联合源信道噪声添加与自适应去噪的扩散基于语义通信-计算机科学-语义通信-扩散模型-自适应去噪-注意力机制.pdfVIP

1

联合源信道噪声添加与自适应去噪的扩散基

于语义通信

ChengyangLiang,DongLiSeniorMember,IEEE

摘要—语义通信（SemCom）旨在传达消息的预期含义，而个前向加噪程序，逐渐将数据扰动为简单的噪声分布；

不仅仅是传输比特，从而提供更高的效率和鲁棒性，特别是在以及一个学习的反向去噪过程，迭代地将噪声精炼为现

资源受限或嘈杂的环境中。本文提出了一种新型框架，称为联实的数据样本。其优势在于它们可以在图像合成等领域

合源信道加噪与自适应去噪（JSCNA-AD），该框架基于扩散模

生成高保真和多样化的输出，并且通常表现出比生成对

型（DM）进行语义通信。与传统的编解码器设计不同，我们的

方法在传输过程中有意地引入了信道噪声，有效地将有害的信道抗网络（GANs）和变分自编码器（VAEs）更稳定的训

噪声转化为基于扩散的语义重建过程中的一个建设性组成部分。练和更好的样本质量。扩散模型（DM）管理噪声的内

本此外，我们引入了一种基于注意力的自适应去噪机制，在该机制在能力及其强大的生成能力表明，在嘈杂和资源受限

中，传输图像被划分为多个区域，并根据每个区域的语义重要性环境中增强SemCom系统的潜力巨大。最近的一些初

译动态分配去噪步骤的数量。这种设计通过优先处理关键的语义信

步研究表明，将DM应用于语义压缩和通信等领域[6],

中息有效地平衡了接收质量和推理延迟。广泛的实验表明，我们的[7]，展示了有希望的结果。

2方法在各种噪声条件下显著优于现有的语义通信方案，强调了基

v于扩散模型在下一代通信系统中的潜在价值。然而，当前的方法主要将通信噪声视为需要减轻的

4IndexTerms—语义通信，联合源信道噪声添加，扩散模型，外部干扰，并没有充分利用扩散过程的独特结构。具体

4

6自适应去噪，注意力机制。而言，无缝地将信道损伤整合进扩散框架中，利用噪声

9

0作为建设性元素而不是有害因素这一挑战仍然未被解

5.I.介绍决。此外，基于语义重要性动态分配去噪资源以减少

0HE数据流量的爆炸性增长，由物联网（IoT）、自由推理时间引起的延迟的自适应策略尚未得到充分探

5

2T主系统和沉浸式媒体等应用程序驱动，正在将设索。这些差距促使我们重新思考SemCom中的信道噪

:

v计于香农范式下的传统通信系统推向极限。传统方法主声和去噪的角色，从而开发了一个新的框架，称为联合

i

x要集中在最大化数据速率和最小化比特错误上，常常忽源信道噪声添加与自适应去噪（JSCNA-AD）框架用于

r

a视了传输数据的语义意义。然而，新兴的应用程序优先SemCom系统。本工作的贡献总结如下：

考虑成功的解释而非比特完美的恢复[1],[2]，这促使了

强调任务相关信息传输的语义通信（SemCom）框架的JSCNA-AD半导体通信框架：我们提出了一

发展，并有望重塑未来的无线网络。种新颖的SemCom框架，称为JSCNA-AD用于

最初几十年前构想的SemCom随着深度学习（DL）SemCom系统，该框架通过编码器中的基于受控扩

的突破最近取得了进展。当代基于DL的方法通常采用散扰动过程统一源噪声和信道噪声，并在解码器中

联合源通道编码（JSCC），将源压缩和信道保护整合到采用自适应注意力引导的反向扩散策略进行区域

统一的深层神经网