], "baselines": [], "metrics": ["accuracy", "latency", "utility", "throughput", "PER"], "channels": ["Rayleigh"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "无线边缘的新型工业应用（如智能电网和车辆网络）的激增要求网络物理系统（CPS）的进步。"}, "problem": {"pages": [1], "zh": "CPS的性能与最后一英里无线通信网络密切相关，由于其固有的有限资源，这往往成为瓶颈。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在这项研究中，我们介绍了面向目标的无线通信资源分配的框架，占CPS运营目标的语义和意义的数据。"}, "mechanism": {"pages": [1], "zh": "随后，带宽分配问题转化为一个背包问题，它可以进一步解决保证次最优间隙greenerity。"}, "claim": {"pages": [1], "zh": "首先将信息效用增益近似分解为边际效用信息增益，并以并行方式计算。"}}, "method_summary": {"pages": [1], "zh": "在本研究中，我们引入了面向目标的无线通信资源分配框架，考虑了CPS运营目标数据的语义和重要性，随后将带宽分配问题转化为背包问题，并在保证次优间隙的情况下进一步求解。"}, "representation_summary": {"zh": "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：CPSs 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "首先将信息效用增益近似分解为边际效用信息增益，并以并行方式计算。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_goal-oriented-wireless-communication-resource-allocation-for-cyber-physical-systems_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_goal-oriented-wireless-communication-resource-allocation-for-cyber-physical-systems_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为MNIST；指标包括accuracy、latency、utility、throughput、PER；信道/链路条件包括Rayleigh。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 CPSs：在本研究中，我们引入了面向目标的无线通信资源分配框架，考虑了CPS运营目标数据的语义和重要性，随后将带宽分配问题转化为背包问题，并在保证次优间隙的情况下进一步求解。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3376998", "title": "Hybrid Semantic-Shannon Communications", "authors": "Nikos G. Evgenidis; Nikos A. Mitsiou; Sotiris A. Tegos; Panagiotis D. Diamantoulakis; Panagiotis Sarigiannidis; Ioannis Krikidis; George K. Karagiannidis", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "9", "pages": "10926-10940", "ieee_document_id": "10477313", "source_url": "https://doi.org/10.1109/twc.2024.3376998", "pdf": "papers/2024_Evgenidis_Hybrid_Semantic_Shannon_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "resource", "method_name": "Hybrid Semantic-Shannon Communications", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "DeepJSCC", "QAM", "NOMA", "JSCC", "OFDM", "HM"], "metrics": ["latency", "BER", "PER"], "channels": ["Rayleigh", "OFDM", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信被认为是一个有前途的超越香农范式，以减少网络流量和增加可靠性，从而使无线网络更节能，鲁棒和可持续发展。"}, "problem": {"pages": [1], "zh": "然而，性能受限于语义收发器的效率，即，所发送的信号和所接收的信号之间可实现的“相似性”。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，联合语义香农传输选择和功率分配的优化问题，制定，旨在最大限度地减少两个传输延迟度量广泛使用的文献中，严格的相似性阈值。"}, "mechanism": {"pages": [1], "zh": "为此，联合语义香农传输选择和功率分配的优化问题，制定，旨在最大限度地减少两个传输延迟度量广泛使用的文献中，严格的相似性阈值。"}, "claim": {"pages": [1], "zh": "数值仿真验证了所提出的混合语义-香农通信方案的有效性和派生的子载波到子载波关联，并提供了有用的见解，这种系统的设计参数。"}}, "method_summary": {"pages": [1, 2], "zh": "为此，提出了一种基于语义-Shannon混合通信机制的传输选择和功率分配联合优化问题，目标是在严格的相似性阈值下，最小化文献中广泛使用的两个传输时延度量。"}, "representation_summary": {"zh": "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：Hybrid Semantic-Shannon Communications 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "数值仿真验证了所提出的混合语义-香农通信方案的有效性和派生的子载波到子载波关联，并提供了有用的见解，这种系统的设计参数。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_hybrid-semantic-shannon-communications_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_hybrid-semantic-shannon-communications_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、DeepJSCC、QAM、NOMA、JSCC、OFDM、HM；指标包括latency、BER、PER；信道/链路条件包括Rayleigh、OFDM、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Hybrid Semantic-Shannon Communications：为此，提出了一种基于语义-Shannon混合通信机制的传输选择和功率分配联合优化问题，目标是在严格的相似性阈值下，最小化文献中广泛使用的两个传输时延度量。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3371775", "title": "Interference Suppressed NOMA for Semantic-Aware Communication Networks", "authors": "Yimeng Zhang; Ruikang Zhong; Yuanwei Liu; Wenjun Xu; Ping Zhang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "8", "pages": "10383-10397", "ieee_document_id": "10462922", "source_url": "https://doi.org/10.1109/twc.2024.3371775", "pdf": "papers/2024_Zhang_Interference_Suppressed_NOMA_for_Semantic_Aware_Communication_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "IS-SNOMA", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Cityscapes"], "baselines": ["DeepJSCC", "NOMA", "JSCC"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "mAP", "accuracy", "spectral efficiency", "BER", "PER"], "channels": ["AWGN", "Rician", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为此，本文提出了一种新的用于语义感知通信网络中下行图像传输的干扰抑制语义感知非正交多址接入（IS-SNOMA）框架。"}, "problem": {"pages": [1], "zh": "爆炸性的连接、数据量和日益严格的需求，使第六代（6G）通信系统在高效、智能通信方面面临着巨大的挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文提出了一种新的用于语义感知通信网络中下行图像传输的干扰抑制语义感知非正交多址接入（IS-SNOMA）框架。"}, "mechanism": {"pages": [2], "zh": "在所提出的下行链路NOMA框架中，两个用户的符号与NOMA耦合传输，并通过首先使用传统的SIC方案去除比特来解耦。"}, "claim": {"pages": [1], "zh": "仿真结果表明：同OMA和NOMA辅助的传输基准测试相比，提出的框架在提高SU和BU的通信效率方面具有优势。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种新的用于语义感知通信网络下行图像传输的干扰抑制语义感知非正交多址接入（IS-SNOMA）框架，在该框架中，两个用户的符号通过NOMA耦合传输，并通过传统的SIC方案先去除比特进行解耦合。"}, "representation_summary": {"zh": "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：IS-SNOMA 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 3]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明：同OMA和NOMA辅助的传输基准测试相比，提出的框架在提高SU和BU的通信效率方面具有优势。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_interference-suppressed-noma-for-semantic-aware-communication-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_interference-suppressed-noma-for-semantic-aware-communication-networks_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 3]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Cityscapes；实验小节中明确出现的比较对象包括DeepJSCC、NOMA、JSCC；指标包括PSNR、SSIM、MS-SSIM、mAP、accuracy、spectral efficiency、BER、PER；信道/链路条件包括AWGN、Rician、wireless channel。", "pages": [3]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 IS-SNOMA：本文提出了一种新的用于语义感知通信网络下行图像传输的干扰抑制语义感知非正交多址接入（IS-SNOMA）框架，在该框架中，两个用户的符号通过NOMA耦合传输，并通过传统的SIC方案先去除比特进行解耦合。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 3]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 3]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3339239", "title": "Joint URLLC Traffic Scheduling and Resource Allocation for Semantic Communication Systems", "authors": "Guangyao Ding; Shengli Liu; Jiantao Yuan; Guanding Yu", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "7", "pages": "7278-7290", "ieee_document_id": "10355766", "source_url": "https://doi.org/10.1109/twc.2023.3339239", "pdf": "papers/2024_Ding_Joint_URLLC_Traffic_Scheduling_and_Resource_Allocation_for_Semantic_Communication_Systems.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "URLLC", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10"], "baselines": ["Transformer"], "metrics": ["PSNR", "accuracy", "MSE"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，基于深度学习的语义通信系统在提高各种任务的传输效率方面表现出了巨大的潜力。"}, "problem": {"pages": [1], "zh": "然而，语义通信与其他服务之间的共存机制尚未得到充分的研究，这限制了语义通信在实际通信系统中的应用。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对语义和超可靠低延迟通信（URLLC）业务共存的系统，提出了一种动态复用和协同调度方案。"}, "mechanism": {"pages": [1], "zh": "特别地，提出了一个资源分配和模型训练的联合问题，该问题的目标是在满足URLLC业务延迟要求的同时最大化语义服务的效用。"}, "claim": {"pages": [1], "zh": "仿真实验结果表明，该算法可在满足URLLC业务时延要求的同时，有效地提高语义服务质量。"}}, "method_summary": {"pages": [1], "zh": "针对语义和超可靠低延迟通信（URLLC）业务共存的系统，提出了一种动态复用和协同调度方案，特别是建立了一个联合资源分配和模型训练问题，其目标是在满足URLLC业务延迟要求的同时，最大化语义服务的效用。"}, "representation_summary": {"zh": "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：URLLC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 8], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 8]}, "experiment_result_summary": {"pages": [1], "zh": "仿真实验结果表明，该算法可在满足URLLC业务时延要求的同时，有效地提高语义服务质量。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_joint-urllc-traffic-scheduling-and-resource-allocation-for-semantic-communication-systems_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_joint-urllc-traffic-scheduling-and-resource-allocation-for-semantic-communication-systems_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 8]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括Transformer；指标包括PSNR、accuracy、MSE。", "pages": [8]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 URLLC：针对语义和超可靠低延迟通信（URLLC）业务共存的系统，提出了一种动态复用和协同调度方案，特别是建立了一个联合资源分配和模型训练问题，其目标是在满足URLLC业务延迟要求的同时，最大化语义服务的效用。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 8]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 8]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3336941", "title": "Knowledge Distillation-Based Semantic Communications for Multiple Users", "authors": "Chenguang Liu; Yuxin Zhou; Yunfei Chen; Shuang-Hua Yang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "7", "pages": "7000-7012", "ieee_document_id": "10345474", "source_url": "https://doi.org/10.1109/twc.2023.3336941", "pdf": "papers/2024_Liu_Knowledge_Distillation_Based_Semantic_Communications_for_Multiple_Users.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "通用语义通信系统", "theme": "jscc", "method_name": "SemCom", "communication_layer": "联合信源信道编码（JSCC）", "layer_explanation": "在同一系统中共同设计压缩、语义保真和抗信道噪声机制。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Europarl"], "baselines": ["DeepSC", "LDPC", "Transformer", "QAM", "BERT"], "metrics": ["BLEU", "mAP", "accuracy", "BER"], "channels": ["Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "深度学习（DL）在革新传统通信系统方面显示出巨大潜力。"}, "problem": {"pages": [1], "zh": "然而，基于学习的方法可能依赖于训练数据集，并且由于有限的模型泛化能力和复杂性而在不可见干扰上表现较差。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了提高模型的泛化能力和减小模型规模，提出了一种基于知识提炼的系统，其中基于Transformer的编解码器实现为语义编解码器，全连接神经网络实现为信道编解码器。"}, "mechanism": {"pages": [1], "zh": "具体分析了知识转移和模型压缩的四种类型。"}, "claim": {"pages": [1], "zh": "仿真结果表明，KD算法在非预期干扰下的鲁棒性和泛化能力得到了显著提高，并且在压缩模型规模时降低了性能损失。"}}, "method_summary": {"pages": [1], "zh": "为了提高模型的泛化能力和减小模型的规模，提出了一种基于知识蒸馏（KD）的系统，该系统采用基于Transformer的编解码器作为语义编解码器，采用全连接神经网络作为信道编解码器，并分析了四种知识传递和模型压缩方式。"}, "representation_summary": {"zh": "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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 8], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [9], "zh": "霍夫曼编码和LDPC：霍夫曼编码需要20比特来表示一个字，我们采用16-QAM调制，LDPC码的码率为5/8。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，KD算法在非预期干扰下的鲁棒性和泛化能力得到了显著提高，并且在压缩模型规模时降低了性能损失。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_knowledge-distillation-based-semantic-communications-for-multiple-users_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_knowledge-distillation-based-semantic-communications-for-multiple-users_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Europarl；实验小节中明确出现的比较对象包括DeepSC、LDPC、Transformer、QAM、BERT；指标包括BLEU、mAP、accuracy、BER；信道/链路条件包括Rayleigh、fading channel。", "pages": [8]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是通用语义通信系统所需的信源数据和接收端任务。", "pages": [1]}, "encoder": {"zh": "发送端采用 SemCom：为了提高模型的泛化能力和减小模型的规模，提出了一种基于知识蒸馏（KD）的系统，该系统采用基于Transformer的编解码器作为语义编解码器，采用全连接神经网络作为信道编解码器，并分析了四种知识传递和模型压缩方式。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为重建内容或任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3397635", "title": "Machine Learning Enabled Heterogeneous Semantic and Bit Communication", "authors": "Meng Zhang; Ruikang Zhong; Xidong Mu; Yuanwei Liu", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "10", "pages": "12949-12963", "ieee_document_id": "10530540", "source_url": "https://doi.org/10.1109/twc.2024.3397635", "pdf": "papers/2024_Zhang_Machine_Learning_Enabled_Heterogeneous_Semantic_and_Bit_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "multiuser", "method_name": "T2D3-RNS", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NOMA", "TD3", "HM"], "metrics": ["spectral efficiency", "semantic similarity", "throughput", "SER"], "channels": ["Rayleigh", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "研究了一个多用户异构语义通信（SemCom）和比特通信（BitCom）系统。"}, "problem": {"pages": [1], "zh": "为了应对这些挑战，必须为6G开发新的无线技术。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "每个用户都可以通过SemCom或BitCom获得语义或比特数据。"}, "mechanism": {"pages": [1], "zh": "提出了基于节点和基于用户需求的传输协议，分别以最大化长期（等效）语义吞吐量和用户满意度为目标，建立了通信模式选择、频率带宽和功率分配以及NOMA用户配对的联合优化问题。"}, "claim": {"pages": [1], "zh": "仿真结果表明：i）所提出的异构方案优于仅使用SemCom或BitCom的基线; ii）与OMA相比，NOMA与所提出的异构方案更兼容; iii）所提出的算法分别在基于信道和基于用户需求的传输中优于基准。"}}, "method_summary": {"pages": [1], "zh": "每个用户可以通过SemCom或BitCom服务，要求语义或比特数据。基于节点和基于用户需求的传输协议，其中的通信模式选择，频率带宽和功率分配，NOMA用户配对的联合优化问题，制定最大化的长期（等效）语义吞吐量和用户满意度，分别。"}, "representation_summary": {"zh": "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：T2D3-RNS 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。", "pages": [2]}, "overhead_summary": {"pages": [11], "zh": "对于神经网络的参数更新，采用Adam优化器，其中演员和评论家网络的默认学习率（lr）均设置为1 × 10-3。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明：i）所提出的异构方案优于仅使用SemCom或BitCom的基线; ii）与OMA相比，NOMA与所提出的异构方案更兼容; iii）所提出的算法分别在基于信道和基于用户需求的传输中优于基准。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_machine-learning-enabled-heterogeneous-semantic-and-bit-communication_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_machine-learning-enabled-heterogeneous-semantic-and-bit-communication_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NOMA、TD3、HM；指标包括spectral efficiency、semantic similarity、throughput、SER；信道/链路条件包括Rayleigh、wireless channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 T2D3-RNS：每个用户可以通过SemCom或BitCom服务，要求语义或比特数据。基于节点和基于用户需求的传输协议，其中的通信模式选择，频率带宽和功率分配，NOMA用户配对的联合优化问题，制定最大化的长期（等效）语义吞吐量和用户满意度，分别。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3461336", "title": "Multi-Device Task-Oriented Communication via Maximal Coding Rate Reduction", "authors": "Chang Cai; Xiaojun Yuan; Ying-Jun Angela Zhang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "12", "pages": "18096-18110", "ieee_document_id": "10689268", "source_url": "https://doi.org/10.1109/twc.2024.3461336", "pdf": "papers/2024_Cai_Multi_Device_Task_Oriented_Communication_via_Maximal_Coding_Rate_Reduction.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "MCR2", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10"], "baselines": ["ResNet"], "metrics": ["mAP", "accuracy", "classification accuracy", "latency", "MSE", "NMSE", "PER"], "channels": ["AWGN", "Rician", "MIMO", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在面向任务的通信中，大多数现有的工作设计了物理层通信模块和基于学习的编解码器，具有不同的目标：学习的目标是准确执行特定的任务，而通信的目标是优化传统的通信指标，如吞吐量最大化，延迟最小化，或误码率最小化。"}, "problem": {"pages": [1], "zh": "设计目标之间的不一致可能会阻碍利用面向任务的通信的全部好处。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "设计目标之间的不一致可能会阻碍利用面向任务的通信的全部好处。"}, "mechanism": {"pages": [1], "zh": "我们投有价值的见解，这个配方和开发一个块坐标上升（BCA）算法，有效地解决问题。"}, "claim": {"pages": [1], "zh": "我们还在CIFAR-10和ModelNet 10数据集上验证了所提出的设计与具有不一致学习-沟通目标的各种基线相比实现了更好的延迟-准确性权衡。"}}, "method_summary": {"pages": [1], "zh": "设计目标之间的不一致性可能会阻碍开发面向任务的通信的全部好处，我们投有价值的见解，这制定和开发一个块坐标上升（BCA）算法，有效地解决问题。"}, "representation_summary": {"zh": "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：MCR2 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [11], "zh": "每个边缘设备和服务器之间的信道是独立的，并且被建模为Rician衰落，其中Rician因子κ = 1。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "我们还在CIFAR-10和ModelNet 10数据集上验证了所提出的设计与具有不一致学习-沟通目标的各种基线相比实现了更好的延迟-准确性权衡。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_multi-device-task-oriented-communication-via-maximal-coding-rate-reduction_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_multi-device-task-oriented-communication-via-maximal-coding-rate-reduction_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括ResNet；指标包括mAP、accuracy、classification accuracy、latency、MSE、NMSE、PER；信道/链路条件包括AWGN、Rician、MIMO、wireless channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 MCR2：设计目标之间的不一致性可能会阻碍开发面向任务的通信的全部好处，我们投有价值的见解，这制定和开发一个块坐标上升（BCA）算法，有效地解决问题。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [11]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [11]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3319981", "title": "Neuro-Symbolic Causal Reasoning Meets Signaling Game for Emergent Semantic Communications", "authors": "Christo Kurisummoottil Thomas; Walid Saad", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "5", "pages": "4546-4563", "ieee_document_id": "10272264", "source_url": "https://doi.org/10.1109/twc.2023.3319981", "pdf": "papers/2024_Thomas_Neuro_Symbolic_Causal_Reasoning_Meets_Signaling_Game_for_Emergent_Semantic_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "generative", "method_name": "NeSy", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["Transformer", "QAM"], "metrics": ["mAP", "latency", "semantic similarity", "utility", "NMSE", "BER", "PER"], "channels": ["BSC", "binary symmetric channel", "wireless channel"], "snr_conditions": ["SNR of 20 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SC）是一种有效的方法，以最少的数据传输进行可靠的通信，同时提供无缝连接。"}, "problem": {"pages": [1], "zh": "然而，纯粹依赖数据统计的经典AI系统并不适合因果推理。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种新的紧急供应链（ESC）框架。"}, "mechanism": {"pages": [1], "zh": "因此，突现语言不仅创建了一个依赖于通信上下文的高效（以传输的物理位）传输词汇表，而且还通过将复杂的接收消息分解成接收者的更简单的推理任务来帮助推理过程（并使之能够泛化到看不见的场景）。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与传统的无线通信系统和缺乏因果推理能力的SC系统相比，ESC系统能够以更少的比特数有效地进行通信，并获得更优的语义可靠性。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种新的紧急SC（ESC）框架，因此，紧急语言不仅创建了一个有效的（在物理位传输）传输词汇依赖于通信上下文，但它也有助于推理过程（并使泛化到看不见的情况下），通过分裂复杂的接收到的消息为接收端简单的推理任务。"}, "representation_summary": {"zh": "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：NeSy 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 11], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [13], "zh": "在这里，我们使用二进制对称信道（BSC）来表示通信的底层无线信道。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与传统的无线通信系统和缺乏因果推理能力的SC系统相比，ESC系统能够以更少的比特数有效地进行通信，并获得更优的语义可靠性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_neuro-symbolic-causal-reasoning-meets-signaling-game-for-emergent-semantic-communications_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_neuro-symbolic-causal-reasoning-meets-signaling-game-for-emergent-semantic-communications_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [13]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括Transformer、QAM；指标包括mAP、latency、semantic similarity、utility、NMSE、BER、PER；信道/链路条件包括BSC、binary symmetric channel、wireless channel；正文可定位的代表性工作点有SNR of 20 dB。", "pages": [11]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 NeSy：本文提出了一种新的紧急SC（ESC）框架，因此，紧急语言不仅创建了一个有效的（在物理位传输）传输词汇依赖于通信上下文，但它也有助于推理过程（并使泛化到看不见的情况下），通过分裂复杂的接收到的消息为接收端简单的推理任务。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [13]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [13]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3282906", "title": "Optimization of Image Transmission in Cooperative Semantic Communication Networks", "authors": "Wenjing Zhang; Yining Wang; Mingzhe Chen; Tao Luo; Dusit Niyato", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "2", "pages": "861-873", "ieee_document_id": "10149174", "source_url": "https://doi.org/10.1109/twc.2023.3282906", "pdf": "papers/2024_Zhang_Optimization_of_Image_Transmission_in_Cooperative_Semantic_Communication_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "theory", "method_name": "ISS", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DQN"], "metrics": ["latency", "semantic similarity"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "本文提出了一种用于图像数据传输的语义通信框架。"}, "problem": {"pages": [1], "zh": "然而，目前的语义通信技术主要是针对文本和图像数据的传输而研究的。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，提出了一种基于值分解的熵最大化多智能体强化学习算法。"}, "mechanism": {"pages": [1], "zh": "我们将此问题描述为一个优化问题，其目标是在达到ISS要求的同时，最小化每个服务器的平均传输延迟之和。"}, "claim": {"pages": [1], "zh": "仿真实验结果表明，该算法与传统的多智能体RL算法相比，传输时延降低了16.1%，收敛速度提高了100%。;"}}, "method_summary": {"pages": [1], "zh": "针对这一问题，提出了一种基于值分解的熵最大化多智能体强化学习（RL）算法，将该问题转化为一个优化问题，其目标是在满足ISS要求的前提下，最小化每个服务器的平均传输延迟之和。"}, "representation_summary": {"zh": "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：ISS 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 8], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 8]}, "experiment_result_summary": {"pages": [1], "zh": "仿真实验结果表明，该算法与传统的多智能体RL算法相比，传输时延降低了16.1%，收敛速度提高了100%。;"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_optimization-of-image-transmission-in-cooperative-semantic-communication-networks_method_p3.png", "caption": "Let Lv represent a set of the users that are located in the service area of server v", "number": "Fig. 1"}, {"kind": "result", "page": 7, "file": "assets/2024_optimization-of-image-transmission-in-cooperative-semantic-communication-networks_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 8]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DQN；指标包括latency、semantic similarity。", "pages": [8]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 ISS：针对这一问题，提出了一种基于值分解的熵最大化多智能体强化学习（RL）算法，将该问题转化为一个优化问题，其目标是在满足ISS要求的前提下，最小化每个服务器的平均传输延迟之和。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 8]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 8]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3384421", "title": "Orthogonal Model Division Multiple Access", "authors": "Haotai Liang; Kaijun Liu; Xiaoyi Liu; Hongchao Jiang; Chen Dong; Xiaodong Xu; Kai Niu; Ping Zhang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "", "issue": "", "pages": "", "ieee_document_id": "10505144", "source_url": "https://doi.org/10.1109/twc.2024.3384421", "pdf": "papers/2024_Liang_Orthogonal_Model_Division_Multiple_Access.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "DeepJSCC", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "DeepJSCC", "NOMA", "DeepSC-S", "JSCC"], "metrics": ["SSIM", "MS-SSIM", "BLEU"], "channels": ["AWGN"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": ["CBR = 0.166", "CBR = 0.041"], "motivation": {"progress": {"pages": [1], "zh": "例如，用于文本传输的深度学习语义通信系统（DeepSC）旨在通过恢复句子的含义而不是传统通信中的位或符号错误来最大限度地减少语义错误。"}, "problem": {"pages": [1], "zh": "基于不同语义模型不能理解其他模型生成的语义信息的特点，提出了语义正交信号的概念。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "基于不同语义模型不能理解其他模型生成的语义信息的特点，提出了语义正交信号的概念。"}, "mechanism": {"pages": [2], "zh": "在本文中，语义模型具体指的是基于DeepJSCC的语义通信系统中使用的语义编码器和语义解码器。"}, "claim": {"pages": [1], "zh": "实验结果表明，O-MDMA可以与NOMA相结合，节省更多的带宽。"}}, "method_summary": {"pages": [1, 2], "zh": "基于不同语义模型不能理解其他模型生成的语义信息的特点，本文提出了语义正交信号的概念，语义模型特指基于DeepJSCC的语义通信系统中使用的语义编码器和语义解码器。"}, "representation_summary": {"zh": "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：DeepJSCC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，O-MDMA可以与NOMA相结合，节省更多的带宽。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_orthogonal-model-division-multiple-access_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_orthogonal-model-division-multiple-access_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、DeepJSCC、NOMA、DeepSC-S、JSCC；指标包括SSIM、MS-SSIM、BLEU；信道/链路条件包括AWGN；正文可定位的代表性工作点有CBR = 0.166、CBR = 0.041。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 DeepJSCC：基于不同语义模型不能理解其他模型生成的语义信息的特点，本文提出了语义正交信号的概念，语义模型特指基于DeepJSCC的语义通信系统中使用的语义编码器和语义解码器。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3370497", "title": "Performance Limits of a Deep Learning-Enabled Text Semantic Communication Under Interference", "authors": "Tilahun M. Getu; Walid Saad; Georges Kaddoum; Mehdi Bennis", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "8", "pages": "10213-10228", "ieee_document_id": "10460429", "source_url": "https://doi.org/10.1109/twc.2024.3370497", "pdf": "papers/2024_Getu_Performance_Limits_of_a_Deep_Learning_Enabled_Text_Semantic_Communication_Under_Interference.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "security", "method_name": "SemCom", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC"], "metrics": ["PER"], "channels": ["MIMO"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "尽管支持深度学习（DL）的语义通信（SemCom）通过最小化不相关的信息传输（最小化功率使用、带宽消耗和传输延迟）而成为6G的推动者，但其益处可能受到导致大量语义噪声的射频干扰（RFI）的限制。"}, "problem": {"pages": [1], "zh": "然而，这些应用程序可能会因相当大的语义噪音而变得无效。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "这种语义噪声的影响可以使用抗干扰和鲁棒（IR 2）SemCom设计来减轻，尽管还没有这样的设计。"}, "mechanism": {"pages": [1], "zh": "通过引入SemCom的概率框架，我们证明了当（多干扰者）RFI的功率变得非常大时，DeepSC产生语义无关的句子。"}, "claim": {"pages": [14], "zh": "作者感谢编辑和匿名审稿人的批评，这些批评指导了他们以前提交的手稿的改进，以及数字研究。"}}, "method_summary": {"pages": [1], "zh": "这种语义噪声的影响可以使用抗干扰和鲁棒（IR 2）SemCom设计来减轻，尽管还没有这样的设计存在。通过为SemCom引入一个原则性的概率框架，我们表明，DeepSC产生语义无关的句子（多重）RFI的功率变得非常大。"}, "representation_summary": {"zh": "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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [14], "zh": "作者感谢编辑和匿名审稿人的批评，这些批评指导了他们以前提交的手稿的改进，以及数字研究。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_performance-limits-of-a-deep-learning-enabled-text-semantic-communication-under-interference_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_performance-limits-of-a-deep-learning-enabled-text-semantic-communication-under-interference_result_p8.png", "caption": "p(0) versus β under MI RFI, fixed P̃min s : N = 106", "number": "Fig. 7"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC；指标包括PER；信道/链路条件包括MIMO。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 SemCom：这种语义噪声的影响可以使用抗干扰和鲁棒（IR 2）SemCom设计来减轻，尽管还没有这样的设计存在。通过为SemCom引入一个原则性的概率框架，我们表明，DeepSC产生语义无关的句子（多重）RFI的功率变得非常大。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [14]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3369170", "title": "Privacy-Preserving Task-Oriented Semantic Communications Against Model Inversion Attacks", "authors": "Yanhu Wang; Shuaishuai Guo; Yiqin Deng; Haixia Zhang; Yuguang Fang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "8", "pages": "10150-10165", "ieee_document_id": "10458014", "source_url": "https://doi.org/10.1109/twc.2024.3369170", "pdf": "papers/2024_Wang_Privacy_Preserving_Task_Oriented_Semantic_Communications_Against_Model_Inversion_Attacks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "security", "method_name": "IBAL", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "MNIST", "ImageNet"], "baselines": ["DeepJSCC", "JSCC"], "metrics": ["PSNR", "SSIM", "accuracy", "classification accuracy", "latency", "utility", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["SNR=15dB", "SNR = 15dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信已被确定为第六代（6G）无线网络的核心技术。"}, "problem": {"pages": [1], "zh": "然而，许多预计将在5G/6G系统中得到支持的新兴智能应用，例如增强/虚拟现实（AR/VR）、自动驾驶和环境监控，对这些旨在可靠传输数据的基于DL的通信系统提出了严重的设计挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了减少隐私侵犯，提出了一种信息瓶颈和对抗学习（IBAL）方法来保护用户隐私免受模型反转攻击。"}, "mechanism": {"pages": [1], "zh": "具体地说，我们基于信息瓶颈（IB）理论从输入中提取任务相关特征。"}, "claim": {"pages": [1], "zh": "仿真实验结果表明，该算法可在不显著影响任务性能的同时有效地保护用户隐私，并取得了较好的隐私-效用平衡。"}}, "method_summary": {"pages": [1], "zh": "为了减少隐私侵犯，本文提出了一种基于信息瓶颈和对抗性学习（IBAL）的方法来保护用户隐私免受模型反演攻击，具体地说，我们基于信息瓶颈（IB）理论从输入中提取任务相关特征。"}, "representation_summary": {"zh": "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：IBAL 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真实验结果表明，该算法可在不显著影响任务性能的同时有效地保护用户隐私，并取得了较好的隐私-效用平衡。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_privacy-preserving-task-oriented-semantic-communications-against-model-inversion-attacks_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_privacy-preserving-task-oriented-semantic-communications-against-model-inversion-attacks_result_p9.png", "caption": "Classification accuracy and Attacker-SSIM comparison of IBAL with baseline schemes on the MNIST dataset over (a) AWGN and (b) Rayleigh fading channels", "number": "Fig. 4"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、MNIST、ImageNet；实验小节中明确出现的比较对象包括DeepJSCC、JSCC；指标包括PSNR、SSIM、accuracy、classification accuracy、latency、utility、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR=15dB、SNR = 15dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 IBAL：为了减少隐私侵犯，本文提出了一种基于信息瓶颈和对抗性学习（IBAL）的方法来保护用户隐私免受模型反演攻击，具体地说，我们基于信息瓶颈（IB）理论从输入中提取任务相关特征。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3386807", "title": "QoE-Based Semantic-Aware Resource Allocation for Multi-Task Networks", "authors": "Lei Yan; Zhijin Qin; Chunfeng Li; Rui Zhang; Yongzhao Li; Xiaoming Tao", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "9", "pages": "11958-11971", "ieee_document_id": "10502352", "source_url": "https://doi.org/10.1109/twc.2024.3386807", "pdf": "papers/2024_Yan_QoE_Based_Semantic_Aware_Resource_Allocation_for_Multi_Task_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "QoE", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC"], "metrics": ["utility", "PER"], "channels": ["Rayleigh"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "通过仅传输与任务相关的信息，语义通信相对于传统通信产生了显著的性能增益。"}, "problem": {"pages": [1], "zh": "然而，由于缺乏成熟的语义信息量化和性能评估的语义理论，使得语义通信的资源分配具有挑战性，尤其是在网络中多任务共存的情况下。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了科普这一挑战，提出了一种基于体验质量（QoE）的语义感知的多任务网络资源分配方法。"}, "mechanism": {"pages": [1], "zh": "在此基础上，提出了一种新的QoE模型，从语义压缩、信道分配和发射功率三个方面来描述语义感知的资源分配。"}, "claim": {"pages": [1], "zh": "通过仅传输与任务相关的信息，语义通信相对于传统通信产生了显著的性能增益。"}}, "method_summary": {"pages": [1], "zh": "为了科普这一挑战，本文提出了一种基于体验质量（QoE）的多任务网络语义感知资源分配方法，并提出了一种新的QoE模型，从语义压缩、信道分配和发射功率三个方面来描述语义感知资源分配。"}, "representation_summary": {"zh": "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：QoE 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "通过仅传输与任务相关的信息，语义通信相对于传统通信产生了显著的性能增益。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_qoe-based-semantic-aware-resource-allocation-for-multi-task-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_qoe-based-semantic-aware-resource-allocation-for-multi-task-networks_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC；指标包括utility、PER；信道/链路条件包括Rayleigh。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 QoE：为了科普这一挑战，本文提出了一种基于体验质量（QoE）的多任务网络语义感知资源分配方法，并提出了一种新的QoE模型，从语义压缩、信道分配和发射功率三个方面来描述语义感知资源分配。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3312115", "title": "Reasoning Over the Air: A Reasoning- Based Implicit Semantic-Aware Communication Framework", "authors": "Yong Xiao; Yiwei Liao; Yingyu Li; Guangming Shi; H. Vincent Poor; Walid Saad; Mérouane Debbah; Mehdi Bennis", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "4", "pages": "3839-3855", "ieee_document_id": "10250170", "source_url": "https://doi.org/10.1109/twc.2023.3312115", "pdf": "papers/2024_Xiao_Reasoning_Over_the_Air_A_Reasoning_Based_Implicit_Semantic_Aware_Communication_Framework.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "通用语义通信系统", "theme": "digital", "method_name": "Reasoning Over the Air", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 2：数字语义变量接入调制、信道编码或 OFDM 链路", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": [], "baselines": ["DeepSC", "Transformer", "JSCC", "ETC"], "metrics": ["mAP", "accuracy"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": ["SNR=4 dB", "SNR=7dB", "SNR=0 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义感知交际是一种新的交际范式，它从人类交际中汲取灵感，注重传递信息的意义。"}, "problem": {"pages": [1], "zh": "本文研究了隐式语义感知通信，其中隐藏的信息，如隐藏的关系，概念和用户的隐式推理机制，不能直接观察到的源信号，必须识别和解释的预期用户。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，提出了一种新的隐式语义感知通信（iSAC）体系结构，用于表示，通信和解释源和目的地用户之间的隐式语义含义。"}, "mechanism": {"pages": [1], "zh": "然后提出了一种基于投影的语义编码器，将显式语义的高维图形表示转换为低维语义星座空间，以实现高效的物理信道传输。"}, "claim": {"pages": [1], "zh": "数值结果表明，所提出的解决方案实现了高达92%的准确性隐含意义的解释。"}}, "method_summary": {"pages": [1], "zh": "为此，提出了一种新的隐式语义感知通信（iSAC）体系结构，用于表示、传递和解释源用户和目的用户之间的隐式语义，并提出了一种基于投影的语义编码器，用于将显式语义的高维图形表示转换为低维语义星座空间，以实现高效的物理信道传输。"}, "representation_summary": {"pages": [1], "zh": "然后提出了一种基于投影的语义编码器，将显式语义的高维图形表示转换为低维语义星座空间，以实现高效的物理信道传输。 独立判断：Reasoning Over the Air 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [13], "zh": "在（a）AWGN信道和（B）Rayleigh衰落信道（SNR= 7 dB）中传输的不同维数的语义星座图下的语义恢复精度。 本调研据此归为“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”。"}, "experiment_result_summary": {"pages": [1], "zh": "数值结果表明，所提出的解决方案实现了高达92%的准确性隐含意义的解释。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2024_reasoning-over-the-air-a-reasoning-based-implicit-semantic-aware-communication-framework_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_reasoning-over-the-air-a-reasoning-based-implicit-semantic-aware-communication-framework_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：解调/信道译码后的 bit 或 index；残余错误是否进入语义 decoder 需单独判断。", "pages": [13]}, "discrete_error_judgment": "部分。论文有真实数字物理层接口，但若语义 decoder 只看到信道译码后的结果，残余 bit/index 跳变仍未必被端到端处理。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、Transformer、JSCC、ETC；指标包括mAP、accuracy；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=4 dB、SNR=7dB、SNR=0 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是通用语义通信系统所需的信源数据和接收端任务。", "pages": [1]}, "encoder": {"zh": "发送端采用 Reasoning Over the Air：为此，提出了一种新的隐式语义感知通信（iSAC）体系结构，用于表示、传递和解释源用户和目的用户之间的隐式语义，并提出了一种基于投影的语义编码器，用于将显式语义的高维图形表示转换为低维语义星座空间，以实现高效的物理信道传输。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”解释。", "pages": [13]}, "receiver": {"zh": "接收端从解调/信道译码后的 bit 或 index；残余错误是否进入语义 decoder 需单独判断开始，再执行语义解码、任务推理或生成。", "pages": [13]}, "output": {"zh": "最终输出为重建内容或任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3327127", "title": "Resource Allocation and Common Message Selection for Task-Oriented Semantic Information Transmission With RSMA", "authors": "Yanyu Cheng; Dusit Niyato; Hongyang Du; Jiawen Kang; Zehui Xiong; Chunyan Miao; Dong In Kim", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "6", "pages": "5557-5570", "ieee_document_id": "10303275", "source_url": "https://doi.org/10.1109/twc.2023.3327127", "pdf": "papers/2024_Cheng_Resource_Allocation_and_Common_Message_Selection_for_Task_Oriented_Semantic_Information_Tran.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "resource", "method_name": "SIT", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["Transformer", "NOMA", "RSMA", "PPO", "OFDM", "YOLO"], "metrics": ["energy efficiency", "BER"], "channels": ["MIMO", "OFDM", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "通过无线通信的图像传输可以用于各种应用，例如智能城市，监控系统和Metaverse建筑。"}, "problem": {"pages": [1], "zh": "然而，当大量用户试图通过无线通信网络同时传输高分辨率图像时，可能导致拥塞，这可能导致网络性能下降和图像传输延迟。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们提出了一个面向任务的语义信息传输（SIT）框架与速率分裂多址（RSMA）的图像传输。"}, "mechanism": {"pages": [1], "zh": "具体来说，我们首先优化功率分配的top-Ncommon消息选择策略。"}, "claim": {"pages": [1], "zh": "仿真结果表明，优化功率分配比固定功率分配能显著提高系统性能，而功率分配和公共消息选择的联合优化比仅优化功率分配有明显的性能提升，验证了所设计的优化算法的有效性。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种基于速率分割多址接入（RSMA）的面向任务的语义信息传输（SIT）框架，首先采用top-Ncommon消息选择策略优化功率分配。"}, "representation_summary": {"zh": "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：SIT 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，优化功率分配比固定功率分配能显著提高系统性能，而功率分配和公共消息选择的联合优化比仅优化功率分配有明显的性能提升，验证了所设计的优化算法的有效性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_resource-allocation-and-common-message-selection-for-task-oriented-semantic-information-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_resource-allocation-and-common-message-selection-for-task-oriented-semantic-information-transmission_result_p9.png", "caption": "An example of image segmentation and object recognition with interest ratings", "number": "Fig. 2"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括Transformer、NOMA、RSMA、PPO、OFDM、YOLO；指标包括energy efficiency、BER；信道/链路条件包括MIMO、OFDM、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 SIT：本文提出了一种基于速率分割多址接入（RSMA）的面向任务的语义信息传输（SIT）框架，首先采用top-Ncommon消息选择策略优化功率分配。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3390407", "title": "Resource Optimization for Semantic-Aware Networks With Task Offloading", "authors": "Zelin Ji; Zhijin Qin; Xiaoming Tao; Zhu Han", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "9", "pages": "12284-12296", "ieee_document_id": "10508293", "source_url": "https://doi.org/10.1109/twc.2024.3390407", "pdf": "papers/2024_Ji_Resource_Optimization_for_Semantic_Aware_Networks_With_Task_Offloading.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "MAPPO", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "Transformer", "DQN", "CLIP"], "metrics": ["accuracy", "latency", "PER"], "channels": ["wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "用户设备的有限能力限制了计算密集型应用的本地实现。"}, "problem": {"pages": [1], "zh": "然而，有限的上行信道带宽可能会增加任务传输延迟，影响计算卸载性能。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了克服无线通信资源稀缺带来的挑战，我们提出了一个语义感知的多模式任务卸载系统，便于提取和卸载语义任务信息的边缘服务器。"}, "mechanism": {"pages": [2], "zh": "本文提出了一个语义感知的多任务卸载系统。"}, "claim": {"pages": [1], "zh": "仿真结果验证了所提出的MAPPO算法优于其他强化学习算法和固定方案的任务执行速度和整体系统的QoE。"}}, "method_summary": {"pages": [1, 2], "zh": "系统先从多模态任务中提取可卸载的语义信息，再联合决定任务卸载、带宽/功率和边缘计算资源；MAPPO 用于在多用户耦合约束下学习分布式资源策略。"}, "representation_summary": {"zh": "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：MAPPO 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 8], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 8]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果验证了所提出的MAPPO算法优于其他强化学习算法和固定方案的任务执行速度和整体系统的QoE。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_resource-optimization-for-semantic-aware-networks-with-task-offloading_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_resource-optimization-for-semantic-aware-networks-with-task-offloading_result_p8.png", "caption": "It is clear that the proposed algorithm", "number": "Fig. 2"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 8]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、Transformer、DQN、CLIP；指标包括accuracy、latency、PER；信道/链路条件包括wireless channel。", "pages": [8]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 MAPPO：系统先从多模态任务中提取可卸载的语义信息，再联合决定任务卸载、带宽/功率和边缘计算资源；MAPPO 用于在多用户耦合约束下学习分布式资源策略。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 8]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 8]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3409735", "title": "Robust Image Semantic Coding With Learnable CSI Fusion Masking Over MIMO Fading Channels", "authors": "Bingyan Xie; Yongpeng Wu; Yuxuan Shi; Wenjun Zhang; Shuguang Cui; Mérouane Debbah", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "10", "pages": "14155-14170", "ieee_document_id": "10559783", "source_url": "https://doi.org/10.1109/twc.2024.3409735", "pdf": "papers/2024_Xie_Robust_Image_Semantic_Coding_With_Learnable_CSI_Fusion_Masking_Over_MIMO_Fading_Channels.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "LCFSC", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NTSCC", "WITT", "JPEG", "BPG", "LDPC", "Transformer", "QAM", "ADJSCC", "JSCC", "SSCC"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "mAP", "accuracy", "MSE", "throughput", "PER"], "channels": ["Rayleigh", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 8 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "现有的语义通信框架虽然在各种场景下取得了令人瞩目的进展，但主要考虑单输入单输出高斯信道或瑞利衰落信道，而忽略了广泛应用的多输入多输出（MIMO）信道，这阻碍了其在实际系统中的应用。"}, "problem": {"pages": [1], "zh": "尽管基于JSCC的语义通信框架在多模式媒体传输方面取得了巨大进展，但它们主要集中在单输入单输出加性白色高斯噪声（AWGN）信道或稳定的Rayleigh衰落信道上，存在很大的局限性A"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了避免CSI与特征的突然组合导致的特征融合，我们在Swin Transformer内部提出了一种非侵入性CSI融合多头注意模块。"}, "mechanism": {"pages": [1], "zh": "在本文中，我们将MIMO CSI从一个新的角度到系统设计，并提出了可学习的CSI融合语义通信（LCFSC）框架，其中CSI被视为边信息的语义提取器，以提高语义编码。"}, "claim": {"pages": [1], "zh": "以这种方式，CSI感知的语义编码通过可学习的CSI融合掩蔽来实现。"}}, "method_summary": {"pages": [1], "zh": "为了避免CSI与特征的突然组合导致的特征融合，本文在Swin Transformer内部提出了一种非侵入式CSI融合多头注意模块，从一个新的角度将MIMO CSI引入系统设计，提出了可学习CSI融合语义通信（LCFSC）框架，其中CSI被语义提取器视为边信息，以增强语义编码。"}, "representation_summary": {"zh": "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：LCFSC 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。", "pages": [2]}, "overhead_summary": {"pages": [3], "zh": "以这种方式，CL信道带宽比（CBR）被定义为R = H×W ×3。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "以这种方式，CSI感知的语义编码通过可学习的CSI融合掩蔽来实现。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_robust-image-semantic-coding-with-learnable-csi-fusion-masking-over-mimo-fading-channels_method_p2.png", "caption": "Among them, some works [17], [18] utilize the feedback CSI after the channel encoder, e.g", "number": "Fig. 1"}, {"kind": "result", "page": 8, "file": "assets/2024_robust-image-semantic-coding-with-learnable-csi-fusion-masking-over-mimo-fading-channels_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NTSCC、WITT、JPEG、BPG、LDPC、Transformer、QAM、ADJSCC、JSCC、SSCC；指标包括PSNR、SSIM、MS-SSIM、mAP、accuracy、MSE、throughput、PER；信道/链路条件包括Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 8 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 LCFSC：为了避免CSI与特征的突然组合导致的特征融合，本文在Swin Transformer内部提出了一种非侵入式CSI融合多头注意模块，从一个新的角度将MIMO CSI引入系统设计，提出了可学习CSI融合语义通信（LCFSC）框架，其中CSI被语义提取器视为边信息，以增强语义编码。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3349330", "title": "Semantic Communications for Image Recovery and Classification via Deep Joint Source and Channel Coding", "authors": "Zhonghao Lyu; Guangxu Zhu; Jie Xu; Bo Ai; Shuguang Cui", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "8", "pages": "8388-8404", "ieee_document_id": "10388062", "source_url": "https://doi.org/10.1109/twc.2023.3349330", "pdf": "papers/2024_Lyu_Semantic_Communications_for_Image_Recovery_and_Classification_via_Deep_Joint_Source_and_Chan.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "task", "method_name": "MSE", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "ImageNet", "MNIST"], "baselines": ["BPG", "Transformer", "JSCC", "SSCC", "ResNet"], "metrics": ["PSNR", "SSIM", "accuracy", "classification accuracy", "MSE", "PER"], "channels": ["AWGN", "Rayleigh", "Rician", "fading channel", "wireless channel", "block fading"], "snr_conditions": ["SNR of 21 dB", "SNR of -3 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "随着边缘人工智能（AI）的最新进展，未来的第六代（6G）网络需要支持新的AI任务，如分类和聚类，以及数据恢复。"}, "problem": {"pages": [1], "zh": "然而，大多数现有的工作集中在数据恢复或AI任务执行的一个任务的深度JSCC设计独立，不能转移到其他非预期的任务。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "首先，我们提出了一个新的端到端的深度JSCC框架，通过统一的编码率降低最大化和均方误差（MSE）最小化的损失函数。"}, "mechanism": {"pages": [2], "zh": "通过上述分析，现有工作中提出的深度JSCC框架专门设计用于处理一个任务（数据恢复或AI任务执行）。"}, "claim": {"pages": [1], "zh": "结果表明，我们提出的设计同时提供有效的多任务服务，和建议门控深度JSCC框架有效地减少了通信开销，只有边际性能损失。"}}, "method_summary": {"pages": [1, 2], "zh": "首先，我们提出了一个新的端到端的深度JSCC框架，通过统一的编码率降低最大化和均方误差（MSE）最小化的损失函数。通过上述分析，在现有的工作中提出的深度JSCC框架专门设计用于处理只有一个任务（数据恢复或AI任务执行）。"}, "representation_summary": {"zh": "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：MSE 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "具体来说，我们首先在整个网络结构中不集成无线信道的情况下训练深度JSCC框架，然后在无线传输下测试获得的编码器和解码器（即在块衰落信道下传输获得的编码器的提取特征，每个时隙分别具有AWGN，Rayleigh衰落或Rician衰落）。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "结果表明，我们提出的设计同时提供有效的多任务服务，和建议门控深度JSCC框架有效地减少了通信开销，只有边际性能损失。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2024_semantic-communications-for-image-recovery-and-classification-via-deep-joint-source-and-channel-codi_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_semantic-communications-for-image-recovery-and-classification-via-deep-joint-source-and-channel-codi_result_p9.png", "caption": "Effects of channel impairments on CIFAR-10 image transmission", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、ImageNet、MNIST；实验小节中明确出现的比较对象包括BPG、Transformer、JSCC、SSCC、ResNet；指标包括PSNR、SSIM、accuracy、classification accuracy、MSE、PER；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel、wireless channel、block fading；正文可定位的代表性工作点有SNR of 21 dB、SNR of -3 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 MSE：首先，我们提出了一个新的端到端的深度JSCC框架，通过统一的编码率降低最大化和均方误差（MSE）最小化的损失函数。通过上述分析，在现有的工作中提出的深度JSCC框架专门设计用于处理只有一个任务（数据恢复或AI任务执行）。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3427675", "title": "Semantic Feature Division Multiple Access for Multi-User Digital Interference Networks", "authors": "Shuai Ma; Chuanhui Zhang; Bin Shen; Youlong Wu; Hang Li; Shiyin Li; Guangming Shi; Naofal Al-Dhahir", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "10", "pages": "15230-15244", "ieee_document_id": "10606178", "source_url": "https://doi.org/10.1109/twc.2024.3427675", "pdf": "papers/2024_Ma_Semantic_Feature_Division_Multiple_Access_for_Multi_User_Digital_Interference_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "SFDMA", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["MNIST", "CelebA"], "baselines": ["WITT", "VQ-VAE", "VAE", "Transformer", "NOMA", "JSCC", "BERT"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "accuracy", "classification accuracy", "MSE"], "channels": ["Rayleigh", "fading channel"], "snr_conditions": ["SNR = 5dB", "SNR=5dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "随着用户密度和服务质量（QoS）需求的不断提高，频谱资源有限的5G网络正面临着海量接入挑战。"}, "problem": {"pages": [1], "zh": "但是，SIC的复杂度相对较高，接收机的设计具有挑战性。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对这些问题，提出了一种新的基于离散语义特征划分的多址接入（SFDMA）多用户数字干扰网络模型。"}, "mechanism": {"pages": [1], "zh": "具体而言，通过利用深度学习技术，SFDMA将多用户语义信息提取为可区分的语义子空间中的离散表示，这使得多个用户能够在相同的时频资源上同时进行传输。"}, "claim": {"pages": [1], "zh": "仿真结果验证了所提算法的有效性和优越性。"}}, "method_summary": {"pages": [1], "zh": "针对这些挑战，本文提出了一种新的多用户数字干扰网络离散语义特征分割多址接入（SFDMA）方案，即利用深度学习技术，将多用户语义信息提取到可区分语义子空间的离散表示中，使多个用户能够在相同的时频资源上同时传输。"}, "representation_summary": {"pages": [2], "zh": "更具体地说，连续特征表示的直接传输需要模拟调制或全分辨率星座，这给资源受限的射频系统带来了巨大的负担。 独立判断：SFDMA 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。"