现有进展：在本文之前，相关研究已证明生成式基础AI模型在仅用文本提示和条件反射信号指导生成过程时，已表现出极佳的综合性高感知质量信号。 PDF p.1PDF p.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.1PDF p.2PDF p.4
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，已有链路缺乏后来引入的论文专用机制：此外，我们设计了一种语义和延迟感知方案，根据语义质量约束下的重要性，分配传输功率给不同语义模态。 PDF p.1PDF p.2PDF p.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.1PDF p.2
本文怎样顺着问题提出方案：因此，本文开发了基于预训练扩散模型的延迟感知生成语义通信。其具体设计总结如下：在论文中，我们开发了一个带有预训练生成模型的延迟感知语义通信框架。 PDF p.1PDF p.2
方案为什么有可能起作用：因果联系在于，此外，我们设计了一种语义感知和延迟感知方案，根据语义质量约束下的重要性，分配传输功率给不同的语义模态。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.1PDF p.2
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：模拟结果显示了超低速率、低延迟和信道自适应语义通信。 PDF p.2PDF p.3PDF 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，我们开发了一个带有预训练生成模型的延迟感知语义通信框架。此外，我们设计了一种语义和延迟感知方案，根据语义质量约束下的重要性，分配传输功率给不同语义模态。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.1PDF p.2
输入：源是输入图像。 PDF p.1PDF p.2
发送端：发送方应用论文的语义/信源信道编码器：此外，我们设计了一种语义和延迟感知方案，根据语义质量约束下的重要性分配传输功率给不同语义模态。 PDF p.1PDF p.2
实际发送：传输对象是一个紧凑的文本提示词或令牌序列。 PDF p.1PDF p.2
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为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。 PDF p.2PDF p.3PDF p.4
接收端：接收端从收到的提示词/标记开始，这些标记对预训练生成模型进行条件化，并应用所提出的译码器、推理模型或生成器。 PDF p.1PDF p.2
实验使用论文中所述的源/任务数据集;与基于分离的比较;用SSIM、MS-SSIM、LPIPS、FID、语义相似度、延迟、BER、CLIP来评估;并使用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.2PDF p.3PDF p.4
仿真结果展示了超低速率、低延迟和信道自适应语义通信。 PDF p.2PDF p.3PDF 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：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。
Latency-Aware Generative Semantic Communications With Pre-Trained Diffusion Models，原 PDF 第 1 页（架构/方法页）。Latency-Aware Generative Semantic Communications With Pre-Trained Diffusion Models，原 PDF 第 3 页（关键结果页）。
Spatial-temporal Semantic Communications for Point Cloud-based Volumetric Media
2024 · ICC 2024 - IEEE International Conference on Communications · 联合信源信道编码（JSCC）与语义信源编码
作者：Jingxuan Men; Ning Wang; Yi Ma; Peng Qian; Carl C. Udora; Mike Nilsson
团队归属：补充数据库轮次核验：指定负责人直接署名（Yi Ma）；Crossref/DBLP 正式 DOI 元数据。
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.1PDF p.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，未能共同保留点云/三维场景传输目标所需的语义内容。 PDF p.1PDF p.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特有机制：论文开发了标题所述的方法：基于点云的体积媒体的时空语义通信。 PDF p.1PDF p.3
为什么这个问题值得研究：这个问题很重要，因为XR和3D感知源极其庞大，而交互感应延迟。以更少的信道使用方式保留几何体或任务相关对象，直接提升了延迟和无线负载。 PDF p.1PDF p.2
本文怎样顺着问题提出方案：因此，本文开发了基于点云的体积媒体的时空语义通信。其具体设计总结如下：论文开发了题目所述的方法：基于点云的体积媒体的时空语义通信。 PDF p.1PDF p.2
方案为什么有可能起作用：因果联系在于，本文发展了题目所述的方法：基于点云体积媒体的时空语义通信。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.1PDF p.2
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：尽管相比其他分离源和信道编码的压缩方法，通过空间和时间编码降低了传输特征数据的体积并降低了传输延迟，我们在低信噪比值下显著观察到PSNR的提升和CD的下降。 PDF p.5PDF p.6
