生成式特征插值——面向误差抗性语义通信的技术
机器学习
2025-08-27 v2 计算机视觉与模式识别
摘要
语义通信( SemCom)作为一种通过人工智能(AI)提取和传输源数据内在意义以实现前所未有通信效率的范式，在第六代(6G)网络中备受推崇。然而，在数字系统中部署SemCom提出了新的挑战，尤其是要确保对可能扭曲语义关键内容的传输错误的鲁健性。为此，本文提出一种新型框架，称为生成式特征插值，包含三个关键技术。首先，我们引入一种空间误差浓集数据包化策略，通过根据信道映射对特征元素进行编码来空间化特征失真，这一属性对于后续技术的有效性和降低复杂度至关重要。其次，基于该策略，我们提出生成式特征插值方法，利用扩散模型高效重建由数据包丢失引起的缺失特征。最后，我们开发了语义感知的功率分配方案，通过根据每个数据包的语义重要性分配传输功率来实现非均等误差保护。实验结果表明，所提框架在块衰落条件下优于常规方法，如深度联合源信道编码( DJSCC)和JPEG2000，实现更高的语义准确率和更低的学习感知图像补丁相似性(LPIPS)分数。
引用
@article{arxiv.2508.17957,
title = {Generative Feature Imputing -- A Technique for Error-resilient Semantic Communication},
author = {Jianhao Huang and Qunsong Zeng and Hongyang Du and Kaibin Huang},
journal= {arXiv preprint arXiv:2508.17957},
year = {2025}
}