基于上下文语义相似度的软压缩方法.pdf

“语义通信”专题1基于上下文语义相似度的软压缩方法莫肇豪，韦宝典，马啸*（中山大学计算机学院，广东广州510 0 0 6）【摘要】相比于传统通信追求比特级的无差错传输，语义通信更关注数据的语义如何在收发方之间准确的交互，以提高传输效率，因而成为6 G候选技术。研究了一种针对图像的基于上下文语义相似度的软压缩方法，为了验证该方法在实际有噪通信下的性能，采用LDPC码对压缩后的数据进行编码传输。仿真结果表明，软压缩能获得比传统无损压缩方法PNG、JPEG 2 0 0 0 更好的压缩性能。在传输次数相同的条件下，所提出的软压缩传输方案在不同信噪比下的性能均优于JPEG-LS传输方案。【关键词】语义通信；图像压缩；图像传输；软压缩doi:10.3969/j.issn.1006-1010.20240111-0002文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 2-0 0 9 0-0 7引用格式：莫肇豪，韦宝典,马啸.基于上下文语义相似度的软压缩方法.移动通信,2 0 2 4,48(2)：9 0-9 6.MO Zhaohao,WEI Baodian,MA Xiao.Soft Compression Method Based on Context-Semantic SimilarityJJ.Mobile Communications,2024,48(2):90-96.2中图分类号：TN911.22OSID:扫描二维码与作者交流Soft Compression Method Based on Context-Semantic SimilarityMOZhaohao,WEI Baodian,MAXiao(School of Computer and Engineering,Sun Yat-sen University,Guangzhou 510006,China)AbstractKeywords0引言过去几年，5G移动通信移动技术快速普及，各国也在积极探索可能的6 G通信技术。在可以预见的未来，经济、社会、环境的可持续性发展以及技术的创新发展将会推动人类社会朝着泛在互联、普惠智能、多维感知、全域覆盖、绿色低碳、安全可信等方向迈进。人类对智能服务需求与日俱增，新型智能应用也层出不穷，如全息通信、智慧城市、远程医疗等。一方面，这些应用将会产生大量的数据，而收稿日期：2 0 2 4-0 1-11*基金项目：国家重点研发计划资助项目“面向未来无线通信信息处理若干关键问题的数学理论和方法”（SQ2021YFA100072）*通信作者90移动通信2024年2 月第2 期Compared with traditional communications pursuing bit-level error-free transmission,semantic communication focuseson how to interact the semantics of data accurately between senders and receivers,which greatly improves transmissionefficiency and becomes one of 6G candidate technologies.In this paper,a soft compression method is investigatedfor images based on context-semantic similarity.In order to verify the performance of the scheme in realistic noisycommunications,LDPC code is used to encode and transmit the compressed data.The simulation results show that softcompression outperforms the classical lossless compression methods,such as PNG and