系统怎么工作
该系统是点云/三维场景传输的端到端通信链路。论文发展了题目所述的方法：基于点云的体积媒体的时空语义通信。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.1PDF p.2
输入：其来源是点云或三维场景观测。 PDF p.1PDF p.2
发送端：发送者应用论文的语义/信源信道编码器：论文开发了标题所述的方法：基于点云的体积媒体的时空语义通信。 PDF p.1PDF p.2
实际发送：传输对象是一个语义特征或潜在表示，其精确的位映射尚未完全指定。 PDF p.1PDF p.2
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为：信道接口报告不足或由传统链路抽象承担。 PDF p.2PDF p.3PDF p.5
接收端：接收方从被论文接收方假设的恢复语义特征开始，应用所提出的译码器、推理模型或生成器。 PDF p.1PDF p.2
Spatial-temporal Semantic Communications for Point Cloud-based Volumetric Media，原 PDF 第 2 页（架构/方法页）。Spatial-temporal Semantic Communications for Point Cloud-based Volumetric Media，原 PDF 第 5 页（关键结果页）。
A Physical Layer Security Framework for IRS-Assisted Integrated Sensing and Semantic Communication Systems
2025 · IEEE Transactions on Cognitive Communications and Networking · 通信安全与隐私
作者：Hamid Amiriara; Mahtab Mirmohseni; Ahmed Elzanaty; Yi Ma; Rahim Tafazolli
团队归属：补充数据库轮次核验：指定负责人直接署名（Yi Ma）；Crossref/DBLP 正式 DOI 元数据。
现有进展：在此之前，相关研究已证明端到端语义编码器能够以比重建型链路更少的信道资源保存合法接收方所需的信息。 PDF p.1PDF p.2
仍然存在的问题：引言 E 融合应用如互联汽车和智能工厂暴露了5G基础设施的局限性，要求精确的传感、可靠且安全的通信以及增强的数据处理能力。 PDF p.1PDF p.6PDF p.8
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，已有链路缺少本文随后引入的论文专用机制：这里，κ 表示每个数据段编码语义符号的平均数量，作为语义传输器中的缩放因子，将源数据 sk 的长度映射到编码语义符号向量 xc，k 的长度。 PDF p.1PDF p.6PDF p.8
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.1PDF p.2
本文怎样顺着问题提出方案：因此，本文开发了IRS辅助综合感测与语义通信系统的物理层安全框架。其具体设计总结如下：论文开发了标题所描述的方法：IRS辅助综合感测与语义通信系统的物理层安全框架。 PDF p.1PDF p.2
方案为什么有可能起作用：因果联系在于，这里κ表示每个数据段编码语义符号的平均数量，作为语义传输器中的缩放因子，将源数据的长度sk映射到编码语义符号矢量xc的长度xc。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.1PDF p.2PDF p.3
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。报告的证据包括：收敛与计算复杂性分析。在本节中，我们将分析整体算法的收敛性和复杂性。1）收敛分析：所提算法的收敛性得以保证，原因如下：• 子问题（SP1）和（SP2）在每次迭代中都得到最优解决，确保目标函数值不下降。• 在足够数量的GRM下，SDR方法至少能实现最优目标值的π/4近似[38]。7 这确保目标函数值通常增加或保持不变。 PDF p.8PDF p.9PDF p.10
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。本文开发了题目所述的方法：IRS辅助综合感测与语义通信系统的物理层安全框架。这里，κ 表示每个数据段编码语义符号的平均数量，作为语义发送器中的缩放因子，将源数据 sk 的长度映射为编码语义符号向量 xc，k 的长度。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.1PDF p.2PDF p.3
输入：源是一个源-任务-信道概率模型。 PDF p.1PDF p.2PDF p.3
发送端：发送方应用论文的语义/信源信道编码器：这里，κ 表示每个数据段编码语义符号的平均数量，作为语义发射器中的缩放因子，将源数据长度 sk 映射到编码语义符号矢量 xc，k 的长度。 PDF p.1PDF p.2PDF p.3
实际发送：传输对象是一个语义特征或潜在表示，其精确的位映射尚未完全指定。 PDF p.1PDF p.2PDF p.3
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为：信道接口报告不足或由传统链路抽象承担。 PDF p.9
接收端：接收方从被论文接收方假设的恢复语义特征开始，应用所提出的译码器、推理模型或生成器。 PDF p.1PDF p.2PDF p.3
A Physical Layer Security Framework for IRS-Assisted Integrated Sensing and Semantic Communication Systems，原 PDF 第 3 页（架构/方法页）。A Physical Layer Security Framework for IRS-Assisted Integrated Sensing and Semantic Communication Systems，原 PDF 第 9 页（关键结果页）。