}, "overhead_summary": {"pages": [10], "zh": "此外，fθ2（y2）表示RX 2对接收信号y2进行解码，对应的分类准确率为92.19%，fθ2（g2，1 x1）表示RX 2对来自TX 1的接收干扰x1进行解码，对应的分类准确率为10.01%，这也验证了语义特征x1和x2之间的近似正交性。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果验证了所提算法的有效性和优越性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_semantic-feature-division-multiple-access-for-multi-user-digital-interference-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_semantic-feature-division-multiple-access-for-multi-user-digital-interference-networks_result_p9.png", "caption": "Distinguishable feature domain of TX 1 and TX 2 at training SNR = 5dB", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 9]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为MNIST、CelebA；实验小节中明确出现的比较对象包括WITT、VQ-VAE、VAE、Transformer、NOMA、JSCC、BERT；指标包括PSNR、SSIM、MS-SSIM、accuracy、classification accuracy、MSE；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 = 5dB、SNR=5dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 SFDMA：针对这些挑战，本文提出了一种新的多用户数字干扰网络离散语义特征分割多址接入（SFDMA）方案，即利用深度学习技术，将多用户语义信息提取到可区分语义子空间的离散表示中，使多个用户能够在相同的时频资源上同时传输。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3480352", "title": "Semantic Feature Scheduling and Rate Control in Multi-Modal Distributed Network", "authors": "Huiguo Gao; Guanding Yu; Yangshuo He; Yuanwei Liu", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "12", "pages": "19199-19214", "ieee_document_id": "10729742", "source_url": "https://doi.org/10.1109/twc.2024.3480352", "pdf": "papers/2024_Gao_Semantic_Feature_Scheduling_and_Rate_Control_in_Multi_Modal_Distributed_Network.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "多模态检索与任务通信", "theme": "resource", "method_name": "Semantic Feature Scheduling and Rate Control in Multi-Modal Distributed Network", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepJSCC", "LDPC", "VQ-VAE", "VAE", "Transformer", "NOMA", "JSCC", "OFDM", "BERT", "ETC"], "metrics": ["accuracy", "latency", "spectral efficiency", "BER"], "channels": ["AWGN", "Rayleigh", "MIMO", "OFDM", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "虽然上述语义通信系统已经在特定场景中展示了令人满意的性能，但是它们限于处理单一模态的数据。"}, "problem": {"pages": [1], "zh": "然而，在多模态语义通信系统中，不同模态之间的语义特征对于任务执行的重要性存在冗余和差异。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对这一问题，提出了一种新的语义通信系统中的特征调度和差错概率控制方案，以平衡信道多样性和语义多样性。"}, "mechanism": {"pages": [1], "zh": "具体地说，我们首先引入了语义特征重要性度量来衡量每个特征对语义任务推理性能的贡献。"}, "claim": {"pages": [1], "zh": "此外，与传统方法相比，所提出的方案显著降低了系统延迟。"}}, "method_summary": {"pages": [1], "zh": "针对这一问题，本文提出了一种新的语义通信系统中的特征调度和错误概率控制方案，该方案能够平衡语义通信系统中的信道多样性和语义多样性，并引入了一个语义特征重要性度量来衡量每个特征对语义任务推理性能的贡献。"}, "representation_summary": {"zh": "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：Semantic Feature Scheduling and Rate Control in Multi-Modal Distributed Network 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "此外，与传统方法相比，所提出的方案显著降低了系统延迟。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_semantic-feature-scheduling-and-rate-control-in-multi-modal-distributed-network_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_semantic-feature-scheduling-and-rate-control-in-multi-modal-distributed-network_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepJSCC、LDPC、VQ-VAE、VAE、Transformer、NOMA、JSCC、OFDM、BERT、ETC；指标包括accuracy、latency、spectral efficiency、BER；信道/链路条件包括AWGN、Rayleigh、MIMO、OFDM、wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是多模态检索与任务通信所需的图像、文本或其他模态的任务特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 Semantic Feature Scheduling and Rate Control in Multi-Modal Distributed Network：针对这一问题，本文提出了一种新的语义通信系统中的特征调度和错误概率控制方案，该方案能够平衡语义通信系统中的信道多样性和语义多样性，并引入了一个语义特征重要性度量来衡量每个特征对语义任务推理性能的贡献。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为跨模态检索、匹配或联合推理结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3323380", "title": "Semantic Knowledge Base-Enabled Zero-Shot Multi-Level Feature Transmission Optimization", "authors": "Yaping Sun; Hao Chen; Xiaodong Xu; Ping Zhang; Shuguang Cui", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "5", "pages": "4904-4917", "ieee_document_id": "10287247", "source_url": "https://doi.org/10.1109/twc.2023.3323380", "pdf": "papers/2024_Sun_Semantic_Knowledge_Base_Enabled_Zero_Shot_Multi_Level_Feature_Transmission_Optimization.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "resource", "method_name": "SKB", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["ETC"], "metrics": ["accuracy", "classification accuracy", "latency"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "针对这一问题，提出了一个支持轻量级语义知识库（SKB）的多层次特征提取器，该提取器将图像投影到视觉、语义和中间特征空间。"}, "problem": {"pages": [1], "zh": "然而，该优化问题是一个多选择背包问题，其最优解具有挑战性。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对这一问题，提出了一个支持轻量级语义知识库（SKB）的多层次特征提取器，该提取器将图像投影到视觉、语义和中间特征空间。"}, "mechanism": {"pages": [1], "zh": "通过刻画每个层次的语义损失和所需传输时延，提出了一个在传输时延约束下最小化语义损失的多级特征传输优化问题。"}, "claim": {"pages": [1], "zh": "仿真结果表明，所提设计优于基准测试，并能深入了解两端的SKB对性能的影响，以及传输时延和零炮分类精度之间的权衡。"}}, "method_summary": {"pages": [1], "zh": "针对这一问题，提出了一种基于轻量级语义知识库（SKB）的多层次特征提取器，将图像映射到视觉、语义和中间特征空间，描述了各层次的语义损失和所需传输延迟，并在传输延迟约束下建立了多层次特征传输优化问题，以最小化语义损失。"}, "representation_summary": {"zh": "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：SKB 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，所提设计优于基准测试，并能深入了解两端的SKB对性能的影响，以及传输时延和零炮分类精度之间的权衡。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_semantic-knowledge-base-enabled-zero-shot-multi-level-feature-transmission-optimization_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_semantic-knowledge-base-enabled-zero-shot-multi-level-feature-transmission-optimization_result_p7.png", "caption": "SKB-enabled multi-level E2E communication system", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括ETC；指标包括accuracy、classification accuracy、latency。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 SKB：针对这一问题，提出了一种基于轻量级语义知识库（SKB）的多层次特征提取器，将图像映射到视觉、语义和中间特征空间，描述了各层次的语义损失和所需传输延迟，并在传输延迟约束下建立了多层次特征传输优化问题，以最小化语义损失。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3472612", "title": "Semantic MIMO Systems for Speech-to-Text Transmission", "authors": "Zhenzi Weng; Zhijin Qin; Huiqiang Xie; Xiaoming Tao; Khaled B. Letaief", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "12", "pages": "18697-18710", "ieee_document_id": "10713884", "source_url": "https://doi.org/10.1109/twc.2024.3472612", "pdf": "papers/2024_Weng_Semantic_MIMO_Systems_for_Speech_to_Text_Transmission.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语音/音频传输或识别", "theme": "multiuser", "method_name": "SAC-ST", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["LibriSpeech"], "baselines": ["DeepSC", "VQ-VAE", "VAE", "Transformer", "SAC", "DeepSC-S", "DeepSC-ST", "OFDM"], "metrics": ["WER", "accuracy", "latency", "MSE"], "channels": ["Rayleigh", "MIMO", "OFDM", "fading channel"], "snr_conditions": ["SNR = -8 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "此外，我们还在SAC-ST的基础上扩展了一个基于神经网络的信道估计网络，以减少对精确信道状态信息的依赖，并验证了SAC-ST在实际通信环境中的可行性。"}, "problem": {"pages": [1], "zh": "然而，由于缺乏统一的理论来表示不同来源的语义，缺乏一个数学公式来量化语义信息，语义通信的研究经历了几十年的停滞。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对单用户多输入多输出（MIMO）和多用户多输入多输出（MIMO）通信场景，提出了一种基于语义感知的语音到文本传输系统SAC-ST。"}, "mechanism": {"pages": [1], "zh": "具体地说，首先设计了一个语义通信系统，用于在接收端完成语音到文本的转换任务，该系统利用Transformer模块对语义信息进行压缩并生成低维语义特征。"}, "claim": {"pages": [1], "zh": "仿真结果表明，SAC-ST在语音到文本的性能上优于不使用语义感知网络的MIMO语音到文本的通信框架，尤其是在低信噪比的情况下。"}}, "method_summary": {"pages": [1], "zh": "本文针对单用户多输入多输出（MIMO）和多用户MIMO通信场景，提出了一种语义感知的语音到文本传输系统SAC-ST。首先设计了一个语义通信系统，用于在接收端完成语音到文本的转换任务，该系统利用Transformer模块压缩语义信息，生成低维语义特征。"}, "representation_summary": {"zh": "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：SAC-ST 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，SAC-ST在语音到文本的性能上优于不使用语义感知网络的MIMO语音到文本的通信框架，尤其是在低信噪比的情况下。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_semantic-mimo-systems-for-speech-to-text-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_semantic-mimo-systems-for-speech-to-text-transmission_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为LibriSpeech；实验小节中明确出现的比较对象包括DeepSC、VQ-VAE、VAE、Transformer、SAC、DeepSC-S、DeepSC-ST、OFDM；指标包括WER、accuracy、latency、MSE；信道/链路条件包括Rayleigh、MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR = -8 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语音/音频传输或识别所需的语音波形、声学特征或说话人信息。", "pages": [1]}, "encoder": {"zh": "发送端采用 SAC-ST：本文针对单用户多输入多输出（MIMO）和多用户MIMO通信场景，提出了一种语义感知的语音到文本传输系统SAC-ST。首先设计了一个语义通信系统，用于在接收端完成语音到文本的转换任务，该系统利用Transformer模块压缩语义信息，生成低维语义特征。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建语音、识别文本或说话人任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3449414", "title": "STAR-RIS Assisted Information Transmission Based on Fairness in Semantic Communication Systems", "authors": "Ping Xie; Fan Li; Mingchuan Zhang; Wei Quan; Junlong Zhu; Nan Cheng", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "11", "pages": "17007-17020", "ieee_document_id": "10663342", "source_url": "https://doi.org/10.1109/twc.2024.3449414", "pdf": "papers/2024_Xie_STAR_RIS_Assisted_Information_Transmission_Based_on_Fairness_in_Semantic_Communication_Syste.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "通用语义通信系统", "theme": "jscc", "method_name": "SCA", "communication_layer": "联合信源信道编码（JSCC）", "layer_explanation": "在同一系统中共同设计压缩、语义保真和抗信道噪声机制。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "NOMA", "RSMA", "BERT", "ETC"], "metrics": ["accuracy", "semantic similarity", "utility", "PER"], "channels": ["AWGN", "Rician", "MIMO", "fading channel", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信以其更优的传输效率被认为是未来无线通信的重要解决方案之一。"}, "problem": {"pages": [1], "zh": "然而，现有的方法不能在噪声信道下准确地传输语义信息。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，我们提出了一种基于公平性的STAR-RIS辅助SC系统的传输策略。"}, "mechanism": {"pages": [1], "zh": "更具体地说，我们最大化的最小信噪比（SNR）的用户通过联合优化的主动波束成形和被动波束成形的约束下，在基站（BS）的功率有限。"}, "claim": {"pages": [1], "zh": "仿真实验表明，该算法在公平性和语义相似度方面优于其他基准方法。"}}, "method_summary": {"pages": [1], "zh": "为此，本文提出了一种基于公平性的STAR-RIS辅助SC系统传输策略，即在基站功率受限的情况下，通过联合优化主动波束形成和被动波束形成，最大化用户的最小信噪比。"}, "representation_summary": {"zh": "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：SCA 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2]}, "experiment_result_summary": {"pages": [1], "zh": "仿真实验表明，该算法在公平性和语义相似度方面优于其他基准方法。"}, "assets": [{"kind": "method", "page": 5, "file": "assets/2024_star-ris-assisted-information-transmission-based-on-fairness-in-semantic-communication-systems_method_p5.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2024_star-ris-assisted-information-transmission-based-on-fairness-in-semantic-communication-systems_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、NOMA、RSMA、BERT、ETC；指标包括accuracy、semantic similarity、utility、PER；信道/链路条件包括AWGN、Rician、MIMO、fading channel、wireless channel。", "pages": [2]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是通用语义通信系统所需的信源数据和接收端任务。", "pages": [1]}, "encoder": {"zh": "发送端采用 SCA：为此，本文提出了一种基于公平性的STAR-RIS辅助SC系统传输策略，即在基站功率受限的情况下，通过联合优化主动波束形成和被动波束形成，最大化用户的最小信噪比。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2]}, "output": {"zh": "最终输出为重建内容或任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3314888", "title": "Task-Oriented Communication for Edge Video Analytics", "authors": "Jiawei Shao; Xinjie Zhang; Jun Zhang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "5", "pages": "4141-4154", "ieee_document_id": "10258036", "source_url": "https://doi.org/10.1109/twc.2023.3314888", "pdf": "papers/2024_Shao_Task_Oriented_Communication_for_Edge_Video_Analytics.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "视频传输、生成或控制", "theme": "task", "method_name": "TEM", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["COCO", "HEVC"], "baselines": ["JPEG", "WebP", "HEVC", "ResNet"], "metrics": ["mAP", "accuracy", "latency", "IoU", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "随着人工智能（AI）技术的发展和配备摄像头的设备的日益普及，许多边缘视频分析应用程序正在出现，需要在网络边缘部署计算密集型人工智能模型。"}, "problem": {"pages": [1], "zh": "然而，当设备无线连接时，例如可穿戴设备和自动汽车，可用的上行链路带宽非常有限，并且通信信道是高度动态的。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种面向任务的边缘视频分析通信框架，其中多个设备收集视觉感知数据并将信息特征传输到边缘服务器进行处理。"}, "mechanism": {"pages": [1], "zh": "具体而言，它提取紧凑的任务相关的功能的基础上确定性信息瓶颈（IB）的原则，其特征之间的信息量和通信成本的权衡。"}, "claim": {"pages": [1], "zh": "视频分析任务的大量实验证明，所提出的框架有效地编码视频数据的任务相关信息，并实现了比现有方法更好的速率-性能权衡。"}}, "method_summary": {"pages": [1], "zh": "提出了一种面向任务的边缘视频分析通信框架，多台设备采集视觉感知数据，并将信息特征传输到边缘服务器进行处理，基于确定性信息瓶颈（IB）原理提取紧凑的任务相关特征，在特征信息量和通信代价之间进行权衡。"}, "representation_summary": {"zh": "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：TEM 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。", "pages": [2]}, "overhead_summary": {"pages": [9], "zh": "对于多视图对象检测任务，我们将位约束Rbit设置在5 × 104至106的范围内。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "视频分析任务的大量实验证明，所提出的框架有效地编码视频数据的任务相关信息，并实现了比现有方法更好的速率-性能权衡。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_task-oriented-communication-for-edge-video-analytics_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_task-oriented-communication-for-edge-video-analytics_result_p7.png", "caption": "Task-relevant feature extraction", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为COCO、HEVC；实验小节中明确出现的比较对象包括JPEG、WebP、HEVC、ResNet；指标包括mAP、accuracy、latency、IoU、PER。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 TEM：提出了一种面向任务的边缘视频分析通信框架，多台设备采集视觉感知数据，并将信息特征传输到边缘服务器进行处理，基于确定性信息瓶颈（IB）原理提取紧凑的任务相关特征，在特征信息量和通信代价之间进行权衡。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3294703", "title": "Task-Oriented Over-the-Air Computation for Multi-Device Edge AI", "authors": "Dingzhu Wen; Xiang Jiao; Peixi Liu; Guangxu Zhu; Yuanming Shi; Kaibin Huang", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "3", "pages": "2039-2053", "ieee_document_id": "10186369", "source_url": "https://doi.org/10.1109/twc.2023.3294703", "pdf": "papers/2024_Wen_Task_Oriented_Over_the_Air_Computation_for_Multi_Device_Edge_AI.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "AirComp", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["accuracy"], "channels": ["Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "边缘推理是指在网络边缘使用人工智能（AI）模型，为移动的设备提供推理服务，从而实现自动驾驶和Metaverse等智能服务。"}, "problem": {"pages": [1], "zh": "然而，与传统的以数据为中心的设计模式不同，支持边缘人工智能的6G网络具有面向任务的技术，专注于有效和高效地执行人工智能任务。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "然而，与传统的以数据为中心的设计模式不同，支持边缘人工智能的6G网络具有面向任务的技术，专注于有效和高效地执行人工智能任务。"}, "mechanism": {"pages": [2], "zh": "在这项工作中，我们设计了面向任务的AirComp技术，以支持通信效率的边缘推理。"}, "claim": {"pages": [1], "zh": "针对人体运动识别的应用程序进行了大量的实验，验证了所提出的面向任务的计划比传统的计划的性能增益。"}}, "method_summary": {"pages": [1, 2], "zh": "然而，与传统的以数据为中心的设计模式不同，支持边缘AI的6G网络具有面向任务的技术，专注于有效和高效地执行AI任务。在这项工作中，我们设计了面向任务的AirComp技术来支持通信高效的边缘推理。"}, "representation_summary": {"zh": "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：AirComp 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "针对人体运动识别的应用程序进行了大量的实验，验证了所提出的面向任务的计划比传统的计划的性能增益。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_task-oriented-over-the-air-computation-for-multi-device-edge-ai_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2024_task-oriented-over-the-air-computation-for-multi-device-edge-ai_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括accuracy；信道/链路条件包括Rayleigh、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 AirComp：然而，与传统的以数据为中心的设计模式不同，支持边缘AI的6G网络具有面向任务的技术，专注于有效和高效地执行AI任务。在这项工作中，我们设计了面向任务的AirComp技术来支持通信高效的边缘推理。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3450697", "title": "Task-Oriented Scene Graph-Based Semantic Communications With Adaptive Channel Coding", "authors": "Shiqi Sun; Zhijin Qin; Huiqiang Xie; Xiaoming Tao", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "11", "pages": "17070-17083", "ieee_document_id": "10666082", "source_url": "https://doi.org/10.1109/twc.2024.3450697", "pdf": "papers/2024_Sun_Task_Oriented_Scene_Graph_Based_Semantic_Communications_With_Adaptive_Channel_Coding.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "task", "method_name": "GRACE", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet"], "baselines": ["BPG", "LDPC", "ViT", "Transformer", "QAM", "SAC", "BERT"], "metrics": ["latency", "SSIM"], "channels": ["AWGN", "Rician", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信通过其强大的语义信息提取和传输能力，在减少传输数据量方面显示出巨大的潜力。"}, "problem": {"pages": [1], "zh": "然而，由于传输数据量的不断增加和当前版本2024年11月13日的限制，他们遇到了重大挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了提高语义通信的可解释性，减少语义冗余，提出了一种场景图语义编码器。"}, "mechanism": {"pages": [2], "zh": "受此启发，我们提出了一个面向任务的场景图为基础的语义通信系统与自适应信道编码执行图像检索任务。"}, "claim": {"pages": [1], "zh": "实验结果证明该系统在任务执行性能、信道变化鲁棒性、传输效率和计算复杂度等方面均优于其他通信系统。"}}, "method_summary": {"pages": [1, 2], "zh": "为了提高语义通信的可解释性和减少语义冗余，本文引入了场景图语义编码器，并在此基础上提出了一个面向任务的场景图语义通信系统。"}, "representation_summary": {"zh": "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：GRACE 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。", "pages": [2]}, "overhead_summary": {"pages": [11], "zh": "值得注意的是，为了在第V-C节中进行公平的性能比较，我们将ViT基准的符号数量设置为与没有SAC的GRACE相同。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果证明该系统在任务执行性能、信道变化鲁棒性、传输效率和计算复杂度等方面均优于其他通信系统。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_task-oriented-scene-graph-based-semantic-communications-with-adaptive-channel-coding_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2024_task-oriented-scene-graph-based-semantic-communications-with-adaptive-channel-coding_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ImageNet；实验小节中明确出现的比较对象包括BPG、LDPC、ViT、Transformer、QAM、SAC、BERT；指标包括latency、SSIM；信道/链路条件包括AWGN、Rician、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 GRACE：为了提高语义通信的可解释性和减少语义冗余，本文引入了场景图语义编码器，并在此基础上提出了一个面向任务的场景图语义通信系统。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3303232", "title": "Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI", "authors": "Dingzhu Wen; Peixi Liu; Guangxu Zhu; Yuanming Shi; Jie Xu; Yonina C. Eldar; Shuguang Cui", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "3", "pages": "2486-2502", "ieee_document_id": "10217150", "source_url": "https://doi.org/10.1109/twc.2023.3303232", "pdf": "papers/2024_Wen_Task_Oriented_Sensing_Computation_and_Communication_Integration_for_Multi_Device_Edge_AI.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "ISCC", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["accuracy", "latency", "throughput"], "channels": ["Rayleigh", "MIMO", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "研究了一种新的多设备边缘人工智能（AI）系统，该系统联合利用AI模型分割推理和集成感知与通信（ISAC），在网络边缘实现低延迟的智能服务。"}, "problem": {"pages": [1], "zh": "然而，由于鉴别增益的复杂形式和器件在信道增益、量化水平和生成的特征子集方面的异质性，这种集成的感测、计算和通信（ISCC）设计方法导致具有挑战性的非凸优化问题。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在该系统中，多个ISAC设备执行雷达感测以获得多视图数据，然后将所提取的特征的量化版本卸载到集中式边缘服务器，该边缘服务器基于级联的特征向量进行模型推理。"}, "mechanism": {"pages": [1], "zh": "在此基础上，提出了一种端到端的面向任务的资源管理方法，并将这三个过程进行了联合设计。"}, "claim": {"pages": [1], "zh": "最后，通过将人体运动识别作为一个具体的人工智能推理任务，通过大量的实验验证方案性能。"}}, "method_summary": {"pages": [1], "zh": "在该系统中，多台ISAC设备通过雷达感知获取多视角数据，并将提取的特征量化后卸载到集中式边缘服务器，由边缘服务器基于级联特征向量进行模型推理，然后将这三个过程集成到一个联合设计中，实现了一种面向任务的端到端资源管理方法。"}, "representation_summary": {"pages": [1], "zh": "在该系统中，多个ISAC设备执行雷达感测以获得多视图数据，然后将所提取的特征的量化版本卸载到集中式边缘服务器，该边缘服务器基于级联的特征向量进行模型推理。 独立判断：ISCC 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "最后，通过将人体运动识别作为一个具体的人工智能推理任务，通过大量的实验验证方案性能。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_task-oriented-sensing-computation-and-communication-integration-for-multi-device-edge-ai_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2024_task-oriented-sensing-computation-and-communication-integration-for-multi-device-edge-ai_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括accuracy、latency、throughput；信道/链路条件包括Rayleigh、MIMO、wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 ISCC：在该系统中，多台ISAC设备通过雷达感知获取多视角数据，并将提取的特征量化后卸载到集中式边缘服务器，由边缘服务器基于级联特征向量进行模型推理，然后将这三个过程集成到一个联合设计中，实现了一种面向任务的端到端资源管理方法。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3386052", "title": "Transformer-Aided Wireless Image Transmission With Channel Feedback", "authors": "Haotian Wu; Yulin Shao; Emre Ozfatura; Krystian Mikolajczyk; Deniz Gündüz", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "9", "pages": "11904-11919", "ieee_document_id": "10500305", "source_url": "https://doi.org/10.1109/twc.2024.3386052", "pdf": "papers/2024_Wu_Transformer_Aided_Wireless_Image_Transmission_With_Channel_Feedback.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "JSCCformer-f", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet", "CelebA", "Kodak"], "baselines": ["DeepJSCC", "BPG", "ViT", "Transformer", "JSCC"], "metrics": ["PSNR", "LPIPS", "mAP", "latency", "MSE", "PER"], "channels": ["AWGN"], "snr_conditions": ["SNR -2dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "本文提出了一种新的无线图像传输模式，称为JSCCformer-f。"}, "problem": {"pages": [1], "zh": "我们考虑一个块反馈信道模型，其中发送器在每个块之后接收无噪声/有噪声信道输出反馈。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种新的无线图像传输模式，称为JSCCformer-f。"}, "mechanism": {"pages": [1], "zh": "具体地，JSCCformer-f的统一编码器可以利用来自源图像的语义信息，并且从反馈信号中获取信道状态信息和解码器关于源图像的当前信念，以在每个块处生成编码符号。"}, "claim": {"pages": [1], "zh": "数值实验表明，JSCCformer-f格式具有良好的性能，对反馈链路中的噪声具有鲁棒性。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种新的无线图像传输模式，可以利用来自接收端的反馈，称为JSCCformer-f。具体地说，JSCCformer-f的统一编码器可以利用来自源图像的语义信息，并从反馈信号中获取信道状态信息和解码器的当前信念源图像生成编码符号在每个块。"}, "representation_summary": {"zh": "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：JSCCformer-f 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [1], "zh": "我们考虑一个块反馈信道模型，其中发送器在每个块之后接收无噪声/有噪声信道输出反馈。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "数值实验表明，JSCCformer-f格式具有良好的性能，对反馈链路中的噪声具有鲁棒性。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2024_transformer-aided-wireless-image-transmission-with-channel-feedback_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2024_transformer-aided-wireless-image-transmission-with-channel-feedback_result_p8.png", "caption": "Performance comparison of different models versus bandwidth ratio R in AWGN channel when SNR = 10 dB with noiseless feedback", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [1]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ImageNet、CelebA、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、BPG、ViT、Transformer、JSCC；指标包括PSNR、LPIPS、mAP、latency、MSE、PER；信道/链路条件包括AWGN；正文可定位的代表性工作点有SNR -2dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 JSCCformer-f：本文提出了一种新的无线图像传输模式，可以利用来自接收端的反馈，称为JSCCformer-f。具体地说，JSCCformer-f的统一编码器可以利用来自源图像的语义信息，并从反馈信号中获取信道状态信息和解码器的当前信念源图像生成编码符号在每个块。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [1]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [1]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3454073", "title": "UAV-Enabled Semantic Communication in Mobile Edge Computing Under Jamming Attacks: An Intelligent Resource Management Approach", "authors": "Shuai Liu; Helin Yang; Mengting Zheng; Liang Xiao; Zehui Xiong; Dusit Niyato", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "11", "pages": "17493-17507", "ieee_document_id": "10678860", "source_url": "https://doi.org/10.1109/twc.2024.3454073", "pdf": "papers/2024_Liu_UAV_Enabled_Semantic_Communication_in_Mobile_Edge_Computing_Under_Jamming_Attacks_An_Intelli.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "security", "method_name": "DRL", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "DDPG", "DQN", "TD3", "ETC"], "metrics": ["accuracy", "latency", "semantic similarity"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信与移动的边缘计算（MEC）的集成已经成为一个突出的研究领域。"}, "problem": {"pages": [1], "zh": "我们的研究集中在解决资源管理挑战，以最小化任务完成时间和最大化语义谱效率（SSE），同时遵守服务质量要求和资源约束。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对该问题的非凸性和干扰攻击的动态性，提出了一种深度强化学习（DRL）算法，该算法通过联合优化无人机航迹、用户关联和抗干扰信道选择来实现。"}, "mechanism": {"pages": [3], "zh": "具体来说，我们采用不同的DRL算法的无人机和用户的决策，旨在最大限度地提高系统的奖励在动态环境中。"}, "claim": {"pages": [1], "zh": "试验结果表明。在不同的实际环境下。所提方法在任务完成时间和总SSE上均优于基线算法。"}}, "method_summary": {"pages": [1, 3], "zh": "鉴于该问题的非凸性和干扰攻击的动态行为，本文提出了一种深度强化学习（DRL）算法，通过联合优化无人机轨迹、用户关联和信道选择来对抗干扰，具体而言，我们采用不同的DRL算法来进行无人机和用户的决策，旨在最大化动态环境中的系统回报。"}, "representation_summary": {"zh": "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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "试验结果表明。在不同的实际环境下。所提方法在任务完成时间和总SSE上均优于基线算法。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_uav-enabled-semantic-communication-in-mobile-edge-computing-under-jamming-attacks-an-intelligent-res_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2024_uav-enabled-semantic-communication-in-mobile-edge-computing-under-jamming-attacks-an-intelligent-res_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、DDPG、DQN、TD3、ETC；指标包括accuracy、latency、semantic similarity。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 3]}, "encoder": {"zh": "发送端采用 DRL：鉴于该问题的非凸性和干扰攻击的动态行为，本文提出了一种深度强化学习（DRL）算法，通过联合优化无人机轨迹、用户关联和信道选择来对抗干扰，具体而言，我们采用不同的DRL算法来进行无人机和用户的决策，旨在最大化动态环境中的系统回报。", "pages": [1, 3]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2023.3319442", "title": "xURLLC-Aware Service Provisioning in Vehicular Networks: A Semantic Communication Perspective", "authors": "Le Xia; Yao Sun; Dusit Niyato; Daquan Feng; Lei Feng; Muhammad Ali Imran", "year": 2024, "venue": "IEEE Transactions on Wireless Communications", "volume": "23", "issue": "5", "pages": "4475-4488", "ieee_document_id": "10271127", "source_url": "https://doi.org/10.1109/twc.2023.3319442", "pdf": "papers/2024_Xia_xURLLC_Aware_Service_Provisioning_in_Vehicular_Networks_A_Semantic_Communication_Perspective.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义信息度量与理论", "theme": "digital", "method_name": "SemCom", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["latency", "throughput", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为此，本文确定并共同解决了知识库构建（KBC）和车辆服务配对（VSP）这两个基本问题，这两个问题固有地存在于支持SemCom的车辆网络中，与下一代超可靠和低延迟通信（xURLLC）要求保持一致。"}, "problem": {"pages": [1], "zh": "这一趋势促使我们探索将SemCom应用于无线车载网络的潜力，这通常会消耗大量资源以满足严格的可靠性和延迟要求。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文确定并共同解决了知识库构建（KBC）和车辆服务配对（VSP）这两个基本问题，这两个问题固有地存在于支持SemCom的车辆网络中，与下一代超可靠和低延迟通信（xURLLC）要求保持一致。"}, "mechanism": {"pages": [1], "zh": "具体地说，我们首先推导出基于知识匹配的排队延迟特定的语义数据包，然后制定一个延迟最小化的问题受到几个KBC和VSP相关的可靠性约束。"}, "claim": {"pages": [1], "zh": "仿真结果表明，S4在平均排队延迟、语义数据包吞吐量、用户知识匹配度和知识偏好满意度等方面均优于两个基准测试。"}}, "method_summary": {"pages": [1], "zh": "针对下一代超可靠低延迟通信（xURLLC）的需求，提出并解决了支持SemCom的车载网络中存在的知识库构建（KBC）和车辆服务配对（VSP）两个基本问题，首先推导了基于知识匹配的语义数据包排队延迟，和VSP相关的可靠性约束条件下的等待时间最小化问题。"}, "representation_summary": {"zh": "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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，S4在平均排队延迟、语义数据包吞吐量、用户知识匹配度和知识偏好满意度等方面均优于两个基准测试。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2024_xurllc-aware-service-provisioning-in-vehicular-networks-a-semantic-communication-perspective_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2024_xurllc-aware-service-provisioning-in-vehicular-networks-a-semantic-communication-perspective_result_p10.png", "caption": "Average TSP of a VUE pair vs", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括latency、throughput、PER。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义信息度量与理论所需的抽象信源—任务—信道模型。", "pages": [1]}, "encoder": {"zh": "发送端采用 SemCom：针对下一代超可靠低延迟通信（xURLLC）的需求，提出并解决了支持SemCom的车载网络中存在的知识库构建（KBC）和车辆服务配对（VSP）两个基本问题，首先推导了基于知识匹配的语义数据包排队延迟，和VSP相关的可靠性约束条件下的等待时间最小化问题。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为界、度量或优化原则。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3520870", "title": "Adaptive Semantic Generation and NOMA-Based Interference-Aware Transmission for 6G Networks", "authors": "Yuna Yan; Lixin Li; Xin Zhang; Wensheng Lin; Wenchi Cheng; Zhu Han", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "3", "pages": "2404-2416", "ieee_document_id": "10818533", "source_url": "https://doi.org/10.1109/twc.2024.3520870", "pdf": "papers/2025_Yan_Adaptive_Semantic_Generation_and_NOMA_Based_Interference_Aware_Transmission_for_6G_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "SAFE", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet"], "baselines": ["JPEG", "LDPC", "Transformer", "QAM", "NOMA", "ETC"], "metrics": ["PSNR", "accuracy", "AoI", "throughput"], "channels": ["AWGN"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "现有的基于深度学习的语义通信（DeepSC）系统通常针对特定的单信道条件进行训练，这限制了对干扰的整体适应性和弹性。"}, "problem": {"pages": [1], "zh": "然而，这种静态方法有明显的缺点。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这个问题，我们提出了一个创新的语义自适应特征提取（SAFE）网络，动态生成和融合多个子语义，每个子语义的特点是独特的功能，可以定制不同的信道条件。"}, "mechanism": {"pages": [2], "zh": "在这项研究中，我们展示了语义自适应特征提取（SAFE）框架的能力，并验证了它的训练和优化各种给定的信道带宽的能力。"}, "claim": {"pages": [1], "zh": "通过大量的仿真实验，我们证明了该框架的能力，在不同的信道干扰的情况下自适应地生成和传输语义，并通过客观和主观的质量评估验证的有效性。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决这个问题，我们提出了一个创新的语义自适应特征提取（SAFE）网络，动态生成和融合多个子语义，每个子语义的特点是独特的功能，可以根据不同的信道条件。在这项研究中，我们展示了语义自适应特征提取（SAFE）框架的能力，并验证其能力，以训练和优化各种给定的信道带宽。"}, "representation_summary": {"zh": "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：SAFE 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 8], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 8]}, "experiment_result_summary": {"pages": [1], "zh": "通过大量的仿真实验，我们证明了该框架的能力，在不同的信道干扰的情况下自适应地生成和传输语义，并通过客观和主观的质量评估验证的有效性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_adaptive-semantic-generation-and-noma-based-interference-aware-transmission-for-6g-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2025_adaptive-semantic-generation-and-noma-based-interference-aware-transmission-for-6g-networks_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 8]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ImageNet；实验小节中明确出现的比较对象包括JPEG、LDPC、Transformer、QAM、NOMA、ETC；指标包括PSNR、accuracy、AoI、throughput；信道/链路条件包括AWGN。", "pages": [8]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SAFE：为了解决这个问题，我们提出了一个创新的语义自适应特征提取（SAFE）网络，动态生成和融合多个子语义，每个子语义的特点是独特的功能，可以根据不同的信道条件。在这项研究中，我们展示了语义自适应特征提取（SAFE）框架的能力，并验证其能力，以训练和优化各种给定的信道带宽。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 8]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 8]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3519325", "title": "Agent-Driven Generative Semantic Communication With Cross-Modality and Prediction", "authors": "Wanting Yang; Zehui Xiong; Yanli Yuan; Wenchao Jiang; Tony Q. S. Quek; Mérouane Debbah", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "3", "pages": "2233-2248", "ieee_document_id": "10815060", "source_url": "https://doi.org/10.1109/twc.2024.3519325", "pdf": "papers/2025_Yang_Agent_Driven_Generative_Semantic_Communication_With_Cross_Modality_and_Prediction.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "A-GSC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["HEVC"], "baselines": ["JPEG", "Transformer", "SAC", "H.265", "HEVC", "JSCC", "YOLO", "CLIP"], "metrics": ["PSNR", "SSIM", "LPIPS", "mAP", "accuracy", "latency", "energy efficiency", "MSE", "IoU", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "这两个研究分支都证明了在有限的资源情况下，在能效方面的令人满意的性能和改进。"}, "problem": {"pages": [1], "zh": "大量的数据量和频繁的更新在无线网络中提出了挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了克服上述缺陷，本文提出一种基于强化学习的Agent驱动的生成式语义通信（A-GSC）框架。"}, "mechanism": {"pages": [1], "zh": "现有的语义通信研究主要集中在语义抽取和语义采样两个方面，而我们将两者无缝地结合起来，综合考虑源信息的内在属性和任务的上下文信息。"}, "claim": {"pages": [1], "zh": "此外，利用UA-DETRAC数据集验证了所设计模型的有效性，表明了整体A-GSC框架在节能和重建精度方面的性能增益。"}}, "method_summary": {"pages": [1], "zh": "针对这些问题，本文提出了一种新的基于强化学习的Agent驱动的生成式语义通信（A-GSC）框架，与现有的语义通信研究（SemCom）相比，该框架将源信息的内在属性和任务的上下文信息无缝地结合起来，而现有的语义通信研究（SemCom）主要集中在语义抽取和语义采样两个方面。"}, "representation_summary": {"zh": "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：A-GSC 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。", "pages": [2]}, "overhead_summary": {"pages": [6], "zh": "因此，我们有l =（2 + 4 × 5）比特的扩散模型，用r表示。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "此外，利用UA-DETRAC数据集验证了所设计模型的有效性，表明了整体A-GSC框架在节能和重建精度方面的性能增益。"}, "assets": [{"kind": "method", "page": 5, "file": "assets/2025_agent-driven-generative-semantic-communication-with-cross-modality-and-prediction_method_p5.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_agent-driven-generative-semantic-communication-with-cross-modality-and-prediction_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为HEVC；实验小节中明确出现的比较对象包括JPEG、Transformer、SAC、H.265、HEVC、JSCC、YOLO、CLIP；指标包括PSNR、SSIM、LPIPS、mAP、accuracy、latency、energy efficiency、MSE、IoU、PER。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 A-GSC：针对这些问题，本文提出了一种新的基于强化学习的Agent驱动的生成式语义通信（A-GSC）框架，与现有的语义通信研究（SemCom）相比，该框架将源信息的内在属性和任务的上下文信息无缝地结合起来，而现有的语义通信研究（SemCom）主要集中在语义抽取和语义采样两个方面。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3512652", "title": "Alternate Learning-Based SNR-Adaptive Sparse Semantic Visual Transmission", "authors": "Siyu Tong; Xiaoxue Yu; Rongpeng Li; Kun Lu; Zhifeng Zhao; Honggang Zhang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "2", "pages": "1737-1752", "ieee_document_id": "10801200", "source_url": "https://doi.org/10.1109/twc.2024.3512652", "pdf": "papers/2025_Tong_Alternate_Learning_Based_SNR_Adaptive_Sparse_Semantic_Visual_Transmission.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "SemCom", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["DIV2K", "HEVC"], "baselines": ["DeepJSCC", "WITT", "JPEG", "BPG", "LDPC", "Transformer", "QAM", "PPO", "HEVC", "JSCC", "SwinJSCC", "BERT"], "metrics": ["PSNR", "SSIM", "FID", "accuracy", "semantic similarity", "MSE"], "channels": ["AWGN", "MIMO", "wireless channel"], "snr_conditions": ["SNR = 10 dB", "SNR of 29.57 dB"], "ber_conditions": [], "rate_conditions": ["CBR = 0.1"], "motivation": {"progress": {"pages": [1], "zh": "值得注意的是，SemCom专注于通信传输中的语义而非比特纠错，这推动了近年来人工智能（AI）技术在通信中的应用。"}, "problem": {"pages": [1], "zh": "相反，交替学习的发射机（TX）和接收机（RX），它分离的学习过程中的JSCC结构，可以更有能力来应对这一挑战，在视觉传输。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对信道不可微的问题，提出了一种基于交替学习的具有信噪比自适应能力的稀疏SemCom系统，称为SparseSBC-SADM。"}, "mechanism": {"pages": [2], "zh": "在本文中，我们提出了SparseSBC-SADM，交替学习为基础的稀疏SemCom框架的视觉传输。"}, "claim": {"pages": [1], "zh": "大量仿真结果表明，SparseSBC-SADM在各种信道条件下均表现出高效的传输性能，优于典型的SemCom方案。"}}, "method_summary": {"pages": [1, 2], "zh": "针对信道不可微的问题，提出了一种基于交替学习的稀疏SemCom系统，该系统具有信噪比自适应的视觉传输能力，命名为SparseSBC-SADM。"}, "representation_summary": {"pages": [1], "zh": "此外，基于DNN的TX通过在对语义准确度的最小有害影响的基础上组合压缩感知（CS）和DNN来进一步并入二进制量化模块，从而在推导出的“语义基”中生成稀疏的比特集。 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "大量仿真结果表明，SparseSBC-SADM在各种信道条件下均表现出高效的传输性能，优于典型的SemCom方案。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_alternate-learning-based-snr-adaptive-sparse-semantic-visual-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2025_alternate-learning-based-snr-adaptive-sparse-semantic-visual-transmission_result_p10.png", "caption": "Performance comparison of SparseSBC-SADM with “BPG+LDPC”, JSCC and MLSC in terms of PSNR, SSIM and FID in AWGN channel of the Cifar-10 dataset", "number": "Fig. 6"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 10]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为DIV2K、HEVC；实验小节中明确出现的比较对象包括DeepJSCC、WITT、JPEG、BPG、LDPC、Transformer、QAM、PPO、HEVC、JSCC、SwinJSCC、BERT；指标包括PSNR、SSIM、FID、accuracy、semantic similarity、MSE；信道/链路条件包括AWGN、MIMO、wireless channel；正文可定位的代表性工作点有SNR = 10 dB、SNR of 29.57 dB、CBR = 0.1。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SemCom：针对信道不可微的问题，提出了一种基于交替学习的稀疏SemCom系统，该系统具有信噪比自适应的视觉传输能力，命名为SparseSBC-SADM。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3523517", "title": "Computation-Aware Offloading for DNN Inference Tasks in Semantic Communication Assisted MEC Systems", "authors": "Guangyuan Zheng; Miaowen Wen; Zhaolong Ning; Zhiguo Ding", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "4", "pages": "2693-2706", "ieee_document_id": "10832517", "source_url": "https://doi.org/10.1109/twc.2024.3523517", "pdf": "papers/2025_Zheng_Computation_Aware_Offloading_for_DNN_Inference_Tasks_in_Semantic_Communication_Assisted_MEC.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "resource", "method_name": "SCs", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "NOMA", "ResNet", "BERT"], "metrics": ["accuracy", "latency", "energy efficiency"], "channels": ["Rayleigh", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为此，许多最近的工作已经采用了最新的无线传输技术来提高卸载效率。"}, "problem": {"pages": [1], "zh": "然而，由于其计算能力和电池容量的限制，许多移动的设备，例如物联网传感器和机器，无法通过本地处理器执行实时推理任务。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，许多最近的工作已经采用了最新的无线传输技术来提高卸载效率。"}, "mechanism": {"pages": [1], "zh": "针对不同的DNN任务，建立了压缩比与计算比之间的关系。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与传统的计算卸载和完全卸载算法相比，本文提出的基于SC的计算卸载算法能够显著降低用户的能量消耗，尤其是在无线资源稀缺的情况下。"}}, "method_summary": {"pages": [1], "zh": "为此，近年来许多工作都采用了最先进的无线传输技术来提高卸载效率。具体地，我们建立了不同DNN任务的压缩比和计算比之间的关系。"}, "representation_summary": {"zh": "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：SCs 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 3]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与传统的计算卸载和完全卸载算法相比，本文提出的基于SC的计算卸载算法能够显著降低用户的能量消耗，尤其是在无线资源稀缺的情况下。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_computation-aware-offloading-for-dnn-inference-tasks-in-semantic-communication-assisted-mec-systems_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2025_computation-aware-offloading-for-dnn-inference-tasks-in-semantic-communication-assisted-mec-systems_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 3]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、NOMA、ResNet、BERT；指标包括accuracy、latency、energy efficiency；信道/链路条件包括Rayleigh、wireless channel。", "pages": [3]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 SCs：为此，近年来许多工作都采用了最先进的无线传输技术来提高卸载效率。具体地，我们建立了不同DNN任务的压缩比和计算比之间的关系。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 3]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 3]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3554442", "title": "Diff-GO+: An Efficient Diffusion Goal-Oriented Communication System With Local Feedback", "authors": "Achintha Wijesinghe; Songyang Zhang; Suchinthaka Wanninayaka; Weiwei Wang; Zhi Ding", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "8", "pages": "6535-6550", "ieee_document_id": "10947303", "source_url": "https://doi.org/10.1109/twc.2025.3554442", "pdf": "papers/2025_Wijesinghe_Diff_GO_An_Efficient_Diffusion_Goal_Oriented_Communication_System_With_Local_Feedback.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "generative", "method_name": "Diff-GO+", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": [], "baselines": ["JPEG", "WebP", "VQ-VAE", "VAE", "FEC"], "metrics": ["LPIPS", "FID", "mAP", "PER"], "channels": ["erasure channel", "packet loss"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "面向目标的通信（Goal-oriented communication，GO-COM）近年来成为现代通信中的一个重要概念，其部分原因在于边缘网络和物联网（Internet-of-Things，IoT）系统对高带宽效率的无止境需求。"}, "problem": {"pages": [1], "zh": "然而，存在这样的应用，其中作为比特恢复的信息对于在接收机端完成任务/目标是不必要的。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了充分利用GO-COM中新兴的生成式人工智能（AI）模型的优势，本文提出了一种基于扩散模型的超高效GO-COM设计。"}, "mechanism": {"pages": [1], "zh": "具体地，我们将关键信息嵌入语义条件中，并结合字典学习来推导用于在发射机处的前向扩散的噪声码本，利用该噪声码本，相应的接收机模型通过去噪来再生消息。"}, "claim": {"pages": [1], "zh": "具体而言，我们的Diff-GO+可以实现Cityscape数据集98%的图像传输压缩率。"}}, "method_summary": {"pages": [1], "zh": "为了充分利用GO-COM中新兴的生成式人工智能（AI）模型的优势，本文提出了一种基于扩散模型的超高效GO-COM设计。具体地说，我们将关键信息嵌入语义条件中，并结合字典学习来推导发送端用于前向扩散的噪声码本，利用该噪声码本，相应的接收端模型通过去噪来再生消息。"}, "representation_summary": {"pages": [1], "zh": "具体地，我们将关键信息嵌入语义条件中，并结合字典学习来推导用于在发射机处的前向扩散的噪声码本，利用该噪声码本，相应的接收机模型通过去噪来再生消息。 独立判断：Diff-GO+ 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "为了减轻信道噪声对丢包率的影响，我们采用了传统的交织技术，将擦除损失分布在多个数据包上。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "具体而言，我们的Diff-GO+可以实现Cityscape数据集98%的图像传输压缩率。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_diff-go-an-efficient-diffusion-goal-oriented-communication-system-with-local-feedback_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_diff-go-an-efficient-diffusion-goal-oriented-communication-system-with-local-feedback_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [10]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括JPEG、WebP、VQ-VAE、VAE、FEC；指标包括LPIPS、FID、mAP、PER；信道/链路条件包括erasure channel、packet loss。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 Diff-GO+：为了充分利用GO-COM中新兴的生成式人工智能（AI）模型的优势，本文提出了一种基于扩散模型的超高效GO-COM设计。具体地说，我们将关键信息嵌入语义条件中，并结合字典学习来推导发送端用于前向扩散的噪声码本，利用该噪声码本，相应的接收端模型通过去噪来再生消息。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [10]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3553851", "title": "Diffusion-Driven Semantic Communication for Generative Models With Bandwidth Constraints", "authors": "Lei Guo; Wei Chen; Yuxuan Sun; Bo Ai; Nikolaos Pappas; Tony Q. S. Quek", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "8", "pages": "6490-6503", "ieee_document_id": "10945983", "source_url": "https://doi.org/10.1109/twc.2025.3553851", "pdf": "papers/2025_Guo_Diffusion_Driven_Semantic_Communication_for_Generative_Models_With_Bandwidth_Constraints.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "AIGC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepJSCC", "VAE", "JSCC", "CLIP"], "metrics": ["PSNR", "SSIM", "LPIPS", "FID", "mAP", "semantic similarity", "MSE"], "channels": ["AWGN", "Rayleigh", "MIMO", "wireless channel"], "snr_conditions": ["SNR = 0 dB", "SNR = 12 dB", "under 10 dB SNR"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，扩散模型由于其更优的生成能力，在人工智能生成内容（AI-generated content，AIGC）中得到了广泛的应用。"}, "problem": {"pages": [1], "zh": "然而，现有的基于扩散的生成模型没有考虑严格的带宽限制，从而限制了其在无线通信中的应用。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对带宽受限的生成式模型，提出了一种基于扩散驱动的语义通信框架，该框架采用基于VAE的高级压缩技术。"}, "mechanism": {"pages": [2], "zh": "本文提出了一种在扩散模型中通过前向处理将接收信号变换为高斯分布特征的方法，并将不同的信噪比映射到不同的扩散步长T上。"}, "claim": {"pages": [1], "zh": "实验结果表明，该算法在峰值信噪比（PSNR）等像素级度量指标和学习感知图像块相似度（LPIPS）等语义度量指标上都有了显著的改善。"}}, "method_summary": {"pages": [1, 2], "zh": "针对带宽受限的生成模型，提出了一种基于扩散驱动的语义通信框架，该框架采用先进的基于VAE的压缩技术，通过扩散模型中的前向处理将接收信号转换为高斯分布特征，并将不同的信噪比映射到不同的扩散步长T。"}, "representation_summary": {"zh": "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：AIGC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 8], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 8]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，该算法在峰值信噪比（PSNR）等像素级度量指标和学习感知图像块相似度（LPIPS）等语义度量指标上都有了显著的改善。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_diffusion-driven-semantic-communication-for-generative-models-with-bandwidth-constraints_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_diffusion-driven-semantic-communication-for-generative-models-with-bandwidth-constraints_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 8]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepJSCC、VAE、JSCC、CLIP；指标包括PSNR、SSIM、LPIPS、FID、mAP、semantic similarity、MSE；信道/链路条件包括AWGN、Rayleigh、MIMO、wireless channel；正文可定位的代表性工作点有SNR = 0 dB、SNR = 12 dB、under 10 dB SNR。", "pages": [8]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 AIGC：针对带宽受限的生成模型，提出了一种基于扩散驱动的语义通信框架，该框架采用先进的基于VAE的压缩技术，通过扩散模型中的前向处理将接收信号转换为高斯分布特征，并将不同的信噪比映射到不同的扩散步长T。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 8]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 8]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3518399", "title": "Dynamic Semantic Compression for CNN Inference in Multi-Access Edge Computing: A Graph Reinforcement Learning-Based Autoencoder", "authors": "Nan Li; Alexandros Iosifidis; Qi Zhang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "3", "pages": "2157-2172", "ieee_document_id": "10812766", "source_url": "https://doi.org/10.1109/twc.2024.3518399", "pdf": "papers/2025_Li_Dynamic_Semantic_Compression_for_CNN_Inference_in_Multi_Access_Edge_Computing_A_Graph_Reinfo.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "task", "method_name": "AECNN", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepJSCC", "JSCC", "ResNet"], "metrics": ["mAP", "accuracy", "latency", "throughput"], "channels": ["Rayleigh", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "研究了动态多接入边缘计算（MEC）网络中CNN推理的计算卸载问题。"}, "problem": {"pages": [1], "zh": "然而，物联网设备上有限的计算资源和有限的带宽给执行本地计算带来了巨大挑战，尤其是对于需要大量乘累加运算的计算密集型卷积神经网络（CNN）推理任务。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对通信时间和边缘服务器可用容量的不确定性，提出了一种新的语义压缩方法--基于自动编码器的CNN结构（AECNN），用于在部分卸载的情况下进行有效的语义提取和压缩。"}, "mechanism": {"pages": [1], "zh": "为了有效地权衡通信、计算和推理准确性，我们设计了一个奖励函数，并将CNN推理的卸载问题表述为一个最大化问题，目标是最大化长期的平均推理准确性和吞吐量。"}, "claim": {"pages": [1], "zh": "针对该问题，提出了一种基于图强化学习的AECNN（GRL-AECNN）算法，在不同的动态场景下，其性能均优于已有的DROO-AECNN、GRL-BottleNet++和GRL-DeepJSCC算法。"}}, "method_summary": {"pages": [1], "zh": "针对通信时间和边缘服务器可用容量的不确定性，提出了一种新的语义压缩方法--基于自动编码器的CNN体系结构（AECNN），用于在部分卸载中有效地进行语义提取和压缩，我们设计了一个奖励函数，并将CNN推理的卸载问题表述为一个最大化问题，其目标是在长时间内最大化平均推理精度和吞吐量term。"}, "representation_summary": {"zh": "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：AECNN 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。", "pages": [2]}, "overhead_summary": {"pages": [4], "zh": "因此，我们使用ηu，m来表示当采用压缩比m时，由IoT设备u在时隙k生成的任务所达到的推理精度。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "针对该问题，提出了一种基于图强化学习的AECNN（GRL-AECNN）算法，在不同的动态场景下，其性能均优于已有的DROO-AECNN、GRL-BottleNet++和GRL-DeepJSCC算法。