JPEG2000.Under the condition ofthe same amount of transmissions,the performance of the proposed soft compression transmission scheme is better than thatof the JPEG-LS transmission scheme under different signal-to-noise ratios.semantic communication;image compression;image transmission;soft compression现有通信网无法承载如此巨大通信负载；另一方面，这些数据的实时传输对于用户体验至关重要，且相关智能应用，如车联网等，需要极低的端到端时延。因此，传统通信网呕需从现在的追求比特级的无差错传输架构向面向万物智联的更加智能、更低时延、更具个性化的全新架构转变2)。Shannon在19 48 年提出的经典信息理论奠定了现代通信系统的理论基础，但信息论主要解决的是比特数据如何进行有效可靠传输的问题，缺乏对于信源中语义信息如何表征以及传输问题的深人探讨3。其实，早在19 49 年，Shannon和Weaver就已提及了广义通信中3个层级的问题4：语法问题：通信符号如何准确地传输？语义问题：传输的符号如何精确地表达期望的含义？语用问题：传递意义如何有效地影响期望的行为？第48 卷总第52 2 期莫肇豪，韦宝典，马啸：基于上下文语义相似度的软压缩方法过去，由于技术以及通信场景的限制，在开展通信相关研究时往往忽略信息传输的语义、语法问题。得益于人工智能技术的发展，语义内容的提取、表征和恢复工作不再难以实现，而未来万物智联的通信系统框架，也要求人们更多地关注和切实解决语义层面的问题5。语义通信着重解决信源数据的语义信息如何传输的问题。通过语义提取和压缩，可以大幅减少网络中需要传输的数据量，降低带宽消耗和传输时延，同时在提高传输可靠性上展现出了巨大潜力，能够满足未来通信发展的需要。因此，语义通信成为当下通信研究领域的热点6 。语义通信系统框架如图1所示。近年来，对于语义通信问题的探索与研究方兴未艾。文献7 指出语义编译码器可能无法实现精准匹配，进而导致无法利用经典信息论来解决语义通信的问题。基于此，文献8 9 结合信息论和人工智能技术，构建了一套语义信息的刻画度量指标体系。文献10 探讨了语义信息中的重要度量一一语义熵。文献11 则指出语义具有模块化、多模态、层级化的特点，提出了有关多模态信号的语义度量。文献12 13 14 将人工智能与通信技术相融合，利用深度学习方法进行图像、文本等传输内容的语义挖掘和特征提取，并在接收端根据所接受的特征进行语义恢复。文献15 在上述语义通信模型中加人了transformer知识提取器，大大提高了接收端语义信息恢复的质量。文献16 分析了语义通信目前面临的两大瓶颈问题一一如何进行语义信息的量化和压缩，并提出了面向智能任务的语义通信架构。文献17 对语义任务进行了划分，并阐述了当前面向任务的语义通信工作的局限性。文献18 19 则面向具体语义任务场景，提出了相适配的语义通信解决方案。文献2 0 根据率失真优化准则，设计了非线性变换来提取信源数据在语义隐空间的紧致表征，并通过语义变分建模引导实现了变速率非线性联合信源信道编码。文献2 1 提出了一种基于感算通融合的语义认知通信网络，旨在通过语义感知、计算和通信多功能的深度融合、协作互惠，实现高效可靠的语义信息传输。文献2 2 通过将信源信号无法识别的隐性关系与其关联的语义信息传递给目标用户，实现了隐性语义的传输与恢复。文献2 3 对语义通信的数据隐私泄露问题进行探索，提出一种结合边缘智能和分割学习的模型联合训练方法和支持实时交互的语义通信机制。图像不仅承载丰富的视觉内容，同时还蕴含潜在的高级语义，是重要的信息传递媒介2 4。在万物智联时代，海量的图像数据会在云端、边缘设备之间流转，更为广泛且频繁地应用于人们的日常生产生活当中。超级无线带宽、极其可靠通信、超大规模链接、通信感知融合、普惠智能服务五大6 G新场景的提出和构建也要求图像通信具有更低的传输时延与更高的内容质量，这都对传统的图像通信方式提出了新的挑战，对图像进行高效的语义压缩必要且具有实际意义。