Generative Semantic Communication via Textual Prompts: Latency Performance Tradeoffs
2025 · IEEE Transactions on Vehicular Technology · 联合信源信道编码（JSCC）与语义信源编码
作者：Mengmeng Ren; Li Qiao; Long Yang; Zhen Gao; Jian Chen; Mahdi Boloursaz Mashhadi; Pei Xiao; Rahim Tafazolli; Mehdi Bennis
现有进展：在此之前，相关研究已确定该框架优化无线边缘/设备上的M/VLM使用，通过视觉字幕/问答生成高保真文本提示，并通过无线信道传输给SemCom。 PDF p.1PDF p.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.1PDF p.3PDF p.6
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，早期的流程缺乏后来介绍的论文特有机制：所提框架优化无线边缘/设备上的M/VLMs，通过视觉字幕/问答生成高保真文本提示，然后通过无线信道传输给SemCom。 PDF p.1PDF p.3PDF p.6
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.1PDF p.2
本文怎样顺着问题提出方案：因此，论文提出了通过文本提示生成语义通信：延迟性能权衡。其具体设计总结如下：具体来说，我们开发了一个多用户生成型SemCom框架，利用预训练的M/VLMs，并提出了一个关于提示生成卸载、通信和计算资源分配的联合优化问题，以最小化延迟并最大化最终的语义质量。 PDF p.1PDF p.2
方案为什么有可能起作用：其因果联系在于，所提框架优化了无线边缘/设备上的M/VLMs，通过视觉字幕/问答生成高保真文本提示，然后通过无线信道传输给SemCom。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.1PDF p.2
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：仿真结果显示，在传统语义无知/非协作生成卸载基准测试中，性能有显著提升。 PDF p.5PDF 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。具体来说，我们开发了一个多用户通用SemCom框架，利用预训练的M/VLMs，并制定了一个关于提示生成卸载、通信和计算资源分配的联合优化问题，以最小化延迟并最大化最终的语义质量。所提框架优化了无线边缘/设备上的M/VLM使用，通过视觉字幕/问答生成高保真文本提示，然后通过无线信道传输给SemCom。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.1PDF p.2
输入：源是输入图像。 PDF p.1PDF p.2
发送端：发送方应用论文的语义/信源信道编码器：所提框架优化无线边缘/设备上的M/VLMs，通过视觉字幕/问答生成高保真文本提示，然后通过无线信道传输给SemCom。 PDF p.1PDF p.2
实际发送：传输对象是一个紧凑的文本提示词或令牌序列。 PDF p.1PDF p.2
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为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。 PDF p.3
接收端：接收端从收到的提示词/标记开始，这些标记对预训练生成模型进行条件化，并应用所提出的译码器、推理模型或生成器。 PDF p.1PDF p.2
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.1PDF p.2PDF 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.1PDF p.2PDF p.5
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.3
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.3
实验设置与主要结论
数据集：论文未在结构化字段中明确列出
Baseline：JPEG
指标：BLEU、accuracy、latency
信道：AWGN、Rayleigh
实验使用论文中所述的源/任务数据集;与JPEG进行比较;用 BLEU 评估准确性、延迟;并使用AWGN，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.3
模拟结果显示，性能优于传统的语义无知/非协作生成卸载基准测试。 PDF p.5PDF 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：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。
Generative Semantic Communication via Textual Prompts: Latency Performance Tradeoffs，原 PDF 第 1 页（架构/方法页）。Generative Semantic Communication via Textual Prompts: Latency Performance Tradeoffs，原 PDF 第 5 页（关键结果页）。
Generative Semantic Communications With Foundation Models: Perception-Error Analysis and Semantic-Aware Power Allocation
2025 · IEEE Journal on Selected Areas in Communications · 资源分配与跨层优化
