视频会议环境下面向语义通信的高鲁棒视频重建方法

在传统的视频会议场景中,如果用户网络带宽不足,就会出现严重的时延,卡顿现象,从而导致用户体验较差。与此同时,随着深度学习等技术的发展,目前已经出现了效果逼真的视频重建方法。现有的基于深度学习的视频重建方法可以很好地解决传统视频会议技术的带宽不足问题,其基于语义通信有广阔的应用前景,然而,当前视频重建方法在面部大幅扭动情况下重建效果差。针对这一挑战,提出了一种视频会议环境下面向语义通信的高鲁棒视频重建方法。首先,改进了现有的视频重建算法,引入来自于原始视频的压缩语义特征构建了新的面向语义的视频重建模型,其次,针对视频会议场景,提升了重建分辨率并设计了完整的视频重建方法。最后,实验和仿真结果表明,所提方法相比于传统视频会议方案降低了约三分之二的带宽,同时所提方法的重建效果,相比于当前基于深度学习的视频重建效果更具有鲁棒性,验证了所提视频重建方法的性能优势。

基于信息瓶颈的信道自适应语义压缩编码方法

深度神经网络被广泛用于语义压缩编码,然而所生成的语义特征是否还有冗余信息和压缩空间等难以判断。针对此问题,首先基于信息瓶颈理论给出损失函数,接着引入信道自适应压缩模块构建系统模型,然后利用vCLUB互信息估计和变分近似方法推导损失函数上界,设计互信息估计网络等结构。实验结果表明,与基线方法相比,所提出的基于信息瓶颈的信道自适应语义压缩编码方法实现了更高的智能任务性能和更低的通信开销。

VLC/RF混合系统中基于纵向联邦学习的资源优化算法

为解决纵向联邦学习中的通信资源受限问题,提出一种可见光通信与射频通信混合系统下联合优化传输功率、用户选择与信道估计的纵向联邦学习算法。首先,在传统射频(RF)链路的基础上引入可见光通信(VLC)链路构建VLC/RF混合系统。然后,引入基于多层感知机的信道估计算法,提高传输数据的准确性。最后,构建以最小化纵向联邦学习损失函数为目标的优化问题,并通过协同优化传输功率与用户选择求解该问题。仿真结果表明,所提算法相比现有方法模型精度分别提高了7.2%与18.2%。