软压缩（SC，So f t C o m p r e s s i o n）是一种基于上下文语义相似度的无损图像压缩技术2 5，相较于传统的PNG、JPEG 2 0 0 0 等无损压缩方法，SC具有更好的压缩性能。在SC压缩过程中，发送端和接收端共享语义知识库，发送端根据预先训练的知识库对图像语义进行分割，拼接块信息并发送，接收端则通过查询知识库，将接收到的信息序列恢复成原图像。仿真结果显示，图像在压缩过程不会造成精度的丢失。因此，这项技术可以广泛应用于医学影像、图像生成、数字李生等领域2 6 12 7 。然而，实际通信往往是有噪信道，因而存在传输错误，导致数据恢复错误，产生图像失真。遗撼的是，上述方法在提出时并未考虑到这一情况。本文拟针对软压缩方案在有噪信道上的性能作进一步的探索。LDPC码（低密度奇偶校验码，Low-DensityParity-Check）是一种纠错性能逼近香农限的前向纠错码2 8 ,与过去3G、4G 时代主要的编码方案一一Turbo码相比，LDPC码能在硬件上实现更为高效的并行迭代译码计算，因此广泛应用于5G-NR领域当中，也更符合未来万物智联的通信新需求2 。本文首先研究了一种基于上下文语义相似度的无损压缩方法SC，并与传统无损压缩方法PNG和JPEG2000进行对比，证明SC能实现更高的压缩比。其次，提出了发端知识库知识共享收端知识库u信源/意图语义提取编码器信道编码器图1语义通信系统框架语义译码噪声源恢复器nC信道信道译码器信宿/决策移动通信2024年2 月第2 期91第48 卷“语义通信”专题总第52 2 期基于软压缩的图像传输方案，采用LDPC码对语义压缩数据进行错误保护，以译码后图像的PSNR（峰值信噪比，Peak Signal-to-NoiseRatio）来衡量传输质量。与JPEG-LS传输方案对比，在传输次数相同且受干扰的传输条件下，软压缩传输方案具有更优的图像传输性能。1车软压缩方法图像数据存在着编码允余、空间余以及无关信息三种可以被利用的允余信息。哈夫曼编码、ACC（算数编码，ArithmeticCoding）等传统熵编码的目的是尽可能减少图像的编码允余信息；预测编码、LZW编码等方法则利用了空间允余内容对图像进行压缩；JPEG等有损压缩变换技术去除了图像中的部分无关信息，既不影响图像恢复后的视觉效果又达到高效压缩的目的。但上述的方法仅仅利用了某一种穴余信息进行图像压缩，而SC则同时考虑减少图像编码几余以及空间允余，进而大大提高了算法整体的压缩性能。SC算法流程如图2所示，共包含预处理、知识库生成、编码和译码四个阶段。预处理阶段：1）通过式（1)，转换输人图像ImgRGB的色彩空间：Imgyuv=Transfer(Img rcn)(1)其中Transfer(*）为空间变换模块，具体操作详见1.1。2）通过式(2)，分解图像Imgyuv:Imgx=Partition(Imgyuv)K eY,U,V)其中Partition(*)为通道分解函数，会根据YUV将多通道图像分解为多张单通道灰度图，Imgk为单通道灰度图。3）通过式（3），用预测误差矩阵I对Imgk预编码：I,=Precode(Imgx)K e(Y,U,V)(3)知识库形状S大小P频次N权重Pa码字C日2训练集2+3田4其中Precode(*)为预编码模块，具体操作详见1.1。4）通过式（4)，将分为形状层Ishape及细节层IDeail：I spe eal=Spli(re)其中Split(*)为数据分层模块，具体操作详见1.1。生成语义知识库阶段：1）通过式(5)，基于上下文语义分割形状层Ishape：S,x,y,=r(1s)i=1,2,.,T其中S,为像素形状，xiay分别为S,的横纵坐标，T为Isape所含形状数，(*)为语义分割模块，具体操作详见1.2。2）通过式（6)，扩充知识库：Add(y,s.)i=1,.,T其中Add(*)为扩充函数，若当前中未包含Si，A d d(*)会将S,加人中，否则Add(*)会增加中S,的权值。3）在每一轮训练后，通过式（7)动态更新知识库，剔除其中权值过低的形状S：Update(y,S,)if P,(s),i=1,2,.,T其中T为当前轮次所含形状数，P。