作者：Chunmei Xu; Mahdi Boloursaz Mashhadi; Yi Ma; Rahim Tafazolli; Jiangzhou Wang
现有进展：在这篇论文之前，相关研究已经证明生成基础模型能够通过实现以超低速率实现高保真度的语义信息交换，彻底革新语义通信（SemCom）系统的设计。 PDF p.1PDF p.2
仍然存在的问题：现有方案通常通过比特率或平均失真来固定或优化无线资源，但未反映用户和样本在任务层面的语义值差异。 PDF p.1PDF p.2PDF p.8
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，已有链路缺乏这里后来介绍的论文特有机制：我们还研究了语义感知功率分配问题，以最小化超低速率和高保真SemCom的功耗。 PDF p.1PDF p.2PDF p.8
为什么这个问题值得研究：这个问题在网络规模上很重要：功耗、带宽、计算和延迟都是共享资源。语义盲调度器可能会浪费稀缺资源，却无法提升用户的实际任务质量。 PDF p.1PDF p.2
本文怎样顺着问题提出方案：因此，本文发展了基于基础模型的生成语义通信：感知-错误分析和语义感知权力分配。其具体设计总结如下：本文发展了标题所述的方法：基于基础模型的生成语义通信：感知-错误分析与语义感知权力分配。 PDF p.1PDF p.2
方案为什么有可能起作用：因果联系在于，我们还研究了语义感知功率分配问题，以最小化超低速率和高保真度的电商通信员的功耗。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.1PDF p.2
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，所提出的语义感知方法在信道编码情况下，显著优于传统方法（可节省高达90%的功耗）。 PDF p.5PDF p.7PDF p.8
系统怎么工作
该系统是语义感知资源分配的端到端通信链路。论文发展了题目所述的方法：《生成语义通信与基础模型：感知-错误分析与语义感知权力分配》。我们还研究了语义感知的功率分配问题，以最小化超低速率和高保真度的SemCom的功耗。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.1PDF p.2
输入：来源是用户、任务及其信道/资源状态。 PDF p.1PDF p.2
发送端：发送方应用论文的语义/信源信道编码器：我们还研究语义感知功率分配问题，以最小化超低速率和高保真SemCom的功耗。 PDF p.1PDF p.2
实际发送：传输对象是由底层系统模型定义的语义速率、任务效用或信道使用变量。 PDF p.1PDF p.2
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为沿用底层语义通信链路或抽象速率模型。 PDF p.3PDF p.8PDF p.12
接收端：接收端从系统公式假设的接收机模型开始，应用所提出的解码器、推理模型或生成器。 PDF p.1PDF p.2
实验使用柯达;与JPEG、BERT对比;用PSNR、SSIM、MS-SSIM、语义相似度、延迟、BER、CLIP来评估;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.3PDF p.8PDF p.12
模拟结果显示，所提出的语义感知方法在信道编码情况下显著优于传统方法（可节省高达90%的功耗）。 PDF p.5PDF p.7PDF p.8
Generative Semantic Communications With Foundation Models: Perception-Error Analysis and Semantic-Aware Power Allocation，原 PDF 第 2 页（架构/方法页）。Generative Semantic Communications With Foundation Models: Perception-Error Analysis and Semantic-Aware Power Allocation，原 PDF 第 12 页（关键结果页）。
Importance-Aware Source-Channel Coding for Multi-Modal Task-Oriented Semantic Communication
2025 · 2025 IEEE International Conference on Machine Learning for Communication and Networking (ICMLCN) · 任务导向联合信源信道设计
作者：Yi Ma; Chunmei Xu; Zhenyu Liu; Siqi Zhang; Rahim Tafazolli
团队归属：补充数据库轮次核验：指定负责人直接署名（Yi Ma）；Crossref/DBLP 正式 DOI 元数据。
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.1PDF p.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.1PDF p.4
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，已有链路缺乏后来引入的论文特有机制：这些技术虽然稳健，但依赖预定义的码本，且独立于传输内容运行。 PDF p.1PDF p.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.1PDF p.2
本文怎样顺着问题提出方案：因此，本文开发了多模态任务导向语义通信的“重要性感知信源信道编码”。其具体设计总结如下：论文发展了题目所述的方法：多模态任务导向语义通信的“重要性感知信源信道编码”。 PDF p.1PDF p.2
方案为什么有可能起作用：因果联系在于，这些技术虽然稳健，但依赖预定义的码本，并且独立于传输的内容运行。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.1PDF p.2
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：我们的实验结果显示，X0 可以根据语义图的复杂度，在压缩数据上增加约 10% ∼30% 的开销。 PDF p.4PDF p.5PDF p.6
