生成式语义通信：超越比特恢复的差分扩散模型
人工智能
2026-05-18 v2 多媒体
摘要
语义通信有望成为下一代基于AI的通信的核心之一。语义通信提供的一种可能性是在目的地侧重新生成与所传输图像或视频语义等价的内容，而不必恢复所传输的比特序列。当前的解决方案仍缺乏从接收到的部分信息构建复杂场景的能力。显然，存在一种未满足的需求，即在生成方法的有效性与所传输信息的复杂性之间取得平衡，并可能考虑通信目标。在本文中，我们旨在通过提出一种新颖的用于语义通信的生成式扩散引导框架来弥合这一差距，该框架利用扩散模型在合成多媒体内容方面的强大能力，同时保留语义特征。我们通过仅发送高度压缩的语义信息来减少带宽使用。然后，扩散模型学习通过空间自适应归一化从此类去噪语义信息合成语义一致场景。我们通过多场景的深入评估证明，即使在接收内容严重退化的情况下，我们的方法在生成保留语义信息的高质量图像方面也优于现有解决方案。更具体地，我们的结果表明，即使在通信信道存在极端噪声条件下，物体、位置和深度仍可被识别。代码可在https://github.com/ispamm/GESCO获取。
引用
@article{arxiv.2306.04321,
title = {Generative Semantic Communication: Diffusion Models Beyond Bit Recovery},
author = {Eleonora Grassucci and Sergio Barbarossa and Danilo Comminiello},
journal= {arXiv preprint arXiv:2306.04321},
year = {2026}
}