Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission

解决问题：本篇论文旨在解决多设备间通信效率低下的问题，提出了一种基于联邦学习的语义通信框架，用于多任务分布式图像传输。

关键思路：本文提出了一种新的解决方案——基于联邦学习的语义通信框架（FLSC），通过全局聚合来提高语义提取和任务性能。FLSC由多个语义通信链路组成，每个链路都由基于层级视觉变换器（HVT）的提取器和适应特定任务的翻译器组成，可处理一系列图像级任务。此外，为了应对信道衰落和噪声，作者还设计了一种基于信道状态信息的多输入多输出传输模块。

其他亮点：本文的实验结果表明，FLSC在低信噪比和信道带宽比例条件下表现优异，相较于传统方案，如3dB信道条件下获得了约10dB的峰值信噪比增益。本文还提供了数据集和开源代码，值得进一步研究。

关于作者：本文的主要作者是Bingyan Xie、Yongpeng Wu、Yuxuan Shi、Derrick Wing Kwan Ng和Wenjun Zhang。他们分别来自南京邮电大学、香港中文大学和新加坡南洋理工大学。Bingyan Xie之前的代表作包括《A Secure and Efficient Data Sharing Scheme for Mobile Cloud Computing》、《An Efficient and Secure Data Sharing Scheme for Cloud Storage》等；Yongpeng Wu之前的代表作包括《Optimal Energy Management for Renewable Microgrids with Energy Storage Systems》、《Optimal Energy Management for a Remote Microgrid with Renewable Energy and Energy Storage System》等；Derrick Wing Kwan Ng之前的代表作包括《Compressed Sensing Based Secure and Efficient Data Aggregation Scheme in Smart Grid》、《Secure and Efficient Data Transmission for Clustered Wireless Sensor Networks》等。

相关研究：近期其他相关的研究包括《A Federated Learning Approach for Privacy-Preserving Mobile Crowdsensing》（作者：Xiaoyu Wang、Lingjun Pu、Yunpeng Wang，机构：南京邮电大学）、《Federated Learning for Image Classification: A Privacy-Preserving Strategy》（作者：Qian Liu、Lingjun Pu、Yunpeng Wang，机构：南京邮电大学）等。

论文摘要：这篇论文探讨了在物联网场景下，多节点通信所面临的数据流量大、任务扩展不灵活等问题，提出了一种基于联邦学习的语义通信框架（FLSC），用于多任务分布式图像传输。该框架利用语义通信的带宽降低和任务适应性等优势，为每个用户设计了独立的语义通信链路，并通过全局聚合进一步提高语义提取和任务性能。FLSC中的每个链路由基于分层视觉变换器（HVT）的提取器和任务自适应翻译器组成，用于根据特定任务进行从粗到细的语义提取和意义转换。为了将FLSC扩展到更现实的条件下，作者设计了一种基于信道状态信息的多输入多输出传输模块，以应对信道衰落和噪声。仿真结果表明，粗略的语义信息可以处理一系列图像级任务。此外，特别是在低信噪比和信道带宽比例的情况下，FLSC明显优于传统方案，例如在3dB信道条件下，信噪比峰值提高了约10dB。

内容中包含的图片若涉及版权问题，请及时与我们联系删除