論文の概要: Knowledge Distillation Driven Semantic NOMA with GAN Refinement for 6G Robotic Vehicle Networks

• arxiv url: http://arxiv.org/abs/2608.27198v1
• Date: Thu, 27 Aug 2026 14:41:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.450533
• Title: Knowledge Distillation Driven Semantic NOMA with GAN Refinement for 6G Robotic Vehicle Networks
• Title（参考訳）: GANリファインメントを用いた6Gロボット車両ネットワークのための知識蒸留駆動セマンティックノーマ
• Abstract要約: 6G搭載のロボット車両(RV)は、厳しい帯域幅とエネルギー制約の下で高忠実な視覚的知覚を必要とする。 本研究では,堅牢かつグリーンなRV通信のための知識蒸留駆動・生成モデルであるNOMAフレームワークを提案する。 FFHQ-256の実験では、KDG-SemNomaはピクセルレベルの精度と知覚の忠実さの両方において最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 14.75088694140465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To achieve sustainable intelligent mobility, 6G-empowered robotic vehicles (RVs) require high-fidelity visual perception under stringent bandwidth and energy constraints. Semantic communication offers a spectral-efficient solution but suffers from severe interference in uplink non-orthogonal multiple access (NOMA) RV networks. To address this, we propose a knowledge distillation-driven and generative models-enhanced NOMA framework for robust and green RV communications, named KDG-SemNOMA. First, we develop a ConvNeXt-based deep joint source-channel coding (DeepJSCC) architecture with an enhanced attention feature (AF) module for dynamic channel adaptation. Second, to mitigate interference without inference overhead, an orthogonal transmission teacher model guides the NOMA student model via a two-stage knowledge distillation strategy. Finally, to address the over-smoothing artifacts of pixel-wise optimization, we introduce a channel-conditional GAN (cGAN). By explicitly taking the Stage-I initial reconstruction and channel states as conditional inputs, this module refines coarse outputs into high-fidelity images with realistic textures. Experiments on FFHQ-256 demonstrate that KDG-SemNOMA significantly outperforms state-of-the-art methods in both pixel-level accuracy and perceptual fidelity.
• Abstract（参考訳）: 持続可能なインテリジェントモビリティを実現するために、6G搭載のロボット車両(RV)は、厳しい帯域幅とエネルギー制約の下で高忠実な視覚的知覚を必要とする。 セマンティック通信はスペクトル効率のよいソリューションを提供するが、アップリンク非直交多重アクセス(NOMA)RVネットワークの深刻な干渉に悩まされる。 そこで本稿では,KDG-SemNOMA という,堅牢かつグリーンなRV通信のための知識蒸留駆動・生成モデル NOMA フレームワークを提案する。 まず,ConvNeXtをベースとしたディープジョイントソースチャネル符号化 (DeepJSCC) アーキテクチャを開発し,動的チャネル適応のための注目機能拡張 (AF) モジュールを開発した。 第二に、予測オーバーヘッドを伴わない干渉を軽減するため、直交伝達教師モデルでは、2段階の知識蒸留戦略を通じてNOMA学生モデルを導出する。 最後に、画素ワイド最適化の過度な成果物に対処するために、チャネル条件付きGAN(cGAN)を導入する。 このモジュールは、Stage-Iの初期再構成とチャネル状態を条件入力として明示的に取り込むことで、粗い出力を現実的なテクスチャで高忠実度画像に洗練する。 FFHQ-256の実験では、KDG-SemNomaはピクセルレベルの精度と知覚の忠実さの両方において最先端の手法を著しく上回っている。

