北京邮电大学牛凯—张平团队语义通信论文调研

Domain Knowledge Driven Semantic Communication for Image Transmission Over Wireless Channels

2022 · IEEE Wireless Communications Letters · 联合信源信道编码（JSCC）与领域语义信源编码

作者：Aini Li; Xiaohong Liu; Guangyu Wang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：此前的神经语义图像链路已经能通过端到端压缩去除像素和信号层冗余，并在有限带宽下直接传输连续语义特征。 PDF p.1
2. 仍然存在的问题：只沿图像像素路径学习时，模型并不知道哪些结构具有医学意义；它可能重建出视觉上合理的眼底图，却模糊或破坏真正决定诊断价值的血管区域。 PDF p.1 PDF p.2
3. 为什么已有方法解决不了：给普通 JSCC 增大网络或继续优化平均重建损失，仍不会自动引入“血管是关键区域”这一领域概念。缺失的是进入编码输入和训练路径的显式领域知识，而不是又一个通用卷积层。 PDF p.1 PDF p.2
4. 为什么这个问题值得研究：无线带宽越紧、SNR 越低，系统越必须选择优先保留哪些内容。医学图像中，ROI 的结构正确性比背景像素的平均误差更重要，因此这是资源优先级问题而不只是图像美化。 PDF p.1 PDF p.4
5. 本文怎样顺着问题提出方案：DKSC 为原图和医学 ROI 建立两条并行语义路径：原图路径提取信息层特征，血管分割路径提取概念层特征；发送前将两路特征拼接，接收端再联合恢复视网膜图像。 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：因为血管分割特征在进入信道前就与图像特征合并，有限维度和训练梯度会显式为医学结构分配表示能力；端到端加入 AWGN/Rayleigh 噪声后，接收端同时学习从受损的两类连续特征恢复图像。它由此正面对应“普通像素路径忽略关键概念”的问题。 PDF p.2 PDF p.3 PDF p.4
7. 作者希望证明什么：作者要验证的不是“双路径一定更深”，而是在相同压缩比和信道条件下，引入真实领域知识能否比普通 JSCC、JPEG+LDPC 以及去掉真实 ROI 的 DKSC-variant 更好地恢复医学结构，并保持随 SNR 变化的鲁棒性。 PDF p.4 PDF p.5

系统怎么工作

输入是视网膜 RGB 图像及其由 U-Net 得到的血管分割图。两套编码分支分别提取图像语义和 MedROI 语义，得到特征 Y 与 Y′；二者拼接为 Ye，经功率约束后作为复信道符号发送。AWGN 或 Rayleigh 信道产生退化信号，双路径解码器利用两类特征联合重建原图。 PDF p.2 PDF p.3 PDF p.4

它在通信系统的哪个位置

研究任务：医学视网膜图像传输与重建

所属环节：联合信源信道编码（JSCC）与领域语义信源编码。工作位于图像信源表示与物理信道之间：它改变发送端提取什么特征，并把这些特征直接映射成受功率约束的复信道符号。

给深度学习研究生的解释：可以把它看成一个带无线噪声瓶颈的双输入 autoencoder：除原始视网膜图像外，再把血管分割图作为医学先验输入。它不是把分割图另存成一个可靠 bitstream。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

DKSC 发送的是连续神经信道符号，不是数字化语义 token。码本大小、index bit 数和 BER 因而不适用；若日后接入真实数字 PHY，还需另外设计量化、调制和残余误码处理。 PDF p.2 PDF p.3

论文以带宽压缩比 N/K（文中也用 CR 展示不同压缩设置）衡量开销，并通过两条路径的信道数 k1、k2 分配表示容量。Table II 显示总容量固定时比较不同分配，k1=k2=32 的结果最好；这说明开销是连续符号维度分配，而不是可直接换算的 bit 数。 PDF p.2 PDF p.4 PDF p.5

信道怎样作用，接收端实际拿到什么

信道处理类别：连续复数语义符号经 AWGN/Rayleigh 信道，接收端直接从带噪符号重建

所提 DKSC 在可微 AWGN/Rayleigh 层上端到端训练。JPEG+LDPC 只是分离式 baseline，不能据此把 DKSC 归为“传统信道编码后的数字链路”。 PDF p.4

语义解码器直接看到的是受噪声或衰落影响的连续复符号；不存在先做 LDPC 译码再得到无误 VQ index 的步骤，因此论文也没有处理 index 跳变。 PDF p.2 PDF p.4

实验设置与主要结论

医学图像来自 Kaggle 视网膜数据，血管分割器在 DRIVE 上训练；比较普通 JSCC 与 JPEG+LDPC，信道为 AWGN/Rayleigh，改变 SNR 和压缩比，指标为 SSIM 与 LPIPS。 PDF p.3 PDF p.4

DKSC 在所测信道与压缩设置下优于普通 JSCC 和分离式方案；低 SNR 时 JPEG+LDPC 出现 cliff effect。去掉真实领域知识的 DKSC-variant 虽略好于 JSCC，却在 LPIPS 上明显落后于完整 DKSC，支持“收益来自 MedROI 语义而不只是双路径容量”的解释。 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

在相同压缩比和信道条件下，若能优先保住血管等医学 ROI，就比只提高平均像素质量更符合业务目标；这体现的是“有限信道资源应该保护什么”的通信价值。

局限：领域知识依赖额外的血管分割器和 DRIVE 上训练的 U-Net；实验只覆盖视网膜图像与仿真 AWGN/Rayleigh 信道，尚不能证明对其他医学概念、分割错误或真实空口同样有效。

Nonlinear Transform Source-Channel Coding for Semantic Communications

2022 · IEEE Journal on Selected Areas in Communications · 非线性变换信源编码与联合信源信道编码（NTSCC）

作者：Jincheng Dai; Sixian Wang; Kailin Tan; Zhongwei Si; Xiaoqi Qin; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：传统分离式图像传输已拥有成熟的压缩与纠错，DeepJSCC 又证明了端到端联合优化可在低 SNR 下避免突然崩溃；非线性变换编码则能用 hyperprior 学到图像 latent 的概率结构。 PDF p.1 PDF p.2 PDF p.3
2. 仍然存在的问题：标准 DeepJSCC 通常用固定维度信道表示，不能根据每幅图像及其局部 latent 的信息量灵活分配信道次数；随着 CBR 或图像分辨率提高，其性能曲线容易变平，编码增益追不上强分离式方案。 PDF p.1 PDF p.2
3. 为什么已有方法解决不了：只加深 DeepJSCC 网络仍缺少可解释的内容码率模型；只采用 learned compression 的量化与熵编码，又会把主链路变成对残余 bit 错误敏感的分离系统。需要的是用概率模型指导 JSCC 的连续带宽分配。 PDF p.2 PDF p.3
4. 为什么这个问题值得研究：无线图像的内容复杂度并不相同。固定 CBR 会给简单区域浪费符号、给复杂区域分配不足；这直接限制频谱效率，也使模型难以跨 CIFAR10、Kodak、CLIC 等分辨率工作。 PDF p.1 PDF p.11
5. 本文怎样顺着问题提出方案：NTSCC 先用非线性分析变换得到 latent y，并学习 hyperprior/条件熵模型估计各维信息量；随后依据该信息量给 latent 分配可变数量的 JSCC 信道符号，接收端通过相应解码器和合成变换恢复图像。 PDF p.2 PDF p.3 PDF p.5 PDF p.7
6. 方案为什么有可能起作用：熵模型把“哪部分内容更难压缩”变成逐 latent 的码率代价，adaptive-rate JSCC 再把这一代价转换为实际信道带宽；因此符号预算随内容变化，同时主 latent 保留连续 JSCC 的抗噪声与平滑退化。该机制正面解决固定 CBR 和源分布适配不足。 PDF p.5 PDF p.7
7. 作者希望证明什么：作者要证明：在相同 CBR/SNR 下，内容感知的 NTSCC 能优于固定码率 DeepJSCC 和实际 BPG+LDPC，并接近理想 BPG+Capacity；当测试 SNR 低于训练点时仍像 DeepJSCC 一样平滑退化。 PDF p.10 PDF p.11 PDF p.12

系统怎么工作

发送端依次执行非线性分析变换 ga、hyperprior 分析 ha、条件熵估计和深度 JSCC 编码 fe。量化 hyperprior z 用于预测 y 的分布与带宽需求，y 则按估计信息量变成可变长度连续信道码字 s。AWGN 后，JSCC 解码与非线性合成变换恢复图像。训练目标联合考虑端到端失真、感知质量和信道带宽代价。 PDF p.3 PDF p.5 PDF p.7

它在通信系统的哪个位置

研究任务：图像传输与感知重建

所属环节：非线性变换信源编码与联合信源信道编码（NTSCC）。它把 learned image compression 的非线性分析变换、熵模型和 rate-distortion 目标接到 DeepJSCC 主干，决定不同图像内容应占用多少信道符号。

给深度学习研究生的解释：可类比带 hyperprior 的 learned image codec，但主 latent 不做熵编码后发 bit，而是由神经 JSCC 直接映射成连续信道符号；熵模型主要用来估计每个 latent 的信息量并分配带宽。

实际发送了什么，以及占多少通信资源

表示与数字化判断：主干为连续 NTSCC 信道符号；量化 hyperprior 作为可靠数字侧信息传输

论文包含量化 latent 的概率建模，但不能简单归类为“整条链路发送 VQ index”。主语义 latent y 由 DeepJSCC 直接变成连续信道码字；被量化并可靠数字传输的是较小的 hyperprior/side information。 PDF p.3 PDF p.5 PDF p.7

CBR 定义为 R=k/m，其中 m 是源维度、k 是主链路信道使用次数。条件熵项 −log P(y_i|z) 用于估计各 latent 的信息量并决定分配的 k；侧信息还产生额外开销，不能在比较时忽略。 PDF p.1 PDF p.5 PDF p.7

信道怎样作用，接收端实际拿到什么

信道处理类别：内容自适应的连续 JSCC 主干经 AWGN；量化侧信息由传统可靠信道编码保护

主码字在训练中显式加入 AWGN，因而网络学习从连续受损表示恢复；BPG+LDPC 是 baseline。量化侧信息则单独假设由容量接近码、LDPC 或 Polar 可靠保护，形成混合接口。 PDF p.3 PDF p.6 PDF p.7 PDF p.10

主解码器接收带 AWGN 的连续码字 ŝ，而不是有误 VQ index；同时使用经过传统信道译码的 hyperprior。论文因此处理连续主 latent 的噪声，但没有把主表示的 bit/index 跳变作为核心误差模型。 PDF p.1 PDF p.5 PDF p.7

实验设置与主要结论

数据集覆盖 CIFAR10、Kodak 与 CLIC2021；比较 DeepJSCC、BPG+LDPC、BPG+Capacity、NTC+LDPC/Capacity，在 AWGN 下扫描 CBR 与 SNR，并以 PSNR 等 rate-distortion 指标评价。 PDF p.10 PDF p.11

NTSCC 在三个数据集的多数 CBR 上优于固定码率 DeepJSCC，图像分辨率和 CBR 越高差距越明显；它超过实际 BPG+LDPC，并与理想 BPG+Capacity 具有竞争力。SNR 失配时 NTSCC 平滑退化，而 BPG+LDPC 在译码门限附近出现 cliff effect。 PDF p.11 PDF p.12

通信审稿价值与 Codex 判断

价值在于同一系统同时获得内容自适应码率、感知 rate-distortion 优化和 JSCC 的平滑退化，补上固定 CBR DeepJSCC 在高分辨率和高码率区编码增益不足的问题。

局限：主干仍是仿真 AWGN 上的连续符号接口；hyperprior 的可靠数字传输假设了容量接近码或 LDPC/Polar，但其有限码长开销、反馈和真实调制实现没有完整计入。

Perceptual Learned Source-Channel Coding for High-Fidelity Image Semantic Transmission

2022 · GLOBECOM 2022 - 2022 IEEE Global Communications Conference · 联合信源信道编码（JSCC）与语义信源编码

作者：Jun Wang; Sixian Wang; Jincheng Dai; Zhongwei Si; Dekun Zhou; Kai Niu

团队归属：指定团队负责人直接署名：Kai Niu

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究已经确立了基于深度学习的基于深渊的联合信源信道编码（deep JSCC）方法作为实现端到端无线图像语义传输的一种新方法，正在深度学习和通信领域中涌现。 PDF p.1 PDF p.2
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少本文随后引入的论文特有机制：我们的新型深度JSCC架构结合了编码器、无线信道、解码器/生成器和判别器，这些结构在感知和对抗损失下共同学习。 PDF p.1 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文开发了高保真图像语义传输的感知学习信源信道编码。其具体设计总结如下：本文引入对抗性损失以优化深度JSCC，后者倾向于保留全局语义信息和局部纹理。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，我们新的深度JSCC架构结合了编码器、无线信道、解码器/生成器和判别器，这些功能在感知和对抗损耗下共同学习。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：特别是在深度JSCC方案中，我们在[2]中采用了深度JSCC（无反馈）方案，其性能优于原始论文[1]。 PDF p.4 PDF p.5 PDF p.6

系统怎么工作

该系统是图像传输或生成的端到端通信链路。本文引入了对抗性损失以优化深度JSCC结构，后者倾向于保留全局语义信息和局部纹理。我们新的深度JSCC架构结合了编码器、无线信道、解码器/生成器和判别器，这些技术在感知和对抗损耗下共同学习。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.4

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.4

实验设置与主要结论

实验使用ImageNet、柯达、CLIC;与DeepJSCC、BPG、JPEG、LDPC比较;评估对象包括PSNR、SSIM、MS-SSIM、LPIPS、FID;并使用AWGN、QAM。一个代表性的操作条件是：实验在 AWGN 信道上以 SNR = 10dB 进行。即常规MSE损失dMSE。 PDF p.1 PDF p.2 PDF p.4

特别是在深度JSCC方案中，我们在[2]中采用了深度JSCC（无反馈）方案，其性能优于原论文[1]。 PDF p.4 PDF p.5 PDF p.6

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Resolution-Adaptive Source-Channel Coding for End-to-End Wireless Image Transmission

2022 · GLOBECOM 2022 - 2022 IEEE Global Communications Conference · 联合信源信道编码（JSCC）与语义信源编码

作者：Ke Yang; Sixian Wang; Kailin Tan; Jincheng Dai; Dekun Zhou; Kai Niu

团队归属：指定团队负责人直接署名：Kai Niu

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究已证明，近期基于深度学习的联合信源信道编码（deep JSCC）框架在端到端无线图像传输方面表现出优越性能，且未出现“悬崖效应”。 PDF p.1
2. 仍然存在的问题：为单一带宽或信道条件训练的语义编码器具有固定表示，且在工作点变化时无法重新分配速率和保护。 PDF p.1 PDF p.2 PDF p.5
3. 为什么已有方法解决不了：为单一带宽、信噪比或信道分布训练的模型具有固定的瓶颈和保护模式。当操作条件发生变化时，使用相同表示法进行重复推断无法为变得脆弱的信息重新分配速率或冗余。更具体地说，已有链路缺乏本文随后引入的论文特有机制：我们的方案整合了深度JSCC架构和HEVC标准中采用的四叉树结构区域费率分配策略，该标准以“分辨率自适应深度JSCC（RaDJSCC）”为名收集。 PDF p.1 PDF p.2 PDF p.5
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，论文开发了端到端无线图像传输的分辨率自适应信源信道编码。其具体设计总结如下：为打破这一基本限制，本文提出了一种新的端到端无线图像传输方案。 PDF p.1
6. 方案为什么有可能起作用：其因果联系在于，我们的方案整合了深度JSCC架构和HEVC标准中采用的四叉树结构区域费率分配策略，该标准以“解析自适应深度JSCC （RaDJSCC）”为名收集。表示或保护模式可以随着操作条件变化而变化，而非训练后保持固定。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：结果显示，对于高分辨率图像，所提出的RaDJSCC传输方法通常优于使用深度JSCC的新兴模拟传输方案以及采用经典分离信源信道编码（如BPG + LDPC）的数字传输方案。 PDF p.3 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。为打破这一基本限制，本文提出了一种新的端到端无线图像传输方案。我们的方案整合了深度JSCC架构和HEVC标准中采用的四叉树结构区域费率分配策略，该标准以“解析自适应深度JSCC（RaDJSCC）”为名收集。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.3 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.3 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.4

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.4

实验设置与主要结论

实验中使用柯达、CLIC;与基于分离的DeepJSC、BPG、LDPC进行比较;与PSNR评估;并使用AWGN、QAM。一个具有代表性的操作条件是：在 SNR = 10dB 下，PSNR 性能与 AWGN 信道平均带宽比（CBR）的关系，以及 AWGN 信道上 SNR 的变化（平均 CBR 设为 R = 1/16）。 PDF p.1 PDF p.2 PDF p.4

结果表明，对于高分辨率图像，所提出的RaDJSCC传输方法通常优于新兴的模拟传输方案（使用深度JSCC）以及采用经典分离信源信道编码（如BPG + LDPC）的数字传输方案。 PDF p.3 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：适配只在有限的带宽/信道范围内验证；控制信令、在线稳定性及超出训练范围后的外推仍不确定。

Semantic Coding for Text Transmission: An Iterative Design

2022 · IEEE Transactions on Cognitive Communications and Networking · 联合信源信道编码（JSCC）与语义信源编码

作者：Shengshi Yao; Kai Niu; Sixian Wang; Jincheng Dai

团队归属：指定团队负责人直接署名：Kai Niu

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已确立：我们考虑使用联合信源信道编码（JSCC）进行无线文本传输。 PDF p.1
2. 仍然存在的问题：现有的端到端神经网络语义传输在不同信道条件下推广效果不佳。 PDF p.1 PDF p.7
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏本文随后引入的论文特有机制：语义表示 ̃c 由所有词表示向量的连接组成。 PDF p.1 PDF p.7
4. 为什么这个问题值得研究：问题之所以重要，是因为少量符号错误可能会改变整个句子的含义。因此，可靠性必须通过恢复的意义或下游语言任务质量来判断，而不仅仅是比特错误率。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，本文发展了文本传输的语义编码：一种迭代设计。其具体设计总结如下：为解决这个问题，我们提出了一个带有迭代架构的半神经框架，称为迭代语义 JSCC（IS-JSCC）。 PDF p.1
6. 方案为什么有可能起作用：因果联系在于，语义表示 ̃c 由所有词表示向量的连接组成。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.3 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：结果显示，与全神经设计相比，所提出的框架可以通过联合迭代解码提升文本重建质量，并在无线信道上表现出更好的鲁棒性。 PDF p.4 PDF p.7 PDF p.8

系统怎么工作

该系统是文本传输/机器翻译的端到端通信链路。为此，我们提出了一个带有迭代架构的半神经框架，名为迭代语义 JSCC（IS-JSCC）。语义表示 ̃c 由所有词表示向量的连接组成。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.3 PDF p.4

它在通信系统的哪个位置

研究任务：文本传输/机器翻译

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建恢复的文本或翻译结果。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2

实验设置与主要结论

这些实验使用Europarl;与LDPC、Turbo、BERT比较;用BLEU、WER评估准确性;并使用AWGN、Rayleigh、衰落信道。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2

结果表明，与全神经设计相比，所提框架通过联合迭代解码提升文本重建质量，并在无线信道上表现出更好的鲁棒性。 PDF p.4 PDF p.7 PDF p.8

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Semantic Communication System Based on Semantic Slice Models Propagation

2022 · IEEE Journal on Selected Areas in Communications · 联合信源信道编码（JSCC）与语义信源编码

作者：Dong Chen; Haotai Liang; Xiaodong Xu; Shujun Han; Bizhu Wang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已确立传统通信系统将消息的语义和意义视为与交流无关，暴露了其在人工智能时代的局限性，如通信效率和不同实体间的意图共享。 PDF p.2 PDF p.3
2. 仍然存在的问题：传统通信系统将消息的语义和意义视为与交流无关，暴露了其在人工智能（AI）时代的局限性，如通信效率和不同实体间的意图共享。 PDF p.1 PDF p.2 PDF p.11
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少本文随后引入的论文特有机制：本研究中关于物联网节点模型训练和部署的争论促使我们思考当前AI模型在语义通信范式中的现状。 PDF p.1 PDF p.2 PDF p.11
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，本文基于语义切片模型传播开发了语义通信系统。其具体设计总结如下：通过拓宽传统通信系统和基于人工智能的编码技术的范围，本文提出了一种新颖的语义通信系统，涉及关键语义信息的探索、传输和恢复，以实现更高效的通信。 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：其因果联系在于，关于物联网节点中模型训练和部署的讨论促使我们思考语义通信范式中人工智能模型的现状。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：为了控制特定的语义和准确性，基于准确性要求选择了池层和配套的超分辨率模型。 PDF p.5 PDF p.7 PDF p.8

系统怎么工作

该系统是图像传输或生成的端到端通信链路。通过拓宽传统通信系统和基于人工智能的编码技术的范围，本文提出了一种新的语义通信系统，涉及必要的语义信息探索、传输和恢复，以实现更高效的通信。本研究中关于物联网节点模型训练与部署的争论，促使我们思考当前AI模型在语义通信范式中的现状。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.4 PDF p.6

