論文の概要: SpaceDiffusion: Over-the-Orbit Diffusion for Space Generate-and-Forward Communications

• arxiv url: http://arxiv.org/abs/2609.20899v1
• Date: Thu, 17 Sep 2026 13:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.737367
• Title: SpaceDiffusion: Over-the-Orbit Diffusion for Space Generate-and-Forward Communications
• Title（参考訳）: 宇宙拡散:宇宙発生・前方通信のための軌道上拡散
• Abstract要約: 本稿では,GF(Generator-and-forward)通信と呼ばれる新しいリレー方式を提案する。 衛星支援画像伝送のための超軌道拡散フレームワークであるSpaceDiffusionを提案する。 実験により,SpaceDiffusionはDF方式に比べてエンドツーエンドのレイテンシが低いことを示す。
• 参考スコア（独自算出の注目度）: 49.1286806757327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite communications are an essential component of sixth-generation (6G) mobile networks, which provide ubiquitous connectivity for global services. However, the satellite uplink remains a critical bottleneck for ground devices: their limited transmit power and antenna apertures result in low data rates and high packet errors. To overcome this bottleneck, this paper advocates a novel relaying paradigm termed generate-and-forward (GF) communications, where satellites exploit on-orbit generative artificial intelligence (AI) to robustly reconstruct corrupted data prior to forwarding. Specifically, we propose SpaceDiffusion, an over-the-orbit diffusion framework for satellite-assisted image transmission. The core of this framework is a channel-distortion-aware diffusion theory developed using the following approach. By formulating the recovery of compressed and lost image tokens as an inverse problem, this theory incorporates a channel-distortion correction term directly into the conventional denoising diffusion implicit model (DDIM) update. As a result, this design enables a single pretrained diffusion model to adapt dynamically to varying packet-loss patterns and compression distortions without retraining. Furthermore, we analytically characterize the progressive token-reconstruction error and derive a diffusion-step activation threshold that predicts when SpaceDiffusion is expected to outperform conventional decode-and-forward (DF) relaying. Building on these theoretical insights, we further develop an energy-aware early-exit policy to efficiently deploy SpaceDiffusion in orbit. Experimental results demonstrate that SpaceDiffusion achieves lower end-to-end latency compared to DF scheme with retransmission protocol and saves approximately 15 dB of uplink transmit power at a target perceptual quality.
• Abstract（参考訳）: 衛星通信は、グローバルサービスにユビキタス接続を提供する第6世代(6G)モバイルネットワークの重要なコンポーネントである。 しかし、衛星のアップリンクは地上機器にとって重要なボトルネックであり、送信電力とアンテナ開口の制限は低いデータレートと高いパケットエラーをもたらす。 このボトルネックを克服するために、衛星が軌道上に生成する人工知能(AI)を利用して、転送前に破損したデータを堅牢に再構築する、GF通信と呼ばれる新しい中継パラダイムを提唱する。 具体的には、衛星支援画像伝送のための超軌道拡散フレームワークであるSpaceDiffusionを提案する。 このフレームワークの中核は、以下のアプローチを用いて開発されたチャネル歪認識拡散理論である。 この理論は、圧縮された画像トークンと失われた画像トークンの復元を逆問題として定式化することにより、チャネル歪み補正項を直接従来の denoising diffusion implicit model (DDIM) 更新に組み込む。 この設計により、1つの事前学習拡散モデルがパケットロスパターンや圧縮歪みに動的に適応できる。 さらに、プログレッシブトークン再構成誤差を解析的に特徴付け、空間拡散が従来のdecode-and-forward(DF)リレーよりも優れていることを予測した拡散-ステップアクティベーション閾値を導出する。 これらの理論的な知見に基づいて、我々は宇宙拡散を効率的に軌道に展開するためのエネルギーを意識した早期退避政策をさらに発展させる。 実験により,SpaceDiffusion は DF 方式と再送信プロトコルを併用した場合と比較して, 終端遅延の低減を実現し, 目標の知覚品質で約15dBのアップリンク伝送電力を節約できることがわかった。

関連論文リスト

• Edge-Cloud Collaborative Reconstruction via Structure-Aware Latent Diffusion for Downstream Remote Sensing Perception [6.402472465609055]
  高解像度リモートセンシングデータは、衛星間通信において深刻なボトルネックに直面している。 本研究では,非対称なエッジクラウド協調SRシステムであるStructure-Aware Latent Diffusion (SALD) フレームワークを提案する。 極端帯域制限下では、SALDは知覚品質(LPIPS)が優れ、シーン分類と小ターゲット検出の両方において、下流性能を大幅に向上する。
  論文  参考訳（メタデータ） (2026-04-28T07:28:39Z)
• ZID-Net: Zero-Inference Diffusion Prior Decoupling Network for Single Image Dehazing [10.634107398163676]
  単一画像のデハージングは、回復品質と計算効率のトレードオフによって制約されることが多い。 ZID-Netは、フィードフォワード推論から拡散監視を明示的に分離する新しいフレームワークである。 ZID-Netは、合成RESIDEデータセット上で40.75dBのPSNRを達成し、実世界のデータセットで1.13dBのゲインで既存のメソッドを上回ります。
  論文  参考訳（メタデータ） (2026-04-26T13:44:25Z)
• Causal Autoregressive Diffusion Language Model [70.7353007255797]
  CARDは厳密な因果注意マスク内の拡散過程を再構成し、単一の前方通過で密集した1対1の監視を可能にする。 我々の結果は,CARDが並列生成のレイテンシの利点を解放しつつ,ARMレベルのデータ効率を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-29T17:38:29Z)
• Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
  事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。 本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。 我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
  論文  参考訳（メタデータ） (2025-10-20T02:40:06Z)
• SDAR: A Synergistic Diffusion-AutoRegression Paradigm for Scalable Sequence Generation [62.14510717860079]
  本稿では, 自己回帰モデルの学習効率を, 拡散の並列推論能力で統一するSynergistic Diffusion-Autoregressionパラダイムを提案する。 SDARは、十分に訓練された自己回帰モデル(AR)を、簡潔でデータ効率のよい適応を通じてブロックワイズ拡散モデルに変換する、軽量なパラダイム変換を実行する。 この知見に基づいて、SDARは最小コストで効率的なAR-拡散変換を実現し、並列生成を可能にしながら、ARレベルのパフォーマンスを維持する。
  論文  参考訳（メタデータ） (2025-10-07T17:29:28Z)
• Improved Immiscible Diffusion: Accelerate Diffusion Training by Reducing Its Miscibility [62.272571285823595]
  不和がいかに軽視し、効率を向上するかを示す。 そこで本稿では,K-nearest neighbor (KNN) ノイズ選択や画像スケーリングなどの実装のファミリを提案する。 この研究は、今後の高効率拡散訓練研究の新たな方向性を確立する。
  論文  参考訳（メタデータ） (2025-05-24T05:38:35Z)
• Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
  本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。 実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-26T02:34:25Z)

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。