関連論文リスト

• Semantic Waveforms for AI-Native 6G Networks [1.1224290226501585]
  本稿では,AIネイティブな6Gネットワークのためのセマンティック・アウェア・波形設計フレームワークを提案する。 提案手法は,無線伝送信号の制御による劣化を制御し,意味的に重要な内容の保存を可能にする。 OSSDMはスペクトル効率とセマンティック忠実度において従来のOFDM波形より優れる。
  論文  参考訳（メタデータ） (2026-02-10T12:55:37Z)
• Toward a Unified Semantic Loss Model for Deep JSCC-based Transmission of EO Imagery [35.383357591863266]
  本稿では,EO画像の伝送に有効なソースチャネルパラダイムとしてDJ SCCについて検討する。 我々はDJ SCCに基づくシステムにおける意味喪失の2つの相補的な側面に焦点を当てた。 単一モデル内での再構成中心とタスク指向の両方のパフォーマンスをキャプチャする統合意味損失フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-28T16:10:33Z)
• Resource Allocation in Hybrid Radio-Optical IoT Networks using GNN with Multi-task Learning [11.833896722352568]
  本稿では,光ニューラルOWCと電波周波数(RF)を統合したハイブリッドモノのインターネット(IoT)ネットワークにおけるデュアルテクノロジースケジューリングの問題に対処する。 本稿では,2段階グラフ埋め込みとトランスフォーマー(DGET)フレームワークを組み合わせた教師付きマルチタスク学習アーキテクチャを提案する。 提案フレームワークは、90%以上の分類精度で最適に近いスケジューリングを実現し、計算複雑性を低減し、部分的なチャネルオブザーバビリティの下で高いロバスト性を示す。
  論文  参考訳（メタデータ） (2025-10-29T15:02:28Z)
• STAR-RIS-assisted Collaborative Beamforming for Low-altitude Wireless Networks [58.13757830013997]
  無人航空機(UAV)に基づく無線ネットワークは、都市コミュニケーションに高いモビリティ、柔軟性、カバーを提供する。 閉塞により、密集した環境では信号の減衰が激しい。 この重要な問題に対処するために、UAVの協調ビームの導入と全方向逆方向ビームフォーミングについて検討する。
  論文  参考訳（メタデータ） (2025-10-25T01:28:37Z)
• EchoGen: Generating Visual Echoes in Any Scene via Feed-Forward Subject-Driven Auto-Regressive Model [56.53617289548353]
  EchoGenは、主観駆動生成機能を備えたVisual Auto-Regressive(VAR)モデルを強化する先駆的なフレームワークである。 対象の抽象的アイデンティティを抽出するためにセマンティックエンコーダを用いており、このエンコーダは分離されたクロスアテンションを通して注入され、全体の構成を導出する。 私たちの知る限りでは、EchoGenはVARモデル上に構築された最初のフィードフォワードの主観駆動フレームワークです。
  論文  参考訳（メタデータ） (2025-09-30T11:45:48Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• Latent Wavelet Diffusion For Ultra-High-Resolution Image Synthesis [56.311477476580926]
  超高分解能(2K-4K)画像合成におけるディテールとテクスチャの忠実度を大幅に向上させる軽量トレーニングフレームワークであるLatent Wavelet Diffusion (LWD)を提案する。 LWDはウェーブレットエネルギーマップから導かれる新しい周波数対応マスキング戦略を導入し、潜在空間の詳細な領域にトレーニングプロセスを動的に焦点をあてる。
  論文  参考訳（メタデータ） (2025-05-31T07:28:32Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• Generative Video Semantic Communication via Multimodal Semantic Fusion with Large Model [52.420489186647295]
  本稿では,高品質な映像再構成を実現するために,意味情報を抽出し,送信するスケーラブルなビデオ意味コミュニケーションフレームワークを提案する。 具体的には、送信機では、それぞれテキストと構造的意味論として機能するソースビデオから記述と他の条件信号を抽出する。 受信機では、拡散に基づくGenAI大モデルを用いて、ビデオの再構成のために複数のモーダルのセマンティクスを融合させる。
  論文  参考訳（メタデータ） (2025-02-19T15:59:07Z)
• A Hybrid Transformer-Mamba Network for Single Image Deraining [70.64069487982916]
  既存のデラリング変換器では、固定レンジウィンドウやチャネル次元に沿って自己アテンション機構を採用している。 本稿では,多分岐型トランスフォーマー・マンバネットワーク(Transformer-Mamba Network,TransMamba Network,Transformer-Mamba Network)を提案する。
  論文  参考訳（メタデータ） (2024-08-31T10:03:19Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)

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。