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.4 PDF p.6

实验设置与主要结论

实验使用城市景观;与DeepJSCC、JPEG2000、JPEG、LDPC、BERT、DeepSC比较;用PSNR、SSIM、LPIPS、准确性、延迟、mIoU进行评估;并使用AWGN、Rayleigh、衰落信道。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.4 PDF p.6

为了实现特定语义和精度的控制，基于准确性要求选择池层及其配套的超分辨率模型。 PDF p.5 PDF p.7 PDF p.8

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Timeliness of Information for Computation-Intensive Status Updates in Task-Oriented Communications

2022 · IEEE Journal on Selected Areas in Communications · 任务导向联合信源信道设计

作者：Xiaoqi Qin; Yanlin Li; Xianxin Song; Nan Ma; Chuan Huang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究领域已经确立了，通信与计算之间日益增长的互动助长了实时网络控制系统的愿景。 PDF p.2 PDF p.6 PDF p.7
2. 仍然存在的问题：至于本文中考虑的时间关键网络控制场景，执行任务获得的状态更新具有时间相关性。 PDF p.1 PDF p.2 PDF p.10
3. 为什么已有方法解决不了：当接收者只需做出决定时，重建每一个来源细节是个不必要的强硬目标。经过像素或波形真实度训练的编解码器可能会丢弃一个小的任务关键特征，同时保留视觉上合理但无关的内容。更具体地说，已有链路缺乏本文随后引入的论文特有机制：以下内容详细介绍了E[e−κTn]和E[e−κ（Xn+Tn）]的分析。1）E[e−κTn]的计算：由于Tn，t和Tn，c是独立的，Tn的直角函数为：E[e−κTn] = Z ∞ 0 e−κt fTn，t（t） ⊗fTn，c（t） dt = （μt −λ）（μc −λ）（κ + μt −λ）（κ + μc −λ）。（20） 2） E[e−κ（Xn+Tn）]的计算：如（4）所示，Tn由Wn，t，Sn，t、Wn，c和Sn，c组成，其中只有Sn，c独立于其他三个变量和Xn。 PDF p.1 PDF p.2 PDF p.10
4. 为什么这个问题值得研究：这个问题很重要，因为边缘设备往往需要及时做出决策，而不是忠实的复制品。仅发送任务足够的信息可以减少无线资源占用和延迟，但前提是关键证据能通过信道保存。 PDF p.2 PDF p.6 PDF p.7
5. 本文怎样顺着问题提出方案：因此，本文开发了任务导向通信中计算密集型状态更新信息的及时性。其具体设计总结如下：论文发展了标题所述的方法：任务导向通信中计算密集型状态更新的信息及时性。 PDF p.2 PDF p.6 PDF p.7
6. 方案为什么有可能起作用：因果联系在于，以下我们将详细分析E[e−κTn]和E[e−κ（Xn+Tn）]。1）E[e−κTn]的计算：由于Tn，t和Tn，c是独立的，Tn的直角函数为：E[e−κTn] = Z ∞ 0 e−κt fTn，t（t） ⊗fTn，c（t） dt = （μt −λ）（μc −λ）（κ + μt −λ）（κ + μc −λ）。（20） 2） E[e−κ（Xn+Tn）]的计算：如（4）所述，Tn由Wn，t、Sn，t、Wn，c和Sn，c组成，其中只有Sn，c独立于其他三个变量和Xn。任务相关证据直接控制瓶颈和损失，因此无线电资源在无关源细节上花费不均。 PDF p.2 PDF p.6 PDF p.7
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：数值结果揭示了传输阶段与计算阶段之间的交织关系，并验证了在计算卸载策略设计中考虑任务生成过程的必要性。 PDF p.7 PDF p.8

系统怎么工作

该系统是任务导向推理的端到端通信链路。该论文发展了题目所述的方法：任务导向通信中计算密集型状态更新信息的及时性。以下我们将详细分析E[e−κTn]和E[e−κ（Xn+Tn）]。1）E[e−κTn]的计算：由于Tn，t和Tn，c是独立的，Tn的直角函数为：E[e−κTn] = Z ∞ 0 e−κt fTn，t（t） ⊗fTn，c（t） dt = （μt −λ）（μc −λ）（κ + μt −λ）（κ + μc −λ）。（20） 2） E[e−κ（Xn+Tn）]的计算：如（4）所示，Tn由Wn，t，Sn，t、Wn，c和Sn，c组成，其中只有Sn，c独立于其他三个变量和Xn。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.2 PDF p.6 PDF p.7

它在通信系统的哪个位置

研究任务：任务导向推理

所属环节：任务导向联合信源信道设计。只传下游任务所需信息，并把信道扰动纳入任务性能优化。

给深度学习研究生的解释：类似 split inference，但中间特征必须经过带宽受限且有噪声的无线信道，任务准确率是最终目标。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.6 PDF p.7

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.6 PDF p.7

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.12

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它重建的是任务决策，而不一定是原始来源。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.12

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与论文中标明的参考系统进行比较;用CER评估准确率和潜伏期;然后用雷利。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.12

数值结果揭示了传输阶段与计算阶段之间的交织关系，并验证了计算卸载策略设计中考虑任务生成过程的必要性。 PDF p.7 PDF p.8

通信审稿价值与 Codex 判断

价值在于用更少信道使用完成相同任务，并降低端到端时延和设备能耗。

局限：收益与任务和数据集绑定；对未知任务、分布偏移、置信度校准以及稀有关键样本的失败仍需更强证据。

Wireless Deep Video Semantic Transmission

2022 · IEEE Journal on Selected Areas in Communications · 联合信源信道编码（JSCC）与语义信源编码

作者：Sixian Wang; Jincheng Dai; Zijian Liang; Kai Niu; Zhongwei Si; Chao Dong; Xiaoqi Qin; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已确立：所提出的方法利用非线性变换和条件编码架构，自适应地提取跨视频帧的语义特征，并通过深度联合信源信道编码通过无线信道传输语义特征域表示。 PDF p.1 PDF p.2
2. 仍然存在的问题：它学会在视频帧内及帧之间分配有限的信道带宽，以最大化整体传输性能。 PDF p.1 PDF p.7 PDF p.10
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，早期的流程缺乏后来介绍的论文专用机制：拟议的DVST框架凭借其视频内容感知和机器视觉任务集成能力，能够很好地支持未来的语义通信。 PDF p.1 PDF p.7 PDF p.10
4. 为什么这个问题值得研究：这个问题很重要，因为视频会持续消耗带宽，并且有严格的延迟预算;错误也可能跨帧传播，因此时间一致性和质量优雅下降是通信层面的关注点。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，该论文发展了无线深度视频语义传输。其具体设计总结如下：本文设计了一类新型高效深度连接信源信道编码方法，实现无线信道的端到端视频传输。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果关系在于，所提出的DVST框架能够很好地支持未来的语义通信，这得益于其视频内容感知和机器视觉任务集成能力。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：本文设计了一类新型高效深度联合信源信道编码方法，实现无线信道上的端到端视频传输。 PDF p.9 PDF p.10 PDF p.11

系统怎么工作

该系统是视频传输或生成的端到端通信链路。本文设计了一类新型高效深度联合信源信道编码方法，以实现无线信道上的端到端视频传输。拟议的DVST框架因其视频内容感知和机器视觉任务集成能力，能够很好地支持未来的语义通信。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：视频传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.3 PDF p.4

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建或生成的视频。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.3 PDF p.4

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepJSCC、BPG、JPEG2000、JPEG、LDPC、Turbo、H.264、H.265进行比较;用PSNR、SSIM、MS-SSIM、精度、延迟、mIoU进行评估;并使用AWGN、Rayleigh、衰落信道、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.3 PDF p.4

本文设计了一类新型高效深度联合信源信道编码方法，以实现无线信道上的端到端视频传输。 PDF p.9 PDF p.10 PDF p.11

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Channel-Transferable Semantic Communications for Multi-User OFDM-NOMA Systems

2023 · IEEE Wireless Communications Letters · 多用户接入、广播或中继

作者：Lan Lin; Wenjun Xu; Fengyu Wang; Yimeng Zhang; Wei Zhang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究领域已经确立了语义通信预计将成为第六代（6G）无线网络的核心新范式。 PDF p.1 PDF p.2
2. 仍然存在的问题：大多数语义编解码器设计为点对点链路，不利用跨用户语义关联，也不共同处理异构信道、干扰和用户公平性。 PDF p.1 PDF p.2 PDF p.5
3. 为什么已有方法解决不了：为每个用户独立运行点对点语义编解码器，会忽略共享内容、异构信道、干扰和公平性。因此，一旦用户共享同一媒介，单用户最优方案不必是可行或频谱高效的。更具体地说，已有链路缺乏本文随后引入的论文特有机制：此外，将所提框架与正交频分复用系统集成非正交多址技术（即OFDM-NOMA系统）结合，提出了一个功率分配问题，以实现从加法白高斯噪声（AWGN）信道到多子载波瑞利衰落信道的传输。 PDF p.1 PDF p.2 PDF p.5
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了适用于多用户OFDM-NOMA系统的信道可转移语义通信。其具体设计总结如下：论文开发了题目所述的方法：多用户OFDM-NOMA系统的信道可转移语义通信。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，进一步将所提框架与集成非正交多址技术（即OFDM-NOMA系统）的正交频分复用系统（即OFDM-NOMA系统）相结合，提出了一个功率分配问题，以实现从加法白高斯噪声（AWGN）信道向多子载波雷利衰落信道的传输。跨用户相关性和异构链接现在形成了联合传输的表示，而非重复的独立消息。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：模拟结果显示，采用SSDT算法的CT-SemCom框架在信道可转移性方面显著优于现有工作，例如在不同Rayleigh衰落信道方差下，图像传输的峰值信噪比（PSNR）提升了4.2至7.3 dB。 PDF p.2 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。论文发展了题目中所述的方法：多用户OFDM-NOMA系统的信道可转移语义通信。此外，结合所提框架与集成非正交多址技术的正交频分复用系统（即OFDM-NOMA系统），提出了功率分配问题，用于实现从加法白高斯噪声（AWGN）信道向多子载波雷利衰落信道的传输。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：多用户接入、广播或中继。研究多个用户共享频谱、干扰或中继时，语义相关性和异构信道如何改变发送策略。

给深度学习研究生的解释：不能把它看成简单扩大 batch size；每个接收端看到的信道和所需语义都不同，发送信号还会相互干扰。

实际发送了什么，以及占多少通信资源

表示与数字化判断：有限星座/标准波形接口

发送方发送有限星座符号、OFDM/OTFS资源或受保护数据包。这被归类为：有限星座/标准波形接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1

信道怎样作用，接收端实际拿到什么

信道处理类别：调制符号或编码包经过有噪声物理层

在拟议的传输路径中，信道的处理方式如下：调制符号或编码包经过有噪声物理层。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2

接收端实际上是从均衡或软解调的符号开始，然后是语义表示。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2

实验设置与主要结论

实验采用CIFAR-10;与论文中标明的参考系统进行比较;与PSNR评估;并使用AWGN、Rayleigh、衰落信道、OFDM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2

模拟结果显示，采用SSDT算法的CT-SemCom框架在信道可转移性方面显著优于现有工作，例如，在不同瑞利衰落信道变异下，图像传输的峰值信噪比（PSNR）提升了4.2至7.3 dB。 PDF p.2 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值在于提升频谱复用、覆盖或公平性，并证明优于逐用户运行点到点模型。

局限：证据多来自固定用户数与信道模型的仿真；扩展性、反馈开销、同步和与真实调度器的集成仍未充分回答。

Federated Semantic Learning Driven by Information Bottleneck for Task-Oriented Communications

2023 · IEEE Communications Letters · 任务导向联合信源信道设计

作者：Hao Wei; Wanli Ni; Wenjun Xu; Fengyu Wang; Dusit Niyato; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关工作方向已确立，特别是，最有潜力的任务之一——即构建语义知识图谱（SKG），因其强大的语义结构化表示和跨模态理解能力而被考虑。 PDF p.1 PDF p.2
2. 仍然存在的问题：重构导向的发射器会花费带宽处理下游任务不需要的信息，且可能仍无法保护决定任务决策的小功能。 PDF p.1 PDF p.2 PDF p.4
3. 为什么已有方法解决不了：当接收者只需做出决定时，重建每一个来源细节是个不必要的强硬目标。经过像素或波形真实度训练的编解码器可能会丢弃一个小的任务关键特征，同时保留视觉上合理但无关的内容。更具体地说，已有链路缺少本文随后引入的论文特有机制：在论文中，我们提出了一种新型联邦语义学习（FedSem）框架，用于协作训练多设备的语义信道编码器，并协调基于基站的语义信道译码器，这比仅仅在用户侧执行的普通分布式学习更为实用。 PDF p.1 PDF p.2 PDF p.4
4. 为什么这个问题值得研究：这个问题很重要，因为边缘设备往往需要及时做出决策，而不是忠实的复制品。仅发送任务足够的信息可以减少无线资源占用和延迟，但前提是关键证据能通过信道保存。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了由信息瓶颈驱动的任务导向通信中的联合语义学习。其具体设计总结如下：在论文中，我们提出了一种新型联合语义学习（FedSem）框架，用于协作训练多设备的语义信道编码器，并协调基于基站的语义信道解码器，这更适合任务导向通信，而非仅仅在用户端进行传统的分布式学习。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，在论文中，我们提出了一种新型的联合语义学习（FedSem）框架，用于协作训练多设备的语义信道编码器，并协调基于基站的语义信道解码器，这比仅仅在用户端进行传统的分布式学习更为实用。与任务相关的证据直接控制瓶颈和损失，因此无线电资源在无关源细节上花费不均。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：与基线相比，模拟结果表明，拟议的FedSem在不同用户数量和信道条件下实现了更好的速率扭曲性能和收敛。 PDF p.2 PDF p.4 PDF p.5

系统怎么工作

该系统是任务导向推理的端到端通信链路。在论文中，我们提出了一种新型联邦语义学习（FedSem）框架，用于协作训练多设备的语义信道编码器，并协调基于基站的语义信道译码器，这比仅仅在用户端执行传统的分布式学习更为实用。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：任务导向推理

所属环节：任务导向联合信源信道设计。只传下游任务所需信息，并把信道扰动纳入任务性能优化。

给深度学习研究生的解释：类似 split inference，但中间特征必须经过带宽受限且有噪声的无线信道，任务准确率是最终目标。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.3 PDF p.4

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建的是任务决策，而不一定是原始来源。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.3 PDF p.4

实验设置与主要结论

实验中使用VQA;与DeepJSCC、JPEG、LDPC、Turbo进行比较;准确评估，延迟;并使用AWGN、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.3 PDF p.4

与基线相比，模拟结果表明，在不同用户数量和信道条件下，所提的FedSem在速率失真表现和收敛方面表现更佳。 PDF p.2 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值在于用更少信道使用完成相同任务，并降低端到端时延和设备能耗。

局限：收益与任务和数据集绑定；对未知任务、分布偏移、置信度校准以及稀有关键样本的失败仍需更强证据。

Fundamental Limitation of Semantic Communications: Neural Estimation for Rate-Distortion

2023 · Journal of Communications and Information Networks · 语义信息理论与性能度量

作者：Dongxu Li; Jianhao Huang; Chuan Huang; Xiaoqi Qin; Han Zhang; Ping Zhang

团队归属：补充数据库轮次核验：指定负责人直接署名（Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已确立语义通信研究产生了任务特定的扭曲和效用度量，为探讨哪些语义信息值得传递奠定了基础。 PDF p.1 PDF p.3 PDF p.4
2. 仍然存在的问题：现有语义系统使用任务特定的准确性或重建分数，但缺乏比较不同系统语义信息效率所需的共同数量或界限。 PDF p.1 PDF p.23
3. 为什么已有方法解决不了：早期系统可以报告任务准确性或重建质量，但如果没有提出的数量或界限，它们无法在通用的信息论基础上比较语义效率。缺失对象是一个定义和优化标准，而不是另一个神经网络块。更具体地说，早期的流程缺乏本文随后引入的论文特有机制：对于未知语义源分布，且仅有一组源样本可用，我们提出基于神经网络的方法，利用生成网络来学习语义源分布。 PDF p.1 PDF p.23
4. 为什么这个问题值得研究：这个问题很重要，因为一个领域无法在没有明确语义目标的情况下比较系统或证明极限。一个有根据的指标将真实的沟通收益与数据集、模型或任务评分的变化区分开来。 PDF p.1 PDF p.3 PDF p.4
5. 本文怎样顺着问题提出方案：因此，本文发展了《语义通信的基本局限：速率扭曲的神经估计》。其具体设计总结如下：论文发展了题目所述的方法：语义通信的根本限制：速率扭曲的神经估计。 PDF p.1 PDF p.3 PDF p.4
6. 方案为什么有可能起作用：因果联系在于，对于未知语义源分布，虽然只有一组源样本可用，我们提出了一种基于神经网络的方法，利用生成网络来学习语义源分布。所提定义使语义目标显式，因此可测量或优化。 PDF p.1 PDF p.3 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据如下：最后，实验结果证明了我们提出的方法在联合高斯源和一些典型图像数据集中的有效性。 PDF p.21 PDF p.23

系统怎么工作

该系统是语义信息度量与理论的端到端通信链路。论文发展了题目所述的方法：语义通信的基本限制：速率扭曲的神经估计。对于未知语义源分布，虽然只有一组源样本可用，我们提出一种基于神经网络的方法，利用生成网络来学习语义源分布。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.3 PDF p.4

它在通信系统的哪个位置

研究任务：语义信息度量与理论

所属环节：语义信息理论与性能度量。定义语义信息、失真、价值或可达边界，为系统比较和优化提供共同坐标。

给深度学习研究生的解释：可以把它理解为给新的学习任务定义 loss 和 generalization bound；重点是定义是否可计算、是否与通信资源挂钩。

实际发送了什么，以及占多少通信资源

表示与数字化判断：上层理论工作：不单独定义可发送语义格式

发送方发送由信息论模型定义的随机变量或语义消息。这类分类为：上层理论工作：不单独定义可发送语义格式。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.3 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.3 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：抽象信源—信道—语义失真模型；不对应一条具体神经收发链路

在拟议的传输路径中，信道处理方式如下：抽象信源—信道—语义失真模型;不对应一条具体神经收发链路。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.4 PDF p.5

接收者实际上是从定理中的抽象语义解码器或决策规则出发的。然后它重建了界限、度量或优化原则。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.4 PDF p.5

实验设置与主要结论

实验使用CIFAR-10、MNIST;与DeepJSCC比较;用论文中描述的任务或重建指标进行评估;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.4 PDF p.5

最后，实验结果证明了我们提出的方法适用于联合高斯源和一些典型图像数据集的有效性。 PDF p.21 PDF p.23

通信审稿价值与 Codex 判断

审稿价值来自可比较、可优化或可证明的语义通信指标，而不是单个数据集上的网络增益。

局限：该定义是否能在真实高维信源上计算、能否跨任务预测系统收益仍需验证；形式化指标本身不等于可部署的无线增益。

How to Define the Propagation Environment Semantics and Its Application in Scatterer-Based Beam Prediction

2023 · IEEE Wireless Communications Letters · 任务导向联合信源信道设计

作者：Yutong Sun; Jianhua Zhang; Li Yu; Zhen Zhang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明，鉴于传播环境直接决定信道性质，应用也可以借助环境信息来解决。 PDF p.2 PDF p.4 PDF p.5
2. 仍然存在的问题：该信函将传播环境语义（PES）定义为一组有限的传播环境语义符号（PESS）。 PDF p.1
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，早期的流程缺少后来引入的纸张专用机制：大规模层面包括LSP的布局和全局环境表示，小规模层面则包含SSP和视野阻挡的局部和目标表示。 PDF p.1
4. 为什么这个问题值得研究：这个问题很重要，因为边缘设备往往需要及时做出决策，而不是忠实的复制品。仅发送任务足够的信息可以减少无线资源占用和延迟，但前提是关键证据能通过信道保存。 PDF p.2 PDF p.4 PDF p.5
5. 本文怎样顺着问题提出方案：因此，本文发展了如何定义传播环境语义及其在基于散射体的束流预测中的应用。其具体设计总结如下：论文发展了题目所述的方法：如何定义传播环境语义及其在基于散射体的束流预测中的应用。 PDF p.2 PDF p.4 PDF p.5
6. 方案为什么有可能起作用：因果联系在于：大尺度层面包括LSP的布局和全局环境表示，小尺度层面则包括SSP和视线阻挡的局部和目标表示。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：任务导向信道属性波束预测通常旨在通过切换到更优的目标来提高通信量。 PDF p.2 PDF p.3

系统怎么工作

该系统是任务导向推理的端到端通信链路。本文发展了题目中描述的方法：如何定义传播环境语义及其在基于散射体的束流预测中的应用。大尺度层面包括 LSP 的布局和全局环境表示，小尺度层面则包含 SSP 和视线阻挡的局部和目标表示。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.4

它在通信系统的哪个位置

研究任务：任务导向推理

所属环节：任务导向联合信源信道设计。只传下游任务所需信息，并把信道扰动纳入任务性能优化。

给深度学习研究生的解释：类似 split inference，但中间特征必须经过带宽受限且有噪声的无线信道，任务准确率是最终目标。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.4

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它重建的是任务决策，而不一定是原始来源。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.4

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与论文中标明的参考系统进行比较;准确评估;并使用MIMO。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2 PDF p.4

