低空网络中面向隐私的图像传输：基于 Swin Transformer 的联邦学习框架
图像与视频处理
2026-05-14 v1 机器学习
摘要
低空经济的快速发展推动了无人机（UAV）应用的普及，包括物流、检修和紧急响应等领域。然而，在受限带宽和严格隐私要求的环境下，将 UAVs 传输大量图像数据至地面站存在诸多挑战。为解决此问题，本文提出一种基于联邦学习（FL）的语义通信（SC）框架，以实现高效且隐私保护的图像传输。设计了基于 Swin Transformer 的语义通信（STSC）架构，在受限带宽条件下提取多尺度语义特征。在 UAVs 上部署专用的通信与计算节点，以提升实时覆盖范围和灵活性。同时，联邦学习机制使分布式设备能够在不共享原始数据的情况下进行全局模型训练，从而保护用户隐私。基于 CIFAR-10 数据集的仿真实验表明，所提出的 STSC 框架相较于 DeepJSCC 基线，在峰值信噪比（PSNR）上至少提升 5.7 dB，同时表现出优异的收敛性和泛化能力。该框架有效地将 UAV 辅助部署与语义通信及隐私保护相结合，为低空网络中受限带宽的图像传输提供了实用的解决方案。
引用
@article{arxiv.2605.12566,
title = {On Privacy-Preserving Image Transmission in Low-Altitude Networks: A Swin Transformer-Based Framework with Federated Learning},
author = {Kexin Zhang and Lixin Li and Yuna Yan and Xin Zhang and Wensheng Lin and Rui Li and Dongwei Zhao and Zhu Han},
journal= {arXiv preprint arXiv:2605.12566},
year = {2026}
}
备注
13 pages, 10 figures, 2 tables