本研究提出了一种基于LLaVA的高效语义通信框架，通过优化图像切片和用户注意力，显著提高了低信噪比环境下用户与云服务器的交互效率、准确性和资源利用率。

本文提出了一种Alpha-Beta-Gamma (ABG)公式，旨在分析深度学习语义编码器和解码器的性能，研究自适应功率控制方案，以优化功率分配，提升语义通信系统的服务质量和能源效率。

本研究探讨了基于语义通信的智能无人机在环境感知和行为预测中的应用。通过强化学习和语义通信框架，提出了一种新型无人机训练方法，并设计了轻量级区块链认证方案以保障用户信息安全。实验结果表明，无人机适应性能提高约35%，语义通信系统在交易吞吐量上保持稳定，具有显著潜在影响。

本文探讨了生成人工智能在语义通信中的应用，提出了一种新型生成语义通信系统，结合大语言模型技术，显著提升信息理解和内容再生能力。案例研究表明，该系统通信开销减少99.98%，检索准确率提高53%。

本研究提出了一种基于导引的多模态语义通信框架，旨在改善动态物理信道和噪声环境下的视听事件定位。通过数字导引码和通道模块，提升信道状态，并设计了考虑时频特性的编码解码方法。实验结果表明，该框架在信噪比上优于现有方法，显著提高了语义通信质量。

本研究提出了一种新颖的LGM-TSC系统，旨在解决谈话面部语义通信中的带宽利用、语义模糊和用户体验问题，具有重要的应用潜力。

本研究提出了一种以用户为中心的语义通信系统，解决了用户需求被忽视的问题。用户在传输开始时发送语义请求，发射器根据请求提取信息，从而提高信息传输的相关性和用户体验。

本研究提出了一种多任务语义通信系统，克服了现有单任务系统在分布式观察中的局限性，显著提升了复杂数据集的任务执行准确性。

本研究提出了一种多任务多链路中继语义通信方案（MTML-RSC），解决了目的节点同时进行图像重建和分类的问题。通过语义聚焦的转发方法，中继节点仅转发相关类别的语义，实验结果显示该方案在图像重建和分类精度上有显著提升。

本研究提出了一种个性化语义联邦学习方法，旨在高效利用移动用户的频谱资源。通过本地蒸馏和全局剪枝优化生成AI辅助的语义通信模型，既能保护隐私，又能满足用户多样需求。实验结果表明，该方法显著提升了语义通信的效率和可行性。

本文探讨了6G网络中的语义通信技术，提出了基于深度学习的系统，如SINFONY和MR_DeepSC，以提高信息传输的质量和安全性。研究强调自适应资源分配和多任务学习的重要性，以应对动态环境中的通信挑战。

本研究探讨了基于知识图谱的语义通信框架，利用三元组表示知识以提高数据压缩率和通信可靠性。通过集成人工智能技术，提出了增强型语义通信系统，展示了其在不同场景下的多功能性和优越性能，并解决了资源受限环境下的文本数据传输问题，提出了优化框架以提取重要语义信息。

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。

本文探讨了语义通信的理论框架及基于深度学习的系统设计，提出了应对多用户和干扰问题的解决方案。研究表明，利用神经网络和新型抗干扰技术，语义通信在数据传输效率和准确性上优于传统方法，具有广阔的应用前景。

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。

本文研究了分布保持的有损压缩问题，提出结合Wasserstein GAN和自编码器的方法，以优化速率与失真之间的平衡。通过深度生成模型，提升了视频和图像压缩效果，尤其在噪声环境下表现出更高的鲁棒性。此外，提出了基于扩散模型的语义通信框架，优化多用户场景的信息重建，为下一代通信提供了新方向。