Deep Joint Source-Channel Coding with Iterative Source Error Correction
Deep Joint Source-Channel Coding with Iterative Source Error Correction
复制标题
DOI：
10.48550/arxiv.2302.09174
复制
发表时间：
2023-02
期刊：
影响因子：
--
通讯作者：
Changwoo Lee;Xiao Hu;Hun-Seok Kim
中科院分区：
文献类型：
--
作者：
Changwoo Lee;Xiao Hu;Hun-Seok Kim
在本文中，我们提出了一种基于深度学习的联合源通道编码（Deep JSCC）的迭代源纠错（ISEC）解码方案。给定通过通道接收到的噪声码字，我们使用深度 JSCC 编码器和解码器对迭代更新码字，以找到（修改的）最大后验（MAP）解决方案。为了高效的 MAP 解码，我们利用基于神经网络的降噪器来近似码字空间的对数先验密度的梯度。尽管优化问题是非凸性的，但我们提出的方案从传统的一次性（非迭代）深度 JSCC 解码基线改进了各种失真和感知质量指标。此外，当信道噪声特性与训练期间使用的特性不匹配时，与基线相比，所提出的方案产生更可靠的源重建结果。
In this paper, we propose an iterative source error correction (ISEC) decoding scheme for deep-learning-based joint source-channel coding (Deep JSCC). Given a noisy codeword received through the channel, we use a Deep JSCC encoder and decoder pair to update the codeword iteratively to find a (modified) maximum a-posteriori (MAP) solution. For efficient MAP decoding, we utilize a neural network-based denoiser to approximate the gradient of the log-prior density of the codeword space. Albeit the non-convexity of the optimization problem, our proposed scheme improves various distortion and perceptual quality metrics from the conventional one-shot (non-iterative) Deep JSCC decoding baseline. Furthermore, the proposed scheme produces more reliable source reconstruction results compared to the baseline when the channel noise characteristics do not match the ones used during training.