Key points are not available for this paper at this time.
Das gemeinsame Quell-Kanal-Coding (JSCC), das auf Deep Learning basiert, hat bedeutende Fortschritte bei Aufgaben der Bildübertragung gezeigt. Frühere kanaladaptive JSCC-Methoden basierten jedoch häufig auf dem Signal-Rausch-Verhältnis (SNR) des aktuellen Kanals zur Codierung, was die selbstadaptive Fähigkeit des neuronalen Netzwerks über verschiedene SNRs hinweg außer Acht lässt. In diesem Papier wird die selbstadaptive Fähigkeit von Deep Learning-basierten JSCC-Modellen für dynamisch wechselnde Kanäle untersucht und eine neuartige Methode namens Kanal-blindes JSCC (CBJSCC) eingeführt. CBJSCC nutzt die intrinsische Lernfähigkeit von neuronalen Netzwerken, um sich selbst an dynamische Kanäle und verschiedene SNRs anzupassen, ohne auf externe SNR-Informationen angewiesen zu sein. Dieser Ansatz ist vorteilhaft, da er nicht von Kanalsschätzfehlern betroffen ist und auf Eins-zu-viele-drahtlose Kommunikationsszenarien angewendet werden kann. Um die Leistung von JSCC-Aufgaben zu verbessern, verwendet das CBJSCC-Modell einen speziell gestalteten Encoder-Decoder. Experimentelle Ergebnisse zeigen, dass CBJSCC bestehende kanaladaptive JSCC-Methoden, die von SNR-Schätzungen und Rückmeldungen abhängen, sowohl in Umgebungen mit additivem weißem Gaußschen Rauschen als auch unter Bedingungen mit langsamen Rayleigh-Fading-Kanälen übertrifft. Durch eine umfassende Analyse der Leistung des Modells validieren wir zudem die Robustheit und Anpassungsfähigkeit dieser Strategie in verschiedenen Anwendungsszenarien, wobei die experimentellen Ergebnisse starke Beweise zur Unterstützung dieser Behauptung liefern.
Yuan et al. (Do,) haben diese Frage untersucht.