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_dynamic-semantic-compression-for-cnn-inference-in-multi-access-edge-computing-a-graph-reinforcement_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_dynamic-semantic-compression-for-cnn-inference-in-multi-access-edge-computing-a-graph-reinforcement_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 10]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepJSCC、JSCC、ResNet；指标包括mAP、accuracy、latency、throughput；信道/链路条件包括Rayleigh、wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 AECNN：针对通信时间和边缘服务器可用容量的不确定性，提出了一种新的语义压缩方法--基于自动编码器的CNN体系结构（AECNN），用于在部分卸载中有效地进行语义提取和压缩，我们设计了一个奖励函数，并将CNN推理的卸载问题表述为一个最大化问题，其目标是在长时间内最大化平均推理精度和吞吐量term。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 10]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3569102", "title": "Energy-Efficient Probabilistic Semantic Communication Over Space-Air-Ground Integrated Networks", "authors": "Zhouxiang Zhao; Zhaohui Yang; Mingzhe Chen; Chen Zhu; Wei Xu; Zhaoyang Zhang; Kaibin Huang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "10", "pages": "8814-8829", "ieee_document_id": "11006980", "source_url": "https://doi.org/10.1109/twc.2025.3569102", "pdf": "papers/2025_Zhao_Energy_Efficient_Probabilistic_Semantic_Communication_Over_Space_Air_Ground_Integrated_Netwo.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "multiuser", "method_name": "SAGINs", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NOMA", "RSMA", "OFDM", "BERT", "ETC"], "metrics": ["latency", "energy efficiency"], "channels": ["OFDM"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "本文研究了支持SAGIN的概率语义通信（PSCom）系统的能量效率问题。"}, "problem": {"pages": [1], "zh": "尽管SAGIN有着巨大的潜力，但在SAGIN中进行通信和计算的联合设计仍然是一项艰巨的挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这一非凸非光滑问题，提出了一种迭代算法，在每次迭代中得到计算能力分配和无人机高度的闭合解。"}, "mechanism": {"pages": [1], "zh": "该联合通信与计算问题是在时延、功耗、计算能力、带宽、语义压缩比和无人机位置等约束条件下，以网络的通信与计算总能耗最小为目标的优化问题。"}, "claim": {"pages": [1], "zh": "数值结果证明了算法的实际有效性.;"}}, "method_summary": {"pages": [1], "zh": "针对这一非凸非光滑问题，提出了一种迭代算法，每次迭代都能得到计算能力分配和无人机高度的闭合解，将联合通信和计算问题描述为一个优化问题，目标是在时延、功耗、计算能力、带宽、语义压缩比和UAV位置约束。"}, "representation_summary": {"zh": "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：SAGINs 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。", "pages": [2]}, "overhead_summary": {"pages": [4], "zh": "从等式（3）中，我们观察到由Ok（ρk）表示的GT k的计算开销表现为关于其语义压缩比ρk的分段函数。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "数值结果证明了算法的实际有效性.;"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_energy-efficient-probabilistic-semantic-communication-over-space-air-ground-integrated-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2025_energy-efficient-probabilistic-semantic-communication-over-space-air-ground-integrated-networks_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NOMA、RSMA、OFDM、BERT、ETC；指标包括latency、energy efficiency；信道/链路条件包括OFDM。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 SAGINs：针对这一非凸非光滑问题，提出了一种迭代算法，每次迭代都能得到计算能力分配和无人机高度的闭合解，将联合通信和计算问题描述为一个优化问题，目标是在时延、功耗、计算能力、带宽、语义压缩比和UAV位置约束。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3569320", "title": "Feature Allocation for Semantic Communication With Space-Time Importance Awareness", "authors": "Kequan Zhou; Guangyi Zhang; Yunlong Cai; Qiyu Hu; Guanding Yu; A. Lee Swindlehurst", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "10", "pages": "8847-8862", "ieee_document_id": "11008477", "source_url": "https://doi.org/10.1109/twc.2025.3569320", "pdf": "papers/2025_Zhou_Feature_Allocation_for_Semantic_Communication_With_Space_Time_Importance_Awareness.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "jscc", "method_name": "FAST", "communication_layer": "联合信源信道编码（JSCC）", "layer_explanation": "在同一系统中共同设计压缩、语义保真和抗信道噪声机制。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "ImageNet", "Kodak"], "baselines": ["DeepJSCC", "Transformer", "ADJSCC", "JSCC", "Polar"], "metrics": ["PSNR", "SSIM", "accuracy", "MSE"], "channels": ["Rayleigh", "MIMO", "wireless channel"], "snr_conditions": ["SNR = 13 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在语义通信领域，编码特征的重要性可能会有所不同，而无线信道在不同域中的多个子信道上表现出波动。"}, "problem": {"pages": [1], "zh": "然而，传统的通信系统在满足这些要求方面遇到了瓶颈，促使范式转变接收日期2023年12月20日;修订日期2024年8月15日和11月23日当前版本2025年10月14日。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了应对这一挑战，我们引入了一个框架，称为语义传输的特征分配（FAST），它提供了跨空间和时间域的信道波动的适应性。"}, "mechanism": {"pages": [2], "zh": "在这种情况下，我们考虑SISO系统，并在接收机处执行信道预测以估计未来的CSI，该CSI随后被反馈到发射机。"}, "claim": {"pages": [1], "zh": "仿真结果表明，该方法显著提高了语义通信系统在图像传输中的性能。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决这一问题，我们引入了一种称为语义传输的特征分配（FAST）的框架，该框架提供了跨空间和时间域的信道波动的自适应性。"}, "representation_summary": {"zh": "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：FAST 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。", "pages": [2]}, "overhead_summary": {"pages": [8], "zh": "在多天线的情况下，训练带宽比R被设置为1/8，并且在从0到25 dB的SNR值处评估性能。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，该方法显著提高了语义通信系统在图像传输中的性能。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_feature-allocation-for-semantic-communication-with-space-time-importance-awareness_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2025_feature-allocation-for-semantic-communication-with-space-time-importance-awareness_result_p9.png", "caption": "These observations suggest that the importance evaluator can effectively learn the importance distribution of the semantic features", "number": "Fig. 6"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、ImageNet、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、Transformer、ADJSCC、JSCC、Polar；指标包括PSNR、SSIM、accuracy、MSE；信道/链路条件包括Rayleigh、MIMO、wireless channel；正文可定位的代表性工作点有SNR = 13 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 FAST：为了解决这一问题，我们引入了一种称为语义传输的特征分配（FAST）的框架，该框架提供了跨空间和时间域的信道波动的自适应性。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3495720", "title": "IRS-Enhanced Secure Semantic Communication Networks: Cross-Layer and Context-Awared Resource Allocation", "authors": "Lingyi Wang; Wei Wu; Fuhui Zhou; Zhijin Qin; Qihui Wu", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "1", "pages": "494-508", "ieee_document_id": "10758370", "source_url": "https://doi.org/10.1109/twc.2024.3495720", "pdf": "papers/2025_Wang_IRS_Enhanced_Secure_Semantic_Communication_Networks_Cross_Layer_and_Context_Awared_Resource.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "security", "method_name": "NdeHDRL", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["ImageNet"], "baselines": ["JPEG2000", "BPG", "Turbo", "VQ-VAE", "VAE", "QAM", "NOMA", "DQN", "SAC", "JPEG", "OFDM", "TD3"], "metrics": ["SSIM", "MS-SSIM", "LPIPS", "latency", "energy efficiency", "MSE"], "channels": ["Rayleigh", "Rician", "MIMO", "OFDM", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "面向学习任务的语义通信是优化信息传输效率的关键，它通过提取和传递针对特定任务（如图像重建和分类）的基本语义来实现。"}, "problem": {"pages": [1], "zh": "但是，无线信道的开放性带来了语义窃听的挑战，导致严重的任务暴露和隐私泄露。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为实现人工智能（AI）-原生安全通信，提出了一种基于噪声干扰增强的混合深度强化学习（NdeHDRL）的资源分配方案。"}, "mechanism": {"pages": [1], "zh": "具体地说，采用多层码本对连续语义特征进行离散化，用不同比特数描述语义，满足了分层语义表示的需要，进一步提高了传输效率。"}, "claim": {"pages": [1], "zh": "仿真结果表明：同几个基准方案相比，提出的方案在安全性能和S-SSE上都有显著的提高。"}}, "method_summary": {"pages": [1], "zh": "为了实现人工智能（AI）-原生安全通信，提出了一种基于噪声干扰增强的混合深度强化学习（NdeHDRL）的资源分配方案，该方案利用多层码本离散化连续语义特征，用不同比特数描述语义，满足了语义分层表示的需要，进一步提高了传输效率。"}, "representation_summary": {"pages": [1], "zh": "具体地说，采用多层码本对连续语义特征进行离散化，用不同比特数描述语义，满足了分层语义表示的需要，进一步提高了传输效率。 独立判断：NdeHDRL 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明：同几个基准方案相比，提出的方案在安全性能和S-SSE上都有显著的提高。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_irs-enhanced-secure-semantic-communication-networks-cross-layer-and-context-awared-resource-allocati_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2025_irs-enhanced-secure-semantic-communication-networks-cross-layer-and-context-awared-resource-allocati_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 9]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为ImageNet；实验小节中明确出现的比较对象包括JPEG2000、BPG、Turbo、VQ-VAE、VAE、QAM、NOMA、DQN、SAC、JPEG、OFDM、TD3；指标包括SSIM、MS-SSIM、LPIPS、latency、energy efficiency、MSE；信道/链路条件包括Rayleigh、Rician、MIMO、OFDM、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 NdeHDRL：为了实现人工智能（AI）-原生安全通信，提出了一种基于噪声干扰增强的混合深度强化学习（NdeHDRL）的资源分配方案，该方案利用多层码本离散化连续语义特征，用不同比特数描述语义，满足了语义分层表示的需要，进一步提高了传输效率。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3568870", "title": "Joint Semantic Transmission and Resource Allocation for Intelligent Computation Task Offloading in MEC Systems", "authors": "Yuanpeng Zheng; Tiankui Zhang; Xidong Mu; Yuanwei Liu; Rong Huang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "10", "pages": "8756-8770", "ieee_document_id": "11006947", "source_url": "https://doi.org/10.1109/twc.2025.3568870", "pdf": "papers/2025_Zheng_Joint_Semantic_Transmission_and_Resource_Allocation_for_Intelligent_Computation_Task_Offload.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "BCD", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10"], "baselines": ["DeepJSCC", "JSCC", "OFDM"], "metrics": ["mAP", "accuracy", "latency"], "channels": ["OFDM"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "移动的边缘计算（MEC）通过在终端用户附近提供计算和存储资源，支持提供高可靠性和低延迟的应用。"}, "problem": {"pages": [1], "zh": "为了解决这一问题，提出了一种面向多基站和多终端的MEC系统，该系统充分利用了语义传输和推理的早期退出。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这一问题，提出了一种面向多基站和多终端的MEC系统，该系统充分利用了语义传输和推理的早期退出。"}, "mechanism": {"pages": [1], "zh": "移动的边缘计算（MEC）通过在终端用户附近提供计算和存储资源，支持提供高可靠性和低延迟的应用。"}, "claim": {"pages": [1], "zh": "我们的模拟表明：1）与基准测试相比，所提算法显著改善了MEC系统的时延性能; 2）传输模式的设计和推理的提前退出大大提高了卸载过程中的系统奖励; 3）从系统奖励的角度出发，所提系统在智能场景下实现了资源的高效利用。"}}, "method_summary": {"pages": [1], "zh": "为了解决这一问题，提出了一种面向多基站和多终端的移动的边缘计算（MEC）系统，该系统利用语义传输和推理的早期退出机制，通过在用户附近提供计算和存储资源，提供高可靠性和低延迟的应用。"}, "representation_summary": {"zh": "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：BCD 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "我们的模拟表明：1）与基准测试相比，所提算法显著改善了MEC系统的时延性能; 2）传输模式的设计和推理的提前退出大大提高了卸载过程中的系统奖励; 3）从系统奖励的角度出发，所提系统在智能场景下实现了资源的高效利用。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_joint-semantic-transmission-and-resource-allocation-for-intelligent-computation-task-offloading-in-m_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2025_joint-semantic-transmission-and-resource-allocation-for-intelligent-computation-task-offloading-in-m_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括DeepJSCC、JSCC、OFDM；指标包括mAP、accuracy、latency；信道/链路条件包括OFDM。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 BCD：为了解决这一问题，提出了一种面向多基站和多终端的移动的边缘计算（MEC）系统，该系统利用语义传输和推理的早期退出机制，通过在用户附近提供计算和存储资源，提供高可靠性和低延迟的应用。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3535714", "title": "Latent Diffusion Model-Enabled Low-Latency Semantic Communication in the Presence of Semantic Ambiguities and Wireless Channel Noises", "authors": "Jianhua Pei; Cheng Feng; Ping Wang; Hina Tabassum; Dongyuan Shi", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "5", "pages": "4055-4072", "ieee_document_id": "10896580", "source_url": "https://doi.org/10.1109/twc.2025.3535714", "pdf": "papers/2025_Pei_Latent_Diffusion_Model_Enabled_Low_Latency_Semantic_Communication_in_the_Presence_of_Semanti.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "SemCom", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["MNIST", "Fashion-MNIST", "DIV2K"], "baselines": ["JPEG2000", "JPEG", "BPG", "LDPC", "VAE", "GAN", "QAM", "JSCC", "Swift"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "mAP", "accuracy", "latency", "MSE", "PER"], "channels": ["AWGN", "Rayleigh", "Rician", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["SNR of 20 dB", "SNR of 10 dB", "under 10 dB SNR"], "ber_conditions": [], "rate_conditions": ["CBR of 0.02"], "motivation": {"progress": {"pages": [1], "zh": "基于深度学习（DL）的语义通信（SemCom）对于最大限度地提高通信网络的整体效率正变得至关重要。"}, "problem": {"pages": [1], "zh": "然而，SemCom对无线信道的不确定性、源异常值敏感，并且存在较差的推广瓶颈。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "然而，SemCom对无线信道的不确定性、源异常值敏感，并且存在较差的推广瓶颈。"}, "mechanism": {"pages": [2], "zh": "为了解决这些问题，提出了一种综合框架，通过利用LDM的功能，同时考虑语义歧义和信道缺陷的影响，来增强低延迟SemCom。"}, "claim": {"pages": [18], "zh": "他的研究兴趣包括电力系统数据质量改进、电力系统网络安全和通信的人工智能应用。"}}, "method_summary": {"pages": [1, 2], "zh": "然而，SemCom对无线信道的不确定性、源异常值和泛化能力较差的瓶颈问题非常敏感，针对这些问题，本文提出了一个综合框架，通过利用LDM的能力，同时考虑语义歧义和信道缺陷的影响，来增强低延迟SemCom。"}, "representation_summary": {"zh": "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。", "pages": [2]}, "overhead_summary": {"pages": [11], "zh": "具体而言，CBR固定在约0.02，试验CSI条件根据第V-A小节变化。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2]}, "experiment_result_summary": {"pages": [18], "zh": "他的研究兴趣包括电力系统数据质量改进、电力系统网络安全和通信的人工智能应用。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_latent-diffusion-model-enabled-low-latency-semantic-communication-in-the-presence-of-semantic-ambigu_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2025_latent-diffusion-model-enabled-low-latency-semantic-communication-in-the-presence-of-semantic-ambigu_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为MNIST、Fashion-MNIST、DIV2K；实验小节中明确出现的比较对象包括JPEG2000、JPEG、BPG、LDPC、VAE、GAN、QAM、JSCC、Swift；指标包括PSNR、SSIM、MS-SSIM、LPIPS、mAP、accuracy、latency、MSE、PER；信道/链路条件包括AWGN、Rayleigh、Rician、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR of 20 dB、SNR of 10 dB、under 10 dB SNR、CBR of 0.02。", "pages": [2]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SemCom：然而，SemCom对无线信道的不确定性、源异常值和泛化能力较差的瓶颈问题非常敏感，针对这些问题，本文提出了一个综合框架，通过利用LDM的能力，同时考虑语义歧义和信道缺陷的影响，来增强低延迟SemCom。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [18]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3552809", "title": "Lyapunov-Guided Deep Reinforcement Learning for Semantic-Aware AoI Minimization in UAV-Assisted Wireless Networks", "authors": "Yusi Long; Shimin Gong; Sumei Sun; Gary C. F. Lee; Lanhua Li; Dusit Niyato", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "8", "pages": "6351-6364", "ieee_document_id": "10943268", "source_url": "https://doi.org/10.1109/twc.2025.3552809", "pdf": "papers/2025_Long_Lyapunov_Guided_Deep_Reinforcement_Learning_for_Semantic_Aware_AoI_Minimization_in_UAV_Assis.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "SAoI", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["PPO", "CLIP"], "metrics": ["AoI", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "研究了无人机（UAV）辅助的语义网络，地面用户（GU）周期性地捕获感知信息，并通过UAV中继将其上传到基站（BS）。"}, "problem": {"pages": [1], "zh": "然而，无人机的移动性导致信道条件的动态和不稳定。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种新的语义感知的信息年龄（SAoI）度量方法，该度量方法能够同时捕获信息的新鲜度和语义重要性，并通过联合优化UAV-GU关联、语义提取和无人机轨迹，提出了一个时间平均的SAoI最小化问题。"}, "mechanism": {"pages": [1], "zh": "本文提出了一种新的语义感知的信息年龄（SAoI）度量方法，该度量方法能够同时捕获信息的新鲜度和语义重要性，并通过联合优化UAV-GU关联、语义提取和无人机轨迹，提出了一个时间平均的SAoI最小化问题。"}, "claim": {"pages": [1], "zh": "此外，它通过语义提取实现了较低的AoI，同时确保了原始信息的最小损失，优于现有的基线。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种新的语义感知的信息年龄（SAoI）度量方法，该度量方法能够同时反映信息的新鲜度和语义重要性，并通过联合优化UAV-GU关联、语义提取以及UAV的轨迹规划，以最小化UAV辅助的无线网络中的所有GU的时间平均语义感知AoI（SAoI），所述UAV辅助的无线网络包括BS、多个UAV和大量GU。"}, "representation_summary": {"zh": "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：SAoI 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "此外，它通过语义提取实现了较低的AoI，同时确保了原始信息的最小损失，优于现有的基线。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_lyapunov-guided-deep-reinforcement-learning-for-semantic-aware-aoi-minimization-in-uav-assisted-wire_method_p3.png", "caption": "The sets of the GUs and the UAVs are denoted as K , {1, 2,", "number": "Fig. 1"}, {"kind": "result", "page": 7, "file": "assets/2025_lyapunov-guided-deep-reinforcement-learning-for-semantic-aware-aoi-minimization-in-uav-assisted-wire_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括PPO、CLIP；指标包括AoI、PER。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SAoI：本文提出了一种新的语义感知的信息年龄（SAoI）度量方法，该度量方法能够同时反映信息的新鲜度和语义重要性，并通过联合优化UAV-GU关联、语义提取以及UAV的轨迹规划，以最小化UAV辅助的无线网络中的所有GU的时间平均语义感知AoI（SAoI），所述UAV辅助的无线网络包括BS、多个UAV和大量GU。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3552255", "title": "Multi-Scale Semantic Communication for Object Detection: Single and Cross-Domain Scenarios", "authors": "Jie Guo; Hang Yin; Bin Song; Yuhao Chi; Zhaoyang Zhang; Chau Yuen; Dusit Niyato", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "7", "pages": "6195-6210", "ieee_document_id": "10944429", "source_url": "https://doi.org/10.1109/twc.2025.3552255", "pdf": "papers/2025_Guo_Multi_Scale_Semantic_Communication_for_Object_Detection_Single_and_Cross_Domain_Scenarios.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "task", "method_name": "Multi-Scale Semantic Communication for Object Detection: Single and Cross-Domain Scenarios", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet", "Cityscapes", "BDD100K"], "baselines": ["LDPC", "QAM", "ResNet"], "metrics": ["mAP", "accuracy", "IoU", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 10 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "随着视觉驱动的通信应用的迅速普及，目标检测已经成为执行实际视觉任务的基本技术之一。"}, "problem": {"pages": [1], "zh": "然而，传送大量图像消耗了大量的存储和通信资源。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对这些问题，提出了一种多尺度语义通信的目标检测框架，该框架只传输与任务相关的多尺度语义特征，并在接收端采用解耦技术分离目标的位置信息和分类信息，而无需图像重建。"}, "mechanism": {"pages": [2], "zh": "此外，我们提出了一种跨域对象检测技术，使用领域对抗学习来适应多尺度语义通信框架，以在新的场景中进行有效的对象检测。"}, "claim": {"pages": [1], "zh": "为了提高跨场景的适应性，引入了一种跨领域的对象检测技术，通过领域对抗学习优化框架的多尺度语义编码器，确保在新场景下可靠的对象检测。"}}, "method_summary": {"pages": [1, 2], "zh": "针对这些问题，本文提出了一种多尺度语义通信的目标检测框架，该框架只传输与任务相关的多尺度语义特征，在接收端采用解耦的方法分离目标的位置信息和分类信息，而无需图像重建，提出了一种基于领域对抗学习的跨领域目标检测技术用于新场景中有效对象检测的缩放语义通信框架。"}, "representation_summary": {"zh": "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：Multi-Scale Semantic Communication for Object Detection: Single and Cross-Domain Scenarios 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "为了提高跨场景的适应性，引入了一种跨领域的对象检测技术，通过领域对抗学习优化框架的多尺度语义编码器，确保在新场景下可靠的对象检测。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_multi-scale-semantic-communication-for-object-detection-single-and-cross-domain-scenarios_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_multi-scale-semantic-communication-for-object-detection-single-and-cross-domain-scenarios_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ImageNet、Cityscapes、BDD100K；实验小节中明确出现的比较对象包括LDPC、QAM、ResNet；指标包括mAP、accuracy、IoU、PER；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 = 10 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Multi-Scale Semantic Communication for Object Detection: Single and Cross-Domain Scenarios：针对这些问题，本文提出了一种多尺度语义通信的目标检测框架，该框架只传输与任务相关的多尺度语义特征，在接收端采用解耦的方法分离目标的位置信息和分类信息，而无需图像重建，提出了一种基于领域对抗学习的跨领域目标检测技术用于新场景中有效对象检测的缩放语义通信框架。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3433479", "title": "Post-Deployment Fine-Tunable Semantic Communication", "authors": "Peiyuan Si; Renyang Liu; Liangxin Qian; Jun Zhao; Kwok-Yan Lam", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "1", "pages": "35-50", "ieee_document_id": "10636042", "source_url": "https://doi.org/10.1109/twc.2024.3433479", "pdf": "papers/2025_Si_Post_Deployment_Fine_Tunable_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "FTSC", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "CIFAR-100", "ImageNet", "FFHQ"], "baselines": ["JPEG", "LDPC", "VQ-VAE", "VAE", "JSCC"], "metrics": ["PSNR", "mAP", "accuracy", "classification accuracy", "utility"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SemCom）是一种新兴的基于内容语义的通信方式，它依赖于知识库（KB），通常专用于特定的任务或数据集，旨在提高通信效率。"}, "problem": {"pages": [1], "zh": "然而，它们的泛化能力仍然是一个重大挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了提高SemCom系统对未知数据集的自适应能力，提出了一种部署后可调语义通信（FTSC）系统用于图像传输。"}, "mechanism": {"pages": [1], "zh": "为了实现一个自适应的、高效的SemCom系统，本文的研究工作包括FTSC的框架设计和系统优化研究。"}, "claim": {"pages": [1], "zh": "其次，从下行链路的恢复质量、时延和能量消耗等方面对FTSC的系统优化进行了研究，以提高通信资源的分配效率。"}}, "method_summary": {"pages": [1], "zh": "为了提高SemCom系统对未知数据集的适应性，提出了一种面向图像传输的后部署可微调语义通信（FTSC）系统，主要包括FTSC的框架设计和系统优化研究，以实现一个自适应、高效的SemCom系统。"}, "representation_summary": {"pages": [1], "zh": "首先，基于两层分层矢量量化-变分自动编码器（VQ-VAE-2）进行了可推广性研究。 独立判断：FTSC 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "其次，从下行链路的恢复质量、时延和能量消耗等方面对FTSC的系统优化进行了研究，以提高通信资源的分配效率。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2025_post-deployment-fine-tunable-semantic-communication_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_post-deployment-fine-tunable-semantic-communication_result_p8.png", "caption": "System models of LSDFT under idea channel and noisy channel", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、CIFAR-100、ImageNet、FFHQ；实验小节中明确出现的比较对象包括JPEG、LDPC、VQ-VAE、VAE、JSCC；指标包括PSNR、mAP、accuracy、classification accuracy、utility。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 FTSC：为了提高SemCom系统对未知数据集的适应性，提出了一种面向图像传输的后部署可微调语义通信（FTSC）系统，主要包括FTSC的框架设计和系统优化研究，以实现一个自适应、高效的SemCom系统。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3570465", "title": "Rate Splitting Multiple Access-Enabled Adaptive Panoramic Video Semantic Transmission", "authors": "Haixiao Gao; Mengying Sun; Xiaodong Xu; Shujun Han; Bizhu Wang; Jingxuan Zhang; Ping Zhang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "11", "pages": "9050-9068", "ieee_document_id": "11011310", "source_url": "https://doi.org/10.1109/twc.2025.3570465", "pdf": "papers/2025_Gao_Rate_Splitting_Multiple_Access_Enabled_Adaptive_Panoramic_Video_Semantic_Transmission.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "视频传输、生成或控制", "theme": "multiuser", "method_name": "APVST", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NTSCC", "LDPC", "Transformer", "NOMA", "RSMA", "PPO", "DDPG", "SAC", "H.264", "H.265", "JSCC", "OFDM"], "metrics": ["PSNR", "SSIM", "mAP", "latency", "PER"], "channels": ["AWGN", "Rayleigh", "Rician", "MIMO", "OFDM", "fading channel", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "鉴于此，本文提出了一种支持速率分割多址（RSMA）的自适应全景视频语义传输（APVST）框架，并给出了该框架的具体实现。"}, "problem": {"pages": [1], "zh": "APVST基于深度联合信源信道编码（JSCC）结构，实现了全景帧的自适应语义提取和变长编码。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "鉴于此，本文提出了一种支持速率分割多址（RSMA）的自适应全景视频语义传输（APVST）框架，并给出了该框架的具体实现。"}, "mechanism": {"pages": [1], "zh": "为此，本文提出了一种支持RSMA的语义流传输方案，并通过优化功率、公共速率和信道带宽分配比，建立了时延和视频质量的联合优化问题，以最大化用户的服务质量（QoS）为目标。"}, "claim": {"pages": [1], "zh": "此外，我们的研究还验证了RSMA在全景视频语义传输中的有效性，与其他多址接入方案相比，QoS提高了20%。"}}, "method_summary": {"pages": [1], "zh": "该文提出了一种支持速率分裂多址接入（RSMA）的自适应全景视频语义传输（APVST）框架，并在此基础上引入了一种支持RSMA的语义流传输方案，通过优化功率、公共速率和信道带宽分配比，建立了时延和视频质量的联合优化问题，以最大化用户的服务质量（QoS）为目标。"}, "representation_summary": {"zh": "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：APVST 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。", "pages": [2]}, "overhead_summary": {"pages": [5], "zh": "首先，将一个H × W的矩阵划分为3 × 3 = 9 W × W的子块，每个子块包含H3 × 3个像素。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2]}, "experiment_result_summary": {"pages": [1], "zh": "此外，我们的研究还验证了RSMA在全景视频语义传输中的有效性，与其他多址接入方案相比，QoS提高了20%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_rate-splitting-multiple-access-enabled-adaptive-panoramic-video-semantic-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2025_rate-splitting-multiple-access-enabled-adaptive-panoramic-video-semantic-transmission_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NTSCC、LDPC、Transformer、NOMA、RSMA、PPO、DDPG、SAC、H.264、H.265、JSCC、OFDM；指标包括PSNR、SSIM、mAP、latency、PER；信道/链路条件包括AWGN、Rayleigh、Rician、MIMO、OFDM、fading channel、wireless channel。", "pages": [2]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 APVST：该文提出了一种支持速率分裂多址接入（RSMA）的自适应全景视频语义传输（APVST）框架，并在此基础上引入了一种支持RSMA的语义流传输方案，通过优化功率、公共速率和信道带宽分配比，建立了时延和视频质量的联合优化问题，以最大化用户的服务质量（QoS）为目标。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3543373", "title": "Residual Vector Quantized Diffusion Model-Based Joint Source-Channel Coding for Task-Oriented Agent Communication", "authors": "Guojun He; Shengyu Zhang; Tao Jiang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "6", "pages": "4663-4676", "ieee_document_id": "10907795", "source_url": "https://doi.org/10.1109/twc.2025.3543373", "pdf": "papers/2025_He_Residual_Vector_Quantized_Diffusion_Model_Based_Joint_Source_Channel_Coding_for_Task_Oriente.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "digital", "method_name": "DCDDM", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": [], "baselines": ["LDPC", "VQ-VAE", "VAE", "Transformer", "JSCC"], "metrics": ["mAP", "accuracy"], "channels": ["AWGN", "Rayleigh"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，智能化和自主化的进程在各个领域都在加速，导致对在没有人工干预的情况下执行复杂任务的需求日益增长。"}, "problem": {"pages": [1], "zh": "然而，随着传感器和计算技术的飞速发展，许多新兴的协同任务都是数据密集型和延迟敏感型的。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "此外，我们还设计了一个面向任务的Agent通信的概念验证原型。"}, "mechanism": {"pages": [1], "zh": "此外，我们还设计了一个面向任务的Agent通信的概念验证原型。"}, "claim": {"pages": [1], "zh": "仿真和实验结果表明，该算法具有更好的泛化能力。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决上述问题，本文的核心思想是利用发送方agent的量化特征相对于有噪声的接收方agent的量化特征的条件分布，来明确地表征无线信道对这些特征的传输的影响，并指导其恢复。"}, "representation_summary": {"pages": [1], "zh": "提出了一种基于残差矢量量化扩散模型的面向任务Agent通信的联合信源信道编码（JSCC）方案。 独立判断：DCDDM 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [12], "zh": "仿真表明，该方法同时适用于AWGN信道和Rayleigh信道。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真和实验结果表明，该算法具有更好的泛化能力。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_residual-vector-quantized-diffusion-model-based-joint-source-channel-coding-for-task-oriented-agent_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2025_residual-vector-quantized-diffusion-model-based-joint-source-channel-coding-for-task-oriented-agent_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [12]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括LDPC、VQ-VAE、VAE、Transformer、JSCC；指标包括mAP、accuracy；信道/链路条件包括AWGN、Rayleigh。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 DCDDM：为了解决上述问题，本文的核心思想是利用发送方agent的量化特征相对于有噪声的接收方agent的量化特征的条件分布，来明确地表征无线信道对这些特征的传输的影响，并指导其恢复。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [12]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [12]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3575444", "title": "Resource Allocation for Semantic-Aware Wireless Communication Networks With Imperfect CSI", "authors": "Jiahui Zhao; Ming Chen; Zhaohui Yang; Yijin Pan; Dusit Niyato; Quoc-Viet Pham", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "12", "pages": "9840-9853", "ieee_document_id": "11028889", "source_url": "https://doi.org/10.1109/twc.2025.3575444", "pdf": "papers/2025_Zhao_Resource_Allocation_for_Semantic_Aware_Wireless_Communication_Networks_With_Imperfect_CSI.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "Resource Allocation for Semantic-Aware Wireless Communication Networks With Imperfect CSI", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["accuracy", "latency"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "该文提出了一种新的上行语义感知无线通信系统，该系统利用接入点（AP）和基站（BS）之间的共享概率图来满足多用户的需求。"}, "problem": {"pages": [1], "zh": "然而，在无线网络中部署SemCom面临着语义数据提取、SemCom系统资源分配和SemCom性能测量等方面的挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "该文提出了一种新的上行语义感知无线通信系统，该系统利用接入点（AP）和基站（BS）之间的共享概率图来满足多用户的需求。"}, "mechanism": {"pages": [1], "zh": "该文提出了一种新的上行语义感知无线通信系统，该系统利用接入点（AP）和基站（BS）之间的共享概率图来满足多用户的需求。"}, "claim": {"pages": [1], "zh": "仿真结果验证了该算法的有效性，验证了考虑非完美CSI和语义传输的必要性，以及语义通信性能优于传统比特传输的上级性。"}}, "method_summary": {"pages": [1, 2], "zh": "该文提出了一种新的上行链路语义感知无线通信系统，该系统利用接入点（AP）和基站（BS）之间的共享概率图来满足多用户的需求，多用户通过传统的通信方式向AP发送数据。"}, "representation_summary": {"zh": "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：Resource Allocation for Semantic-Aware Wireless Communication Networks With Imperfect CSI 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果验证了该算法的有效性，验证了考虑非完美CSI和语义传输的必要性，以及语义通信性能优于传统比特传输的上级性。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_resource-allocation-for-semantic-aware-wireless-communication-networks-with-imperfect-csi_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2025_resource-allocation-for-semantic-aware-wireless-communication-networks-with-imperfect-csi_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括accuracy、latency。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Resource Allocation for Semantic-Aware Wireless Communication Networks With Imperfect CSI：该文提出了一种新的上行链路语义感知无线通信系统，该系统利用接入点（AP）和基站（BS）之间的共享概率图来满足多用户的需求，多用户通过传统的通信方式向AP发送数据。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3527014", "title": "Resource Allocation for the Training of Image Semantic Communication Networks", "authors": "Yang Li; Xinyu Zhou; Jun Zhao", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "4", "pages": "2968-2984", "ieee_document_id": "10843179", "source_url": "https://doi.org/10.1109/twc.2025.3527014", "pdf": "papers/2025_Li_Resource_Allocation_for_the_Training_of_Image_Semantic_Communication_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "resource", "method_name": "Resource Allocation for the Training of Image Semantic Communication Networks", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10"], "baselines": ["JPEG", "JSCC"], "metrics": ["PSNR", "accuracy", "latency", "PER"], "channels": [], "snr_conditions": ["SNR=13dB", "SNR=13 dB", "SNR=4 dB", "SNR of 25.67 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "然而，支持深度学习的图像语义通信模型通常需要大量的时间和精力进行训练，这是不可接受的，特别是对于移动的设备。"}, "problem": {"zh": "在本文设定中，现有方法不能同时满足“图像传输、压缩或生成”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。", "pages": [1]}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "它专注于传输提取的有意义的信息，而不是原始数据。"}, "mechanism": {"pages": [1], "zh": "此外，我们制定了一个联合优化问题，以平衡训练过程中本地设备的时间和能量消耗，同时确保有效的模型性能。"}, "claim": {"pages": [1], "zh": "实验结果表明，我们的算法在资源分配优化对现有的基准的优越性，并讨论其对图像语义通信系统的性能的影响。"}}, "method_summary": {"pages": [1], "zh": "它专注于传输提取的有意义的信息，而不是原始数据。此外，我们制定了一个联合优化问题，以平衡训练过程中本地设备的时间和能量消耗，同时确保有效的模型性能。"}, "representation_summary": {"zh": "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：Resource Allocation for the Training of Image Semantic Communication Networks 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，我们的算法在资源分配优化对现有的基准的优越性，并讨论其对图像语义通信系统的性能的影响。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_resource-allocation-for-the-training-of-image-semantic-communication-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2025_resource-allocation-for-the-training-of-image-semantic-communication-networks_result_p11.png", "caption": "The expression for the fitted function in", "number": "Fig. 2"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括JPEG、JSCC；指标包括PSNR、accuracy、latency、PER；正文可定位的代表性工作点有SNR=13dB、SNR=13 dB、SNR=4 dB、SNR of 25.67 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 Resource Allocation for the Training of Image Semantic Communication Networks：它专注于传输提取的有意义的信息，而不是原始数据。此外，我们制定了一个联合优化问题，以平衡训练过程中本地设备的时间和能量消耗，同时确保有效的模型性能。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3574442", "title": "Scalable Multi-Task Edge Sensing via Task-Oriented Joint Information Gathering and Broadcast", "authors": "Huawei Hou; Suzhi Bi; Xian Li; Shuoyao Wang; Liping Qian; Zhi Quan", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "11", "pages": "9613-9628", "ieee_document_id": "11024115", "source_url": "https://doi.org/10.1109/twc.2025.3574442", "pdf": "papers/2025_Hou_Scalable_Multi_Task_Edge_Sensing_via_Task_Oriented_Joint_Information_Gathering_and_Broadcast.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "multiuser", "method_name": "Scalable Multi-Task Edge Sensing via Task-Oriented Joint Information Gathering and Broadcast", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepJSCC", "ViT", "Transformer", "JSCC", "DDPG"], "metrics": ["accuracy", "latency", "IoU", "mIoU", "BER"], "channels": [], "snr_conditions": ["SNR = -5 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "边缘计算技术的最新进展使得物联网（IoT）网络的感知性能得到显著改善。"}, "problem": {"pages": [1], "zh": "然而，随着用户数量的激增和传感任务变得越来越计算密集型，大量的计算工作负载和数据传输可能会压倒资源有限的边缘系统。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "因此，我们在本文中提出了一个可扩展的边缘传感框架多任务执行，在这个意义上说，计算工作量和通信开销的ES不增加下游用户或任务的数量。"}, "mechanism": {"pages": [2], "zh": "特别是，我们提供信息理论分析，有效的训练算法，和硬件实现，以支持所提出的边缘检测方案的设计。"}, "claim": {"pages": [1], "zh": "实验结果表明，该方法在多任务推理精度上明显优于已有的基准方法。"}}, "method_summary": {"pages": [1, 2], "zh": "因此，我们在本文中提出了一个可扩展的边缘感知框架多任务执行，在这个意义上的ES的计算工作量和通信开销不增加下游用户或tasks. In特别是，我们提供的信息理论分析，有效的训练算法，和硬件实现，以支持所提出的边缘感知方案的设计。"}, "representation_summary": {"zh": "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：Scalable Multi-Task Edge Sensing via Task-Oriented Joint Information Gathering and Broadcast 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。", "pages": [2]}, "overhead_summary": {"pages": [8], "zh": "我们使用Adam优化器，学习率为2 × 10-4，权重衰减为1 × 10-4。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，该方法在多任务推理精度上明显优于已有的基准方法。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_scalable-multi-task-edge-sensing-via-task-oriented-joint-information-gathering-and-broadcast_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_scalable-multi-task-edge-sensing-via-task-oriented-joint-information-gathering-and-broadcast_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepJSCC、ViT、Transformer、JSCC、DDPG；指标包括accuracy、latency、IoU、mIoU、BER；正文可定位的代表性工作点有SNR = -5 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Scalable Multi-Task Edge Sensing via Task-Oriented Joint Information Gathering and Broadcast：因此，我们在本文中提出了一个可扩展的边缘感知框架多任务执行，在这个意义上的ES的计算工作量和通信开销不增加下游用户或tasks. In特别是，我们提供的信息理论分析，有效的训练算法，和硬件实现，以支持所提出的边缘感知方案的设计。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3532501", "title": "Semantic Base Enabled Image Transmission With Fine-Grained HARQ", "authors": "Yuan Zheng; Fengyu Wang; Wenjun Xu; Ping Zhang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "4", "pages": "3606-3622", "ieee_document_id": "10857963", "source_url": "https://doi.org/10.1109/twc.2025.3532501", "pdf": "papers/2025_Zheng_Semantic_Base_Enabled_Image_Transmission_With_Fine_Grained_HARQ.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "SemComs", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "语义特征包/调制符号与 HARQ 冗余版本", "channel_handling_class": "类别 5：语义感知 HARQ/重传与任务判据耦合", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["ImageNet", "Cityscapes", "CelebA", "UVG"], "baselines": ["NTSCC", "JPEG2000", "BPG", "LDPC", "VQ-VAE", "VAE", "JPEG", "OFDM", "ResNet"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "FID", "accuracy", "classification accuracy", "PER"], "channels": ["AWGN", "Rayleigh", "OFDM", "fading channel"], "snr_conditions": ["SNR of 4 dB", "SNR of 10 dB", "SNR of 24.9 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，语义通信（SemComs）利用数据的内在意义和关系，在信息传递中显示出显著的优势。"}, "problem": {"pages": [1], "zh": "然而，网络训练后隐含的共享知识是固定的，这使得网络难以适应不断变化的通信意图或信道条件。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "该文提出了一种支持语义库的SemCom框架，该框架通过在收发器之间共享语义库来支持图像传输。"}, "mechanism": {"pages": [2], "zh": "实验结果表明，该方法能够有效地提高图像传输的实时性。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与现有算法相比，所提算法在感知图像块相似度（LPIPS）方面的重构质量提高了20%，传输开销降低了60%。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种新的语义库SemCom框架，其中Seb是细粒度图像语义的基本单元，在收发器之间显式共享以支持图像传输。本文提出了一种基于Seb的具有语义感知的细粒度HARQ的图像传输框架SAFGHARQ，其中Seb被引入作为图像编码和重构的显式知识库。"}, "representation_summary": {"pages": [4], "zh": "尽管该过程将量化噪声引入到原始复杂图像的原始特征中，但保留的内容仍然有效地满足了目标。 独立判断：SemComs 的主传输单位应归为“语义特征包/调制符号与 HARQ 冗余版本”。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。"}, "overhead_summary": {"pages": [8], "zh": "为了训练补偿生成器和错误检测器，语义错误率被设置为4 × 10-2。", "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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：语义感知 HARQ/重传与任务判据耦合”解释信道作用点。 本调研据此归为“类别 5：语义感知 HARQ/重传与任务判据耦合”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与现有算法相比，所提算法在感知图像块相似度（LPIPS）方面的重构质量提高了20%，传输开销降低了60%。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_semantic-base-enabled-image-transmission-with-fine-grained-harq_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2025_semantic-base-enabled-image-transmission-with-fine-grained-harq_result_p10.png", "caption": "The BPG METHOD suffers from error propagation, resulting in a dramatic deterioration of performance when retransmissions are insufficiently conducted, as illustrated in", "number": "Fig. 7a"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：初传或 HARQ 重传合并后的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为ImageNet、Cityscapes、CelebA、UVG；实验小节中明确出现的比较对象包括NTSCC、JPEG2000、BPG、LDPC、VQ-VAE、VAE、JPEG、OFDM、ResNet；指标包括PSNR、SSIM、MS-SSIM、LPIPS、FID、accuracy、classification accuracy、PER；信道/链路条件包括AWGN、Rayleigh、OFDM、fading channel；正文可定位的代表性工作点有SNR of 4 dB、SNR of 10 dB、SNR of 24.9 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SemComs：本文提出了一种新的语义库SemCom框架，其中Seb是细粒度图像语义的基本单元，在收发器之间显式共享以支持图像传输。本文提出了一种基于Seb的具有语义感知的细粒度HARQ的图像传输框架SAFGHARQ，其中Seb被引入作为图像编码和重构的显式知识库。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是初传语义特征及按语义校验触发的增量冗余/重传包。", "pages": [4]}, "channel": {"zh": "信道作用方式按“类别 5：语义感知 HARQ/重传与任务判据耦合”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从初传或 HARQ 重传合并后的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3578010", "title": "Semantic Communication Enabled 6G-NTN Framework: A Novel Denoising and Gateway Hop Integration Mechanism", "authors": "Loc X. Nguyen; Sheikh Salman Hassan; Yan Kyaw Tun; Kitae Kim; Zhu Han; Choong Seon Hong", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "12", "pages": "10149-10165", "ieee_document_id": "11039171", "source_url": "https://doi.org/10.1109/twc.2025.3578010", "pdf": "papers/2025_Nguyen_Semantic_Communication_Enabled_6G_NTN_Framework_A_Novel_Denoising_and_Gateway_Hop_Integratio.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "GUs", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["DIV2K"], "baselines": [], "metrics": ["PSNR", "SSIM", "MS-SSIM", "latency", "MSE"], "channels": ["AWGN", "Rayleigh", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 0.359 dB", "SNR = 2 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "现有的SC方法已经证明了在直接卫星-地面传输中的有效性;然而，它们仍然遇到一定的限制。"}, "problem": {"pages": [1], "zh": "然而，有限的带宽、延迟、雨衰减、长传播延迟和同信道干扰对高效的卫星通信提出了挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这些问题，我们提出了一种新的框架，优化网关跳中继选择GU与低信噪比，并集成基于网关的去噪机制，以确保高质量的服务（QoS）在基于卫星的SC网络。"}, "mechanism": {"pages": [1], "zh": "在本文中，我们探讨了SC作为一种专门适用于6G卫星通信的带宽高效，延迟最小化策略的潜力。"}, "claim": {"pages": [1], "zh": "仿真结果表明，我们提出的策略显着提高了整体网络性能，优于传统的方法，提供定制的通信服务的基础上，特定的GU条件。"}}, "method_summary": {"pages": [1], "zh": "为了解决这些问题，我们提出了一种新的框架，优化网关跳中继选择GU与低信噪比，并集成基于网关的去噪机制，以确保高质量的服务（QoS）在基于卫星的语义通信网络。本文，我们探讨了潜在的SC作为一个带宽效率，延迟最小化的策略，特别适合于6G卫星通信。"}, "representation_summary": {"zh": "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：GUs 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，我们提出的策略显着提高了整体网络性能，优于传统的方法，提供定制的通信服务的基础上，特定的GU条件。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2025_semantic-communication-enabled-6g-ntn-framework-a-novel-denoising-and-gateway-hop-integration-mechan_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2025_semantic-communication-enabled-6g-ntn-framework-a-novel-denoising-and-gateway-hop-integration-mechan_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为DIV2K；指标包括PSNR、SSIM、MS-SSIM、latency、MSE；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 = 0.359 dB、SNR = 2 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 GUs：为了解决这些问题，我们提出了一种新的框架，优化网关跳中继选择GU与低信噪比，并集成基于网关的去噪机制，以确保高质量的服务（QoS）在基于卫星的语义通信网络。本文，我们探讨了潜在的SC作为一个带宽效率，延迟最小化的策略，特别适合于6G卫星通信。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3543167", "title": "Semantic Prior Aided Channel-Adaptive Equalizing and De-Noising Semantic Communication System With Latent Diffusion Model", "authors": "Bingxuan Xu; Shujun Han; Xiaodong Xu; Weizhi Li; Rui Meng; Chen Dong; Ping Zhang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "6", "pages": "4614-4630", "ieee_document_id": "10910031", "source_url": "https://doi.org/10.1109/twc.2025.3543167", "pdf": "papers/2025_Xu_Semantic_Prior_Aided_Channel_Adaptive_Equalizing_and_De_Noising_Semantic_Communication_Syste.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "SP-EDNSC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["FFHQ"], "baselines": ["DeepJSCC", "JPEG", "LDPC", "ADJSCC", "JSCC"], "metrics": ["PSNR", "SSIM", "LPIPS", "mAP", "MSE"], "channels": ["AWGN", "Rayleigh", "MIMO", "fading channel", "wireless channel", "block fading"], "snr_conditions": ["SNR of -2 dB", "SNR of 31 dB"], "ber_conditions": [], "rate_conditions": ["CBR = 1/32"], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SemCom）在6G系统中开辟了一个新的范例。"}, "problem": {"pages": [1], "zh": "然而，时变路径损耗、信道噪声和无线信道中的其他干扰会严重影响SemCom的性能。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文提出了一种新的语义先验辅助的信道自适应均衡去噪SemCom（SP-EDNSC）框架，其中自适应消除信道影响被视为一个逆问题。"}, "mechanism": {"pages": [2], "zh": "为了克服这个问题，我们在语义域中的自适应均衡和去噪问题建模为无监督的逆问题，其中干净的语义特征可以通过迭代后验采样方法进行采样，并借助从基于生成分数的模型中学习的语义先验。"}, "claim": {"pages": [1], "zh": "仿真结果表明，该方案在PSNR和SSIM等失真度量以及LPIPS等感知性能方面都具有更优的性能。"}}, "method_summary": {"pages": [1, 2], "zh": "因此，我们提出了一种新的语义先验辅助的自适应去噪算法SemCom（SP-EDNSC）框架中，自适应消除信道影响被看作是一个逆问题，为了克服这个问题，我们将语义域中的自适应均衡和去噪问题建模为一个无监督的逆问题，其中干净的语义特征可以通过迭代后验采样方法在从基于生成分数的模型学习的语义先验的帮助下采样。"}, "representation_summary": {"zh": "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：SP-EDNSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [12], "zh": "然而，在低SNR下，观察到与AWGN信道类似的情况，其中与在0 dB下训练的CDDM模型相比，我们的方案表现不佳。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，该方案在PSNR和SSIM等失真度量以及LPIPS等感知性能方面都具有更优的性能。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2025_semantic-prior-aided-channel-adaptive-equalizing-and-de-noising-semantic-communication-system-with-l_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2025_semantic-prior-aided-channel-adaptive-equalizing-and-de-noising-semantic-communication-system-with-l_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [12]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为FFHQ；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、ADJSCC、JSCC；指标包括PSNR、SSIM、LPIPS、mAP、MSE；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel、wireless channel、block fading；正文可定位的代表性工作点有SNR of -2 dB、SNR of 31 dB、CBR = 1/32。", "pages": [2]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SP-EDNSC：因此，我们提出了一种新的语义先验辅助的自适应去噪算法SemCom（SP-EDNSC）框架中，自适应消除信道影响被看作是一个逆问题，为了克服这个问题，我们将语义域中的自适应均衡和去噪问题建模为一个无监督的逆问题，其中干净的语义特征可以通过迭代后验采样方法在从基于生成分数的模型学习的语义先验的帮助下采样。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [12]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [12]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3566886", "title": "Semantic-Aided Parallel Image Transmission Compatible With Practical System", "authors": "Mingkai Xu; Yongpeng Wu; Yuxuan Shi; Xiang-Gen Xia; Mérouane Debbah; Wenjun Zhang; Ping Zhang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "10", "pages": "8476-8491", "ieee_document_id": "11002422", "source_url": "https://doi.org/10.1109/twc.2025.3566886", "pdf": "papers/2025_Xu_Semantic_Aided_Parallel_Image_Transmission_Compatible_With_Practical_System.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "Semantic-Aided Parallel Image Transmission Compatible With Practical System", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet", "Kodak"], "baselines": ["WITT", "JPEG2000", "JPEG", "BPG", "LDPC", "Transformer", "JSCC", "SSCC", "Polar", "OFDM"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "MSE", "throughput", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "OFDM", "fading channel", "block fading"], "snr_conditions": ["SNR=2dB", "SNR = 6dB", "SNR = 2dB", "SNR = 10dB"], "ber_conditions": [], "rate_conditions": ["CBR = 0.1", "CBR = 1/12"], "motivation": {"progress": {"pages": [1], "zh": "本文介绍了一种新的语义辅助的图像通信框架，以支持与实际的基于分离的编码体系结构的兼容性。"}, "problem": {"pages": [1], "zh": "然而，这种分离的信源-信道编码（SSCC）设计在公共有限块长度设置中产生次优性能。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文介绍了一种新的语义辅助的图像通信框架，以支持与实际的基于分离的编码体系结构的兼容性。"}, "mechanism": {"pages": [2], "zh": "在这项工作中，我们提出了一个并行流无线语义通信框架（ParaSC），其中两种类型的流通过信道传输：从传统的SSCC编码器的不可训练的图像流，和DL驱动的JSCC发射机的可学习的语义流。"}, "claim": {"pages": [1], "zh": "正编码增益源于JSCC编码器的复杂设计，其利用SSCC忽略的残差信息来增强可学习图像特征。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种新的语义辅助的图像通信框架，以支持与实际的基于分离的编码结构的兼容性。在本文中，我们提出了一种并行流无线语义通信框架（ParaSC），在该框架中，两种类型的流在信道上传输：来自传统SSCC编码器的不可训练图像流，以及来自DL驱动JSCC发射机的可学习语义流。"}, "representation_summary": {"zh": "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-Aided Parallel Image Transmission Compatible With Practical System 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。", "pages": [2]}, "overhead_summary": {"pages": [3], "zh": "因此，信道带宽比被定义为CBR= nk，其反映了系统对每个符号的信道资源的利用。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [9], "zh": "对于SSCC，我们使用JPEG压缩与LDPC信道编码和QPSK调制。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "正编码增益源于JSCC编码器的复杂设计，其利用SSCC忽略的残差信息来增强可学习图像特征。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_semantic-aided-parallel-image-transmission-compatible-with-practical-system_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2025_semantic-aided-parallel-image-transmission-compatible-with-practical-system_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为ImageNet、Kodak；实验小节中明确出现的比较对象包括WITT、JPEG2000、JPEG、BPG、LDPC、Transformer、JSCC、SSCC、Polar、OFDM；指标包括PSNR、SSIM、MS-SSIM、LPIPS、MSE、throughput、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、OFDM、fading channel、block fading；正文可定位的代表性工作点有SNR=2dB、SNR = 6dB、SNR = 2dB、SNR = 10dB、CBR = 0.1、CBR = 1/12。