语义通信论文略读（四）MambaJSCC: Adaptive Deep Joint Source-Channel Coding with Generalized State Space Model
MambaJSCC: Adaptively Deep Joint Source-Channel Coding employing a Generalized State-Space Model Formulation
MambaJSCC：具有广义状态空间模型的自适应深度联合源信道编码
作者: Tong Wu, Zhiyong Chen, Meixia Tao, Yaping Sun, Xiaodong Xu, Wenjun Zhang, Ping Zhang
所属机构: 上海交通大学合作媒体网络创新中心、鹏城实验室宽带通信部、北京邮电大学网络与交换技术国家重点实验室
关键词: Mamba技术、联合源信道编码方案、通道自适应优化机制、无线图像传输系统
时间段：2024年
研究背景:
1. 无线通信中的深度联合源信道编码（JSCC）： 无线通信中，深度学习为基础的JSCC技术通过神经网络将源编码和信道编码整合为单一过程，以提高信息传输效率。JSCC能够有效提取和利用数据的语义特征，对于理解特定任务上下文中的信息含义至关重要。
2. MambaJSCC架构： 本文提出了一种名为MambaJSCC的新型JSCC架构，通过视觉状态空间模型（VSSM-CA）块作为其骨干，实现了最先进的性能，同时具有低计算和参数开销。
3. 通道自适应方法： 通道自适应方法对于提高单个模型在广泛信道条件下的性能至关重要，这些方法还减少了训练负担并节省了参数。
研究方法:
1. GSSM模块设计：基于可逆矩阵变换整合所有扫描扩展操作，并开发了广义状态空间模型（GSSM）模块。研究证实仅需两个GSSM模块即可完整捕捉全局信息 。
2. CSI-ReST方法：提出了一种无需任何参数和计算资源的新方法。该技术通过GSSM内建的响应特性实现通道自适应性，并完全避免了额外计算开销及参数消耗。
实验设计:
实验设置：本研究采用了包括CelebA、DIV 2K及AFHQ等不同内容与分辨率的公开数据集来进行算法测试。基于PSNR（峰值信噪比）、MSSSIM（多尺度结构相似性）以及LPIPS（线性感知感知相似性）等指标进行性能评估，并通过运算量（MACs）与推理时延（ID）等量化指标来衡量系统的计算效率与实时性能。
对比分析：在多个经典的联合信道编码（JSCC）方案中进行对比分析。具体而言，在本研究中对以下几种典型的联合编码框架进行了全面对比研究：包括MambaJSCC及其无信道访问控制版本、基于自适应网络架构的SwinJSCC引入结构注意力机制后的版本等。
结果分析:
1. 性能评估：MambaJSCC展示了出色性能，在多种信噪比（SNR）水平及不同数据集上表现优异；尤其是在低信噪比场景中相比其他JSCC架构而言MambaJSCC具有显著优势。
2. 计算复杂度与参数消耗：MambaJSCC相较于SwinJSCC显著降低了运算延迟的同时也减少了计算负担并成功缩小了模型体积；其显著的轻量化优势使其成为当前领域中较为高效的选择。
3. 信道自适应能力：通过无需额外运算开销的方式CSI-ReST方法实现了高效的信道自适应特性；这一特性使得其实现了在不增加任何额外资源的情况下达到良好的自适应效果。
总体结论：
基于该架构是一种新型的、轻量级且高效的JSCC方案。借助VSSM-CA模块以及CSI-ReST方法的应用，在图像传输性能方面显著优于现有的其他JSCC方案，并且在减少参数规模、计算负担以及推理延迟方面表现更为出色。该架构的成功实践凸显了深度学习技术在无线图像传输领域的巨大潜力，并对未来语义通信的发展思路提供了全新的研究视角。