基于蒸馏的知识对齐：面向AIGC图像的生成式语义通信
机器学习
2026-01-27 v2 人工智能
信息论
图像与视频处理
math.IT
摘要
由于AI生成图像数量的激增，将其提供给边缘设备和移动用户会在网络上造成巨大的流量负担。生成式语义通信（GSC）通过传输高度紧凑的信息（即提示文本和潜在表示），而非高维图像数据，提供了可行的解决方案。然而，GSC依赖于云端生成AI（GAI）与边缘/用户所拥有知识之间的对齐，以及无线传输知识与实际信道知识之间的对齐，这仍具有挑战性。本文提出DeKA-g，一种面向GSC系统的蒸馆驱动的知识对齐算法。核心思想是将云端GAI的图像生成知识蒸馆到低秩矩阵中，这些矩阵可被边缘设备采纳，用于适应不同无线信道条件下的传输知识。DeKA-g包含两种新方法：元词驱动的知识蒸馆（MAKD）和条件感知的低秩适应（CALA）。对于MAKD，采用优化后的元词提高了知识蒸馆的效率；CALA则实现了对不同速率要求和信道条件的高效适应。仿真结果表明，DeKA-g通过44%提高了边缘生成图像与云端生成图像的一致性，并将平均传输质量（PSNR）提升了6.5 dB，显著优于无知识对齐的基线方法。
引用
@article{arxiv.2506.19893,
title = {Distillation-Enabled Knowledge Alignment for Generative Semantic Communications of AIGC Images},
author = {Jingzhi Hu and Geoffrey Ye Li},
journal= {arXiv preprint arXiv:2506.19893},
year = {2026}
}