additive white Gaussian noise
PulseAugur coverage of additive white Gaussian noise — every cluster mentioning additive white Gaussian noise across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
GANs提升车联网图像传输性能
研究人员开发了一种新的基于生成对抗网络（GAN）的语义通信框架，旨在提高车联网（IoV）中图像传输的效率和保真度。该框架根据驾驶安全优先考虑语义信息，并据此分配比特和设计损失函数。该系统旨在从损坏的语义标签中重建高质量图像，在Cityscapes数据集上，即使在加性高斯白噪声和瑞利信道等挑战性信道条件下，也比现有方法表现出更优越的性能。
-
SafeStep平台使用语义通信进行行人安全监控
研究人员开发了SafeStep，一个使用语义通信进行实时行人安全监控的交互式平台。该系统从实时摄像头馈送中提取行人数据，通过语义通信收发器传输，并显示用户特定信息，包括位置、轨迹和风险标签。一个关键组件Meta-VIB，一个拥有416万个参数的神经网络模型，在各种信号条件下，无需重新训练即可实现高达92.1%的平均任务损失降低，展示了显著的性能提升。
-
新的上下文解码框架增强文本传输鲁棒性
研究人员开发了一种新颖的上下文解码（ICD）框架，旨在增强文本传输的独立信源信道编码（SSCC）的鲁棒性。这种接收端方法利用纠错码Transformer（ECCT）来评估解码比特的可靠性。然后，系统通过执行可靠性引导的比特翻转来生成候选重构池，从中进行采样，并采用基于大型语言模型的算术解码器来生成最终输出及其相关的对数似然度。实验表明，在各种具有挑战性的信道条件下，ICD的性能始终优于传统的SSCC方法和一些联合信源信道编码（JSCC）方案。
-
Kolmogorov-Arnold网络在FTN信号检测中优于MLP
一篇新的研究论文比较了多层感知器（MLP）和Kolmogorov-Arnold网络（KAN）在检测更快于奈奎斯特（FTN）信号方面的有效性。该研究生成了一个包含近四百万个标记窗口的大型数据集，用于加性高斯白噪声下的FTN BPSK检测。结果表明，KAN的性能显著优于MLP，在参数数量大大减少的情况下实现了更低的比特误码率。
-
新框架增强了用于跨域图像分类的深度JSCC
研究人员开发了一种新颖的深度联合信源信道编码（Deep JSCC）域自适应框架，以提高在分布变化下的图像分类性能。提出的分类-容量不变性（CCI）函数分析了信道容量和跨域不变性如何影响准确性。在数字和PACS数据集上的实验表明，在AWGN和瑞利衰落信道上具有更好的泛化能力，在10 dB CSNR下实现了SVHN到MNIST迁移的98.15%的准确率。
-
深度学习方法使用CNN解调混沌信号
研究人员开发了一种新颖的深度学习方法来解调混沌信号，这是一种用于通信的技术，它利用确定性混沌来生成伪随机信号。所提出的方法利用卷积神经网络来键控分岔参数，这种方法即使在混沌模式不属于训练数据的情况下也显示出检测混沌模式的潜力。该研究报告在特定噪声条件下，比特错误率为0.0819，证明了这种由AI驱动的解调的有效性。
-
NTIRE 2026 挑战赛对先进图像去噪技术进行基准测试
NTIRE 2026 图像去噪挑战赛专注于恢复被高水平加性白高斯噪声严重损坏的图像。该竞赛评估了先进的神经网络架构，优先考虑峰值信噪比（PSNR）衡量的峰值定量性能。共有116支队伍注册参赛，20支决赛队伍的成果被收录在一份报告中，为无约束图像恢复领域的最新创新提供了基准。
-
语义通信研究探讨延迟、复杂度和鲁棒性之间的权衡
两篇新研究论文探讨了使用人工智能和机器学习优化通信系统的先进技术。第一篇论文介绍了一个语义通信框架，该框架联合重建图像并预测标签，通过调整潜在表示来优化延迟和任务保真度。第二篇论文提出了一种内存增强的源编码方案，通过将上下文模式内化到共享源模型中，增强了低信噪比环境下文本传输的鲁棒性。