Generative Semantic Communication via Alternating Dual-Domain Posterior Sampling

Titel: Generatieve Semantische Communicatie via Alternerende Dual-Domein Posterior Sampling

Auteurs: Shunpu Tang en Qianqian Yang (Zhejiang University, China)

1. Het Probleem

Semantische communicatie (SemCom) streeft ernaar om alleen taakgerelateerde semantische informatie te extraheren en te transmittieren, in plaats van bits, om de perceptuele kwaliteit van draadloze beeldtransmissie te verbeteren. Bestaande generatieve SemCom-systemen, die vaak gebruikmaken van vooraf getrainde generatieve priors (zoals GANs of Diffusiemodellen), ondervinden echter fundamentele beperkingen:

• Beperkingen van MAP-schatting: De meeste bestaande methoden baseren zich op Maximum A Posteriori (MAP) schatting. MAP is een punt-schatting die de volledige posterior-verdeling in één oplossing "instort". Dit kan de oorspronkelijke data-verdeling niet behouden, wat leidt tot wazige, over-gesmoorde reconstructies met een lage perceptuele kwaliteit, vooral bij lage signaal-ruisverhoudingen (SNR).
• Suboptimale geleidingsstrategieën in Diffusiemodellen: Diffusiegebaseerde SemCom-methoden gebruiken vaak geleiding (guidance) om de reconstructie te sturen.
  • Latent-domein (Z-domein) geleiding: Is gevoelig voor kanaalruis bij lage SNR-waarden.
  • Beeld-domein (X-domein) geleiding: Kan semantisch bewijs uit het ontvangen signaal verliezen en erfelijke bias van de decoder introduceren.
  • Simultane combinatie: Het simpelweg combineren van beide domeinen tegelijkertijd leidt tot een "oververzekerde" (overconfident) pseudo-posterior, omdat de afhankelijkheid tussen het ontvangen signaal en de decoder-output wordt genegeerd, wat de stabiliteit en kwaliteit verslechtert.

2. Methodologie: ADDPS

De auteurs formuleren semantische decoding als een Bayesiaans inverse probleem en stellen Alternating Dual-Domain Posterior Sampling (ADDPS) voor. Dit is een diffusiegebaseerde ontvanger die de consistentie in zowel het latent-domein als het beeld-domein alternerend afdwingt tijdens het steekproefproces.

Kerncomponenten:

• Bayesiaanse Formulering: In plaats van een punt-schatting (MAP) te zoeken, wordt gestreefd naar het steekproeven uit de volledige posterior-verdeling $p(x|\hat{z})$. Dit behoudt de data-verdeling en maximaliseert de theoretisch haalbare perceptuele kwaliteit.
• Dual-Domein Consistentie:
  • Z-domein: Zorgt voor consistentie met het ontvangen kanaalsignaal $\hat{z}$ via de semantische encoder $E_\theta$.
  • X-domein: Zorgt voor consistentie met de decoder-output $\tilde{x}$ (een ruwe reconstructie) via de semantische decoder $D_\phi$. Dit is robuuster tegen kanaalruis.
• Alternerend Strategie: In plaats van beide geleidingstermen tegelijkertijd toe te passen (wat leidt tot gradiëntconflicten en een oververzekerde posterior), wisselt ADDPS per stap in het diffusieproces af:
  • Op even stappen wordt Z-domein geleiding toegepast.
  • Op oneven stappen wordt X-domein geleiding toegepast.
  • Dit decomposeert het gezamenlijke steekproefprobleem in eenvoudigere subproblemen, voorkomt gradiëntconflicten en behoudt de complementaire sterktes van beide domeinen zonder de bias van gelijktijdige geleiding.

Algorithmus:
Het proces begint met een initiële reconstructie via de decoder. Vervolgens wordt een reverse diffusion-proces uitgevoerd waarbij de "score" (gradiënt van de log-waarschijnlijkheid) wordt aangepast met de alternatieve geleidingstermen om de steekproef naar de gezamenlijke posterior te leiden.

3. Belangrijkste Bijdragen

1. Theoretische Analyse: Bewijs dat MAP-schatting de data-verdeling niet kan behouden (wat leidt tot perceptuele degradatie), terwijl posterior sampling dit wel doet en dus distributioneel optimaal is.
2. Nieuwe Architectuur (ADDPS): Introductie van een alternerende dual-domein geleidingsstrategie die de robuustheid van het beeld-domein combineert met de fideliteit van het latent-domein, terwijl het de valkuil van een oververzekerde pseudo-posterior vermijdt.
3. Empirische Validatie: Uitgebreide experimenten tonen aan dat de methode superieure perceptuele kwaliteit bereikt in uitdagende omstandigheden (extreme bandbreedtecompressie en lage SNR).

4. Resultaten

De methode is getest op de FFHQ-dataset (256x256 pixels) onder zeer uitdagende omstandigheden:

• Bandbreedtecompressie: 1/192.
• SNR: 1 dB (zeer ruisgevoelig).

Vergelijking met bestaande methoden (DeepJSCC, InverseJSCC, HiFi-DiffCom):

• Perceptuele Kwaliteit: ADDPS behaalde de beste resultaten op perceptuele metrieken. Met 1000 diffusiestappen werd een FID (Fréchet Inception Distance) van 56.94 bereikt, wat significant lager (beter) is dan HiFi-DiffCom (59.54) en DeepJSCC (108.62).
• Ablatiestudies:
  • Alleen Z-domein geleiding presteerde slecht door kanaalruis.
  • Alleen X-domein geleiding was robuust maar minder accuraat.
  • Simultane (gelijktijdige) geleiding verbeterde de vervormingsmetrieken (PSNR) maar verslechterde de perceptuele kwaliteit (hogere FID) door de oververzekerde posterior.
  • De alternerende strategie bood de beste balans en de hoogste perceptuele kwaliteit over alle metrieken heen.

5. Betekenis en Conclusie

Dit paper biedt een fundamentele verschuiving in hoe semantische decoding wordt benaderd: van een optimalisatieprobleem (MAP) naar een steekproefprobleem (Posterior Sampling). De voorgestelde ADDPS-methode lost het compromis op tussen ruisgevoeligheid en decoder-bias door een slimme alternerende strategie te gebruiken.

De resultaten tonen aan dat het gebruik van diffusiemodellen met dual-domein consistentie een krachtige route is om de perceptuele kwaliteit van draadloze beeldtransmissie te verbeteren, zelfs onder extreme omstandigheden waar traditionele methoden falen. Dit maakt generatieve SemCom praktischer voor real-world toepassingen met beperkte bandbreedte en slechte kanaalcondities.