为形状S,的权值，为人为设置的参数，Update(*)为更新函数，会剔除中P。的Sio4）整个训练阶段结束后，通过式（8)对知识库进行算数编码：ACC(v)其中Acc(*)为算数编码函数，会根据中各项S的P。大(2)小，分配不同的码字C。编码阶段：1）通过式（9)，对细节层Ipetail进行哈夫曼编码：Veal=Huffman(I eal)其中Huffman(*)为哈夫曼编码函数，会根据IDetai中各数2044089418832961768(4)(5)(6)(7)(8)(9)预处理阶段0知识库生成阶段101101110编码阶段译码阶段语义分割编码器1001110.测试集图2 SC算法流程图92移动通信2024年2 月第2 期解码器信道1110010.输出第48 卷总第52 2 期莫肇豪，韦宝典，马啸：基于上下文语义相似度的软压缩方法值出现频次的不同，作变长编码。2）通过式（10)，基于上下文语义分割形状层Isape：S,x,=0(Is)i=1,2,.,T(10)其中S,为分割形状，xiy,分别为S,的横纵坐标，T为ISshape所含形状数，(*)为语义分割模块，具体操作详见1.4。3）通过式（11)，根据形状S,查询知识库：C,=y(S.)i=1,2,.,T其中(*)为知识库匹配函数，会根据输入的S,匹配输出对应码字C/。4）通过式（12)，对各S,位置信息进行Golomb编码：L,=Golomb(x,y.)i=1,2,.,T(12)其中Golomb(*)是Golomb编码模块，会将xi,y,编译为码字序列L;。5）通过式（13)，拼接码字C,以及L：Vshape=Merge(C,L.)i=1,2,T其中Merge(*)为拼接函数，能够首尾拼接输人比特序列。6）通过式（14)，拼接并发送序列v：V=Merge(Vhead,shapeVDetial)其中Vhead为图像ImgRGB头信息。译码阶段：1）通过式（15)，对接收序列进行译码：Img RGB=AntiEncoding()其中AntiEncoding(*）为译码模块，通过对编码模块反向操作，得到恢复后的图像ImgRGBo1.1 预处理（1）空间变换模块对于一个多通道彩色图像ImgRGB，通过式（16)将图像通道从RGB空间映射到YUV空间当中，以便于编码传输，同时减少带宽占用和信息错误30 。R+2G+B)(Y)4V=R-G(u)B-G根据YUV通道将变换后的图像Imgyuv分解为三张单通道灰度图像Imgy、I m g u 和Imgv，并作为后续的输入数据。（2）预编码模块采用GAP（G r a d i e n t A d a p t i v e Pr e d i c t i o n，梯度适应预测）算法31，依据式(17)(18)(19)计算局部像素之间的关联度ds，并根据d,对目标像素灰度值I,进行预测，预测值记为Ip。图3展现了当前预测点局部区域的状况。当ds较大时，局部区域的垂直关联度d,更高，需要增加In等纵向像素点的预测权重；当d，较小时，则增加Iw等横向像素点的预测权重。d,=|w-I ml+|I,-./+|me-I,l横向nneInwnIneIwwIw纵向(11)图3GAP算法局部预测区域d,=w-Im/+|,-Im/+|me-Imeld,=d,-d误差值I=l,-I，当I,越接近I,时，像素的空间余度越小，最后用误差矩阵I表示Imgk(KE(Y,U,V)。由于可能出现I。0 的情况，为方便后续计算，通过(13)式(2 0)将I各项映射到正数轴上。210（3）数据分层模块(14)I shape=Ig/2I Deiail=I,%2其中/为整除操作，%为取余操作，1为人为设置参数。(15)借助式(2 1）和(2 2)将预处理后的图像数据I分为形状层Ishape和细节层IDetal，并根据二者不同的特性分别进行不同的压缩降穴操作。IDetial本质上是一个较为稠密的低值矩阵，编码穴余信息较多，适合采用熵编码的方式进行压缩，本文选择哈夫曼编码对IDelail进行压缩；而Ishape的数据较为稀疏，需要考虑同时降低编码与空间余的压缩方法，详见1.2。