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Semantic-Aided Parallel Image Transmission Compatible With Practical System：本文提出了一种新的语义辅助的图像通信框架，以支持与实际的基于分离的编码结构的兼容性。在本文中，我们提出了一种并行流无线语义通信框架（ParaSC），在该框架中，两种类型的流在信道上传输：来自传统SSCC编码器的不可训练图像流，以及来自DL驱动JSCC发射机的可学习语义流。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3563243", "title": "Semantics-Empowered Non-Orthogonal Multiple Access for Downlink Transmission of Correlated Information Sources", "authors": "Weizhi Li; Yucheng Liu; Chen Dong; Xiaodong Xu; Ping Zhang; Lin Li", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "9", "pages": "7874-7891", "ieee_document_id": "10980193", "source_url": "https://doi.org/10.1109/twc.2025.3563243", "pdf": "papers/2025_Li_Semantics_Empowered_Non_Orthogonal_Multiple_Access_for_Downlink_Transmission_of_Correlated_I.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "SSM", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["MNIST"], "baselines": ["BPG", "LDPC", "QAM", "NOMA", "RSMA", "H.264", "JSCC", "SSCC", "OFDM", "ETC"], "metrics": ["PSNR", "SSIM", "mAP", "PER"], "channels": ["AWGN", "Rayleigh", "OFDM", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "针对多用户场景下相关信源的下行传输问题，提出了一种端到端非正交多址接入（NOMA）框架，其中多个用户请求或发送的数据具有相似的内容。"}, "problem": {"pages": [1], "zh": "然而，这些框架可能无法处理像自然图像这样的真实高维源，因为它们关注的是具有特定类型的相关结构的合成数据。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对多用户场景下相关信源的下行传输问题，提出了一种端到端非正交多址接入（NOMA）框架，其中多个用户请求或发送的数据具有相似的内容。"}, "mechanism": {"pages": [1], "zh": "推导了在加性高斯白噪声（Additive White Gaussian Noise，AWGN）和Rayleigh信道下信道容量的解析表达式并进行了蒙特-卡罗实验验证。"}, "claim": {"pages": [1], "zh": "通过在3个不同的图像数据集上进行仿真，验证了所提方案在多达7种用户场景下的性能优于一系列其他SoTA多址或DSC方案。"}}, "method_summary": {"pages": [1], "zh": "针对多用户场景下相关信源的下行传输，提出了一种端到端的非正交多址接入（NOMA）框架，推导了加性白色高斯噪声（AWGN）和瑞利信道下的信道容量解析表达式，并通过蒙特-卡罗实验进行了验证。"}, "representation_summary": {"zh": "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：SSM 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。", "pages": [2]}, "overhead_summary": {"pages": [3], "zh": "等效信道带宽比（CBR）被定义为：CBR = K。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [1], "zh": "推导了在加性高斯白噪声（Additive White Gaussian Noise，AWGN）和Rayleigh信道下信道容量的解析表达式并进行了蒙特-卡罗实验验证。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "通过在3个不同的图像数据集上进行仿真，验证了所提方案在多达7种用户场景下的性能优于一系列其他SoTA多址或DSC方案。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_semantics-empowered-non-orthogonal-multiple-access-for-downlink-transmission-of-correlated-informati_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 12, "file": "assets/2025_semantics-empowered-non-orthogonal-multiple-access-for-downlink-transmission-of-correlated-informati_result_p12.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [1]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为MNIST；实验小节中明确出现的比较对象包括BPG、LDPC、QAM、NOMA、RSMA、H.264、JSCC、SSCC、OFDM、ETC；指标包括PSNR、SSIM、mAP、PER；信道/链路条件包括AWGN、Rayleigh、OFDM、fading channel。", "pages": [11]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 SSM：针对多用户场景下相关信源的下行传输，提出了一种端到端的非正交多址接入（NOMA）框架，推导了加性白色高斯噪声（AWGN）和瑞利信道下的信道容量解析表达式，并通过蒙特-卡罗实验进行了验证。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [1]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [1]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3534995", "title": "Synchronous Multi-Modal Semantic Communication System With Packet-Level Coding", "authors": "Yun Tian; Jingkai Ying; Zhijin Qin; Ye Jin; Xiaoming Tao", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "5", "pages": "3684-3697", "ieee_document_id": "10872781", "source_url": "https://doi.org/10.1109/twc.2025.3534995", "pdf": "papers/2025_Tian_Synchronous_Multi_Modal_Semantic_Communication_System_With_Packet_Level_Coding.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "多模态检索与任务通信", "theme": "digital", "method_name": "SyncSC", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["VoxCeleb"], "baselines": ["DeepSC", "DeepJSCC", "GAN", "Transformer", "H.264", "H.265", "AV1", "DeepSC-S", "JSCC", "BERT", "CLIP", "FEC"], "metrics": ["PSNR", "SSIM", "LPIPS", "BLEU", "latency", "semantic similarity", "PESQ", "MOS", "bpp", "PER"], "channels": ["packet loss"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": ["0.0039 bpp", "0.0077 bpp"], "motivation": {"progress": {"pages": [1], "zh": "虽然联合语义信道编码设计的语义通信在物理层信道上传输不同模态的数据方面表现出了良好的性能，但多模态语义的同步和分组级前向纠错（FEC）尚未得到很好的研究。"}, "problem": {"pages": [1], "zh": "然而，物理层语义通信系统没有更高级别的联合设计。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "我们提出了一个语义编解码器，实现类似的重建质量与较低的带宽。"}, "mechanism": {"pages": [2], "zh": "因此，我们考虑基于语义上下文冗余的分组级前向纠错（FEC）来解决分组丢失网络，从而提高系统的鲁棒性。"}, "claim": {"pages": [1], "zh": "仿真结果表明，SyncSC在保证视频和语音在丢包网络上高质量同步传输的同时，降低了传输开销。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种语义编解码器，它能以较低的带宽达到相似的重建质量，因此，我们考虑了基于语义上下文冗余的包级前向纠错（FEC）来解决丢包网络，从而增强了系统的鲁棒性。"}, "representation_summary": {"zh": "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：SyncSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，SyncSC在保证视频和语音在丢包网络上高质量同步传输的同时，降低了传输开销。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_synchronous-multi-modal-semantic-communication-system-with-packet-level-coding_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2025_synchronous-multi-modal-semantic-communication-system-with-packet-level-coding_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为VoxCeleb；实验小节中明确出现的比较对象包括DeepSC、DeepJSCC、GAN、Transformer、H.264、H.265、AV1、DeepSC-S、JSCC、BERT、CLIP、FEC；指标包括PSNR、SSIM、LPIPS、BLEU、latency、semantic similarity、PESQ、MOS、bpp、PER；信道/链路条件包括packet loss；正文可定位的代表性工作点有0.0039 bpp、0.0077 bpp。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是多模态检索与任务通信所需的图像、文本或其他模态的任务特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SyncSC：本文提出了一种语义编解码器，它能以较低的带宽达到相似的重建质量，因此，我们考虑了基于语义上下文冗余的包级前向纠错（FEC）来解决丢包网络，从而增强了系统的鲁棒性。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为跨模态检索、匹配或联合推理结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3606237", "title": "Synesthesia of Machines (SoM)-Based Task-Driven MIMO System for Image Transmission", "authors": "Sijiang Li; Rongqing Zhang; Xiang Cheng; Jian Tang", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "", "issue": "", "pages": "", "ieee_document_id": "11159589", "source_url": "https://doi.org/10.1109/twc.2025.3606237", "pdf": "papers/2025_Li_Synesthesia_of_Machines_SoM_Based_Task_Driven_MIMO_System_for_Image_Transmission.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "DTAT", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Cityscapes"], "baselines": ["ViT", "JSCC"], "metrics": ["PSNR", "mAP", "BER"], "channels": ["MIMO", "fading channel"], "snr_conditions": ["at -5dB SNR"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "虽然最近的工作已经探索将联合收割机JSCC与广泛采用的多输入多输出（MIMO）技术相结合，但这些方法仍然限于离散时间模拟传输（DTAT）模型和简单的任务。"}, "problem": {"pages": [1], "zh": "然而，在复杂的动态场景中，例如智能交通系统，环境感知的质量通常会受到不利的雷电条件、恶劣天气和遮挡的影响，从而导致漏检和误报的问题。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对现有MIMO JSCC方案在支持数字MIMO通信系统中网络化移动的智能体复杂CP任务方面性能有限的问题，提出了一种基于机器通感（SoM）的任务驱动MIMO图像传输系统（SoM-MIMO）。"}, "mechanism": {"pages": [1], "zh": "通过利用感知任务的特征金字塔的结构特性和闭环MIMO通信系统的信道特性，SoM-MIMO实现了图像的高效和鲁棒的数字MIMO传输。"}, "claim": {"pages": [1], "zh": "实验结果表明，与两个JSCC基线方案相比，我们的方法在所有SNR水平上实现了6.30和10.48的平均mAP改进，同时保持相同的通信开销。"}}, "method_summary": {"pages": [1], "zh": "针对现有MIMO JSCC方案在支持网络化移动的智能体在数字MIMO通信系统中执行复杂CP任务时性能有限的问题，提出了一种基于机器通感（SoM）的任务驱动MIMO图像传输系统（SoM-MIMO），利用感知任务特征金字塔的结构特性和闭环MIMO通信系统的信道特性，SoM-MIMO能够实现高效、稳健的图像数字MIMO传输。"}, "representation_summary": {"zh": "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：DTAT 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，与两个JSCC基线方案相比，我们的方法在所有SNR水平上实现了6.30和10.48的平均mAP改进，同时保持相同的通信开销。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_synesthesia-of-machines-som-based-task-driven-mimo-system-for-image-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 6, "file": "assets/2025_synesthesia-of-machines-som-based-task-driven-mimo-system-for-image-transmission_result_p6.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为Cityscapes；实验小节中明确出现的比较对象包括ViT、JSCC；指标包括PSNR、mAP、BER；信道/链路条件包括MIMO、fading channel；正文可定位的代表性工作点有at -5dB SNR。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 DTAT：针对现有MIMO JSCC方案在支持网络化移动的智能体在数字MIMO通信系统中执行复杂CP任务时性能有限的问题，提出了一种基于机器通感（SoM）的任务驱动MIMO图像传输系统（SoM-MIMO），利用感知任务特征金字塔的结构特性和闭环MIMO通信系统的信道特性，SoM-MIMO能够实现高效、稳健的图像数字MIMO传输。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3574468", "title": "Task-Oriented Low-Label Semantic Communication With Self-Supervised Learning", "authors": "Run Gu; Wei Xu; Zhaohui Yang; Dusit Niyato; Aylin Yener", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "11", "pages": "9629-9644", "ieee_document_id": "11024114", "source_url": "https://doi.org/10.1109/twc.2025.3574468", "pdf": "papers/2025_Gu_Task_Oriented_Low_Label_Semantic_Communication_With_Self_Supervised_Learning.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "task", "method_name": "SLSCom", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet"], "baselines": ["JPEG", "LDPC", "QAM", "JSCC", "OFDM", "ResNet"], "metrics": ["mAP", "accuracy", "classification accuracy", "PER"], "channels": ["OFDM", "wireless channel"], "snr_conditions": ["SNR of -4 dB", "SNR -4 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "面向任务的语义通信通过传递语义信息而不是精确的消息来提高传输效率。"}, "problem": {"pages": [1], "zh": "为了便于任务相关的语义提取，我们引入了自我监督学习对比功能，并制定了信息瓶颈（IB）问题，以平衡提取的功能和任务推理性能之间的信息量的权衡。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们提出了一个基于自监督学习的语义通信框架（SLSCom），以提高任务推理性能，特别是在有限的访问标记样本的情况下。"}, "mechanism": {"pages": [1], "zh": "基于深度学习（DL）的语义通信可以通过利用大量标记样本进行下游任务训练来有效地培养用于语义提取、传输和解释的基本语义知识。"}, "claim": {"pages": [1], "zh": "大量的仿真结果表明，SLSCom显着优于传统的数字编码方法和现有的基于DL的方法在不同的标记数据集的大小和SNR条件下，即使当未标记的样本是无关的下游任务。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种基于自监督学习的语义通信框架（SLSCom），以提高任务推理性能，特别是在对标记样本访问受限的场景中。基于深度学习（DL）的语义通信可以有效地利用大量标记样本进行下游任务训练，从而培养用于语义提取、传输和解释的基本语义知识。"}, "representation_summary": {"zh": "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：SLSCom 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。", "pages": [2]}, "overhead_summary": {"pages": [3], "zh": "此外，我们使用x的压缩比（CR），表示为CRs，来表征源压缩比。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "传统的方法与数字编码：我们使用联合图像专家组（JPEG）的图像源编码，低密度奇偶校验码（LDPC）的信道编码，8正交幅度调制（QAM），OFDM技术，最小二乘（LS）信道估计，最小均方误差（MMSE）均衡。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "大量的仿真结果表明，SLSCom显着优于传统的数字编码方法和现有的基于DL的方法在不同的标记数据集的大小和SNR条件下，即使当未标记的样本是无关的下游任务。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_task-oriented-low-label-semantic-communication-with-self-supervised-learning_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2025_task-oriented-low-label-semantic-communication-with-self-supervised-learning_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ImageNet；实验小节中明确出现的比较对象包括JPEG、LDPC、QAM、JSCC、OFDM、ResNet；指标包括mAP、accuracy、classification accuracy、PER；信道/链路条件包括OFDM、wireless channel；正文可定位的代表性工作点有SNR of -4 dB、SNR -4 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 SLSCom：本文提出了一种基于自监督学习的语义通信框架（SLSCom），以提高任务推理性能，特别是在对标记样本访问受限的场景中。基于深度学习（DL）的语义通信可以有效地利用大量标记样本进行下游任务训练，从而培养用于语义提取、传输和解释的基本语义知识。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2024.3525087", "title": "Unified Timing Analysis for Closed-Loop Goal-Oriented Wireless Communication", "authors": "Lintao Li; Anders E. Kalør; Petar Popovski; Wei Chen", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "4", "pages": "2814-2831", "ieee_document_id": "10838325", "source_url": "https://doi.org/10.1109/twc.2024.3525087", "pdf": "papers/2025_Li_Unified_Timing_Analysis_for_Closed_Loop_Goal_Oriented_Wireless_Communication.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "CGC", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["accuracy", "latency"], "channels": ["fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "面向目标的通信由于其提供智能、沉浸式和实时移动的服务的潜力而成为第六代通信系统中的焦点概念之一。"}, "problem": {"pages": [1], "zh": "然而，由于影响通信/计算延迟的多个随机因素以及多模态传感数据之间反馈机制的异质性，闭环时序分析面临挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "新兴的面向目标的通信模式构成了集成通信、计算和传感的闭环。"}, "mechanism": {"pages": [1], "zh": "我们制定的平均和尾部性能的基础上，涵盖CGC系统的及时性，抖动和可靠性的时间约束。"}, "claim": {"pages": [1], "zh": "结果表明，改进的鞍点近似是能够准确地表征的延迟分布的环路与解析易处理的表达式。"}}, "method_summary": {"pages": [1], "zh": "新兴的面向目标的通信模式构成了集成通信，计算和sensing.We制定的平均和尾部性能的基础上，涵盖CGC系统的及时性，抖动和可靠性的时间约束的闭环。"}, "representation_summary": {"zh": "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：CGC 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。", "pages": [2]}, "overhead_summary": {"pages": [7], "zh": "这里，κ max表示最大压缩比。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 11]}, "experiment_result_summary": {"pages": [1], "zh": "结果表明，改进的鞍点近似是能够准确地表征的延迟分布的环路与解析易处理的表达式。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2025_unified-timing-analysis-for-closed-loop-goal-oriented-wireless-communication_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2025_unified-timing-analysis-for-closed-loop-goal-oriented-wireless-communication_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括accuracy、latency；信道/链路条件包括fading channel。", "pages": [11]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 CGC：新兴的面向目标的通信模式构成了集成通信，计算和sensing.We制定的平均和尾部性能的基础上，涵盖CGC系统的及时性，抖动和可靠性的时间约束的闭环。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 11]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 11]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3539526", "title": "Visual Language Model-Based Cross-Modal Semantic Communication Systems", "authors": "Feibo Jiang; Chuanguo Tang; Li Dong; Kezhi Wang; Kun Yang; Cunhua Pan", "year": 2025, "venue": "IEEE Transactions on Wireless Communications", "volume": "24", "issue": "5", "pages": "3937-3948", "ieee_document_id": "10910032", "source_url": "https://doi.org/10.1109/twc.2025.3539526", "pdf": "papers/2025_Jiang_Visual_Language_Model_Based_Cross_Modal_Semantic_Communication_Systems.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "多模态检索与任务通信", "theme": "adaptive", "method_name": "VLM-CSC", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Kaggle"], "baselines": ["WITT", "VAE", "ViT", "Transformer", "JSCC", "BERT"], "metrics": ["BLEU", "mAP", "accuracy", "classification accuracy", "semantic similarity"], "channels": ["AWGN", "Rayleigh"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义交际是近年来兴起的一种新型交际模式。"}, "problem": {"pages": [1], "zh": "然而，文本是人类发明的具有高信息密度的信号。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为解决该问题，提出一种新的基于视觉语言模型的跨模态语义通信系统VLM-CSC。"}, "mechanism": {"pages": [1], "zh": "VLM-CSC包括三个新的部分：1）在发送端使用跨模态知识库（CKB）从语义稀疏的图像中提取高密度的文本语义，在接收端根据文本语义重构原始图像。"}, "claim": {"pages": [11], "zh": "结果表明，VLM-CSC系统在保持图像和文本语义相似性方面具有较好的鲁棒性和动态环境适应性。"}}, "method_summary": {"pages": [1], "zh": "为了解决这些问题，本文提出了一种新的基于视觉语言模型的跨模态语义通信系统（VLM-CSC），该系统包括三个部分：1）跨模态知识库（CKB）用于在发送端从语义稀疏的图像中提取高密度的文本语义，并在接收端基于文本语义重构原始图像。"}, "representation_summary": {"zh": "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：VLM-CSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 7], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "此外，当评估VLM-CSC在具有不同分布的图像数据集上的性能时，信道被固定为瑞利。 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”。"}, "experiment_result_summary": {"pages": [11], "zh": "结果表明，VLM-CSC系统在保持图像和文本语义相似性方面具有较好的鲁棒性和动态环境适应性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2025_visual-language-model-based-cross-modal-semantic-communication-systems_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 6, "file": "assets/2025_visual-language-model-based-cross-modal-semantic-communication-systems_result_p6.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Kaggle；实验小节中明确出现的比较对象包括WITT、VAE、ViT、Transformer、JSCC、BERT；指标包括BLEU、mAP、accuracy、classification accuracy、semantic similarity；信道/链路条件包括AWGN、Rayleigh。", "pages": [7]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是多模态检索与任务通信所需的图像、文本或其他模态的任务特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 VLM-CSC：为了解决这些问题，本文提出了一种新的基于视觉语言模型的跨模态语义通信系统（VLM-CSC），该系统包括三个部分：1）跨模态知识库（CKB）用于在发送端从语义稀疏的图像中提取高密度的文本语义，并在接收端基于文本语义重构原始图像。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为跨模态检索、匹配或联合推理结果。", "pages": [11]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3641947", "title": "3D Deployment of UAV-BSs in Semantic Communication Networks: Mean-Field Multi-Agent Reinforcement Learning Approach", "authors": "Hui Li; Kun Zhu; Tianxu Li; Heng Zhu; Jingfeng Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "9844-9858", "ieee_document_id": "11301918", "source_url": "https://doi.org/10.1109/twc.2025.3641947", "pdf": "papers/2026_Li_3D_Deployment_of_UAV_BSs_in_Semantic_Communication_Networks_Mean_Field_Multi_Agent_Reinforce.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "MF-MADDPG", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "DDPG", "BERT"], "metrics": ["BLEU", "BERTScore", "mAP", "accuracy", "METEOR", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "大规模多无人机系统由于其灵活的部署能力，在提高通信网络的覆盖率和可靠性方面具有显著的优势。"}, "problem": {"pages": [1], "zh": "然而，现有的无人机辅助通信策略主要是优化比特级吞吐量和能量效率，难以在低SINR或复杂信道条件下保证有效的信息传输。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这一问题，将语义通信引入无人机网络中，提出了一种新的无人机基站部署方法，并以提高语义保真度为目标，建立了三维无人机基站部署问题的数学模型。"}, "mechanism": {"pages": [1], "zh": "为了解决这一问题，将语义通信引入无人机网络中，提出了一种新的无人机基站部署方法，并以提高语义保真度为目标，建立了三维无人机基站部署问题的数学模型。"}, "claim": {"pages": [1], "zh": "仿真结果显示，与现有策略比较，特征提取方法在语义传输质量和训练稳定性方面具有更好的性能，具有在大规模语义通信环境中的应用潜力。"}}, "method_summary": {"pages": [1, 2], "zh": "针对这一问题，本文提出了一种将语义通信引入无人机网络的新方法，并以语义保真为目标，建立了三维无人机基站部署问题的数学模型。首次在语义通信范式下系统地研究了多无人机系统的三维部署问题，突破了传统的位级性能驱动方法的局限性。"}, "representation_summary": {"zh": "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：MF-MADDPG 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果显示，与现有策略比较，特征提取方法在语义传输质量和训练稳定性方面具有更好的性能，具有在大规模语义通信环境中的应用潜力。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_3d-deployment-of-uav-bss-in-semantic-communication-networks-mean-field-multi-agent-reinforcement-lea_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_3d-deployment-of-uav-bss-in-semantic-communication-networks-mean-field-multi-agent-reinforcement-lea_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、DDPG、BERT；指标包括BLEU、BERTScore、mAP、accuracy、METEOR、PER。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 MF-MADDPG：针对这一问题，本文提出了一种将语义通信引入无人机网络的新方法，并以语义保真为目标，建立了三维无人机基站部署问题的数学模型。首次在语义通信范式下系统地研究了多无人机系统的三维部署问题，突破了传统的位级性能驱动方法的局限性。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3706543", "title": "A Lightweight Gated Convolution and Attention Joint Source-Channel Coding Architecture for Bandwidth-Limited Wireless Image Transmission", "authors": "Helin Yang; Junhong Zhang; Changyuan Xu; Zeqi Huang; Jiawen Kang; Jiangtian Nie", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "19193-19208", "ieee_document_id": "11589542", "source_url": "https://doi.org/10.1109/twc.2026.3706543", "pdf": "papers/2026_Yang_A_Lightweight_Gated_Convolution_and_Attention_Joint_SourceChannel_Coding_Architecture_for_Ba.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "GMCAJSCC", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Kodak", "CLIC"], "baselines": ["NTSCC", "BPG", "LDPC", "Transformer", "ADJSCC", "JSCC", "OFDM", "SwinJSCC"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "latency", "NMSE", "PER"], "channels": ["AWGN", "Rayleigh", "Rician", "OFDM", "fading channel"], "snr_conditions": ["SNR = 11 dB", "SNR = 1 dB", "SNR = 7 dB"], "ber_conditions": [], "rate_conditions": ["CBR = 1/384", "CBR = 1/48", "CBR = 1/96", "CBR = 1/192"], "motivation": {"progress": {"pages": [1], "zh": "基于深度学习的联合信源信道编码（JSCC）是一种较好的无线图像传输方案，特别是在带宽紧张和信噪比较低的情况下。"}, "problem": {"pages": [1], "zh": "然而，大多数已知的设计使用一个固定主干。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，我们提出了一种基于卷积和注意的门控混合JSCC（GMCAJSCC），它是一种自适应的轻量级架构，使用SNR驱动的门来混合卷积和注意。"}, "mechanism": {"pages": [3], "zh": "我们设计了一个可变形的条纹注意，稀疏采样远程键沿着水平和垂直条纹，与采样计数，变形半径和温度调制的SNR。"}, "claim": {"pages": [1], "zh": "通过在标准数据集和加性高斯白噪声（AWGN）及衰落信道上的评估，GMCA-JSCC实现了良好的保真度和感知质量，并具有良好的速率-SNR-失真折衷。"}}, "method_summary": {"pages": [1, 3], "zh": "为此，我们提出了基于卷积和注意力的门控混合JSCC（GMCAJSCC），一种自适应的轻量级架构，使用SNR驱动的门混合卷积和注意力。我们设计了一个可变形的条纹注意力，沿着沿着水平和垂直条纹稀疏采样长距离键，采样计数，变形半径和温度由SNR调制。"}, "representation_summary": {"zh": "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：GMCAJSCC 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。", "pages": [2]}, "overhead_summary": {"pages": [5], "zh": "CADSA模块卷积分支由运算符C（·）表示，是一个具有两个3 × 3卷积和一个SiLU激活的残差块。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [13], "zh": "我们考虑块Rician衰落，其中复系数在每个码字内是恒定的，并且跨码字独立地绘制为 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "通过在标准数据集和加性高斯白噪声（AWGN）及衰落信道上的评估，GMCA-JSCC实现了良好的保真度和感知质量，并具有良好的速率-SNR-失真折衷。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_a-lightweight-gated-convolution-and-attention-joint-source-channel-coding-architecture-for-bandwidth_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_a-lightweight-gated-convolution-and-attention-joint-source-channel-coding-architecture-for-bandwidth_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [13]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为Kodak、CLIC；实验小节中明确出现的比较对象包括NTSCC、BPG、LDPC、Transformer、ADJSCC、JSCC、OFDM、SwinJSCC；指标包括PSNR、SSIM、MS-SSIM、LPIPS、latency、NMSE、PER；信道/链路条件包括AWGN、Rayleigh、Rician、OFDM、fading channel；正文可定位的代表性工作点有SNR = 11 dB、SNR = 1 dB、SNR = 7 dB、CBR = 1/384、CBR = 1/48、CBR = 1/96、CBR = 1/192。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 3]}, "encoder": {"zh": "发送端采用 GMCAJSCC：为此，我们提出了基于卷积和注意力的门控混合JSCC（GMCAJSCC），一种自适应的轻量级架构，使用SNR驱动的门混合卷积和注意力。我们设计了一个可变形的条纹注意力，沿着沿着水平和垂直条纹稀疏采样长距离键，采样计数，变形半径和温度由SNR调制。", "pages": [1, 3]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [13]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [13]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3714594", "title": "A MIMO-Aided Semantic Covert Communication Approach Using Excess Distortion Exponent Optimization", "authors": "Yunfan Bai; Yuwen Qian; Zhen Mei; Long Shi; Wei Zhu; Feng Shu; Shuning Zhang; Jun Li", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "20387-20402", "ieee_document_id": "11622693", "source_url": "https://doi.org/10.1109/twc.2026.3714594", "pdf": "papers/2026_Bai_A_MIMO_Aided_Semantic_Covert_Communication_Approach_Using_Excess_Distortion_Exponent_Optimiz.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义信息度量与理论", "theme": "theory", "method_name": "SemCom", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "Turbo", "Transformer", "BERT", "CLIP"], "metrics": ["BLEU", "mAP", "accuracy", "latency", "spectral efficiency", "semantic similarity", "PER"], "channels": ["Rayleigh", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 0 dB", "SNR of -5 dB", "SNR of 5 dB", "SNR = 5 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SemCom）被认为是未来无线网络中实现高效、智能连接的一种有前途的模式。"}, "problem": {"pages": [1], "zh": "然而，无线信道的开放性造成了重大的安全风险。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文提出了一种新的基于空间调制的多输入多输出（MIMO）语义隐蔽通信系统，以提高安全性和传输效率。"}, "mechanism": {"pages": [1], "zh": "此外，基于Kullback-Leibler散度，给出了最优检测错误概率的一个闭合下界，并将其作为优化问题的隐蔽性约束。"}, "claim": {"pages": [1], "zh": "数值和仿真结果表明，与现有的SemCom算法相比，该算法的语义相似度提高了20%，语义隐蔽率提高了15%，特别是在严格的隐蔽性约束下。"}}, "method_summary": {"pages": [1], "zh": "提出了一种新的空间调制辅助的多输入多输出（MIMO）语义隐蔽通信系统，以提高系统的安全性和传输效率，并基于Kullback-Leibler散度推导了最优检测错误概率的封闭形式下界，该下界作为最优化问题的隐蔽性约束。"}, "representation_summary": {"zh": "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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "数值和仿真结果表明，与现有的SemCom算法相比，该算法的语义相似度提高了20%，语义隐蔽率提高了15%，特别是在严格的隐蔽性约束下。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_a-mimo-aided-semantic-covert-communication-approach-using-excess-distortion-exponent-optimization_method_p3.png", "caption": "SYSTEM MODEL of the proposed semantic CCS, where Alice, Bob, and Willie represent the transmitter, receiver, and eavesdropper, respectively", "number": "Fig. 1"}, {"kind": "result", "page": 8, "file": "assets/2026_a-mimo-aided-semantic-covert-communication-approach-using-excess-distortion-exponent-optimization_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、Turbo、Transformer、BERT、CLIP；指标包括BLEU、mAP、accuracy、latency、spectral efficiency、semantic similarity、PER；信道/链路条件包括Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 0 dB、SNR of -5 dB、SNR of 5 dB、SNR = 5 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义信息度量与理论所需的抽象信源—任务—信道模型。", "pages": [1]}, "encoder": {"zh": "发送端采用 SemCom：提出了一种新的空间调制辅助的多输入多输出（MIMO）语义隐蔽通信系统，以提高系统的安全性和传输效率，并基于Kullback-Leibler散度推导了最优检测错误概率的封闭形式下界，该下界作为最优化问题的隐蔽性约束。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为界、度量或优化原则。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3659523", "title": "A Semantic-Empowered Free-Space Optical Communication System With Turbulence-Resilient Vector Beams", "authors": "Yuan Wei; Chaoxu Chen; Li Yao; Haoyu Zhang; Fang Dong; Fujie Li; Fang Wei; Guowei Jiang; Feng Bao; Yingjun Zhou; Ziwei Li; Chao Shen; Junwen Zhang; Nan Chi; Jianyang Shi", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "11530-11545", "ieee_document_id": "11373755", "source_url": "https://doi.org/10.1109/twc.2026.3659523", "pdf": "papers/2026_Wei_A_Semantic_Empowered_Free_Space_Optical_Communication_System_With_Turbulence_Resilient_Vecto.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "PVQAE", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["MNIST", "Fashion-MNIST"], "baselines": ["JPEG", "Polar", "Reed-Solomon"], "metrics": ["SSIM", "accuracy", "classification accuracy"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": ["compression ratio of 1.085", "compression ratio of 1", "compression ratio of 32"], "motivation": {"progress": {"pages": [1], "zh": "高空低轨平台辅助的自由空间光通信系统具有覆盖范围广、带宽高、频谱无需许可、容量大等特点，是未来空-空-地一体化通信网络发展的一个重要方向。"}, "problem": {"pages": [1], "zh": "然而，这些系统非常容易受到大气湍流的不利影响，从而降低了整体系统性能并带来了信号中断的风险。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们提出了一种新的语义通信范式，称为先验概率为基础的矢量量化自动编码器（PVQAE），使不间断和有效的图像传输在自由空间光通信系统在湍流条件下。"}, "mechanism": {"pages": [2], "zh": "具体而言，我们构建了一个基于先验概率的矢量量化自动编码器（PVQAE）框架，发送端通过深度学习编码器提取并传输原始图像的语义特征，接收端通过深度学习解码器恢复原始图像。"}, "claim": {"pages": [1], "zh": "仿真结果表明，PVQAE的更优的性能优于基准计划，如传统的方法，使用JPEG的图像源编码和里德所罗门（RS）的信道编码，在结构相似性指数（SSIM）和压缩比（CR）的产品，和分类精度。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种基于先验概率的矢量量化自动编码器（PVQAE），该编码器能够在湍流条件下实现自由空间光通信系统中的高效、不间断的图像传输，其中发送器通过深度学习编码器提取并发送原始图像的语义感知特征，并且接收端通过深度学习解码器恢复原始图像。"}, "representation_summary": {"pages": [1], "zh": "在本文中，我们提出了一种新的语义通信范式，称为先验概率为基础的矢量量化自动编码器（PVQAE），使不间断和有效的图像传输在自由空间光通信系统在湍流条件下。 独立判断：PVQAE 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，PVQAE的更优的性能优于基准计划，如传统的方法，使用JPEG的图像源编码和里德所罗门（RS）的信道编码，在结构相似性指数（SSIM）和压缩比（CR）的产品，和分类精度。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_a-semantic-empowered-free-space-optical-communication-system-with-turbulence-resilient-vector-beams_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_a-semantic-empowered-free-space-optical-communication-system-with-turbulence-resilient-vector-beams_result_p10.png", "caption": "Intensity profiles of the received vector beams over 20 km atmospheric turbulence channels with different C0", "number": "Fig. 4"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 10]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为MNIST、Fashion-MNIST；实验小节中明确出现的比较对象包括JPEG、Polar、Reed-Solomon；指标包括SSIM、accuracy、classification accuracy；正文可定位的代表性工作点有compression ratio of 1.085、compression ratio of 1、compression ratio of 32。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 PVQAE：本文提出了一种基于先验概率的矢量量化自动编码器（PVQAE），该编码器能够在湍流条件下实现自由空间光通信系统中的高效、不间断的图像传输，其中发送器通过深度学习编码器提取并发送原始图像的语义感知特征，并且接收端通过深度学习解码器恢复原始图像。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3650161", "title": "A Superimposed Pilot Design Method for Semantic Transmission Over Doubly Selective Channel", "authors": "Haotai Liang; Xiaoyi Liu; Chen Dong; Xiaodong Xu", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "10371-10386", "ieee_document_id": "11346889", "source_url": "https://doi.org/10.1109/twc.2025.3650161", "pdf": "papers/2026_Liang_A_Superimposed_Pilot_Design_Method_for_Semantic_Transmission_Over_Doubly_Selective_Channel.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "A Superimposed Pilot Design Method for Semantic Transmission Over Doubly Selective Channel", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["JSCC", "OFDM"], "metrics": ["SSIM", "MS-SSIM", "accuracy"], "channels": ["OFDM", "fading channel"], "snr_conditions": ["SNR=0 dB", "SNR=5 dB", "SNR=10 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "与传统通信相比，这些系统已经证明了令人印象深刻的语义性能，尤其是在低信噪比（SNR）条件下。"}, "problem": {"pages": [1], "zh": "然而，语义通信系统在双选择性信道中的应用仍然未被充分探索，并且语义通信在这种恶劣信道环境中实现鲁棒传输的潜力尚未得到充分利用。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文将语义通信扩展到双选择性信道场景，解决时变和频率选择性衰落的挑战。"}, "mechanism": {"pages": [2], "zh": "具体而言，考虑到语义传输的抗干扰能力强，并受语义不等式特性的启发，提出了一种基于正交频分复用（OFDM）的语义传输叠加导频设计方法。"}, "claim": {"pages": [1], "zh": "仿真结果验证了该方法的有效性，在双选择信道下，特别是在低信噪比条件下，该方法的传输质量明显优于传统的正交导频方案。"}}, "method_summary": {"pages": [1, 2], "zh": "针对时变和频率选择性衰落的挑战，将语义通信扩展到双选择性信道环境，考虑到语义传输抗干扰能力强的特点，并受语义不等式特性的启发，提出了一种基于正交频分复用（OFDM）的语义传输叠加导频设计方法。"}, "representation_summary": {"zh": "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 Superimposed Pilot Design Method for Semantic Transmission Over Doubly Selective Channel 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果验证了该方法的有效性，在双选择信道下，特别是在低信噪比条件下，该方法的传输质量明显优于传统的正交导频方案。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_a-superimposed-pilot-design-method-for-semantic-transmission-over-doubly-selective-channel_method_p2.png", "caption": "An input image X ∈ RW ×H×C is processed through a unified semantic encoder that generates semantic symbols", "number": "Fig. 1"}, {"kind": "result", "page": 8, "file": "assets/2026_a-superimposed-pilot-design-method-for-semantic-transmission-over-doubly-selective-channel_result_p8.png", "caption": "Semantic communication system with unequal power allocation", "number": "Fig. 4"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括JSCC、OFDM；指标包括SSIM、MS-SSIM、accuracy；信道/链路条件包括OFDM、fading channel；正文可定位的代表性工作点有SNR=0 dB、SNR=5 dB、SNR=10 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 A Superimposed Pilot Design Method for Semantic Transmission Over Doubly Selective Channel：针对时变和频率选择性衰落的挑战，将语义通信扩展到双选择性信道环境，考虑到语义传输抗干扰能力强的特点，并受语义不等式特性的启发，提出了一种基于正交频分复用（OFDM）的语义传输叠加导频设计方法。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3716064", "title": "Active Movable-Element RIS Assisted Vehicular Semantic Communications: Modeling and Optimization", "authors": "Maoxin Ji; Qiong Wu; Jingbo Zhang; Pingyi Fan; Kezhi Wang; Wen Chen; Guoqiang Mao; Khaled B. Letaief", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "20588-20605", "ieee_document_id": "11628052", "source_url": "https://doi.org/10.1109/twc.2026.3716064", "pdf": "papers/2026_Ji_Active_Movable_Element_RIS_Assisted_Vehicular_Semantic_Communications_Modeling_and_Optimizat.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "通用语义通信系统", "theme": "jscc", "method_name": "RM-A-RIS", "communication_layer": "联合信源信道编码（JSCC）", "layer_explanation": "在同一系统中共同设计压缩、语义保真和抗信道噪声机制。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["OFDM", "Swift", "CLIP"], "metrics": ["mAP", "accuracy", "AoI", "latency", "energy efficiency", "semantic similarity", "PER"], "channels": ["MIMO", "OFDM"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "车载环境中严重的信号阻塞和快速变化的信道对可靠的语义通信提出了严峻的挑战。"}, "problem": {"zh": "在本文设定中，现有方法不能同时满足“通用语义通信系统”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。", "pages": [1]}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对上述问题，设计了一种新型的行移动式主动可重构智能表面（RM-A-RIS）辅助的车载语义通信系统。"}, "mechanism": {"pages": [1], "zh": "通过协调RIS元素位置、主动反射系数和语义符号长度，提出了一个最大化语义谱效率（SSE）的联合优化问题。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与被动RIS、固定位置主动RIS和量子粒子群优化算法相比，所提算法在语义谱效率上分别提高了132.9%、9.2%和35.2%，明显优于已有的基准算法。"}}, "method_summary": {"pages": [1], "zh": "针对这些问题，提出了一种新的行可移动主动可重构智能表面（RM-A-RIS）辅助车辆语义通信系统，通过协调RIS单元位置、主动反射系数和语义符号长度，建立了语义频谱效率（SSE）最大化的联合优化问题。"}, "representation_summary": {"zh": "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：RM-A-RIS 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 11], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 11]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与被动RIS、固定位置主动RIS和量子粒子群优化算法相比，所提算法在语义谱效率上分别提高了132.9%、9.2%和35.2%，明显优于已有的基准算法。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_active-movable-element-ris-assisted-vehicular-semantic-communications-modeling-and-optimization_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 13, "file": "assets/2026_active-movable-element-ris-assisted-vehicular-semantic-communications-modeling-and-optimization_result_p13.png", "caption": "Average SINR for different methods", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括OFDM、Swift、CLIP；指标包括mAP、accuracy、AoI、latency、energy efficiency、semantic similarity、PER；信道/链路条件包括MIMO、OFDM。", "pages": [11]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是通用语义通信系统所需的信源数据和接收端任务。", "pages": [1]}, "encoder": {"zh": "发送端采用 RM-A-RIS：针对这些问题，提出了一种新的行可移动主动可重构智能表面（RM-A-RIS）辅助车辆语义通信系统，通过协调RIS单元位置、主动反射系数和语义符号长度，建立了语义频谱效率（SSE）最大化的联合优化问题。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 11]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 11]}, "output": {"zh": "最终输出为重建内容或任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3600880", "title": "Adaptive Semantic Communication System for High-Quality Remote Sensing Image Transmission in Unstable Wireless Environments", "authors": "Zhangyayu Tan; Caiping Liu; Kun Xie; Yudian Ouyang; Jigang Wen; Guangxing Zhang; Dong Chen; Gaogang Xie; Kenli Li", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "3001-3015", "ieee_document_id": "11218735", "source_url": "https://doi.org/10.1109/twc.2025.3600880", "pdf": "papers/2026_Tan_Adaptive_Semantic_Communication_System_for_High_Quality_Remote_Sensing_Image_Transmission_in.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "ARJSCC", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Kodak"], "baselines": ["DeepJSCC", "WITT", "BPG", "GAN", "ViT", "Transformer", "JSCC"], "metrics": ["PSNR", "mAP", "latency", "MSE", "PER"], "channels": ["AWGN", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["SNR = -3 dB", "SNR of 30dB", "SNR = 24 dB", "SNR = 0 dB", "SNR = 18 dB"], "ber_conditions": [], "rate_conditions": ["bandwidth ratio: 1/4"], "motivation": {"progress": {"pages": [1], "zh": "高质量的遥感图像在环境监测和灾害管理中发挥着至关重要的作用。"}, "problem": {"pages": [1], "zh": "然而，由于在远程通信中遇到的不稳定的信噪比（SNR）和带宽限制，传输这些图像是具有挑战性的。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为解决这些问题，提出一种基于深度联合信源信道编码（DeepJSCC）的星地自适应残差联合信源信道编码（ARJSCC）压缩传输系统。"}, "mechanism": {"pages": [2], "zh": "本文致力于设计一种适用于复杂星地通信环境的采用深度自动编码器的端到端JSCC压缩传输系统。"}, "claim": {"pages": [1], "zh": "实验结果表明，ARJSCC算法在低信噪比、低带宽环境下，重建质量可达44 dB以上，比同类算法提高4-6dB。"}}, "method_summary": {"pages": [1, 2], "zh": "针对这些问题，在深度联合信源信道编码（DeepJSCC）的基础上，提出了一种基于自适应残差联合信源信道编码（ARJSCC）的星地压缩传输系统，重点设计了一种适用于复杂星地通信环境的基于深度自动编码器的端到端JSCC压缩传输系统。"}, "representation_summary": {"zh": "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：ARJSCC 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。", "pages": [2]}, "overhead_summary": {"pages": [8], "zh": "实验设置1）数据集：我们使用两种不同分辨率的图像数据集：32 × 32和600 × 600。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，ARJSCC算法在低信噪比、低带宽环境下，重建质量可达44 dB以上，比同类算法提高4-6dB。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_adaptive-semantic-communication-system-for-high-quality-remote-sensing-image-transmission-in-unstabl_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_adaptive-semantic-communication-system-for-high-quality-remote-sensing-image-transmission-in-unstabl_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为Kodak；实验小节中明确出现的比较对象包括DeepJSCC、WITT、BPG、GAN、ViT、Transformer、JSCC；指标包括PSNR、mAP、latency、MSE、PER；信道/链路条件包括AWGN、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR = -3 dB、SNR of 30dB、SNR = 24 dB、SNR = 0 dB、SNR = 18 dB、bandwidth ratio: 1/4。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 ARJSCC：针对这些问题，在深度联合信源信道编码（DeepJSCC）的基础上，提出了一种基于自适应残差联合信源信道编码（ARJSCC）的星地压缩传输系统，重点设计了一种适用于复杂星地通信环境的基于深度自动编码器的端到端JSCC压缩传输系统。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3601158", "title": "Adaptive Semantic Speech Transmission for High-Speed Scenarios", "authors": "Fangyu Liu; Peiwen Jiang; Wenjin Wang; Xingyu Zhou; Jing Zhang; Chao-Kai Wen; Shi Jin", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "3060-3074", "ieee_document_id": "11143966", "source_url": "https://doi.org/10.1109/twc.2025.3601158", "pdf": "papers/2026_Liu_Adaptive_Semantic_Speech_Transmission_for_High_Speed_Scenarios.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语音/音频传输或识别", "theme": "adaptive", "method_name": "SwitchAC-SIP", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["LibriSpeech", "VoxCeleb"], "baselines": ["DeepSC", "LDPC", "OFDM"], "metrics": ["WER", "accuracy", "MSE", "PESQ"], "channels": ["AWGN", "MIMO", "OFDM", "fading channel"], "snr_conditions": ["SNR of 26 dB", "SNR of 10 dB"], "ber_conditions": ["ber of 16"], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，受深度学习（DL）在自然语言处理和计算机视觉中的应用启发，大量研究探索了使用DL来解决通信系统中的挑战。"}, "problem": {"pages": [1], "zh": "然而，当前的语义通信系统缺乏全面的物理层设计，这限制了它们在快速变化的条件下实现最佳性能的能力。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了保证高质量的语音传输，本文提出了一种基于叠加导频的自适应语义语音识别与克隆传输系统SwitchAC-SIP。"}, "mechanism": {"pages": [1], "zh": "该系统在发射机处将语音信号转换成文本内容和说话者音色特征，而语音克隆模型在接收机处基于这些特征用与原始说话者非常相似的音色来重构语音，从而消除了针对不同用户重新训练语音生成模型的需要，确保了传输质量和效率。"}, "claim": {"pages": [1], "zh": "仿真结果表明，该系统在传输效率和传输精度上都有较大的提高。"}}, "method_summary": {"pages": [1], "zh": "针对这一问题，本文提出了一个自适应语义语音识别与克隆传输系统，该系统具有叠加导频（SwitchAC-SIP），以确保高质量的语音传输。该系统在发送端将语音信号转换为文本内容和扬声器音质特征，尽管语音克隆模型基于这些特征在接收机处重建具有与原始说话者非常相似的音色的语音，从而消除了为不同用户重新训练语音生成模型的需要，确保了传输质量和效率。"}, "representation_summary": {"zh": "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：SwitchAC-SIP 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，该系统在传输效率和传输精度上都有较大的提高。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2026_adaptive-semantic-speech-transmission-for-high-speed-scenarios_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_adaptive-semantic-speech-transmission-for-high-speed-scenarios_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为LibriSpeech、VoxCeleb；实验小节中明确出现的比较对象包括DeepSC、LDPC、OFDM；指标包括WER、accuracy、MSE、PESQ；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 of 26 dB、SNR of 10 dB、ber of 16。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语音/音频传输或识别所需的语音波形、声学特征或说话人信息。", "pages": [1]}, "encoder": {"zh": "发送端采用 SwitchAC-SIP：针对这一问题，本文提出了一个自适应语义语音识别与克隆传输系统，该系统具有叠加导频（SwitchAC-SIP），以确保高质量的语音传输。该系统在发送端将语音信号转换为文本内容和扬声器音质特征，尽管语音克隆模型基于这些特征在接收机处重建具有与原始说话者非常相似的音色的语音，从而消除了为不同用户重新训练语音生成模型的需要，确保了传输质量和效率。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建语音、识别文本或说话人任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3679927", "title": "Adaptive Source-Channel Coding for Multi-User Semantic and Data Communications", "authors": "Kai Yuan; Dongxu Li; Jianhao Huang; Han Zhang; Chuan Huang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "14766-14780", "ieee_document_id": "11475815", "source_url": "https://doi.org/10.1109/twc.2026.3679927", "pdf": "papers/2026_Yuan_Adaptive_SourceChannel_Coding_for_Multi_User_Semantic_and_Data_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "multiuser", "method_name": "MU-ASCC", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10"], "baselines": ["BPG", "NOMA", "JSCC", "SSCC", "OFDM", "ResNet"], "metrics": ["SSIM", "MS-SSIM", "accuracy", "classification accuracy", "spectral efficiency", "semantic similarity", "MSE", "BER", "PER"], "channels": ["AWGN", "OFDM", "bit flip", "wireless channel"], "snr_conditions": ["at 10 dB SNR"], "ber_conditions": ["BER = 10-6", "BER = 10-9"], "rate_conditions": ["bandwidth ratio of 0.0356"], "motivation": {"progress": {"pages": [1], "zh": "研究了一种多用户语义和数据通信（MU-SemDaCom）系统，其中基站（BS）通过下行链路多用户多输入单输出（MU-MISO）信道同时为具有不同语义和数据任务的用户提供服务。"}, "problem": {"pages": [1], "zh": "然而，这些方法需要精心的架构设计，以使基于模拟的DJSCC系统数字兼容。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此提出了一种多用户自适应信源信道编码（MU-ASCC）框架，该框架根据信道条件自适应地优化基于深度神经网络（DNN）的信源编码、数字信道编码和叠加广播。"}, "mechanism": {"pages": [1], "zh": "所得到的逻辑斯谛公式将E2E失真分解为信源失真项和信道失真项之和，其中逻辑斯谛参数的变化是任务相关的，并且由DNN和信道参数共同确定。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与传统的针对单个任务设计的分离信源信道编码（SSCC）和深度联合信源信道编码（DJSCC）方案相比，所提出的MU-ASCC方案在数据恢复和语义任务性能上同时得到了改善。"}}, "method_summary": {"pages": [1], "zh": "针对这些问题，本文提出了一种多用户自适应信源信道编码（MU-ASCC）框架，该框架根据信道条件自适应地优化基于深度神经网络（DNN）的信源编码、数字信道编码和叠加广播，其中逻辑参数变化是任务相关的，并且由DNN和信道参数共同确定。"}, "representation_summary": {"zh": "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：MU-ASCC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 3]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与传统的针对单个任务设计的分离信源信道编码（SSCC）和深度联合信源信道编码（DJSCC）方案相比，所提出的MU-ASCC方案在数据恢复和语义任务性能上同时得到了改善。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_adaptive-source-channel-coding-for-multi-user-semantic-and-data-communications_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_adaptive-source-channel-coding-for-multi-user-semantic-and-data-communications_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 3]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括BPG、NOMA、JSCC、SSCC、OFDM、ResNet；指标包括SSIM、MS-SSIM、accuracy、classification accuracy、spectral efficiency、semantic similarity、MSE、BER、PER；信道/链路条件包括AWGN、OFDM、bit flip、wireless channel；正文可定位的代表性工作点有at 10 dB SNR、BER = 10-6、BER = 10-9、bandwidth ratio of 0.0356。", "pages": [3]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 MU-ASCC：针对这些问题，本文提出了一种多用户自适应信源信道编码（MU-ASCC）框架，该框架根据信道条件自适应地优化基于深度神经网络（DNN）的信源编码、数字信道编码和叠加广播，其中逻辑参数变化是任务相关的，并且由DNN和信道参数共同确定。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 3]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 3]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3600511", "title": "Age of Semantic Information-Aware Wireless Transmission for Remote Monitoring Systems", "authors": "Xue Han; Biqian Feng; Yongpeng Wu; Xiang-Gen Xia; Wenjun Zhang; Shengli Sun", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "2939-2953", "ieee_document_id": "11142597", "source_url": "https://doi.org/10.1109/twc.2025.3600511", "pdf": "papers/2026_Han_Age_of_Semantic_Information_Aware_Wireless_Transmission_for_Remote_Monitoring_Systems.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "视频传输、生成或控制", "theme": "theory", "method_name": "AoIS", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["UCF101"], "baselines": ["LDPC", "QAM", "H.265", "JSCC", "CLIP"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "mAP", "AoI"], "channels": ["MIMO", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信正在成为促进下一代通信系统的智能和上下文感知通信的有效手段。"}, "problem": {"pages": [1], "zh": "在本文中，我们提出了一种新的度量称为年龄的不正确的语义（AoIS）的视频帧的传输在多输入多输出（MIMO）信道中的监控系统。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们提出了一种新的度量称为年龄的不正确的语义（AoIS）的视频帧的传输在多输入多输出（MIMO）信道中的监控系统。"}, "mechanism": {"pages": [1], "zh": "不同于传统的基于年龄的方法，我们共同考虑信息的新鲜度和语义的重要性，然后制定一个时间平均AoIS最小化问题，通过联合优化语义驱动指标，收发器波束形成器，和语义符号的设计。"}, "claim": {"pages": [1], "zh": "实验结果表明，我们的计划可以保持超过50%的原始信息在相同的AoIS相比，受约束的基线。"}}, "method_summary": {"pages": [1], "zh": "本文针对监控系统中多输入多输出（MIMO）信道上视频帧的传输问题，提出了一种新的语义不正确年龄（AoIS）度量方法，与传统的基于年龄的度量方法不同，该方法综合考虑了信息的新鲜度和语义的重要性，通过联合优化语义激励指标，收发器波束形成器和语义符号设计。"}, "representation_summary": {"zh": "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：AoIS 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"pages": [10], "zh": "对于传统的分离编码方法，我们采用了“H. 265 +2/3LDPC+4 QAM”作为基准，采用了2/3码率的LDPC码和4 QAM调制。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，我们的计划可以保持超过50%的原始信息在相同的AoIS相比，受约束的基线。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_age-of-semantic-information-aware-wireless-transmission-for-remote-monitoring-systems_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_age-of-semantic-information-aware-wireless-transmission-for-remote-monitoring-systems_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为UCF101；实验小节中明确出现的比较对象包括LDPC、QAM、H.265、JSCC、CLIP；指标包括PSNR、SSIM、MS-SSIM、LPIPS、mAP、AoI；信道/链路条件包括MIMO、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 AoIS：本文针对监控系统中多输入多输出（MIMO）信道上视频帧的传输问题，提出了一种新的语义不正确年龄（AoIS）度量方法，与传统的基于年龄的度量方法不同，该方法综合考虑了信息的新鲜度和语义的重要性，通过联合优化语义激励指标，收发器波束形成器和语义符号设计。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3597717", "title": "Coarse-to-Fine: A Dual-Phase Channel-Adaptive Method for Wireless Image Transmission", "authors": "Hanlei Li; Guangyi Zhang; Kequan Zhou; Yunlong Cai; Guanding Yu", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "2607-2623", "ieee_document_id": "11130661", "source_url": "https://doi.org/10.1109/twc.2025.3597717", "pdf": "papers/2026_Li_Coarse_to_Fine_A_Dual_Phase_Channel_Adaptive_Method_for_Wireless_Image_Transmission.