Resumo Técnico: Codificação Conjunta de Fonte-Canal-Geração (JSCGC)

1. Definição do Problema

Os sistemas de comunicação sem fio convencionais, incluindo tanto a codificação clássica baseada em separação quanto a moderna codificação conjunta fonte-canal (JSCC) baseada em aprendizado profundo, operam sob a teoria de taxa-distorção de Shannon. Esses sistemas são projetados para minimizar métricas de distorção explícitas (ex: Erro Quadrático Médio, LPIPS) para recuperar uma estimativa pontual do sinal de origem. Os autores argumentam que a otimização para métricas de distorção específicas introduz um "viés induzido pela métrica", resultando frequentemente em reconstruções borradas, excessivamente suaves ou com artefatos estruturais que falham em alinhar-se com a percepção visual humana complexa.

Embora abordagens recentes de Taxa-Distorção-Percepção (RDP) e métodos de comunicação generativa (ex: DiffCom, DiffJSCC) tenham tentado melhorar a qualidade perceptual incorporando perdas adversariais ou modelos generativos pré-treinados, eles ainda dependem de representações moldadas pela distorção. Nesses esquemas existentes, o processo de geração é condicionado a um sinal reconstruído, o que significa que o sistema permanece fundamentalmente vinculado às limitações do design baseado em distorção. O problema central abordado é a necessidade de ir além da reconstrução determinística e da otimização de métricas em direção a um paradigma onde a comunicação facilita a geração controlada baseada em condições semânticas.

2. Metodologia: O Framework JSCGC

O artigo propõe a Codificação Conjunta de Fonte-Canal-Geração (JSCGC), um paradigma que substitui o decodificador convencional por um modelo generativo.

Conceito Central

No JSCGC, o processo de comunicação é reformulado da minimização da distorção para a geração controlada.

• Transmissor: Codifica a fonte $x$ em um sinal de canal $y$.
• Receptor: Em vez de reconstruir $x$ diretamente, o sinal recebido $\hat{y}$ é tratado como uma condição semântica que guia um modelo generativo para amostrar de uma distribuição condicional aprendida $q_\theta(x|\hat{y})$.
• Objetivo: O sistema visa maximizar a Informação Mútua (MI) $I(X; \hat{Y})$ entre a fonte e o sinal recebido, sujeita a uma restrição perceptual que garante que a distribuição gerada $q_\theta(x)$ permaneça próxima à distribuição de dados naturais $p(x)$. Isso é formulado como:
  $$\max_{\theta, \phi} I(X; \hat{Y}) \quad \text{sujeito a} \quad d_p(p(x), q_\theta(x)) \leq \zeta$$
  onde $d_p$ é uma medida de divergência (ex: divergência KL) e $\zeta$ é uma tolerância.

Implementação do Sistema

O framework proposto é implementado para transmissão de imagem no espaço latente usando:

1. Encoder: Um codificador baseado em Mamba (MambaJSCC) que extrai características semânticas de alto nível e as mapeia para a entrada do canal.
2. Gerador: Um modelo de correspondência de fluxo latente (Z-Image) baseado em S3-DiT, pré-treinado em conjuntos de dados de larga escala para modelar distribuições de dados naturais.
3. Adaptador de Comunicação-Consciente (CA-Adapter): Um componente crítico que faz a ponte entre o descompasso entre os sinais de comunicação e os espaços de características generativas. Ele injeta o sinal recebido $\hat{y}$ no espaço de características interno do gerador via estágios cascateados, permitindo um controle refinado sobre a trajetória de geração sem a necessidade de retreinar todo o gerador pré-treinado.

Algoritmos de Treinamento e Amostragem

• Treinamento: A otimização restrita é convertida em uma forma não restrita usando relaxação Lagrangiana. Os autores derivam uma função de perda tratável baseada em inferência variacional que minimiza um substituto para a entropia condicional e a divergência KL. Isso permite o treinamento conjunto end-to-end do encoder, transmissão de canal e gerador, onde os gradientes propagam-se do gerador de volta através do canal até o encoder.
• Amostragem: Para lidar com o custo computacional da amostragem estocástica de Equações Diferenciais Estocásticas (SDEs), o framework utiliza a Fluxo de Probabilidade ODE associada. Isso permite uma amostragem eficiente com significativamente menos passos (ex: 20–50 passos) enquanto mantém alta qualidade perceptual.