面向任务的信道属性波束预测通常旨在通过切换到更优的目标来提高通信量。 PDF p.2 PDF p.3

通信审稿价值与 Codex 判断

价值在于用更少信道使用完成相同任务，并降低端到端时延和设备能耗。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

ISCom: Interest-Aware Semantic Communication Scheme for Point Cloud Video Streaming on Metaverse XR Devices

2023 · IEEE Journal on Selected Areas in Communications · 联合信源信道编码（JSCC）与语义信源编码

作者：Yakun Huang; Boyuan Bai; Yuanwei Zhu; Xiuquan Qiao; Xiang Su; Lei Yang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究已经确立了在元宇宙时代，移动XR设备上的点云视频（PCV）流媒体至关重要。 PDF p.1
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留视频传输或生成目标所需的语义内容。 PDF p.1 PDF p.13
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少后来介绍的论文特有机制：为了提升基于AI方法的推理效能、适应动态环境并促进对元宇宙XR设备的适用性，我们提出了ISCom，一种用于轻量级PCV流的兴趣感知语义通信方案。 PDF p.1 PDF p.13
4. 为什么这个问题值得研究：这个问题很重要，因为视频会持续消耗带宽，并且有严格的延迟预算;错误也可能跨帧传播，因此时间一致性和质量优雅下降是通信层面的关注点。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，本文开发了ISCom：元宇宙XR设备上点云视频流的兴趣感知语义通信方案。其具体设计总结如下：为了提升基于人工智能的方法的推理效能，适应动态环境，并促进对元宇宙XR设备的适用，我们提出了ISCom，一种针对轻量级PCV流的兴趣感知语义通信方案。 PDF p.1
6. 方案为什么有可能起作用：其因果关系在于，为了提升基于人工智能的方法的推理效能、适应动态环境并促进对元宇宙XR设备的适用性，我们提出了ISCom，一种用于轻量级PCV流媒体的兴趣感知语义通信方案。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.11
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。据报道的证据是：我们广泛的实验表明，ISCom在移动设备上的表现优于基线，实现了至少10帧/秒的渲染帧率提升，最高可达22帧/秒。 PDF p.7 PDF p.8 PDF p.11

系统怎么工作

该系统是视频传输或生成的端到端通信链路。为了提升基于人工智能的方法的推理效能，适应动态环境，并促进对元宇宙XR设备的应用，我们提出了ISCom，一种用于轻量级PCV流的兴趣感知语义通信方案。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.11

它在通信系统的哪个位置

研究任务：视频传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.4 PDF p.7

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.4 PDF p.7

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.12

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建或生成的视频。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.12

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与JPEG进行比较;评估标准为PSNR、SSIM、准确性、延迟、BER;并使用QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.12

我们广泛的实验表明，ISCom在移动设备上的表现优于基线，实现了至少10帧每秒的渲染帧率提升，最高可达22帧每秒。 PDF p.7 PDF p.8 PDF p.11

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Improved Nonlinear Transform Source-Channel Coding to Catalyze Semantic Communications

2023 · IEEE Journal of Selected Topics in Signal Processing · 联合信源信道编码（JSCC）与语义信源编码

作者：Sixian Wang; Jincheng Dai; Xiaoqi Qin; Zhongwei Si; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明，近期深度学习方法推动了对高效端到端传输问题解决兴趣的提升。 PDF p.1
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.2 PDF p.6
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，早期的流程缺乏本文随后引入的论文专用机制：在此基础上，我们提出了一种在线潜在特征编辑机制，以实现更灵活的编码率分配，并与某些特定的语义指导保持一致。 PDF p.1 PDF p.2 PDF p.6
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，论文开发了改进的非线性变换信源信道编码以催化语义通信。其具体设计总结如下：本文提出了一个全面的框架，旨在改进NTSCC，从而实现更高的系统编码增益、更好的模型兼容性以及更灵活的适应策略，并与语义指导保持一致。 PDF p.1
6. 方案为什么有可能起作用：因果联系在于，基于此，我们提出了一种在线潜在特征编辑机制，以实现更灵活的编码率分配，并与特定语义指导保持一致。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。据报道的证据是：我们改进的NTSCC系统经过实验验证，相较于最先进的工程化VTM + 5G LDPC编码传输系统，具有更优的速率失真效率，且处理延迟更低。 PDF p.6 PDF p.8 PDF p.9

系统怎么工作

该系统是图像传输或生成的端到端通信链路。本文提出了一个综合框架，用于改进NTSCC，从而实现更高的系统编码增益、更好的模型兼容性以及更灵活的适应策略，并与语义指导保持一致。随后，我们提出了一种在线潜在特征编辑机制，以实现更灵活的编码率分配，并符合特定的语义指导。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.3 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.3 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.4 PDF p.7

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.4 PDF p.7

实验设置与主要结论

实验中使用柯达、CLIC、DIV2K;与基于分离的BPG、JPEG2000、JPEG、LDPC、VTM、NTSCC进行比较;评估PSNR、LPIPS、准确性和延迟;并使用AWGN、衰落信道、MIMO、OFDM。一个具有代表性的报告工作条件是：指导响应网络设计的有用见解。（a） 兼容NTSCC+在加法白高斯噪声（AWGN）信道上的速率失真（RD）曲线，SNR = 10dB。 PDF p.1 PDF p.4 PDF p.7

我们改进的NTSCC系统经过实验验证，相较于最先进的工程化VTM + 5G LDPC编码传输系统，具有更优的速率失真效率，且处理延迟更低。 PDF p.6 PDF p.8 PDF p.9

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Knowledge-enhanced semantic communication system with OFDM transmissions

2023 · Science China Information Sciences · 调制/波形与数字物理层接口

作者：Xiaodong Xu; Huachao Xiong; Yining Wang; Yue Che; Shujun Han; Bizhu Wang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明学习式语义编码器表现出强烈的压缩和优雅的退化，近期工作开始将其潜在表示与有限数字接口连接起来。 PDF p.1 PDF p.2
2. 仍然存在的问题：许多已学习的语义链止于连续的潜在状态，导致量化、有限符号映射以及位/索引错误的后果超出学习设计范围。 PDF p.1 PDF p.2 PDF p.13
3. 为什么已有方法解决不了：连续潜在链路或单独设计的常规链路并未规定语义信息如何量化、映射为有限符号，以及在位或索引错误时如何保护。仅仅通过改进源自编码器，无法弥合这一接口空白。更具体地说，已有链路缺乏后来介绍的论文专用机制：通过利用深度学习技术实现联合信源信道编码（JSCC），语义通信可以提升通信质量，同时降低通信系统的整体复杂性。 PDF p.1 PDF p.2 PDF p.13
4. 为什么这个问题值得研究：问题之所以重要，是因为少量符号错误可能会改变整个句子的含义。因此，可靠性必须通过恢复的意义或下游语言任务质量来判断，而不仅仅是比特错误率。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了带有OFDM传输的知识增强语义通信系统。其具体设计总结如下：论文开发了题目所述的方法：带OFDM传输的知识增强语义通信系统。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果关系在于，通过利用深度学习技术实现联合信源信道编码（JSCC），语义通信可以在降低通信系统整体复杂性的同时提升通信质量。学习的潜在部分被强制通过所描述的离散或混合接口，因此接收端设计时是为它实际将观察到的表征而设计的。 PDF p.1 PDF p.2 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：为了在解码前实现物理去噪，在语义符号之前会加入用于信道估计的语义导引符号和传统导引符号。 PDF p.6 PDF p.9 PDF p.10

系统怎么工作

该系统是文本传输/机器翻译的端到端通信链路。论文发展了题目所述的方法：带OFDM传输的知识增强语义通信系统。通过利用深度学习技术实现联合信源信道编码（JSCC），语义通信可以在降低通信系统的整体复杂度的同时提升通信质量。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.4

它在通信系统的哪个位置

研究任务：文本传输/机器翻译

所属环节：调制/波形与数字物理层接口。决定语义表示如何变成有限星座、子载波、数据包或多天线信号。

给深度学习研究生的解释：这是神经网络 bottleneck 接到实际 modem 的位置；需要明确 bit、symbol、CSI、功率和误码。

实际发送了什么，以及占多少通信资源

表示与数字化判断：有限星座/标准波形接口

发送方发送有限星座符号、OFDM/OTFS资源或受保护数据包。这被归类为：有限星座/标准波形接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.3 PDF p.7 PDF p.8

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.3 PDF p.7 PDF p.8

信道怎样作用，接收端实际拿到什么

信道处理类别：调制符号或编码包经过有噪声物理层

在拟议的传输路径中，信道的处理方式如下：调制符号或编码包经过有噪声物理层。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.7 PDF p.13 PDF p.14

接收端实际上是从均衡或软解调的符号开始，然后是语义表示。然后它会重建恢复的文本或翻译结果。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.7 PDF p.13 PDF p.14

实验设置与主要结论

实验中使用Europarl、VQA;与LDPC、BERT、DeepSC比较;用BLEU、WER评估准确性;并使用AWGN、Rayleigh、Rician、衰落信道、OFDM、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.7 PDF p.13 PDF p.14

为了在解码前实现物理去噪，在语义符号之前会加入用于信道估计的语义导引符号和传统导引符号。 PDF p.6 PDF p.9 PDF p.10

通信审稿价值与 Codex 判断

价值在于补上可部署接口并量化频谱效率、误码、PAPR、CSI 或 MIMO 增益。

局限：虽已有数字接口，残余 bit/index 错误、有限码长开销、同步以及完整 PHY 兼容性仍需进一步验证。

Learned Image Transmission Toward Machine-Type Semantic Communications

2023 · · 联合信源信道编码（JSCC）与语义信源编码

作者：Kailin Tan; Jincheng Dai; Sixian Wang; Ke Yang; Kai Niu

团队归属：指定团队负责人直接署名：Kai Niu

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究已经确立了人类往往只关注少数几个关注区域（ROI），而非感知整个场景。 PDF p.1
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.3 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，早期的流程缺乏本文随后引入的论文专用机制：根据图像内容复杂度分布和具体任务，我们结合熵模型和投资回报率图来指导信源信道编码率的分配。 PDF p.1 PDF p.3 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，论文发展了《向机器类型语义通信的学习图像传输》。其具体设计总结如下：基于ROI的特性，本文提出了一种针对机器任务的学习图像传输框架，确保图像重建质量和任务准确性。 PDF p.1
6. 方案为什么有可能起作用：因果联系在于，根据图像内容复杂度分布和具体任务，我们结合熵模型和投资回报率图谱来指导信源信道编码率的分配。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：实验结果显示，我们的方法远远优于最先进的工程图像传输方法和新兴图像传输方法。 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。基于ROI的特性，本文提出了一种针对机器任务的学习图像传输框架，确保图像重建质量和任务准确性。根据图像内容复杂度分布和具体任务，我们结合熵模型和投资回报率图来指导信源信道编码率的分配。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.3 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.3 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.4 PDF p.5

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.4 PDF p.5

实验设置与主要结论

实验使用ImageNet;与基于分离的BPG、LDPC、VTM（虚拟技术）比较;用PSNR评估准确性;并使用AWGN、衰落信道和QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.4 PDF p.5

实验结果显示，我们的方法远远优于最先进的工程图像传输方法和新兴的图像传输方法。 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Learned Source and Channel Coding for Talking-Head Semantic Transmission

2023 · · 联合信源信道编码（JSCC）与语义信源编码

作者：Weijie Yue; Jincheng Dai; Sixian Wang; Zhongwei Si; Kai Niu

团队归属：指定团队负责人直接署名：Kai Niu

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关工作已经确定了如何高效地通过无线信道传输特殊视频？ PDF p.1
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留视频传输或生成目标所需的语义内容。 PDF p.1 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏本文随后引入的论文特有机制：此外，由于系统级的联合信源信道设计，我们的方法在噪声信道上提供了更稳健的性能，带宽成本仅为33%，而当前结合的对讲头压缩与5G LDPC编码传输系统相比。 PDF p.1 PDF p.4
4. 为什么这个问题值得研究：这个问题很重要，因为视频会持续消耗带宽，并且有严格的延迟预算;错误也可能跨帧传播，因此时间一致性和质量优雅下降是通信层面的关注点。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，论文开发了用于说话语义传输的学习源码和信道编码。其具体设计总结如下：受说话头动画最新进展启发，我们提出了一种说话头语义传输（THST）系统，能够高效地将运动关键点表示以紧凑语义信息的形式传输，以驱动接收端的自由视野说话头综合。 PDF p.1
6. 方案为什么有可能起作用：其因果联系在于，此外，由于系统级的联合信源信道设计，我们的方法在噪声信道上提供了更稳健的性能，带宽成本仅为33%，而当前结合的对讲头压缩与5G LDPC编码传输系统相比。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：广泛的实验验证表明，我们的THST系统在基准数据集上的表现优于工程化的竞争系统。 PDF p.4 PDF p.6

系统怎么工作

该系统是视频传输或生成的端到端通信链路。受说话头动画最新进展启发，我们提出了一种说话头语义传输（THST）系统，能够高效地将运动关键点表示作为紧凑的语义信息传输，以驱动接收端的自由视角对话头合成。此外，由于系统层面的联合信源信道设计，我们的方法在噪声信道上提供了更稳健的性能，带宽成本仅为33%，而当前结合的对讲头压缩与5G LDPC编码传输系统相比。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：视频传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.3 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.3 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建或生成的视频。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与LDPC的H.264、H.265比较;评估使用PSNR、LPIPS、FID、潜伏期;并使用AWGN、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1

广泛的实验验证表明，我们的THST系统在基准数据集上优于工程化的竞争系统。 PDF p.4 PDF p.6

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Model division multiple access for semantic communications

2023 · Frontiers of Information Technology & Electronic Engineering · 多用户接入、广播或中继

作者：Ping Zhang; Xiaodong Xu; Chen Dong; Kai Niu; Haotai Liang; Zijian Liang; Xiaoqi Qin; Mengying Sun; Hao Chen; Nan Ma; Wenjun Xu; Guangyu Wang; Xiaofeng Tao

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究领域已确立了多用户系统中应分配给不同用户的系统资源。 PDF p.5
2. 仍然存在的问题：大多数语义编解码器设计为点对点链路，不利用跨用户语义关联，也不共同处理异构信道、干扰和用户公平性。 PDF p.11
3. 为什么已有方法解决不了：为每个用户独立运行点对点语义编解码器，会忽略共享内容、异构信道、干扰和公平性。因此，一旦用户共享同一媒介，单用户最优方案不必是可行或频谱高效的。更具体地说，已有链路缺乏本文随后引入的论文特有机制：在多用户系统中，系统资源应分配给不同用户。 PDF p.11
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.5
5. 本文怎样顺着问题提出方案：因此，论文开发了语义通信的除法多重访问模型。其具体设计总结如下：论文开发了题目所述的方法：语义通信的分割多重访问模型。 PDF p.5
6. 方案为什么有可能起作用：因果联系在于，在多用户系统中，系统资源应分配给不同的用户。跨用户相关性和异构链接现在形成了联合传输的表示，而非重复的独立消息。 PDF p.3 PDF p.4 PDF p.5
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：模拟结果显示，MDMA节省的带宽资源比传统多址技术更多，且在低信噪比（SNR）条件下，MDMA在加性白高斯噪声（AWGN）信道上至少比NOMA多5dB。 PDF p.6 PDF p.7

系统怎么工作

该系统是图像传输或生成的端到端通信链路。本文发展了题目所述的方法：语义通信的除法多重访问模型。在多用户系统中，系统资源应分配给不同的用户。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.3 PDF p.4 PDF p.5

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：多用户接入、广播或中继。研究多个用户共享频谱、干扰或中继时，语义相关性和异构信道如何改变发送策略。

给深度学习研究生的解释：不能把它看成简单扩大 batch size；每个接收端看到的信道和所需语义都不同，发送信号还会相互干扰。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.3 PDF p.4 PDF p.5

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.3 PDF p.4 PDF p.5

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.8 PDF p.9

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.8 PDF p.9

实验设置与主要结论

实验使用CIFAR-10、MNIST;与LDPC、DeepSC、NTSCC比较;与PSNR评估;并使用AWGN、MIMO、OFDM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.8 PDF p.9

仿真结果显示，MDMA节省的带宽资源比传统多址技术更多，且在低信噪比（SNR）条件下，MDMA在加法白高斯噪声（AWGN）信道中至少比NOMA优势5 dB。 PDF p.6 PDF p.7

通信审稿价值与 Codex 判断

价值在于提升频谱复用、覆盖或公平性，并证明优于逐用户运行点到点模型。

局限：证据多来自固定用户数与信道模型的仿真；扩展性、反馈开销、同步和与真实调度器的集成仍未充分回答。

Non-Orthogonal Multiple Access Enhanced Multi-User Semantic Communication

2023 · IEEE Transactions on Cognitive Communications and Networking · 多用户接入、广播或中继

作者：Weizhi Li; Haotai Liang; Chen Dong; Xiaodong Xu; Ping Zhang; Kaijun Liu

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究领域已确立语义通信作为一种新范式，并吸引了广泛的研究者兴趣。 PDF p.1 PDF p.2 PDF p.3
2. 仍然存在的问题：大多数语义编解码器设计为点对点链路，不利用跨用户语义关联，也不共同处理异构信道、干扰和用户公平性。 PDF p.1 PDF p.3
3. 为什么已有方法解决不了：为每个用户独立运行点对点语义编解码器，会忽略共享内容、异构信道、干扰和公平性。因此，一旦用户共享同一媒介，单用户最优方案不必是可行或频谱高效的。更具体地说，已有链路缺少本文随后引入的论文特有机制：为避免硬件高需求，语义编码器末尾使用非对称量化器，用于离散连续全分辨率语义特征。 PDF p.1 PDF p.3
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，本文发展了非正交多重访问增强多用户语义通信。其具体设计总结如下：论文发展了题目所述的方法：非正交多址增强型多用户语义通信。 PDF p.1 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：因果联系在于，为了避免硬件需求过高，在语义编码器末尾使用了非对称量化器，以离散化连续的全分辨率语义特征。跨用户相关性和异构链接现在形成了联合传输的表示，而非重复的独立消息。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：模拟结果表明，所提系统在多用户信号的非正交传输中表现出色，并且在低至中信噪比（SNR）方面表现优于其他方法。 PDF p.6 PDF p.7 PDF p.9

系统怎么工作

该系统是图像传输或生成的端到端通信链路。本文发展了题为《非正交多重访问增强多用户语义通信》的方法。为避免对硬件过高需求，语义编码器末尾采用非对称量化器，以离散化连续全分辨率语义特征。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：多用户接入、广播或中继。研究多个用户共享频谱、干扰或中继时，语义相关性和异构信道如何改变发送策略。

给深度学习研究生的解释：不能把它看成简单扩大 batch size；每个接收端看到的信道和所需语义都不同，发送信号还会相互干扰。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.3 PDF p.8

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.3 PDF p.8

实验设置与主要结论

实验中使用Europarl、MNIST;与DeepJSC、JPEG、LDPC、Turbo、BERT、DeepSC进行比较;评估标准为PSNR、SSIM、BLEU、准确性、延迟、BER;并使用AWGN，Rayleigh，衰落频道，QAM，广播频道。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.3 PDF p.8

仿真结果表明，所提系统在多用户信号的非正交传输中表现优于其他方法，尤其是在低至中信噪比（SNR）下。 PDF p.6 PDF p.7 PDF p.9

通信审稿价值与 Codex 判断

价值在于提升频谱复用、覆盖或公平性，并证明优于逐用户运行点到点模型。

局限：证据多来自固定用户数与信道模型的仿真；扩展性、反馈开销、同步和与真实调度器的集成仍未充分回答。

Scalable Multi-Task Semantic Communication System with Feature Importance Ranking

2023 · · 联合信源信道编码（JSCC）与语义信源编码

作者：Jiangjing Hu; Fengyu Wang; Wenjun Xu; Hui Gao; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究已确立语义通信有望成为连接智能时代新兴智能应用的创新解决方案。 PDF p.1 PDF p.2
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.2 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏本文随后引入的论文专用机制：随后提出了一种基于特征重要性排序的新可扩展编码方法，该方法动态调整编码速率，并确保语义任务中的重要特征以更高优先级传输。 PDF p.1 PDF p.2 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了具有特征重要性排名的可扩展多任务语义通信系统。其具体设计总结如下：论文开发了题目所述的方法：具特征重要性排序的可扩展多任务语义通信系统。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，随后提出了一种基于特征重要性排序的新可扩展编码方法，该方法动态调整编码速率，并确保语义任务中重要的特征以更高优先级传输。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：模拟结果显示，SMSC-FIR能够在单个智能任务中实现性能提升，尤其是在低信噪比（SNR）区域。 PDF p.3 PDF p.4

系统怎么工作

该系统是图像传输或生成的端到端通信链路。本文发展了题为“具特征重要性排名的可扩展多任务语义通信系统”的方法。随后，提出了一种基于特征重要性排序的新可扩展编码方法，该方法动态调整编码速率，确保语义任务中重要的特征以更高优先级传输。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.5

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.5

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.3

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.3

实验设置与主要结论

实验使用ImageNet;与JPEG、LDPC比较;准确评估;并使用里西安语。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.3

仿真结果表明，SMSC-FIR在单个智能任务中实现性能提升，尤其是在低信噪比（SNR）区域。 PDF p.3 PDF p.4

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Semantic Communications with Explicit Semantic Base for Image Transmission

