Press "Enter" to skip to content

基于深度学习的两种信源信道联合编码

摘要: 信源编码是一个数据压缩的过程,其目的是尽可能地将信源中的冗余度去掉;而信道编码则是一个增加冗余的过程,通过适当加入冗余度来达到抵抗信道噪声,保护传输数据的目的。

 

本文分享自华为云社区《基于深度学习的信源信道联合编码》,原文作者:技术火炬手 。

 

信源编码是一个数据压缩的过程,其目的是尽可能地将信源中的冗余度去掉;而信道编码则是一个增加冗余的过程,通过适当加入冗余度来达到抵抗信道噪声,保护传输数据的目的。

 

经典端对端无线通信系统如下图所示:

 

信源 x_x_ 使用信源编码,去除冗余得到比特流 s_s_。
对 s_s_ 进行信道编码(如 Turbo、LDPC 等)得到 y_y_,增加相应的校验位来抵抗信道噪声。
对比特流 y_y_ 进行调制(如 BPSK、16QAM 等)得到 z_z_,并经物理信道发送。
接收端对经信道后的符号 bar{z}_z_ˉ 进行解调、解码操作得到 bar{x}_x_ˉ。

根据定义信道方式不同,基于深度学习的信源信道联合编码(Deep JSCC)可以分为两类。

 

第一类,受无编码传输的启发,将信源编码、信道编码和调制联合设计为编码器。

 

系统模型如下图所示:

 

 

第二类,将通信系统中的调制、噪声信道、解调模块抽象为离散的二进制信道。

 

系统模型如下图所示:

 

 

第一种模型称为基于物理信道的符号编码,第二种称为基于抽象信道的比特编码。

 

另一方面,信源可根据其是否具有结构化特征划分为两类:

结构化信源,如图像、视频。
非结构化信源,如高斯信源。

结构化信源是 Deep JSCC 的主要研究场景。由于神经网络对结构化数据具有强大的特征获取能力,并且有针对各种结构化数据设计的网络结构的出现。

 

因此,Deep JSCC 相较于传统设计更具有优势。

 

图像/视频等具有空间拓扑结构信源适合 CNN 网络结构,文本/语音等具有时间序列化结构信源适合 RNN 网络结构。

 

对于非结构化信源,Deep JSCC 则稍显羸弱。因为非结构化信源内部相关性弱,难以去除冗余。

 

基于物理信道的符号编码

 

结构化信源

 

Gunduz 团队1 提出了一个传输高分辨率图像的 Deep JSCC 框架。

 

发送端和接收端都使用 CNN 网络,并在训练时加入了高斯白噪声和瑞利衰减噪声。

 

提出的 Deep JSCC 框架如下图所示:

 

 

实验表明,从 PSNR 和 SSIM 数据来看,提出的信源信道联合编码比信源信道分离方案更优,在低信噪比的信道环境下,优势尤其明显。

 

Gunduz 团队2 在前一个方案的基础上,提出将噪声反馈模块融入传输系统,以增强编解码器对变换信噪比的鲁棒性。

 

解码器将一部分经过噪声信道的接收到的符号 bar{z}_z_ˉ 反馈给编码器,编码器根据 bar{z}_z_ˉ 重新计算信噪比,并对编解码网络参数进行改进,以适应变换的信噪比环境。

 

其通信方案如下图所示:

 

 

Jankowski3 提出了一种使用 Deep JSCC 来进行图像检索的方案,先提取图像特征,然后使用 Deep JSCC 编码传输图像特征子,接收端接收解码特征子并基于特征对图像进行检索。

 

系统架构如下图所示:

 

 

非结构化信源

 

Saidutta4 提出了一种应用双编码解码结构的 Deep JSCC 方案对高斯信源进行编码传输。

 

训练时采用 MSE 优化器。

 

系统架构如下图所示:

 

 

在前面工作的基础上,Saidutta5 提出了基于变分自编码器对高斯信源编码的 Deep JSCC 方案,通过假设接收信号和重构信号的高斯统计特性,给出了正则化 MSE 损失的可变上限证明。

 

Xuan6 提出了一种基于 RNN 对高斯信源编码的 Deep JSCC 方案。

 