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "Coarse-to-Fine", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet", "Kodak"], "baselines": ["DeepJSCC", "DQN", "ADJSCC", "JSCC", "OFDM"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "latency", "MSE", "PER"], "channels": ["OFDM", "fading channel", "wireless channel", "block fading"], "snr_conditions": ["SNR of 10 dB"], "ber_conditions": [], "rate_conditions": ["CBR = 1/24", "CBR = 1/12"], "motivation": {"progress": {"pages": [1], "zh": "虽然上述工作已经证明是成功的，但它们主要集中在优化固定信噪比（SNR）水平的模型。"}, "problem": {"pages": [1], "zh": "发展信道自适应深度联合信源信道编码（JSCC）系统是无线图像传输的关键挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "提出了一种新的粗到细信道自适应JSCC框架（CFA-JSCC），该框架能够同时处理无线信道中的显著波动和快速变化。"}, "mechanism": {"pages": [1], "zh": "具体而言，在粗粒度阶段，CFA-JSCC利用平均信噪比（SNR）来调整编码策略，从而提供对主要信道条件的初步适应。"}, "claim": {"pages": [1], "zh": "实验结果表明，CFA-JSCC算法在捕获信道变化方面具有更大的灵活性，并且在时变信道环境下具有更好的鲁棒性。"}}, "method_summary": {"pages": [1], "zh": "提出了一种新的从粗到细的信道自适应JSCC框架（CFA-JSCC），该框架能够同时处理无线信道的剧烈波动和快速变化，在粗粒度阶段，CFA-JSCC利用平均信噪比（SNR）来调整编码策略，对当前的信道条件进行初步的自适应。"}, "representation_summary": {"zh": "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：Coarse-to-Fine 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [1], "zh": "本文研究了时变块衰落信道，其中单个图像的传输可能经历多个衰落事件。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，CFA-JSCC算法在捕获信道变化方面具有更大的灵活性，并且在时变信道环境下具有更好的鲁棒性。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_coarse-to-fine-a-dual-phase-channel-adaptive-method-for-wireless-image-transmission_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_coarse-to-fine-a-dual-phase-channel-adaptive-method-for-wireless-image-transmission_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [1]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为ImageNet、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、DQN、ADJSCC、JSCC、OFDM；指标包括PSNR、SSIM、MS-SSIM、latency、MSE、PER；信道/链路条件包括OFDM、fading channel、wireless channel、block fading；正文可定位的代表性工作点有SNR of 10 dB、CBR = 1/24、CBR = 1/12。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 Coarse-to-Fine：提出了一种新的从粗到细的信道自适应JSCC框架（CFA-JSCC），该框架能够同时处理无线信道的剧烈波动和快速变化，在粗粒度阶段，CFA-JSCC利用平均信噪比（SNR）来调整编码策略，对当前的信道条件进行初步的自适应。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [1]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [1]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3624727", "title": "Coded Semantic-Aware Coordinated Transmission in Cohesive Clustered Satellite Systems: An Incremental MADRL Approach", "authors": "Liang Xu; Jian Jiao; Xingjian Zhang; Ye Wang; Qinyu Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "6362-6378", "ieee_document_id": "11220898", "source_url": "https://doi.org/10.1109/twc.2025.3624727", "pdf": "papers/2026_Xu_Coded_Semantic_Aware_Coordinated_Transmission_in_Cohesive_Clustered_Satellite_Systems_An_Inc.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "digital", "method_name": "CSCT", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": [], "baselines": [], "metrics": ["accuracy", "AoI", "energy efficiency", "utility"], "channels": ["OTFS"], "snr_conditions": ["SNR = 10dB", "SNR=10 dB", "SNR = 10 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "多星协同传输（MSCT）技术是实现大容量、连续通信的有效手段。"}, "problem": {"pages": [1], "zh": "然而，现有的多层螺旋CT（MSCT）方案在传输数据的语义感知方面存在不足，限制了信息的利用。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种编码语义感知协同传输（CSCT）方案，以提高可扩展CCS系统的语义感知能力和传输可靠性。"}, "mechanism": {"pages": [1], "zh": "设计了一种基于随机化Kaczmarz的逐次相消后优先级联合译码（RKZ-SCPJD）解码器，实现了低复杂度的卫星信号恢复。"}, "claim": {"pages": [1], "zh": "大量的仿真结果证明了理论推导的准确性，并突出了CSCT方案在各种设置下优于现有方案的性能，特别是在增强UoI和支持可扩展MSCT方面。"}}, "method_summary": {"pages": [1], "zh": "该文提出了一种编码语义感知协同传输（CSCT）方案，以提高可扩展CCS系统中的语义感知能力和传输可靠性，并设计了一种基于随机Kaczmarz的逐次对消和优先级联合译码（RKZ-SCPJD）的译码器，实现了低复杂度的卫星信号恢复。"}, "representation_summary": {"pages": [1], "zh": "CSCT方案使用具有T阶码本的级联编码来使卫星能够对语义消息进行编码并协调它们向地面站的传输。 独立判断：CSCT 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "大量的仿真结果证明了理论推导的准确性，并突出了CSCT方案在各种设置下优于现有方案的性能，特别是在增强UoI和支持可扩展MSCT方面。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_coded-semantic-aware-coordinated-transmission-in-cohesive-clustered-satellite-systems-an-incremental_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_coded-semantic-aware-coordinated-transmission-in-cohesive-clustered-satellite-systems-an-incremental_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 10]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "指标包括accuracy、AoI、energy efficiency、utility；信道/链路条件包括OTFS；正文可定位的代表性工作点有SNR = 10dB、SNR=10 dB、SNR = 10 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 CSCT：该文提出了一种编码语义感知协同传输（CSCT）方案，以提高可扩展CCS系统中的语义感知能力和传输可靠性，并设计了一种基于随机Kaczmarz的逐次对消和优先级联合译码（RKZ-SCPJD）的译码器，实现了低复杂度的卫星信号恢复。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3698559", "title": "CoDS: Collaborative Perception via Digital Semantic Communication", "authors": "Jipeng Gan; Le Liang; Hua Zhang; Chongtao Guo; Shi Jin", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "18229-18245", "ieee_document_id": "11554267", "source_url": "https://doi.org/10.1109/twc.2026.3698559", "pdf": "papers/2026_Gan_CoDS_Collaborative_Perception_via_Digital_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "digital", "method_name": "CoDS", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 4：离散 bit/index/packet error 被显式建模或联合训练", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["OPV2V", "CARLA"], "baselines": ["LDPC", "VQ-VAE", "VAE", "GAN", "Transformer", "QAM"], "metrics": ["mAP", "accuracy", "latency", "IoU", "throughput", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["SNR = -10 dB", "SNR = 20 dB", "SNR of 20 dB", "SNR of 12 dB", "SNR = 12 dB", "SNR = 5 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信已被引入到自动驾驶的协同感知系统中，为提高数据传输效率和鲁棒性提供了一种有前途的方法。"}, "problem": {"pages": [1], "zh": "然而，这些系统受到固有限制的约束，包括受限的视场和由建筑物或其他车辆的遮挡引起的关键盲点，这可能会危及安全。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了弥合这一关键差距，我们提出了CoDS，一种新的基于数字语义通信的协作感知框架，旨在实现实际数字通信系统中的语义级传输效率。"}, "mechanism": {"pages": [1], "zh": "具体来说，我们开发了一个语义压缩编解码器，提取和压缩面向任务的语义特征，同时保持下游的感知精度。"}, "claim": {"pages": [1], "zh": "大量实验表明，CoDS的性能明显优于现有的语义通信和传统的数字通信方案，在确保与实际数字V2X系统兼容的同时，实现了最先进的感知性能。"}}, "method_summary": {"pages": [1], "zh": "为了弥补这一不足，我们提出了一种新的基于数字语义通信的协同感知框架CoDS，该框架旨在实现实际数字通信系统中语义级的高效传输，具体地说，我们开发了一种语义压缩编解码器，该编解码器在保持下游感知准确性的同时，提取并压缩面向任务的语义特征。"}, "representation_summary": {"pages": [1], "zh": "在此基础上，我们提出了一种新颖的语义模数转换器，该转换器将这些连续的语义特征转换为离散的bitstream，从而确保与现有的数字通信链路集成。 独立判断：CoDS 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。"}, "overhead_summary": {"pages": [4], "zh": "论文用特征信道压缩比 γc=C/C₀ 和信道使用次数衡量开销；若要还原真实空口 bit 数，还需同时计入量化位宽、调制阶数、FEC 与包头。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "连续协同感知特征先被转换为离散 bitstream；训练和仿真显式考虑数字传输错误，并通过语义感知的 bit/index 映射减小单比特错误引起的特征跳变。 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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "大量实验表明，CoDS的性能明显优于现有的语义通信和传统的数字通信方案，在确保与实际数字V2X系统兼容的同时，实现了最先进的感知性能。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_cods-collaborative-perception-via-digital-semantic-communication_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_cods-collaborative-perception-via-digital-semantic-communication_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：可能出错或缺失的离散 bit/token/index（或其 soft estimate）。", "pages": [2, 10]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为OPV2V、CARLA；实验小节中明确出现的比较对象包括LDPC、VQ-VAE、VAE、GAN、Transformer、QAM；指标包括mAP、accuracy、latency、IoU、throughput、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR = -10 dB、SNR = 20 dB、SNR of 20 dB、SNR of 12 dB、SNR = 12 dB、SNR = 5 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 CoDS：为了弥补这一不足，我们提出了一种新的基于数字语义通信的协同感知框架CoDS，该框架旨在实现实际数字通信系统中语义级的高效传输，具体地说，我们开发了一种语义压缩编解码器，该编解码器在保持下游感知准确性的同时，提取并压缩面向任务的语义特征。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 4：离散 bit/index/packet error 被显式建模或联合训练”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从可能出错或缺失的离散 bit/token/index（或其 soft estimate）开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3709956", "title": "DGSemCom: Digital Generative Semantic Communications via Discrete Denoising Diffusion Model for Latent Error Correction", "authors": "Junxiao Liang; Wenjun Xu; Long Liu; Fengyu Wang; Xiaodong Xu; Jiejie Guo; Ping Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "19482-19497", "ieee_document_id": "11602767", "source_url": "https://doi.org/10.1109/twc.2026.3709956", "pdf": "papers/2026_Liang_DGSemCom_Digital_Generative_Semantic_Communications_via_Discrete_Denoising_Diffusion_Model_f.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "DGSemCom", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 4：离散 bit/index/packet error 被显式建模或联合训练", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["FFHQ"], "baselines": ["BPG", "LDPC", "Transformer", "QAM"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "FID", "mAP", "accuracy", "latency", "semantic similarity", "bpp"], "channels": ["AWGN", "Rayleigh", "BSC", "fading channel"], "snr_conditions": ["SNR = 4 dB", "SNR = 2 dB", "SNR = 0 dB", "SNR = 12 dB", "SNR of 0 dB"], "ber_conditions": ["BER of 0.05", "BER = 0.05"], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "连续值语义表示的硬件不兼容性和离散语义传输对信道噪声的脆弱性是语义通信（SemComs）的关键瓶颈。"}, "problem": {"pages": [1], "zh": "然而，标量量化损害了语义特征所必需的结构相关性，并且E2E训练范式仍然面临跨层优化的挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种数字生成SemCom（DGSemCom）框架，它结合了产品量化（PQ）的有效离散特征表示和离散去噪扩散模型的潜在错误校正。"}, "mechanism": {"pages": [1], "zh": "其次，为了减轻离散语义传输的脆弱性，DGSemCom通过解耦语义先验和信道似然建模将纠错重新表述为后验解码过程。"}, "claim": {"pages": [1], "zh": "大量的实验表明，DGSemCom实现了更优的性能相比，基线，具有2 dB的高峰值信噪比（PSNR）和学习感知图像块相似性（LPIPS）的表示能力方面的减少36.1%，沿着与噪声鲁棒性增益超过2 dB。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种数字生成SemCom（DGSemCom）框架，该框架采用积量化（PQ）实现有效的离散特征表示，并采用离散去噪扩散模型实现潜在纠错。其次，为了减轻离散语义传输的脆弱性，DGSemCom通过解耦语义先验和信道似然建模，将纠错重新定义为后验解码过程。"}, "representation_summary": {"pages": [1], "zh": "本文提出了一种数字生成SemCom（DGSemCom）框架，它结合了产品量化（PQ）的有效离散特征表示和离散去噪扩散模型的潜在错误校正。 独立判断：DGSemCom 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "PQ 索引经数字信道后可能发生离散错误；接收端把纠错写成结合语义先验与信道似然的后验解码，并用离散去噪扩散模型恢复受损 latent/index。 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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "大量的实验表明，DGSemCom实现了更优的性能相比，基线，具有2 dB的高峰值信噪比（PSNR）和学习感知图像块相似性（LPIPS）的表示能力方面的减少36.1%，沿着与噪声鲁棒性增益超过2 dB。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_dgsemcom-digital-generative-semantic-communications-via-discrete-denoising-diffusion-model-for-laten_method_p3.png", "caption": "The framework of the proposed DGSemCom", "number": "Fig. 1"}, {"kind": "result", "page": 9, "file": "assets/2026_dgsemcom-digital-generative-semantic-communications-via-discrete-denoising-diffusion-model-for-laten_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：可能出错或缺失的离散 bit/token/index（或其 soft estimate）。", "pages": [2, 10]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为FFHQ；实验小节中明确出现的比较对象包括BPG、LDPC、Transformer、QAM；指标包括PSNR、SSIM、MS-SSIM、LPIPS、FID、mAP、accuracy、latency、semantic similarity、bpp；信道/链路条件包括AWGN、Rayleigh、BSC、fading channel；正文可定位的代表性工作点有SNR = 4 dB、SNR = 2 dB、SNR = 0 dB、SNR = 12 dB、SNR of 0 dB、BER of 0.05、BER = 0.05。", "pages": [10]}, "reviewer_value": "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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 DGSemCom：本文提出了一种数字生成SemCom（DGSemCom）框架，该框架采用积量化（PQ）实现有效的离散特征表示，并采用离散去噪扩散模型实现潜在纠错。其次，为了减轻离散语义传输的脆弱性，DGSemCom通过解耦语义先验和信道似然建模，将纠错重新定义为后验解码过程。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 4：离散 bit/index/packet error 被显式建模或联合训练”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从可能出错或缺失的离散 bit/token/index（或其 soft estimate）开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3657387", "title": "Diffusion-Based Trajectory and Semantic Resource Optimization in UAV-Assisted Edge Computing", "authors": "Chen Wang; Ruonan Zhang; Zehui Xiong; Daosen Zhai; Dusit Niyato; Zhu Han", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "11672-11687", "ieee_document_id": "11369867", "source_url": "https://doi.org/10.1109/twc.2026.3657387", "pdf": "papers/2026_Wang_Diffusion_Based_Trajectory_and_Semantic_Resource_Optimization_in_UAV_Assisted_Edge_Computing.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "generative", "method_name": "H-DDPG", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NOMA", "RSMA", "DDPG"], "metrics": ["accuracy", "AoI", "latency", "semantic similarity", "throughput", "PER"], "channels": ["wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "由于边缘应用需要在有限的带宽和能量下进行实时处理，传统的通信系统由于集中式架构和冗余数据传输而面临满足性能要求的挑战。"}, "problem": {"pages": [1], "zh": "然而，终端设备经常上传大量冗余数据。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了克服这些挑战，本文提出了一种无人机辅助的语义边缘计算网络，利用无人机的移动性和语义通信。"}, "mechanism": {"pages": [1], "zh": "为了最大化语义处理速度，提出了一个无人机航迹、数据分配和语义提取的联合优化问题。"}, "claim": {"pages": [1], "zh": "仿真结果表明，H-D3 PG与原始数据传输相比，语义处理率提高了38.8%，同时降低了能耗。"}}, "method_summary": {"pages": [1], "zh": "为了解决这些问题，本文提出了一种基于无人机移动性和语义通信的无人机辅助语义边缘计算网络，提出了一个包含无人机轨迹、数据分配和语义提取的联合优化问题，以最大化语义处理速率。"}, "representation_summary": {"zh": "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：H-DDPG 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，H-D3 PG与原始数据传输相比，语义处理率提高了38.8%，同时降低了能耗。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_diffusion-based-trajectory-and-semantic-resource-optimization-in-uav-assisted-edge-computing_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_diffusion-based-trajectory-and-semantic-resource-optimization-in-uav-assisted-edge-computing_result_p8.png", "caption": "Specifically, we first employ the BCD METHOD to decompose the original problem into three subproblems: UAV trajectory", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NOMA、RSMA、DDPG；指标包括accuracy、AoI、latency、semantic similarity、throughput、PER；信道/链路条件包括wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 H-DDPG：为了解决这些问题，本文提出了一种基于无人机移动性和语义通信的无人机辅助语义边缘计算网络，提出了一个包含无人机轨迹、数据分配和语义提取的联合优化问题，以最大化语义处理速率。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3670608", "title": "Diffusion-Enabled Secure Semantic Communication Against Eavesdropping", "authors": "Boxiang He; Zihan Chen; Fanggang Wang; Shilian Wang; Zhijin Qin; Tony Q. S. Quek", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "13430-13446", "ieee_document_id": "11431158", "source_url": "https://doi.org/10.1109/twc.2026.3670608", "pdf": "papers/2026_He_Diffusion_Enabled_Secure_Semantic_Communication_Against_Eavesdropping.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "security", "method_name": "ARN", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "MNIST"], "baselines": ["Transformer", "DDPG"], "metrics": ["mAP", "accuracy", "classification accuracy", "latency", "MSE"], "channels": ["Rician"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，去噪扩散概率模型（DDPM）在多媒体内容生成中表现出了强大的能力。"}, "problem": {"pages": [1], "zh": "然而，AN的引入也对合法接收者在提取语义信息方面提出了挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "提出了一种新的基于扩散的可插拔加密/解密模块的防窃听设计方案，其中可插拔模块可任意组装到语义通信系统中以防止窃听。"}, "mechanism": {"pages": [1], "zh": "具体地，可插入加密模块生成AN并将其添加到语义发送器的输出，而语义接收端之前的可插入解密模块使用DDPM通过去除AN和信道噪声来生成详细的语义信息。"}, "claim": {"pages": [1], "zh": "仿真结果表明，可扩展的可插拔加密模块具有很高的隐蔽性，能够有效防止语义窃听，而可插拔解密模块能够实现高质量的语义通信。"}}, "method_summary": {"pages": [1], "zh": "提出了一种新的防语义窃听的可插入式加密/解密模块设计方案，该方案将可插入式加密模块组装到语义通信系统中，具体地说，可插入式加密模块生成AN并将其添加到语义发送器的输出中，而语义接收端的可插拔解密模块采用DDPM算法，通过去除AN和信道噪声，生成详细的语义信息。"}, "representation_summary": {"zh": "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：ARN 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，可扩展的可插拔加密模块具有很高的隐蔽性，能够有效防止语义窃听，而可插拔解密模块能够实现高质量的语义通信。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_diffusion-enabled-secure-semantic-communication-against-eavesdropping_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_diffusion-enabled-secure-semantic-communication-against-eavesdropping_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、MNIST；实验小节中明确出现的比较对象包括Transformer、DDPG；指标包括mAP、accuracy、classification accuracy、latency、MSE；信道/链路条件包括Rician。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 ARN：提出了一种新的防语义窃听的可插入式加密/解密模块设计方案，该方案将可插入式加密模块组装到语义通信系统中，具体地说，可插入式加密模块生成AN并将其添加到语义发送器的输出中，而语义接收端的可插拔解密模块采用DDPM算法，通过去除AN和信道噪声，生成详细的语义信息。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3611141", "title": "Digital Semantic Communications: An Alternating Multi-Phase Training Strategy With Mask Attack", "authors": "Mingze Gong; Shuoyao Wang; Suzhi Bi; Yuan Wu; Liping Qian", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "4452-4466", "ieee_document_id": "11178221", "source_url": "https://doi.org/10.1109/twc.2025.3611141", "pdf": "papers/2026_Gong_Digital_Semantic_Communications_An_Alternating_Multi_Phase_Training_Strategy_With_Mask_Attac.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "security", "method_name": "Digital Semantic Communications", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["ImageNet", "DIV2K", "Kodak"], "baselines": ["DeepJSCC", "JPEG", "LDPC", "QAM", "JSCC", "SSCC", "SwinJSCC"], "metrics": ["PSNR", "LPIPS", "accuracy"], "channels": ["AWGN", "Rayleigh", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["SNR from 0dB", "SNR of 27.63dB", "SNR=7dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SemComm）已经出现了新的范式转变。"}, "problem": {"pages": [1], "zh": "然而，模拟范例与当前的数字通信框架不兼容。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们提出了一种交替的多阶段训练策略（AMP），通过不可微的数字过程，使编码器和解码器中的网络的联合训练。"}, "mechanism": {"pages": [1], "zh": "特别地，在FE阶段，我们通过以模拟方式联合训练编码器和解码器来学习语义信息的表示能力。"}, "claim": {"pages": [1], "zh": "与典型的基准算法相比，AMP-SC在不同尺度和较宽信噪比范围内的多个典型数据集上的平均重建性能提高了0.82 ~ 1.65dB。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种交替多阶段训练策略（AMP），通过不可微的数字过程实现编码器和解码器中网络的联合训练，特别是在FE阶段，我们通过模拟方式联合训练编码器和解码器来学习语义信息的表示能力。"}, "representation_summary": {"pages": [2], "zh": "为了与当前无线硬件/协议只能允许某些信道输入集合的事实兼容，许多研究工作已经致力于SemComm系统中的量化问题。 独立判断：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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "与典型的基准算法相比，AMP-SC在不同尺度和较宽信噪比范围内的多个典型数据集上的平均重建性能提高了0.82 ~ 1.65dB。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_digital-semantic-communications-an-alternating-multi-phase-training-strategy-with-mask-attack_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_digital-semantic-communications-an-alternating-multi-phase-training-strategy-with-mask-attack_result_p8.png", "caption": "The proposed digital JSCC-based system for image transmission", "number": "Fig. 4"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 9]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为ImageNet、DIV2K、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、QAM、JSCC、SSCC、SwinJSCC；指标包括PSNR、LPIPS、accuracy；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有SNR from 0dB、SNR of 27.63dB、SNR=7dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 Digital Semantic Communications：本文提出了一种交替多阶段训练策略（AMP），通过不可微的数字过程实现编码器和解码器中网络的联合训练，特别是在FE阶段，我们通过模拟方式联合训练编码器和解码器来学习语义信息的表示能力。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3686618", "title": "DRL-Driven Resource Allocation for Hybrid NOMA-Assisted Semantic Communication Networks", "authors": "Haijun Zhang; Jiaxin Ni; Xiangnan Liu; Yuzheng Ren; Zijun Wu; Victor C. M. Leung", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "15791-15802", "ieee_document_id": "11500589", "source_url": "https://doi.org/10.1109/twc.2026.3686618", "pdf": "papers/2026_Zhang_DRL_Driven_Resource_Allocation_for_Hybrid_NOMA_Assisted_Semantic_Communication_Networks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "multiuser", "method_name": "OMA", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "Transformer", "NOMA", "DDPG", "DQN", "SAC", "OFDM"], "metrics": ["accuracy", "PER"], "channels": ["OFDM"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "虽然现有的研究已经证明了有前途的结果，语义通信和混合NOMA的共存仍然是一个开放的研究挑战。"}, "problem": {"pages": [1], "zh": "然而，现有的多用户语义通信系统主要依赖于正交多址接入（OMA），这导致在资源受限的环境中频谱利用率低。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了进一步提高跨域资源的利用率，本文提出了一种新的混合非正交多址接入（NOMA）辅助的多任务语义通信网络。"}, "mechanism": {"pages": [1], "zh": "具体地，基于OMA的传统网络中的用户被允许接入多个正交子载波，旨在提高传输灵活性和带宽利用率。"}, "claim": {"pages": [1], "zh": "此外，所提出的基于DRL的算法显着提高了多任务语义通信网络的总体QoE，这反映了所设计的优化方案的优越性。"}}, "method_summary": {"pages": [1], "zh": "为了进一步提高跨域资源的利用率，提出了一种新的混合非正交多址接入（NOMA）辅助的多任务语义通信网络，允许传统网络中的用户接入多个正交子载波，以提高传输灵活性和带宽利用率。"}, "representation_summary": {"zh": "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：OMA 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 7], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 7]}, "experiment_result_summary": {"pages": [1], "zh": "此外，所提出的基于DRL的算法显着提高了多任务语义通信网络的总体QoE，这反映了所设计的优化方案的优越性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_drl-driven-resource-allocation-for-hybrid-noma-assisted-semantic-communication-networks_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 6, "file": "assets/2026_drl-driven-resource-allocation-for-hybrid-noma-assisted-semantic-communication-networks_result_p6.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 7]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、Transformer、NOMA、DDPG、DQN、SAC、OFDM；指标包括accuracy、PER；信道/链路条件包括OFDM。", "pages": [7]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 OMA：为了进一步提高跨域资源的利用率，提出了一种新的混合非正交多址接入（NOMA）辅助的多任务语义通信网络，允许传统网络中的用户接入多个正交子载波，以提高传输灵活性和带宽利用率。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 7]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 7]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3711128", "title": "Enabling Terahertz Communications in Vehicular Networks: Continuous Beam Coverage and Semantic NOMA", "authors": "Hanwen Zhang; Tianchi Zhou; Supeng Leng; Hongxin Zeng; Xianbing Zou; Yaxin Zhang; Tony Q. S. Quek", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "19921-19936", "ieee_document_id": "11611585", "source_url": "https://doi.org/10.1109/twc.2026.3711128", "pdf": "papers/2026_Zhang_Enabling_Terahertz_Communications_in_Vehicular_Networks_Continuous_Beam_Coverage_and_Semanti.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "multiuser", "method_name": "DTSe-NOMA", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["VAE", "NOMA", "OFDM", "CLIP"], "metrics": ["PSNR", "accuracy", "throughput"], "channels": ["OFDM"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在6G时代，自动驾驶和沉浸式应用需要超高速通信，数据速率超过数十Gbps，需要太赫兹（THz）频率来实现前所未有的带宽。"}, "problem": {"pages": [1], "zh": "然而，太赫兹通信的挑战，如严重的路径损耗和波束对准的复杂性构成了重大障碍，实际部署，特别是在动态车辆网络。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文介绍了一种连续波束覆盖方案结合语义非正交多址接入（NOMA）框架，以解决这些挑战。"}, "mechanism": {"pages": [2], "zh": "我们设计了一个利用数据转换的DTSe-NOMA方法。"}, "claim": {"pages": [1], "zh": "与直接叠加方案相比，DTSe-NOMA还产生高达10 dB的PSNR增益。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种结合语义非正交多址接入（NOMA）框架的连续波束覆盖方案，设计了一种利用数据变换的DTSe-NOMA方法。"}, "representation_summary": {"zh": "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：DTSe-NOMA 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "与直接叠加方案相比，DTSe-NOMA还产生高达10 dB的PSNR增益。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_enabling-terahertz-communications-in-vehicular-networks-continuous-beam-coverage-and-semantic-noma_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_enabling-terahertz-communications-in-vehicular-networks-continuous-beam-coverage-and-semantic-noma_result_p8.png", "caption": "Semantic DiT diagram", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括VAE、NOMA、OFDM、CLIP；指标包括PSNR、accuracy、throughput；信道/链路条件包括OFDM。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 DTSe-NOMA：本文提出了一种结合语义非正交多址接入（NOMA）框架的连续波束覆盖方案，设计了一种利用数据变换的DTSe-NOMA方法。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3605838", "title": "ESC-MVQ: End-to-End Semantic Communication With Multi-Codebook Vector Quantization", "authors": "Junyong Shin; Yongjeong Oh; Jinsung Park; Joohyuk Park; Yo-Seb Jeon", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "3785-3800", "ieee_document_id": "11157859", "source_url": "https://doi.org/10.1109/twc.2025.3605838", "pdf": "papers/2026_Shin_ESC_MVQ_End_to_End_Semantic_Communication_With_Multi_Codebook_Vector_Quantization.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "digital", "method_name": "ESC-MVQ", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 4：离散 bit/index/packet error 被显式建模或联合训练", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["CIFAR-10", "CIFAR-100", "STL-10"], "baselines": ["JPEG", "LDPC", "QAM", "CLIP"], "metrics": ["PSNR", "latency", "MSE", "BER", "PER"], "channels": ["AWGN", "Rayleigh", "BSC", "fading channel", "binary symmetric channel"], "snr_conditions": ["SNR = 10 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "本文提出基于多码本矢量量化（VQ）的端到端数字语义通信框架ESC-MVQ。"}, "problem": {"pages": [1], "zh": "然而，由深度神经网络提取的语义特征被表示为实值（例如，32位浮点）向量。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，我们开发了一种迭代算法，选择最合适的矢量量化码本的语义特征，并灵活地分配功率和调制方案的传输符号。"}, "mechanism": {"pages": [2], "zh": "为了填补这一研究空白，本文提出了一种基于多码本矢量量化的端到端语义通信框架ESC-MVQ。"}, "claim": {"pages": [1], "zh": "仿真结果表明，ESC-MVQ，使用一个单一的编码器-解码器对，优于现有的数字语义通信方法的性能和内存效率，提供了一个可扩展的和自适应的解决方案，实现数字语义通信在不同的信道条件。"}}, "method_summary": {"pages": [1, 2], "zh": "为此，本文提出了一种基于多码本矢量量化的端到端语义通信框架ESC-MVQ，该框架通过迭代算法选择最适合语义特征的矢量量化码本，并在传输符号间灵活地分配功率和调制方式。"}, "representation_summary": {"pages": [1], "zh": "本文提出基于多码本矢量量化（VQ）的端到端数字语义通信框架ESC-MVQ。 独立判断：ESC-MVQ 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。"}, "overhead_summary": {"pages": [11], "zh": "论文以传输 bit 数相对原始图像 C×H×W×8 bit 定义压缩比；分子由多码本 index 数、各码本大小以及所选调制/FEC 共同决定。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [1], "zh": "与依赖于具有特定功率或调制方案的端到端训练的现有方法不同，通常在特定信道条件下，ESC-MVQ将信道传递函数建模为具有可训练比特翻转概率的并行二进制对称信道（BSC）。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，ESC-MVQ，使用一个单一的编码器-解码器对，优于现有的数字语义通信方法的性能和内存效率，提供了一个可扩展的和自适应的解决方案，实现数字语义通信在不同的信道条件。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_esc-mvq-end-to-end-semantic-communication-with-multi-codebook-vector-quantization_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_esc-mvq-end-to-end-semantic-communication-with-multi-codebook-vector-quantization_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：可能出错或缺失的离散 bit/token/index（或其 soft estimate）。", "pages": [1]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、CIFAR-100、STL-10；实验小节中明确出现的比较对象包括JPEG、LDPC、QAM、CLIP；指标包括PSNR、latency、MSE、BER、PER；信道/链路条件包括AWGN、Rayleigh、BSC、fading channel、binary symmetric channel；正文可定位的代表性工作点有SNR = 10 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 ESC-MVQ：为此，本文提出了一种基于多码本矢量量化的端到端语义通信框架ESC-MVQ，该框架通过迭代算法选择最适合语义特征的矢量量化码本，并在传输符号间灵活地分配功率和调制方式。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 4：离散 bit/index/packet error 被显式建模或联合训练”解释。", "pages": [1]}, "receiver": {"zh": "接收端从可能出错或缺失的离散 bit/token/index（或其 soft estimate）开始，再执行语义解码、任务推理或生成。", "pages": [1]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3659294", "title": "Feature-Foundation Model Evolution for Low-Latency Semantic Communication", "authors": "Haobo Zhang; Boya Di; Hongliang Zhang; Dusit Niyato; Lingyang Song", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "11915-11931", "ieee_document_id": "11386783", "source_url": "https://doi.org/10.1109/twc.2026.3659294", "pdf": "papers/2026_Zhang_Feature_Foundation_Model_Evolution_for_Low_Latency_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "generative", "method_name": "Feature-Foundation Model Evolution for Low-Latency Semantic Communication", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet", "VOC2012"], "baselines": ["JPEG", "LDPC", "ResNet"], "metrics": ["accuracy", "latency", "PSNR", "PER"], "channels": ["MIMO"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为了应对不断升级的通信需求，收发器正在从面向数据的模式转变为人工智能（AI）驱动的语义感知模式。"}, "problem": {"pages": [1], "zh": "然而，目前的语义感知收发器无法同时适应没有标签的看不见的数据，并保证低数据处理延迟，因为强大的泛化能力需要具有强大的语义理解的大规模模型，而低延迟导致模型尺寸小，结构简单。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "然而，目前的语义感知收发器无法同时适应没有标签的看不见的数据，并保证低数据处理延迟，因为强大的泛化能力需要具有强大的语义理解的大规模模型，而低延迟导致模型尺寸小，结构简单。"}, "mechanism": {"pages": [1], "zh": "此外，为了解决耦合的通信计算资源的进化，我们制定的资源调度问题和设计算法，以最大限度地减少进化延迟。"}, "claim": {"pages": [11], "zh": "这表明，提出的模型进化过程可以提高泛化能力，提高图像重建的准确性，通过更新的语义特征提取模型。"}}, "method_summary": {"pages": [1], "zh": "然而，当前的语义感知收发器不能同时适应没有标签的看不见的数据并保证低数据处理延迟，因为强泛化能力需要具有鲁棒语义理解的大规模模型，而低延迟导致模型尺寸小和结构简单。此外，为了解决用于进化的耦合通信-计算资源，我们制定的资源调度问题和设计算法，以最大限度地减少进化的延迟。"}, "representation_summary": {"zh": "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：Feature-Foundation Model Evolution for Low-Latency 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。", "pages": [2]}, "overhead_summary": {"pages": [12], "zh": "新类别上的wPSNR与具有不同加权因子的压缩比的关系。针对每个看不见的图像（其给出上限）触发模型演化，并且令DM表示特征模型参数的大小。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [11], "zh": "这表明，提出的模型进化过程可以提高泛化能力，提高图像重建的准确性，通过更新的语义特征提取模型。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_feature-foundation-model-evolution-for-low-latency-semantic-communication_method_p2.png", "caption": "The semantic communication scenario with feature-foundation model evolution", "number": "Fig. 1"}, {"kind": "result", "page": 11, "file": "assets/2026_feature-foundation-model-evolution-for-low-latency-semantic-communication_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ImageNet、VOC2012；实验小节中明确出现的比较对象包括JPEG、LDPC、ResNet；指标包括accuracy、latency、PSNR、PER；信道/链路条件包括MIMO。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 Feature-Foundation Model Evolution for Low-Latency Semantic Communication：然而，当前的语义感知收发器不能同时适应没有标签的看不见的数据并保证低数据处理延迟，因为强泛化能力需要具有鲁棒语义理解的大规模模型，而低延迟导致模型尺寸小和结构简单。此外，为了解决用于进化的耦合通信-计算资源，我们制定的资源调度问题和设计算法，以最大限度地减少进化的延迟。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [11]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3718740", "title": "Feature-Sensitivity-Aware Quantization and Joint Multi-Streaming Design for Latency-Constrained Multi-Task Semantic Communications", "authors": "Huanyu Zhang; Yulin Hu; Xiaopeng Yuan; Anke Schmeink", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "21388-21402", "ieee_document_id": "11644096", "source_url": "https://doi.org/10.1109/twc.2026.3718740", "pdf": "papers/2026_Zhang_Feature_Sensitivity_Aware_Quantization_and_Joint_Multi_Streaming_Design_for_Latency_Constrai.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "视频传输、生成或控制", "theme": "resource", "method_name": "NSFC", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["BDD100K"], "baselines": ["BPG", "LDPC"], "metrics": ["mAP", "accuracy", "latency", "utility", "IoU", "mIoU", "PER"], "channels": ["Rayleigh", "fading channel", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "值得注意的是，最近的工作包括面向文本的服务，如文本压缩和机器翻译，语音和音频通信，重点是保持感知质量，"}, "problem": {"pages": [1], "zh": "然而，对于延迟关键型应用，严格的低延迟要求对语义传输提出了重大挑战，特别是在具有不同用户需求和有限无线电资源的情况下。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "更具体地说，我们引入了细粒度的特征敏感度感知数据压缩，以探索内在的不确定性，一阶信息和发散，这使得自适应量化相对于不同的低延迟需求。"}, "mechanism": {"pages": [1], "zh": "更具体地说，我们引入了细粒度的特征敏感度感知数据压缩，以探索内在的不确定性，一阶信息和发散，这使得自适应量化相对于不同的低延迟需求。"}, "claim": {"pages": [1], "zh": "仿真结果表明，所提出的多流设计方案在性能上明显优于基准方法，同时所提出的最优多流设计方案能够有效地解决低延迟语义通信调度问题。"}}, "method_summary": {"pages": [1, 2], "zh": "更具体地说，我们引入了细粒度的特征敏感度感知数据压缩来探索内在的不确定性，一阶信息和发散性，这允许相对于不同的低延迟需求进行自适应量化。我们提出了一种特征敏感度感知的多流设计框架，用于在严格的低延迟约束下的多任务多用户语义通信。"}, "representation_summary": {"pages": [1], "zh": "更具体地说，我们引入了细粒度的特征敏感度感知数据压缩，以探索内在的不确定性，一阶信息和发散，这使得自适应量化相对于不同的低延迟需求。 独立判断：NSFC 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，所提出的多流设计方案在性能上明显优于基准方法，同时所提出的最优多流设计方案能够有效地解决低延迟语义通信调度问题。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_feature-sensitivity-aware-quantization-and-joint-multi-streaming-design-for-latency-constrained-mult_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_feature-sensitivity-aware-quantization-and-joint-multi-streaming-design-for-latency-constrained-mult_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为BDD100K；实验小节中明确出现的比较对象包括BPG、LDPC；指标包括mAP、accuracy、latency、utility、IoU、mIoU、PER；信道/链路条件包括Rayleigh、fading channel、wireless channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 NSFC：更具体地说，我们引入了细粒度的特征敏感度感知数据压缩来探索内在的不确定性，一阶信息和发散性，这允许相对于不同的低延迟需求进行自适应量化。我们提出了一种特征敏感度感知的多流设计框架，用于在严格的低延迟约束下的多任务多用户语义通信。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3598278", "title": "Flexible Bit and Semantic On-Demand Transmission Framework in Hyper-Reliable and Low Latency Communications Scenarios", "authors": "Jingxuan Zhang; Xiqi Cheng; Haijun Zhang; Peng Cui; Suyu Lv; Xiaodong Xu; Ping Zhang; Tony Q. S. Quek", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "2668-2681", "ieee_document_id": "11131535", "source_url": "https://doi.org/10.1109/twc.2025.3598278", "pdf": "papers/2026_Zhang_Flexible_Bit_and_Semantic_On_Demand_Transmission_Framework_in_Hyper_Reliable_and_Low_Latency.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "resource", "method_name": "FBST", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DQN"], "metrics": ["accuracy"], "channels": [], "snr_conditions": ["SNR of 25dB", "SNR of 0dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "作为第六代移动的通信系统（6G）的典型场景，超可靠低延迟通信（HRLLC）被期望确保极低的延迟和高可靠性，同时支持大规模海量数据的无线传输。"}, "problem": {"pages": [1], "zh": "然而，现有的通信网络面临着性能指标不足和网络资源有限的双重挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文提出了灵活比特和语义按需传输（Flexible Bit and Semantic On-demand Transmission，FBST）框架，包括三个关键技术：自适应传输模式决策、灵活传输时间间隔调度、可调语义压缩比。"}, "mechanism": {"pages": [2], "zh": "因此，本文基于SNC对HRLLC场景的时延和可靠性性能进行了精确建模，并提出了一种灵活的自适应传输模式选择框架。"}, "claim": {"pages": [1], "zh": "仿真结果表明，FBST框架能够满足用户对时延和可靠性的严格要求，KP-DQN算法的运行效率提高了76.8%以上。"}}, "method_summary": {"pages": [1, 2], "zh": "为此，本文提出了灵活比特和语义按需传输（Flexible Bit and Semantic On-demand Transmission，FBST）框架，包括自适应传输模式决策、灵活传输时间间隔调度、可调语义压缩比三个关键技术，并基于SNC对HRLLC场景的时延和可靠性性能进行了精确建模，提出了一种灵活的自适应传输模式选择框架。"}, "representation_summary": {"zh": "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：FBST 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，FBST框架能够满足用户对时延和可靠性的严格要求，KP-DQN算法的运行效率提高了76.8%以上。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_flexible-bit-and-semantic-on-demand-transmission-framework-in-hyper-reliable-and-low-latency-communi_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_flexible-bit-and-semantic-on-demand-transmission-framework-in-hyper-reliable-and-low-latency-communi_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DQN；指标包括accuracy；正文可定位的代表性工作点有SNR of 25dB、SNR of 0dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 FBST：为此，本文提出了灵活比特和语义按需传输（Flexible Bit and Semantic On-demand Transmission，FBST）框架，包括自适应传输模式决策、灵活传输时间间隔调度、可调语义压缩比三个关键技术，并基于SNC对HRLLC场景的时延和可靠性性能进行了精确建模，提出了一种灵活的自适应传输模式选择框架。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3600221", "title": "Foundation Model-Aided Channel-Adaptive Video Semantic Communication and Prototype Validation", "authors": "Jiarun Ding; Peiwen Jiang; Chao-Kai Wen; Xiao Li; Shi Jin", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "2892-2906", "ieee_document_id": "11142601", "source_url": "https://doi.org/10.1109/twc.2025.3600221", "pdf": "papers/2026_Ding_Foundation_Model_Aided_Channel_Adaptive_Video_Semantic_Communication_and_Prototype_Validatio.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "视频传输、生成或控制", "theme": "generative", "method_name": "MIMO-OFDM", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["UCF101"], "baselines": ["WITT", "LDPC", "QAM", "H.265", "OFDM"], "metrics": ["PSNR", "SSIM", "LPIPS", "latency", "utility", "MSE", "IoU", "bpp", "BER", "PER"], "channels": ["MIMO", "OFDM", "BSC", "bit flip", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": ["0.25 bpp", "0.05 bpp"], "motivation": {"progress": {"pages": [1], "zh": "对诸如直播流和虚拟现实之类的服务的日益增长的需求对无线通信系统施加了巨大的压力。"}, "problem": {"pages": [1], "zh": "然而，现有的方法往往局限于单一的场景，依赖于简单的信道，缺乏对动态无线环境的适应性，并保持在实际的空中接口未经测试。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "此外，我们介绍了一种基于注意机制的信道条件数自适应语义重映射方法，以减轻无线衰落的影响。"}, "mechanism": {"pages": [2], "zh": "·场景1：在典型的全视频传输场景中，所提出的系统，称为视频语义通信（VSC），采用基于光流的提取器进行语义特征提取。"}, "claim": {"pages": [1], "zh": "仿真和空中实验证实了显着改善视频质量和大幅减少带宽开销相比，现有的方法。"}}, "method_summary": {"pages": [1, 2], "zh": "在此基础上，本文提出了一种基于注意机制的信道条件数自适应语义重映射方法，以减轻无线衰落的影响。该框架适用于两种场景：场景1：在典型的全视频传输场景中，本文提出的视频语义通信（VSC）系统采用基于光流的语义特征提取器进行语义特征提取。"}, "representation_summary": {"zh": "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：MIMO-OFDM 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。", "pages": [2]}, "overhead_summary": {"pages": [10], "zh": "“8个子载波”和“16个子载波”分别表示8个子载波和16个子载波的比特翻转组。备选方案是训练具有不同bpp值的多个编解码器集合，结合视频内容感知和信道感测以动态地选择适当的编解码器。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真和空中实验证实了显着改善视频质量和大幅减少带宽开销相比，现有的方法。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_foundation-model-aided-channel-adaptive-video-semantic-communication-and-prototype-validation_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_foundation-model-aided-channel-adaptive-video-semantic-communication-and-prototype-validation_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为UCF101；实验小节中明确出现的比较对象包括WITT、LDPC、QAM、H.265、OFDM；指标包括PSNR、SSIM、LPIPS、latency、utility、MSE、IoU、bpp、BER、PER；信道/链路条件包括MIMO、OFDM、BSC、bit flip、wireless channel；正文可定位的代表性工作点有0.25 bpp、0.05 bpp。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 MIMO-OFDM：在此基础上，本文提出了一种基于注意机制的信道条件数自适应语义重映射方法，以减轻无线衰落的影响。该框架适用于两种场景：场景1：在典型的全视频传输场景中，本文提出的视频语义通信（VSC）系统采用基于光流的语义特征提取器进行语义特征提取。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3644355", "title": "Generative AI Driven Task-Oriented Adaptive Semantic Communications", "authors": "Yuzhou Fu; Wenchi Cheng; Jingqing Wang; Liuguo Yin; Wei Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "9078-9093", "ieee_document_id": "11313779", "source_url": "https://doi.org/10.1109/twc.2025.3644355", "pdf": "papers/2026_Fu_Generative_AI_Driven_Task_Oriented_Adaptive_Semantic_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "generative", "method_name": "TasCom", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["JPEG", "LDPC", "ViT", "Transformer", "JSCC", "YOLO"], "metrics": ["PSNR", "mAP", "accuracy", "mIoU"], "channels": ["AWGN", "MIMO", "fading channel"], "snr_conditions": ["SNR of 20 dB", "SNR of 16 dB", "SNR of 6 dB", "SNR of 6dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "面向任务的语义通信（TOSC）被认为是一种很有前途的通信框架，可服务于各种人工智能（AI）任务驱动的应用。"}, "problem": {"pages": [1], "zh": "单独的编码-推理框架仅利用学习到的知识和有限的码本，不能准确地识别与任务推理相关的数据内容。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种面向任务的自适应语义通信框架（Task-oriented Adaptive Semantic Communication，TasCom），以有效地促进不同人工智能任务的推理。"}, "mechanism": {"pages": [2], "zh": "针对上述问题，本文提出了一种多任务语义通信框架，该框架利用JSCC编码器只提取和融合对任务推理有重要贡献的语义特征，然后将其发送给接收方。"}, "claim": {"pages": [1], "zh": "仿真实验结果表明，在各种信道条件下，所提出的TasCom算法在目标检测和实例分割方面的性能均优于现有的TOSC和传统的编解码方案。"}}, "method_summary": {"pages": [1, 2], "zh": "针对上述问题，本文提出了一种面向任务的自适应语义通信（TasCom）框架，该框架利用JSCC编码器，只提取和融合对任务推理有重要贡献的语义特征，然后将其发送给接收方。"}, "representation_summary": {"zh": "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：TasCom 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [10], "zh": "在这些实验中，我们采用AWGN和衰落信道来测试我们提出的TasCom和其他方案，证明了所提出的TasCom框架的优越性。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真实验结果表明，在各种信道条件下，所提出的TasCom算法在目标检测和实例分割方面的性能均优于现有的TOSC和传统的编解码方案。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_generative-ai-driven-task-oriented-adaptive-semantic-communications_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_generative-ai-driven-task-oriented-adaptive-semantic-communications_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [10]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括JPEG、LDPC、ViT、Transformer、JSCC、YOLO；指标包括PSNR、mAP、accuracy、mIoU；信道/链路条件包括AWGN、MIMO、fading channel；正文可定位的代表性工作点有SNR of 20 dB、SNR of 16 dB、SNR of 6 dB、SNR of 6dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 TasCom：针对上述问题，本文提出了一种面向任务的自适应语义通信（TasCom）框架，该框架利用JSCC编码器，只提取和融合对任务推理有重要贡献的语义特征，然后将其发送给接收方。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [10]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3700909", "title": "Generative Feature Imputing-A Technique for Error-Resilient Semantic Communication", "authors": "Jianhao Huang; Qunsong Zeng; Hongyang Du; Kaibin Huang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "18410-18423", "ieee_document_id": "11559159", "source_url": "https://doi.org/10.1109/twc.2026.3700909", "pdf": "papers/2026_Huang_Generative_Feature_ImputingA_Technique_for_Error_Resilient_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "SemCom", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet"], "baselines": ["JPEG2000", "LDPC", "VAE", "Transformer", "JPEG", "JSCC", "SSCC", "ResNet"], "metrics": ["PSNR", "LPIPS", "mAP", "accuracy", "latency", "MSE", "classification accuracy", "bpp", "BER", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel", "packet loss", "block fading"], "snr_conditions": ["SNR of 0 dB", "SNR = 23.7 dB", "SNR = 19 dB", "SNR = -4.2 dB", "SNR = -3.7 dB", "SNR = -4.5 dB", "SNR of 10 dB", "SNR = 0 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SemCom）通过利用人工智能（AI）提取和传输源数据的底层含义，在第六代（6G）网络中实现了前所未有的通信效率，成为一种有前途的模式。"}, "problem": {"pages": [1], "zh": "然而，在数字系统上部署SemCom带来了新的挑战，特别是在确保传输错误的鲁棒性方面，传输错误可能会扭曲语义关键内容。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这一问题，本文提出了一种新的框架--生成式特征填充，该框架包括三个关键技术。"}, "mechanism": {"pages": [1], "zh": "为了解决这一问题，本文提出了一种新的框架--生成式特征填充，该框架包括三个关键技术。"}, "claim": {"pages": [1], "zh": "实验结果表明，与传统的深度联合信源信道编码（DJSCC）和JPEG 2000相比，该框架在块衰落条件下具有更高的语义准确率和更低的感知图像块相似度（LPIPS）。"}}, "method_summary": {"pages": [1, 2], "zh": "发送端把图像编码为分组语义特征；当块衰落或数据包错误造成特征缺失时，接收端利用生成式特征填补模块和上下文先验补全受损区域，再执行重建或下游任务。"}, "representation_summary": {"zh": "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：SemCom 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [3], "zh": "在传输过程中，我们认为一个独立的和相同的分布（i.i.d.）块衰落信道，其中信道系数保持恒定的每个数据包，但不同的数据包。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，与传统的深度联合信源信道编码（DJSCC）和JPEG 2000相比，该框架在块衰落条件下具有更高的语义准确率和更低的感知图像块相似度（LPIPS）。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_generative-feature-imputing-a-technique-for-error-resilient-semantic-communication_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_generative-feature-imputing-a-technique-for-error-resilient-semantic-communication_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [3]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为ImageNet；实验小节中明确出现的比较对象包括JPEG2000、LDPC、VAE、Transformer、JPEG、JSCC、SSCC、ResNet；指标包括PSNR、LPIPS、mAP、accuracy、latency、MSE、classification accuracy、bpp、BER、PER；信道/链路条件包括AWGN、Rayleigh、fading channel、packet loss、block fading；正文可定位的代表性工作点有SNR of 0 dB、SNR = 23.7 dB、SNR = 19 dB、SNR = -4.2 dB、SNR = -3.7 dB、SNR = -4.5 dB、SNR of 10 dB、SNR = 0 dB。", "pages": [3]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SemCom：发送端把图像编码为分组语义特征；当块衰落或数据包错误造成特征缺失时，接收端利用生成式特征填补模块和上下文先验补全受损区域，再执行重建或下游任务。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [3]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [3]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3590671", "title": "Generative Semantic Communications for Robust Speech-to-Text Translation", "authors": "Zhenzi Weng; Zijing Wang; Zhijin Qin; Xiaoming Tao", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "1380-1393", "ieee_document_id": "11097041", "source_url": "https://doi.org/10.1109/twc.2025.3590671", "pdf": "papers/2026_Weng_Generative_Semantic_Communications_for_Robust_Speech_to_Text_Translation.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语音/音频传输或识别", "theme": "generative", "method_name": "S2TT", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "Polar", "VQ-VAE", "VAE", "GAN", "Transformer", "QAM", "DeepSC-S"], "metrics": ["BLEU", "accuracy", "semantic similarity", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "fading channel", "packet loss"], "snr_conditions": ["SNR=1 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为了减轻语音失真所带来的语义损伤，提出了一种新的基于生成对抗网络（generative adversarial network，GAN）的深层语义补偿器，用于估计语音中隐含的语义信息，同时提取深层语义特征，从而实现语音失真的稳健语义传输。"}, "problem": {"pages": [1], "zh": "然而，语义通信的研究尚处于起步阶段，对语义的定义还没有形成共识，阻碍了人们用严格的公式来表示语义信息的动机。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种鲁棒的语义通信系统Ross-S2T，用于语音传输，以高效地执行语音到文本的翻译（S2TT）传输。"}, "mechanism": {"pages": [4], "zh": "在本节中，我们将介绍用于语音传输的鲁棒语义通信系统，并将S2TT视为传输目标。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与传统的S2TT算法相比，Ross-S2T算法具有更优的S2TT性能和对语义损伤的鲁棒性。"}}, "method_summary": {"pages": [1, 4], "zh": "本文提出了一种鲁棒的语音语义通信系统Ross-S2T，以实现高效的语音到文本翻译（speech-to-text translation，S2TT）传输。"}, "representation_summary": {"zh": "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：S2TT 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与传统的S2TT算法相比，Ross-S2T算法具有更优的S2TT性能和对语义损伤的鲁棒性。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2026_generative-semantic-communications-for-robust-speech-to-text-translation_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2026_generative-semantic-communications-for-robust-speech-to-text-translation_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、Polar、VQ-VAE、VAE、GAN、Transformer、QAM、DeepSC-S；指标包括BLEU、accuracy、semantic similarity、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel、packet loss；正文可定位的代表性工作点有SNR=1 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语音/音频传输或识别所需的语音波形、声学特征或说话人信息。", "pages": [1, 4]}, "encoder": {"zh": "发送端采用 S2TT：本文提出了一种鲁棒的语音语义通信系统Ross-S2T，以实现高效的语音到文本翻译（speech-to-text translation，S2TT）传输。", "pages": [1, 4]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建语音、识别文本或说话人任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3716013", "title": "Goal-Oriented Semantic Communication for ISAC-Enabled Robotic Obstacle Avoidance", "authors": "Wenjie Liu; Yansha Deng; Henk Wymeersch", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "20820-20835", "ieee_document_id": "11628053", "source_url": "https://doi.org/10.1109/twc.2026.3716013", "pdf": "papers/2026_Liu_Goal_Oriented_Semantic_Communication_for_ISAC_Enabled_Robotic_Obstacle_Avoidance.