系统怎么工作
该系统是任务导向推理的端到端通信链路。论文发展了题目所述的方法：多模态任务导向语义通信的意义感知信源信道编码。这些技术虽然稳健，但依赖于预定义的码本，且独立于传输内容。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.1PDF p.2
输入：源数据是源数据以及一个下游任务。 PDF p.1PDF p.2
发送端：发送方应用论文的语义/信源信道编码器：这些技术虽然稳健，但依赖预定义的码本，且独立于传输内容运行。 PDF p.1PDF p.2
实际发送：传输对象是一个语义特征或潜在表示，其精确的位映射尚未完全指定。 PDF p.1PDF p.2
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为：信道接口报告不足或由传统链路抽象承担。 PDF p.1PDF p.5PDF p.6
接收端：接收方从被论文接收方假设的恢复语义特征开始，应用所提出的译码器、推理模型或生成器。 PDF p.1PDF p.2
现有进展：在此之前，相关研究已证明语义编码器和面向任务链路建立了速率-质量曲线，使得优化无线电和计算资源以对任务效用进行优化成为可能。 PDF p.1PDF p.3PDF p.4
仍然存在的问题：在有限的网络资源下，高效处理实时超大规模连接以支持智能应用，为第六代无线接入网（RAN）系统的发展带来了重大挑战。 PDF p.1PDF p.3PDF p.6
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，已有链路缺少本文随后引入的专用机制：MDP由N、S、A、R（.）、E和f（.）组成的元组，其中N为代理数量（BS，GF客户端），S为状态集合，动作用A表示，R（.）为奖励函数。 PDF p.1PDF p.3PDF p.6
为什么这个问题值得研究：这个问题在网络规模上很重要：功耗、带宽、计算和延迟都是共享资源。语义盲调度器可能会浪费稀缺资源，却无法提升用户的实际任务质量。 PDF p.1PDF p.3PDF p.4
本文怎样顺着问题提出方案：因此，本文开发了利用多智能体强化学习的语义感知中继网络资源分配。其具体设计总结如下：本文开发了题目所述的方法：利用多智能体强化学习为语义感知中继网络的资源分配。 PDF p.1PDF p.3PDF p.4
方案为什么有可能起作用：因果联系是，MDP由N、S、A、R（.）、E和f（.）组成的元组组成，其中N是代理数量（BS，GF客户端），S是状态集合，动作用A表示，R（.）是奖励函数。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.1PDF p.2PDF p.3
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：为了提升动态网络条件下的长期QoE性能，所提出的奖励函数能够高效收敛。 PDF p.4PDF p.5PDF p.6
系统怎么工作
该系统是语义感知资源分配的端到端通信链路。本文发展了题目所述的方法：利用多智能体强化学习，为语义感知中继网络分配资源。MDP由N、S、A、R（.）、E和f（.）组成的元组组成，其中N是代理数量（BS，GF客户端），S是状态集合，动作用A表示，R（.）是奖励函数。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.1PDF p.2PDF p.3
输入：来源是用户、任务及其信道/资源状态。 PDF p.1PDF p.2PDF p.3
发送端：发送方应用论文的语义/信源信道编码器：MDP由N、S、A、R（.）、E和f（.）组成的元组，其中N为代理数量（BS，GF客户端），S为状态集合，动作用A表示，R（.）为奖励函数。 PDF p.1PDF p.2PDF p.3
实际发送：传输对象是由底层系统模型定义的语义速率、任务效用或信道使用变量。 PDF p.1PDF p.2PDF p.3
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为沿用底层语义通信链路或抽象速率模型。 PDF p.2
接收端：接收端从系统公式假设的接收机模型开始，应用所提出的解码器、推理模型或生成器。 PDF p.1PDF p.2PDF p.3
Resource Allocation for Semantic Aware Relay Networks using Multi-Agent Reinforcement Learning，原 PDF 第 1 页（架构/方法页）。Resource Allocation for Semantic Aware Relay Networks using Multi-Agent Reinforcement Learning，原 PDF 第 5 页（关键结果页）。
Token Communications: A Large Model-Driven Framework for Cross-Modal Context-Aware Semantic Communications
Token Communications: A Large Model-Driven Framework for Cross-Modal Context-Aware Semantic Communications，原 PDF 第 1 页（架构/方法页）。Token Communications: A Large Model-Driven Framework for Cross-Modal Context-Aware Semantic Communications，原 PDF 第 6 页（关键结果页）。
Channel-Adaptive Semantic Communication for Stereoscopic Media: Design and Prototype Implementation
2026 · 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：Jingxuan Men; Mahdi Boloursaz Mashhadi; Ning Wang; Yi Ma; Mike Nilsson; Rahim Tafazolli
