少沟通，多综合：基于意图的生成式语义多播技术结合扩散模型与延迟感知机制

《IEEE Transactions on Vehicular Technology》：Communicate Less, Synthesize the Rest: Latency-aware Intent-based Generative Semantic Multicasting with Diffusion Models

本文提出了一种基于预训练生成扩散模型的意图感知语义多播框架，通过将信号分解为多用户感兴趣的语义类，仅发送用户意图类别的信息，利用预训练模型合成非意图类，并设计通信计算联合优化的参数方案，在典型10用户街景图像多播场景中实现15.4%的延迟降低或50%的传输功耗优化。

　　

摘要：

生成扩散模型（GDMs）在合成具有高感知质量的多媒体信号方面取得了显著成功，这为未来的无线网络中的高效语义通信提供了可能。在本文中，我们开发了一个基于预训练扩散模型的、具备意图感知能力的生成式语义多播框架。在该框架中，发送方根据多用户的意图将源信号分解为多个语义类别，即假设每个用户只对部分语义类别的细节感兴趣。为了更有效地利用无线资源，发送方仅向每个用户发送其感兴趣的类别，并通过共享的无线资源向所有用户多播一个高度压缩的语义映射，使得用户能够利用预训练的扩散模型在本地合成其他类别（即非目标类别）的信号。因此，每个用户接收到的信号是部分重建和部分合成的结果，这一过程依赖于接收到的语义映射。我们设计了一种通信/计算感知机制，用于针对每个类别调整通信参数（如传输功率和压缩率），以最小化多个接收器获取信号的总延迟，同时考虑到当前的信道条件以及用户的重建/合成失真/感知需求。仿真结果表明，与非生成式和无意图感知的多播方案相比，我们的方案显著降低了每个用户的延迟，同时保持了用户接收到的信号的高感知质量。对于向10个用户多播街道场景图像的典型场景，我们的框架在固定功率预算下实现了15.4%的延迟降低；或者等效地，在固定每个用户延迟的前提下，所需传输功率降低了50%。