.png){kind=icon}
返回
Accelerating Mobile Edge Generation (MEG) by Constrained Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2025.3558975.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一种新颖的移动边缘生成（MEG）框架被提出，用于在移动设备上实现低延迟图像生成。利用分布在边缘服务器（ES）和用户设备（UE）上的潜在扩散模型（LDM），仅需传输低维特征即可创建人工智能生成内容（AIGC）。设计了两个新颖模块，即动态扩散和特征融合，分别用于压缩扩散模型和传输的特征。通过联合优化去噪步骤和特征融合的压缩率，在满足延迟和能耗约束的条件下，将图像质量最大化问题进行建模。为解决动态信道条件下的该问题，开发了一种低复杂度的压缩协议。首先，通过离线蒸馏学习骨干LDM架构以支持各种压缩选项。然后，根据在线环境中的信道和任务特征预测压缩率。为解决由此产生的受约束马尔可夫决策过程（MDP），进一步开发了一种基于受约束变分策略优化（CVPO）的MEG算法，即MEG-CVPO，用于学习约束保证的优化。数值结果表明：1）所提出的框架在改善图像失真的同时，相比传统生成方案减少了超过40%的延迟。2）MEG-CVPO严格保证约束条件，并在生成质量和开销之间实现了灵活的权衡。代码可在https://github.com/xiaoxiaxusummer/LowLatencyMEG获取。
Keyword:
Artificial intelligence generated content (AIGC)
edge artificial intelligence (AI)
generative AI (GAI)
mobile edge generation (MEG)
reinforcement learning (RL)
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
Task-Oriented Integrated Sensing, Computation and Communication for Wireless Edge AI.png)
IEEE NETWORK
OAAI
IEEE NETWORKIF6.3
OAAI分享收藏
A Wireless AI-Generated Content (AIGC) Provisioning Framework Empowered by Semantic Communication
IF0
PREAI
分享收藏Learning Task-Oriented Communication for Edge Inference: An Information Bottleneck Approach学习面向任务的通信以进行边缘推理: 一种信息瓶颈方法OAAI
OAAI分享收藏
查看更多内容