3. Principais Contribuições

1. Framework JSCGC: Introdução de um paradigma de comunicação generativa que muda da reconstrução determinística para a geração controlada, otimizando a informação mútua sob restrições perceptuais sem funções de distorção explícitas.
2. Treinamento e Amostragem Unificados: Desenvolvimento de um objetivo de treinamento variacional que acopla codificação de fonte, transmissão de canal e geração. O artigo fornece uma estratégia de amostragem condicional eficiente baseada em ODEs para cenários de recursos limitados.
3. Garantias Teóricas: Provas teóricas demonstrando que o objetivo de treinamento derivado se alinha com a formulação informacional original. Os autores mostram que a minimização da função de perda de treinamento reduz os limites superiores tanto da divergência KL quanto da distância de Wasserstein entre as distribuições gerada e real.
4. Mudança no Comportamento de Erro: Identificação de uma mudança fundamental nas características de erro. Ao contrário dos sistemas tradicionais, onde a degradação de desempenho se manifesta como distorção visual (borramento, artefatos), a degradação do JSCGC se manifesta como inconsistência semântica (o conteúdo torna-se menos fiel à fonte), mantendo alta consistência visual e plausibilidade perceptual.

4. Resultados Experimentais

Experimentos extensos foram conduzidos nos conjuntos de dados Open Images (treinamento) e Kodak (avaliação) sobre canais AWGN e Rayleigh fading.

• Desempenho: O JSCGC supera consistentemente os baselines de estado da arte (MambaJSCC-PSNR, MambaJSCC-LPIPS, DiffCom, DiffJSCC) em diversas métricas, incluindo similaridade de nível de característica (LPIPS, DISTS), consistência semântica (CLIP Score, DINO Score) e fidelidade de distribuição (rFID, DreamSim).
  • Exemplo: Sob AWGN a 5 dB SNR, o JSCGC reduziu o LPIPS e o FID para 79,42% e 53,68% dos valores do baseline DiffJSCC, respectivamente, enquanto melhorou o CLIP score em 11%.
• Robustez em Baixo SNR: Os ganhos de desempenho são mais pronunciados nos regimes de baixa Relação Sinal-Ruído (SNR). A -5 dB, o JSCFC supera significativamente todos os baselines em consistência semântica e qualidade perceptual.
• Qualidade Visual vs. Métricas: O artigo observa que, embora alguns baselines (ex: MambaJSCC-LPIPS) possam alcançar métricas de nível de pixel competitivas ou superiores (PSNR/LPIPS) em alto SNR, eles frequentemente sofrem com artefatos visuais (ex: padrões de tabuleiro de xadrez). O JSCGC mantém uma qualidade visual superior, ilustrando o "fenômeno Goodhart", onde a otimização para uma métrica pode degradar a qualidade perceptual real.
• Eficiência: Embora o JSCGC utilize um gerador de larga escala (7,7 bilhões de parâmetros), a amostragem proposta baseada em ODE permite inferência eficiente. Com 50 passos de amostragem, o JSCGC alcança um equilíbrio favorável entre desempenho e latência, superando o DiffCom (que requer 252 passos) e o DiffJSCC tanto em velocidade quanto em qualidade.

5. Significância e Alegações

O artigo afirma que o JSCGC representa um redesenho fundamental dos sistemas de comunicação. Ao tratar o sinal recebido como uma condição para geração em vez de um projeto para reconstrução, o sistema desacopla a fidelidade da comunicação da distorção pixel a pixel.

Os autores enfatizam que o JSCGC não apenas melhora as métricas existentes, mas altera a natureza dos erros de comunicação. Em condições de baixos recursos ou ruído, o sistema prioriza a realidade perceptual sobre a fidelidade semântica. Isso resulta em imagens geradas que parecem naturais e plausíveis mesmo quando o conteúdo específico desvia da fonte original, uma vantagem distinta sobre os sistemas tradicionais que produzem saídas visualmente degradadas e irreais sob as mesmas restrições. O trabalho sugere que futuros sistemas de comunicação podem ser redesenhados para transmitir condições semânticas para geração, aproveitando o poder dos modelos de fundação para sintetizar conteúdo de alta qualidade consistente com a fonte.