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "task", "method_name": "GOSC", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DQN"], "metrics": ["accuracy", "latency", "PER"], "channels": ["AWGN", "Rician", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为了弥补这一不足，研究了一种面向无人机（UAV）避障任务的集成感知与通信（ISAC）的基站，并提出了一种面向目标的语义通信（GOSC）框架，使基站能够高效地传输感知和指挥控制（CC）信号。"}, "problem": {"pages": [1], "zh": "然而，现有的研究主要局限于对机器人机载传感器的依赖，限制了研究的视野，缺乏对动态环境的全局理解。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "基于卡尔曼滤波（KF）提供的精确位置估计，提出了一种基于马氏距离的动态窗方法（MD-DWA），用于在不确定条件下产生精确的C&C信号，推导了保证避碰所需的最小马氏距离的数学表达式。"}, "mechanism": {"pages": [2], "zh": "与基于JSCC的端到端语义通信框架不同，我们的工作采用了GOSC，它在语义和有效性两个层面上运行，解决了何时以及应该传输什么语义表示以优化任务性能。"}, "claim": {"pages": [1], "zh": "与传统的在每个时隙发送感知信号和C-C信号的ISAC传输框架相比，GOSC在相同的100%任务成功率下，发送的感知信号和C-C信号的数量减少了92.4%，发送时隙的数量减少了85.5%。"}}, "method_summary": {"pages": [1, 2], "zh": "基于卡尔曼滤波提供的精确位置估计，提出了一种基于马氏距离的动态窗口方法（MD-DWA），用于在不确定条件下生成精确的C&C信号，推导了保证避碰所需的最小马氏距离的数学表达式。我们的工作采用了GOSC，它在语义和有效性两个层面上运行，解决了何时以及应该传输什么语义表示以优化任务性能。"}, "representation_summary": {"zh": "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：GOSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [12], "zh": "无线信道的Rician因子被设置为κ = 8dB。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "与传统的在每个时隙发送感知信号和C-C信号的ISAC传输框架相比，GOSC在相同的100%任务成功率下，发送的感知信号和C-C信号的数量减少了92.4%，发送时隙的数量减少了85.5%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_goal-oriented-semantic-communication-for-isac-enabled-robotic-obstacle-avoidance_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2026_goal-oriented-semantic-communication-for-isac-enabled-robotic-obstacle-avoidance_result_p11.png", "caption": "An example of sensing and C&C signal transmission process under our proposed GOSC framework", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [12]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DQN；指标包括accuracy、latency、PER；信道/链路条件包括AWGN、Rician、wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 GOSC：基于卡尔曼滤波提供的精确位置估计，提出了一种基于马氏距离的动态窗口方法（MD-DWA），用于在不确定条件下生成精确的C&C信号，推导了保证避碰所需的最小马氏距离的数学表达式。我们的工作采用了GOSC，它在语义和有效性两个层面上运行，解决了何时以及应该传输什么语义表示以优化任务性能。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [12]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [12]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3654401", "title": "Goal-Oriented Semantic Communication for Wireless Video Transmission via Generative AI", "authors": "Nan Li; Yansha Deng; Dusit Niyato", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "10841-10854", "ieee_document_id": "11361361", "source_url": "https://doi.org/10.1109/twc.2026.3654401", "pdf": "papers/2026_Li_Goal_Oriented_Semantic_Communication_for_Wireless_Video_Transmission_via_Generative_AI.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "视频传输、生成或控制", "theme": "generative", "method_name": "GSC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["LDPC", "H.264", "ADJSCC", "JSCC", "CLIP"], "metrics": ["PSNR", "FID", "mAP", "latency", "MSE", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel", "Nakagami", "wireless channel"], "snr_conditions": ["SNR of 0 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "将这些进步扩展到视频传输，最近的工作已经探索了有效提取SI的策略，同时解决无线视频传输的独特挑战。"}, "problem": {"pages": [1], "zh": "然而，虽然对于捕获更广泛的时间上下文是有效的，但是SI与高效视频传输的目标并不强烈相关。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了实现低延迟和高质量的视频传输在带宽受限的嘈杂的无线信道，我们提出了一个稳定的扩散（SD）为基础的面向目标的语义通信（GSC）框架。"}, "mechanism": {"pages": [2], "zh": "我们的主要贡献总结如下：·我们提出了一个模块化的基于SD的GSC框架，在发送端有一个语义编码器，用于提取与高质量视频重建相关的SI，在接收端有一个语义去噪器和一个语义解码器，分别用于噪声抑制和视频重建。"}, "claim": {"pages": [1], "zh": "这些显着的性能改进表明，我们提出的方法在提高视频传输质量和效率在各种信道条件下的鲁棒性和优越性。"}}, "method_summary": {"pages": [1, 2], "zh": "为了在带宽受限的噪声无线信道中实现低延迟和高质量的视频传输，我们提出了一种基于稳定扩散（SD）的面向目标的语义通信（GSC）框架。我们的主要贡献总结如下：·我们提出了一种模块化的基于SD的GSC框架，在发送器处具有语义编码器，用于提取与高质量视频重建相关的SI，以及在接收机处的语义去噪器和语义解码器，分别用于噪声减轻和视频重构。"}, "representation_summary": {"zh": "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：GSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "我们考虑在衰落信道上从设备（即NVIDIA RTX 2080 TI）到服务器（即NVIDIA A100 80 GB）的视频任务的端到端传输。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "这些显着的性能改进表明，我们提出的方法在提高视频传输质量和效率在各种信道条件下的鲁棒性和优越性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_goal-oriented-semantic-communication-for-wireless-video-transmission-via-generative-ai_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2026_goal-oriented-semantic-communication-for-wireless-video-transmission-via-generative-ai_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括LDPC、H.264、ADJSCC、JSCC、CLIP；指标包括PSNR、FID、mAP、latency、MSE、PER；信道/链路条件包括AWGN、Rayleigh、fading channel、Nakagami、wireless channel；正文可定位的代表性工作点有SNR of 0 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 GSC：为了在带宽受限的噪声无线信道中实现低延迟和高质量的视频传输，我们提出了一种基于稳定扩散（SD）的面向目标的语义通信（GSC）框架。我们的主要贡献总结如下：·我们提出了一种模块化的基于SD的GSC框架，在发送器处具有语义编码器，用于提取与高质量视频重建相关的SI，以及在接收机处的语义去噪器和语义解码器，分别用于噪声减轻和视频重构。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3707742", "title": "Goal-Oriented Semantic Communications Enabled by Generative AI and Optimal Transport for Metaverse Construction", "authors": "Zhe Wang; Nan Li; Yansha Deng; A. Hamid Aghvami", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "20040-20053", "ieee_document_id": "11595197", "source_url": "https://doi.org/10.1109/twc.2026.3707742", "pdf": "papers/2026_Wang_Goal_Oriented_Semantic_Communications_Enabled_by_Generative_AI_and_Optimal_Transport_for_Met.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "点云/三维场景传输", "theme": "generative", "method_name": "GSC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["Transformer", "VVC", "OFDM", "ResNet", "ETC"], "metrics": ["accuracy", "latency", "PER"], "channels": ["AWGN", "Rayleigh", "Rician", "OFDM", "fading channel", "wireless channel"], "snr_conditions": ["At 20 dB SNR", "at 0 dB SNR"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为了解决这一研究空白，我们提出了一个面向目标的语义通信框架，该框架由生成AI和Metaverse构建（GSC）的最佳传输实现。"}, "problem": {"pages": [1], "zh": "然而，它也导致了大量动态信息的产生，对现有通信网络提出了前所未有的要求。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这一研究空白，我们提出了一个面向目标的语义通信框架，该框架由生成AI和Metaverse构建（GSC）的最佳传输实现。"}, "mechanism": {"pages": [1], "zh": "建议的GSC框架包括一个基于沙漏网络（HgNet）的编码器，以提取对象的语义信息的Metaverse和一个语义解码器，以构建Metaverse的内容后，无线传输，实现高效的通信和实时对象的行为更新的Metaverse建设任务的风景。"}, "claim": {"pages": [1], "zh": "计算机实验结果表明，与传统的Metaverse构建方法相比，GSC框架显著降低了92.6%的Metaverse构建延迟，同时提高了Metaverse对象状态的准确性和观看体验，分别提高了45.6%和44.7%。"}}, "method_summary": {"pages": [1], "zh": "为了解决这一研究空白，我们提出了一个面向目标的语义通信框架，该框架由生成式AI和最优传输实现，用于构建Metaverse（GSC）。所提出的GSC框架包括一个基于沙漏网络（HgNet）的编码器，用于提取Metaverse中对象的语义信息，以及一个语义解码器，用于构建无线传输后的Metaverse内容，实现有效的通信和实时对象行为更新的场景的Metaverse建设任务。"}, "representation_summary": {"zh": "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：GSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [9], "zh": "当SNR下降到10 dB以下时，尽管去噪算法在点恢复方面取得了一些成功，但噪声仍然存在于地面实况点周围，特别是在0 dB条件下，这突出了与莱斯衰落信道相比，在没有视线信号的瑞利衰落信道中OT去噪方法的某些局限性。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "计算机实验结果表明，与传统的Metaverse构建方法相比，GSC框架显著降低了92.6%的Metaverse构建延迟，同时提高了Metaverse对象状态的准确性和观看体验，分别提高了45.6%和44.7%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_goal-oriented-semantic-communications-enabled-by-generative-ai-and-optimal-transport-for-metaverse-c_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2026_goal-oriented-semantic-communications-enabled-by-generative-ai-and-optimal-transport-for-metaverse-c_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括Transformer、VVC、OFDM、ResNet、ETC；指标包括accuracy、latency、PER；信道/链路条件包括AWGN、Rayleigh、Rician、OFDM、fading channel、wireless channel；正文可定位的代表性工作点有At 20 dB SNR、at 0 dB SNR。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是点云/三维场景传输所需的三维点、视图或场景语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 GSC：为了解决这一研究空白，我们提出了一个面向目标的语义通信框架，该框架由生成式AI和最优传输实现，用于构建Metaverse（GSC）。所提出的GSC框架包括一个基于沙漏网络（HgNet）的编码器，用于提取Metaverse中对象的语义信息，以及一个语义解码器，用于构建无线传输后的Metaverse内容，实现有效的通信和实时对象行为更新的场景的Metaverse建设任务。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为三维重建、渲染或下游感知结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3627531", "title": "Goal-Oriented Transmission Scheduling: Structure-Guided DRL With a Unified Dual On-Policy and Off-Policy Approach", "authors": "Jiazheng Chen; Wanchun Liu", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "6887-6903", "ieee_document_id": "11231089", "source_url": "https://doi.org/10.1109/twc.2025.3627531", "pdf": "papers/2026_Chen_Goal_Oriented_Transmission_Scheduling_Structure_Guided_DRL_With_a_Unified_Dual_On_Policy_and.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "resource", "method_name": "SUDO-DRL", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["NOMA", "PPO", "DDPG", "SAC", "CLIP"], "metrics": ["AoI", "MSE", "PER"], "channels": ["Rayleigh", "fading channel", "wireless channel", "block fading"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "以目标为导向的通信将应用驱动的目标置于数据准确性之上，从而实现智能的下一代无线系统。"}, "problem": {"pages": [1], "zh": "然而，现有的调度策略往往达不到解决现实系统的复杂性，涉及许多设备，时变信道，和长期的性能目标。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "利用这些见解，我们提出了结构引导的统一双开关策略DRL（SUDO-DRL），这是一种混合算法，将策略训练的稳定性与策略方法的样本效率相结合。"}, "mechanism": {"pages": [1], "zh": "具体地说，我们建立了最优状态值函数的单调性-长期系统性能的衡量-w.r.t.信道状态，并证明其渐近凸w.r.t。"}, "claim": {"pages": [1], "zh": "数值结果表明，与最先进的方法相比，SUDO-DRL将系统性能提高了45%，并将收敛时间减少了40%。"}}, "method_summary": {"pages": [1], "zh": "利用这些见解，我们提出了结构引导的统一双on-off策略DRL（SUDO-DRL），这是一种将on-policy训练的稳定性与off-policy方法的样本效率相结合的混合算法。"}, "representation_summary": {"zh": "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：SUDO-DRL 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "数值结果表明，与最先进的方法相比，SUDO-DRL将系统性能提高了45%，并将收敛时间减少了40%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_goal-oriented-transmission-scheduling-structure-guided-drl-with-a-unified-dual-on-policy-and-off-pol_method_p3.png", "caption": "The devices transmit local data to the remote destination through M channels (e.g., subcarriers) where M < N", "number": "Fig. 1"}, {"kind": "result", "page": 9, "file": "assets/2026_goal-oriented-transmission-scheduling-structure-guided-drl-with-a-unified-dual-on-policy-and-off-pol_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括NOMA、PPO、DDPG、SAC、CLIP；指标包括AoI、MSE、PER；信道/链路条件包括Rayleigh、fading channel、wireless channel、block fading。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 SUDO-DRL：利用这些见解，我们提出了结构引导的统一双on-off策略DRL（SUDO-DRL），这是一种将on-policy训练的稳定性与off-policy方法的样本效率相结合的混合算法。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3707475", "title": "Holographic Beamforming for Semantic Communication", "authors": "Shuhao Zeng; Haobo Zhang; Su Wang; Boya Di; Hongliang Zhang; Zhu Han; H. Vincent Poor; Lingyang Song", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "19307-19324", "ieee_document_id": "11594057", "source_url": "https://doi.org/10.1109/twc.2026.3707475", "pdf": "papers/2026_Zeng_Holographic_Beamforming_for_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "jscc", "method_name": "NSFC", "communication_layer": "联合信源信道编码（JSCC）", "layer_explanation": "在同一系统中共同设计压缩、语义保真和抗信道噪声机制。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["ResNet"], "metrics": ["accuracy", "latency", "energy efficiency", "spectral efficiency", "PSNR", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "通过超材料天线实现的全息波束形成已经被提出来以低硬件成本和低功耗促进空间复用。"}, "problem": {"pages": [1], "zh": "然而，现有的全息波束形成方案主要针对传统的比特通信系统，没有考虑语义级的重要性，因此不能直接应用于支持语义通信。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文提出了一种基于辐射幅度可调的超材料天线实现的语义重要性感知全息波束形成方案。"}, "mechanism": {"pages": [1], "zh": "具体地说，在传统的比特通信中，所有比特被视为同等重要。"}, "claim": {"pages": [14], "zh": "通过使用不同方案的原始图像和重构图像的示例：与传统的通信系统不同，传统的通信系统采用注水功率分配方案，因此具有低增益的等效信道可能不被分配任何发射功率，在所考虑的语义通信系统中，每个等效信道被分配发射功率。"}}, "method_summary": {"pages": [1], "zh": "在本文中，我们提出了一个语义重要性感知的全息波束形成方案，使超材料天线具有可调的辐射幅度，以支持语义通信。具体来说，在传统的位通信，所有的位被视为同等重要。"}, "representation_summary": {"zh": "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：NSFC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 11], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [11], "zh": "训练分割基于VOC数据集中的训练集，其中考虑加性白色高斯噪声（AWGN）信道，并且SNR固定为10 dB。 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”。"}, "experiment_result_summary": {"pages": [14], "zh": "通过使用不同方案的原始图像和重构图像的示例：与传统的通信系统不同，传统的通信系统采用注水功率分配方案，因此具有低增益的等效信道可能不被分配任何发射功率，在所考虑的语义通信系统中，每个等效信道被分配发射功率。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_holographic-beamforming-for-semantic-communication_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2026_holographic-beamforming-for-semantic-communication_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括ResNet；指标包括accuracy、latency、energy efficiency、spectral efficiency、PSNR、PER；信道/链路条件包括AWGN、Rayleigh、MIMO。", "pages": [11]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 NSFC：在本文中，我们提出了一个语义重要性感知的全息波束形成方案，使超材料天线具有可调的辐射幅度，以支持语义通信。具体来说，在传统的位通信，所有的位被视为同等重要。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [11]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [11]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [14]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3626670", "title": "Hybrid-Action DRL-Based Resource Allocation for Semantic-Aware Computation Offloading in Vehicular Edge Networks", "authors": "Quan Chen; Xiaoqin Song; Tiecheng Song; Yang Yang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "6790-6805", "ieee_document_id": "11226898", "source_url": "https://doi.org/10.1109/twc.2025.3626670", "pdf": "papers/2026_Chen_Hybrid_Action_DRL_Based_Resource_Allocation_for_Semantic_Aware_Computation_Offloading_in_Veh.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "I-HAMAPPO", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-100", "CIFAR-10"], "baselines": ["JSCC", "ResNet", "CLIP"], "metrics": ["PSNR", "accuracy", "latency", "semantic similarity", "utility"], "channels": ["Rician", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "车辆边缘计算（VEC）通过战略性地将任务从车辆卸载到边缘服务器来提高计算效率。"}, "problem": {"pages": [1], "zh": "然而，语义感知的计算卸载遇到了双重挑战：自适应地选择语义特征，以保持任务关键的意义和动态分配通信和语义资源在不同的网络条件下。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了科普这些挑战，本文提出了一种基于重要性的混合动作多智能体邻近策略优化（I-HAMAPPO）算法的语义感知车载计算卸载系统。"}, "mechanism": {"pages": [1], "zh": "随后，制定了优化问题的目标是最大限度地提高系统的效用，通过优化通信资源和语义压缩比。"}, "claim": {"pages": [1], "zh": "基于highD数据集的真实车辆轨迹，大量的实验结果证明了I-HAMAPPO的收敛性及其在最大化系统效用方面的功效。"}}, "method_summary": {"pages": [1], "zh": "科普这些问题，本文提出了一种基于重要性的混合动作多智能体邻近策略优化算法（I-HAMAPPO），并通过优化通信资源和语义压缩比来实现系统效用最大化。"}, "representation_summary": {"zh": "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：I-HAMAPPO 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "基于highD数据集的真实车辆轨迹，大量的实验结果证明了I-HAMAPPO的收敛性及其在最大化系统效用方面的功效。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2026_hybrid-action-drl-based-resource-allocation-for-semantic-aware-computation-offloading-in-vehicular-e_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_hybrid-action-drl-based-resource-allocation-for-semantic-aware-computation-offloading-in-vehicular-e_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-100、CIFAR-10；实验小节中明确出现的比较对象包括JSCC、ResNet、CLIP；指标包括PSNR、accuracy、latency、semantic similarity、utility；信道/链路条件包括Rician、wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 I-HAMAPPO：科普这些问题，本文提出了一种基于重要性的混合动作多智能体邻近策略优化算法（I-HAMAPPO），并通过优化通信资源和语义压缩比来实现系统效用最大化。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3665639", "title": "Importance-Aware Semantic Communication in MIMO-OFDM Systems Using Vision Transformer", "authors": "Joohyuk Park; Yongjeong Oh; Jihun Park; Yo-Seb Jeon", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "13494-13510", "ieee_document_id": "11429584", "source_url": "https://doi.org/10.1109/twc.2026.3665639", "pdf": "papers/2026_Park_Importance_Aware_Semantic_Communication_in_MIMO_OFDM_Systems_Using_Vision_Transformer.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "IA-QSMPA", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["ImageNet"], "baselines": ["ViT", "QAM", "JSCC", "OFDM"], "metrics": ["mAP", "accuracy", "classification accuracy", "latency", "energy efficiency", "IoU", "PER"], "channels": ["MIMO", "OFDM", "BSC", "binary symmetric channel"], "snr_conditions": ["SNR = 20 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "本文提出了一种新的重要性感知的量化，子载波映射，和功率分配（IA-QSMPA）的多输入多输出正交频分复用（MIMO-OFDM）系统中的语义通信框架，授权的预训练的视觉Transformer（ViT）。"}, "problem": {"pages": [1], "zh": "然而，JSCC通常依赖于模拟传输，这限制了与现有数字通信基础设施的兼容性。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种新的重要性感知的量化，子载波映射，和功率分配（IA-QSMPA）的多输入多输出正交频分复用（MIMO-OFDM）系统中的语义通信框架，授权的预训练的视觉Transformer（ViT）。"}, "mechanism": {"pages": [1], "zh": "具体而言，IA-QSMPA映射语义上重要的功能，以高质量的子信道，并根据其对任务性能和通信延迟的贡献分配资源。"}, "claim": {"pages": [1], "zh": "多视角图像分类和单目标检测任务的仿真结果表明，IA-QSMPA显着优于传统的方法在理想和有限的块长度传输的情况下，实现更优的任务性能和通信效率。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种新的重要性感知量化，子载波映射和功率分配用于多输入多输出正交频分复用中语义通信的（IA-QSMPA）框架（MIMO-OFDM）系统，由预训练的视觉Transformer（ViT）授权。IA-QSMPA将语义上重要的特征映射到高质量子信道，并根据它们对任务性能和通信等待时间的贡献来分配资源。"}, "representation_summary": {"pages": [1], "zh": "本文提出了一种新的重要性感知的量化，子载波映射，和功率分配（IA-QSMPA）的多输入多输出正交频分复用（MIMO-OFDM）系统中的语义通信框架，授权的预训练的视觉Transformer（ViT）。 独立判断：IA-QSMPA 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。"}, "overhead_summary": {"pages": [11], "zh": "压缩比被定义为压缩的Btarget比特开销与原始比特开销的比率（即，P = 8HW_C）。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "多视角图像分类和单目标检测任务的仿真结果表明，IA-QSMPA显着优于传统的方法在理想和有限的块长度传输的情况下，实现更优的任务性能和通信效率。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_importance-aware-semantic-communication-in-mimo-ofdm-systems-using-vision-transformer_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_importance-aware-semantic-communication-in-mimo-ofdm-systems-using-vision-transformer_result_p10.png", "caption": "The system parameters are set to G = 196, Ns = 4, F = 784, Ptot = 3136, and μ̃i = 0.1, with the transmit SNR defined as Tx SNR , 10 log10 NPs Ftotσ2 = 20 dB", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为ImageNet；实验小节中明确出现的比较对象包括ViT、QAM、JSCC、OFDM；指标包括mAP、accuracy、classification accuracy、latency、energy efficiency、IoU、PER；信道/链路条件包括MIMO、OFDM、BSC、binary symmetric channel；正文可定位的代表性工作点有SNR = 20 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 IA-QSMPA：本文提出了一种新的重要性感知量化，子载波映射和功率分配用于多输入多输出正交频分复用中语义通信的（IA-QSMPA）框架（MIMO-OFDM）系统，由预训练的视觉Transformer（ViT）授权。IA-QSMPA将语义上重要的特征映射到高质量子信道，并根据它们对任务性能和通信等待时间的贡献来分配资源。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3697658", "title": "In-Context Learning for Deep Joint Source-Channel Coding Over MIMO Channels", "authors": "Meng Hua; Wenjing Zhang; Chenghong Bian; Deniz Gündüz", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "18088-18102", "ieee_document_id": "11550398", "source_url": "https://doi.org/10.1109/twc.2026.3697658", "pdf": "papers/2026_Hua_In_Context_Learning_for_Deep_Joint_Source_Channel_Coding_Over_MIMO_Channels.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "文本传输或语言任务", "theme": "generative", "method_name": "ICL", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "CelebA"], "baselines": ["DeepJSCC", "BPG", "ViT", "Transformer", "JSCC", "GPT-2"], "metrics": ["PSNR", "accuracy", "MSE", "PER"], "channels": ["Rayleigh", "MIMO"], "snr_conditions": ["SNR = 20 dB", "SNR = 10 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "大型语言模型已经证明了执行上下文学习（ICL）的能力，其中模型通过直接将查询和来自给定任务的一些示例映射到输出变量来执行预测。"}, "problem": {"pages": [1], "zh": "接下来，我们将我们的研究扩展到一个更具挑战性的场景，其中收发器遭受同相和正交（IQ）不平衡，导致非线性MIMO估计。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在本文中，我们研究了ICL的深度联合信源信道编码（DeepJSCC）在图像传输多输入多输出（MIMO）系统，其中ICL去噪器用于MIMO符号估计。"}, "mechanism": {"pages": [2], "zh": "与ICL模块和源编解码器被视为单独组件的先前工作不同，我们的框架以端到端的方式联合训练DeepJSCC编码器/解码器和ICL去噪器。"}, "claim": {"pages": [1], "zh": "此外，所提出的基于变压器的ICL框架，结合上下文信息，实现了显着改善收发器IQ不平衡下的端到端的图像重建质量。"}}, "method_summary": {"pages": [1, 2], "zh": "本文研究了多输入多输出（MIMO）系统中深度联合信源信道编码（DeepJSCC）的ICL算法，该算法采用ICL去噪器对MIMO符号进行估计，不同于以往的算法将ICL模块和信源编解码器作为独立的部件，本文提出的算法以端到端的方式联合训练DeepJSCC编解码器和ICL去噪器。"}, "representation_summary": {"zh": "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：ICL 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。", "pages": [2]}, "overhead_summary": {"pages": [8], "zh": "除非另有说明，否则发射天线的数量被设置为M = 2，对应于2 × 2 MIMO系统。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "此外，所提出的基于变压器的ICL框架，结合上下文信息，实现了显着改善收发器IQ不平衡下的端到端的图像重建质量。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_in-context-learning-for-deep-joint-source-channel-coding-over-mimo-channels_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_in-context-learning-for-deep-joint-source-channel-coding-over-mimo-channels_result_p8.png", "caption": "Compared to the ICL-based estimation under the perfect IQ balance scenario described previously in", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、CelebA；实验小节中明确出现的比较对象包括DeepJSCC、BPG、ViT、Transformer、JSCC、GPT-2；指标包括PSNR、accuracy、MSE、PER；信道/链路条件包括Rayleigh、MIMO；正文可定位的代表性工作点有SNR = 20 dB、SNR = 10 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 ICL：本文研究了多输入多输出（MIMO）系统中深度联合信源信道编码（DeepJSCC）的ICL算法，该算法采用ICL去噪器对MIMO符号进行估计，不同于以往的算法将ICL模块和信源编解码器作为独立的部件，本文提出的算法以端到端的方式联合训练DeepJSCC编解码器和ICL去噪器。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3690165", "title": "Joint Optimization of Digital Semantic Communication and Radar Sensing for Enhanced ISAC", "authors": "Ouwen Huan; Chuanhong Liu; Nuocheng Yang; Zhilong Zhang; Tao Luo; Mingzhe Chen", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "16730-16744", "ieee_document_id": "11514424", "source_url": "https://doi.org/10.1109/twc.2026.3690165", "pdf": "papers/2026_Huan_Joint_Optimization_of_Digital_Semantic_Communication_and_Radar_Sensing_for_Enhanced_ISAC.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "CAVs", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": [], "baselines": ["QAM", "PPO", "DQN", "OFDM", "CLIP"], "metrics": ["mAP", "accuracy", "latency", "PER"], "channels": ["AWGN", "Rician", "OFDM", "fading channel"], "snr_conditions": ["at 0 dB SNR", "SNR of 9 dB", "at 3 dB SNR", "under 0 dB SNR", "SNR of 0 dB", "SNR of-9 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在这项工作中，我们提出了一种新的集成传感和通信（ISAC）框架连接和自动驾驶汽车（CAV），它结合了数字语义通信（SemCom），以实现可靠的通信和准确的传感。"}, "problem": {"pages": [1], "zh": "然而，通信和感测性能之间的固有权衡对这两种功能施加了根本限制，为高效ISAC系统的设计提出了重大挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在这项工作中，我们提出了一种新的集成传感和通信（ISAC）框架连接和自动驾驶汽车（CAV），它结合了数字语义通信（SemCom），以实现可靠的通信和准确的传感。"}, "mechanism": {"pages": [2], "zh": "本文的主要目的是设计一种结合数字SemCom技术的新型ISAC框架。"}, "claim": {"pages": [1], "zh": "道路图像分割任务的仿真结果表明，与使用相同四相相移键控（QPSK）调制的传统数字系统相比，所提出的SemCom方案实现了接近最佳的分割精度，同时将雷达波束成形误差降低了高达82%。"}}, "method_summary": {"pages": [1, 2], "zh": "在这项工作中，我们提出了一种新的集成传感和通信（ISAC）框架连接和自主车辆（CAV），它结合了数字语义通信（SemCom），以实现可靠的通信和准确的sensing. The这项工作的主要目标是设计一个新的ISAC框架，结合数字SemCom技术。"}, "representation_summary": {"pages": [1], "zh": "为了实现可靠的SemCom，发射机必须联合优化语义符号的量化位宽、调制阶数、语义符号维度上的功率分配以及发射波束成形策略。 独立判断：CAVs 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "道路图像分割任务的仿真结果表明，与使用相同四相相移键控（QPSK）调制的传统数字系统相比，所提出的SemCom方案实现了接近最佳的分割精度，同时将雷达波束成形误差降低了高达82%。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_joint-optimization-of-digital-semantic-communication-and-radar-sensing-for-enhanced-isac_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_joint-optimization-of-digital-semantic-communication-and-radar-sensing-for-enhanced-isac_result_p10.png", "caption": "Optimization metrics across training", "number": "Fig. 3"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 9]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括QAM、PPO、DQN、OFDM、CLIP；指标包括mAP、accuracy、latency、PER；信道/链路条件包括AWGN、Rician、OFDM、fading channel；正文可定位的代表性工作点有at 0 dB SNR、SNR of 9 dB、at 3 dB SNR、under 0 dB SNR、SNR of 0 dB、SNR of-9 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 CAVs：在这项工作中，我们提出了一种新的集成传感和通信（ISAC）框架连接和自主车辆（CAV），它结合了数字语义通信（SemCom），以实现可靠的通信和准确的sensing. The这项工作的主要目标是设计一个新的ISAC框架，结合数字SemCom技术。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3612327", "title": "Joint Power and Spectrum Orchestration for D2D Semantic Communication Underlying Energy-Efficient Cellular Networks", "authors": "Le Xia; Yao Sun; Haijian Sun; Rose Qingyang Hu; Dusit Niyato; Muhammad Ali Imran", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "4579-4594", "ieee_document_id": "11182603", "source_url": "https://doi.org/10.1109/twc.2025.3612327", "pdf": "papers/2026_Xia_Joint_Power_and_Spectrum_Orchestration_for_D2D_Semantic_Communication_Underlying_Energy_Effi.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义信息度量与理论", "theme": "theory", "method_name": "D2D", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["ETC"], "metrics": ["latency", "energy efficiency", "spectral efficiency", "utility", "throughput", "PER"], "channels": ["wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SemCom）的最新进展显示出在实现高效方面的巨大潜力。接收日期：2025年1月29日;修订日期：2025年6月23日和2025年8月16日;当前版本：2025年12月22日。"}, "problem": {"pages": [1], "zh": "然而，由于其独特的语义性能度量和耗能的语义编码机制，使得无线资源管理变得复杂和具有挑战性。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文研究了D2 D SemCom蜂窝网络中的功率控制和频谱复用问题。"}, "mechanism": {"pages": [1], "zh": "接下来，我们将能量效率最大化问题公式化，以联合功率和频谱分配服从于几个SemCom相关的和实际的约束。"}, "claim": {"pages": [1], "zh": "数值结果表明，与不同的基准测试相比，本文提出的方案具有足够的性能优势。"}}, "method_summary": {"pages": [1], "zh": "为此，本文研究了D2 D SemCom蜂窝网络中的功率控制和频谱复用问题，并在满足SemCom相关和实际约束条件下，提出了一个能量效率最大化的功率和频谱联合分配问题。"}, "representation_summary": {"zh": "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：D2D 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 3]}, "experiment_result_summary": {"pages": [1], "zh": "数值结果表明，与不同的基准测试相比，本文提出的方案具有足够的性能优势。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_joint-power-and-spectrum-orchestration-for-d2d-semantic-communication-underlying-energy-efficient-ce_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_joint-power-and-spectrum-orchestration-for-d2d-semantic-communication-underlying-energy-efficient-ce_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 3]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括ETC；指标包括latency、energy efficiency、spectral efficiency、utility、throughput、PER；信道/链路条件包括wireless channel。", "pages": [3]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义信息度量与理论所需的抽象信源—任务—信道模型。", "pages": [1]}, "encoder": {"zh": "发送端采用 D2D：为此，本文研究了D2 D SemCom蜂窝网络中的功率控制和频谱复用问题，并在满足SemCom相关和实际约束条件下，提出了一个能量效率最大化的功率和频谱联合分配问题。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 3]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 3]}, "output": {"zh": "最终输出为界、度量或优化原则。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3636174", "title": "Joint Semantic-Channel Coding and Modulation for Token Communications", "authors": "Jingkai Ying; Zhijin Qin; Yulong Feng; Liejun Wang; Xiaoming Tao", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "8179-8193", "ieee_document_id": "11276859", "source_url": "https://doi.org/10.1109/twc.2025.3636174", "pdf": "papers/2026_Ying_Joint_Semantic_Channel_Coding_and_Modulation_for_Token_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "视频传输、生成或控制", "theme": "digital", "method_name": "JSCCM", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 2：数字语义变量接入调制、信道编码或 OFDM 链路", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["ShapeNet"], "baselines": ["LDPC", "Transformer", "QAM", "JSCC", "BERT"], "metrics": ["PSNR", "mAP", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel", "wireless channel"], "snr_conditions": ["SNR of 15 dB"], "ber_conditions": ["ber of 0"], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，Transformer架构在广泛的任务和模态中实现了出色的性能。"}, "problem": {"pages": [1], "zh": "然而，缺乏统一的语义表示和跨模态的显著架构差距仍然是其发展的主要障碍。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "随后，为了得到一种信息量更大、传输友好的令牌表示，提出了一种联合语义信道和调制（JSCCM）的令牌编码方案，将点令牌映射为标准的数字星座点（调制令牌）。"}, "mechanism": {"pages": [1], "zh": "具体地说，JSCCM由两个并行的基于点变换器的编码器和一个结合了Gumel-softmax和软量化方法的差分调制器组成。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与传统的分离编码和联合语义信道编码相比，该方法的重构增益大于1dB，调制符号的压缩比大于6倍。"}}, "method_summary": {"pages": [1], "zh": "然后，为了得到一种信息量更大、传输友好的令牌表示，提出了一种联合语义信道和调制（JSCCM）的令牌编码方案，将点令牌映射为标准的数字星座点（调制令牌），该方案由两个并行的基于点变换的编码器和一个结合了Gumel-softmax和软量化方法的差分调制器组成。"}, "representation_summary": {"pages": [1], "zh": "随后，为了得到一种信息量更大、传输友好的令牌表示，提出了一种联合语义信道和调制（JSCCM）的令牌编码方案，将点令牌映射为标准的数字星座点（调制令牌）。 独立判断：JSCCM 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。"}, "overhead_summary": {"zh": "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。", "pages": [2], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [4], "zh": "对加性高斯白噪声（Additive White Gaussian Noise，AWGN）信道和Rayleigh衰落信道进行了研究。 本调研据此归为“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与传统的分离编码和联合语义信道编码相比，该方法的重构增益大于1dB，调制符号的压缩比大于6倍。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_joint-semantic-channel-coding-and-modulation-for-token-communications_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_joint-semantic-channel-coding-and-modulation-for-token-communications_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：解调/信道译码后的 bit 或 index；残余错误是否进入语义 decoder 需单独判断。", "pages": [4]}, "discrete_error_judgment": "部分。论文有真实数字物理层接口，但若语义 decoder 只看到信道译码后的结果，残余 bit/index 跳变仍未必被端到端处理。", "experiment_setup_summary": {"zh": "数据集为ShapeNet；实验小节中明确出现的比较对象包括LDPC、Transformer、QAM、JSCC、BERT；指标包括PSNR、mAP、PER；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 of 15 dB、ber of 0。", "pages": [2]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 JSCCM：然后，为了得到一种信息量更大、传输友好的令牌表示，提出了一种联合语义信道和调制（JSCCM）的令牌编码方案，将点令牌映射为标准的数字星座点（调制令牌），该方案由两个并行的基于点变换的编码器和一个结合了Gumel-softmax和软量化方法的差分调制器组成。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 2：数字语义变量接入调制、信道编码或 OFDM 链路”解释。", "pages": [4]}, "receiver": {"zh": "接收端从解调/信道译码后的 bit 或 index；残余错误是否进入语义 decoder 需单独判断开始，再执行语义解码、任务推理或生成。", "pages": [4]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3671290", "title": "Joint Source-Channel Coding for Task-Oriented Broadcast Communications: An Information Bottleneck Approach With Rate Splitting", "authors": "Youlong Wu; Jingfeng Huang; Yuanming Shi; Shuai Ma; Kai Niu; Meixia Tao; Khaled B. Letaief", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "14023-14036", "ieee_document_id": "11434868", "source_url": "https://doi.org/10.1109/twc.2026.3671290", "pdf": "papers/2026_Wu_Joint_Source_Channel_Coding_for_Task_Oriented_Broadcast_Communications_An_Information_Bottle.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "multiuser", "method_name": "Joint Source-Channel Coding for Task-Oriented Broadcast Communications: An Information Bottleneck Approach With Rate Splitting", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepJSCC", "BPG", "LDPC", "QAM", "JSCC", "ResNet"], "metrics": ["accuracy", "MSE"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "为了在边缘环境中支持高效和准确的多任务推理，我们提出了一种面向任务的广播通信系统，该系统使边缘发射机能够为多个边缘设备提供异构推理任务。"}, "problem": {"pages": [1], "zh": "然而，人工智能模型推理可能需要从边缘设备大量传输原始数据。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了在边缘环境中支持高效和准确的多任务推理，我们提出了一种面向任务的广播通信系统，该系统使边缘发射机能够为多个边缘设备提供异构推理任务。"}, "mechanism": {"pages": [1], "zh": "为了促进干扰鲁棒的任务执行，我们的计划利用任务相关性和广播信道属性之间的内在结构对齐;具体来说，公共和私有特征直接映射到马顿的公共和私有码字。"}, "claim": {"pages": [1], "zh": "在真实世界多标签数据集上的大量实验表明，与传统的数字压缩和基于深度学习的联合信源信道编码方案相比，所提出的方法在无线网络上实现了更优的推理准确性和鲁棒性。"}}, "method_summary": {"pages": [1], "zh": "为了在边缘环境中支持高效准确的多任务推理，本文提出了一种面向任务的广播通信系统，该系统使一个边缘发射机能够服务于多个具有异构推理任务的边缘设备。具体地说，公共和私有特征被直接映射到Marton的公共和私有码字。"}, "representation_summary": {"zh": "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：Joint Source-Channel Coding for Task-Oriented Broadcast Communications: An Information Bottleneck Approach With Rate Splitting 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。", "pages": [2]}, "overhead_summary": {"pages": [9], "zh": "将公共特征向量d的维数设置为42 × 32 × 32。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [8], "zh": "研究了正交幅度调制（QAM）下码率为1/2的5G LDPC码。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "在真实世界多标签数据集上的大量实验表明，与传统的数字压缩和基于深度学习的联合信源信道编码方案相比，所提出的方法在无线网络上实现了更优的推理准确性和鲁棒性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_joint-source-channel-coding-for-task-oriented-broadcast-communications-an-information-bottleneck-app_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2026_joint-source-channel-coding-for-task-oriented-broadcast-communications-an-information-bottleneck-app_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [8]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepJSCC、BPG、LDPC、QAM、JSCC、ResNet；指标包括accuracy、MSE。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 Joint Source-Channel Coding for Task-Oriented Broadcast Communications: An Information Bottleneck Approach With Rate Splitting：为了在边缘环境中支持高效准确的多任务推理，本文提出了一种面向任务的广播通信系统，该系统使一个边缘发射机能够服务于多个具有异构推理任务的边缘设备。具体地说，公共和私有特征被直接映射到Marton的公共和私有码字。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [8]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [8]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3658710", "title": "Knowledge Distillation-Driven Semantic NOMA for Image Transmission With Diffusion Model", "authors": "Qifei Wang; Zhen Gao; Shuo Sun; Zhijin Qin; Xiaodong Xu; Meixia Tao", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "11783-11798", "ieee_document_id": "11372578", "source_url": "https://doi.org/10.1109/twc.2026.3658710", "pdf": "papers/2026_Wang_Knowledge_Distillation_Driven_Semantic_NOMA_for_Image_Transmission_With_Diffusion_Model.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "KDD", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["CIFAR-10", "ImageNet", "FFHQ"], "baselines": ["DeepJSCC", "BPG", "LDPC", "GAN", "QAM", "NOMA", "ADJSCC", "JSCC", "ResNet"], "metrics": ["PSNR", "SSIM", "LPIPS", "FID"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": ["compression ratio of 1/48"], "motivation": {"progress": {"pages": [1], "zh": "这些生成方法在感知度量方面表现出更优的性能，有效地补偿了传统基于失真的测量的局限性。"}, "problem": {"zh": "在本文设定中，现有方法不能同时满足“图像传输、压缩或生成”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。", "pages": [1]}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对多用户上行无线图像传输问题，提出了一种基于知识提取驱动和扩散增强（KDD）的语义非正交多址接入（NOMA）协议KDD-SemNOMA。"}, "mechanism": {"pages": [1], "zh": "具体来说，为了确保在不同传输条件下的鲁棒特征传输，我们首先开发了一种基于ConvNeXT的深度联合信源和信道编码架构，该架构具有增强的自适应特征模块。"}, "claim": {"pages": [1], "zh": "此外，为了提高图像恢复质量，没有推理开销，我们引入了一个两阶段的知识蒸馏策略，即教师模型，无干扰正交传输训练，通过特征亲和蒸馏和十字头预测蒸馏指导学生模型。"}}, "method_summary": {"pages": [1], "zh": "针对多用户上行无线图像传输问题，提出了一种基于知识提取驱动和扩散增强（KDD）的语义非正交多址（NOMA）（KDD-SemNOMA），并在此基础上提出了一种基于ConvNeXT的深度联合信源信道编码结构，该结构具有增强的自适应特征模块，以保证在不同传输条件下特征传输的鲁棒性。"}, "representation_summary": {"pages": [4], "zh": "带宽压缩比ρ表示k个可用信道符号，定义为ρ = m。 独立判断：KDD 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。"}, "overhead_summary": {"pages": [4], "zh": "带宽压缩比ρ表示k个可用信道符号，定义为ρ = m。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [12], "zh": "子图（a）和（B）示出了在AWGN信道下的PSNR和SSIM与SNR的关系，而子图（c）和（d）示出了在Rayleigh衰落信道下的PSNR和SSIM。在各种SNR条件下，在AWGN和Rayleigh信道下具有1/48压缩比的不同方案的性能。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "此外，为了提高图像恢复质量，没有推理开销，我们引入了一个两阶段的知识蒸馏策略，即教师模型，无干扰正交传输训练，通过特征亲和蒸馏和十字头预测蒸馏指导学生模型。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2026_knowledge-distillation-driven-semantic-noma-for-image-transmission-with-diffusion-model_method_p4.png", "caption": "Overview of the proposed KDD-SemNOMA Framework", "number": "Fig. 1"}, {"kind": "result", "page": 8, "file": "assets/2026_knowledge-distillation-driven-semantic-noma-for-image-transmission-with-diffusion-model_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [12]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、ImageNet、FFHQ；实验小节中明确出现的比较对象包括DeepJSCC、BPG、LDPC、GAN、QAM、NOMA、ADJSCC、JSCC、ResNet；指标包括PSNR、SSIM、LPIPS、FID；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compression ratio of 1/48。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 KDD：针对多用户上行无线图像传输问题，提出了一种基于知识提取驱动和扩散增强（KDD）的语义非正交多址（NOMA）（KDD-SemNOMA），并在此基础上提出了一种基于ConvNeXT的深度联合信源信道编码结构，该结构具有增强的自适应特征模块，以保证在不同传输条件下特征传输的鲁棒性。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [4]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [12]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [12]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3710439", "title": "Land-Then-Transport: A Flow Matching-Based Generative Decoder for Wireless Image Transmission", "authors": "Jingwen Fu; Ming Xiao; Mikael Skoglund; Dong In Kim", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "19757-19772", "ieee_document_id": "11604027", "source_url": "https://doi.org/10.1109/twc.2026.3710439", "pdf": "papers/2026_Fu_Land_Then_Transport_A_Flow_Matching_Based_Generative_Decoder_for_Wireless_Image_Transmission.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "Land-Then-Transport", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "有限星座/标准数字波形接口", "channel_handling_class": "类别 2：语义特征映射为调制符号或编码包", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["MNIST", "Fashion-MNIST", "DIV2K"], "baselines": ["DeepJSCC", "JPEG2000", "JPEG", "LDPC", "JSCC"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "accuracy", "latency", "MSE", "BER", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "fading channel", "wireless channel"], "snr_conditions": ["at 15 dB SNR"], "ber_conditions": [], "rate_conditions": ["compression ratio of 16"], "motivation": {"progress": {"pages": [1], "zh": "由于对数据速率和可靠性的严格要求，图像在无线信道上的传输对于传统的分层设计和联合信源信道编码（JSCC）都是一个挑战，特别是在低延迟约束下。"}, "problem": {"pages": [1], "zh": "然而，由于迭代随机去噪，它们通常具有高解码延迟。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了克服这一局限性并实现低延迟解码，本文提出了一种新的LTT模式下的基于流匹配（FM）的生成式解码器，该解码器将物理无线信道紧密地集成到一个连续时间概率流中。"}, "mechanism": {"pages": [1], "zh": "我们进一步证明，通过线性MMSE均衡和奇异值域处理，可以将瑞利衰落和MIMO信道转换为具有校准的有效起始时间（高斯路径上的时间t？，其噪声水平与有效信道噪声匹配）的AWGN等效信道。"}, "claim": {"pages": [1], "zh": "结果表明，所提出的LTT框架为各种信道的生成式无线图像解码提供了一种确定性的、物理上可解释的、计算效率高的解决方案。"}}, "method_summary": {"pages": [1], "zh": "为了克服这一局限性并实现低延迟译码，本文提出了一种新的LTT（Land-then-Transport）模式下的基于流匹配（Flow Matching，FM）的生成译码器，它将物理无线信道紧密地结合到一个连续时间概率流中，转换为具有校准的有效起始时间（高斯路径上的时间t？，其噪声电平与有效信道噪声相匹配）的AWGN等效信道。"}, "representation_summary": {"zh": "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“有限星座/标准数字波形接口”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：Land-Then-Transport 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。", "pages": [2]}, "overhead_summary": {"pages": [9], "zh": "我们使用的压缩比为16 AWGN和8瑞利和MIMO信道。", "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"pages": [9], "zh": "我们使用的压缩比为16 AWGN和8瑞利和MIMO信道。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "结果表明，所提出的LTT框架为各种信道的生成式无线图像解码提供了一种确定性的、物理上可解释的、计算效率高的解决方案。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_land-then-transport-a-flow-matching-based-generative-decoder-for-wireless-image-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_land-then-transport-a-flow-matching-based-generative-decoder-for-wireless-image-transmission_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。", "pages": [9]}, "discrete_error_judgment": "部分。论文有真实数字物理层接口，但若语义 decoder 只看到信道译码后的结果，残余 bit/index 跳变仍未必被端到端处理。", "experiment_setup_summary": {"zh": "数据集为MNIST、Fashion-MNIST、DIV2K；实验小节中明确出现的比较对象包括DeepJSCC、JPEG2000、JPEG、LDPC、JSCC；指标包括PSNR、SSIM、MS-SSIM、LPIPS、accuracy、latency、MSE、BER、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、fading channel、wireless channel；正文可定位的代表性工作点有at 15 dB SNR、compression ratio of 16。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 Land-Then-Transport：为了克服这一局限性并实现低延迟译码，本文提出了一种新的LTT（Land-then-Transport）模式下的基于流匹配（Flow Matching，FM）的生成译码器，它将物理无线信道紧密地结合到一个连续时间概率流中，转换为具有校准的有效起始时间（高斯路径上的时间t？，其噪声电平与有效信道噪声相匹配）的AWGN等效信道。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是有限星座符号、OFDM/OTFS 资源或受保护数据包。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 2：语义特征映射为调制符号或编码包”解释。", "pages": [9]}, "receiver": {"zh": "接收端从均衡或 soft demodulation 后的符号，再恢复语义表示开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3624573", "title": "Large Generative Model Assisted 3D Semantic Communication", "authors": "Yubo Peng; Feibo Jiang; Li Dong; Kezhi Wang; Kun Yang; Cunhua Pan; Xiaohu You", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "6347-6361", "ieee_document_id": "11220901", "source_url": "https://doi.org/10.1109/twc.2025.3624573", "pdf": "papers/2026_Peng_Large_Generative_Model_Assisted_3D_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "点云/三维场景传输", "theme": "generative", "method_name": "GAM-3DSC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepJSCC", "VAE", "GAN", "ViT", "Transformer", "JSCC", "BERT"], "metrics": ["PSNR", "SSIM", "BLEU", "accuracy", "MSE", "NMSE", "PER"], "channels": ["AWGN", "Rician", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SC）是6G中一种新型的数据传输模式。"}, "problem": {"pages": [1], "zh": "然而，当在3D场景中执行SC时，存在若干挑战：1）3D语义提取; 2）潜在语义冗余;以及3）不确定信道估计。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对该问题，该文提出了一种创成式模型辅助三维SC（GAM-3DSC）系统。"}, "mechanism": {"pages": [1], "zh": "接下来，我们设计了一个条件生成对抗网络和扩散模型辅助信道估计（GDCE）来估计和细化物理信道的信道状态信息（CSI）。"}, "claim": {"pages": [1], "zh": "最后，仿真结果表明，所提出的GAM-3DSC系统的优势，有效地传输面向目标的三维场景。"}}, "method_summary": {"pages": [1], "zh": "针对这些问题，本文提出了一种生成模型辅助的3D SC（GAM-3DSC）系统，并设计了一种条件生成对抗网络和扩散模型辅助的信道估计（GDCE）来估计和细化物理信道的信道状态信息（CSI）。"}, "representation_summary": {"zh": "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：GAM-3DSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [10], "zh": "最后，我们考虑两种类型的信道，即AWGN和衰落（本文中使用Rician信道）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”。"}, "experiment_result_summary": {"pages": [1], "zh": "最后，仿真结果表明，所提出的GAM-3DSC系统的优势，有效地传输面向目标的三维场景。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_large-generative-model-assisted-3d-semantic-communication_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_large-generative-model-assisted-3d-semantic-communication_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepJSCC、VAE、GAN、ViT、Transformer、JSCC、BERT；指标包括PSNR、SSIM、BLEU、accuracy、MSE、NMSE、PER；信道/链路条件包括AWGN、Rician、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是点云/三维场景传输所需的三维点、视图或场景语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 GAM-3DSC：针对这些问题，本文提出了一种生成模型辅助的3D SC（GAM-3DSC）系统，并设计了一种条件生成对抗网络和扩散模型辅助的信道估计（GDCE）来估计和细化物理信道的信道状态信息（CSI）。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为三维重建、渲染或下游感知结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3688951", "title": "Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding", "authors": "Selim F. Yilmaz; Can Karamanlı; Deniz Gündüz", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "16859-16873", "ieee_document_id": "11511405", "source_url": "https://doi.org/10.1109/twc.2026.3688951", "pdf": "papers/2026_Yilmaz_Learning_to_Interfere_in_Non_Orthogonal_Multiple_Access_Joint_Source_Channel_Coding.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "Cityscapes", "Kodak"], "baselines": ["DeepJSCC", "BPG", "LDPC", "QAM", "NOMA", "JSCC"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "latency", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "我们考虑多个发射机，旨在通过多址接入信道（MAC）传递其源信号（例如，图像）。"}, "problem": {"pages": [1], "zh": "然而，在NOMA中，来自不同用户的信号不可避免地会相互干扰，这使得实现变得更加复杂和计算繁重。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "我们介绍了一种机器学习（ML）辅助的无线图像传输方法，该方法使用多视图自动编码器合并压缩和信道编码，允许发射机同时使用所有可用的信道资源，从而产生非正交多址（NOMA）方案。"}, "mechanism": {"pages": [2], "zh": "该编码方案受数字通信中的码分多址（CDMA）技术的启发，但我们将其应用于JSCC环境中的连续幅度调制方案，并学习用户使用的正交化码本，而不是使用固定码片序列。"}, "claim": {"pages": [1], "zh": "值得注意的是，我们的方法最多支持64个用户，具有进一步扩展的潜力，与单用户模型相比，可训练参数的数量仅增加2.4%，显着提高了恢复的图像质量，并在广泛的数据集上优于现有的基于NOMA的方法。、指标和信道条件。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一种基于机器学习的无线图像传输方法，该方法利用多视点自编码器将压缩和信道编码结合起来，使发送端能够同时使用所有可用的信道资源，从而得到一种非正交多址（NOMA）编码方案。但是我们将其应用于JSCC上下文中的连续幅度调制方案，并且学习用户所采用的正交化码本，而不是使用固定码片序列。"}, "representation_summary": {"zh": "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：Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding 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。", "pages": [2]}, "overhead_summary": {"pages": [4], "zh": "我们将平均SNR定义为SNR = 10 log 10 σavg 2。带宽比ρ表征每个用户的可用信道资源，并且被定义为ρ，CinkW H信道符号/像素。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "值得注意的是，我们的方法最多支持64个用户，具有进一步扩展的潜力，与单用户模型相比，可训练参数的数量仅增加2.4%，显着提高了恢复的图像质量，并在广泛的数据集上优于现有的基于NOMA的方法。、指标和信道条件。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_learning-to-interfere-in-non-orthogonal-multiple-access-joint-source-channel-coding_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_learning-to-interfere-in-non-orthogonal-multiple-access-joint-source-channel-coding_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [2, 9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、Cityscapes、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、BPG、LDPC、QAM、NOMA、JSCC；指标包括PSNR、SSIM、MS-SSIM、LPIPS、latency、PER；信道/链路条件包括AWGN、Rayleigh、fading channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding：本文提出了一种基于机器学习的无线图像传输方法，该方法利用多视点自编码器将压缩和信道编码结合起来，使发送端能够同时使用所有可用的信道资源，从而得到一种非正交多址（NOMA）编码方案。