本研究针对动态信道对基于联合源信道编码的语义通信系统的影响提出了解决方案。提出的SNR-EQ-JSCC架构通过将信噪比嵌入到注意力块以实现信道适应，并通过动态调整注意力分数，显著提高了图像传输的性能，尤其在感知指标上。实验结果表明，SNR-EQ-JSCC在高峰信噪比和计算复杂度上优于现有方法，具有较小的存储开销。

本研究解决了在有限块长度编码下窃听衰落信道的安全通信问题，填补了当前文献中的空白。本文首次实验性地构建了基于深度学习的有限块长度编码，并评估了多种因素对错误概率和信息泄露的影响。研究结果显示，该方法在实际安全通信中具有重要应用潜力。

该研究提出了一种基于卷积神经网络的自编码器的无线图像传输技术，结合源和信道编码，提升信噪比和带宽性能。通过深度学习方法，改善低信噪比和低带宽下的图像质量。新方案DeepJSCC-Q和DiffJSCC在信道条件差时表现优异，具有实际部署价值。

该文章提出了一种利用错误编码数据进行深度学习模型训练的新方法，并结合加权置信传播算法和活性学习技术，成功改进了三个码的解码效果。这为深度学习模型优化提供了一种将误差相关的领域知识纳入模型的指导方法，并可在其他通信块上应用。

该文介绍了一种新颖的神经网络架构，用于低延迟图像传输，能够在接收方的多个阶段上整合解码器的辅助信息，从而在各种畸变标准下取得了改进的性能，特别是在低信道信噪比和小带宽比下。该方法适用于Wyner-Ziv场景，即有相关辅助信息只存在于接收方的噪声无线信道。