面向数字语义通信的基于评分的信道去噪模型(SCDM)

基于评分的扩散模型是扩散模型家族中的一种重要变体，在日益受欢迎的生成任务领域得到了广泛应用。最近的研究探索了扩散模型在语义通信中的去噪潜力。然而，在以往范式中，扩散过程中产生的噪声失真与数字信道噪声特性不匹配。本文引入面向数字语义通信的基于评分的信道去噪模型(SCDM)。SCDM 将数字传输中星座符号序列的失真视为基于评分的前向扩散过程。我们设计了针对训练阶段中数字信道噪声特性的定制化前向噪声破坏。在推理阶段，经过训练的SCDM能够有效地在各种信噪比条件下对接收到的语义符号进行去噪，从而降低语义解码器从接收到的噪声符号中提取语义信息的难度，从而增强重建语义信息的鲁健性。实验结果表明，SCDM 在 PSNR、SSIM 和 MSE 指标上均优于基线模型，尤其在低信噪比水平下表现更为突出。此外，SCDM 将存储需求降低了7.8倍。这种在存储上的高效性，结合其鲁健的去噪能力，使SCDM 成为DSC 在多样化信道条件下的实用解决方案。