语义逐次精炼：面向生成式AI的语义通信框架
机器学习
2024-08-12 v1 人工智能
图像与视频处理
摘要
语义通信（SC）是一项旨在突破香农极限的新兴技术。传统SC策略通常最小化原始数据与重建数据之间的信号失真，忽视了感知质量，尤其在低信噪比（SNR）环境下。为解决这一问题，我们提出了一种面向单用户场景的新型生成式AI语义通信（GSC）系统。该系统利用深度生成模型建立了SC的新范式。具体而言，在发送端，它采用基于Swin Transformer的联合信源-信道编码机制，以实现高效的语义特征提取与压缩。在接收端，先进的扩散模型（DM）从退化信号中重建高质量图像，增强感知细节。此外，我们提出了一种利用异步处理模型的多用户生成式语义通信（MU-GSC）系统。该模型能够有效管理多个用户请求，并最优地利用系统资源进行并行处理。在公开数据集上的仿真结果表明，我们的生成式AI语义通信系统在多种信道条件下均实现了优越的传输效率和增强的通信内容质量。与基于CNN的DeepJSCC相比，我们的方法在加性高斯白噪声（AWGN）信道中将峰值信噪比（PSNR）提升了17.75%，在瑞利信道中提升了20.86%。
引用
@article{arxiv.2408.05112,
title = {Semantic Successive Refinement: A Generative AI-aided Semantic Communication Framework},
author = {Kexin Zhang and Lixin Li and Wensheng Lin and Yuna Yan and Rui Li and Wenchi Cheng and Zhu Han},
journal= {arXiv preprint arXiv:2408.05112},
year = {2024}
}