Resumen Técnico: Codificación Conjunta de Fuente, Canal y Generación (JSCGC)

1. Planteamiento del Problema

Los sistemas de comunicación inalámbrica convencionales, incluyendo tanto la codificación clásica basada en la separación como la moderna codificación conjunta fuente-canal (JSCC) basada en aprendizaje profundo, operan bajo la teoría de tasa-distorsión de Shannon. Estos sistemas están diseñados para minimizar métricas de distorsión explícitas (por ejemplo, Error Cuadrático Medio, LPIPS) para recuperar una estimación puntual de la señal de la fuente. Sin embargo, los autores argumentan que la optimización de métricas de distorsión específicas introduce un "sesgo inducido por la métrica", lo que a menudo resulta en reconstrucciones borrosas, excesivamente suaves o con artefactos estructurales que no se alinean con la percepción visual humana compleja.

Si bien los enfoques recientes de Tasa-Distorsión-Percepción (RDP) y los métodos de comunicación generativa (por ejemplo, DiffCom, DiffJSCC) han intentado mejorar la calidad perceptual incorporando pérdidas adversarias o modelos generativos preentrenados, estos siguen dependiendo de representaciones con forma de distorsión. En estos esquemas existentes, el proceso de generación está condicionado por una señal reconstruida, lo que significa que el sistema permanece fundamentalmente ligado a las limitaciones del diseño basado en la distorsión. El problema central abordado es la necesidad de ir más allá de la reconstrucción determinista y la optimización de métricas hacia un paradigma donde la comunicación facilite la generación controlada basada en condiciones semánticas.

2. Metodología: El Marco de Trabajo JSCGC

El artículo propone la Codificación Conjunta de Fuente, Canal y Generación (JSCGC), un paradigma que reemplaza el decodificador convencional con un modelo generativo.

Concepto Central

En JSCGC, el proceso de comunicación se reformula de la minimización de la distorsión a la generación controlada.

• Transmisor: Codifica la fuente $x$ en una señal de canal $y$.
• Receptor: En lugar de reconstruir $x$ directamente, la señal recibida $\hat{y}$ se trata como una condición semántica que guía a un modelo generativo para muestrear de una distribución condicional aprendida $q_\theta(x|\hat{y})$.
• Objetivo: El sistema busca maximizar la Información Mutua (MI) $I(X; \hat{Y})$ entre la fuente y la señal recibida, sujeta a una restricción perceptual que asegure que la distribución generada $q_\theta(x)$ permanezca cercana a la distribución de datos naturales $p(x)$. Esto se formula como:
  $$\max_{\theta, \phi} I(X; \hat{Y}) \quad \text{sujeto a} \quad d_p(p(x), q_\theta(x)) \leq \zeta$$
  donde $d_p$ es una medida de divergencia (por ejemplo, la divergencia KL) y $\zeta$ es una tolerancia.

Implementación del Sistema

El marco propuesto se implementa para la transmisión de imágenes en el espacio latente utilizando:

1. Codificador: Un codificador basado en Mamba (MambaJSCC) que extrae características semánticas de alto nivel y las mapea al input del canal.
2. Generador: Un modelo de flujo de latentes (Z-Image) basado en S3-DiT, preentrenado en conjuntos de datos a gran escala para modelar distribuciones de datos naturales.
3. Adaptador Consciente de la Comunicación (CA-Adapter): Un componente crítico que cierra la brecha entre las señales de comunicación y los espacios de características generativas. Inyecta la señal recibida $\hat{y}$ en el espacio de características interno del generador a través de etapas en cascada, permitiendo un control fino sobre la trayectoria de generación sin necesidad de reentrenar todo el generador preentrenado.

Algoritmos de Entrenamiento y Muestreo

• Entrenamiento: La optimización restringida se convierte en una forma no restringida mediante relajación Lagrangiana. Los autores derivan una función de pérdida tratable basada en la inferencia variacional que minimiza un sustituto de la entropía condicional y la divergencia KL. Esto permite un entrenamiento conjunto de extremo a extremo del codificador, la transmisión del canal y el generador, donde los gradientes se propagan desde el generador hacia atrás a través del canal hasta el codificador.
• Muestreo: Para abordar el costo computacional del muestreo estocástico de Ecuaciones Diferenciales Estocásticas (SDE), el marco utiliza la ODE de Flujo de Probabilidad asociada. Esto permite un muestreo eficiente con significativamente menos pasos (por ejemplo, 20–50 pasos) manteniendo una alta calidad perceptual.

