FAST: Flexible and Adaptive Semantic Transmission for Resource-constrained Multi-user Generative Semantic Communication
生成式人工智能的快速发展刺激了语义通信的创新方法，产生了一种新的范式，称为生成式语义通信（GSC）。灵活的跨模态语义提取与生成能力驱动的语义推理的集成大大提高了语义压缩效率，在通信资源限制下展现了显着的前景。尽管如此，对高计算能力的严格依赖以及由此产生的延迟仍然是主要挑战，从而限制了大规模部署的可行性。为了解决这些挑战，我们提出了一种新的GSC框架名为FAST，它代表灵活和自适应的语义传输。为了适应有限的计算资源，我们提出了一个顺序的语义提取方法，其中一个时间提示工程模块编排的关键语义单元的蒸馏和传输。相应地，我们在接收器处引入顺序条件去噪模块，其使基于扩散的重建适应于渐进接收的输入。为了提高多用户语义传输的整体任务性能，我们提出了一种语义感知的资源分配方法，该方法基于语义依赖关系，用户级任务优先级和瞬时信道条件的联合考虑动态优化带宽。大量的实验表明，所提出的架构实现了与传统的GSC系统相媲美的系统精度，同时显着减少传输延迟，提高整体效率。这些结果证实了其在具有严格通信和计算约束的多用户GSC场景中部署的增强潜力。
2025-10-31 eess.SP
A Robust Adversarial Network-Based End-to-End Communications System With Strong Generalization Ability Against Adversarial Attacks
Stevens Institute of Technology（史蒂文斯理工学院）；Oklahoma State University（俄克拉荷马州立大学）
我们提出了一种新的防御机制的基础上生成对抗网络（GAN）的框架，以抵御对抗攻击在端到端的通信系统。具体来说，我们利用生成网络来模拟一个强大的对手，并使端到端的通信系统，以打击生成攻击网络通过极大极小博弈。我们表明，该系统不仅可以很好地对抗白盒和黑盒对抗攻击，但也具有良好的泛化能力，保持良好的性能下没有攻击。我们还表明，我们基于GAN的端到端系统优于传统的通信系统和有/没有对抗训练的端到端通信系统。
2021-03-03 cs.AI cs.LG eess.SP
AGI-Driven Generative Semantic Communications: Principles and Practices
University of Electronic Science and Technology of China（电子科学与技术大学）；Xiangjiang Laboratory（湘江实验室）；University of California at Davis（加州大学戴维斯分校）
本文提出生成式语义通信（GSC）范式，利用基础模型和生成模型支持AGI应用，通过案例验证其降低通信成本的优势，并探讨开放挑战与未来方向。
2025-06-19 cs.AI eess.IV eess.SP
An Integrated Communication and Computing Scheme for Wi-Fi Networks based on Generative AI and Reinforcement Learning
针对Wi-Fi边缘计算中样本稀疏导致训练成本高的问题，提出结合生成扩散模型与TD3算法及匈牙利算法的MEC卸载与资源分配方案，显著降低训练成本、时延和能耗。
2024-04-21 cs.NI eess.SP
Semantic-Aware Power Allocation for Generative Semantic Communications with Foundation Models
本文提出基于基础模型的生成式语义通信框架，建立传输可靠性与图像感知质量及语义价值的关系模型，并通过约束解耦和二分搜索设计语义感知功率分配方法，在保证语义性能的同时显著降低总功率消耗。
2024-10-08 eess.SP
Generative Artificial Intelligence (GAI) for Mobile Communications: A Diffusion Model Perspective
本文提出扩散模型驱动的移动通信架构，利用条件DM和DM驱动深度强化学习分别实现无线数据生成与通信管理，并在MIMO信道估计、外推和反馈等任务中验证其高保真生成与抗分布偏移能力。
2024-10-21 eess.SP
Generative AI for Integrated Sensing and Communication: Insights from the Physical Layer Perspective
本文从物理层视角研究生成式人工智能对集成感知与通信系统的支持，重点分析信道估计等应用，并通过基于扩散模型的近场到达方向估计案例验证其有效性。
2023-10-29 eess.SP
Hybrid Generative Semantic and Bit Communications in Satellite Networks: Trade-offs in Latency, Generation Quality, and Computation
针对卫星系统链路预算有限且语义通信计算消耗高的问题，提出适配动态卫星网络的多层混合比特与生成式语义通信框架，设计SEM指标权衡时延、计算消耗与重构质量，采用GRPO算法优化资源分配，仿真验证了框架灵活性与指标有效性。
2025-07-31 cs.IT eess.SP math.IT
Lightweight Diffusion Models for Resource-Constrained Semantic Communication
Sapienza University of Rome（罗马第一大学）
本文提出Q-GESCO框架，通过量化扩散模型减少计算和内存负载，实现语义通信的高效再生，节省75%内存和79%浮点运算。
2024-10-03 eess.SP
Sequential Semantic Generative Communication for Progressive Text-to-Image Generation
Yonsei University（延世大学）；Deakin University（迪肯大学）
本文提出一种基于多模态生成模型的通信系统框架，通过将图像转换为文本提示并按信息量优先级顺序传输词元，实现高效语义通信与图像重建。
2023-09-08 cs.AI eess.SP
Sparse Bayesian Generative Modeling for Joint Parameter and Channel Estimation
本工作提出一种低复杂度稀疏贝叶斯生成建模方法，利用物理信息生成模型同时估计无线信道及其物理参数，无需额外计算开销，并近似条件均值估计器以提升联合通信与感知性能。
2025-02-25 eess.SP
Latency-Aware Generative Semantic Communications with Pre-Trained Diffusion Models
Beijing Institute of Technology（北京理工大学）；University of Surrey（萨里大学）；University of Oulu（奥卢大学）
本文提出基于预训练生成模型的时延感知语义通信框架，通过多模态语义分解、适配传输方案及语义时延感知功率分配，实现超低速、低时延的信道自适应语义通信。
2024-07-13 cs.CV cs.IT cs.MM