2023 · · 联合信源信道编码（JSCC）与语义信源编码

作者：Yuan Zheng; Fengyu Wang; Wenjun Xu; Miao Pan; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究领域已确立，旨在确保信息意义成功传递的语义通信，有望成为下一代通信的潜在技术之一。 PDF p.1 PDF p.2
2. 仍然存在的问题：使语义通信系统能够根据通信意图提取和解释信息语义的知识形成和同步机制仍然不成熟。 PDF p.1 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏后面介绍的论文专用机制：所提框架的关键组件通过端到端（E2E）训练共同优化，其中损耗函数专门设计用于解决基于Seb的参考图像生成器中不可微操作的问题，通过引入梯度近似机制。 PDF p.1 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文开发了具有显式语义基础的图像传输语义通信。其具体设计总结如下：本文提出了一个具有显式语义基底（Seb）的语义图像传输框架，其中Seb被生成并作为发送端和接收端之间灵活粒度共享的知识。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，所提框架的关键组件通过端到端（E2E）训练共同优化，其中损失函数专门设计用于解决基于Seb的参考图像生成器中不可微操作的问题，通过引入梯度近似机制。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：大量实验表明，所提框架在不同信噪比（SNR）下的峰值信噪比（PSNR）方面比最先进作品高出0.5到1.5 dB。 PDF p.3 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。本文提出了一种具有显式语义基础（Seb）的语义图像传输框架，其中Seb作为发送端和接收方之间灵活粒度共享的知识生成和应用。所提框架的关键组成部分通过端到端（E2E）训练共同优化，其中损耗函数专门设计用于解决基于Seb的参考图像生成器中不可微操作的问题，引入梯度近似机制。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.5 PDF p.6

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.5 PDF p.6

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.3 PDF p.5

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.3 PDF p.5

实验设置与主要结论

实验使用ImageNet、Cityscapes;与BPG比较，JPEG2000;用PSNR、SSIM、MS-SSIM等精度评估;并使用AWGN。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.3 PDF p.5

大量实验表明，所提框架在不同信噪比（SNR）下，峰值信噪比（PSNR）比最先进技术高出0.5至1.5 dB。 PDF p.3 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Toward Adaptive Semantic Communications: Efficient Data Transmission via Online Learned Nonlinear Transform Source-Channel Coding

2023 · IEEE Journal on Selected Areas in Communications · 联合信源信道编码（JSCC）与语义信源编码

作者：Jincheng Dai; Sixian Wang; Ke Yang; Kailin Tan; Xiaoqi Qin; Zhongwei Si; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究领域已经确立了新兴领域语义通信正在推动端到端数据传输的研究。 PDF p.1 PDF p.2
2. 仍然存在的问题：为单一带宽或信道条件训练的语义编码器具有固定表示，且在工作点变化时无法重新分配速率和保护。 PDF p.1 PDF p.14
3. 为什么已有方法解决不了：为单一带宽、信噪比或信道分布训练的模型具有固定的瓶颈和保护模式。当操作条件发生变化时，使用相同表示法进行重复推断无法为变得脆弱的信息重新分配速率或冗余。更具体地说，已有链路缺乏本文随后引入的论文专用机制：具体来说，我们在部署后以轻量在线方式更新现成的预训练模型，以适应源数据和环境领域的分布变化。 PDF p.1 PDF p.14
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文发展了《迈向自适应语义通信：通过在线学习非线性变换信源信道编码实现高效数据传输》。其具体设计总结如下：为解决这个问题，本文提出了一种新型在线学习联合源与信道编码方法，利用深度学习模型的过拟合特性。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，具体来说，我们在部署后以轻量在线方式更新现成的预训练模型，以适应源数据和环境域的分布变化。表示或保护模式可以随着操作条件变化而变化，而非训练后保持固定。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：包括用户研究在持续变化的目标源数据和无线信道环境下的广泛实验，证明了我们方法的有效性和效率，在该方案上我们优于现有的先进工程传输方案（VVC结合5G LDPC编码传输）。 PDF p.7 PDF p.8 PDF p.10

系统怎么工作

该系统是图像传输或生成的端到端通信链路。为解决这个问题，本文提出了一种新型在线学习联合信源信道编码方法，利用深度学习模型的过拟合特性。具体来说，我们在部署后以轻量在线方式更新现成的预训练模型，以适应源数据和环境领域的分布变化。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.3 PDF p.5

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.3 PDF p.5

实验设置与主要结论

实验中使用了DIV2K、城市景观;与基于分离的DeepJSCC、BPG、LDPC、Turbo、VTM、H.265、NTSCC进行比较;评估PSNR、准确率、延迟和CLIP;并使用AWGN、衰落信道、MIMO、OFDM、QAM。一个具有代表性的报告工作条件是：在所有实验中，我们分别训练四个基线模型，分别为λ = 256、64、16、4，采用加法白高斯噪声（AWGN）信道，缩放因子ηy在SNR = 10dB时设为0.2，在SNR = 0dB时为0.4。 PDF p.1 PDF p.3 PDF p.5

包括用户研究在持续变化的目标源数据和无线信道环境下的广泛实验，展示了我们方法的有效性和效率，在该方案上我们优于现有的先进工程传输方案（VVC结合5G LDPC编码传输）。 PDF p.7 PDF p.8 PDF p.10

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：适配只在有限的带宽/信道范围内验证；控制信令、在线稳定性及超出训练范围后的外推仍不确定。

UDSem: A Unified Distributed Learning Framework for Semantic Communications Over Wireless Networks

2023 · IEEE Network · 联合信源信道编码（JSCC）与语义信源编码

作者：Guoshun Nan; Xinghan Liu; Xinchen Lyu; Qimei Cui; Xiaodong Xu; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究已经确立了端到端语义通信（ESC）依赖深度神经网络（DNN）通过仅传输数据语义来提升通信效率。 PDF p.1 PDF p.2
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.6
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏后来引入的纸质化机制：对于GC中的发送端客户端，他们会根据原始数据X生成语义表示X，然后将调制语义表示Xo及其对应标签Y发送到中央服务器S。 PDF p.1 PDF p.6
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了《UDSem：无线网络语义通信的统一分布式学习框架》。其具体设计总结如下：受联邦学习启发，每个设备都通过独立计算其本地数据的梯度来参与参数更新，我们提出了UDSem，一个统一的分布式文本和图像语义通信学习框架，用于无线网络。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，GC中的客户端在发射端，会根据原始数据X生成语义表示X，然后将调制后的语义表示Xo及其对应标签Y发送给中央服务器S。语义忠实度和信道鲁棒性在同一路径中得到优化，因此实际噪声链路的瓶颈得以形成。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：两个公开基准测试的实验结果显示，我们的UDSem在收敛速度和语义解释方面具有优势，有望为未来无线网络中的分布式语义通信铺平道路。 PDF p.5 PDF p.6

系统怎么工作

该系统是图像传输或生成的端到端通信链路。受联邦学习启发，每个设备都通过独立计算梯度来参与参数更新，我们提出了UDSem，一个统一的分布式文本和图像语义通信学习框架，适用于无线网络。对于发送端的GC客户端，他们会根据原始数据X生成语义表示X，然后将调制语义表示Xo及其对应标签Y发送给中央服务器S。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.3 PDF p.4

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.3 PDF p.4

实验设置与主要结论

实验使用MNIST、SST-2;与论文中标明的参考系统进行比较;评估准确性、延迟、BER;并使用Rayleigh、衰落信道、OFDM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.3 PDF p.4

在两个公开基准测试上的实验结果显示，我们的UDSem在收敛速度和语义解释方面具有优势，有望为未来无线网络中的分布式语义通信铺平道路。 PDF p.5 PDF p.6

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Variational Speech Waveform Compression to Catalyze Semantic Communications

2023 · · 联合信源信道编码（JSCC）与语义信源编码

作者：Shengshi Yao; Zixuan Xiao; Sixian Wang; Jincheng Dai; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已确立：通过引入非线性变换和变分建模，我们能够有效捕捉语音框架内的依赖关系，并更准确地估计语音特征的概率分布，从而实现更好的压缩性能。 PDF p.1
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，并未共同保留语音/音频传输或识别目标所需的语义内容。 PDF p.1 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏本文随后引入的论文专用机制：为了进一步提升语音质量，我们加入了残差编码，以减轻潜空间量化失真带来的退化。 PDF p.1 PDF p.4
4. 为什么这个问题值得研究：这个问题很重要，因为即使波形失真仅有轻微变化，可理解性、识别准确性和丢包隐蔽也可能崩溃;一个有用的系统必须在低比特率和信道误差下保持语言内容。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，论文开发了变分语音波形压缩以催化语义通信。其具体设计总结如下：我们提出了一种新型神经波形压缩方法，以催化新兴的语音语义通信。 PDF p.1
6. 方案为什么有可能起作用：其因果关系在于，为了进一步提升语音质量，我们加入了残差编码，以减轻潜空间量化失真带来的退化。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：结果表明，在获得相同的感知质量评分后，所提方法比广泛使用的自适应多速率宽带（AMR-WB）编解码器以及新兴的神经波形编码方法节省了高达27%的编码率。 PDF p.3 PDF p.4 PDF p.5

系统怎么工作

该系统是语音/音频传输或识别的端到端通信链路。我们提出了一种新型神经波形压缩方法，以催化新兴的语音语义通信。为了进一步提升语音质量，我们加入了残差编码，以减轻潜空间量化失真带来的退化。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1

它在通信系统的哪个位置

研究任务：语音/音频传输或识别

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它重建语音波形、文本转录或识别结果。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1

实验设置与主要结论

实验使用TIMIT;与论文中标明的参考系统进行比较;用论文中描述的任务或重建指标进行评估;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1

结果表明，在获得相同的感知质量评分后，所提方法比广泛使用的自适应多速率宽带（AMR-WB）编解码器以及新兴的神经波编码方法节省了高达27%的编码率。 PDF p.3 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

WITT: A Wireless Image Transmission Transformer for Semantic Communications

2023 · · 联合信源信道编码（JSCC）与语义信源编码

作者：Ke Yang; Sixian Wang; Jincheng Dai; Kailin Tan; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明，以往的研究建立在卷积神经网络（CNN）之上，而卷积神经网络在捕捉全局依赖关系方面效率低下，导致端到端传输性能下降，尤其是高分辨率图像。 PDF p.1
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.2 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏后面介绍的论文专用机制：具体来说，我们提出了一个空间调制模块，根据信道状态信息对潜在表示进行扩展，从而增强单一模型处理各种信道条件的能力。 PDF p.1 PDF p.2 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，本文提出了WITT：语义通信中的无线图像传输变换器。其具体设计总结如下：具体来说，我们提出一个空间调制模块，根据信道状态信息对潜在表示进行尺度化，增强单一模型处理各种信道条件的能力。 PDF p.1
6. 方案为什么有可能起作用：其因果联系在于，具体来说，我们提出了一个空间调制模块，根据信道状态信息对潜在表示进行尺度化，从而增强单一模型处理各种信道条件的能力。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：MS-SSIM性能与AWGN信道的信噪比，平均CBR设为1/16。方案中，我们能在所有信噪比上实现更好的性能。 PDF p.4

系统怎么工作

该系统是图像传输或生成的端到端通信链路。具体来说，我们提出了一个空间调制模块，根据信道状态信息对潜在表示进行尺度化，增强单一模型处理各种信道条件的能力。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.3

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.3

实验设置与主要结论

实验中使用柯达、CLIC、DIV2K;与DeepJSCC、BPG、JPEG2000、JPEG、LDPC、WITT、基于分离的软件比较;评估时效为PSNR、SSIM、MS-SSIM和延迟;并使用AWGN、Rayleigh、衰落信道、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.3

MS-SSIM性能与AWGN信道的信噪比（SNR）比较，平均CBR设置为1/16。方案中，我们能在所有信噪比上实现更好的性能。 PDF p.4

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Wireless Deep Speech Semantic Transmission

2023 · ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) · 联合信源信道编码（JSCC）与语义信源编码

作者：Zixuan Xiao; Shengshi Yao; Jincheng Dai; Sixian Wang; Kai Niu; Ping Zhang

团队归属：补充数据库轮次核验：指定负责人直接署名（Kai Niu, Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明深度联合信源信道编码表明压缩和信道鲁棒性可以同时学习，从而在有限的信道带宽下实现优雅的降级和强质量。 PDF p.1
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，并未共同保留语音/音频传输或识别目标所需的语义内容。 PDF p.1 PDF p.3
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少后面介绍的论文专用机制：具体来说，我们引入了非线性变换，将语音源映射到语义潜在空间，并将语义特征输入。 PDF p.1 PDF p.3
4. 为什么这个问题值得研究：这个问题很重要，因为即使波形失真仅有轻微变化，可理解性、识别准确性和丢包隐蔽也可能崩溃;一个有用的系统必须在低比特率和信道误差下保持语言内容。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，该论文发展了无线深度语音语义传输。其具体设计总结如下：论文发展了其标题所描述的方法：无线深度语音语义传输。 PDF p.1
6. 方案为什么有可能起作用：因果联系在于，具体来说，我们引入了非线性变换，将语音源映射到语义潜在空间，并将语义特征输入源-信道编码器输入，从而生成信道-输入序列。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告证据为：所提DSST方法在所有带宽消耗下优于传统AMR-WB + 5G LDPC和Opus + 5G LDPC PDF p.3 PDF p.4

系统怎么工作

该系统是语音/音频传输或识别的端到端通信链路。论文发展了其标题所描述的方法：无线深度语音语义传输。具体来说，我们引入了非线性变换，将语音源映射到语义潜在空间，并将语义特征输入源-信道编码器生成信道-输入序列。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1

它在通信系统的哪个位置

研究任务：语音/音频传输或识别

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.3

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建语音波形、文本转录或识别结果。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.3

实验设置与主要结论

实验使用TIMIT;与基于分离的LDPC、DeepSC比较;评估时有潜伏期;并使用AWGN、衰落信道、MIMO。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2 PDF p.3

所提DSST方法在所有带宽消耗下均优于传统的AMR-WB + 5G LDPC和Opus + 5G LDPC PDF p.3 PDF p.4

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

CSBA: Covert Semantic Backdoor Attack Against Intelligent Connected Vehicles

2024 · IEEE Transactions on Vehicular Technology · 通信安全与隐私

作者：Xiaodong Xu; Yue Chen; Bizhu Wang; Zhiqiang Bian; Shujun Han; Chen Dong; Chen Sun; Wenqi Zhang; Lexi Xu; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究领域已证明语义通信（SemCom）可以减少智能互联车辆（ICV）的数据流量，前提是可用的无线频谱有限。 PDF p.1 PDF p.2
2. 仍然存在的问题：即使合法接收者重建良好，语义表示仍可能泄露源内容或控;仅限可靠性的设计无法量化这一威胁。 PDF p.1
3. 为什么已有方法解决不了：早期以可靠性为导向的语义编码器优化了合法接收端，并未模拟窃听者、攻击者或好奇的服务器能从传输的表示中推断出的内容。因此，仅靠更好的重建无法消除语义泄露或操作风险。更具体地说，早期的流程缺乏后来引入的专门论文机制：因此，在将SemCom整合进ICV之前，调查这些安全风险至关重要。 PDF p.1
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文提出了CSBA：针对智能互联车辆的隐性语义后门攻击。其具体设计总结如下：论文开发了题目所述的方法：CSBA：针对智能互联车辆的隐性语义后门攻击。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，因此在将SemCom整合进ICV之前，调查这些安全风险至关重要。威胁或隐私变量现在进入了训练或优化，同时涉及合法-接收者质量。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：实验结果证实了所提CSBA方案在各种无线信道条件和攻击比率下的有效性和隐蔽性。 PDF p.3 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。论文发展了题目中描述的方法：CSBA：针对智能互联车辆的隐性语义后门攻击。因此，在将SemCom整合进ICV之前，调查这些安全风险至关重要。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：通信安全与隐私。把窃听、攻击或隐私泄露加入语义链路，联合考察合法接收性能与攻击者获得的信息。

给深度学习研究生的解释：latent 并不天然匿名；它可能仍可被反演或操控，因而要像评估对抗学习一样同时看合法端和攻击端。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2

实验设置与主要结论

实验使用城市景观;与论文中标明的参考系统进行比较;与PSNR评估;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2

实验结果证实了所提CSBA方案在各种无线信道条件和攻击比率下的有效性和隐蔽性。 PDF p.3 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值在于给出可靠性、保密性、语义泄露和资源开销之间的可测权衡。

局限：威胁模型和攻击者知识通常是预先限定的；对自适应攻击、域外数据和真实无线实现的安全结论仍不能直接外推。

Cross-Modal Generative Semantic Communications for Mobile AIGC: Joint Semantic Encoding and Prompt Engineering

2024 · IEEE Transactions on Mobile Computing · 联合信源信道编码（JSCC）与语义信源编码

作者：Yinqiu Liu; Hongyang Du; Dusit Niyato; Jiawen Kang; Zehui Xiong; Shiwen Mao; Ping Zhang; Xuemin Shen

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明，借助强大的模型，高质量的AIGC服务能够为资源有限的终端用户提供高质量的AIGC服务。 PDF p.2
2. 仍然存在的问题：即使接收端有强生成先验，重构链路仍传输大量源细节，而现有生成方案无法完全控制延迟、幻觉和信道条件保真度。 PDF p.1 PDF p.9
3. 为什么已有方法解决不了：传统的重建导向传输使用描述信息，强接收机可以综合这些信息。它也缺乏判断何种紧凑条件足够，以及如何将生成错误与延迟和保真度进行权衡的机制。更具体地说，早期流程缺少本文随后引入的论文特有机制：具体来说，我们利用跨模态注意力映射来表示用户提示与AIGC输出各部分之间的相关性。 PDF p.1 PDF p.9
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了移动AIGC的跨模态生成语义通信：联合语义编码与提示工程。其具体设计总结如下：特别地，我们提出了一种名为联合感知相似性与质量（JPSQ）的人知指标，融合了两种基于学习的语义相似度和美学质量测量。 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，我们具体地利用跨模态注意力图来表示用户提示与AIGC各部分输出之间的相关性。发射端发送紧凑状态，接收端提供可预测的细节，减少必须跨信道的信息量。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据为：因此，分类输出定义为 c（g） = [c1， c2， ... . . ， c10]，其中 ci 表示给定图像 g 获得 i 分的概率。 PDF p.6 PDF p.9 PDF p.10

系统怎么工作

该系统是图像传输或生成的端到端通信链路。特别地，我们提出了一种名为联合感知相似度与质量（JPSQ）的人知指标，融合了两种基于学习的语义相似度和美学质量测量。具体来说，我们利用跨模态注意力映射来表示用户提示与AIGC输出各部分之间的相关性。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：离散 token/文本提示；物理层通常由传统数字链路承载

发送方发送简洁的文本提示或令牌序列。这类分类为：离散 token/文本提示;物理层通常由传统数字链路承载。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.3 PDF p.10

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.3 PDF p.10

信道怎样作用，接收端实际拿到什么

信道处理类别：语义层产生离散条件，链路层可靠性多由外部数字系统承担

在拟议的传输路径中，信道的处理方式如下：语义层产生离散条件，链路层可靠性多由外部数字系统承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.4

接收端实际上是从收到的提示/标记开始，这些标记对预训练的生成模型进行了条件。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.4

实验设置与主要结论

实验使用COCO;与VTM， BERT比较;评估准确性、语义相似度、延迟、mIoU、CLIP;然后用雷利。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.4

因此，分类输出定义为c（g） = [c1， c2， ... . . ， c10]，其中ci表示给定图像g获得i分的概率。 PDF p.6 PDF p.9 PDF p.10

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：生成先验可节省传输，但幻觉、域偏移、共享模型成本、推理时延和语义忠实度仍是核心风险。

Feature Importance-Aware Task-Oriented Semantic Transmission and Optimization

2024 · IEEE Transactions on Cognitive Communications and Networking · 任务导向联合信源信道设计

作者：Yining Wang; Shujun Han; Xiaodong Xu; Haotai Liang; Rui Meng; Chen Dong; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关工作方向已确立，任务导向语义通信系统结合语义层信息和效能层面性能，设计用于不同数据类型的各种任务。 PDF p.1 PDF p.2 PDF p.3
2. 仍然存在的问题：传统通信系统设计忽视传输数据的意义和有效性[4]，其对通信可靠性的关注仅衡量网络性能，忽视了智能任务的评估。 PDF p.1 PDF p.8
3. 为什么已有方法解决不了：当接收者只需做出决定时，重建每一个来源细节是个不必要的强硬目标。经过像素或波形真实度训练的编解码器可能会丢弃一个小的任务关键特征，同时保留视觉上合理但无关的内容。更具体地说，已有链路缺乏本文随后引入的论文专用机制：通过联合优化信道分配和特征选择向量，构建了一个重要性感知语义资源分配问题，以最大化所有用户的总TOSSE值。 PDF p.1 PDF p.8
4. 为什么这个问题值得研究：这个问题很重要，因为边缘设备往往需要及时做出决策，而不是忠实的复制品。仅发送任务足够的信息可以减少无线资源占用和延迟，但前提是关键证据能通过信道保存。 PDF p.1 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，论文提出了功能重要性感知任务语义传递与优化。其具体设计总结如下：本文提出了一个重要性感知的联合信源信道编码（I-JSCC）框架，用于任务导向语义通信。 PDF p.1 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：因果联系在于，通过联合优化信道分配和特征选择向量，构建了一个重要性感知语义资源分配问题，以最大化所有用户的总TOSSE值。与任务相关的证据直接控制瓶颈和损失，因此无线电资源在无关源细节上花费不均。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：CIFAR100数据集上的实验结果展示了K-PPO算法的有效性，同时也强调了重要性感知语义通信系统在TOSSE中的优越性。 PDF p.6 PDF p.7

