Generative AI Meets 6G and Beyond: Diffusion Models for Semantic Communications
Hai-Long Qin, Jincheng Dai, Guo Lu, Shuo Shao, Sixian Wang, Tongda Xu, Wenjun Zhang, Ping Zhang, Khaled B. Letaief
语义通信标志着从比特精度传输向以意义为中心的通信的范式转变,随着无线系统接近理论容量限制,这一点至关重要。 生成式AI的出现催化了生成式语义通信,其中接收者通过利用学习的先验来从最小的语义线索中重建内容。 在生成方法中,扩散模型以其卓越的生成质量,稳定的训练动力学和严格的理论基础而脱颖而出。 然而,该领域目前缺乏将扩散技术与通信系统设计联系起来的系统指导,迫使研究人员浏览不同的文献。 本文提供了第一个关于生成语义通信的扩散模型的综合教程。 我们提出基于分数的扩散基础,并系统地审查三个技术支柱:可控制生成的有条件扩散,加速推理的高效扩散,以及跨领域适应的广义扩散。 此外,我们引入了一个逆问题视角,将语义解码重新定位为后验推理,将语义通信与计算成像联系起来。 通过对以人为中心、以机器为中心和以代理为中心的场景的分析,我们说明了扩散模型如何在保持语义保真度和稳健性的同时实现极端压缩。 通过将生成式AI创新与通信系统设计联系起来,本文旨在建立扩散模型,作为下一代无线网络及其他领域的基础组件。
Semantic communications mark a paradigm shift from bit-accurate transmission toward meaning-centric communication, essential as wireless systems approach theoretical capacity limits. The emergence of generative AI has catalyzed generative semantic communications, where receivers reconstruct content from minimal semantic cues by leveraging learned priors. Among generative approaches, diffusion models stand out for their superior generation quality, stable training dynamics, and rigorous theoretic...