其不需要获取信源的先验信息,并在理论上证明了 Deep JSCC 的有效性,同时证明了基于深度学习的编码器与基于混沌动态系统(Chaotic Dynamical System)的编码函数之间的相似性。

 

系统框架如下图所示:

 

 

基于抽象信道的比特编码

 

与传统符号流的 Deep JSCC 方案不同,二进制信道下传输离散比特流无法计算反向传播梯度。因此,离散信道的嵌入也比物理信道的嵌入更为复杂。

 

近年来,神经网络离散化7和离散自编码器8的发展,为上述难点提供了解决思路。针对离散化神经网络的问题,一个简单的方法是使用得分函数估计器替代梯度9。由于该估计方差较高,一部分工作提出了不同的公式和控制变量来解决该问题10。

 

另外,为了达到使离散随机变量连续化的目的,Jang 和 Maddisonet 分别提出了 Gumbel-Softmax 分布11和 Concrete 方案12。

 

结构化信源

 

Choi13 提出了一种使用离散自编码器对图像进行抽象信道的比特编码方案。为了保留编码的硬离散性,使用了多样本变分下界目标,用于获得低变差梯度。

 

系统结构如下图所示:

 

 

其使用图像及其二进制表示的互信息的变分下界来训练模型,以获得更好的鲁棒性。

 

Song14 提出了新的正则化方法 IABF(Infomax Adversarial Bits Flip) ,以增强 NECST 的压缩和纠错能力,提升鲁棒性。并提出了新的损失函数,实现了网络对高维数据更有效的优化。

 

Shao15 基于轻量级 CNN 网络提出了可部署到计算能力有限的移动设备中的低功耗 Deep JSCC。

 

系统架构如下图所示:

 

 

Farsad16 提出了基于 RNN 结构的 Deep JSCC 方案,以对文本信源进行编码传输。采用里德-所罗门(ReedSolomon)码对信道进行编码;结果表明,当编码比特较短时,该方案比传统方法具更低的单词错误率。

 

系统架构如下图所示:

 

 

非结构化信源

 

Carpi17 提出了一种基于强化学习的 Deep JSCC 方案,采用了比特位翻转解码(bitflipping decoding)、残差信念传播(residual belief propagation)和锚解码(anchor decoding)三种算法,让解码器由数据驱动去学习最佳的解码策略。

 

 

    1. [2019 TCCN]

Deep Joint Source-Channel Coding for Wireless Image Transmission

    1. [2020 JSAIT]

DeepJSCC-f: Deep Joint Source-Channel Coding of Images with Feedback

    1. [2019 ICASSP]

Deep Joint Source-Channel Coding for Wireless Image Retrieval

    1. [2019 DCC]

M to 1 Joint Source-Channel Coding of Gaussian Sources via Dichotomy of the Input Space Based on Deep Learning

    1. [2019 ISIT]

Joint Source-Channel Coding for Gaussian Sources over AWGN Channels using Variational Autoencoders

    1. [2020 SPCOM]

Analog Joint Source-Channel Coding for Gaussian Sources over AWGN Channels with Deep Learning

    1. [2019 TPMI]

 

    1. Learning Deep Binary Descriptor with Multi-Quantization

 

    1. [2018 NIPS]

 

    1. DVAE#: Discrete Variational Autoencoders with Relaxed Boltzmann Priors

 

    1. [1992 ML]

 

    1. Simple Statistical Gradient-Following Algorithms for Connectionist Reinforcement Learning

 

    1. [2017 NIPS]

 

    1. REBAR: Low-variance, unbiased gradient estimates for discrete latent variable models

 

    1. [2016 ML]

 

    1. Categorical Reparameterization with Gumbel-Softmax

 

    1. [2016 ML]

 

    1. The Concrete Distribution: A Continuous Relaxation of Discrete Random Variables

 

    1. [2018 ML]

Neural Joint Source-Channel Coding

    1. [2020 AAAI]

Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip

    1. [2020]

BottleNet++: An End-to-End Approach for Feature Compression in Device-Edge Co-Inference Systems

    1. [2018 ICASSP]

Deep Learning for Joint Source-Channel Coding of Text

    1. [2019 AACCCC]

Reinforcement Learning for Channel Coding: Learned Bit-Flipping Decoding

    1. [2020 电信科学]

基于深度学习的信源信道联合编码方法综述

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注