系统怎么工作

该系统是任务导向推理的端到端通信链路。本文提出了一种重要性感知的联合信源信道编码（I-JSCC）框架，用于任务导向语义通信。通过联合优化信道分配和特征选择向量，构建了一个重要性感知语义资源分配问题，以最大化所有用户的总TOSSE值。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：任务导向推理

所属环节：任务导向联合信源信道设计。只传下游任务所需信息，并把信道扰动纳入任务性能优化。

给深度学习研究生的解释：类似 split inference，但中间特征必须经过带宽受限且有噪声的无线信道，任务准确率是最终目标。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.5 PDF p.10

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.5 PDF p.10

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.5 PDF p.12

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建的是任务决策，而不一定是原始来源。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.5 PDF p.12

实验设置与主要结论

实验中使用VQA;与DeepSC比较;评估准确性、延迟、吞吐量、CLIP;并使用AWGN、Rayleigh、衰落信道、OFDM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.5 PDF p.12

CIFAR100数据集上的实验结果展示了K-PPO算法的有效性，同时也强调了重要性感知语义通信系统在TOSSE中的优越性。 PDF p.6 PDF p.7

通信审稿价值与 Codex 判断

价值在于用更少信道使用完成相同任务，并降低端到端时延和设备能耗。

局限：收益与任务和数据集绑定；对未知任务、分布偏移、置信度校准以及稀有关键样本的失败仍需更强证据。

Federated Contrastive Learning for Personalized Semantic Communication

2024 · IEEE Communications Letters · 联合信源信道编码（JSCC）与语义信源编码

作者：Yining Wang; Wanli Ni; Wenqiang Yi; Xiaodong Xu; Ping Zhang; Arumugam Nallanathan

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关工作领域已确认 Our FedCL 支持多个客户端的本地语义编码器协作训练，并支持基站拥有的全局语义解码器。 PDF p.1
2. 仍然存在的问题：其中很少涉及基于DNN的语义模型训练方法，而任务导向SemCom的有效性很大程度上依赖于每个收发器部署的语义模型，这需要随着信道环境和数据集的变化持续更新[1]。 PDF p.1 PDF p.2 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏本文随后引入的论文特有机制：我们的FedCL支持多个客户端协作训练本地语义编码器，并支持基站拥有的全局语义解码器。 PDF p.1 PDF p.2 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，本文发展了针对个性化语义通信的联邦对比学习。其具体设计总结如下：在论文中，我们设计了一个联邦对比学习（FedCL）框架，旨在支持个性化语义通信。 PDF p.1
6. 方案为什么有可能起作用：其因果联系在于，Our FedCL支持多个客户端协作训练本地语义编码器，以及基站拥有的全局语义解码器。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：模拟结果表明，FedCL在任务表现上超越了基准方法，尤其是在低信噪比（SNR）和显著数据异质性的场景中。 PDF p.2 PDF p.3 PDF p.4

系统怎么工作

该系统是图像传输或生成的端到端通信链路。在论文中，我们设计了一个联邦对比学习（FedCL）框架，旨在支持个性化语义通信。我们的FedCL支持多个客户端协作训练本地语义编码器，并支持基站拥有的全局语义解码器。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.5

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.5

实验设置与主要结论

实验采用CIFAR-10;与论文中标明的参考系统进行比较;准确评估，延迟;并使用OFDM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.5

模拟结果表明，FedCL在任务性能上超越基准方法，尤其是在信噪比（SNR）低且数据异质性显著的场景中。 PDF p.2 PDF p.3 PDF p.4

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Fuse Before Transmit: A Multimodal Semantic Communication Method

2024 · 2024 IEEE Globecom Workshops (GC Wkshps) · 联合信源信道编码（JSCC）与语义信源编码

作者：Leiyu Wang; Xiaodong Xu; Hao Chen; Yaping Sun; Nan Ma; Ping Zhang

团队归属：补充数据库轮次核验：指定负责人直接署名（Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明深度联合信源信道编码表明压缩和信道鲁棒性可以同时学习，从而在有限的信道带宽下实现优雅的降级和强质量。 PDF p.1 PDF p.2
2. 仍然存在的问题：在信道条件不佳时，单模态语义数据容易受到影响，导致接收端的语义失真。 PDF p.1 PDF p.2 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少本文随后引入的论文特有机制：在发射端，MMSC由图像编码器、文本编码器和多模态语义特征融合单元组成。 PDF p.1 PDF p.2 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了《融合前传输：一种多模语义通信方法》。其具体设计总结如下：论文发展了标题所述的方法：融合前传输：多模态语义通信方法。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，在发射端，MMSC由图像编码器、文本编码器和多模语义特征融合单元组成。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：为了实现这两种模态语义特征的融合，本研究设计了一个包含多个模块的语义融合单元结构。 PDF p.3 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。论文发展了题为《融合前传输：多模态语义通信方法》所描述的方法。在发射端，MMSC由图像编码器、文本编码器和多模语义特征融合单元组成。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.4 PDF p.5

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.4 PDF p.5

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.4

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.4

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepJSCC、DeepSC、WITT对比;评估PSNR、蓝图（BLEU）准确性;并使用AWGN。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.4

为了实现这两种模态语义特征的融合，本研究设计了一个包含多个块的语义融合单元结构。 PDF p.3 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Importance of Semantic Information Based on Semantic Value

2024 · IEEE Transactions on Communications · 语义信息理论与性能度量

作者：Shang Gao; Xiaoqi Qin; Li Chen; Yunfei Chen; Kaifeng Han; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究领域已经证明语义通信在减少网络流量和缓解频谱短缺方面具有巨大潜力。 PDF p.1 PDF p.2
2. 仍然存在的问题：现有语义系统使用任务特定的准确性或重建分数，但缺乏比较不同系统语义信息效率所需的共同数量或界限。 PDF p.1 PDF p.11
3. 为什么已有方法解决不了：早期系统可以报告任务准确性或重建质量，但如果没有提出的数量或界限，它们无法在通用的信息论基础上比较语义效率。缺失对象是一个定义和优化标准，而不是另一个神经网络块。更具体地说，已有链路缺少本文随后引入的论文专用机制：对于语音传输，翁和秦设计了一个基于注意力机制的深度语义通信系统，利用2023年11月2日收到的手稿;修订日期为2024年1月18日和2024年3月7日;2024年4月3日被录取。 PDF p.1 PDF p.11
4. 为什么这个问题值得研究：这个问题很重要，因为一个领域无法在没有明确语义目标的情况下比较系统或证明极限。一个有根据的指标将真实的沟通收益与数据集、模型或任务评分的变化区分开来。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文发展了基于语义价值的语义信息重要性。其具体设计总结如下：本文提出语义价值，即衡量语义信息重要性的指标，用于文本传输。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，翁和秦在语音传递方面，利用2023年11月2日收到的手稿，基于注意力机制设计了一套深度语义通信系统;修订日期为2024年1月18日和2024年3月7日;2024年4月3日被录取。所提定义使语义目标显式，因此可测量或优化。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。据报道的证据是：如果发射端完全了解信道和解码器的信息，它可以传输M个∗语义三元组，以实现根据（29a）的最小延迟TSEM。 PDF p.11

系统怎么工作

该系统是语义信息度量与理论的端到端通信链路。本文提出语义价值，一种衡量语义信息重要性的指标，用于文本传输。在语音传输方面，翁和秦通过2023年11月2日收到的手稿设计了基于注意力机制的深度语义通信系统;修订日期为2024年1月18日和2024年3月7日;2024年4月3日被录取。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：语义信息度量与理论

所属环节：语义信息理论与性能度量。定义语义信息、失真、价值或可达边界，为系统比较和优化提供共同坐标。

给深度学习研究生的解释：可以把它理解为给新的学习任务定义 loss 和 generalization bound；重点是定义是否可计算、是否与通信资源挂钩。

实际发送了什么，以及占多少通信资源

表示与数字化判断：上层理论工作：不单独定义可发送语义格式

发送方发送由信息论模型定义的随机变量或语义消息。这类分类为：上层理论工作：不单独定义可发送语义格式。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.8

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.8

信道怎样作用，接收端实际拿到什么

信道处理类别：抽象信源—信道—语义失真模型；不对应一条具体神经收发链路

在拟议的传输路径中，信道处理方式如下：抽象信源—信道—语义失真模型;不对应一条具体神经收发链路。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.3 PDF p.6

接收者实际上是从定理中的抽象语义解码器或决策规则出发的。然后它重建了界限、度量或优化原则。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.3 PDF p.6

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepSC比较;以潜伏期（BER）评估;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.3 PDF p.6

如果发射方完全了解信道和解码器的信息，它可以发送M∗语义三元组，以实现根据（29a）的最小延迟 TSEM。 PDF p.11

通信审稿价值与 Codex 判断

审稿价值来自可比较、可优化或可证明的语义通信指标，而不是单个数据集上的网络增益。

局限：该定义是否能在真实高维信源上计算、能否跨任务预测系统收益仍需验证；形式化指标本身不等于可部署的无线增益。

Information conductivity: Universal performance measure for semantic communications

2024 · China Communications · 语义信息理论与性能度量

作者：Liang Zijian; Niu Kai; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究领域已确立，语义通信作为一种新范式，为突破经典通信系统未来发展困境提供了有效解决方案。 PDF p.1 PDF p.2 PDF p.4
2. 仍然存在的问题：如何衡量给定语义通信方法的信息传输能力，并与经典通信方法进行比较，仍是一个未解的问题。 PDF p.1 PDF p.4
3. 为什么已有方法解决不了：早期系统可以报告任务准确性或重建质量，但如果没有提出的数量或界限，它们无法在通用的信息论基础上比较语义效率。缺失对象是一个定义和优化标准，而不是另一个神经网络块。更具体地说，已有链路缺乏后来引入的论文专用机制：通过共同考虑信道语义，语义编码器还采用了合适的编码方法，使提取的语义特征能够抵抗信道中的干扰和噪声。 PDF p.1 PDF p.4
4. 为什么这个问题值得研究：这个问题很重要，因为一个领域无法在没有明确语义目标的情况下比较系统或证明极限。一个有根据的指标将真实的沟通收益与数据集、模型或任务评分的变化区分开来。 PDF p.1 PDF p.2 PDF p.4
5. 本文怎样顺着问题提出方案：因此，论文发展了《信息传导性：语义通信的通用性能衡量》。其具体设计总结如下：为解决语义通信方法中信息传输能力度量的未解决问题，我们提出了一种新的通用性能指标，称为信息传导性。 PDF p.1 PDF p.2 PDF p.4
6. 方案为什么有可能起作用：其因果联系在于，通过共同考虑信道语义，语义编码器也采用了合适的编码方法，使提取的语义特征能够抵抗信道中的干扰和噪声。所提定义使语义目标显式，因此可测量或优化。 PDF p.1 PDF p.2 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：图像传输场景中的实验结果验证了其实际应用性。 PDF p.7

系统怎么工作

该系统是语义信息度量与理论的端到端通信链路。为解决语义通信方法中信息传输能力度量的未解问题，我们提出了一种新的通用性能指标，称为信息传导性。通过共同考虑信道语义，语义编码器还采用了合适的编码方法，使提取的语义特征能够抵抗信道中的干扰和噪声。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.4

它在通信系统的哪个位置

研究任务：语义信息度量与理论

所属环节：语义信息理论与性能度量。定义语义信息、失真、价值或可达边界，为系统比较和优化提供共同坐标。

给深度学习研究生的解释：可以把它理解为给新的学习任务定义 loss 和 generalization bound；重点是定义是否可计算、是否与通信资源挂钩。

实际发送了什么，以及占多少通信资源

表示与数字化判断：上层理论工作：不单独定义可发送语义格式

发送方发送由信息论模型定义的随机变量或语义消息。这类分类为：上层理论工作：不单独定义可发送语义格式。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.5 PDF p.7 PDF p.9

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.5 PDF p.7 PDF p.9

信道怎样作用，接收端实际拿到什么

信道处理类别：抽象信源—信道—语义失真模型；不对应一条具体神经收发链路

在拟议的传输路径中，信道处理方式如下：抽象信源—信道—语义失真模型;不对应一条具体神经收发链路。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.4 PDF p.6 PDF p.8

接收者实际上是从定理中的抽象语义解码器或决策规则出发的。然后它重建了界限、度量或优化原则。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.4 PDF p.6 PDF p.8

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepJSCC、BPG、LDPC、DeepSC、NTSCC进行比较;使用PSNR、SSIM、MS-SSIM、BLEU、CER、精度、BER、mIoU进行评估;并使用AWGN。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.4 PDF p.6 PDF p.8

图像传输场景中的实验结果验证了其实际应用性。 PDF p.7

通信审稿价值与 Codex 判断

审稿价值来自可比较、可优化或可证明的语义通信指标，而不是单个数据集上的网络增益。

局限：该定义是否能在真实高维信源上计算、能否跨任务预测系统收益仍需验证；形式化指标本身不等于可部署的无线增益。

Interference Suppressed NOMA for Semantic-Aware Communication Networks

2024 · IEEE Transactions on Wireless Communications · 多用户接入、广播或中继

作者：Yimeng Zhang; Ruikang Zhong; Yuanwei Liu; Wenjun Xu; Ping Zhang

团队归属：补充数据库轮次核验：指定负责人直接署名（Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究领域已证明点对点语义通信已表明，学习后的表示可以在保留重建或任务表现的同时减少信道使用。 PDF p.1 PDF p.2
2. 仍然存在的问题：大多数语义编解码器设计为点对点链路，不利用跨用户语义关联，也不共同处理异构信道、干扰和用户公平性。 PDF p.1 PDF p.10
3. 为什么已有方法解决不了：为每个用户独立运行点对点语义编解码器，会忽略共享内容、异构信道、干扰和公平性。因此，一旦用户共享同一媒介，单用户最优方案不必是可行或频谱高效的。更具体地说，已有链路缺少了本文随后引入的论文特有机制：为了降低解码复杂度，编码语义特征被量化为离散符号，这需要特殊设计离散符号的解码器。 PDF p.1 PDF p.10
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了针对语义感知通信网络的干扰抑制NOMA理论。其具体设计总结如下：论文开发了题目所述的方法：《语义感知通信网络的干扰抑制NOMA》。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，为了降低解码复杂度，编码的语义特征被量化为离散符号，因此需要专门设计离散符号方向的解码器。跨用户相关性和异构链接现在形成了联合传输的表示，而非重复的独立消息。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据如下：为实现（7），首先通过计算特征间欧几里得距离来评估SeD。 PDF p.6 PDF p.7

系统怎么工作

该系统是图像传输或生成的端到端通信链路。论文发展了题目所述的方法：语义感知通信网络的干扰抑制NOMA。为了降低解码复杂度，编码语义特征被量化为离散符号，这需要特殊的离散符号解码器设计。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：多用户接入、广播或中继。研究多个用户共享频谱、干扰或中继时，语义相关性和异构信道如何改变发送策略。

给深度学习研究生的解释：不能把它看成简单扩大 batch size；每个接收端看到的信道和所需语义都不同，发送信号还会相互干扰。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.3 PDF p.4 PDF p.5

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.3 PDF p.4 PDF p.5

实验设置与主要结论

实验使用城市景观;与DeepJSCC比较;用PSNR、SSIM、MS-SSIM、精度、BER评估;并使用AWGN、Rician、OFDM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.3 PDF p.4 PDF p.5

为实现（7），首先通过计算特征间欧几里得距离来计算SeD。 PDF p.6 PDF p.7

通信审稿价值与 Codex 判断

价值在于提升频谱复用、覆盖或公平性，并证明优于逐用户运行点到点模型。

局限：证据多来自固定用户数与信道模型的仿真；扩展性、反馈开销、同步和与真实调度器的集成仍未充分回答。

Knowledge Base Enabled Semantic Communication: A Generative Perspective

2024 · IEEE Wireless Communications · 联合信源信道编码（JSCC）与语义信源编码

作者：Jinke Ren; Zezhong Zhang; Jie Xu; Guanying Chen; Yaping Sun; Ping Zhang; Shuguang Cui

团队归属：补充数据库轮次核验：指定负责人直接署名（Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明预训练生成模型能够从紧凑的语义条件重建合理的来源细节，表明可预测内容不必全部通过无线电链路传输。 PDF p.1 PDF p.3 PDF p.4
2. 仍然存在的问题：即使接收端有强生成先验，重构链路仍传输大量源细节，而现有生成方案无法完全控制延迟、幻觉和信道条件保真度。 PDF p.1 PDF p.2 PDF p.7
3. 为什么已有方法解决不了：传统的重建导向传输使用描述信息，强接收机可以综合这些信息。它也缺乏判断何种紧凑条件足够，以及如何将生成错误与延迟和保真度进行权衡的机制。更具体地说，已有链路缺乏本文随后引入的论文特有机制：一些开创性工作正在转变，涵盖高级“助推器”，如知识图谱（KG）[6]-[8]和特征码本[9]-[11]，它们提供了先验的侧面信息以促进语义编码。 PDF p.1 PDF p.2 PDF p.7
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.3 PDF p.4
5. 本文怎样顺着问题提出方案：因此，本文发展了《知识库赋能语义通信：生成视角》。其具体设计总结如下：论文发展了标题所述的方法：知识库赋能语义通信：生成视角。 PDF p.1 PDF p.3 PDF p.4
6. 方案为什么有可能起作用：因果关系在于，一些开创性工作正在转变，涵盖高级“助推器”，如知识图谱（KG）[6]-[8]和特征码本[9]-[11]，这些提供了先验的附加信息以促进语义编码。发射端发送紧凑状态，接收端提供可预测的细节，减少必须跨信道的信息量。 PDF p.1 PDF p.3 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：特别是一项最新研究[14]得出令人惊讶的结果，即16,384个向量很可能实现高分辨率图像合成，这暗示了将嵌入向量作为语义金属化理论的可能性。 PDF p.5 PDF p.7

系统怎么工作

该系统是图像传输或生成的端到端通信链路。该论文发展了题目中所述的方法：知识库赋能语义通信：生成视角。一些开创性工作正在转变，涵盖高级“助力器”，如知识图谱（KG）[6]-[8]和特征码本[9]-[11]，它们提供先验的附加信息以促进语义编码。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.3 PDF p.4

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.7

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.7

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与JPEG、LDPC比较;用PSNR评估准确性、语义相似度、延迟;并使用实验中所述的信道模型。一个典型的报告工作条件是：整体架构在3中训练。在实际操作中，无线信道的原理（如信道衰落和频率偏移）可以通过标准信道均衡技术来解决。0 3 6 9 12 15 18 21 24 SNR （dB） 5 10 15 20 25 30 35 PSNR （dB） JPEG+1/2 速率 LDPC+16QAM 深度 JSCC 生成方案 间隙 JPEG+1/2 速率 LDPC+16QAM 深度 JSCC 生成方案 SNR = 12dB 图4。 PDF p.7

特别是，一项最新研究[14]得出了令人惊讶的结果，即16,384个向量有望实现高分辨率图像合成，这暗示了将嵌入向量作为语义金属化工具的可能性。 PDF p.5 PDF p.7

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：生成先验可节省传输，但幻觉、域偏移、共享模型成本、推理时延和语义忠实度仍是核心风险。

MDVSC—Efficient Wireless Model Division Video Semantic Communication

2024 · IEEE Internet of Things Journal · 联合信源信道编码（JSCC）与语义信源编码

作者：Zhicheng Bao; Haotai Liang; Chen Dong; Cong Li; Xiaodong Xu; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究领域已证明：本文提出了一种通过噪声无线信道高效且可控传输视频数据的新方法。 PDF p.1 PDF p.2
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留视频传输或生成目标所需的语义内容。 PDF p.1 PDF p.2 PDF p.5
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，早期的流程缺少后来引入的论文特有机制：它由共同特征向量W ′ gc和单个特征向量W ′ gi组成，均授权许可使用范围：彭诚实验室。 PDF p.1 PDF p.2 PDF p.5
4. 为什么这个问题值得研究：这个问题很重要，因为视频会持续消耗带宽，并且有严格的延迟预算;错误也可能跨帧传播，因此时间一致性和质量优雅下降是通信层面的关注点。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文发展了MDVSC——高效无线模型分割视频语义通信。其具体设计总结如下：论文发展了题目所述的方法：MDVSC——高效无线模型分割视频语义通信。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果关系在于，它由共同特征向量W ′ gc和单个特征向量W ′ gi组成，这两者均为授权许可使用范围：彭城实验室。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：结果显示MDVSC在质量指标上普遍超越传统方法，具备精确控制代码长度的能力。 PDF p.6 PDF p.7 PDF p.8

系统怎么工作

该系统是视频传输或生成的端到端通信链路。论文发展了题目所述的方法：MDVSC——高效无线模型分割视频语义通信。它由共同特征向量W ′ gc和单个特征向量W ′ gi组成，均为授权许可使用范围：彭成实验室。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：视频传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.3