现有进展：在本文之前，相关研究领域已证明立体媒体因其在3D可视化、元宇宙、虚拟现实和沉浸式媒体中的广泛应用而备受关注。 PDF p.1PDF p.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.1PDF p.9
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：立体媒体因其在3D可视化、元宇宙、虚拟现实和沉浸式媒体中的广泛应用而备受关注。 PDF p.1PDF p.9
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.1PDF p.2
本文怎样顺着问题提出方案：因此，本文发展了《立体媒体的信道自适应语义通信：设计与原型实现》。其具体设计总结如下：为解决这个问题，我们提出了一种新型双视角深度连接信源信道编码方案，能够高效提取并传输代表视图间相关的语义特征，从而减少冗余并提升重建质量。 PDF p.1PDF p.2
方案为什么有可能起作用：其因果关系在于立体媒体因其在3D可视化、元宇宙、虚拟现实和沉浸式媒体中的广泛应用而受到关注。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.1PDF p.2PDF p.3
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：SR层入多个尺度，以实现交叉视角语义交互并提升立体一致性。 PDF p.6PDF p.8PDF 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。为此，我们提出了一种新型双视角深度联合信源信道编码方案，能够高效提取和传输代表视图间相关性的语义特征，从而减少冗余并提升重建质量。立体视觉媒体因其在3D可视化、元宇宙、虚拟现实和沉浸式媒体中的广泛应用而备受关注。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.1PDF p.2PDF p.3
输入：源是输入图像。 PDF p.1PDF p.2PDF p.3
发送端：发送者应用论文的语义/信源信道编码器：立体媒体因其在3D可视化、元宇宙、虚拟现实和沉浸式媒体中的广泛应用而备受关注。 PDF p.1PDF p.2PDF p.3
实际发送：传输对象是功率归一化的实数或复值神经信道符号。 PDF p.1PDF p.2PDF p.3
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为带噪连续 潜在/复信道符号端到端联合训练。 PDF p.1PDF p.2PDF p.4
接收端：接收端从可微信道或均衡器之后的噪声连续符号开始，应用所提出的解码器、推理模型或生成器。 PDF p.1PDF p.2PDF p.3
实验使用城市景观;与DeepJSCC、JPEG2000、JPEG、LDPC、H.264、H.265、SwinJSCC比较;评估PSNR、SSIM、准确性、语义相似性和延迟;并使用AWGN、Rayleigh、衰落信道、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.1PDF p.2PDF p.4
SR层在多个尺度上插入，以实现交叉视角语义交互并提升立体一致性。 PDF p.6PDF p.8PDF 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。
Channel-Adaptive Semantic Communication for Stereoscopic Media: Design and Prototype Implementation，原 PDF 第 3 页（架构/方法页）。Channel-Adaptive Semantic Communication for Stereoscopic Media: Design and Prototype Implementation，原 PDF 第 9 页（关键结果页）。
Communicate Less, Synthesize the Rest: Latency-aware Intent-based Generative Semantic Multicasting with Diffusion Models
2026 · IEEE Transactions on Vehicular Technology · 多用户接入、广播或中继
作者：Xinkai Liu; Mahdi Boloursaz Mashhadi; Li Qiao; Yi Ma; Rahim Tafazolli; Mehdi Bennis
现有进展：在此之前，相关研究已证明生成扩散模型（GDM）近年来在合成具有高感知质量的多媒体信号方面取得了巨大成功，从而实现未来无线网络中高效的语义通信。 PDF p.1PDF p.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.1PDF p.2PDF p.8
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：生成扩散模型（GDM）最近在合成具有高感知质量的多媒体信号方面取得了巨大成功，从而实现未来无线网络中高效的语义通信。 PDF p.1PDF p.2PDF p.8
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.1PDF p.2
本文怎样顺着问题提出方案：因此，本文发展了《少传，综合余下：延迟感知意图生成语义多播与扩散模型》。其具体设计总结如下：本文开发了一个基于意图感知的生成语义多播框架，利用预训练扩散模型。 PDF p.1PDF p.2
方案为什么有可能起作用：其因果联系在于生成扩散模型（GDM）近年来在合成具有高感知质量的多媒体信号方面取得了巨大成功，从而实现未来无线网络中高效的语义通信。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.1PDF p.2PDF p.4
