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

语义通信（SemCom）已经成为支持第六代应用的新范式，其中数据的语义特征使用人工智能算法传输，以实现高通信效率。大多数现有的SemCom技术利用深度神经网络（DNN）实现模拟源通道映射，这与现有的数字通信架构不兼容。为了解决这个问题，本文提出了一个针对SemCom中图像传输的数字深度联合源通道编码（D$^2$-JSCC）的新框架。该框架具有数字源编码和通道编码，它们被联合优化以减少端到端（E2E）失真。首先，采用自适应密度模型的深度源编码来根据其分布对语义特征进行编码。其次，采用数字通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通道速率的函数。然后，提出了一个两步算法来控制给定信道信噪比下的源通道速率，以最小化E2E失真。仿真结果表明，所提出的框架优于经典的深度JSCC，并缓解了分离式方法中常见的悬崖和平台效应。

论文提出了一种数字深度联合源通道编码（D$^2$-JSCC）框架，用于在语义通信中传输图像。该框架旨在解决现有的SemCom技术使用的深度神经网络（DNN）与现有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，二者联合优化以减少端到端（E2E）失真。具体来说，采用自适应密度模型的深度源编码来编码语义特征，然后使用数字信道编码来保护编码特征免受信道失真的影响。通过贝叶斯模型和DNN的Lipschitz假设来分析E2E失真，提出了一种两步算法来控制给定信道信噪比的源信道速率，以最小化E2E失真。

该框架在语义通信中传输图像方面表现良好，优于经典的深度JSCC，并减轻了分离式方法中普遍存在的悬崖和平台效应。

最近的相关研究包括： 1. 'End-to-End Learning of Communications Systems without a Channel Model' 2. 'Deep Learning for Joint Source-Channel Coding of Images Using an Autoregressive Prior'