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建或生成的视频。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.3

实验设置与主要结论

实验使用城市景观;与DeepJSCC、LDPC、Turbo、H.264、H.265比较;用PSNR、SSIM、MS-SSIM、准确度、CLIP来评估;并使用AWGN、衰落信道、OFDM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2 PDF p.3

结果显示，MDVSC在质量指标方面通常优于传统方法，具备精确控制代码长度的能力。 PDF p.6 PDF p.7 PDF p.8

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

MOC-RVQ: Multilevel Codebook-Assisted Digital Generative Semantic Communication

2024 · · 数字语义编码与学习接收机

作者：Yingbin Zhou; Yaping Sun; Guanying Chen; Xiaodong Xu; Hao Chen; Binhong Huang; Shuguang Cui; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明基于矢量化的图像语义通信系统成功提升了传输效率，但面临码本设计与数字星座调制之间需求冲突的挑战。 PDF p.1 PDF p.2 PDF p.3
2. 仍然存在的问题：基于矢量量化的图像语义通信系统成功提升了传输效率，但也面临码本设计与数字星座调制之间相互矛盾的需求挑战。 PDF p.1 PDF p.6
3. 为什么已有方法解决不了：连续潜在链路或单独设计的常规链路并未规定语义信息如何量化、映射为有限符号，以及在位或索引错误时如何保护。仅仅通过改进源自编码器，无法弥合这一接口空白。更具体地说，已有链路缺少本文随后引入的论文特有机制：第一阶段，我们训练高质量码本，使用多头八分音码本（MOC）压缩索引范围。 PDF p.1 PDF p.6
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，本文开发了MOC-RVQ：多层次代码本辅助数字生成语义通信。其具体设计总结如下：为解决这个问题，我们提出了一个多层次生成语义通信系统，采用两阶段训练框架。 PDF p.1 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：因果关系在于：在第一阶段，我们训练高质量的码本，使用多元八元码本（MOC）压缩索引范围。学习的潜在部分被强制通过所描述的离散或混合接口，因此接收端设计时是为它实际将观察到的表征而设计的。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。据报道的证据是：此外，MOC-RVQ在仅需六分之一的信道带宽比（CBR）的情况下实现与模拟JSCC方案相当的性能，并且直接兼容数字传输系统。 PDF p.3 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。为此，我们提出了一个多层次生成语义通信系统，采用两阶段训练框架。第一阶段，我们训练高质量码本，使用多头八元码本（MOC）压缩索引范围。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：数字语义编码与学习接收机。在语义编码器和无线物理层之间加入量化、码本、bitstream 或学习式数字接收机。

给深度学习研究生的解释：相当于把 autoencoder 的 latent 真正变成可发送的离散对象；必须追踪 index/bit 错误怎样影响重建。

实际发送了什么，以及占多少通信资源

表示与数字化判断：显式数字语义表示：bit、离散 token 或码本 index

发送端发送量化比特、离散令牌或码本 index，而非无约束的连续潜在信号。这被归类为：显式数字语义表示：bit、离散 token 或码本 index。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.5

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.5

信道怎样作用，接收端实际拿到什么

信道处理类别：离散变量经数字链路传输；需检查残余 bit/index error

在拟议的传输路径中，信道处理方式如下：离散变量经数字链路传输;需检查残余位/索引误差。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2

接收端实际上是从解码后的比特/索引或其噪声/软估计开始，随后进行语义量化和重建。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2

实验设置与主要结论

实验使用DIV2K;与BPG、JPEG、LDPC 比较;评估使用PSNR、SSIM、LPIPS评估;并使用AWGN、QAM。一个代表性的报告工作条件为：CBR的定义如下：CBR = B H ×W × 3，（11），其中B表示传输的复符号数，H和W分别表示输入RGB图像的宽度和高度。 PDF p.1 PDF p.2

此外，MOC-RVQ的性能可与模拟JSCC方案相当，且仅需六分之一的信道带宽比（CBR），并直接兼容数字传输系统。 PDF p.3 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值在于把连续神经仿真推进到数字协议接口，并检验有限星座、误码和接收复杂度。

局限：虽已有数字接口，残余 bit/index 错误、有限码长开销、同步以及完整 PHY 兼容性仍需进一步验证。

Orthogonal Model Division Multiple Access

2024 · IEEE Transactions on Wireless Communications · 多用户接入、广播或中继

作者：Haotai Liang; Kaijun Liu; Xiaoyi Liu; Hongchao Jiang; Chen Dong; Xiaodong Xu; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究领域已经确立了多重接入技术是每个通信时代的关键技术。 PDF p.1 PDF p.2
2. 仍然存在的问题：大多数语义编解码器设计为点对点链路，不利用跨用户语义关联，也不共同处理异构信道、干扰和用户公平性。 PDF p.1 PDF p.2 PDF p.14
3. 为什么已有方法解决不了：为每个用户独立运行点对点语义编解码器，会忽略共享内容、异构信道、干扰和公平性。因此，一旦用户共享同一媒介，单用户最优方案不必是可行或频谱高效的。更具体地说，已有链路缺少本文随后引入的论文特有机制：源信号 {x1， . . .xk} 被转化为语义信号 {s1， . . .sk} 由相应的语义编码器 {fe（·; θ1）， . . .fe（·; θk）}， {s1， . . .sk} = {Fe（s1; θ1）， . . . ， fe（sk; θk）}。（1） 类似于[9]中提出的语义通信系统范式，为O-MDMA设计的系统仍然依赖于基于Shannon的物理层bitstream。 PDF p.1 PDF p.2 PDF p.14
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文提出了正交模型分割多址分析。其具体设计总结如下：基于不同语义模型无法理解其他模型生成的语义信息的特性，我们提出了语义正交信号的概念。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系是源信号 {x1， . . .xk} 被转化为语义信号 {s1， . . .sk} 由相应的语义编码器 {fe（·; θ1）， . . .fe（·; θk）}， {s1， . . .sk} = {Fe（s1; θ1）， . . . ， fe（sk; θk）}。（1） 类似于[9]中提出的语义通信系统范式，为O-MDMA设计的系统仍然依赖于基于Shannon的物理层bitstream。跨用户相关性和异构链接现在形成了联合传输的表示，而非重复的独立消息。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。据报道的证据是：O-MDMA可以与NOMA集成，实验结果显示结合技术可以节省更多带宽。 PDF p.6 PDF p.7 PDF p.8

系统怎么工作

该系统是图像传输或生成的端到端通信链路。基于不同语义模型无法理解其他模型生成的语义信息的特性，我们提出了语义正交信号的概念。源信号 {x1， . .xk} 被转化为语义信号 {s1， . . .sk} 由相应的语义编码器 {fe（·; θ1）， . . .fe（·; θk）}， {s1， . . .sk} = {Fe（s1; θ1）， . . . ， fe（sk; θk）}。（1） 类似于[9]中提出的语义通信系统范式，为O-MDMA设计的系统仍然依赖于基于Shannon的物理层bitstream。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：多用户接入、广播或中继。研究多个用户共享频谱、干扰或中继时，语义相关性和异构信道如何改变发送策略。

给深度学习研究生的解释：不能把它看成简单扩大 batch size；每个接收端看到的信道和所需语义都不同，发送信号还会相互干扰。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.3 PDF p.6

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.3 PDF p.6

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.6 PDF p.8

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.6 PDF p.8

实验设置与主要结论

实验中使用Europarl、MNIST;与DeepJSCC、JPEG2000、DeepSC、SwinJSCC、NTSCC比较;用PSNR、SSIM、MS-SSIM、BLEU评估;并使用AWGN，MIMO。一个具有代表性的报告工作条件为：在算法1中，如果语义编码器的输出维数是固定的，则确定信道带宽比（CBR）[30]，CBR = dim（s） dim（x）。（22）在最后一节中，我们通过实验证明语义正交信号和高斯噪声对用户有类似的干扰效应。 PDF p.2 PDF p.6 PDF p.8

O-MDMA可以与NOMA集成，实验结果显示结合技术能节省更多带宽。 PDF p.6 PDF p.7 PDF p.8

通信审稿价值与 Codex 判断

价值在于提升频谱复用、覆盖或公平性，并证明优于逐用户运行点到点模型。

局限：证据多来自固定用户数与信道模型的仿真；扩展性、反馈开销、同步和与真实调度器的集成仍未充分回答。

Rate-Distortion-Perception Controllable Joint Source-Channel Coding for High-Fidelity Generative Semantic Communications

2024 · IEEE Transactions on Cognitive Communications and Networking · 语义信息理论与性能度量

作者：Kailin Tan; Jincheng Dai; Zhenyu Liu; Sixian Wang; Xiaoqi Qin; Wenjun Xu; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文发表之前，相关研究领域已证明端到端图像传输已成为智能无线通信中的关键趋势，主要由对高带宽效率需求的增长推动。 PDF p.1
2. 仍然存在的问题：现有语义系统使用任务特定的准确性或重建分数，但缺乏比较不同系统语义信息效率所需的共同数量或界限。 PDF p.1 PDF p.6 PDF p.10
3. 为什么已有方法解决不了：早期系统可以报告任务准确性或重建质量，但如果没有提出的数量或界限，它们无法在通用的信息论基础上比较语义效率。缺失对象是一个定义和优化标准，而不是另一个神经网络块。更具体地说，已有链路缺乏本文后面介绍的专属机制：本文提出了一种新型速率-失真-感知（RDP）联合优化的联合信源信道编码（JSCC）框架，以提升人类通信中的感知质量。 PDF p.1 PDF p.6 PDF p.10
4. 为什么这个问题值得研究：这个问题很重要，因为一个领域无法在没有明确语义目标的情况下比较系统或证明极限。一个有根据的指标将真实的沟通收益与数据集、模型或任务评分的变化区分开来。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，论文开发了用于高保真生成语义通信的速率-失真-感知可控联合信源信道编码。其具体设计总结如下：本文提出一种新型速率-失真-感知（RDP）联合优化的联合信源信道编码（JSCC）框架，以提升人类通信中的感知质量。 PDF p.1
6. 方案为什么有可能起作用：其因果联系在于，本文提出了一种新型速率-失真-感知（RDP）联合优化的联合信源信道编码（JSCC）框架，用于提升人类通信中的感知质量。所提定义使语义目标显式，因此可测量或优化。 PDF p.1 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：这代表了对整个图像的全局控制，PDJSCC [23] 只能通过训练多个具有不同β和多传输的模型来实现。• 空间控制模式：将空间β非均匀设置，可自定义每个图像区域的细节量。 PDF p.5 PDF p.6 PDF p.8

系统怎么工作

该系统是语义信息度量与理论的端到端通信链路。本文提出了一种新型速率-失真-感知（RDP）联合优化的联合信源信道编码（JSCC）框架，以提升人类通信中的感知质量。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.3

它在通信系统的哪个位置

研究任务：语义信息度量与理论

所属环节：语义信息理论与性能度量。定义语义信息、失真、价值或可达边界，为系统比较和优化提供共同坐标。

给深度学习研究生的解释：可以把它理解为给新的学习任务定义 loss 和 generalization bound；重点是定义是否可计算、是否与通信资源挂钩。

实际发送了什么，以及占多少通信资源

表示与数字化判断：上层理论工作：不单独定义可发送语义格式

发送方发送由信息论模型定义的随机变量或语义消息。这类分类为：上层理论工作：不单独定义可发送语义格式。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.3 PDF p.7 PDF p.9

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.3 PDF p.7 PDF p.9

信道怎样作用，接收端实际拿到什么

信道处理类别：抽象信源—信道—语义失真模型；不对应一条具体神经收发链路

在拟议的传输路径中，信道处理方式如下：抽象信源—信道—语义失真模型;不对应一条具体神经收发链路。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.3 PDF p.8

接收者实际上是从定理中的抽象语义解码器或决策规则出发的。然后它重建了界限、度量或优化原则。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.3 PDF p.8

实验设置与主要结论

实验中使用柯达、CLIC、Cityscapes;与DeepJSSCC、BPG、JPEG、LDPC、VTM、WITT、SwinJSCC、NTSCC比较;评估标准为PSNR、LPIPS、FID、BER、mIoU;并使用AWGN、Rayleigh、衰落信道、MIMO。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.3 PDF p.8

这代表了对整个图像的全局控制，而PDJSCC [23]只能通过训练多个不同β和多次传输的模型来实现。• 空间控制模式：将空间β非均匀设置，可自定义每个图像区域的细节量。 PDF p.5 PDF p.6 PDF p.8

通信审稿价值与 Codex 判断

审稿价值来自可比较、可优化或可证明的语义通信指标，而不是单个数据集上的网络增益。

局限：该定义是否能在真实高维信源上计算、能否跨任务预测系统收益仍需验证；形式化指标本身不等于可部署的无线增益。

Semantic Communications for Multi-View Generation

2024 · IEEE Communications Letters · 任务导向联合信源信道设计

作者：Hao Wei; Wanli Ni; Wenjun Xu; Wenchao Jiang; Dusit Niyato; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究领域已证明语义通信在高效完成智能任务方面具有巨大潜力。 PDF p.1 PDF p.2
2. 仍然存在的问题：现有系统通常以确定性的方式做出单视角决策，同时忽略因歧义性引起的内在语义噪声。 PDF p.1 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏本文随后引入的论文特有机制：然后，我们利用高斯信息瓶颈理论，共同优化语义信息量与推理性能之间的速率-失真权衡。 PDF p.1 PDF p.4
4. 为什么这个问题值得研究：这个问题很重要，因为边缘设备往往需要及时做出决策，而不是忠实的复制品。仅发送任务足够的信息可以减少无线资源占用和延迟，但前提是关键证据能通过信道保存。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文提出了多视角生成的语义通信。其具体设计总结如下：在论文中，我们提出了一种新颖的概率不确定性编码（PUC）架构，以实现具有多输出的多功能多视角语义通信。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，我们利用高斯信息瓶颈理论，共同优化语义信息量与推理性能之间的速率-失真权衡。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：考虑到语义知识转移的跨模态任务，模拟结果表明PUC优于传统的确定性方法和传统的分离传输。 PDF p.2 PDF p.3 PDF p.4

系统怎么工作

该系统是任务导向推理的端到端通信链路。在论文中，我们提出了一种新的概率不确定性编码（PUC）架构，以实现具有多输出的多功能多视角语义通信。随后，我们利用高斯信息瓶颈理论，共同优化语义信息量与推断性能之间的速率-失真权衡。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：任务导向推理

所属环节：任务导向联合信源信道设计。只传下游任务所需信息，并把信道扰动纳入任务性能优化。

给深度学习研究生的解释：类似 split inference，但中间特征必须经过带宽受限且有噪声的无线信道，任务准确率是最终目标。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.3 PDF p.4

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它重建的是任务决策，而不一定是原始来源。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.3 PDF p.4

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepJSCC、BPG、JPEG、LDPC、Turbo对比;评估准确性、语义相似性和延迟;并使用AWGN、Rician、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.3 PDF p.4

考虑到语义知识转移的跨模态任务，模拟结果表明PUC优于传统的确定性方法和传统的分离传输。 PDF p.2 PDF p.3 PDF p.4

通信审稿价值与 Codex 判断

价值在于用更少信道使用完成相同任务，并降低端到端时延和设备能耗。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Semantic Similarity Score for Measuring Visual Similarity at Semantic Level

2024 · IEEE Internet of Things Journal · 语义信息理论与性能度量

作者：Senran Fan; Zhicheng Bao; Chen Dong; Haotai Liang; Xiaodong Xu; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究已经证明，随着物联网（IoT）技术的快速发展，需要更多传感器才能在复杂的信道场景和有限的通信资源下工作。 PDF p.1 PDF p.4
2. 仍然存在的问题：现有语义系统使用任务特定的准确性或重建分数，但缺乏比较不同系统语义信息效率所需的共同数量或界限。 PDF p.1 PDF p.9
3. 为什么已有方法解决不了：早期系统可以报告任务准确性或重建质量，但如果没有提出的数量或界限，它们无法在通用的信息论基础上比较语义效率。缺失对象是一个定义和优化标准，而不是另一个神经网络块。更具体地说，早期的流程缺少本文随后引入的论文专用机制：该指标基于场景图生成和图匹配技术，将图像相似度分数转换为图匹配分数。 PDF p.1 PDF p.9
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.4
5. 本文怎样顺着问题提出方案：因此，论文开发了语义相似度评分，用于语义层面的视觉相似度测量。其具体设计总结如下：为解决这一问题，我们提出了新的语义评估指标-语义相似度评分（SeSS）。 PDF p.1 PDF p.4
6. 方案为什么有可能起作用：其因果联系在于该指标基于场景图生成和图匹配技术，将图像相似度分数转换为图匹配分数。所提定义使语义目标显式，因此可测量或优化。 PDF p.1 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：实验结果表明 SeSS 在测量图像间语义层信息差异方面的有效性，使其成为评估视觉语义通信系统的宝贵工具。 PDF p.9

系统怎么工作

该系统是图像传输或生成的端到端通信链路。为解决这个问题，我们提出了新的语义评估指标-语义相似度评分（SeSS）。该指标基于场景图生成和图匹配技术，将图像相似度分数转换为图匹配得分。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.4

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：语义信息理论与性能度量。定义语义信息、失真、价值或可达边界，为系统比较和优化提供共同坐标。

给深度学习研究生的解释：可以把它理解为给新的学习任务定义 loss 和 generalization bound；重点是定义是否可计算、是否与通信资源挂钩。

实际发送了什么，以及占多少通信资源

表示与数字化判断：上层理论工作：不单独定义可发送语义格式

发送方发送由信息论模型定义的随机变量或语义消息。这类分类为：上层理论工作：不单独定义可发送语义格式。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.6 PDF p.8

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.6 PDF p.8

信道怎样作用，接收端实际拿到什么

信道处理类别：抽象信源—信道—语义失真模型；不对应一条具体神经收发链路

在拟议的传输路径中，信道处理方式如下：抽象信源—信道—语义失真模型;不对应一条具体神经收发链路。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.9 PDF p.10

接收者实际上是从定理中的抽象语义解码器或决策规则出发的。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.9 PDF p.10

实验设置与主要结论

实验使用COCO;与DeepJSCC、BPG、JPEG2000、JPEG、LDPC比较;用PSNR、SSIM、MS-SSIM、LPIPS、准确性、语义相似度、CLIP来评估;并使用AWGN。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.9 PDF p.10

实验结果表明，SeSS在测量图像间语义层信息差异方面的有效性，使其成为评估视觉语义通信系统的宝贵工具。 PDF p.9

通信审稿价值与 Codex 判断

审稿价值来自可比较、可优化或可证明的语义通信指标，而不是单个数据集上的网络增益。

局限：该定义是否能在真实高维信源上计算、能否跨任务预测系统收益仍需验证；形式化指标本身不等于可部署的无线增益。

Semantics-Division Duplexing: A Novel Full-Duplex Paradigm

2024 · IEEE Wireless Communications · 多用户接入、广播或中继

作者：Kai Niu; Zijian Liang; Chao Dong; Jincheng Dai; Zhongwei Si; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究已确立，带内全双工（IBFD）是一种理论上有效的解决方案，能够通过实现相同的时间-频率资源上的传输和接收，从而提高未来无线通信系统的整体吞吐量。 PDF p.1 PDF p.2 PDF p.3
2. 仍然存在的问题：由于自干涉的非理想消除以及独立的源编码和信道编码方法的固有局限性，可靠的源重建仍是实际IBFD系统中的一大挑战。 PDF p.1 PDF p.2 PDF p.6
3. 为什么已有方法解决不了：为每个用户独立运行点对点语义编解码器，会忽略共享内容、异构信道、干扰和公平性。因此，一旦用户共享同一媒介，单用户最优方案不必是可行或频谱高效的。更具体地说，已有链路缺少本文随后引入的论文特有机制：之后，调制模块被用来将编码的语义特征转换为传输的数字信号，例如，可以通过复值调制实现。 PDF p.1 PDF p.2 PDF p.6
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，本文发展了《语义分割双工：一种全新的全双工范式》。其具体设计总结如下：我们通过理论解释介绍SDD范式的优势，并提供可视化结果以验证其有效性。 PDF p.1 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：因果联系在于，随后，调制模块被用来将编码的语义特征转换为传输的数字信号，例如，可以通过复值调制实现。跨用户相关性和异构链接现在形成了联合传输的表示，而非重复的独立消息。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：数字域与语义域处理的进一步集成可以实现，从而实现智能且简洁的通信。 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。我们通过理论解释介绍SDD范式的优势，并提供可视化结果以验证其有效性。之后，调制模块被用来将编码的语义特征转换为传输的数字信号，例如，可以通过复值调制实现。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：多用户接入、广播或中继。研究多个用户共享频谱、干扰或中继时，语义相关性和异构信道如何改变发送策略。

给深度学习研究生的解释：不能把它看成简单扩大 batch size；每个接收端看到的信道和所需语义都不同，发送信号还会相互干扰。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.6 PDF p.7

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.6 PDF p.7

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与BPG、LDPC比较;用SSIM、MS-SSIM、准确率、吞吐量进行评估;并使用Rician，MIMO。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.6 PDF p.7

还可以进一步整合数字域和语义域处理，以实现智能且简洁的通信。 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值在于提升频谱复用、覆盖或公平性，并证明优于逐用户运行点到点模型。

