【标题】Towards Semantic Communications: Deep Learning-Based Image Semantic Coding

【作者团队】Danlan Huang, Feifei Gao, Xiaoming Tao, Qiyuan Du, Jianhua Lu

【发表日期】8 August, 2022;

【论文链接】https://arxiv.org/pdf/2208.04094.pdf

【推荐理由】

语义通信越来越受到人们的关注，因为它可以显著减少要传输的数据量，而不会丢失关键信息。在本文中，论文设想了图像数据的语义通信，它在语义和带宽方面更加丰富。论文提出了一种基于强化学习的自适应语义编码（RL-ASC）方法，该方法将图像编码到像素级之外。首先，论文定义了图像数据的语义概念，包括类别、空间排列和视觉特征作为表示单元，并提出了一种卷积语义编码器来提取语义概念。其次，提出了从传统的像素相似度到语义相似度和感知性能的图像重建标准。第三，设计了一种新的基于RL的语义比特分配模型，其奖励是在编码具有自适应量化级别的特定语义概念后，语义感知性能的提高。因此，任务相关信息被适当地保存和重建，而不太重要的数据被丢弃。最后，提出了基于生成对抗网（GAN）的语义解码器，该解码器通过关注模块融合局部和全局特征。实验结果表明，与标准编解码器和其他基于深度学习的图像编解码器相比，所提出的RL-ASC具有噪声鲁棒性，能够重建视觉上愉悦且语义一致的图像，并且节省了几倍的比特成本。