1.2生成知识库（1）语义分割模块训练阶段会动态维护一个知识库，每一轮的训练会遍(16)历 Ishape中的每一个Isape(x,y)0 的点，根据该点进行上下文语义扩展，将符合式(2 3)，(2 4)中的形状S加人到中，其中q是S的行向量，w是S的列向量，n为S的列数，m为S的行数。V1im(23)VIin(24)（2）动态更新模块将训练过程中每个S出现的次数记为P，所包含的非零像素数记为N。以P。=Px N作为衡量S好坏的权值，当中的平均P。较低时，该知识库的泛化性较差。因此，在每一轮训练后，中P。的S会被剔除，以提高知识库的泛化性，为训练前人为设置参数。(17)在训练阶段结束后，通过ACC对知识库中的S编93(18)(19)(20)(21)(22)移动通信2024年2 月第2 期第48 卷“语义通信”专题1总第52 2 期码，即令y(S)=C,使得每一项S都有唯一码字C与之对应。在传输前，应确保send-Vre，即收端与发端双方需要对知识库具有一致共同的理解。在发送Ishape时，发送端只需要将Ishape分割成有限个sena中保留的Si，发送对应的码字C,以及S,在Ishape中的相对位置信息Li，接收端根据接收到的,在re中查询对应的Si，并结合L,无损地恢复出原形状层信息ishape1.3编码在传输阶段，发送方预处理每张测试图像ImgRGBo（1）语义分割模块针对IShape部分，需要先遍历每一个非零点Ishape(x,y)，以该点为基础扩展S,并与知识库Vsena匹配，若存在Vsend(S)则将S,译为形状码字C,和位置信息Li，否则缩小S，并重复匹配过程。（2）编码发送模块IShape的语义分割结束后，采用Golomb编码对L,进行编码，以减少位置信息的编码穴余。最后将C,以及L,拼接成比特序列yshape，LD e a 则采用哈夫曼编码压缩成比特序列VDealo发送端将头部信息Vhead、形状层信息Vshape、细节层信息VDetail拼接成发送序列v并传至接收端。1.4译码接收方根据head将接收序列进行信息划分，通过哈夫曼译码将Da还原为1ipeari对于形状层信息Ism接收方则根据we进行译码恢复，反预处理，合并ipeal与isape，最终恢复出图像Img RGBo2软压缩传输方案2.1低密度校验码在上世纪6 0 年代初，Gallager基于低密度校验矩阵，设计了一类纠错性能接近容量极限的线性分组码，即LDPC分组码2 8 。因其在码长较长时才表现出优良性能，受限于长码译码的复杂性以及当时低下的硬件水平，直到Berrou 等在 19 9 3 年提出了 Turbo 码及其译码算法3,LDPC码才重新获得学者们的广泛关注。在此期间，Tanner训练集以图的形式重新描述了LDPC码，这就是后来为人所熟知的Tanner图32 。后来，Mackay等人基于随机构造的Tanner图，提出了BP（置信传播，BeliefPropagation）译码算法34。该译码算法的复杂度随着码长增长仅呈线性增长，因此当码长较长时，仍存在可实现的高性能译码硬件。而对于规则的LDPC码，BP算法的译码性能接近Turbo码，在长码时甚至有所超越。因其优秀的纠错性能以及更高的译码效率，LDPC码被广泛运用于5G通信网络的传输当中。LDPC码可以用Tanner图的方式表示。Tanner图是一类二部图，存在着变量节点v和校验节点c。LD PC 码的校验矩阵H行数即节点v的个数，列数即节点c的个数。H中的每一个非零项所对应的节点v和c存在一条连接边。在BP译码算法过程中，码字的LLR（对数似然比，Log-LikelihoodRatio）会在Tanner图的边节点之间进行迭代运算，并根据最终的迭代输出决定译码结果。图4表示了码率为1/4的非规则LDPC分组码。V2c110111c20111c3111c1c2图4（1，4）LD PC 码的Tanner图与校验矩阵2.2传输方案由于LDPC码的译码效率较高，纠错性能较好，本文将使用LDPC码对软压缩数据进行编码传输，并通过BP算法对码字译码。软压缩传输方案框架如图5所示。后续，软压缩传输方案将与受同样LDPC码保护的JPEG-LS传输方案进行对比，探究在有噪信道干扰下，该方案的图像传输性能。