D$^2$-JSCC: Digital Deep Joint Source-channel Coding for Semantic Communications

本文介绍了语义通信（SemCom）作为支持第六代应用的新范式，其中利用人工智能算法传输数据的语义特征以实现高效通信。大多数现有的SemCom技术利用深度神经网络（DNN）实现模拟源信号-信道映射，这与现有的数字通信架构不兼容。为了解决这个问题，本文提出了一种针对SemCom中图像传输的数字深度联合源信道编码（D$^2$-JSCC）的新框架。该框架具有数字源编码和信道编码，二者共同优化以减少端到端（E2E）失真。首先，利用自适应密度模型设计深度源编码以根据其分布对语义特征进行编码。其次，采用数字信道编码来保护编码特征免受信道失真的影响。为了促进它们的联合设计，通过贝叶斯模型和DNN的Lipschitz假设分析，将E2E失真表征为源速率和信道速率的函数。然后，为了最小化E2E失真，提出了一个两步算法来控制给定信道信噪比的源-信道速率。模拟结果表明，所提出的框架优于经典的深度JSCC，并减轻了基于分离的方法中常见的悬崖和平台效应。

本论文旨在提出一种数字深度联合源通道编码（D$^2$-JSCC）框架，以解决现有SemCom技术利用深度神经网络实现模拟源-信道映射与数字通信架构不兼容的问题。

该框架采用数字源编码和信道编码进行联合优化，以减少端到端失真。首先，采用自适应密度模型的深度源编码对语义特征进行编码。其次，采用数字信道编码来保护编码特征免受信道失真的影响。为了实现它们的联合设计，通过对贝叶斯模型和DNN的Lipschitz假设进行分析，将端到端失真表征为源速率和信道速率的函数。然后，提出了一个两步算法来控制给定信道信噪比的源通道速率，以最小化端到端失真。

该框架在图像传输中应用，优于传统的深度JSCC，并减轻了分离式方法中常见的悬崖和平稳效应。论文使用了模拟实验，结果表明该框架的有效性。该研究为SemCom技术的发展提供了新思路。

最近的相关研究包括：1.《A Survey on Semantic Communication》；2.《Deep Learning for Semantic Communications: A Review》；3.《Deep Joint Source-Channel Coding for Scalable Video Streaming in Wireless Networks》。