本研究提出了一种新颖的两阶段JSCC框架SING，旨在提升极端条件下图像传输的感知质量。实验结果表明，SING在挑战性环境中优于传统方法。

本文探讨了通过熵正则化和最优输运理论提高Wasserstein距离计算效率的方法，提出了多种算法，包括基于二阶Wasserstein距离的优化方法、适应性结构的拟合值迭代方法，以及新的EOT求解器ProgOT。这些方法在解决最优传输问题和确保统计一致性方面表现出色，尤其在图像传输和概率测度嵌入领域。

本研究提出了一种基于最优传输理论的算法，利用二阶Wasserstein距离和Lipschitz性质，实现高效图像传输。通过熵优化和混合模型的期望最大化算法，提升全局收敛性。同时，研究探讨了不平衡最优传输和条件分布的估计问题，提出新型生成模型和条件得分扩散模型，展示了在图像翻译和超分辨率任务中的优越性能。

本文研究了深度学习在语义通信中的应用，提出了联合源信道编码、语义源编码和多级生成系统等技术，以提高图像传输性能。实验结果表明，这些方法在降低信道噪声和提高传输效率方面表现优越，尤其在嘈杂环境中能有效保持图像质量和语义准确性。

本文提出了一种基于联邦学习的语义通信框架（FLSC），旨在改善多任务分布式图像传输。仿真实验表明，FLSC在低信噪比和信道带宽条件下表现优异。同时，结合深度学习的多分辨率联合源信道编码（JSCC）方法提升了语义特征提取能力。此外，个性化语义通信的联邦对比学习框架（FedCL）在低信噪比环境下也表现出色。

本文提出了一种新的语言语义交流框架（LSC），利用自然语言处理技术提高交流效率。引入了语义源编码、语义通道编码和语义知识蒸馏三种算法，以增强鲁棒性和减少传输次数。此外，研究探讨了基于多模态语义信息的图像传输方法，结合强化学习和扩散模型优化图像重建和传输效率，以适应未来6G网络的需求。

本研究提出了一种新型语义通信框架，通过压缩语义信息降低带宽，并利用扩散模型生成高质量图像。采用多模态度量和强化学习算法优化图像传输，显著降低延迟，提高压缩性能。实验结果表明，该方法在图像恢复和传输效率上优于传统技术。

该研究提出了一种利用深度学习的联合源信道编码和去噪扩散概率模型来解决噪声无线信道上的图像传输问题的新方案。该方案在重建图像的失真和感知质量方面相比其他方法有显着改进。研究者将公开源代码以促进进一步研究和可重复性。

该文介绍了一种利用深度学习的新方案来解决噪声无线信道上的图像传输问题。该方案利用目标图像的范围 - 零空间分解，通过编码传输图像的范围空间，并采用 DDPM 逐步改进其零空间内容。实验结果表明，该方案在重建图像的失真和感知质量方面有显着改进。作者将公开共享源代码以促进进一步的研究和可重复性。