Sistemi di comunicazione semantica senza addestramento abilitati con modelli di diffusione generativa
La comunicazione semantica (SemCom) è emersa di recente come un promettente paradigma per i sistemi wireless di prossima generazione. Grazie alle avanzate tecnologie di intelligenza artificiale (AI), SemCom ha ottenuto significativi miglioramenti nella qualità e nell’efficienza della trasmissione. Tuttavia, gli attuali sistemi SemCom si basano sull’addestramento su grandi set di dati e specifiche condizioni di canale oppure subiscono un degrado delle prestazioni in presenza di rumore del canale quando operano senza addestramento. Per risolvere questi problemi, esploriamo l’uso di modelli di diffusione generativa (GDM) come sistemi SemCom senza addestramento. In particolare, progettiamo un metodo di codifica e decodifica semantica basato sul processo di inversione e campionamento del modello implicito di diffusione denoising (DDIM), che introduce un processo di diffusione in avanti a due stadi, suddiviso tra trasmettitore e ricevitore per migliorare la robustezza contro il rumore del canale. Inoltre, ottimizziamo i passaggi di campionamento per compensare l’aumento del livello di rumore causato dal rumore del canale. Conduciamo anche una breve analisi per fornire informazioni su questo progetto. Le simulazioni sul set di dati Kodak convalidano che il sistema proposto supera i sistemi SemCom di base esistenti in varie metriche.
Paper: ArXiv.org