该系统是图像传输或生成的端到端通信链路。本文利用预训练的扩散模型开发了一种意图感知生成语义多播框架。生成扩散模型（GDM）近年来在合成具有高感知质量的多媒体信号方面取得了巨大成功，从而实现未来无线网络中高效的语义通信。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.1PDF p.2PDF p.4
输入：源是输入图像。 PDF p.1PDF p.2PDF p.4
发送端：发送方应用了论文中的语义/信源信道编码器：生成扩散模型（GDM）最近在合成具有高感知质量的多媒体信号方面取得了巨大成功，从而实现未来无线网络中高效的语义通信。 PDF p.1PDF p.2PDF p.4
实际发送：传输对象是功率归一化的实数或复值神经信道符号。 PDF p.1PDF p.2PDF p.4
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为带噪连续 潜在/复信道符号端到端联合训练。 PDF p.1PDF p.2PDF p.4
接收端：接收端从可微信道或均衡器之后的噪声连续符号开始，应用所提出的解码器、推理模型或生成器。 PDF p.1PDF p.2PDF p.4
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.6
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.1PDF p.4PDF p.5
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，已有链路缺乏本文中介绍的具体机制：论文开发了题目中描述的方法：语义MIMO：生成式人工智能时代的线性预编码再审。 PDF p.1PDF p.4PDF p.5
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.6
本文怎样顺着问题提出方案：因此，本文发展了《语义MIMO：生成式人工智能时代的线性预编码再审》。其具体设计总结如下：论文发展了题目所述的方法：语义MIMO：生成式人工智能时代的线性预编码再审。 PDF p.6
方案为什么有可能起作用：其因果联系在于，本文发展了题目所述的方法：《语义MIMO：生成式人工智能时代的线性预编码再审》。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.6
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：因此，MF在低信噪比下略优于ZF，因为期望功率更高;而在高信噪比下，由于预编码器引起的干扰较大，其性能会严重下降。 PDF p.3PDF 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。论文发展了题为《语义MIMO：生成式人工智能时代的线性预编码再审》所描述的方法。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.6
输入：源是输入图像。 PDF p.6
发送端：发送者应用了论文中的语义/信源信道编码器：本文开发了标题所述的方法：《语义MIMO：生成式人工智能时代的线性预编码再审》。 PDF p.6
实际发送：传输对象是一个语义特征或潜在表示，其精确的位映射尚未完全指定。 PDF p.6
信道：传输遵循论文中评估的信道/资源模型;其处理方式总结为：信道接口报告不足或由传统链路抽象承担。 PDF p.1PDF p.2PDF p.4
接收端：接收方从被论文接收方假设的恢复语义特征开始，应用所提出的译码器、推理模型或生成器。 PDF p.6
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.2PDF p.3PDF 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.2PDF p.3PDF 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.1PDF p.2PDF 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.1PDF p.2PDF p.4
实验设置与主要结论
数据集：论文未在结构化字段中明确列出
Baseline：论文未在结构化字段中明确列出
指标：PSNR、SSIM、LPIPS、accuracy、BER、CLIP
信道：MIMO、QAM
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PSNR、SSIM、LPIPS、精度、BER、CLIP等方法进行评估;并使用MIMO、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.1PDF p.2PDF p.4
因此，MF在低信噪比下略优于ZF，因为期望功率更高;而在高信噪比下，由于预编码器引起的干扰较大，其性能会严重下降。 PDF p.3PDF 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：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。
Semantic MIMO: Revisiting Linear Precoding in the Generative AI Era，原 PDF 第 1 页（架构/方法页）。Semantic MIMO: Revisiting Linear Precoding in the Generative AI Era，原 PDF 第 4 页（关键结果页）。
排除与边界记录
这些条目在检索中出现，但因预印本、综述/愿景、MDPI、主题边界或被期刊扩展版取代而未进入核心表。
年份
标题
原因
2024
Communicate Less, Synthesize the Rest: Latency-aware Intent-based Generative Semantic Multicasting with Diffusion Models
非正式期刊/会议技术论文类型：preprint
2024
Generative Semantic Communication via Textual Prompts: Latency Performance Tradeoffs