但是我们将其应用于JSCC上下文中的连续幅度调制方案，并且学习用户所采用的正交化码本，而不是使用固定码片序列。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [2, 9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3643835", "title": "MambaJSCC: Adaptive Deep Joint Source-Channel Coding With Generalized State Space Model", "authors": "Tong Wu; Zhiyong Chen; Meixia Tao; Yaping Sun; Xiaodong Xu; Wenjun Zhang; Ping Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "9264-9279", "ieee_document_id": "11311439", "source_url": "https://doi.org/10.1109/twc.2025.3643835", "pdf": "papers/2026_Wu_MambaJSCC_Adaptive_Deep_Joint_SourceChannel_Coding_With_Generalized_State_Space_Model.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "MambaJSCC", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CelebA", "Kodak", "DIV2K"], "baselines": ["NTSCC", "BPG", "LDPC", "Transformer", "ADJSCC", "JSCC", "SwinJSCC"], "metrics": ["PSNR", "LPIPS", "latency", "SSIM"], "channels": ["AWGN", "Rayleigh", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 20 dB", "SNR=20 dB", "SNR of 29.72 dB", "SNR = 10 dB", "SNR of 20 dB", "SNR=1 dB", "SNR=5 dB", "SNR of 15 dB"], "ber_conditions": [], "rate_conditions": ["CBR= 48", "CBR of 0.0208", "CBR = 0.214", "CBR of 0.208", "CBR = 0.0483", "CBR of 0.0521", "CBR = 0.0179", "CBR = 0.0564"], "motivation": {"progress": {"pages": [1], "zh": "轻量级高效的深度联合信源信道编码（JSCC）神经网络模型是语义通信的关键。"}, "problem": {"pages": [1], "zh": "为此，本文提出了一种新的JSCC体系结构MambaJSCC，该体系结构以较低的计算开销和参数开销实现了较高的性能。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文提出了一种新的JSCC体系结构MambaJSCC，该体系结构以较低的计算开销和参数开销实现了较高的性能。"}, "mechanism": {"pages": [1], "zh": "MambaJSCC采用信道自适应视觉状态空间模型（VSSM-CA）模块作为其在无线信道上传输图像的骨干，其中VSSM-CA主要由广义状态空间模型（GSSM）和零参数、零计算信道自适应方法（CSI-ReST）组成。"}, "claim": {"pages": [1], "zh": "在包括物联网设备JETSON AGX ORIN在内的不同设备上的实验结果表明，MambaJSCC不仅在各种场景下的性能优于现有的JSCC方法（如SwinJSCC），而且显著降低了参数大小、计算开销和推理延迟。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种新的JSCC结构MambaJSCC，该结构以较低的计算开销和参数开销获得了较高的性能，MambaJSCC利用带信道自适应块的视觉状态空间模型（VSSM-CA）作为其在无线信道上传输图像的骨干，其中VSSM-CA主要由广义状态空间模型（GSSM）和零参数模型组成，零计算信道自适应方法（CSI-ReST）。"}, "representation_summary": {"zh": "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：MambaJSCC 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。", "pages": [2]}, "overhead_summary": {"pages": [3], "zh": "因此，信道带宽比（CBR）被定义为：c×p×w。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [10], "zh": "在DIV 2K数据集上，AWGN信道下相应的性能增益为0.52，0.58，0.41 dB，瑞利衰落信道下相应的性能增益为0.63，0.43，0.42。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "在包括物联网设备JETSON AGX ORIN在内的不同设备上的实验结果表明，MambaJSCC不仅在各种场景下的性能优于现有的JSCC方法（如SwinJSCC），而且显著降低了参数大小、计算开销和推理延迟。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_mambajscc-adaptive-deep-joint-source-channel-coding-with-generalized-state-space-model_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_mambajscc-adaptive-deep-joint-source-channel-coding-with-generalized-state-space-model_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [10]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为CelebA、Kodak、DIV2K；实验小节中明确出现的比较对象包括NTSCC、BPG、LDPC、Transformer、ADJSCC、JSCC、SwinJSCC；指标包括PSNR、LPIPS、latency、SSIM；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 = 20 dB、SNR=20 dB、SNR of 29.72 dB、SNR = 10 dB、SNR of 20 dB、SNR=1 dB、SNR=5 dB、SNR of 15 dB、CBR= 48、CBR of 0.0208、CBR = 0.214、CBR of 0.208、CBR = 0.0483、CBR of 0.0521、CBR = 0.0179、CBR = 0.0564。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 MambaJSCC：本文提出了一种新的JSCC结构MambaJSCC，该结构以较低的计算开销和参数开销获得了较高的性能，MambaJSCC利用带信道自适应块的视觉状态空间模型（VSSM-CA）作为其在无线信道上传输图像的骨干，其中VSSM-CA主要由广义状态空间模型（GSSM）和零参数模型组成，零计算信道自适应方法（CSI-ReST）。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [10]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3707164", "title": "Multimodal Semantic Communication With Information-Theoretic Disentangled Representations", "authors": "Fan Gao; Youzheng Wang; Zhijin Qin; Feifei Gao", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "19432-19447", "ieee_document_id": "11594058", "source_url": "https://doi.org/10.1109/twc.2026.3707164", "pdf": "papers/2026_Gao_Multimodal_Semantic_Communication_With_Information_Theoretic_Disentangled_Representations.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "多模态检索与任务通信", "theme": "task", "method_name": "DMSC", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "JPEG", "LDPC", "Transformer", "JSCC"], "metrics": ["mAP", "accuracy", "latency", "utility", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": ["SNR = 10 dB", "SNR = 5dB", "SNR = 0 dB", "SNR = 5 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "作为智能6G无线应用的关键技术，多模态语义通信通过利用跨异构数据模态的语义理解来实现高效传输。"}, "problem": {"pages": [1], "zh": "然而，现有的端到端框架将异构模态数据融合成一个整体表示，使得任务推理在信道损伤下脆弱，并且在严格的资源约束下带宽分配效率低下。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一个具有可切换传输的多模态语义通信（DMSC）框架，该框架基于部分信息分解（PID）理论，将多模态语义分解为共享语义、唯一语义、协同语义和重构语义。"}, "mechanism": {"pages": [1], "zh": "作为智能6G无线应用的关键技术，多模态语义通信通过利用跨异构数据模态的语义理解来实现高效传输。"}, "claim": {"pages": [1], "zh": "多模态基准上的大量实验表明，所提出的框架实现了一致的改进，在各种信道条件下的传统和JSCC基线。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一个具有可切换传输的多模态语义通信（DMSC）框架，该框架将多模态语义分解为四个语义组件：共享、唯一、协同和重构语义，作为智能6G无线应用的关键技术，多模态语义通信通过利用跨异构数据模态的语义理解来实现高效传输。"}, "representation_summary": {"zh": "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：DMSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "多模态基准上的大量实验表明，所提出的框架实现了一致的改进，在各种信道条件下的传统和JSCC基线。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2026_multimodal-semantic-communication-with-information-theoretic-disentangled-representations_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_multimodal-semantic-communication-with-information-theoretic-disentangled-representations_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、JPEG、LDPC、Transformer、JSCC；指标包括mAP、accuracy、latency、utility、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 = 10 dB、SNR = 5dB、SNR = 0 dB、SNR = 5 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是多模态检索与任务通信所需的图像、文本或其他模态的任务特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 DMSC：本文提出了一个具有可切换传输的多模态语义通信（DMSC）框架，该框架将多模态语义分解为四个语义组件：共享、唯一、协同和重构语义，作为智能6G无线应用的关键技术，多模态语义通信通过利用跨异构数据模态的语义理解来实现高效传输。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为跨模态检索、匹配或联合推理结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3674666", "title": "Multiuser Semantic Communication With Concurrent Access for Collaborative Sensing in Internet of Vehicles", "authors": "Zhihong Wang; Supeng Leng; Yujie Qin; Dusit Niyato", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "14183-14197", "ieee_document_id": "11455604", "source_url": "https://doi.org/10.1109/twc.2026.3674666", "pdf": "papers/2026_Wang_Multiuser_Semantic_Communication_With_Concurrent_Access_for_Collaborative_Sensing_in_Interne.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义信息度量与理论", "theme": "multiuser", "method_name": "CoSC", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["OPV2V"], "baselines": ["ADJSCC", "JSCC"], "metrics": ["MSE", "IoU"], "channels": ["AWGN", "Rayleigh", "fading channel", "wireless channel"], "snr_conditions": ["SNR of -9 dB", "SNR = 20 dB", "SNR = 20dB", "SNR = 5 dB", "SNR = 24 dB", "SNR = 3 dB", "SNR = -9 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "幸运的是，支持深度学习的语义通信已经显示出极大的潜力，可以显著提高车联网网络中信息传输的效率。"}, "problem": {"pages": [1], "zh": "然而，在动态的车联网（IoV）环境中，传统的协作感知框架将数据传输和信息融合视为单独的过程，导致根本的效率低下。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了克服这一点，我们提出了一个新的上下文感知的混合访问框架的合作语义通信（CoSC），战略上对齐访问模式与语义属性，以最大限度地提高融合效率。"}, "mechanism": {"pages": [1], "zh": "最后，为了在统一接收机上从混合接入模式中恢复语义信号，我们设计了一种贝叶斯引导的分数扩散算法，从异构信号中自适应地重建语义信息。"}, "claim": {"pages": [1], "zh": "广泛的模拟表明，CoSC支持可扩展的多用户融合，相对于最先进的方法，OPV 2 V数据集的平均精度提高了34.2%。"}}, "method_summary": {"pages": [1], "zh": "为了克服这一问题，提出了一种新的上下文感知的协同语义通信（CoSC）混合接入框架，该框架将接入模式与语义属性进行策略性匹配，以最大化融合效率。最后，为了在统一的接收机上从混合接入模式中恢复语义信号，设计了一种贝叶斯引导的分数扩散算法，从异构信号中自适应地重构语义信息。"}, "representation_summary": {"zh": "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：CoSC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [11], "zh": "我们研究了所提出的CoSC框架的性能的假设下，一个慢衰落信道与AWGN。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "广泛的模拟表明，CoSC支持可扩展的多用户融合，相对于最先进的方法，OPV 2 V数据集的平均精度提高了34.2%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_multiuser-semantic-communication-with-concurrent-access-for-collaborative-sensing-in-internet-of-veh_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_multiuser-semantic-communication-with-concurrent-access-for-collaborative-sensing-in-internet-of-veh_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为OPV2V；实验小节中明确出现的比较对象包括ADJSCC、JSCC；指标包括MSE、IoU；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 of -9 dB、SNR = 20 dB、SNR = 20dB、SNR = 5 dB、SNR = 24 dB、SNR = 3 dB、SNR = -9 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是语义信息度量与理论所需的抽象信源—任务—信道模型。", "pages": [1]}, "encoder": {"zh": "发送端采用 CoSC：为了克服这一问题，提出了一种新的上下文感知的协同语义通信（CoSC）混合接入框架，该框架将接入模式与语义属性进行策略性匹配，以最大化融合效率。最后，为了在统一的接收机上从混合接入模式中恢复语义信号，设计了一种贝叶斯引导的分数扩散算法，从异构信号中自适应地重构语义信息。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [11]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [11]}, "output": {"zh": "最终输出为界、度量或优化原则。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3590749", "title": "Optimization of Private Semantic Communication Performance: An Uncooperative Covert Communication Method", "authors": "Wenjing Zhang; Ye Hu; Tao Luo; Zhilong Zhang; Mingzhe Chen", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "1408-1421", "ieee_document_id": "11098629", "source_url": "https://doi.org/10.1109/twc.2025.3590749", "pdf": "papers/2026_Zhang_Optimization_of_Private_Semantic_Communication_Performance_An_Uncooperative_Covert_Communica.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "security", "method_name": "Optimization of Private Semantic Communication Performance: An Uncooperative Covert Communication Method", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DDPG", "DQN", "SAC", "CLIP", "TD3"], "metrics": ["semantic similarity", "SSIM"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "本文研究了一种新的隐语义通信框架。"}, "problem": {"pages": [1], "zh": "然而，将隐蔽传输技术引入语义通信面临着一些挑战，包括语义相关的发射功率控制，传输时隙安排，语义信息质量的评估，和语义通信系统的隐私。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这个问题，我们提出了一个优先采样辅助双延迟深度确定性策略梯度算法，以联合确定发送的语义信息和每个时隙的发送功率，而没有服务器和干扰机之间的通信。"}, "mechanism": {"pages": [2], "zh": "主要贡献包括：·提出了一种新的隐蔽语义通信框架，在该框架中，服务器利用语义通信技术向用户传输图像数据，同时部署友好的干扰器，通过发送干扰干扰信号来保护用户在语义传输过程中免受多次窃听攻击。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与传统的强化学习方法相比，该算法的隐私和语义信息传输质量分别提高了77.8%和14.3%。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决这个问题，我们提出了一种优先采样辅助的双延迟深度确定性策略梯度算法，在没有服务器和干扰机之间通信的情况下，联合确定发送的语义信息和每个时隙的发送功率。主要贡献包括：·我们提出了一种新的隐蔽语义通信框架，在该框架内，服务器利用语义通信技术将图像数据传输给用户，而友好干扰器通过发送干扰干扰信号来保护该用户在语义传输过程中免受多次窃听攻击。"}, "representation_summary": {"zh": "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：Optimization of Private Semantic Communication Performance: An Uncooperative Covert Communication Method 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与传统的强化学习方法相比，该算法的隐私和语义信息传输质量分别提高了77.8%和14.3%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_optimization-of-private-semantic-communication-performance-an-uncooperative-covert-communication-met_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2026_optimization-of-private-semantic-communication-performance-an-uncooperative-covert-communication-met_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DDPG、DQN、SAC、CLIP、TD3；指标包括semantic similarity、SSIM。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Optimization of Private Semantic Communication Performance: An Uncooperative Covert Communication Method：为了解决这个问题，我们提出了一种优先采样辅助的双延迟深度确定性策略梯度算法，在没有服务器和干扰机之间通信的情况下，联合确定发送的语义信息和每个时隙的发送功率。主要贡献包括：·我们提出了一种新的隐蔽语义通信框架，在该框架内，服务器利用语义通信技术将图像数据传输给用户，而友好干扰器通过发送干扰干扰信号来保护该用户在语义传输过程中免受多次窃听攻击。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3614765", "title": "Position-Aided Semantic Communication for Efficient Image Transmission: Design, Implementation, and Experimental Results", "authors": "Peiwen Jiang; Chao-Kai Wen; Shi Jin; Jun Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "4887-4902", "ieee_document_id": "11192808", "source_url": "https://doi.org/10.1109/twc.2025.3614765", "pdf": "papers/2026_Jiang_Position_Aided_Semantic_Communication_for_Efficient_Image_Transmission_Design_Implementation.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "PASC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["KITTI"], "baselines": ["JPEG", "LDPC", "ViT", "JSCC", "OFDM", "CLIP"], "metrics": ["PSNR", "SSIM", "LPIPS", "mAP", "accuracy", "latency", "throughput", "PER"], "channels": ["MIMO", "OFDM"], "snr_conditions": ["SNR=5 dB", "SNR=-5 dB", "At 5 dB SNR", "At -5 dB SNR", "under -5 dB SNR", "At 10 dB SNR"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信，知识库（KBs）的增强，提供了大量减少传输开销和弹性的错误。"}, "problem": {"pages": [1], "zh": "然而，现有的方法主要依赖于端到端的训练来构建知识库，通常无法充分利用通信设备处可用的丰富信息。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "由于传感和通信的日益融合，我们引入了一种新的位置辅助语义通信（PASC）框架，该框架将本地化集成到语义传输中。"}, "mechanism": {"pages": [2], "zh": "通过整合这些基于FM的模块，我们提出了一种自适应传输策略，该策略利用正交频分复用（OFDM）系统来管理动态内容和波动的环境条件，从而确保高效可靠的通信。"}, "claim": {"pages": [9], "zh": "JSCC方法通常优于其他语义方法，因为生成模型有时会改变图像的结构信息。"}}, "method_summary": {"pages": [1, 2], "zh": "基于感知和通信日益融合的趋势，本文提出了一种新的定位辅助语义通信（PASC）框架，将定位技术与语义传输相结合，提出了一种自适应传输策略，利用正交频分复用（OFDM）系统管理动态内容和波动的环境条件，确保高效可靠的通信。"}, "representation_summary": {"zh": "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：PASC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [9], "zh": "JSCC方法通常优于其他语义方法，因为生成模型有时会改变图像的结构信息。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_position-aided-semantic-communication-for-efficient-image-transmission-design-implementation-and-exp_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_position-aided-semantic-communication-for-efficient-image-transmission-design-implementation-and-exp_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为KITTI；实验小节中明确出现的比较对象包括JPEG、LDPC、ViT、JSCC、OFDM、CLIP；指标包括PSNR、SSIM、LPIPS、mAP、accuracy、latency、throughput、PER；信道/链路条件包括MIMO、OFDM；正文可定位的代表性工作点有SNR=5 dB、SNR=-5 dB、At 5 dB SNR、At -5 dB SNR、under -5 dB SNR、At 10 dB SNR。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 PASC：基于感知和通信日益融合的趋势，本文提出了一种新的定位辅助语义通信（PASC）框架，将定位技术与语义传输相结合，提出了一种自适应传输策略，利用正交频分复用（OFDM）系统管理动态内容和波动的环境条件，确保高效可靠的通信。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [9]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3604516", "title": "Resource Allocation for Image Transmission Using Adaptive Semantic and Bit Communication", "authors": "Peixuan Li; Yichen Wang; Xiao Tang; Moqi Liu; Haotian Liu; Julian Cheng", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "3526-3540", "ieee_document_id": "11154915", "source_url": "https://doi.org/10.1109/twc.2025.3604516", "pdf": "papers/2026_Li_Resource_Allocation_for_Image_Transmission_Using_Adaptive_Semantic_and_Bit_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "resource", "method_name": "IPSO-SCM", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["LDPC", "QAM", "NOMA", "JSCC", "OFDM", "BERT"], "metrics": ["mAP", "latency", "utility", "BER"], "channels": ["MIMO", "OFDM"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "由于上述优势，SemCom成为近年来研究的热点问题。"}, "problem": {"pages": [1], "zh": "然而，由于通信资源的有限性，传统的BitCom模式难以满足时延敏感、超可靠、智能化的信息传输要求。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文提出了一种多AP多用户自适应语义和比特通信的图像传输框架，每个用户可以通过语义通信（SemCom）或比特通信方式与接入点进行通信。"}, "mechanism": {"pages": [1], "zh": "然后，提出了一个用户总代价最小化问题，用于联合优化通信模式决策、用户关联、信道选择、功率控制和计算资源分配。"}, "claim": {"pages": [1], "zh": "语义通信是未来网络中提高通信效率的新兴技术。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种多AP多用户自适应语义比特通信的图像传输框架，每个用户可以通过语义通信（SemCom）或比特通信方式与接入点进行通信，并将通信方式决策、用户关联、信道选择、功率控制和计算资源分配等问题转化为用户总代价最小化问题。"}, "representation_summary": {"zh": "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：IPSO-SCM 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "语义通信是未来网络中提高通信效率的新兴技术。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_resource-allocation-for-image-transmission-using-adaptive-semantic-and-bit-communication_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_resource-allocation-for-image-transmission-using-adaptive-semantic-and-bit-communication_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括LDPC、QAM、NOMA、JSCC、OFDM、BERT；指标包括mAP、latency、utility、BER；信道/链路条件包括MIMO、OFDM。", "pages": [9]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 IPSO-SCM：本文提出了一种多AP多用户自适应语义比特通信的图像传输框架，每个用户可以通过语义通信（SemCom）或比特通信方式与接入点进行通信，并将通信方式决策、用户关联、信道选择、功率控制和计算资源分配等问题转化为用户总代价最小化问题。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3704073", "title": "Rethinking the PAPR Pitfall in Deep Learning-Based Semantic Communication Systems", "authors": "Ruimao He; Xuefei Zhang; Yao Sun; Qimei Cui; Xiaofeng Tao", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "18795-18810", "ieee_document_id": "11574593", "source_url": "https://doi.org/10.1109/twc.2026.3704073", "pdf": "papers/2026_He_Rethinking_the_PAPR_Pitfall_in_Deep_Learning_Based_Semantic_Communication_Systems.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "digital", "method_name": "PAPR", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "有限星座/标准数字波形接口", "channel_handling_class": "类别 2：语义特征映射为调制符号或编码包", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["CIFAR-10"], "baselines": ["Transformer", "QAM", "JSCC", "OFDM"], "metrics": ["PSNR"], "channels": ["AWGN", "Rayleigh", "OFDM", "wireless channel"], "snr_conditions": ["at 0 dB SNR"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "峰值平均功率比（PAPR）问题是正交频分复用（OFDM）系统面临的一个难题。"}, "problem": {"pages": [1], "zh": "然而，由于深度学习（DL）网络的非高斯输出，语义通信（SemCom）系统不再支持这一假设。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "基于这一发现，我们提出了一种新的峰均比分析框架，该框架将重点从传统的峰均比度量转移到信号峰值尾部行为的统计表征上。"}, "mechanism": {"pages": [2], "zh": "据我们所知，这项工作是第一次提供了一个理论分析的峰均功率比在SemCom系统。"}, "claim": {"pages": [1], "zh": "在各种结构和CIFAR-10数据集上的大量仿真表明，与基线相比，所提出的结构可以在语义性能几乎没有下降（下降到1.07dB）的情况下实现显著的PAPR降低（高达12.64dB）。"}}, "method_summary": {"pages": [1, 2], "zh": "基于这一发现，我们提出了一种新的PAPR分析框架，重点从传统的峰均比指标转移到统计表征的信号peaks. To尽我们所知，这项工作是第一个提供了一个理论分析的峰均比在SemCom系统。"}, "representation_summary": {"pages": [2], "zh": "尽管这些贡献的广度，所有作品的共同假设是，输入符号使用标准星座（例如，QAM）进行调制，这可能不适用于新兴的范例。 独立判断：PAPR 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"pages": [9], "zh": "然而，为了证明我们的方法的鲁棒性，我们在仿真中考虑了AWGN和扩展行人A（EPA）信道模型。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "在各种结构和CIFAR-10数据集上的大量仿真表明，与基线相比，所提出的结构可以在语义性能几乎没有下降（下降到1.07dB）的情况下实现显著的PAPR降低（高达12.64dB）。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_rethinking-the-papr-pitfall-in-deep-learning-based-semantic-communication-systems_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_rethinking-the-papr-pitfall-in-deep-learning-based-semantic-communication-systems_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：均衡或 soft demodulation 后的符号，再恢复语义表示。", "pages": [9]}, "discrete_error_judgment": "部分。论文有真实数字物理层接口，但若语义 decoder 只看到信道译码后的结果，残余 bit/index 跳变仍未必被端到端处理。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括Transformer、QAM、JSCC、OFDM；指标包括PSNR；信道/链路条件包括AWGN、Rayleigh、OFDM、wireless channel；正文可定位的代表性工作点有at 0 dB SNR。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 PAPR：基于这一发现，我们提出了一种新的PAPR分析框架，重点从传统的峰均比指标转移到统计表征的信号peaks. To尽我们所知，这项工作是第一个提供了一个理论分析的峰均比在SemCom系统。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是有限星座符号、OFDM/OTFS 资源或受保护数据包。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 2：语义特征映射为调制符号或编码包”解释。", "pages": [9]}, "receiver": {"zh": "接收端从均衡或 soft demodulation 后的符号，再恢复语义表示开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3595550", "title": "RIS-Enhanced Semantic-Aware Sensing, Communication, Computation, and Control for Internet of Things", "authors": "Sun Mao; Chau Yuen; Lei Liu; Ming Xiao; Shui Yu; Ning Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "2231-2246", "ieee_document_id": "11123643", "source_url": "https://doi.org/10.1109/twc.2025.3595550", "pdf": "papers/2026_Mao_RIS_Enhanced_Semantic_Aware_Sensing_Communication_Computation_and_Control_for_Internet_of_Th.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "SC3", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": [], "metrics": ["accuracy", "latency", "PER"], "channels": ["Rayleigh", "Rician"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "传感、通信、计算和控制（SC 3）的联合设计对于支持环境感知的工业物联网（IIoT）应用至关重要。"}, "problem": {"pages": [1], "zh": "然而，这种集成系统的性能从根本上受到无线传播环境的不可预测性和可用频谱资源的稀缺性的限制，这会严重降低通信可靠性并增加延迟，特别是在关键任务和延迟敏感的应用中。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这一问题，提出了一种基于可重构智能表面（RIS）的增强语义感知SC3网络的设计框架，该框架采用RIS和语义通信技术来提高无线通信效率。"}, "mechanism": {"pages": [1], "zh": "为了便于实时闭环控制，我们进一步制定了加权和执行延迟最小化问题，同时对单个物联网设备的最大执行延迟和能耗以及最小信息熵施加约束，以满足由线性二次调节器成本衡量的特定控制要求。"}, "claim": {"pages": [1], "zh": "仿真结果表明，我们所提出的方法相比，几个基准方法所取得的性能优势。"}}, "method_summary": {"pages": [1], "zh": "为了解决这一问题，本文提出了一种基于可重构智能表面（RIS）增强的语义感知SC 3网络的设计框架，该框架采用RIS和语义通信技术来提高无线通信效率。为了便于实时闭环控制，我们进一步提出了一个加权和执行延迟最小化问题，同时对单个IoT设备的最大执行延迟和能耗以及最小信息熵施加约束，以满足由线性二次调节器成本测量的特定控制要求。"}, "representation_summary": {"zh": "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：SC3 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，我们所提出的方法相比，几个基准方法所取得的性能优势。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_ris-enhanced-semantic-aware-sensing-communication-computation-and-control-for-internet-of-things_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2026_ris-enhanced-semantic-aware-sensing-communication-computation-and-control-for-internet-of-things_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "指标包括accuracy、latency、PER；信道/链路条件包括Rayleigh、Rician。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 SC3：为了解决这一问题，本文提出了一种基于可重构智能表面（RIS）增强的语义感知SC 3网络的设计框架，该框架采用RIS和语义通信技术来提高无线通信效率。为了便于实时闭环控制，我们进一步提出了一个加权和执行延迟最小化问题，同时对单个IoT设备的最大执行延迟和能耗以及最小信息熵施加约束，以满足由线性二次调节器成本测量的特定控制要求。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3601155", "title": "Robust Deep Joint Source-Channel Coding Enabled Distributed Image Transmission With Imperfect Channel State Information", "authors": "Biao Dong; Bin Cao; Guan Gui; Qinyu Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "3047-3059", "ieee_document_id": "11151711", "source_url": "https://doi.org/10.1109/twc.2025.3601155", "pdf": "papers/2026_Dong_Robust_Deep_Joint_Source_Channel_Coding_Enabled_Distributed_Image_Transmission_With_Imperfec.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "theory", "method_name": "CVIE", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Cityscapes", "KITTI"], "baselines": ["VAE", "JSCC", "OFDM", "CLIP"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "mAP", "MSE"], "channels": ["OFDM", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [2], "zh": "基于上述观点，本文提出了一种支持鲁棒深度联合信源信道编码（RDJSCC）的分布式图像传输方案。"}, "problem": {"pages": [1], "zh": "当前，大多数研究集中在有损信源的压缩上，而忽略了无线信道缺陷的影响。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1, 2]}, "proposal": {"pages": [1], "zh": "为此，需要一种能够在噪声信道中确保可靠传输的基于DL的DSC方案。"}, "mechanism": {"pages": [1], "zh": "在RDJSCC中，我们设计了一种新的跨视图信息提取机制，以捕获更细微的跨视图模式和依赖关系。"}, "claim": {"pages": [1], "zh": "理论分析和仿真结果表明，该算法在强衰落条件下仍能有效利用相关信源的优势，提高重构性能。"}}, "method_summary": {"pages": [1], "zh": "为此，需要一种基于DL的DSC方案，它可以确保在噪声信道中的可靠传输。在RDJSCC中，我们设计了一种新的跨视图信息提取（CVIE）机制，以捕获更细微的跨视图模式和依赖关系。"}, "representation_summary": {"zh": "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：CVIE 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。", "pages": [7]}, "overhead_summary": {"zh": "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。", "pages": [7, 8], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [7, 8]}, "experiment_result_summary": {"pages": [1], "zh": "理论分析和仿真结果表明，该算法在强衰落条件下仍能有效利用相关信源的优势，提高重构性能。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_robust-deep-joint-source-channel-coding-enabled-distributed-image-transmission-with-imperfect-channe_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 7, "file": "assets/2026_robust-deep-joint-source-channel-coding-enabled-distributed-image-transmission-with-imperfect-channe_result_p7.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [7, 8]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Cityscapes、KITTI；实验小节中明确出现的比较对象包括VAE、JSCC、OFDM、CLIP；指标包括PSNR、SSIM、MS-SSIM、LPIPS、mAP、MSE；信道/链路条件包括OFDM、fading channel。", "pages": [8]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 CVIE：为此，需要一种基于DL的DSC方案，它可以确保在噪声信道中的可靠传输。在RDJSCC中，我们设计了一种新的跨视图信息提取（CVIE）机制，以捕获更细微的跨视图模式和依赖关系。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [7]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [7, 8]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [7, 8]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3679533", "title": "Robust Information Bottleneck Guided Non-Autoregressive Semantic Communication With Synonymous Mapping", "authors": "Mingtong Zhang; Haixia Zhang; Dongfeng Yuan; Ping Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "14859-14874", "ieee_document_id": "11476854", "source_url": "https://doi.org/10.1109/twc.2026.3679533", "pdf": "papers/2026_Zhang_Robust_Information_Bottleneck_Guided_Non_Autoregressive_Semantic_Communication_With_Synonymo.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "task", "method_name": "RIB", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "LDPC", "Transformer", "QAM", "BERT", "RoBERTa"], "metrics": ["BLEU", "latency"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": ["at 9 dB SNR"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "深度学习（DL）的最新进展极大地推进了语义信息的提取和传输。"}, "problem": {"pages": [1], "zh": "然而，现有的语义感知重建系统依赖于句法级损失函数进行优化，无法精确恢复语义信息，导致语义保真度不理想。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对这两个问题，该文提出一种鲁棒信息瓶颈（RIB）引导的非自回归语义通信（NASC）方案，称为RIB-NASC。"}, "mechanism": {"pages": [1], "zh": "首先，我们将RIB准则引入到语义感知重建系统中，提出了一个面向底层语义恢复的直接优化目标，并建立了一个信息量和鲁棒性的折衷关系。"}, "claim": {"pages": [1], "zh": "大量的仿真结果表明，RIB-NASC方案在语义恢复性能（BLEU评分和句子相似度）方面显著优于基线方案，并且与传统的自回归解码相比，解码延迟减少了近96.7%。"}}, "method_summary": {"pages": [1], "zh": "为了解决这两个问题，我们提出了一个强大的信息瓶颈（RIB）引导的非自回归语义通信（NASC）计划，命名为RIB-NASC。首先，我们开创性地将RIB标准集成到语义感知重建系统，制定了一个直接的优化目标，为底层语义恢复量身定制，并建立一个信息性鲁棒性权衡。"}, "representation_summary": {"zh": "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：RIB 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "大量的仿真结果表明，RIB-NASC方案在语义恢复性能（BLEU评分和句子相似度）方面显著优于基线方案，并且与传统的自回归解码相比，解码延迟减少了近96.7%。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_robust-information-bottleneck-guided-non-autoregressive-semantic-communication-with-synonymous-mappi_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_robust-information-bottleneck-guided-non-autoregressive-semantic-communication-with-synonymous-mappi_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、LDPC、Transformer、QAM、BERT、RoBERTa；指标包括BLEU、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at 9 dB SNR。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 RIB：为了解决这两个问题，我们提出了一个强大的信息瓶颈（RIB）引导的非自回归语义通信（NASC）计划，命名为RIB-NASC。首先，我们开创性地将RIB标准集成到语义感知重建系统，制定了一个直接的优化目标，为底层语义恢复量身定制，并建立一个信息性鲁棒性权衡。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3717328", "title": "Robust Semantic Communication: A Dimension Selective Fading Analysis and Repair Approach", "authors": "Minghao Shang; Yang Zhang; Lihua Pang; Yaxin Ren; Yonghui Zhai; Jiandong Li", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "21073-21088", "ieee_document_id": "11641669", "source_url": "https://doi.org/10.1109/twc.2026.3717328", "pdf": "papers/2026_Shang_Robust_Semantic_Communication_A_Dimension_Selective_Fading_Analysis_and_Repair_Approach.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "文本传输或语言任务", "theme": "theory", "method_name": "Robust Semantic Communication", "communication_layer": "语义信息理论与性能度量", "layer_explanation": "定义语义信息、失真、价值或可达边界，为系统比较提供共同坐标。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["DeepSC", "LDPC", "Transformer", "JSCC", "Polar", "BERT", "CLIP"], "metrics": ["BLEU", "BERTScore", "mAP", "latency", "semantic similarity", "PER"], "channels": ["AWGN", "Rayleigh", "Rician", "fading channel", "Nakagami", "bit flip", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "文本语义通信的目的是保持意义，而不是再现比特序列，但无线衰落和噪声仍然会导致语义表示量化，编码和传输后的非均匀语义退化。"}, "problem": {"pages": [1], "zh": "然而，实际部署需要的不仅仅是从文本到信道符号的直接神经映射。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文开发了一个强大的和可解释的文本语义通信框架，链接句子表示，无线信道造成的失真，语义修复，语义保真度评估。"}, "mechanism": {"pages": [2], "zh": "讨论的重点是直接激励我们的设计，即可解释的传输对象，可再现的实现整个传输链，跨维度的鲁棒性，轻量级的上下文敏感的评估的差距。"}, "claim": {"pages": [1], "zh": "在相同带宽预算的衰落信道下进行的实验，以及语义文本相似性验证和复杂度分析表明，该框架在保持系统可解释性和轻量级的同时，提高了语义鲁棒性。"}}, "method_summary": {"pages": [1, 2], "zh": "本文提出了一个健壮的、可解释的文本语义通信框架，该框架将句子表示、无线信道引起的失真、语义修复和语义保真度评估联系起来，重点讨论了直接推动我们的设计的差距，即可解释的传输对象、完整传输链的可再现实现、跨维度的健壮性和轻量级的上下文敏感评估。"}, "representation_summary": {"pages": [1], "zh": "文本语义通信的目的是保持意义，而不是再现比特序列，但无线衰落和噪声仍然会导致语义表示量化，编码和传输后的非均匀语义退化。 独立判断：Robust Semantic Communication 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"pages": [11], "zh": "语义张量根据第II节量化，并通过AWGN、瑞利衰落、莱斯衰落、Nakagami-m衰落和时变衰落信道传输。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "在相同带宽预算的衰落信道下进行的实验，以及语义文本相似性验证和复杂度分析表明，该框架在保持系统可解释性和轻量级的同时，提高了语义鲁棒性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_robust-semantic-communication-a-dimension-selective-fading-analysis-and-repair-approach_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_robust-semantic-communication-a-dimension-selective-fading-analysis-and-repair-approach_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括DeepSC、LDPC、Transformer、JSCC、Polar、BERT、CLIP；指标包括BLEU、BERTScore、mAP、latency、semantic similarity、PER；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel、Nakagami、bit flip、wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是文本传输或语言任务所需的句子、token 序列或语言语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 Robust Semantic Communication：本文提出了一个健壮的、可解释的文本语义通信框架，该框架将句子表示、无线信道引起的失真、语义修复和语义保真度评估联系起来，重点讨论了直接推动我们的设计的差距，即可解释的传输对象、完整传输链的可再现实现、跨维度的健壮性和轻量级的上下文敏感评估。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [11]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [11]}, "output": {"zh": "最终输出为恢复文本、翻译结果或语言任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3671986", "title": "Robustness-Enabled Energy-Efficient Feature Transmission for Edge Inference", "authors": "Zhifeng Wang; Qunsong Zeng", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "13746-13760", "ieee_document_id": "11435310", "source_url": "https://doi.org/10.1109/twc.2026.3671986", "pdf": "papers/2026_Wang_Robustness_Enabled_Energy_Efficient_Feature_Transmission_for_Edge_Inference.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "任务导向推理", "theme": "task", "method_name": "Robustness-Enabled Energy-Efficient Feature Transmission for Edge Inference", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 4：离散 bit/index/packet error 被显式建模或联合训练", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["ModelNet40"], "baselines": ["BERT"], "metrics": ["mAP", "accuracy", "classification accuracy", "BER", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在网络边缘部署人工智能（AI）算法对于实现下一代网络应用至关重要。"}, "problem": {"pages": [1], "zh": "然而，传统的通信系统主要是为可靠的比特级传输而设计的，并且没有考虑到基于AI的推理的独特特性。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "利用这一特性，我们提出了一个鲁棒性感知框架，用于节能边缘推理，减少特征传输过程中的能耗。"}, "mechanism": {"pages": [1], "zh": "在边缘推理系统中，从分布式传感器中提取特征，并将其发送到边缘服务器以进行远程推理。"}, "claim": {"pages": [1], "zh": "我们的设计始终优于基准方案。"}}, "method_summary": {"pages": [1], "zh": "利用这一特性，我们提出了一个鲁棒性感知的框架，用于节能的边缘推理，减少特征传输过程中的能量消耗。在边缘推理系统中，特征从分布式传感器中提取，并传输到边缘服务器进行远程推理。"}, "representation_summary": {"pages": [3], "zh": "在这种情况下，我们使用Nc个卷积滤波器，每个滤波器生成一个Lh × Lω特征映射。 独立判断：Robustness-Enabled Energy-Efficient Feature Transmission for Edge Inference 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [9], "zh": "被激活的传感器使用自适应MQAM调制来调制提取的特征向量，这些特征向量在瑞利衰落信道上传输，并在边缘服务器处接收，用于特征聚合和智能推理。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "我们的设计始终优于基准方案。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_robustness-enabled-energy-efficient-feature-transmission-for-edge-inference_method_p2.png", "caption": "Sensing models and CNN classifier for edge inference", "number": "Fig. 1"}, {"kind": "result", "page": 9, "file": "assets/2026_robustness-enabled-energy-efficient-feature-transmission-for-edge-inference_result_p9.png", "caption": "Total energy consumption using exhaustive search METHOD", "number": "Fig. 4"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：可能出错或缺失的离散 bit/token/index（或其 soft estimate）。", "pages": [9]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为ModelNet40；实验小节中明确出现的比较对象包括BERT；指标包括mAP、accuracy、classification accuracy、BER、PER；信道/链路条件包括AWGN、Rayleigh、fading channel。", "pages": [9]}, "reviewer_value": "该工作位于“任务导向联合信源信道设计”：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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 Robustness-Enabled Energy-Efficient Feature Transmission for Edge Inference：利用这一特性，我们提出了一个鲁棒性感知的框架，用于节能的边缘推理，减少特征传输过程中的能量消耗。在边缘推理系统中，特征从分布式传感器中提取，并传输到边缘服务器进行远程推理。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [3]}, "channel": {"zh": "信道作用方式按“类别 4：离散 bit/index/packet error 被显式建模或联合训练”解释。", "pages": [9]}, "receiver": {"zh": "接收端从可能出错或缺失的离散 bit/token/index（或其 soft estimate）开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3597672", "title": "ROME: Robust Model Ensembling for Semantic Communication Against Semantic Jamming Attacks", "authors": "Kequan Zhou; Guangyi Zhang; Yunlong Cai; Qiyu Hu; Guanding Yu", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "2589-2606", "ieee_document_id": "11130653", "source_url": "https://doi.org/10.1109/twc.2025.3597672", "pdf": "papers/2026_Zhou_ROME_Robust_Model_Ensembling_for_Semantic_Communication_Against_Semantic_Jamming_Attacks.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "security", "method_name": "ROME", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10", "MNIST"], "baselines": ["GAN", "JSCC"], "metrics": ["accuracy", "classification accuracy"], "channels": ["AWGN", "Rayleigh", "Rician", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 13 dB", "SNR = 7 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，语义通信（SC）因其高效性而受到越来越多的关注，但它仍然容易受到语义干扰攻击。"}, "problem": {"pages": [1], "zh": "相比之下，语义干扰攻击考虑到传输数据的语义来误导合法接收端的解释，这在无线通信中提出了新的挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了对抗语义干扰攻击，我们提出了一个新的框架称为鲁棒模型集成（罗马）的安全语义通信。"}, "mechanism": {"pages": [1], "zh": "具体来说，罗马可以检测语义干扰攻击的存在及其功率水平。"}, "claim": {"pages": [1], "zh": "仿真结果表明，所提出的罗马方法具有显着的自适应性，并提供优雅的鲁棒性和泛化能力下变功率语义干扰攻击。"}}, "method_summary": {"pages": [1], "zh": "为了对抗语义干扰攻击，本文提出了一种新的安全语义通信框架罗马（Robust Model Ensembling），该罗马能够检测语义干扰攻击的存在及其强度。"}, "representation_summary": {"zh": "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：ROME 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 11], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [13], "zh": "我们提供了每个测试数据集中10，000个样本的每个功率电平标签上的平均检测准确度分数，沿着它们的平均值。即使考虑衰落效应，在AWGN信道中建立的攻击者和用户之间的检测准确度分数也会保留。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，所提出的罗马方法具有显着的自适应性，并提供优雅的鲁棒性和泛化能力下变功率语义干扰攻击。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_rome-robust-model-ensembling-for-semantic-communication-against-semantic-jamming-attacks_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_rome-robust-model-ensembling-for-semantic-communication-against-semantic-jamming-attacks_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [13]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、MNIST；实验小节中明确出现的比较对象包括GAN、JSCC；指标包括accuracy、classification accuracy；信道/链路条件包括AWGN、Rayleigh、Rician、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 13 dB、SNR = 7 dB。", "pages": [11]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 ROME：为了对抗语义干扰攻击，本文提出了一种新的安全语义通信框架罗马（Robust Model Ensembling），该罗马能够检测语义干扰攻击的存在及其强度。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [13]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [13]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3630680", "title": "Scalable Deep Joint Source-Channel Coding for Multi-User Wireless Image Transmission With Diverse Bandwidth Conditions", "authors": "Feng Wang; Xuechen Chen; Xiaoheng Deng; Siyu Lin", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "7333-7349", "ieee_document_id": "11250876", "source_url": "https://doi.org/10.1109/twc.2025.3630680", "pdf": "papers/2026_Wang_Scalable_Deep_Joint_Source_Channel_Coding_for_Multi_User_Wireless_Image_Transmission_With_Di.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "multiuser", "method_name": "DeepJSCC", "communication_layer": "多用户接入、广播或中继", "layer_explanation": "研究多个用户共享频谱、干扰或中继时的语义相关性与异构信道。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CelebA", "HEVC"], "baselines": ["DeepJSCC", "JPEG2000", "JPEG", "BPG", "WebP", "LDPC", "Turbo", "Transformer", "QAM", "H.264", "HEVC", "JSCC"], "metrics": ["PSNR", "mAP", "accuracy", "latency", "MSE", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "OFDM", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 9 dB", "SNR = 5 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "近年来，深度联合信源信道编码（DeepJSCC）在无线图像传输中表现出了优于传统数字编码的更优的性能。"}, "problem": {"pages": [1], "zh": "然而，现有的DeepJSCC方法往往忽略了广播通信场景中的三个关键挑战：用户间的带宽异构性、单个用户所经历的动态带宽变化以及用户的多样性需求。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决上述问题，我们提出了一种可扩展的DeepJSCC广播通信框架。"}, "mechanism": {"pages": [2], "zh": "此外，我们的计划是固有的适应范围广泛的CSNR，确保可靠和高质量的图像传输在不同的通信条件下。"}, "claim": {"pages": [1], "zh": "仿真结果显示，采用本文算法的图像重建算法在不同分辨率和不同截获条件下均能获得高质量的图像重建结果。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决这些问题，我们提出了一个可扩展的DeepJSCC框架，为广播通信量身定制。此外，我们的方案本质上是适应广泛的CSNR，确保在不同的通信条件下可靠和高质量的图像传输。"}, "representation_summary": {"zh": "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：DeepJSCC 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。", "pages": [2]}, "overhead_summary": {"pages": [15], "zh": "我们将用户数设置为2，输入图像大小为128 × 128。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [12], "zh": "采用2/3码率的（4096，6144）LDPC码结构，结合16进制正交幅度调制（QAM）数字调制。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果显示，采用本文算法的图像重建算法在不同分辨率和不同截获条件下均能获得高质量的图像重建结果。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_scalable-deep-joint-source-channel-coding-for-multi-user-wireless-image-transmission-with-diverse-ba_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_scalable-deep-joint-source-channel-coding-for-multi-user-wireless-image-transmission-with-diverse-ba_result_p9.png", "caption": "Examples of visual comparison", "number": "Fig. 14"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [12]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为CelebA、HEVC；实验小节中明确出现的比较对象包括DeepJSCC、JPEG2000、JPEG、BPG、WebP、LDPC、Turbo、Transformer、QAM、H.264、HEVC、JSCC；指标包括PSNR、mAP、accuracy、latency、MSE、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、OFDM、fading channel、wireless channel；正文可定位的代表性工作点有SNR = 9 dB、SNR = 5 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 DeepJSCC：为了解决这些问题，我们提出了一个可扩展的DeepJSCC框架，为广播通信量身定制。此外，我们的方案本质上是适应广泛的CSNR，确保在不同的通信条件下可靠和高质量的图像传输。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [12]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [12]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3703886", "title": "Semantic Communication Over MIMO Channels via Score-Based Reverse Mean Propagation", "authors": "Yinuo Huang; Xiaojun Yuan; Hao Jiang; Meixia Tao", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "19017-19033", "ieee_document_id": "11575741", "source_url": "https://doi.org/10.1109/twc.2026.3703886", "pdf": "papers/2026_Huang_Semantic_Communication_Over_MIMO_Channels_via_Score_Based_Reverse_Mean_Propagation.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "RMP", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["FFHQ"], "baselines": ["DeepJSCC", "BPG", "LDPC", "JSCC", "SSCC", "OFDM"], "metrics": ["PSNR", "LPIPS", "FID", "accuracy", "latency", "PER"], "channels": ["Rayleigh", "MIMO", "OFDM", "fading channel"], "snr_conditions": ["SNR= -3 dB", "SNR of -3 dB", "SNR = 3 dB", "SNR= 3 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "该文提出了一种新的多输入多输出（MIMO）语义通信系统，该系统利用先进的基于分数的生成模型。"}, "problem": {"pages": [1], "zh": "所提出的系统在发送器处具有基于深度神经网络（DNN）的编码器，在接收端处具有基于分数的解码器，其中后者直接从信道输出重构源数据而无需中间信号检测。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "该文提出了一种新的多输入多输出（MIMO）语义通信系统，该系统利用先进的基于分数的生成模型。"}, "mechanism": {"pages": [1], "zh": "该文提出了一种新的多输入多输出（MIMO）语义通信系统，该系统利用先进的基于分数的生成模型。"}, "claim": {"pages": [1], "zh": "在FFHQ数据集上的实验结果表明，该方法在感知指标上有了显著的提高，验证了该方法在实现高保真图像传输方面的有效性。"}}, "method_summary": {"pages": [1, 2], "zh": "本文介绍了一种新的多输入多输出（MIMO）语义通信系统，利用先进的基于分数的生成模型，以解决接收机设计中的这一限制，我们提出了一种新的框架，利用基于分数的生成模型的MIMO语义通信。"}, "representation_summary": {"zh": "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：RMP 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [11], "zh": "对于信道编码，我们考虑遵循3GPP TS 38.214标准的原理的5G LDPC码和数字调制。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "在FFHQ数据集上的实验结果表明，该方法在感知指标上有了显著的提高，验证了该方法在实现高保真图像传输方面的有效性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_semantic-communication-over-mimo-channels-via-score-based-reverse-mean-propagation_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_semantic-communication-over-mimo-channels-via-score-based-reverse-mean-propagation_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [11]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为FFHQ；实验小节中明确出现的比较对象包括DeepJSCC、BPG、LDPC、JSCC、SSCC、OFDM；指标包括PSNR、LPIPS、FID、accuracy、latency、PER；信道/链路条件包括Rayleigh、MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR= -3 dB、SNR of -3 dB、SNR = 3 dB、SNR= 3 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 RMP：本文介绍了一种新的多输入多输出（MIMO）语义通信系统，利用先进的基于分数的生成模型，以解决接收机设计中的这一限制，我们提出了一种新的框架，利用基于分数的生成模型的MIMO语义通信。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [11]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [11]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3660781", "title": "Semantic Communication-Enhanced U-Shaped Split Federated Learning With Adaptive Compression for Vehicular Networks", "authors": "Lu Yu; Zheng Chang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "11609-11623", "ieee_document_id": "11391517", "source_url": "https://doi.org/10.1109/twc.2026.3660781", "pdf": "papers/2026_Yu_Semantic_Communication_Enhanced_U_Shaped_Split_Federated_Learning_With_Adaptive_Compression.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "边缘学习与任务通信", "theme": "adaptive", "method_name": "SC-USFL", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10"], "baselines": ["DeepJSCC", "ViT", "JSCC", "SSCC", "ResNet"], "metrics": ["PSNR", "accuracy", "classification accuracy", "latency", "utility", "MSE", "PER"], "channels": ["AWGN", "Rayleigh", "fading channel", "wireless channel"], "snr_conditions": ["SNR = 19 dB", "SNR of 0 dB", "SNR of 19 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "车辆网络中的联邦学习（FL）提供了利用广泛的分布式车辆数据的优势，同时解决了数据隐私和通信开销问题。"}, "problem": {"pages": [1], "zh": "然而，由于车辆环境中有限的通信带宽和网络动态性，传统FL方法遇到了相当大的困难。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "梯度或中间特征既大又易受噪声影响，通信错误会直接改变训练收敛或推理决策；这使空口聚合与任务 loss 必须一起考虑。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了缓解这些挑战，本文提出了一种面向车载网络图像分类任务的语义通信增强型U型联合分裂学习（SC-USFL）框架。"}, "mechanism": {"pages": [2], "zh": "因此，这项工作，利用图像分类作为一个代表性的探针，探讨耦合优化车辆边缘网络的通信效率和学习性能。"}, "claim": {"pages": [1], "zh": "仿真结果表明，该算法在加性高斯白噪声（Additive White Gaussian Noise，AWGN）和Rayleigh衰落信道下均具有较好的鲁棒性，验证了该算法的有效性和适应性。"}}, "method_summary": {"pages": [1, 2], "zh": "为了解决这些问题，本文提出了一种基于语义通信增强的U形联合分裂学习（Semantic Communication-Enhanced U-Shaped Federated Split Learning，SC-USFL）框架，以图像分类为代表，探讨了车辆边缘网络中通信效率和学习性能的耦合优化问题。"}, "representation_summary": {"zh": "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：SC-USFL 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，该算法在加性高斯白噪声（Additive White Gaussian Noise，AWGN）和Rayleigh衰落信道下均具有较好的鲁棒性，验证了该算法的有效性和适应性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_semantic-communication-enhanced-u-shaped-split-federated-learning-with-adaptive-compression-for-vehi_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_semantic-communication-enhanced-u-shaped-split-federated-learning-with-adaptive-compression-for-vehi_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括DeepJSCC、ViT、JSCC、SSCC、ResNet；指标包括PSNR、accuracy、classification accuracy、latency、utility、MSE、PER；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 = 19 dB、SNR of 0 dB、SNR of 19 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是边缘学习与任务通信所需的梯度、模型更新或中间特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SC-USFL：为了解决这些问题，本文提出了一种基于语义通信增强的U形联合分裂学习（Semantic Communication-Enhanced U-Shaped Federated Split Learning，SC-USFL）框架，以图像分类为代表，探讨了车辆边缘网络中通信效率和学习性能的耦合优化问题。