局限：证据多来自固定用户数与信道模型的仿真；扩展性、反馈开销、同步和与真实调度器的集成仍未充分回答。

Source Value-Based Resource Allocation in Task-Oriented Communications

2024 · IEEE Internet of Things Journal · 资源分配与跨层优化

作者：Xiaoyu Chi; Shujun Han; Xiaodong Xu; Lin Li; Hui Wang; Xiaoqi Qin; Liang Jin; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究领域已经确定，随着实时智能任务通信需求的爆炸性增长，移动通信正从传统通信转向面向任务的通信，传输的数据正从无差分传输转向价值导向传输。 PDF p.1 PDF p.2 PDF p.3
2. 仍然存在的问题：任务数据的实时传输需要大量无线资源，使得这种方法在一定程度上不切实际，这将危及无线网络的正常运行，导致不必要的网络拥堵、资源浪费和过度的能源消耗。 PDF p.1 PDF p.3 PDF p.12
3. 为什么已有方法解决不了：固定或基于比特率的分配无法区分具有不同语义重要性的样本、用户和任务。它可能将功力和带宽浪费在低价值细节上，同时让任务质量对信道最敏感的用户感到饥饿。更具体地说，已有链路缺乏这里介绍的论文专用机制：此外，我们设计了基于源价值的资源分配方案，通过联合优化任务数据生成与压缩策略、带宽分配以及发射功率选择，以最小化TAD。 PDF p.1 PDF p.3 PDF p.12
4. 为什么这个问题值得研究：这个问题很重要，因为边缘设备往往需要及时做出决策，而不是忠实的复制品。仅发送任务足够的信息可以减少无线资源占用和延迟，但前提是关键证据能通过信道保存。 PDF p.1 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，本文发展了任务导向传播中的源价值资源分配。其具体设计总结如下：本文聚焦任务导向通信中的联合信源信道优化问题，并设计了时效性-准确性退化（TAD）指标以衡量传输源的价值。 PDF p.1 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：其因果联系在于，我们还设计了基于源价值的资源分配方案，通过联合优化任务数据生成与压缩策略、带宽分配及发射功率选择，以最小化TAD。语义重要性现在改变了分配决策，而非仅在资源确定后才评估。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：数值结果表明设计方案能够有效提升任务性能，并验证算法的低复杂性和稳定性。 PDF p.6 PDF p.7 PDF p.9

系统怎么工作

该系统是任务导向推理的端到端通信链路。本文重点关注任务导向通信中的联合信源信道优化问题，并设计了时效性-准确性退化（TAD）指标以衡量传输源的价值。此外，我们设计了基于源价值的资源分配方案，通过联合优化任务数据生成与压缩策略、带宽分配及发射功率选择，最大限度地减少TAD。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：任务导向推理

所属环节：资源分配与跨层优化。把任务/语义质量映射为网络效用，再分配功率、带宽、算力或时延预算。

给深度学习研究生的解释：相当于外层优化器调用多个模型的 rate-quality 曲线；问题不只是训练网络，而是决定有限资源给谁。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.4 PDF p.5 PDF p.12

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.4 PDF p.5 PDF p.12

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.3

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建的是任务决策，而不一定是原始来源。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.3

实验设置与主要结论

实验中使用VQA;与JPEG进行比较;评估准确性、延迟和吞吐量;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2 PDF p.3

数值结果表明，设计方案能够有效提升任务性能，并验证算法的低复杂性和稳定性。 PDF p.6 PDF p.7 PDF p.9

通信审稿价值与 Codex 判断

价值在于回答同一无线资源下系统能服务多少用户、达到怎样的公平性、时延和能效。

局限：优化依赖估计的 rate-quality 曲线和信道状态；信道估计误差、非平稳业务以及端到端推理开销仍是落地限制。

Synchronization Mechanism: Preliminary Attempt to Enable Wireless Semantic Communication With Heterogeneous Knowledge Bases

2024 · IEEE Communications Letters · 联合信源信道编码（JSCC）与语义信源编码

作者：Xiaodong Xu; Zhiqiang Bian; Bizhu Wang; Yue Chen; Shujun Han; Chen Sun; Wenqi Zhang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明，尽管6G语义通信具有潜力，但无法保证通信双方之间存在同质知识库（KBs）。 PDF p.1 PDF p.2 PDF p.3
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.4 PDF p.5
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少本文随后引入的论文专用机制：如果没有，则需要更新估计模型Φ1，这会促使估计的源数据Ys进一步调整以满足方程7。 PDF p.1 PDF p.4 PDF p.5
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，本文提出了《同步机制：初步尝试实现与异构知识库的无线语义通信》。其具体设计总结如下：论文提出了一种通信高效的同步机制，以减轻因KB异质性，尤其是数据分布多样化而导致的性能下降（PDL）。 PDF p.1 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：因果关系是 如果不满足，则需要更新估计模型 Φ1，这会促使对估计的源数据 Ys 进行进一步调整以满足方程 7。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：实验结果表明，所提出的机制和算法在组内和组间的KB异质性场景下都能有效减少PDL，同时仍满足无线资源限制。 PDF p.2 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。论文提出了一种通信高效的同步机制，以减轻因KB异构性，尤其是数据分布多样化引起的性能下降（PDL）。如果不满足，则需要更新估计模型Φ1，这会促使进一步调整估计的源数据Ys以满足方程7。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.4

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.4

实验设置与主要结论

实验使用MNIST;与DeepJSCC比较;用PSNR评估准确率、BER;并使用AWGN。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.4

实验结果表明，所提出的机制和算法在组内和组间的KB异质性场景下都能有效减少PDL，同时仍满足无线资源约束。 PDF p.2 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

TD-PLC: A Semantic-Aware Speech Encoding for Improved Packet Loss Concealment

2024 · Interspeech 2024 · 联合信源信道编码（JSCC）与语义信源编码

作者：Jinghong Zhang; Zugang Zhao; Yonghui Liu; Jianbing Liu; Zhiqiang He; Kai Niu

团队归属：补充数据库轮次核验：指定负责人直接署名（Kai Niu）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明学习式语义编码器表现出强烈的压缩和优雅的退化，近期工作开始将其潜在表示与有限数字接口连接起来。 PDF p.1
2. 仍然存在的问题：引言 高保真音频通过无线信道传输面临比特错误、丢包和抖动等错误的挑战。 PDF p.1 PDF p.3
3. 为什么已有方法解决不了：连续潜在链路或单独设计的常规链路并未规定语义信息如何量化、映射为有限符号，以及在位或索引错误时如何保护。仅仅通过改进源自编码器，无法弥合这一接口空白。更具体地说，已有链路缺少本文随后引入的论文特有机制：编码器通过整合语音的语义特征来提升编码效率，每个数据包包含语音和语义数据。 PDF p.1 PDF p.3
4. 为什么这个问题值得研究：这个问题很重要，因为即使波形失真仅有轻微变化，可理解性、识别准确性和丢包隐蔽也可能崩溃;一个有用的系统必须在低比特率和信道误差下保持语言内容。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，论文开发了TD-PLC：一种用于改进丢包隐蔽的语义感知语音编码。其具体设计总结如下：论文开发了题目所述的方法：TD-PLC：一种用于改进丢包隐蔽的语义感知语音编码。 PDF p.1
6. 方案为什么有可能起作用：因果联系在于，编码器通过整合语音的语义特征来提升编码效率，每个数据包包含语音和语义数据。学习的潜在部分被强制通过所描述的离散或混合接口，因此接收端设计时是为它实际将观察到的表征而设计的。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：这一过程不仅简化了复杂音频信号的编码，还显著提升了自然语言处理模型的效能，尤其是在需要离散输入的任务中，最新研究也证明了这一点。 PDF p.2 PDF p.3 PDF p.4

系统怎么工作

该系统是语音/音频传输或识别的端到端通信链路。该论文发展了题目中描述的方法：TD-PLC：一种用于改进丢包隐蔽的语义感知语音编码。编码器通过整合语音的语义特征提升编码效率，每个数据包包含语音和语义数据。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：语音/音频传输或识别

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.5

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.5

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它重建语音波形、文本转录或识别结果。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与论文中标明的参考系统进行比较;准确评估;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1

这一过程不仅简化了复杂音频信号的编码，还显著提升了自然语言处理模型的效能，尤其是在需要离散输入的任务中，最新研究已证明这一点。 PDF p.2 PDF p.3 PDF p.4

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：虽已有数字接口，残余 bit/index 错误、有限码长开销、同步以及完整 PHY 兼容性仍需进一步验证。

Towards Task-Scalable Semantic Communications: A Preprocessing Enhanced Image Transmission Framework

2024 · · 联合信源信道编码（JSCC）与语义信源编码

作者：Yanpeng Lu; Kai Niu; Jincheng Dai

团队归属：指定团队负责人直接署名：Kai Niu

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究领域已经确定，近年来，越来越多的图像被传输到接收端用于机器分析任务，而不仅仅是用于人类视觉任务。 PDF p.1 PDF p.2
2. 仍然存在的问题：大多数当前的机器型语义通信系统都针对特定任务或任务集进行优化，而未考虑对新任务的可扩展性。 PDF p.1 PDF p.4
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏本文随后引入的论文专用机制：因此，通过在任务准确性与失真之间权衡，基于预训练神经编解码器对预处理模块进行微调，主要任务精度的大部分损失可以通过对失真进行微小的降级来恢复，这样既能很好地保留任务可扩展性能力，也因整体图像的质量而得以良好保留。 PDF p.1 PDF p.4
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文发展了《迈向任务可扩展语义通信：一种预处理增强图像传输框架》。其具体设计总结如下：在本研究中，我们提出了一种预处理增强型图像语义通信系统以应对这一挑战。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果关系在于，通过在任务准确性与失真之间权衡下，基于预训练神经编码器微调预处理模块，可以通过对失真进行微小降低来恢复主要任务精度的大部分损失，从而通过整体图像的高质量，任务可扩展性能力得以良好保留。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：在低CBR场景下，我们的方法可显著提升任务准确性，较NTSCC系统提升最多10%，比DeepJSCC系统提升最多12%，比传统“BPG + LDPC”系统提升15%。 PDF p.4 PDF p.5

系统怎么工作

该系统是图像传输或生成的端到端通信链路。本研究提出一种预处理增强型图像语义通信系统以应对这一挑战。因此，通过在任务准确性和畸变之间权衡的预训练神经编码器对预处理模块进行微调，可以通过对畸变的微弱降级来恢复主要任务精度的大部分损失，从而通过整体图像的高质量，任务可扩展性能力得以良好保留。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.4

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.4

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.4

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.4

实验设置与主要结论

实验使用ImageNet;与DeepJSCC、BPG、LDPC、SwinJSCC、NTSCC比较;用PSNR评估准确率、mIoU;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.4

在低CBR场景下，我们的方法可显著提升任务准确性，较NTSCC系统提升最多10%，比DeepJSCC系统提升12%，比传统“BPG + LDPC”系统提升15%。 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Adaptive Cross-Modal Super-Resolution Semantic Communication for Mobile AI-Generated Panoramic Video

2025 · IEEE Transactions on Cognitive Communications and Networking · 联合信源信道编码（JSCC）与语义信源编码

作者：Haixiao Gao; Mengying Sun; Xiaodong Xu; Xiqi Cheng; Shujun Han; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明Learned联合信源信道编码在匹配训练和测试条件下，已相较于固定分离的管道实现端到端优势。 PDF p.1 PDF p.2
2. 仍然存在的问题：为单一带宽或信道条件训练的语义编码器具有固定表示，且在工作点变化时无法重新分配速率和保护。 PDF p.1 PDF p.2 PDF p.10
3. 为什么已有方法解决不了：为单一带宽、信噪比或信道分布训练的模型具有固定的瓶颈和保护模式。当操作条件发生变化时，使用相同表示法进行重复推断无法为变得脆弱的信息重新分配速率或冗余。更具体地说，早期的流程缺乏本文随后引入的论文特有机制：考虑到全景视频是通过文本提示生成的，这些固有的多模态关系为全景视频语义传输注入了新的活力。 PDF p.1 PDF p.2 PDF p.10
4. 为什么这个问题值得研究：这个问题很重要，因为视频会持续消耗带宽，并且有严格的延迟预算;错误也可能跨帧传播，因此时间一致性和质量优雅下降是通信层面的关注点。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了适用于移动AI生成全景视频的自适应跨模态超分辨率语义通信。其具体设计总结如下：论文开发了标题所述的方法：移动AI生成全景视频的自适应跨模态超分辨率语义通信。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，考虑到全景视频是通过文本提示生成的，这些固有的多模态关系为全景视频语义传输注入了新的活力。表示或保护模式可以随着操作条件变化而变化，而非训练后保持固定。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：在训练阶段，之前恢复的全景帧作为当前帧的参考帧，以实现全景视频传输。 PDF p.6 PDF p.7 PDF p.9

系统怎么工作

该系统是视频传输或生成的端到端通信链路。论文开发了题为《自适应跨模态超分辨率语义通信用于移动AI生成全景视频的方法》。考虑到全景视频是通过文本提示生成的，这些固有的多模态关系为全景视频语义传输注入了新的活力。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：视频传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.8 PDF p.9 PDF p.10

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.8 PDF p.9 PDF p.10

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.5 PDF p.10

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建或生成的视频。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.5 PDF p.10

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepJSCC、LDPC、H.264、H.265、DeepSC、NTSCC进行比较;评估时有PSNR、SSIM、语义相似度、延迟、CLIP;并使用Rayleigh、MIMO、OFDM。一个代表性的操作条件是：考虑到GoP的信道带宽消耗，视频超分辨率任务的CBR定义为CBR = 1 N N t=1 kt γH × γW × 3，（33），其中数字3表示全景帧拥有三个RGB信道，kt表示st的维度，N代表GoP中的帧数。 PDF p.5 PDF p.10

在训练阶段，之前恢复的全景帧作为当前帧的参考帧，实现全景视频传输。 PDF p.6 PDF p.7 PDF p.9

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：适配只在有限的带宽/信道范围内验证；控制信令、在线稳定性及超出训练范围后的外推仍不确定。

Adaptive Source-Channel Coding for Semantic Communications over Parallel Gaussian Channels

2025 · GLOBECOM 2025 - 2025 IEEE Global Communications Conference · 联合信源信道编码（JSCC）与语义信源编码

作者：Dongxu Li; Kai Yuan; Jianhao Huang; Chuan Huang; Xiaoqi Qin; Shuguang Cui; Ping Zhang

团队归属：补充数据库轮次核验：指定负责人直接署名（Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明Learned联合信源信道编码在匹配训练和测试条件下，已相较于固定分离的管道实现端到端优势。 PDF p.1 PDF p.2
2. 仍然存在的问题：为单一带宽或信道条件训练的语义编码器具有固定表示，且在工作点变化时无法重新分配速率和保护。 PDF p.1 PDF p.2 PDF p.10
3. 为什么已有方法解决不了：为单一带宽、信噪比或信道分布训练的模型具有固定的瓶颈和保护模式。当操作条件发生变化时，使用相同表示法进行重复推断无法为变得脆弱的信息重新分配速率或冗余。更具体地说，已有链路缺乏本文中后来引入的专用机制：通过整合失真和BER模型，我们利用关键参数——源编码率和信道编码率、功耗值以及信道编码方案——推导出E2E失真的显式表达式。2）基于模型选择的ASCC优化：利用已构建的畸变模型，我们通过联合设计源编码率、信道编码率和功率分配，构建了E2E观测和语义扭曲的加权和最小化问题。 PDF p.1 PDF p.2 PDF p.10
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文开发了适用于并行高斯信道语义通信的自适应信源信道编码。其具体设计总结如下：论文发展了题目所述的方法：《基于并行高斯信道的自适应信源信道编码语义通信》。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，通过整合失真和BER模型，我们利用关键参数——源和信道编码率、功率值以及信道编码方案——推导出E2E失真的显式表达式。2）基于模型选择的ASCC优化：利用已构建的畸变模型，我们通过联合设计源编码率、信道编码率和功率分配，构建了E2E观测和语义扭曲的加权和最小化问题。表示或保护模式可以随着操作条件变化而变化，而非训练后保持固定。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据为：信噪比γk，信道编码率Rc，k，调制阶数为M，极化码长度为256。对所考虑的SemCom系统进行了有意义的改进。 PDF p.6 PDF p.7 PDF p.10

系统怎么工作

该系统是图像传输或生成的端到端通信链路。论文发展了题目所述的方法：《基于并行高斯信道的自适应信源信道编码语义通信》。通过整合畸变和BER模型，我们利用关键参数推导出端对端失真的显式表达式：源编码率和信道编码率、功率值和信道编码方案。2）基于模型选择的ASCC优化：利用已构建的畸变模型，我们通过联合设计源编码率、信道编码率和功率分配，构建了E2E观测和语义扭曲的加权和最小化问题。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.3

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.3

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepJSC、BPG、LDPC、Polar、Turbo对比;评估标准为PSNR、SSIM、准确性、延迟、BER;并使用AWGN、OFDM、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2 PDF p.3

信噪比 γk，信道编码率 Rc，k 和调制阶 M，极坐标码长度为 256。对所考虑的SemCom系统进行了有意义的改进。 PDF p.6 PDF p.7 PDF p.10

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：适配只在有限的带宽/信道范围内验证；控制信令、在线稳定性及超出训练范围后的外推仍不确定。

Collaborate for Real-Time Gain: Semantic-Based Robotic Communication in 3D Object Tracking

2025 · IEEE Transactions on Mobile Computing · 任务导向联合信源信道设计

作者：Junming Shao; Xiaoqi Qin; Jian Gao; Yanlin Li; Liang Xin; Ping Zhang

团队归属：补充数据库轮次核验：指定负责人直接署名（Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明任务导向通信表明，发射端可以发送任务足够的特征，而无需在接收端重建每个源样本。 PDF p.2 PDF p.3
2. 仍然存在的问题：重构导向的发射器会花费带宽处理下游任务不需要的信息，且可能仍无法保护决定任务决策的小功能。 PDF p.1 PDF p.2 PDF p.3
3. 为什么已有方法解决不了：当接收者只需做出决定时，重建每一个来源细节是个不必要的强硬目标。经过像素或波形真实度训练的编解码器可能会丢弃一个小的任务关键特征，同时保留视觉上合理但无关的内容。更具体地说，已有链路缺乏后面介绍的论文特有机制：通过利用分解化超先验模型进行特征编码，并结合卡尔曼滤波器预测的时间融合，所提方法提升了物体检测的准确性和效率。 PDF p.1 PDF p.2 PDF p.3
4. 为什么这个问题值得研究：这个问题很重要，因为边缘设备往往需要及时做出决策，而不是忠实的复制品。仅发送任务足够的信息可以减少无线资源占用和延迟，但前提是关键证据能通过信道保存。 PDF p.2 PDF p.3
5. 本文怎样顺着问题提出方案：因此，本文开发了《实时增益协作：三维物体追踪中的语义机器人通信》。其具体设计总结如下：论文开发了题目所述的方法：实时增益协作：基于语义的三维物体追踪机器人通信。 PDF p.2 PDF p.3
6. 方案为什么有可能起作用：其因果联系在于，通过利用分解化超先验模型进行特征编码，并结合卡尔曼滤波器预测的时间融合，所提方法提升了物体检测的准确性和效率。与任务相关的证据直接控制瓶颈和损失，因此无线电资源在无关源细节上花费不均。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：随后，在IV-B节，我们设计了一个改进的熵编码模型。 PDF p.5 PDF p.6 PDF p.7

系统怎么工作

该系统是任务导向推理的端到端通信链路。论文发展了题目中描述的方法：《协作实现实时增益：基于语义的三维物体追踪机器人通信》。通过利用分解化超先验模型进行特征编码，并结合卡尔曼滤波器预测的时间融合，所提出的方法提高了物体检测的准确性和效率。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：任务导向推理

所属环节：任务导向联合信源信道设计。只传下游任务所需信息，并把信道扰动纳入任务性能优化。

给深度学习研究生的解释：类似 split inference，但中间特征必须经过带宽受限且有噪声的无线信道，任务准确率是最终目标。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.5 PDF p.7

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.5 PDF p.7

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.3

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它重建的是任务决策，而不一定是原始来源。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.3

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与论文中标明的参考系统进行比较;评估准确性、延迟、BER;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.1 PDF p.2 PDF p.3

随后，在IV-B部分，我们设计了一个改进的熵编码模型。 PDF p.5 PDF p.6 PDF p.7

通信审稿价值与 Codex 判断

价值在于用更少信道使用完成相同任务，并降低端到端时延和设备能耗。

局限：收益与任务和数据集绑定；对未知任务、分布偏移、置信度校准以及稀有关键样本的失败仍需更强证据。

Cross-Layer Encrypted Semantic Communication Framework for Panoramic Video Transmission

