ترجمه فارسی مقاله پالایش متوالی معنایی: یک چارچوب ارتباطی معنایی مولد با کمک هوش مصنوعی

چکیده

Semantic Communication (SC) is an emerging technology aiming to surpass the Shannon limit. Traditional SC strategies often minimize signal distortion between the original and reconstructed data, neglecting perceptual quality, especially in low Signal-to-Noise Ratio (SNR) environments. To address this issue, we introduce a novel Generative AI Semantic Communication (GSC) system for single-user scenarios. This system leverages deep generative models to establish a new paradigm in SC. Specifically, At the transmitter end, it employs a joint source-channel coding mechanism based on the Swin Transformer for efficient semantic feature extraction and compression. At the receiver end, an advanced Diffusion Model (DM) reconstructs high-quality images from degraded signals, enhancing perceptual details. Additionally, we present a Multi-User Generative Semantic Communication (MU-GSC) system utilizing an asynchronous processing model. This model effectively manages multiple user requests and optimally utilizes system resources for parallel processing. Simulation results on public datasets demonstrate that our generative AI semantic communication systems achieve superior transmission efficiency and enhanced communication content quality across various channel conditions. Compared to CNN-based DeepJSCC, our methods improve the Peak Signal-to-Noise Ratio (PSNR) by 17.75% in Additive White Gaussian Noise (AWGN) channels and by 20.86% in Rayleigh channels.

چکیده به فارسی (ترجمه ماشینی)

ارتباط معنایی (SC) یک فناوری در حال ظهور است که با هدف پیشی گرفتن از حد شانون.استراتژی های SC سنتی غالباً تحریف سیگنال بین داده های اصلی و بازسازی شده را به حداقل می رساند ، و از کیفیت ادراکی غفلت می کند ، به خصوص در محیط های کم نسبت سیگنال به نویز (SNR).برای پرداختن به این موضوع ، ما یک سیستم ارتباطات معنایی AI (GSC) جدید را برای سناریوهای تک کاربر معرفی می کنیم.این سیستم برای ایجاد یک الگوی جدید در SC ، از مدل های تولیدی عمیق استفاده می کند.به طور خاص ، در انتهای فرستنده ، از یک مکانیسم کدگذاری کانال منبع مشترک مبتنی بر ترانسفورماتور SWIN برای استخراج ویژگی های معنایی کارآمد و فشرده سازی استفاده می کند.در انتهای گیرنده ، یک مدل انتشار پیشرفته (DM) تصاویر با کیفیت بالا را از سیگنال های تخریب شده بازسازی می کند و جزئیات ادراکی را افزایش می دهد.علاوه بر این ، ما یک سیستم ارتباط معنایی چند کاربر (MU-GSC) با استفاده از یک مدل پردازش ناهمزمان ارائه می دهیم.این مدل به طور موثری درخواست های چندین کاربر را مدیریت می کند و از منابع سیستم برای پردازش موازی استفاده می کند.نتایج شبیه سازی در مجموعه داده های عمومی نشان می دهد که سیستم های ارتباطی معنایی هوش مصنوعی ما به راندمان انتقال برتر و افزایش کیفیت محتوای ارتباطی در شرایط مختلف کانال دست می یابند.در مقایسه با DeepJSCC مبتنی بر CNN ، روشهای ما نسبت اوج سیگنال به نویز (PSNR) را با 17.75 ٪ در کانال های افزودنی گاوی سفید (AWGN) و 20.86 ٪ در کانال های Rayleigh بهبود می بخشد.