論文の概要: DeepJSCC-Q: Channel Input Constrained Deep Joint Source-Channel Coding
- arxiv url: http://arxiv.org/abs/2111.13042v1
- Date: Thu, 25 Nov 2021 11:59:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 07:57:01.244199
- Title: DeepJSCC-Q: Channel Input Constrained Deep Joint Source-Channel Coding
- Title（参考訳）: DeepJSCC-Q:チャネル入力に制約のあるディープジョイントソースチャネル符号化
- Authors: Tze-Yang Tung, David Burth Kurka, Mikolaj Jankowski, Deniz G\"und\"uz
- Abstract要約: DeepJSCC-Qは、無線画像伝送のためのエンドツーエンドのジョイントソースチャネル符号化方式である。
チャネル条件が悪くなると、前処理で観察される画質の優雅な劣化が保たれる。
- 参考スコア（独自算出の注目度）: 5.046831208137847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent works have shown that the task of wireless transmission of images can
be learned with the use of machine learning techniques. Very promising results
in end-to-end image quality, superior to popular digital schemes that utilize
source and channel coding separation, have been demonstrated through the
training of an autoencoder, with a non-trainable channel layer in the middle.
However, these methods assume that any complex value can be transmitted over
the channel, which can prevent the application of the algorithm in scenarios
where the hardware or protocol can only admit certain sets of channel inputs,
such as the use of a digital constellation. Herein, we propose DeepJSCC-Q, an
end-to-end optimized joint source-channel coding scheme for wireless image
transmission, which is able to operate with a fixed channel input alphabet. We
show that DeepJSCC-Q can achieve similar performance to models that use
continuous-valued channel input. Importantly, it preserves the graceful
degradation of image quality observed in prior work when channel conditions
worsen, making DeepJSCC-Q much more attractive for deployment in practical
systems.
- Abstract（参考訳）: 近年の研究では、機械学習技術を用いて画像の無線伝送のタスクを学習できることが示されている。
ソースとチャネルの符号化分離を利用した一般的なディジタルスキームよりも優れた、エンドツーエンドの画像品質の極めて有望な結果が、オートエンコーダのトレーニングを通じて実証されている。
しかしながら、これらの手法は、任意の複雑な値をチャネル越しに送信できると仮定し、ハードウェアやプロトコルがデジタルコンステレーションの使用のような特定のチャネル入力のみを許容できるシナリオにおけるアルゴリズムの適用を防止することができる。
本稿では、固定チャネル入力アルファベットで動作可能な無線画像伝送のためのエンドツーエンドのジョイントソースチャネル符号化方式であるDeepJSCC-Qを提案する。
本稿では,DeepJSCC-Qが連続評価チャネル入力を用いたモデルと同等の性能が得られることを示す。
重要なことは、チャネル条件が悪化する前の作業で観察された画質の優雅な劣化を保ち、DeepJSCC-Qが実用的なシステムに展開するのにずっと魅力的である。
関連論文リスト
- High Perceptual Quality Wireless Image Delivery with Denoising Diffusion
Models [10.763194436114194]
深層学習を用いたジョイントソースチャネル符号化(DeepJSCC)によるノイズの多い無線チャネル上の画像伝送問題について検討する。
対象画像のレンジ・ヌル空間分解を利用した新しい手法を提案する。
再建画像の歪みと知覚的品質は,標準的なDeepJSCCや最先端の生成学習法と比較して有意に向上した。
論文 参考訳（メタデータ） (2023-09-27T16:30:59Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Distributed Deep Joint Source-Channel Coding over a Multiple Access
Channel [0.0]
ディープジョイントソースチャネル符号化(DeepJSCC)を用いたノイズの多い多重アクセスチャネル(MAC)上の分散画像伝送について検討する。
本稿では,非直交的な方法で圧縮された画像表現を送信する,新しい共同画像圧縮・伝送方式を提案する。
現在のDeepJSCCを用いた伝送と比較して,再構成画像の品質は大幅に向上した。
論文 参考訳（メタデータ） (2022-11-17T22:36:03Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳（メタデータ） (2022-09-16T11:00:50Z) - Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。
ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。
提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文 参考訳（メタデータ） (2022-07-29T15:29:18Z) - DeepJSCC-Q: Constellation Constrained Deep Joint Source-Channel Coding [6.55705721360334]
我々は、DeepJSCC-Qが、複雑な値のチャネル入力を可能にする以前の作業と同じような性能を実現できることを示す。
DeepJSCC-Qは予測不能なチャネル条件下での画質の優雅な劣化を保っている。
論文 参考訳（メタデータ） (2022-06-16T11:43:50Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - Bandwidth-Agile Image Transmission with Deep Joint Source-Channel Coding [7.081604594416339]
画像が時間や頻度で徐々に層に伝達されるシナリオを考察する。
DeepJSCC-$l$は、畳み込みオートエンコーダを使用する革新的なソリューションである。
DeepJSCC-$l$は、低信号対雑音比(SNR)と小さな帯域幅規則の挑戦において、最先端のデジタルプログレッシブ伝送方式と同等の性能を持つ。
論文 参考訳（メタデータ） (2020-09-26T00:11:50Z) - Wireless Image Retrieval at the Edge [20.45405359815043]
本研究では、エッジデバイスが画像をキャプチャし、エッジサーバから同様の画像を検索するために使用される無線エッジにおける画像検索問題について検討する。
我々の目標は、無線リンクに対する電力及び帯域幅制約下での検索タスクの精度を最大化することである。
本稿では,デジタル通信とアナログ通信の2つの方法を提案する。
論文 参考訳（メタデータ） (2020-07-21T16:15:40Z) - Channel-Level Variable Quantization Network for Deep Image Compression [50.3174629451739]
チャネルレベルの可変量子化ネットワークを提案し、重要なチャネルに対してより多くの畳み込みを動的に割り当て、無視可能なチャネルに対して退避する。
提案手法は優れた性能を実現し,より優れた視覚的再構成を実現する。
論文 参考訳（メタデータ） (2020-07-15T07:20:39Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。