PODD: Path-Optimized Denoising Diffusion Models for Wireless Semantic Communications

doi:10.1109/tmc.2026.3734492

PODD: Path-Optimized Denoising Diffusion Models for Wireless Semantic Communications

2026-09-17

0

PRE

AI

DOI：10.1109/tmc.2026.3734492

原文链接

原文求助

摘要

En 中文

扩散模型近年来在无线通信系统中因其在去噪能力和生成建模方面的优势而受到越来越多的关注。然而，现有的基于扩散的语义通信方案通常依赖于迭代反向采样，导致高推理延迟，限制了其在延迟敏感无线场景中的应用。为解决这一问题，本文提出了一种具有联合信源-信道编码（JSCC）的路径优化去噪扩散模型（PODD），用于高效高保真无线语义通信。具体而言，PODD通过将多尺度信道状态信息融入扩散网络，增强了信道感知的去噪能力，从而更有效地恢复被信道破坏的语义特征。此外，引入基于图的路径优化机制以细化反向采样路径，使得去噪过程可压缩为仅两步采样，同时减少累积传播误差。在多个数据集上的实验结果表明，所提出的联合PODD和JSCC系统在多个评估指标上均优于其他基准系统。例如，在DIV2K数据集的瑞利衰落信道下，信噪比（SNR）为10 dB时，PODD相比CDDM和JSCC分别将峰值信噪比（PSNR）提升了0.47 dB和1.06 dB。此外，PODD通过将采样过程压缩为仅两步，显著减少了推理时间，相比CDDM实现了22.14倍的速度提升。

Keyword:

Denoising diffusion models

joint source-channel coding

path optimization

wireless semantic communications

PODD: Path-Optimized Denoising Diffusion Models for Wireless Semantic Communications

摘要

期刊

机构

引用论文