基于深度学习的图像语义通信研究综述.docVIP

基于深度学习的图像语义通信研究综述

一、图像语义通信的核心内涵与技术演进逻辑

传统图像通信系统遵循香农通信框架，以“比特准确传输”为核心目标，通过信源编码压缩图像冗余、信道编码对抗传输干扰，最终在接收端重建像素级一致的图像。这类系统在带宽充足的场景下能够满足基础传输需求，但随着6G通信、元宇宙、智能交互等新兴场景的爆发，图像数据量呈指数级增长，传统架构的瓶颈日益凸显：当带宽受限或信道质量波动时，像素级传输的错误会直接导致接收端图像质量断崖式下降，且传输过程未考虑接收端的实际任务需求，大量无效像素信息占用了宝贵的带宽资源。

图像语义通信的出现打破了传统框架的局限，其核心逻辑是“面向任务的语义有效传输”：不再追求像素层面的完全一致，而是提取图像中对接收端任务（如图像分类、目标检测、内容理解）有用的语义信息进行编码传输，接收端根据语义信息重建符合任务需求的图像或直接输出推理结果。这种传输模式能够大幅降低传输比特数，同时在恶劣信道环境下保持任务性能的稳定性，本质上是将人类认知中的“语义优先级”引入通信系统，实现了从“传输比特”到“传输意义”的范式转变。

深度学习技术的普及是图像语义通信快速发展的核心驱动力。早期语义通信研究依赖人工设计的语义特征（如SIFT特征、HOG特征），特征表达能力有限且泛化性差，仅能支持简单场景下的特定任务。2016年以来，卷积神经网络（CNN）、Transform