Introduzione
La comunicazione semantica (SemCom) è emersa di recente come un promettente paradigma per i sistemi wireless di prossima generazione. Sfruttando le avanzate tecnologie di intelligenza artificiale (IA), SemCom ha ottenuto miglioramenti significativi nella qualità e nell’efficienza della trasmissione. Tuttavia, i sistemi SemCom esistenti si basano sull’addestramento su grandi set di dati e specifiche condizioni di canale o soffrono di degrado delle prestazioni in condizioni di rumore del canale quando operano in modo senza addestramento. Questo articolo esplora l’uso di modelli di diffusione generativa (GDM) come sistemi SemCom senza addestramento.
Metodologia
Progettiamo un metodo di codifica e decodifica semantica basato sul processo di inversione e campionamento del modello implicito di diffusione del denoising (DDIM), introducendo un processo di diffusione in avanti a due stadi, suddiviso tra trasmettitore e ricevitore per migliorare la robustezza contro il rumore del canale. Ottimizziamo inoltre 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.
Risultati
I risultati dimostrano che i GDM possono essere utilizzati per creare sistemi SemCom senza formazione che superano le prestazioni dei sistemi esistenti in termini di accuratezza e robustezza al rumore del canale. L’uso di DDIM consente di codificare e decodificare le informazioni semantiche in modo efficiente, mentre l’ottimizzazione dei passaggi di campionamento migliora ulteriormente le prestazioni. Questo approccio rappresenta un passo avanti significativo nello sviluppo di sistemi di comunicazione semantica avanzati.
Paper: ArXiv.org