摘要：信源編碼是一個資料壓縮的過程，其目的是盡可能地将信源中的備援度去掉；而信道編碼則是一個增加備援的過程，通過适當加入備援度來達到抵抗信道噪聲，保護傳輸資料的目的。
信源編碼是一個資料壓縮的過程，其目的是盡可能地将信源中的備援度去掉；而信道編碼則是一個增加備援的過程，通過适當加入備援度來達到抵抗信道噪聲，保護傳輸資料的目的。
經典端對端無線通信系統如下圖所示：
- 信源 xx 使用信源編碼，去除備援得到比特流 ss。
- 對 ss 進行信道編碼（如 Turbo、LDPC 等）得到 yy，增加相應的校驗位來抵抗信道噪聲。
- 對比特流 yy 進行調制（如 BPSK、16QAM 等）得到 zz，并經實體信道發送。
- 接收端對經信道後的符号 \bar{z}zˉ 進行解調、解碼操作得到 \bar{x}xˉ。
- 根據定義信道方式不同，基于深度學習的信源信道聯合編碼（Deep JSCC）可以分為兩類。
第一類，受無編碼傳輸的啟發，将信源編碼、信道編碼和調制聯合設計為編碼器。
系統模型如下圖所示：
第二類，将通信系統中的調制、噪聲信道、解調子產品抽象為離散的二進制信道。
第一種模型稱為基于實體信道的符号編碼，第二種稱為基于抽象信道的比特編碼。
另一方面，信源可根據其是否具有結構化特征劃分為兩類：
- 結構化信源，如圖像、視訊。
- 非結構化信源，如高斯信源。
結構化信源是 Deep JSCC 的主要研究場景。由于神經網絡對結構化資料具有強大的特征擷取能力，并且有針對各種結構化資料設計的網絡結構的出現。
是以，Deep JSCC 相較于傳統設計更具有優勢。
圖像/視訊等具有空間拓撲結構信源适合 CNN 網絡結構，文本/語音等具有時間序列化結構信源适合 RNN 網絡結構。
對于非結構化信源，Deep JSCC 則稍顯羸弱。因為非結構化信源内部相關性弱，難以去除備援。
基于實體信道的符号編碼
結構化信源
Gunduz 團隊1 提出了一個傳輸高分辨率圖像的 Deep JSCC 架構。
發送端和接收端都使用 CNN 網絡，并在訓練時加入了高斯白噪聲和瑞利衰減噪聲。
提出的 Deep JSCC 架構如下圖所示：
實驗表明，從 PSNR 和 SSIM 資料來看，提出的信源信道聯合編碼比信源信道分離方案更優，在低信噪比的信道環境下，優勢尤其明顯。
Gunduz 團隊2 在前一個方案的基礎上，提出将噪聲回報子產品融入傳輸系統，以增強編解碼器對變換信噪比的魯棒性。
解碼器将一部分經過噪聲信道的接收到的符号 \bar{z}zˉ 回報給編碼器，編碼器根據 \bar{z}zˉ 重新計算信噪比，并對編解碼網絡參數進行改進，以适應變換的信噪比環境。
其通信方案如下圖所示：
Jankowski3 提出了一種使用 Deep JSCC 來進行圖像檢索的方案，先提取圖像特征，然後使用 Deep JSCC 編碼傳輸圖像特征子，接收端接收解碼特征子并基于特征對圖像進行檢索。
系統架構如下圖所示：
非結構化信源
Saidutta4 提出了一種應用雙編碼解碼結構的 Deep JSCC 方案對高斯信源進行編碼傳輸。
訓練時采用 MSE 優化器。
在前面工作的基礎上，Saidutta5 提出了基于變分自編碼器對高斯信源編碼的 Deep JSCC 方案，通過假設接收信号和重構信号的高斯統計特性，給出了正則化 MSE 損失的可變上限證明。
Xuan6 提出了一種基于 RNN 對高斯信源編碼的 Deep JSCC 方案。
其不需要擷取信源的先驗資訊，并在理論上證明了 Deep JSCC 的有效性，同時證明了基于深度學習的編碼器與基于混沌動态系統（Chaotic Dynamical System）的編碼函數之間的相似性。
系統架構如下圖所示：
基于抽象信道的比特編碼
與傳統符号流的 Deep JSCC 方案不同，二進制信道下傳輸離散比特流無法計算反向傳播梯度。是以，離散信道的嵌入也比實體信道的嵌入更為複雜。
近年來，神經網絡離散化7和離散自編碼器8的發展，為上述難點提供了解決思路。針對離散化神經網絡的問題，一個簡單的方法是使用得分函數估計器替代梯度9。由于該估計方差較高，一部分工作提出了不同的公式和控制變量來解決該問題10。
另外，為了達到使離散随機變量連續化的目的，Jang 和 Maddisonet 分别提出了 Gumbel-Softmax 分布11和 Concrete 方案12。
Choi13 提出了一種使用離散自編碼器對圖像進行抽象信道的比特編碼方案。為了保留編碼的硬離散性，使用了多樣本變分下界目标，用于獲得低變差梯度。
系統結構如下圖所示：
其使用圖像及其二進制表示的互資訊的變分下界來訓練模型，以獲得更好的魯棒性。