3实验分析3.1实验设置在SC的压缩过程中，上下文语义匹配大小Ssize会显发端知识库知识共享v3c3收端知识库v4v1 v2 v3 v4ImgRGB测试集94移动通信2024年2 月第2 期Im.gRGB软压缩编码噪声源VnCLDPC编码图5（1，4）LDPC码的Tanner图与校验矩阵软压缩译码信道LDPC译码输出第48 卷总第52 2 期莫肇豪，韦宝典，马啸：基于上下文语义相似度的软压缩方法著影响压缩结果。若Ssize过小，图像的空间穴余得不到充分利用，会导致算法压缩性能下降。若Ssize过大，又会显著增加算法的复杂性，降低模型训练效率。因此，参照文献35 将Ssize最大值设为4*4。在实验中，1设置为3，设置为2 56。训练集以及测试集的选取会对SC的压缩性能产生影响。为了验证该算法的泛用性，选用超分辨数据集DIV2K中的共计6 0 0 张图像作为训练和测试样例3。以压缩比R来衡量图像压缩方法的性能。R的定义如式(2 5)所示bR=b其中，b为未压缩图像所需比特数，b为压缩后比特数。在信道传输的仿真实验中，采用（9 6 0,19 2 0）LDPC码保护压缩后的图像数据V。各码块经过拼接、BPSK调制后通过AWGN信道。最后，接收端根据接收到的译码并恢复成原图像。在不同的有噪信道下模拟传输10 0 张测试样例，使用数据集的平均PSNR作为图像传输方案性能的评价指标，当PSNR高于50 dB时，恢复后图像质量与原图近似一致，故将MSE（均方误差，MeanSquareError）小于0.6 5的图像PSNR值置为50 dB。由于传输时带有图像信息的部分可能会发生错误，导致接收端无法正常进行译码，因此格式损坏的图像数据统一被译为随机噪点图。3.2压缩性能对比SC能够在不丢失精度的条件下对图片进行压缩，可适用于医学影像、图像生成等需要无损存储传输图像的领域。故与上述领域所使用的传统无损压缩方法PNG、JPEG2000作为对比，探究SC的压缩性能。表1不同方法压缩DIV2K数据集的压缩比方法RminPNG1.205JPEG20001.277SC1.302注：加粗字体表示实验对比下压缩比最高的方法如何通过训练集的选取、训练及分割过程的优化来提高语义相似度，将成为未来SC研究的重要方向。3.3传输性能对比图6 的仿真结果显示，在信噪比较低（1 dB)的环境下，软压缩方案传输图像的质量与JPEG-LS方案相差不大。这是因为在噪声干扰较强的信道环境下，两种方案的图像数据都出现严重错误，导致无法正常译码或恢复出“花屏”图像。此时，两者PSNR值较低且十分接近。而在1dB到2.5dB的有噪信道下，软压缩传输方案的PSNR明显高于JPEG-LS传输方案，其中，当信噪比(25)为2 dB时，获得的PSNR增益最大，约5.0 dB。在高信噪比（2.5dB）的环境下，软压缩方案的图像传输质量略优于JPEG-LS传输方案。当信噪比达到门限值(3dB)后，二者均能够无损地传输图像。50一SC+LDPC45JPEGLS+LDPC40(aP)ANSd3530252015100图6 不同信噪比下0.8 4比特每像素传输DIV2K数据集的方案性能对比从图7 不难发现，在相同信噪比条件下，软压缩传输方案图像在视觉上也明显优于JPEG-LS。可见，在传输次数相同的条件下，相较于JPEG-LS传输方案，软压RmaxRave3.0661.7423.6471.9684.5012.390米米0.51Rmean缩传输方案在不同信噪比下的图像传输性能更好。1.8022.0442.4981.5SNR(dB)22.53表1是不同图像压缩方法在DIV2K数据集下的压缩比。可以看到，相比于其他传统的无损图像压缩方法，SC的平均压缩比Ravg更高，压缩性能更好。但是，SC的压缩比方差Rmean高于其他压缩方法。这是因为SC基于图像上下文的语义相似度进行压缩。当目标图像上下文语义与知识库相似度较高时，SC的压缩比较高，反之性能会下降，而DIV2K数据集中的图像语义特征差异较大，故SC压缩性能会出现较大波动。因此，图7 在信噪比为1.7 5dB条件下软压缩（左）与JPEG-LS（右）传输4结束语相较于过去传统通信追求比特级的无差错传输，语义通信更关注数据的语义如何在收发方之间准确的交互，95方案的恢复图像对比移动通信2024年2 月第2 期第48 卷“语义通信”专题1总第52 2 期因此能够极大提高传输效率，满足未来万物智联框架下庞大的流量传输需求。