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为聚合模型或边缘推理结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3614182", "title": "Semantic Communications for UAV Data Aggregation: A Layered Design Against Alterable Hovering Position", "authors": "Lan Lin; Wenjun Xu; Yimeng Zhang; Xin Yuan; Jinglin Zhang; Zhu Han; Ping Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "4799-4815", "ieee_document_id": "11192208", "source_url": "https://doi.org/10.1109/twc.2025.3614182", "pdf": "papers/2026_Lin_Semantic_Communications_for_UAV_Data_Aggregation_A_Layered_Design_Against_Alterable_Hovering.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "SFE", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["JPEG", "LDPC", "Polar", "QAM", "NOMA", "JSCC", "OFDM"], "metrics": ["PSNR", "SSIM", "MSE", "PER"], "channels": ["AWGN", "Rician", "MIMO", "OFDM", "fading channel"], "snr_conditions": ["SNR = 5 dB", "SNR = -5 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "无人机辅助下的高效率数据聚合备受期待，但往往受到链路容量的限制。"}, "problem": {"pages": [1], "zh": "然而，无人机的动态特性使得语义信息的传输和重构变得复杂。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "此外，结合集成了非正交多址接入技术的正交频分复用系统OFDM-NOMA系统，提出了两种PPC层的算法。"}, "mechanism": {"pages": [1], "zh": "其次，提出了一种无人机位置与功率分配的联合交替优化算法（AOPP）。"}, "claim": {"pages": [1], "zh": "此外，CLAP算法在低信噪比（SNR）下表现出更强的抗噪声能力，而AOPP算法在不同Rician衰落因子下表现出更强的鲁棒性。"}}, "method_summary": {"pages": [1], "zh": "结合结合非正交多址技术的正交频分复用系统，即OFDM-NOMA系统，提出了两种PPC层的算法。其次，提出了一种无人机位置和功率分配的联合交替优化算法（AOPP）。"}, "representation_summary": {"zh": "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：SFE 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"pages": [14], "zh": "莱斯衰落信道下的仿真结果本小节展示了所提出的CLAP和AOPP算法在莱斯衰落信道下的性能。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "此外，CLAP算法在低信噪比（SNR）下表现出更强的抗噪声能力，而AOPP算法在不同Rician衰落因子下表现出更强的鲁棒性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_semantic-communications-for-uav-data-aggregation-a-layered-design-against-alterable-hovering-positio_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_semantic-communications-for-uav-data-aggregation-a-layered-design-against-alterable-hovering-positio_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [14]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括JPEG、LDPC、Polar、QAM、NOMA、JSCC、OFDM；指标包括PSNR、SSIM、MSE、PER；信道/链路条件包括AWGN、Rician、MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR = 5 dB、SNR = -5 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 SFE：结合结合非正交多址技术的正交频分复用系统，即OFDM-NOMA系统，提出了两种PPC层的算法。其次，提出了一种无人机位置和功率分配的联合交替优化算法（AOPP）。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [14]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [14]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3703496", "title": "Semantic Noise-Aided Secure Image Transmission Over MIMO Fading Channels", "authors": "Xue Han; Biqian Feng; Ting Zhou; Yongpeng Wu; Yuanwei Liu; Arumugam Nallanathan; Xiang-Gen Xia; Wenjun Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "18734-18749", "ieee_document_id": "11570786", "source_url": "https://doi.org/10.1109/twc.2026.3703496", "pdf": "papers/2026_Han_Semantic_Noise_Aided_Secure_Image_Transmission_Over_MIMO_Fading_Channels.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "security", "method_name": "SISC", "communication_layer": "通信安全与隐私", "layer_explanation": "把窃听、攻击或隐私泄露纳入语义链路，同时考察合法端质量与攻击端获得的信息。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Cityscapes"], "baselines": ["WITT", "BPG", "LDPC", "VQ-VAE", "VAE", "Transformer", "JSCC", "SSCC", "OFDM"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "LPIPS", "mAP", "accuracy", "throughput", "PER"], "channels": ["MIMO", "OFDM", "fading channel", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "现有的语义通信在许多任务中表现出了令人满意的性能，但安全的图像传输仍然没有得到充分的研究。"}, "problem": {"pages": [1], "zh": "提出了一种新的多输入多输出（MIMO）衰落信道下的安全图像语义通信（SISC）框架。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "提出了一种新的多输入多输出（MIMO）衰落信道下的安全图像语义通信（SISC）框架。"}, "mechanism": {"pages": [1], "zh": "为了保证合法语义用户（SU）的高质量图像重建，同时干扰窃听者（Eve），设计了一种语义噪声生成（SNG）网络。"}, "claim": {"pages": [1], "zh": "数值结果表明，该方案在保证SU上图像重建的高保真度的同时，有效地防止了图像信息泄漏到Eve。"}}, "method_summary": {"pages": [1], "zh": "提出了一种新的多输入多输出（MIMO）衰落信道下的安全图像语义通信（SISC）框架，设计了一个语义噪声生成（SNG）网络，以保证合法语义用户（SU）能够获得高质量的图像重建，同时干扰窃听者（Eve）。"}, "representation_summary": {"zh": "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：SISC 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。", "pages": [2]}, "overhead_summary": {"pages": [10], "zh": "为了确保获得适当的语义噪声水平，我们将m的范围设置为1 × 10-3至1.5 × 10-2，因为较小的语义噪声水平倾向于保留传递给SU的基本语义。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "数值结果表明，该方案在保证SU上图像重建的高保真度的同时，有效地防止了图像信息泄漏到Eve。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_semantic-noise-aided-secure-image-transmission-over-mimo-fading-channels_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_semantic-noise-aided-secure-image-transmission-over-mimo-fading-channels_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Cityscapes；实验小节中明确出现的比较对象包括WITT、BPG、LDPC、VQ-VAE、VAE、Transformer、JSCC、SSCC、OFDM；指标包括PSNR、SSIM、MS-SSIM、LPIPS、mAP、accuracy、throughput、PER；信道/链路条件包括MIMO、OFDM、fading channel、wireless channel。", "pages": [10]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 SISC：提出了一种新的多输入多输出（MIMO）衰落信道下的安全图像语义通信（SISC）框架，设计了一个语义噪声生成（SNG）网络，以保证合法语义用户（SU）能够获得高质量的图像重建，同时干扰窃听者（Eve）。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3715324", "title": "Semantic-Aware UAV Swarms for Low-Delay and Energy-Efficient Data Collection", "authors": "Haiyan Li; Xuan Li; Hongyu Wang; Shufan Jia; Jinyu Yang; Mugen Peng", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "", "issue": "", "pages": "1-1", "ieee_document_id": "11627206", "source_url": "https://doi.org/10.1109/twc.2026.3715324", "pdf": "papers/2026_Li_Semantic_Aware_UAV_Swarms_for_Low_Delay_and_Energy_Efficient_Data_Collection.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "语义感知资源分配与网络优化", "theme": "resource", "method_name": "Semantic-Aware UAV Swarms for Low-Delay and Energy-Efficient Data Collection", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["PPO", "CLIP"], "metrics": ["energy efficiency", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "无人机群在进行数据采集和传输时往往面临着较重的通信负载和较高的端到端时延，在处理大量原始数据时，这一问题变得更加严重。"}, "problem": {"pages": [1], "zh": "语义通信可以通过只传输与任务相关的信息而不是完整的原始数据来缓解这一瓶颈，从而减少通信负担。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "基于此，提出了一种融合语义感知通信和计算资源分配的无人机机群联合优化框架。"}, "mechanism": {"pages": [1], "zh": "建立了一个长期平均总时延最小化模型，并提出了一种低复杂度的算法。"}, "claim": {"pages": [1], "zh": "在大规模和高数据量的情况下，平均总延迟分别降低了14.94%和15.33%，能量效率分别提高了28.32%和28.18%。"}}, "method_summary": {"pages": [1], "zh": "基于此，本文提出了一种集成语义感知通信和计算资源分配的无人机机群联合优化框架，建立了长期平均总时延最小化模型，并设计了一种低复杂度的算法。"}, "representation_summary": {"zh": "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：Semantic-Aware UAV Swarms for Low-Delay and Energy-Efficient Data Collection 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 26], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 26]}, "experiment_result_summary": {"pages": [1], "zh": "在大规模和高数据量的情况下，平均总延迟分别降低了14.94%和15.33%，能量效率分别提高了28.32%和28.18%。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_semantic-aware-uav-swarms-for-low-delay-and-energy-efficient-data-collection_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 12, "file": "assets/2026_semantic-aware-uav-swarms-for-low-delay-and-energy-efficient-data-collection_result_p12.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 26]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括PPO、CLIP；指标包括energy efficiency、PER。", "pages": [26]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是语义感知资源分配与网络优化所需的用户、任务、信道和资源状态。", "pages": [1]}, "encoder": {"zh": "发送端采用 Semantic-Aware UAV Swarms for Low-Delay and Energy-Efficient Data Collection：基于此，本文提出了一种集成语义感知通信和计算资源分配的无人机机群联合优化框架，建立了长期平均总时延最小化模型，并设计了一种低复杂度的算法。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 26]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 26]}, "output": {"zh": "最终输出为资源/部署策略及其语义效用。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3605523", "title": "Semantic-Relevance-Based Sensor Selection for Edge-AI Empowered Sensing Systems", "authors": "Zhiyan Liu; Kaibin Huang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "3721-3735", "ieee_document_id": "11157862", "source_url": "https://doi.org/10.1109/twc.2025.3605523", "pdf": "papers/2026_Liu_Semantic_Relevance_Based_Sensor_Selection_for_Edge_AI_Empowered_Sensing_Systems.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "task", "method_name": "ISEA", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["JSCC", "HM"], "metrics": ["mAP", "accuracy", "classification accuracy", "latency"], "channels": ["Rayleigh", "wireless channel", "block fading"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "第六代（6G）移动的网络被设想为将感知和边缘人工智能（AI）作为两个关键功能。"}, "problem": {"pages": [1], "zh": "然而，由于传感器数量多、感知特征维数高，ISEA面临通信瓶颈。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了弥补这一不足，提出了一种新的基于语义相关性的传感器选择框架，以实现异构传感器相关性和信道状态下的最优端到端（E2E）任务性能。"}, "mechanism": {"pages": [1], "zh": "在此基础上，将传感器选择问题转化为一个0-1分式规划问题，该问题一般是NP-难的。"}, "claim": {"pages": [1], "zh": "在模拟数据和真实的数据集上的实验结果表明了新算法的有效性。"}}, "method_summary": {"pages": [1], "zh": "为了弥补这一不足，本文提出了一种新的基于语义相关性的传感器选择框架，以实现异构传感器相关性和信道状态下的最优端到端（E2E）任务性能，并将精度最大化的传感器选择问题转化为一个0-1分式规划问题，该问题一般是NP-难的。"}, "representation_summary": {"pages": [1], "zh": "分析表明，每个传感器对分类精度的贡献由其期望分类裕度来量化，期望分类裕度是其相关性得分的递增函数。 独立判断：ISEA 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 3]}, "experiment_result_summary": {"pages": [1], "zh": "在模拟数据和真实的数据集上的实验结果表明了新算法的有效性。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_semantic-relevance-based-sensor-selection-for-edge-ai-empowered-sensing-systems_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_semantic-relevance-based-sensor-selection-for-edge-ai-empowered-sensing-systems_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 3]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括JSCC、HM；指标包括mAP、accuracy、classification accuracy、latency；信道/链路条件包括Rayleigh、wireless channel、block fading。", "pages": [3]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 ISEA：为了弥补这一不足，本文提出了一种新的基于语义相关性的传感器选择框架，以实现异构传感器相关性和信道状态下的最优端到端（E2E）任务性能，并将精度最大化的传感器选择问题转化为一个0-1分式规划问题，该问题一般是NP-难的。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 3]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 3]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3591456", "title": "Semantics-Guided Diffusion for Deep Joint Source-Channel Coding in Wireless Image Transmission", "authors": "Maojun Zhang; Haotian Wu; Guangxu Zhu; Richeng Jin; Xiaoming Chen; Deniz Gündüz", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "1547-1564", "ieee_document_id": "11099589", "source_url": "https://doi.org/10.1109/twc.2025.3591456", "pdf": "papers/2026_Zhang_Semantics_Guided_Diffusion_for_Deep_Joint_Source_Channel_Coding_in_Wireless_Image_Transmissi.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "DeepJSCC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["COCO", "CelebA", "Kodak"], "baselines": ["DeepJSCC", "VAE", "ViT", "Transformer", "QAM", "ADJSCC", "JSCC", "OFDM", "CLIP", "HM"], "metrics": ["PSNR", "LPIPS", "FID", "mAP", "accuracy", "latency", "MSE", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "OFDM", "fading channel", "wireless channel"], "snr_conditions": ["SNR = -15 dB", "SNR = -15dB", "SNR = 10dB", "SNR =10dB", "SNR = -5 dB", "SNR = 5 dB", "SNR = -10 dB", "SNR =5 dB", "SNR =0 dB"], "ber_conditions": [], "rate_conditions": ["CBR of 1"], "motivation": {"progress": {"pages": [1], "zh": "联合信源信道编码（JSCC）通过将信源和信道的统计信息结合到系统设计中，为提高传输效率提供了一条很有前途的途径。"}, "problem": {"pages": [1], "zh": "然而，在自动驾驶和先进人工智能等应用的推动下，通信需求迅速增长，带来了网络容量饱和的风险。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "在快衰落信道中，我们引入了一种免训练的去噪策略，使SGD-JSCC能够有效地适应信道增益的波动。"}, "mechanism": {"pages": [1], "zh": "联合信源信道编码（JSCC）通过将信源和信道的统计信息结合到系统设计中，为提高传输效率提供了一条很有前途的途径。"}, "claim": {"pages": [1], "zh": "数值结果表明，在语义信息的指导下，并利用强大的DM，我们的方法优于现有的DeepJSCC方案，即使在极其恶劣的信道条件下也能提供令人满意的重建性能。"}}, "method_summary": {"pages": [1], "zh": "在快衰落信道中，SGD-JSCC采用了一种无需训练的去噪策略，可以有效地适应信道增益的波动，联合信源信道编码（JSCC）通过将信源和信道统计信息结合到系统设计中，为提高传输效率提供了一种有前景的途径。"}, "representation_summary": {"zh": "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：DeepJSCC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 3], "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [4], "zh": "我们考虑具有完美同步的慢衰落信道，信道输出由y表示。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "数值结果表明，在语义信息的指导下，并利用强大的DM，我们的方法优于现有的DeepJSCC方案，即使在极其恶劣的信道条件下也能提供令人满意的重建性能。"}, "assets": [{"kind": "method", "page": 4, "file": "assets/2026_semantics-guided-diffusion-for-deep-joint-source-channel-coding-in-wireless-image-transmission_method_p4.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_semantics-guided-diffusion-for-deep-joint-source-channel-coding-in-wireless-image-transmission_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [4]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为COCO、CelebA、Kodak；实验小节中明确出现的比较对象包括DeepJSCC、VAE、ViT、Transformer、QAM、ADJSCC、JSCC、OFDM、CLIP、HM；指标包括PSNR、LPIPS、FID、mAP、accuracy、latency、MSE、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、OFDM、fading channel、wireless channel；正文可定位的代表性工作点有SNR = -15 dB、SNR = -15dB、SNR = 10dB、SNR =10dB、SNR = -5 dB、SNR = 5 dB、SNR = -10 dB、SNR =5 dB、SNR =0 dB、CBR of 1。", "pages": [3]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 DeepJSCC：在快衰落信道中，SGD-JSCC采用了一种无需训练的去噪策略，可以有效地适应信道增益的波动，联合信源信道编码（JSCC）通过将信源和信道统计信息结合到系统设计中，为提高传输效率提供了一种有前景的途径。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [4]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [4]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3602146", "title": "SemHARQ: Semantic-Aware Hybrid Automatic Repeat Request for Multi-Task Semantic Communications", "authors": "Jiangjing Hu; Fengyu Wang; Wenjun Xu; Hui Gao; Ping Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "3170-3185", "ieee_document_id": "11151710", "source_url": "https://doi.org/10.1109/twc.2025.3602146", "pdf": "papers/2026_Hu_SemHARQ_Semantic_Aware_Hybrid_Automatic_Repeat_Request_for_Multi_Task_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "digital", "method_name": "SemHARQ", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "语义特征包/调制符号与 HARQ 冗余版本", "channel_handling_class": "类别 5：语义感知 HARQ/重传与任务判据耦合", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["ImageNet"], "baselines": ["DeepJSCC", "JPEG", "LDPC", "QAM", "ADJSCC", "JSCC", "BERT", "ETC"], "metrics": ["mAP", "accuracy", "classification accuracy", "BER"], "channels": ["Rayleigh", "Rician", "MIMO", "fading channel", "Nakagami"], "snr_conditions": ["SNR = 0 dB", "SNR = -6 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "随着深度学习技术的发展，面向任务的语义通信（SemComs）技术得到了长足的发展，其中多任务SemComs由于其高效性而备受重视。"}, "problem": {"pages": [1], "zh": "然而，面向多任务的语义传输机制的研究还处于起步阶段。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "本文将提出一种语义感知的混合自动重传请求（SemHARQ）框架，以实现多任务语义特征的鲁棒高效传输。"}, "mechanism": {"pages": [1], "zh": "具体地，被破坏的特征被重传，其中剩余的信道资源被用于增量传输。"}, "claim": {"pages": [1], "zh": "实验结果表明，在低信噪比条件下，该方法在车辆重识别中的一级识别准确率和颜色分类准确率上分别比现有方法提高了20%和10%。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一种语义感知的混合自动重传请求（SemHARQ）框架，用于多任务语义特征的鲁棒高效传输，即重传受损特征，并将剩余信道资源用于增量传输。"}, "representation_summary": {"pages": [5], "zh": "发送端量化多任务语义特征并组织成可重传单元；初传后只重传被语义错误检测器判为受损的特征，其余资源用于增量语义信息。 独立判断：SemHARQ 的主传输单位应归为“语义特征包/调制符号与 HARQ 冗余版本”。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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "初传特征经过有噪数字链路后，接收端先做任务感知的语义错误检测；SemHARQ 选择性重传受损特征并与初传结果融合，而不是要求整个 bitstream 一次无误到达。 本调研据此归为“类别 5：语义感知 HARQ/重传与任务判据耦合”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，在低信噪比条件下，该方法在车辆重识别中的一级识别准确率和颜色分类准确率上分别比现有方法提高了20%和10%。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_semharq-semantic-aware-hybrid-automatic-repeat-request-for-multi-task-semantic-communications_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_semharq-semantic-aware-hybrid-automatic-repeat-request-for-multi-task-semantic-communications_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：初传或 HARQ 重传合并后的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为ImageNet；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、QAM、ADJSCC、JSCC、BERT、ETC；指标包括mAP、accuracy、classification accuracy、BER；信道/链路条件包括Rayleigh、Rician、MIMO、fading channel、Nakagami；正文可定位的代表性工作点有SNR = 0 dB、SNR = -6 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 SemHARQ：本文提出了一种语义感知的混合自动重传请求（SemHARQ）框架，用于多任务语义特征的鲁棒高效传输，即重传受损特征，并将剩余信道资源用于增量传输。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是初传语义特征及按语义校验触发的增量冗余/重传包。", "pages": [5]}, "channel": {"zh": "信道作用方式按“类别 5：语义感知 HARQ/重传与任务判据耦合”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从初传或 HARQ 重传合并后的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3677460", "title": "Spectral Efficiency-Aware Codebook Design for Task-Oriented Semantic Communications", "authors": "Anbang Zhang; Shuaishuai Guo; Chenyuan Feng; Shuai Liu; Hongyang Du; Geyong Min", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "14535-14549", "ieee_document_id": "11466469", "source_url": "https://doi.org/10.1109/twc.2026.3677460", "pdf": "papers/2026_Zhang_Spectral_Efficiency_Aware_Codebook_Design_for_Task_Oriented_Semantic_Communications.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "digital", "method_name": "ToSC", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 4：离散 bit/index/packet error 被显式建模或联合训练", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["CIFAR-10", "ImageNet"], "baselines": ["DeepJSCC", "JPEG", "LDPC", "QAM", "JSCC", "ResNet"], "metrics": ["PSNR", "SSIM", "mAP", "accuracy", "classification accuracy", "latency", "spectral efficiency", "utility", "PER"], "channels": [], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "面向任务的数字语义通信（ToSC）的目标是只传输与任务相关的信息，大大减少通信开销。"}, "problem": {"pages": [1], "zh": "然而，这些码本通常被稀疏地激活，导致低频谱效率和信道容量的未充分利用。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "除了最大化任务性能，我们引入Wasserstein（WS）距离作为正则化度量，以最小化学习激活分布和最佳信道输入分布之间的差距。"}, "mechanism": {"pages": [1], "zh": "现有的ToSC方法通常依赖于学习的码本来编码语义特征并将其映射到星座符号。"}, "claim": {"pages": [1], "zh": "实验结果表明，WS-DC不仅在推理准确率上优于现有方法，而且显著提高了码书效率，为接近容量的语义通信系统提供了一个良好的方向。"}}, "method_summary": {"pages": [1], "zh": "在最大化任务性能的基础上，我们引入了Wasserstein（WS）距离作为正则化度量，以最小化学习到的激活分布与最优信道输入分布之间的差距。"}, "representation_summary": {"pages": [1], "zh": "现有的ToSC方法通常依赖于学习的码本来编码语义特征并将其映射到星座符号。 独立判断：ToSC 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"pages": [8], "zh": "具体地说，我们采用一致的离散码本设计，并应用相同的调制方案K元正交幅度调制（K-QAM）来将离散潜在表示映射到信道符号。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，WS-DC不仅在推理准确率上优于现有方法，而且显著提高了码书效率，为接近容量的语义通信系统提供了一个良好的方向。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_spectral-efficiency-aware-codebook-design-for-task-oriented-semantic-communications_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_spectral-efficiency-aware-codebook-design-for-task-oriented-semantic-communications_result_p8.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：可能出错或缺失的离散 bit/token/index（或其 soft estimate）。", "pages": [8]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10、ImageNet；实验小节中明确出现的比较对象包括DeepJSCC、JPEG、LDPC、QAM、JSCC、ResNet；指标包括PSNR、SSIM、mAP、accuracy、classification accuracy、latency、spectral efficiency、utility、PER。", "pages": [9]}, "reviewer_value": "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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 ToSC：在最大化任务性能的基础上，我们引入了Wasserstein（WS）距离作为正则化度量，以最小化学习到的激活分布与最优信道输入分布之间的差距。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 4：离散 bit/index/packet error 被显式建模或联合训练”解释。", "pages": [8]}, "receiver": {"zh": "接收端从可能出错或缺失的离散 bit/token/index（或其 soft estimate）开始，再执行语义解码、任务推理或生成。", "pages": [8]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3649359", "title": "SPHARQ-Based Semantic Communication", "authors": "Wannian An; Chen Dong; Haotai Liang; Xiaodong Xu; Rui Meng; Ping Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "9548-9564", "ieee_document_id": "11342416", "source_url": "https://doi.org/10.1109/twc.2025.3649359", "pdf": "papers/2026_An_SPHARQ_Based_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "任务导向推理", "theme": "digital", "method_name": "SPHARQ", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "语义特征包/调制符号与 HARQ 冗余版本", "channel_handling_class": "类别 5：语义感知 HARQ/重传与任务判据耦合", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["Cityscapes"], "baselines": ["JPEG", "LDPC"], "metrics": ["PSNR", "SSIM", "MS-SSIM", "accuracy", "semantic similarity", "IoU", "throughput", "PER"], "channels": [], "snr_conditions": ["SNR of -10 dB", "SNR = -10 dB", "SNR = 0 dB", "SNR = 6 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "由于目前语义信息的检错纠错主要依靠检测最终的语义恢复性能来识别错误的语义特征，因此该方法降低了语义通信的效率。"}, "problem": {"pages": [1], "zh": "随着在有限的带宽资源下对连续数据传输和低延迟通信的需求不断增长，注重准确高效传输比特信息的传统通信方法将遇到严重的通信瓶颈：传输速率接近接收日期：2025年1月25日;修订日期：2025年8月7日和2025年11月13日;于2025年12月25日接受。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这一问题，本文提出了一种基于混合自动重传请求的语义分组语义通信系统。"}, "mechanism": {"pages": [2], "zh": "本文的主要工作如下：1）基于SPHARQ的语义通信系统：本文提出了一种基于SPHARQ的语义通信系统。"}, "claim": {"pages": [1], "zh": "仿真结果验证了理论分析的正确性，表明在低信噪比（SNR）下，与最新的语义HARQ方案相比，该方案在多尺度结构相似性（MS-SSIM）上获得了高达0.25的增益，在峰值信噪比（PSNR）上获得了4 dB的增益，并且在多个分段类别上获得了增强的交集优于并集（IoU），同时具有更低的开销。"}}, "method_summary": {"pages": [1, 2], "zh": "针对这一问题，本文提出了一种基于混合自动重传请求的语义通信系统（SPHARQ），主要工作如下：1）基于SPHARQ的语义通信系统：本文提出了一种基于SPHARQ的语义通信系统。"}, "representation_summary": {"zh": "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“语义特征包/调制符号与 HARQ 冗余版本”；不能把网络 latent 的每个浮点维度直接当成固定 bit。 独立判断：SPHARQ 的主传输单位应归为“语义特征包/调制符号与 HARQ 冗余版本”。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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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：语义感知 HARQ/重传与任务判据耦合”解释信道作用点。 本调研据此归为“类别 5：语义感知 HARQ/重传与任务判据耦合”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果验证了理论分析的正确性，表明在低信噪比（SNR）下，与最新的语义HARQ方案相比，该方案在多尺度结构相似性（MS-SSIM）上获得了高达0.25的增益，在峰值信噪比（PSNR）上获得了4 dB的增益，并且在多个分段类别上获得了增强的交集优于并集（IoU），同时具有更低的开销。"}, "assets": [{"kind": "method", "page": 2, "file": "assets/2026_spharq-based-semantic-communication_method_p2.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 11, "file": "assets/2026_spharq-based-semantic-communication_result_p11.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：初传或 HARQ 重传合并后的语义特征。", "pages": [2, 10]}, "discrete_error_judgment": "是。论文把离散错误/丢失放进训练或恢复流程，因而正面处理了数字变量受损后的语义恢复。", "experiment_setup_summary": {"zh": "数据集为Cityscapes；实验小节中明确出现的比较对象包括JPEG、LDPC；指标包括PSNR、SSIM、MS-SSIM、accuracy、semantic similarity、IoU、throughput、PER；正文可定位的代表性工作点有SNR of -10 dB、SNR = -10 dB、SNR = 0 dB、SNR = 6 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "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。", "system_flow": {"input": {"zh": "输入是任务导向推理所需的源数据与下游任务所需特征。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SPHARQ：针对这一问题，本文提出了一种基于混合自动重传请求的语义通信系统（SPHARQ），主要工作如下：1）基于SPHARQ的语义通信系统：本文提出了一种基于SPHARQ的语义通信系统。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是初传语义特征及按语义校验触发的增量冗余/重传包。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：语义感知 HARQ/重传与任务判据耦合”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从初传或 HARQ 重传合并后的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为分类、分割、检索或其他任务决策。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3694102", "title": "Superimposed Pilot-Based Adaptive Semantic Communications for Wireless Image Transmission", "authors": "Jian Zou; Jian Xiao; Wenwu Xie; Fanyang Meng; Renhai Feng; Liang Yang; Yongsheng Liang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "17576-17590", "ieee_document_id": "11534973", "source_url": "https://doi.org/10.1109/twc.2026.3694102", "pdf": "papers/2026_Zou_Superimposed_Pilot_Based_Adaptive_Semantic_Communications_for_Wireless_Image_Transmission.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "D-SemCom", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["Kodak", "DIV2K"], "baselines": ["Transformer", "OFDM", "ResNet"], "metrics": ["PSNR", "mAP", "accuracy", "spectral efficiency", "MSE", "BER"], "channels": ["MIMO", "OFDM", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "非正交叠加导频（NOSIP）方案通过有效降低导频开销，显著提高了语义通信（SemCom）系统的频谱效率。"}, "problem": {"pages": [1], "zh": "然而，现有的基于NOSIP的SemCom系统仍然面临着模型-信道耦合性强、对异构信道适应性有限等挑战。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，提出了一种基于NOSIP方案的灵活的信道自适应数字SemCom（D-SemCom）架构。"}, "mechanism": {"pages": [1], "zh": "具体地，我们设计了一个轻量级的语义编解码器ShiftViT和一个语义接收端ShiftRx，它们采用时域和频域移位机制来解耦导频和数据并抑制多用户干扰，从而实现了复杂信道条件下的图像传输。"}, "claim": {"pages": [1], "zh": "仿真结果表明，与传统接收机和现有方法相比，所提出的D-SemCom系统分别获得了约25.14%和1.16%的有效吞吐量改善，同时在FLOPs方面降低了约40.37%的计算复杂度。"}}, "method_summary": {"pages": [1], "zh": "针对这些问题，本文提出了一种基于NOSIP的灵活的信道自适应数字SemCom（D-SemCom）结构，设计了轻量级的语义编解码器ShiftViT和语义接收端ShiftRx，采用时频域移位机制实现导频和数据的解耦，抑制多用户干扰，从而实现复杂信道条件下的图像传输。"}, "representation_summary": {"zh": "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：D-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。", "pages": [2]}, "overhead_summary": {"pages": [4], "zh": "带宽压缩比ξ = dz /dn 1表示语义表示具有比原始输入显著更低的维度。", "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "仿真结果表明，与传统接收机和现有方法相比，所提出的D-SemCom系统分别获得了约25.14%和1.16%的有效吞吐量改善，同时在FLOPs方面降低了约40.37%的计算复杂度。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_superimposed-pilot-based-adaptive-semantic-communications-for-wireless-image-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 8, "file": "assets/2026_superimposed-pilot-based-adaptive-semantic-communications-for-wireless-image-transmission_result_p8.png", "caption": "Architecture design of the proposed semantic receiver", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为Kodak、DIV2K；实验小节中明确出现的比较对象包括Transformer、OFDM、ResNet；指标包括PSNR、mAP、accuracy、spectral efficiency、MSE、BER；信道/链路条件包括MIMO、OFDM、wireless channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 D-SemCom：针对这些问题，本文提出了一种基于NOSIP的灵活的信道自适应数字SemCom（D-SemCom）结构，设计了轻量级的语义编解码器ShiftViT和语义接收端ShiftRx，采用时频域移位机制实现导频和数据的解耦，抑制多用户干扰，从而实现复杂信道条件下的图像传输。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3690314", "title": "Synesthesia of Machines (SoM)-Empowered Wireless Image Transmission Over Time-Varying Dynamic Channel", "authors": "Haozhen Li; Ruide Zhang; Rongqing Zhang; Xiang Cheng", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "17399-17414", "ieee_document_id": "11516554", "source_url": "https://doi.org/10.1109/twc.2026.3690314", "pdf": "papers/2026_Li_Synesthesia_of_Machines_SoM_Empowered_Wireless_Image_Transmission_Over_Time_Varying_Dynamic.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "图像传输、压缩或生成", "theme": "adaptive", "method_name": "SoM", "communication_layer": "自适应联合信源信道编码", "layer_explanation": "让表示维度、保护强度或接收策略随带宽和信道条件变化。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["WITT", "JPEG", "LDPC", "Transformer", "ADJSCC", "JSCC", "SSCC", "OFDM"], "metrics": ["PSNR", "LPIPS", "MSE", "PER"], "channels": ["AWGN", "Rayleigh", "MIMO", "OFDM", "fading channel", "wireless channel"], "snr_conditions": ["SNR: 26.742 dB", "SNR of 28.524 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "现有的工作表明，基于深度学习的联合信源信道编码（JSCC）是平衡图像传输保真度和数据开销的有效框架。"}, "problem": {"pages": [1], "zh": "然而，这些研究过于简单的通信系统作为一个纯粹的管道噪声，没有考虑到时变动态的无线信道和具体的物理层传输过程。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为了解决这些限制，我们提出了一个机器的通感（SoM）授权的动态信道自适应传输（DCAT）计划，设计用于实际实施在真实的通信场景。"}, "mechanism": {"pages": [2], "zh": "因此，我们提出了一个SoM授权的无线图像传输方案动态信道自适应传输，简称为DCAT。"}, "claim": {"pages": [1], "zh": "全面的实验结果证实，DCAT始终实现更优的性能相比，在所有条件下的基线方法。"}}, "method_summary": {"pages": [1, 2], "zh": "针对这些局限性，本文提出了一种基于机器联觉（Synesthesia of Machines，SoM）的动态信道自适应传输（Dynamic Channel Adaptive Transmission，DCAT）方案，并将其应用于真实的通信场景中，因此，本文提出了一种基于SoM的动态信道自适应传输（Dynamic Channel Adaptive Transmission，DCAT）方案。"}, "representation_summary": {"zh": "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：SoM 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。", "pages": [2]}, "overhead_summary": {"pages": [8], "zh": "仿真时间单位设置为3.125 × 10-2 ms，以确保在逼近真实世界时变信道的连续特性时具有足够的精度。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [9], "zh": "在AWGN和Rayleigh衰落等简化信道模型下，该算法实现了SOTA性能。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "全面的实验结果证实，DCAT始终实现更优的性能相比，在所有条件下的基线方法。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_synesthesia-of-machines-som-empowered-wireless-image-transmission-over-time-varying-dynamic-channel_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_synesthesia-of-machines-som-empowered-wireless-image-transmission-over-time-varying-dynamic-channel_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [9]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括WITT、JPEG、LDPC、Transformer、ADJSCC、JSCC、SSCC、OFDM；指标包括PSNR、LPIPS、MSE、PER；信道/链路条件包括AWGN、Rayleigh、MIMO、OFDM、fading channel、wireless channel；正文可定位的代表性工作点有SNR: 26.742 dB、SNR of 28.524 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1, 2]}, "encoder": {"zh": "发送端采用 SoM：针对这些局限性，本文提出了一种基于机器联觉（Synesthesia of Machines，SoM）的动态信道自适应传输（Dynamic Channel Adaptive Transmission，DCAT）方案，并将其应用于真实的通信场景中，因此，本文提出了一种基于SoM的动态信道自适应传输（Dynamic Channel Adaptive Transmission，DCAT）方案。", "pages": [1, 2]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [9]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [9]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3632819", "title": "Task-Agnostic Semantic Communications Relying on Information Bottleneck and Federated Meta-Learning", "authors": "Hao Wei; Wen Wang; Wanli Ni; Wenjun Xu; Yongming Huang; Dusit Niyato; Ping Zhang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "7600-7616", "ieee_document_id": "11264466", "source_url": "https://doi.org/10.1109/twc.2025.3632819", "pdf": "papers/2026_Wei_Task_Agnostic_Semantic_Communications_Relying_on_Information_Bottleneck_and_Federated_Meta_L.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "边缘学习与任务通信", "theme": "resource", "method_name": "TASC", "communication_layer": "资源分配与跨层优化", "layer_explanation": "把语义/任务质量映射为网络效用，再分配功率、带宽、算力或时延。", "digitalization_class": "上层理论/资源变量；论文不单独定义可发送语义格式", "channel_handling_class": "类别 5：沿用底层链路或抽象速率—效用模型", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["CIFAR-10"], "baselines": ["JPEG", "LDPC", "Turbo", "Transformer", "FedAvg", "H.264", "OFDM", "BERT"], "metrics": ["accuracy", "latency", "SSIM", "classification accuracy", "PER"], "channels": ["Rayleigh", "MIMO", "OFDM", "fading channel"], "snr_conditions": ["SNR of 8 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "语义通信（SemCom）作为一种向普适智能的范式转变，通过传递面向任务的语义信息，在提高通信效率、提供以用户为中心的服务等方面表现出了巨大的潜力。"}, "problem": {"pages": [1], "zh": "然而，连接设备、数据量和通信需求的指数级增长给实际SemCom设计带来了巨大挑战，尤其是在资源受限的无线网络中。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "梯度或中间特征既大又易受噪声影响，通信错误会直接改变训练收敛或推理决策；这使空口聚合与任务 loss 必须一起考虑。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为此，本文首次提出了一种任务不可知的语义通信（task-agnositic semantic communication，TASC）框架，能够支持跨任务的多模态数据。"}, "mechanism": {"pages": [1], "zh": "为了从信息论的角度研究通信与智能任务之间的相互作用，提出了一种分布式多模态信息瓶颈（DMIB）原理，该原理通过在保留任务相关语义的同时消除冗余信息来提取最小充分单峰和多模态表示。"}, "claim": {"pages": [1], "zh": "为了获得深入的见解，我们进行了理论分析和设计的资源管理，以加快收敛，同时最大限度地减少训练延迟和能源成本。"}}, "method_summary": {"pages": [1], "zh": "本文提出了一个任务不可知的语义通信（task-agnostic semantic communication，TASC）框架，该框架能够支持跨任务的多模态数据，为了从信息论的角度研究通信与智能任务之间的相互作用，我们引入了分布式多模态信息瓶颈（distributed multimodal information bottleneck，DMIB）原理，其通过消除冗余信息同时保留任务--相关的语义。"}, "representation_summary": {"zh": "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：TASC 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 10], "formula": "R_{\\mathrm{tx}}=\\frac{\\mathrm{transmitted\\ resource}}{\\mathrm{source\\ size}}", "caveat": "全文信息不足时只保留论文原指标，不把模型维度臆测成通信 bit。"}, "channel_summary": {"zh": "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”。", "pages": [2, 10]}, "experiment_result_summary": {"pages": [1], "zh": "为了获得深入的见解，我们进行了理论分析和设计的资源管理，以加快收敛，同时最大限度地减少训练延迟和能源成本。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_task-agnostic-semantic-communications-relying-on-information-bottleneck-and-federated-meta-learning_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 10, "file": "assets/2026_task-agnostic-semantic-communications-relying-on-information-bottleneck-and-federated-meta-learning_result_p10.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：系统公式假设的接收端输出或语义质量曲线。", "pages": [2, 10]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "数据集为CIFAR-10；实验小节中明确出现的比较对象包括JPEG、LDPC、Turbo、Transformer、FedAvg、H.264、OFDM、BERT；指标包括accuracy、latency、SSIM、classification accuracy、PER；信道/链路条件包括Rayleigh、MIMO、OFDM、fading channel；正文可定位的代表性工作点有SNR of 8 dB。", "pages": [10]}, "reviewer_value": "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。", "limitations": "结果依赖抽象效用曲线、仿真信道和理想状态信息；底层语义 codec、控制信令与有限时延开销常未共同计入。", "system_flow": {"input": {"zh": "输入是边缘学习与任务通信所需的梯度、模型更新或中间特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 TASC：本文提出了一个任务不可知的语义通信（task-agnostic semantic communication，TASC）框架，该框架能够支持跨任务的多模态数据，为了从信息论的角度研究通信与智能任务之间的相互作用，我们引入了分布式多模态信息瓶颈（distributed multimodal information bottleneck，DMIB）原理，其通过消除冗余信息同时保留任务--相关的语义。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是系统模型定义的语义速率、任务效用或信道资源变量。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 5：沿用底层链路或抽象速率—效用模型”解释。", "pages": [2, 10]}, "receiver": {"zh": "接收端从系统公式假设的接收端输出或语义质量曲线开始，再执行语义解码、任务推理或生成。", "pages": [2, 10]}, "output": {"zh": "最终输出为聚合模型或边缘推理结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2026.3710771", "title": "Task-Oriented Multimodal Edge Intelligence via Integrated Sensing-Communication-Computation", "authors": "Weiwei Chen; Yinghui He; Zhong Ye; Dingzhu Wen; Guanding Yu", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "20071-20085", "ieee_document_id": "11610640", "source_url": "https://doi.org/10.1109/twc.2026.3710771", "pdf": "papers/2026_Chen_Task_Oriented_Multimodal_Edge_Intelligence_via_Integrated_Sensing_Communication_Computation.pdf", "tier": "related", "screening_reason": "task/goal-oriented communication, feature/model transport, or DeepJSCC boundary lineage", "task_type": "多模态检索与任务通信", "theme": "task", "method_name": "BCD", "communication_layer": "任务导向联合信源信道设计", "layer_explanation": "只传下游任务需要的信息，并以任务质量而不是逐 bit 正确作为最终目标。", "digitalization_class": "语义 feature/latent；量化到 bitstream 的接口未完整报告", "channel_handling_class": "类别 0：信道作用点不足，或由外部传统链路抽象承担", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": [], "baselines": ["JSCC", "ResNet"], "metrics": ["accuracy", "latency", "throughput", "PER"], "channels": ["AWGN", "Rayleigh", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "集成传感、通信和计算（ISCC）是最近兴起的一种支持边缘智能的统一框架。"}, "problem": {"pages": [1], "zh": "然而，现有的ISCC设计主要依赖于单模态传感，这在本质上容易受到遮挡、环境不确定性和模态特定故障的影响，导致在实际部署中鲁棒性降低。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "为解决该问题，提出了一种面向任务的多模态ISCC框架，该框架将设备端的特征提取和边缘端的联合多模态推理相结合。"}, "mechanism": {"pages": [1], "zh": "在此基础上，建立了时延和资源约束下的感知精度最大化问题，并将该问题转化为更易处理的等价形式，提出了一种高效的块坐标下降（BCD）算法。"}, "claim": {"pages": [1], "zh": "结果表明，在有限资源条件下，该方法的性能始终优于三种基准方案。"}}, "method_summary": {"pages": [1], "zh": "针对这些问题，本文提出了一种面向任务的多模态ISCC框架，该框架将设备端的特征提取和边缘端的联合多模态推理相结合，在此基础上，提出了时延和资源约束下的感知精度最大化问题，并将该问题转化为更易处理的等价形式，提出了一种高效的块坐标下降（BCD）算法。"}, "representation_summary": {"zh": "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：BCD 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。", "pages": [2]}, "overhead_summary": {"zh": "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。", "pages": [2, 9], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 9]}, "experiment_result_summary": {"pages": [1], "zh": "结果表明，在有限资源条件下，该方法的性能始终优于三种基准方案。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_task-oriented-multimodal-edge-intelligence-via-integrated-sensing-communication-computation_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_task-oriented-multimodal-edge-intelligence-via-integrated-sensing-communication-computation_result_p9.png", "caption": "Before the online execution stage, the edge server first trains the feature extractors and", "number": "Fig. 5"}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：论文假设已经恢复的语义特征。", "pages": [2, 9]}, "discrete_error_judgment": "未正面处理。系统模型不足以追踪残余 bit/index/packet error 到最终语义质量。", "experiment_setup_summary": {"zh": "实验小节中明确出现的比较对象包括JSCC、ResNet；指标包括accuracy、latency、throughput、PER；信道/链路条件包括AWGN、Rayleigh、wireless channel。", "pages": [9]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是多模态检索与任务通信所需的图像、文本或其他模态的任务特征。", "pages": [1]}, "encoder": {"zh": "发送端采用 BCD：针对这些问题，本文提出了一种面向任务的多模态ISCC框架，该框架将设备端的特征提取和边缘端的联合多模态推理相结合，在此基础上，提出了时延和资源约束下的感知精度最大化问题，并将该问题转化为更易处理的等价形式，提出了一种高效的块坐标下降（BCD）算法。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是语义 feature 或未完整规定 bit 映射的 latent。", "pages": [2]}, "channel": {"zh": "信道作用方式按“类别 0：信道作用点不足，或由外部传统链路抽象承担”解释。", "pages": [2, 9]}, "receiver": {"zh": "接收端从论文假设已经恢复的语义特征开始，再执行语义解码、任务推理或生成。", "pages": [2, 9]}, "output": {"zh": "最终输出为跨模态检索、匹配或联合推理结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3646209", "title": "VAE-GAN-Based Semantic Communication for High-Quality Image Transmission", "authors": "Naoki Omi; Shun Kojima; Chang-Jun Ahn", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "9799-9813", "ieee_document_id": "11319342", "source_url": "https://doi.org/10.1109/twc.2025.3646209", "pdf": "papers/2026_Omi_VAE_GAN_Based_Semantic_Communication_for_High_Quality_Image_Transmission.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "图像传输、压缩或生成", "theme": "generative", "method_name": "DeepJSCC", "communication_layer": "生成式语义信源编码", "layer_explanation": "利用接收端生成先验，把可预测细节从空口发送对象中移除。", "digitalization_class": "连续神经 JSCC latent / 实复信道符号", "channel_handling_class": "类别 3：连续语义变量直接经过有噪声信道并端到端恢复", "strict_digital": "否/不适用：主接口为连续 JSCC 或上层模型", "datasets": ["MNIST", "Fashion-MNIST", "FFHQ"], "baselines": ["DeepJSCC", "VAE", "GAN", "JSCC", "HM"], "metrics": ["SSIM", "LPIPS", "FID", "mAP", "energy efficiency", "semantic similarity", "MSE"], "channels": ["AWGN", "Rayleigh", "fading channel"], "snr_conditions": ["SNR = 10 dB", "SNR = 0 dB"], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "在语义通信系统中，基于深度学习的联合信源信道编码（DeepJSCC）与传统的通信技术相比，在低信噪比（SNR）和有限带宽条件下表现出了更优的性能。"}, "problem": {"pages": [1], "zh": "然而，现有的研究大多依赖于基于自动编码器（AE）的通信模型，其中传输符号的分布被视为一个完整的黑盒，导致有限的传输符号的低效使用。"}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对这些问题，本文提出了一种结合变分自动编码器（VAE）和生成式对抗网络（GAN）的语义通信系统。"}, "mechanism": {"pages": [1], "zh": "具体地，VAE用于根据信道条件任意地控制传输符号的分布，而GAN用于最大化语义信息的相似性。"}, "claim": {"pages": [1], "zh": "实验结果表明，提出的复原算法不论是在图像质量上还是在视觉质量上都能取得很好的效果。"}}, "method_summary": {"pages": [1], "zh": "针对这些问题，提出了一种结合变分自编码器（VAE）和生成对抗网络（GAN）的新型语义通信系统，VAE用于根据信道条件任意控制传输符号的分布，GAN用于最大化语义信息的相似度。"}, "representation_summary": {"zh": "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：DeepJSCC 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。", "pages": [2]}, "overhead_summary": {"pages": [3], "zh": "这里，n表示源带宽，k表示信道带宽，并且k/n被定义为带宽压缩比。", "formula": "\\mathrm{CBR}=\\frac{N_{\\mathrm{complex\\ channel\\ uses}}}{N_{\\mathrm{source\\ samples}}}", "caveat": "连续 latent 未规定每个符号的 bit-depth，不能无条件换算为 bit rate。"}, "channel_summary": {"pages": [13], "zh": "这里，通信信道被设置为SNR = 10 dB的AWGN。 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”。"}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，提出的复原算法不论是在图像质量上还是在视觉质量上都能取得很好的效果。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_vae-gan-based-semantic-communication-for-high-quality-image-transmission_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 9, "file": "assets/2026_vae-gan-based-semantic-communication-for-high-quality-image-transmission_result_p9.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：AWGN/衰落作用后的带噪连续符号。", "pages": [13]}, "discrete_error_judgment": "不适用 VQ index 跳变。论文处理的是连续噪声/衰落；这不能自动证明量化和调制后的数字链路鲁棒性。", "experiment_setup_summary": {"zh": "数据集为MNIST、Fashion-MNIST、FFHQ；实验小节中明确出现的比较对象包括DeepJSCC、VAE、GAN、JSCC、HM；指标包括SSIM、LPIPS、FID、mAP、energy efficiency、semantic similarity、MSE；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 = 0 dB。", "pages": [9]}, "reviewer_value": "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。", "limitations": "主接口仍是连续神经符号；量化、有限星座、同步、信道估计和残余误码未形成完整数字实现。", "system_flow": {"input": {"zh": "输入是图像传输、压缩或生成所需的图像及其视觉/任务语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 DeepJSCC：针对这些问题，提出了一种结合变分自编码器（VAE）和生成对抗网络（GAN）的新型语义通信系统，VAE用于根据信道条件任意控制传输符号的分布，GAN用于最大化语义信息的相似度。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是功率归一化的实数或复数神经信道符号。", "pages": [2]}, "channel": {"zh": "信道作用方式按“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。", "pages": [13]}, "receiver": {"zh": "接收端从AWGN/衰落作用后的带噪连续符号开始，再执行语义解码、任务推理或生成。", "pages": [13]}, "output": {"zh": "最终输出为重建/生成图像或视觉任务输出。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}
{"doi": "10.1109/twc.2025.3641237", "title": "VQ-DeepVSC: A Dual-Stage Vector Quantization System for Video Semantic Communication", "authors": "Yongyi Miao; Zhongdang Li; Yang Wang; Die Hu; Jun Yan; Youfang Wang", "year": 2026, "venue": "IEEE Transactions on Wireless Communications", "volume": "25", "issue": "", "pages": "8692-8706", "ieee_document_id": "11300794", "source_url": "https://doi.org/10.1109/twc.2025.3641237", "pdf": "papers/2026_Miao_VQ_DeepVSC_A_Dual_Stage_Vector_Quantization_System_for_Video_Semantic_Communication.pdf", "tier": "core", "screening_reason": "explicit semantic-communication terminology in title or abstract", "task_type": "视频传输、生成或控制", "theme": "digital", "method_name": "VQ-DeepVSC", "communication_layer": "数字语义编码与物理层接口", "layer_explanation": "连接神经语义 bottleneck 与 bit、码本 index、有限星座、OFDM 或数据包。", "digitalization_class": "显式数字语义表示：bit、离散 token 或码本 index", "channel_handling_class": "类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象", "strict_digital": "是：存在明确的离散/有限数字接口", "datasets": ["UCF101"], "baselines": ["LDPC", "H.265"], "metrics": ["SSIM", "MS-SSIM", "LPIPS", "mAP"], "channels": ["AWGN", "fading channel", "wireless channel"], "snr_conditions": [], "ber_conditions": [], "rate_conditions": [], "motivation": {"progress": {"pages": [1], "zh": "针对全球视频业务量的快速增长和传统无线传输系统的局限性，提出了一种新的双级矢量量化系统VQ-DeepVSC，用于增强无线信道上的视频传输。"}, "problem": {"zh": "在本文设定中，现有方法不能同时满足“视频传输、生成或控制”的语义目标与通信、计算或资源约束；后续方案需要补齐这一具体瓶颈。", "pages": [1]}, "prior_limit": {"zh": "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。", "pages": [1]}, "importance": {"zh": "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。", "pages": [1]}, "proposal": {"pages": [1], "zh": "针对全球视频业务量的快速增长和传统无线传输系统的局限性，提出了一种新的双级矢量量化系统VQ-DeepVSC，用于增强无线信道上的视频传输。"}, "mechanism": {"pages": [1], "zh": "在第一阶段，我们设计了自适应关键帧提取器和内插器，分别部署在发射机和接收机，智能地选择关键帧，以最小化帧间冗余，并在挑战性的信道条件下减轻悬崖效应。"}, "claim": {"pages": [1], "zh": "实验结果表明，与H. 265标准相比，VQ-DeepVSC在多尺度结构相似度（MS-SSIM）和感知图像块相似度（LPIPS）两个方面都有显著的提高，尤其是在低信噪比或多径信道下，传输性能得到了显著的提高。"}}, "method_summary": {"pages": [1], "zh": "针对全球视频流量的快速增长和传统无线传输系统的局限性，本文提出了一种新的双级矢量量化系统VQ-DeepVSC，用于增强无线信道上的视频传输。在第一阶段，我们设计了自适应关键帧提取器和自适应关键帧压缩器，分别部署在发送端和接收端，其智能地选择关键帧以使帧间冗余最小化并减轻在具有挑战性的信道条件下的悬崖效应。"}, "representation_summary": {"pages": [1], "zh": "第二阶段以语义 VQ 编码器把关键帧 latent 映射为共享码本 index；index 经数字链路发送，接收端查表并由空间归一化解码器恢复关键帧。 独立判断：VQ-DeepVSC 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。"}, "overhead_summary": {"zh": "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。", "pages": [2, 6], "formula": "B_{\\mathrm{semantic}}=N_{\\mathrm{token/index}}\\left\\lceil\\log_2 K\\right\\rceil+B_{\\mathrm{side/FEC}}", "caveat": "若论文未给码本大小 K、token 数、熵码和 FEC/包头，则总 bit 数仍不可唯一确定。"}, "channel_summary": {"zh": "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”。", "pages": [2, 6]}, "experiment_result_summary": {"pages": [1], "zh": "实验结果表明，与H. 265标准相比，VQ-DeepVSC在多尺度结构相似度（MS-SSIM）和感知图像块相似度（LPIPS）两个方面都有显著的提高，尤其是在低信噪比或多径信道下，传输性能得到了显著的提高。"}, "assets": [{"kind": "method", "page": 3, "file": "assets/2026_vq-deepvsc-a-dual-stage-vector-quantization-system-for-video-semantic-communication_method_p3.png", "caption": "该页包含论文的主要方法/架构图。", "number": ""}, {"kind": "result", "page": 5, "file": "assets/2026_vq-deepvsc-a-dual-stage-vector-quantization-system-for-video-semantic-communication_result_p5.png", "caption": "该页包含论文的关键实验结果图或表。", "number": ""}], "decoder_input_summary": {"zh": "语义 decoder 实际面对的是：默认无误恢复的 bitstream、token 或 index。", "pages": [2, 6]}, "discrete_error_judgment": "否。论文默认数字码流可靠到达，未评估 bit flip、熵码失同步或 packet loss 对语义变量的影响。", "experiment_setup_summary": {"zh": "数据集为UCF101；实验小节中明确出现的比较对象包括LDPC、H.265；指标包括SSIM、MS-SSIM、LPIPS、mAP；信道/链路条件包括AWGN、fading channel、wireless channel。", "pages": [6]}, "reviewer_value": "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。", "limitations": "全文没有完整闭合语义表示到 bit/symbol/packet 的实现链；残余误码、控制开销和真实射频条件仍是外推风险。", "system_flow": {"input": {"zh": "输入是视频传输、生成或控制所需的视频帧、运动信息或时序语义。", "pages": [1]}, "encoder": {"zh": "发送端采用 VQ-DeepVSC：针对全球视频流量的快速增长和传统无线传输系统的局限性，本文提出了一种新的双级矢量量化系统VQ-DeepVSC，用于增强无线信道上的视频传输。在第一阶段，我们设计了自适应关键帧提取器和自适应关键帧压缩器，分别部署在发送端和接收端，其智能地选择关键帧以使帧间冗余最小化并减轻在具有挑战性的信道条件下的悬崖效应。", "pages": [1]}, "transmitted": {"zh": "实际发送对象是量化 bit、离散 token 或码本 index。", "pages": [1]}, "channel": {"zh": "信道作用方式按“类别 1：形成数字表示，但物理链路按可靠 bitstream 抽象”解释。", "pages": [2, 6]}, "receiver": {"zh": "接收端从默认无误恢复的 bitstream、token 或 index开始，再执行语义解码、任务推理或生成。", "pages": [2, 6]}, "output": {"zh": "最终输出为重建/生成视频或视频任务结果。", "pages": [1]}}, "analysis_version": "journal_fulltext_reread_v4_2026-08-28"}