3. Contribuciones Clave

1. Marco de Trabajo JSCGC: Introducción de un paradigma de comunicación generativa que cambia de la reconstrucción determinista a la generación controlada, optimizando la información mutua bajo restricciones perceptuales sin funciones de distorsión explícitas.
2. Entrenamiento y Muestreo Unificados: Desarrollo de un objetivo de entrenamiento variacional que acopla la codificación de la fuente, la transmisión del canal y la generación. El artículo proporciona una estrategia de muestreo condicional eficiente basada en ODEs para escenarios con recursos limitados.
3. Garantías Teóricas: Pruebas teóricas que demuestran que el objetivo de entrenamiento derivado se alinea con la formulación de información teórica original. Los autores muestran que minimizar la función de pérdida de entrenamiento reduce los límites superiores tanto de la divergencia KL como de la distancia de Wasserstein entre las distribuciones generada y real.
4. Cambio en el Comportamiento del Error: Identificación de un cambio fundamental en las características del error. A diferencia de los sistemas tradicionales donde la degradación del rendimiento se manifiesta como distorsión visual (desenfoque, artefactos), la degradación de JSCGC se manifiesta como inconsistencia semántica (el contenido se vuelve menos fiel a la fuente) mientras mantiene una alta realización visual y plausibilidad perceptual.

4. Resultados Experimentales

Se realizaron experimentos extensos en los conjuntos de datos Open Images (entrenamiento) y Kodak (evaluación) sobre canales AWGN y Rayleigh fading.

• Desempeño: JSCGC supera consistentemente a los modelos de referencia del estado del arte (MambaJSCC-PSNR, MambaJSCC-LPIPS, DiffCom, DiffJSCC) en diversas métricas, incluyendo similitud a nivel de características (LPIPS, DISTS), consistencia semántica (CLIP Score, DINO Score) y fidelidad de la distribución (rFID, DreamSim).
  • Ejemplo: Bajo AWGN a 5 dB SNR, JSCGC redujo LPIPS y FID al 79.42% y 53.68% de los valores de la línea base de DiffJSCC, respectivamente, mientras mejoraba el CLIP score en un 11%.
• Robustez ante Bajo SNR: Las mejoras de desempeño son más pronunciadas en los regímenes de Relación Señal-Ruido (SNR) baja. A -5 dB, JSCGC supera significativamente a todos los modelos de referencia en consistencia semántica y calidad perceptual.
• Calidad Visual vs. Métricas: El artículo señala que, si bien algunos modelos de referencia (por ejemplo, MambaJSCC-LPIPS) pueden lograr métricas de nivel de píxel (PSNR/LPIPS) competitivas o superiores a SNR alta, a menudo sufren de artefactos visuales (por ejemplo, patrones de tablero de ajedrez). JSCGC mantiene una realización visual superior, ilustrando el "fenómeno de Goodhart" donde la optimización de una métrica puede degradar la calidad perceptual real.
• Eficiencia: Aunque JSCGC utiliza un generador a gran escala (7.7 mil millones de parámetros), el muestreo basado en ODE propuesto permite una inferencia eficiente. Con 50 pasos de muestreo, JSCGC logra un equilibrio favorable entre desempeño y latencia, superando a DiffCom (que requiere 252 pasos) y DiffJSCC tanto en velocidad como en calidad.

5. Significado y Reivindicaciones

El artículo afirma que JSCGC representa un rediseño fundamental de los sistemas de comunicación. Al tratar la señal recibida como una condición para la generación en lugar de un plano para la reconstrucción, el sistema desacopla la fidelidad de la comunicación de la distorsión de píxel.

Los autores enfatizan que JSCGC no solo mejora las métricas existentes, sino que cambia la naturaleza de los errores de comunicación. En condiciones de bajos recursos o de mucho ruido, el sistema prioriza la realismo perceptual sobre la fidelidad semántica. Esto resulta en imágenes generadas que lucen naturales y plausibles incluso cuando el contenido específico se desvía de la fuente original, una ventaja distintiva sobre los sistemas tradicionales que producen salidas visualmente degradadas y poco realistas bajo condiciones similares. El trabajo sugiere que los futuros sistemas de comunicación pueden rediseñarse para transmitir condiciones semánticas para la generación, aprovechando el poder de los modelos fundacionales para sintetizar contenido de alta calidad consistente con la fuente.