本文首先研究了一种基于上下文语义相似度的无损图像压缩方法SC。它能够广泛应用在医学影像、图像生成、数字李生等领域，与传统无损图像压缩方法PNG、JPEG 2 0 0 0 相比，该方法具有更好的压缩性能。此外，提出基于软压缩方法的图像传输方案并进行仿真实验。实验结果表明，与JPEG-LS传输方案相比，在传输次数相同的条件下，软压缩传输方案在不同信噪比下的图像传输性能都更优。我们期望，软压缩传输方案能为未来6 G智能互联通信网络下的图像传输问题提供新的解决思路。参考文献：1IMT-2030(6G)推进组.6 G感知的需求和应用场景研究R.2023.2石光明，肖泳，李莹玉，等.面向万物智联的语义通信网络1物联网学报,2 0 2 1,5(2):2 6-36.3Shannon C E.A mathematical theory of communicationJJ.The Bellsystem technical journal,1948,27(3):379-423.4Weaver W.The mathematical theory of communicationM.University of Illinois Press,1963.5 Strinati E C,Barbarossa S.6G networks:Beyond Shannon towardssemantic and goal-oriented communicationsJ.Computer Networks,2021,190:107930.6秦志金，冀泽霖，严蕾，等.面向语义感知通信网络的多维资源优化.移动通信，2 0 2 3,47(4):2 5-30.7曹琦，杜雅萌，万飞，等。语义信道编译码器模糊匹配场景下的发端设计.移动通信，2 0 2 3,47(4):6 0-6 4.8马楠，宋孟书，刘宜明，等.面向智能机器通信的语义信息刻画及度量.北京邮电大学学报，2 0 2 2,45(6):12-2 0.9张平，牛凯，姚圣时，等.面向未来的语义通信：基本原理与实现方法.通信学报，2 0 2 3,44(5):1-14.10刘传宏，郭彩丽，杨洋，等，面向智能任务的语义通信：理论、技术和挑战.通信学报，2 0 2 2,43(6):41-57.11石光明，高大化，杨曼曦，等.信号的语义刻画与度量.电子学报,2 0 2 2,50(9):2 0 6 8-2 0 7 8.12 涂勇峰，陈文.基于深度学习的语义通信系统.移动通信,2 0 2 1,45(4):9 1-9 4+119.13 张振国,杨倩倩，贺诗波.基于深度学习的图像语义通信系统中兴通讯技术,2 0 2 3,2 9(2):54-6 1.14江沸菠，彭于波，董莉.面向6 G的深度图像语义通信模型.通信学报,2 0 2 3,44(3):1115李荣鹏，汪丙炎，张宏纲，等.知识增强的语义通信接收端设计.通信学报,2 0 2 3,44(6):7 0-7 6.16刘传宏，郭彩丽，杨洋，等.面向智能任务的语义通信：理论、技术和挑战.通信学报，2 0 2 2,43(6):41-57.17王衍虎，郭帅帅：面向任务的语义通信 移动通信，2023,47(4):14-17+24.18刘传宏，郭彩丽，杨洋，等，人工智能物联网中面向智能任务的语义通信方法.通信学报,2 0 2 1,42(11):9 7-10 8.19秦志金，冀泽霖，严蕾，等.面向语义感知通信网络的多维资源优化.移动通信,2 0 2 3,47(4):2 5-30.20张平，戴金晟，张育铭，等.面向语义通信的非线性变换编码.通信学报,2 0 2 3,44(4):1-14.21朱慧翔，柴靖轩，肖泳，等.基于感算通融合的语义认知通信网络.移动通信,2 0 2 3,47(3):31-39.96移动通信2024年2 月第2 期22 子孙子剑，廖逸玮，鲁智敏，等.面向6 G智能内生的隐性语义认知通信.移动通信，2 0 2 3,47(4):7-13.23王碧触，罗倩雯，下志强，等.面向6 G的语义通信系统.移动通信,2 0 2 3,47(4):2-6.24 李学龙，何如珍，图像信息量度量J/OL.