DiffCom: Channel Received Signal is a Natural Condition to Guide Diffusion Posterior Sampling

传统的端到端视觉通信系统通常优化信道带宽成本和信号失真度量之间的权衡。然而，在具有挑战性的物理条件下，这种传统的判别式通信范式通常会导致不现实的重建，具有可感知的模糊和混叠伪影，尽管包括感知或对抗性损失进行优化。这个问题主要源于接收方对基础数据流形的有限了解和确定性解码机制的使用。为了解决这些限制，本文介绍了DiffCom，一种新颖的端到端生成式通信范式，利用现成的生成先验和概率扩散模型进行解码，从而提高感知质量，而不过度依赖带宽成本和接收信号质量。与仅针对失真度量进行优化的确定性解码器的传统系统不同，我们的DiffCom利用原始通道接收信号作为细粒度条件来引导随机后验采样。我们的方法确保重建保持在真实数据的流形上，并增强了生成结果的鲁棒性和可靠性。此外，DiffCom采用盲后验采样技术来处理未知的前向传输特性。广泛的实验验证表明，DiffCom不仅能够产生真实的重建，保留原始数据的细节，而且在对抗各种无线传输降级方面具有优越的鲁棒性。总的来说，这些进展将DiffCom确立为设计生成式通信系统的新基准，提供了增强的鲁棒性和泛化优势。

DiffCom试图解决在物理条件恶劣的情况下，传统的端到端视觉通信系统往往会产生模糊和混淆等失真问题的挑战。论文提出了一种基于生成模型和概率扩散模型的新型端到端生成通信范式，以提高感知质量并减少带宽成本和接收信号质量的依赖。

DiffCom利用生成先验和概率扩散模型进行解码，从而改善了传统系统中的失真问题，同时在解码过程中利用原始信号进行条件引导，保证重构结果保持在真实数据流形上。此外，DiffCom还引入了一种盲后验采样技术来处理未知的前向传输特性。

DiffCom不仅能够生成具有逼真细节的重构结果，而且在面对各种无线传输退化时能够实现更强的鲁棒性和泛化能力。论文对DiffCom进行了广泛的实验验证，并展示了其在不同数据集上的优越性能。此外，DiffCom还提供了开源代码以供使用。

最近的相关研究包括使用生成模型进行端到端通信的其他工作，如Generative Communication Networks和Generative Adversarial Networks for End-to-End Visual Communication等。