基于深度学习的无线通信图像压缩：对可靠性、吞吐量和延迟的影响
信号处理
2024-11-19 v1 机器学习
网络与互联网体系结构
摘要
在无线通信中，图像高效传输必须在动态信道条件下平衡可靠性、吞吐量和延迟，尤其是在面临不断变化的环境时。这篇论文提出了一种针对此类环境的自适应和渐进式基于学习的图像压缩（LIC）架构。我们研究了两种最先进的学习基于模型：超先验模型和向量量化生成对抗网络（VQGAN）。超先验模型通过无损压缩瓶颈实现卓越的压缩性能，但易受比特错误影响，需要使用纠错或重传机制。相比之下，VQGAN解码器即使在缺乏信道编码的情况下也能实现稳健的图像重建，在具有挑战性的传输场景中增强了可靠性。我们提出了两种模型的渐进式版本，使其能够在信道条件不完美时进行部分图像传输和解码。这种渐进方法不仅在差的信道条件下保持图像完整性，还通过允许即时部分图像可用性显著减少延迟。我们在Rayleigh衰落信道模型模拟动态条件下，使用Kodak高分辨率图像数据集对我们的管道进行评估。结果表明，渐进式传输框架在各种信噪比（SNR）水平下，相较于非渐进方案，在可靠性和延迟方面表现更好，同时在吞吐量上保持或提升。特别是，渐进式超先验模型在所有SNR水平下在延迟指标上均表现突出，尤其是在99.9 percentile等待时间——即99.9%传输实例所经历的最大等待时间——方面，在低SNR场景中实现更高的吞吐量，甚至在Adaptive WebP失效时也能表现更好。
引用
@article{arxiv.2411.10650,
title = {Deep Learning-Based Image Compression for Wireless Communications: Impacts on Reliability,Throughput, and Latency},
author = {Mostafa Naseri and Pooya Ashtari and Mohamed Seif and Eli De Poorter and H. Vincent Poor and Adnan Shahid},
journal= {arXiv preprint arXiv:2411.10650},
year = {2024}
}