非正式期刊/会议技术论文类型：preprint
2024
Generative Semantic Communications with Foundation Models: Perception-Error Analysis and Semantic-Aware Power Allocation
非正式期刊/会议技术论文类型：preprint
2024
Latency-Aware Generative Semantic Communications with Pre-Trained Diffusion Models
非正式期刊/会议技术论文类型：preprint
2024
Semantic-Aware Power Allocation for Generative Semantic Communications with Foundation Models
非正式期刊/会议技术论文类型：preprint
2025
ToDMA: Large Model-Driven Massive Token Communications for Semantic Multiple Access
非正式期刊/会议技术论文类型：preprint
2025
Token Communications: A Large Model-Driven Framework for Cross-modal Context-aware Semantic Communications
非正式期刊/会议技术论文类型：preprint
2025
Token-Domain Multiple Access: Exploiting Semantic Orthogonality for Collision Mitigation
非正式期刊/会议技术论文类型：preprint
2026
Video TokenCom: Textual Intent-Guided Multi-Rate Video Token Communications with UEP-Based Adaptive Source-Channel Coding
非正式期刊/会议技术论文类型：preprint
2026
Video TokenCom: Textual Intent-Guided Multi-Rate Video Token Communications with UEP-Based Adaptive Source-Channel Coding
非正式期刊/会议技术论文类型：preprint
2026
Wireless TokenCom: RL-Based Tokenizer Agreement for Multi-User Wireless Token Communications
非正式期刊/会议技术论文类型：preprint
2026
Wireless TokenCom: RL-Based Tokenizer Agreement for Multi-User Wireless Token Communications
非正式期刊/会议技术论文类型：preprint
2024
Semantic-Aware Power Allocation for Generative Semantic Communications with Foundation Models
存在同团队、同方法家族且作者高度重合的正式期刊扩展版；按既定口径由期刊版取代：Generative Semantic Communications With Foundation Models: Perception-Error Analysis and Semantic-Aware Power Allocation (IEEE JSAC, 2025)
2025
Adaptive Semantic Communication for Gaze-guided Stereo Media Transmission
存在同团队、同方法家族且作者高度重合的正式期刊扩展版；按既定口径由期刊版取代：Channel-Adaptive Semantic Communication for Stereoscopic Media: Design and Prototype Implementation (IEEE TCCN, 2026)
2026
Channel-adaptive Semantic Communication for Stereoscopic Media:Design and Prototype Implementation
同一正式论文的机构仓储/书目重复记录；保留 DOI 对应的出版社记录
2025
A Physical Layer Security Framework for Integrated Sensing and Semantic Communication Systems
会议版本被 IEEE TCCN 期刊扩展版 A Physical Layer Security Framework for IRS-Assisted Integrated Sensing and Semantic Communication Systems 取代
2021
Mixed High-Order Attention Network for Weakly- Supervised Semantic Segmentation
计算机视觉语义分割，非语义通信
2022
Real-Time Semantic Segmentation via an Efficient Multi-Column Network
计算机视觉语义分割，非语义通信
2021
A Hybrid Semantic Segmentation Based on Level-Set Evolution Driven by Fully Convolutional Networks
计算机视觉语义分割，非语义通信
方法与责任说明
书目元数据通过 OpenAlex、DOI 和出版页面核验；逐篇技术结论以本地 PDF 页码证据为准。自动定位不到可靠证据时明确标为待人工核查，不用摘要填充“阅读全文”结论。
AI Disclosure：本报告使用 AI 辅助完成检索、全文定位、结构化提取和网页生成；所有可核验论断均保留 DOI 或 PDF 页码入口。
