今天来盘一盘语义通信的两大「开山之作」——DeepJSCC vs DeepSC
▋ 双雄争霸：动机差异
▪️ DeepJSCC（IC Gunduz 组 | 图2）
核心思想：联合优化 > 独立设计
→ 基于「信源信道联合编码性能上限更高」的理论，用DNN实现端到端联合优化
▪️ DeepSC（帝国理工李烨×清华秦志金 | 图3）
核心思想：DL暴力美学
→ 直接让深度学习生成无线信道输入信号，尝试利用深度学习自身强大性能beat 传统编码方案
▋ 殊途同归：框架对比（图4）
虽然出发点不同，但两大方案架构惊人相似：
1️⃣ 编码器：可学习DNN模块（处理信源信号）
2️⃣ 信道层：固定物理模型（模拟无线环境失真）
3️⃣ 解码器：可学习DNN模块（输出语义保真信号）
→ 最终通过**下游任务准确率**评估语义保真度
▋ 后续进化：卷起来！
学者们开始把CV/NLP的明星模型塞进JSCC框架：
? SwinJSCC（北邮张平院士组 | 图5）→ 移植Swin Transformer
? MambaJSCC（上交陶老师组 | 图6）→ 引入Mamba结构
#语义通信 #科研 #wireless #无线通信 #通信
▋ 双雄争霸：动机差异
▪️ DeepJSCC（IC Gunduz 组 | 图2）
核心思想：联合优化 > 独立设计
→ 基于「信源信道联合编码性能上限更高」的理论，用DNN实现端到端联合优化
▪️ DeepSC（帝国理工李烨×清华秦志金 | 图3）
核心思想：DL暴力美学
→ 直接让深度学习生成无线信道输入信号，尝试利用深度学习自身强大性能beat 传统编码方案
▋ 殊途同归：框架对比（图4）
虽然出发点不同，但两大方案架构惊人相似：
1️⃣ 编码器：可学习DNN模块（处理信源信号）
2️⃣ 信道层：固定物理模型（模拟无线环境失真）
3️⃣ 解码器：可学习DNN模块（输出语义保真信号）
→ 最终通过**下游任务准确率**评估语义保真度
▋ 后续进化：卷起来！
学者们开始把CV/NLP的明星模型塞进JSCC框架：
? SwinJSCC（北邮张平院士组 | 图5）→ 移植Swin Transformer
? MambaJSCC（上交陶老师组 | 图6）→ 引入Mamba结构
#语义通信 #科研 #wireless #无线通信 #通信
