要旨: 自動運転などのワイヤレスビジョンアプリケーションは、ピクセル単位の忠実度だけでなく、グローバルな構造情報の保持を要求します。
しかし、既存の Deep joint source-channel coding (DeepJSCC) スキームは主にピクセル単位の損失を最適化し、連結性やトポロジーの明示的な保護を提供しません。
本論文は、永続ホモロジー正則化項をエンドツーエンド学習に組み込んだ、トポロジー認識型の DeepJSCC フレームワーク TopoJSCC を提案します。
具体的には、元の画像と再構成画像の立方体持続図の間の Wasserstein 距離、およびチャンネルの前後で潜在特徴の Vietoris–Rips 持続の間の距離をペナルティ化することにより、トポロジー的一貫性を強制し、頑健な潜在多様体を促進します。
TopoJSCC はエンドツーエンド学習に基づいており、サイド情報を必要としません。
実験は、低SNR（信号対雑音比）および帯域比の条件において、トポロジーの保持とピーク信号対雑音比（PSNR）の改善を示しています。
トポロジーを保持する深層ジョイントソース・チャンネル符号化によるセマンティック通信
arXiv cs.LG / 2026/3/19
📰 ニュースSignals & Early TrendsModels & Research
要点
- TopoJSCC は、ピクセル単位の忠実度だけでなく、セマンティック通信におけるグローバルな構造情報を保持するトポロジー対応の深層ジョイントソース・チャンネル符号化フレームワークを導入します。
- 本手法は、パーシステンス・ホモロジー正則化を追加し、元画像と再構成画像のパーシステンス図間、およびチャネル伝送前後の潜在特徴間のワッサースタイン距離を罰することで、頑健な潜在多様体を促進します。
- エンドツーエンドで訓練され、サイド情報を必要としないため、実用的なネットワークへの展開を簡素化します。
- 実験結果は、低SNRおよび帯域幅制約のある難条件下で、トポロジー保持の向上とPSNRの改善を示しています。