2025 · IEEE Internet of Things Journal · 联合信源信道编码（JSCC）与语义信源编码

作者：Haixiao Gao; Mengying Sun; Xiaodong Xu; Bingxuan Xu; Shujun Han; Bizhu Wang; Sheng Jiang; Chen Dong; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已确立语义通信与传统移动通信系统之间的兼容性仍是一个重大挑战。 PDF p.1
2. 仍然存在的问题：语义通信与传统移动通信系统的兼容性仍是一个重大挑战。 PDF p.1 PDF p.12
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少后来介绍的论文特定机制：为验证上述框架，我们设计了一个端到端自适应全景视频语义传输（APVST）网络，利用深度联合信源信道编码（JSCC）结构和注意力机制，并集成了一个纬度自适应模块，促进自适应语义特征提取和全景视频的可变长度编码。 PDF p.1 PDF p.12
4. 为什么这个问题值得研究：这个问题很重要，因为视频会持续消耗带宽，并且有严格的延迟预算;错误也可能跨帧传播，因此时间一致性和质量优雅下降是通信层面的关注点。 PDF p.1
5. 本文怎样顺着问题提出方案：因此，本文开发了跨层加密语义通信框架，用于全景视频传输。其具体设计总结如下：我们提出了一个跨层加密语义通信（CLESC）框架，用于全景视频传输，结合特征提取、编码、加密、循环冗余检查（CRC）和重传过程，以实现语义通信与传统通信系统的兼容性。 PDF p.1
6. 方案为什么有可能起作用：其因果联系在于，为了验证上述框架，我们设计了一个端到端自适应全景视频语义传输（APVST）网络，利用深度联合信源信道编码（JSCC）结构和注意力机制，并集成了纬度自适应模块，促进自适应语义特征提取和全景视频的可变长度编码。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.4
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：与传统和基于人工智能（AI）的视频源编码方案相比，我们提出的CLESC在低信噪比（SNR）条件下实现了更优越的传输性能。 PDF p.9 PDF p.10

系统怎么工作

该系统是视频传输或生成的端到端通信链路。我们提出了一个跨层加密语义通信（CLESC）框架，用于全景视频传输，结合特征提取、编码、加密、循环冗余检查（CRC）和重传过程，以实现语义通信与传统通信系统的兼容性。为验证上述框架，我们设计了一个端到端自适应全景视频语义传输（APVST）网络，利用深度联合信源信道编码（JSCC）结构和注意力机制，并集成了纬度自适应模块，促进自适应语义特征提取和全景视频的可变长度编码。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.4

它在通信系统的哪个位置

研究任务：视频传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.3 PDF p.6 PDF p.10

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.3 PDF p.6 PDF p.10

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.6

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它重建或生成的视频。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.6

实验设置与主要结论

实验使用论文中所述的源/任务数据集;与DeepJSCC、LDPC、H.264、H.265、NTSCC比较;用PSNR、SSIM、LPIPS、准确性、延迟、BER、SER进行评估;并使用AWGN、Rayleigh、衰落信道、MIMO、OFDM。一个代表性的工作状态为：对于子图（a），信噪比固定在12 dB;对于（b），每个方案的 CBR = 0.03;对于（c），信噪比（SNR）再次固定在12 dB，CBR=0.03。 PDF p.6

与传统和基于人工智能（AI）的视频源编码传输方案相比，我们提出的CLESC在低信噪比（SNR）条件下实现了更优越的传输性能。 PDF p.9 PDF p.10

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

DiffCom: Channel Received Signal Is a Natural Condition to Guide Diffusion Posterior Sampling

2025 · IEEE Journal on Selected Areas in Communications · 联合信源信道编码（JSCC）与语义信源编码

作者：Sixian Wang; Jincheng Dai; Kailin Tan; Xiaoqi Qin; Kai Niu; Ping Zhang

团队归属：指定团队负责人直接署名：Kai Niu, Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已确立端到端视觉通信系统通常优化信道带宽成本与信号级失真指标之间的权衡。 PDF p.1 PDF p.2
2. 仍然存在的问题：即使接收端有强生成先验，重构链路仍传输大量源细节，而现有生成方案无法完全控制延迟、幻觉和信道条件保真度。 PDF p.1 PDF p.2 PDF p.3
3. 为什么已有方法解决不了：传统的重建导向传输使用描述信息，强接收机可以综合这些信息。它也缺乏判断何种紧凑条件足够，以及如何将生成错误与延迟和保真度进行权衡的机制。更具体地说，早期的流程缺乏本文随后引入的论文专用机制：这种难以解决的问题促使了各种近似方法的发展[26]、[29]-[31]。 PDF p.1 PDF p.2 PDF p.3
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文提出了DiffCom：信道接收信号是指导扩散后验采样的自然条件。其具体设计总结如下：论文发展了标题所述的方法：DiffCom：信道接收信号是引导扩散后置采样的自然条件。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果关系在于，这种难以调解性促使了各种近似方法的发展[26]、[29]-[31]。发射端发送紧凑状态，接收端提供可预测的细节，减少必须跨信道的信息量。 PDF p.1 PDF p.2 PDF p.7
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：广泛的实验验证表明<斜体 xmlns：mml=“http://www.w3.org/1998/Math/MathML” xmlns：xlink=“http://www.w3.org/1999/xlink”>DiffCom</i> 不仅能生成忠实于原始数据细节的真实重建，还能在多种无线传输劣化方面实现卓越的鲁棒性。 PDF p.6 PDF p.7 PDF p.9

系统怎么工作

该系统是图像传输或生成的端到端通信链路。论文发展了标题中描述的方法：DiffCom：信道接收信号是引导扩散后采样的自然条件。这种难以解决的特性促使了各种近似方法的发展[26]、[29]-[31]。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.7

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.3 PDF p.4 PDF p.8

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.3 PDF p.4 PDF p.8

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.1 PDF p.2 PDF p.7

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.1 PDF p.2 PDF p.7

实验设置与主要结论

实验使用CIFAR-10、ImageNet;与基于分离的DeepJSCC、BPG、LDPC、VTM、SwinJSCC、NTSCC进行比较;用PSNR、SSIM、MS-SSIM、LPIPS、FID、精度、CLIP评估;并使用AWGN、Rayleigh、衰落信道、OFDM。一个代表性的操作条件是：可视化结果以展示超参数ζ的影响，我们评估AWGN信道下CSNR = 0dB下的所有方案。并通过复杂、高度非线性的编码函数来实现反演。 PDF p.1 PDF p.2 PDF p.7

大量实验验证表明，<斜体 xmlns：mml=“http://www.w3.org/1998/Math/MathML” xmlns：xlink=“http://www.w3.org/1999/xlink”>DiffCom</i> 不仅能生成忠实于原始数据细节的真实重建，还能在多种无线传输劣化方面实现卓越的鲁棒性。 PDF p.6 PDF p.7 PDF p.9

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：生成先验可节省传输，但幻觉、域偏移、共享模型成本、推理时延和语义忠实度仍是核心风险。

Efficient Semantic-Aware Encryption for Semantic Communication in Intelligent Connected Vehicles

2025 · IEEE Wireless Communications Letters · 通信安全与隐私

作者：Bizhu Wang; Zhiqiang Bian; Yue Chen; Xiaodong Xu; Chen Sun; Wenqi Zhang; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明语义通信（SemCom）在有限无线频谱内显著改善智能互联车辆（ICV）中的车内交互。 PDF p.1 PDF p.2
2. 仍然存在的问题：即使合法接收者重建良好，语义表示仍可能泄露源内容或控;仅限可靠性的设计无法量化这一威胁。 PDF p.1
3. 为什么已有方法解决不了：早期以可靠性为导向的语义编码器优化了合法接收端，并未模拟窃听者、攻击者或好奇的服务器能从传输的表示中推断出的内容。因此，仅靠更好的重建无法消除语义泄露或操作风险。更具体地说，已有链路缺乏本文随后引入的论文特有机制：通过将密码学整合进 SemCom，ESAE 实现了安全的语义信息传输，且密钥传输开销极低。 PDF p.1
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文开发了用于智能互联车辆语义通信的高效语义感知加密技术。其具体设计总结如下：为缓解这一问题，我们提出了高效语义感知加密（ESAE）机制。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，通过将密码学集成到SemCom中，ESAE实现了安全的语义信息传输，且密钥传输开销极低。威胁或隐私变量现在进入了训练或优化，同时涉及合法-接收者质量。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：实验结果证实ESAE在不同无线条件下的效率和安全优于现有方案，并分析了关键性能因素。 PDF p.2 PDF p.3 PDF p.4

系统怎么工作

该系统是图像传输或生成的端到端通信链路。为缓解这一问题，我们提出了高效语义感知加密（ESAE）机制。通过将密码学集成到SemCom中，ESAE实现了安全的语义信息传输，同时将密钥传输开销降至最低。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：通信安全与隐私。把窃听、攻击或隐私泄露加入语义链路，联合考察合法接收性能与攻击者获得的信息。

给深度学习研究生的解释：latent 并不天然匿名；它可能仍可被反演或操控，因而要像评估对抗学习一样同时看合法端和攻击端。

实际发送了什么，以及占多少通信资源

表示与数字化判断：显式数字语义表示：bit、离散 token 或码本 index

发送端发送量化比特、离散令牌或码本 index，而非无约束的连续潜在信号。这被归类为：显式数字语义表示：bit、离散 token 或码本 index。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.3

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.3

信道怎样作用，接收端实际拿到什么

信道处理类别：离散变量经数字链路传输；需检查残余 bit/index error

在拟议的传输路径中，信道处理方式如下：离散变量经数字链路传输;需检查残余位/索引误差。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.3

接收端实际上是从解码后的比特/索引或其噪声/软估计开始，随后进行语义量化和重建。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.3

实验设置与主要结论

实验使用COCO;与LDPC、NTSCC进行比较;用PSNR、SSIM、MS-SSIM、简易（BLEU）、准确性、语义相似度、延迟来评估;并使用实验中所述的信道模型。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.2 PDF p.3

实验结果证实了ESAE在不同无线条件下优于现有方案的效率和安全性，并分析了关键性能因素。 PDF p.2 PDF p.3 PDF p.4

通信审稿价值与 Codex 判断

价值在于给出可靠性、保密性、语义泄露和资源开销之间的可测权衡。

局限：威胁模型和攻击者知识通常是预先限定的；对自适应攻击、域外数据和真实无线实现的安全结论仍不能直接外推。

Efficient Video Semantic Transmission Needs Generative Latent Priors

2025 · 2025 Seventeenth International Conference on Wireless Communications and Signal Processing (WCSP) · 联合信源信道编码（JSCC）与语义信源编码

作者：Sixian Wang; Jincheng Dai; Haotong Cao; Guo Lu; Kai Niu; Wenjun Xu; Wenjun Zhang; Ping Zhang

团队归属：补充数据库轮次核验：指定负责人直接署名（Kai Niu, Ping Zhang）；Crossref/DBLP 正式 DOI 元数据。

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在此之前，相关研究已证明预训练生成模型能够从紧凑的语义条件重建合理的来源细节，表明可预测内容不必全部通过无线电链路传输。 PDF p.1 PDF p.2
2. 仍然存在的问题：由于当前生成模型的容量限制，它们的成功主要局限于低分辨率图像（例如256像素×256像素）。 PDF p.1 PDF p.3 PDF p.5
3. 为什么已有方法解决不了：传统的重建导向传输使用描述信息，强接收机可以综合这些信息。它也缺乏判断何种紧凑条件足够，以及如何将生成错误与延迟和保真度进行权衡的机制。更具体地说，已有链路缺少本文随后引入的论文特有机制：具体来说，我们引入了一个潜在码预测（LCP）模块，由双向变换器参数化，它学习基于重建的符号作为测量，从离散码本中预测最匹配的词符。 PDF p.1 PDF p.3 PDF p.5
4. 为什么这个问题值得研究：这个问题很重要，因为视频会持续消耗带宽，并且有严格的延迟预算;错误也可能跨帧传播，因此时间一致性和质量优雅下降是通信层面的关注点。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，论文提出了“高效的视频语义传输需求生成潜在先验”。其具体设计总结如下：本文发展了标题所描述的方法：高效视频语义传输需求生成潜在先验。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，具体来说，我们引入了一个潜在码预测（LCP）模块，由双向变换器参数化，它学习基于重建后的标记作为测量，从离散码本中预测最匹配的标记。发射端发送紧凑状态，接收端提供可预测的细节，减少必须跨信道的信息量。 PDF p.1 PDF p.2
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据是：在空间建模中，采用具有局部二维（移位）窗口注意力的空间变换器块[25]，以实现相对于输入分辨率具有线性复杂度的表达性变换。 PDF p.3 PDF p.4 PDF p.5

系统怎么工作

该系统是视频传输或生成的端到端通信链路。论文提出了题为《高效视频语义传输需求生成潜在先验》所描述的方法。具体来说，我们引入了一个潜在码预测（LCP）模块，由双向变换器参数化，它能够基于重建的符号作为测量，从离散码本中预测最匹配的令牌。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2

它在通信系统的哪个位置

研究任务：视频传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：语义 feature/latent；论文未给出完整量化到 bitstream 的接口

发送方发送一个语义特征或潜在表示，其精确的位映射尚未完全指定。这被归类为：语义 特征/潜在;论文未给出完整量化到 bitstream 的接口。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.1 PDF p.2 PDF p.5

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.1 PDF p.2 PDF p.5

信道怎样作用，接收端实际拿到什么

信道处理类别：信道接口报告不足或由传统链路抽象承担

在拟议的传输路径中，信道的处理方式如下：信道接口报告不足或由传统链路抽象承担。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.2 PDF p.5

接收方实际上是从论文接收方假设的恢复语义特征出发。然后它重建或生成的视频。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.2 PDF p.5

实验设置与主要结论

实验使用ImageNet、柯达、DIV2K;与LDPC、VTM、H.264、H.265、SwinJSCC比较;用PSNR、SSIM、MS-SSIM、LPIPS、FID、精度、延迟、CLIP来评估;并使用AWGN、MIMO、QAM。一个代表性报告的操作状况为：在 AWGN 信道 CSNR = 10DB 下，MCL JCV 数据集上评估。 PDF p.2 PDF p.5

在空间建模中，采用具有局部二维（移位）窗口注意力的空间变换器块[25]，以实现相对于输入分辨率具有线性复杂性的表达性变换。 PDF p.3 PDF p.4 PDF p.5

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：生成先验可节省传输，但幻觉、域偏移、共享模型成本、推理时延和语义忠实度仍是核心风险。

Explicit Semantic-Base-Empowered Communications for 6G Mobile Networks

2025 · Engineering · 联合信源信道编码（JSCC）与语义信源编码

作者：Fengyu Wang; Yuan Zheng; Wenjun Xu; Junxiao Liang; Ping Zhang; Zhu Han

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在这篇论文之前，相关研究领域已经证明，对大规模数据传输需求的不断增加对通信系统构成了重大挑战。 PDF p.1 PDF p.2
2. 仍然存在的问题：现有的通信设计在论文带宽和噪声信道约束下，无法共同保留图像传输或生成目标所需的语义内容。 PDF p.1 PDF p.3 PDF p.8
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺少本文随后引入的论文特有机制：Sem-codec 和信道编解码器模块是专门设计的，借助显式知识库（KB）以高效且稳健地传输语义。 PDF p.1 PDF p.3 PDF p.8
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了《6G移动网络的显式语义基础赋能通信》。其具体设计总结如下：为克服这些缺点，我们提出一个SemCom系统，采用显式语义基础（Sebs）作为表示语义含义的基本单位。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：因果联系在于，Sem-编解码器和信道编解码器模块是专门设计的，借助显式知识库，以高效且稳健地传输语义。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.3
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。报告的证据如下：模拟显示，基于Seb的SemCom在不同通信意图下，在学习感知图像贴片相似度（LPIPS）方面表现优于最先进的工作超过20%，并且在波动信道条件下表现出鲁棒性，凸显了显式Sebs所带来的可解释性和灵活性优势。 PDF p.5 PDF p.6 PDF p.7

系统怎么工作

该系统是图像传输或生成的端到端通信链路。为克服这些缺点，我们提出了一个SemCom系统，采用显式语义基底（Sebs）作为表示语义内涵的基本单位。信号编解码器和信道编解码器模块专门设计，借助显式知识库，以高效且稳健地传输语义。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.3

它在通信系统的哪个位置

研究任务：图像传输或生成

所属环节：联合信源信道编码（JSCC）与语义信源编码。在一个系统中共同设计压缩、语义保真和抗信道噪声机制。

给深度学习研究生的解释：可把它看成带真实信道瓶颈的 autoencoder；中间表示的维度、功率和噪声位置都是通信约束。

实际发送了什么，以及占多少通信资源

表示与数字化判断：连续神经 JSCC 信道符号（不属于严格数字语义通信）

发射器发送功率归一化的实值或复值神经信道符号。该表示归类为：连续神经 JSCC 信道符号（不属于严格数字语义通信）。这一区别很重要，因为连续的神经符号、硬编码本 index和信道解码的bitstream以不同方式失效。 PDF p.2 PDF p.5 PDF p.7

通信成本通过论文声明的信道使用、压缩/带宽比、比特率、码率、令牌数量或分配的无线资源来解读。当论文未报告完整的比特级接口时，报告并未仅凭潜在维度发明比特率。 PDF p.2 PDF p.5 PDF p.7

信道怎样作用，接收端实际拿到什么

信道处理类别：带噪连续 latent/复信道符号端到端联合训练

在拟议的传输路径中，信道的处理方式如下：带噪连续 潜在/复信道符号端到端联合训练。仅作为比较基线提及的LDPC、QAM或其他传统方案不用于分类拟议接收机。 PDF p.4 PDF p.7

接收端实际上从可微信道模型或均衡器之后的噪声连续符号开始。然后它会重建或生成的图像。该陈述明确了学习到的译码器看到的是噪声连续符号、错误的离散变量、软信息，还是已经信道解码的表示。 PDF p.4 PDF p.7

实验设置与主要结论

实验使用ImageNet、Cityscapes;与DeepJSCC、BPG、JPEG2000、LDPC比较;用PSNR、SSIM、MS-SSIM、LPIPS、准确率、吞吐量等方法进行评估;并使用AWGN、QAM。一个代表性的报告工作条件是：必须同时读取精确的信噪比、带宽比和功耗约束，并附带相应的结果数据。 PDF p.4 PDF p.7

模拟结果显示，基于Seb的SemCom在不同通信意图下，在学习感知图像贴片相似度（LPIPS）方面表现优于最先进的工作超过20%，并且在波动信道条件下表现出鲁棒性，凸显了显式Sebs所带来的可解释性和灵活性优势。 PDF p.5 PDF p.6 PDF p.7

通信审稿价值与 Codex 判断

价值要由相同带宽、功率和信道条件下的质量、鲁棒性或时延收益来证明。

局限：收益主要在基准数据与仿真信道上建立；若论文没有额外实验证据，量化、分包、标准兼容和空口验证仍不完整。

Importance-Aware Robust Semantic Transmission for LEO Satellite–Ground Communication

2025 · IEEE Internet of Things Journal · 联合信源信道编码（JSCC）与语义信源编码

作者：Cao Hui; Rui Meng; Xiaodong Xu; Shujun Han; Ping Zhang

团队归属：指定团队负责人直接署名：Ping Zhang

Motivation｜问题怎样一步步导出本文方法

1. 现有进展：在本文之前，相关研究已确立卫星-地面语义通信预计将在即将到来的第六代（6G）移动网络中发挥关键作用。 PDF p.1 PDF p.2
2. 仍然存在的问题：尽管如此，此类系统中任务导向的数据传输仍是一项艰巨挑战，主要由于信噪比（SNR）波动的动态特性以及低地球轨道（LEO）卫星信道固有的严格带宽限制。 PDF p.1 PDF p.5 PDF p.9
3. 为什么已有方法解决不了：分离的压缩和信道编码，或忽略论文目标语义因子的端到端模型，可以优化不匹配的中间目标。所得表示并未明确针对此处研究的联合带宽、功耗、信道和语义质量约束而塑造。更具体地说，已有链路缺乏后来介绍的论文专用机制：针对这些限制，我们提出了一个重要性感知强健语义传输（IRST）框架，专门为带宽稀缺和信道变异场景设计。 PDF p.1 PDF p.5 PDF p.9
4. 为什么这个问题值得研究：问题之所以重要，是因为有限的信道使用迫使系统选择保护哪些视觉信息。感知或域关键结构可能比平均像素保真度更有价值，尤其是在低信噪比或高压缩率下。 PDF p.1 PDF p.2
5. 本文怎样顺着问题提出方案：因此，本文开发了用于LEO卫星-地面通信的“重要性感知强健语义传输”。其具体设计总结如下：针对这些限制，我们提出了一个重要性感知的鲁棒语义传输（IRST）框架，专门为带宽稀缺和信道变异的场景设计。 PDF p.1 PDF p.2
6. 方案为什么有可能起作用：其因果联系在于，针对这些约束，我们提出了一个重要性感知强健语义传输（IRST）框架，专门为带宽稀缺和信道变异的场景设计。语义保真度和信道鲁棒性在同一路径上得到优化，因此瓶颈针对实际噪声链路而形成。 PDF p.1 PDF p.2 PDF p.5
7. 作者希望证明什么：论文测试了这种因果机制是否经得起公平的通信比较。据报道的证据是：通过选择和提取传输内容，卫星系统可以在有限带宽条件下提高关键数据传输效率，减少噪声对图像质量的影响，使地面分析更加可靠。 PDF p.6 PDF p.7

系统怎么工作

该系统是图像传输或生成的端到端通信链路。针对这些限制，我们提出了一个重要性感知的鲁棒语义传输（IRST）框架，专门为带宽稀缺和信道变异的场景设计。关键在于学习到的表征如何与所说的信道和资源约束相连接，而不仅仅是使用更大的神经网络。 PDF p.1 PDF p.2 PDF p.5