Song14 提出了新的正則化方法 IABF(Infomax Adversarial Bits Flip) ，以增強 NECST 的壓縮和糾錯能力，提升魯棒性。并提出了新的損失函數，實作了網絡對高維資料更有效的優化。
Shao15 基于輕量級 CNN 網絡提出了可部署到計算能力有限的移動裝置中的低功耗 Deep JSCC。
Farsad16 提出了基于 RNN 結構的 Deep JSCC 方案，以對文本信源進行編碼傳輸。采用裡德-所羅門（ReedSolomon）碼對信道進行編碼；結果表明，當編碼比特較短時，該方案比傳統方法具更低的單詞錯誤率。
Carpi17 提出了一種基于強化學習的 Deep JSCC 方案，采用了比特位翻轉解碼（bitflipping decoding）、殘差信念傳播（residual belief propagation）和錨解碼（anchor decoding）三種算法，讓解碼器由資料驅動去學習最佳的解碼政策。
-
[2019 TCCN]
Deep Joint Source-Channel Coding for Wireless Image Transmission
-
[2020 JSAIT]
DeepJSCC-f: Deep Joint Source-Channel Coding of Images with Feedback
-
[2019 ICASSP]
Deep Joint Source-Channel Coding for Wireless Image Retrieval
-
[2019 DCC]
M to 1 Joint Source-Channel Coding of Gaussian Sources via Dichotomy of the Input Space Based on Deep Learning
-
[2019 ISIT]
Joint Source-Channel Coding for Gaussian Sources over AWGN Channels using Variational Autoencoders
-
[2020 SPCOM]
Analog Joint Source-Channel Coding for Gaussian Sources over AWGN Channels with Deep Learning
-
[2019 TPMI]
Learning Deep Binary Descriptor with Multi-Quantization
-
[2018 NIPS]
DVAE#: Discrete Variational Autoencoders with Relaxed Boltzmann Priors
-
[1992 ML]
Simple Statistical Gradient-Following Algorithms for Connectionist Reinforcement Learning
-
[2017 NIPS]
REBAR: Low-variance, unbiased gradient estimates for discrete latent variable models
-
[2016 ML]
Categorical Reparameterization with Gumbel-Softmax
- The Concrete Distribution: A Continuous Relaxation of Discrete Random Variables
-
[2018 ML]
Neural Joint Source-Channel Coding
-
[2020 AAAI]
Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip
-
[2020]
BottleNet++: An End-to-End Approach for Feature Compression in Device-Edge Co-Inference Systems
-
[2018 ICASSP]
Deep Learning for Joint Source-Channel Coding of Text
-
[2019 AACCCC]
Reinforcement Learning for Channel Coding: Learned Bit-Flipping Decoding
-
[2020 電信科學]
基于深度學習的信源信道聯合編碼方法綜述
本文分享自華為雲社群《基于深度學習的信源信道聯合編碼》，原文作者：技術火炬手 。
點選關注，第一時間了解華為雲新鮮技術~