中国科学：信息科学，2023.doi.0rg/10.1360/SSI-2023-007825 Xin G,Li Z,Zhu Z,et al.Soft compression:An approach to shapecoding for imagesJ.IEEE Communications Letters,2020,25(3):798-801.26Xin G,Fan P.Soft compression for lossless image coding based onshape recognitionJ.Entropy,2021,23(12):1680.27 Xin G,Fan P.A lossless compression method for multi-componentmedical images based on big data miningJ.Scientific Reports,2021,11(1):12372.28Gallager R.Low-density parity-check codesJJ.IRE Transactions onInformation Theory,1962,8(1):21-28.29Richardson T,Kudekar S.Design of low-density parity check codesfor 5G new radioJJ.IEEE Communications Magazine,2018,56(3):28-34.30Akao Y.Quality function deployment:integrating customerrequirements into product designMj.SteinerBooks,2004.31 Wu X,Memon N.Context-based,adaptive,lossless image coding.IEEE transactions on Communications,1997,45(4):437-444.32 Tanner R M.A recursive approach to low complexity codesJ.IEEETransactions on Information Theory,1981,27(5):533-547.33 Berrou C,Glavieux A,Thitimajshima P.Near Shannon limit error-correcting coding and decoding:Turbo-codesC.Proc.IEEEInternational Conference on Communications.Geneva,Switzerland,1993:1064-1070.34 MacKay D J C.Good error-correcting codes based on very sparsematricesJ.IEEE Transactions on Information Theory,1999,45(2):399-431.35 1Liu G,Li W,Duan F.Decomposed Soft Compression for RemoteSensing ImageC.2022 IEEE International Conference on Roboticsand Biomimetics(ROBIO).IEEE,2022:650-655.36 Agustsson E,Timofte R.NTIRE 2017 challenge on single imagesuper-resolution:Dataset and studyC.Proceedings of the IEEEconference on computer vision and pattern recognition workshops.2017:126-135.莫肇豪（orcid.org/0009-0000-3489-1372）：中山大学在读硕士研究生，主要研究方向为信道编码、语义通信。韦宝典：副教授，硕士生导师，现就职于中山大学，主要研究方向为密码学、网络安全等。马啸：教授，博士生导师，现就职于中山大学，主要研究方向为信息与编码理论、编码调制技术、无线通信和光通信等。作者简介