GDM4MMIMO: Generative Diffusion Models for Massive MIMO Communications
National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China（南京东南大学国家移动通信研究实验室）；Purple Mountain Laboratories, Nanjing 211100, China（南京紫金山实验室）；Huawei Technologies Co., Ltd., Suzhou 215100, China（华为技术有限公司）；School of Electrical Engineering and Telecommunications, University of New South Wales, Sydney, 2052, Australia（新南威尔士大学电子与电信学院）；Department of Electrical and Computer Engineering, University of Delaware, Newark, DE 19716 USA（德克萨斯大学达勒姆分校电子与计算机工程系）
本文提出利用生成扩散模型（GDM）提升大规模MIMO通信中的信道状态信息（CSI）获取效率，探讨其在近场信道估计中的应用及未来研究方向。
2024-12-24 cs.IT cs.LG eess.SP
Enabling High Error Tolerance in Satellite Video Transmissions by Generative Semantic Communication
Sun Yat-Sen University（中山大学）；Imperial College London（帝国理工学院）
本文提出利用生成语义通信提升卫星中继视频传输的抗误差能力，通过优化语义编码器和微调生成视频模型，在高误码率下实现更高的视频峰值SNR。
2026-04-28 eess.SP
SemSteDiff: Generative Diffusion Model-based Coverless Semantic Steganography Communication
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Exeter（埃克塞特大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出SemSteDiff方案，通过生成扩散模型在无载体图像中隐藏秘密信息，提升通信安全性，实验显示在不同编码框架下具有优越性能。
2026-03-25 eess.SP
Receiver-Centric Generative Semantic Communications
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Xiamen University（厦门大学）；Shenzhen University（深圳大学）
本文提出以接收端为中心的生成式语义通信系统，由接收端发起请求，发送端借助GPT-4等生成式AI和专用工具提取所需语义信息，解决了传统方法忽略接收端需求导致关键信息丢失的问题。
2024-11-20 cs.IT cs.LG eess.SP
Generative AI Driven Task-Oriented Adaptive Semantic Communications
针对现有面向任务的语义通信传输全量语义特征未达性能阈值的问题，提出基于生成式AI的TasCom框架，通过自适应编码分配带宽优先传输任务相关特征，在目标检测等任务上性能优于现有方案。
2024-07-16 eess.SP
Feasibility of Modeling Orthogonal Frequency-Division Multiplexing Communication Signals with Unsupervised Generative Adversarial Networks
通常需要对商用通信硬件在现实环境中的射频发射进行高质量记录，以开发和评估频谱共享技术和做法，例如，用于训练和测试频谱感测算法以及用于干扰测试。不幸的是，这种数据收集的耗时，昂贵的性质以及数据共享的限制构成了限制数据集可用性的重大挑战。此外，从第一原理开发真实世界RF发射的精确模型通常非常困难，因为系统参数和实现细节充其量只是部分已知，并且复杂的系统动态特性难以表征。因此，需要灵活的数据驱动方法，可以利用现有的数据集来合成额外的类似波形。一种有前途的机器学习方法是使用生成对抗网络（GANs）的无监督深度生成建模。迄今为止，用于RF通信信号的GANs尚未被彻底研究。在本文中，我们提出了第一次深入调查生成的信号保真度的GANs训练与基带正交频分复用（OFDM）信号，其中每个子载波是数字调制与正交幅度调制（QAM）。在现有GAN方法的基础上，我们开发了两种新的GAN模型，并使用具有已知地面实况的模拟数据集评估了它们的性能。具体而言，我们研究了模型性能，增加数据集的复杂性在一系列的OFDM参数和条件，包括衰落信道。本文中的研究结果为用例的可行性提供了信息，并为进一步研究RF通信信号的深度生成模型提供了基础。
2022-02-18 eess.SP
GenED-SC: Generative Editing Semantic Communication with Integrated Multi-Modal LLMs
College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）；School of Ocean Engineering and Technology, Sun Yat-sen University（中山大学海洋工程与技术学院）；Department of Electrical and Software Engineering, University of Calgary（卡尔加里大学电气与软件工程系）
提出一种两阶段语义图像传输框架，结合JSCC判别传输与MLLM生成编辑，在低信噪比下提升语义保真度和感知质量。
2026-08-04 eess.SP
Generative Semantic Communication via Alternating Dual-Domain Posterior Sampling
College of Information Science and Electronic Engineering（信息科学与电子工程学院）
本文提出通过交替双域后验采样提升无线图像传输的感知质量，解决传统方法在数据分布保留和领域间冲突的问题。
2026-04-18 cs.CV cs.IT eess.SP
LightCom: A Generative AI-Augmented Framework for QoE-Oriented Communications
本文提出 LightCom 框架，以轻量编码结合 GenAI 增强解码和重要性感知功率分配，在低 SNR 下显著提升通信鲁棒性与感知覆盖。
2025-07-23 eess.SP
Semantic Communications Based on Adaptive Generative Models and Information Bottleneck
本文提出一种基于拓扑空间表示、在线自适应信息瓶颈和概率生成模型的语义通信方法，旨在根据信道状态优化发射功率、重建精度与延迟的权衡，并支持接收端图像重建或分类。
2023-09-05 eess.SP
Wireless Hallucination in Generative AI-enabled Communications: Concepts, Issues, and Solutions
本文针对GenAI驱动无线通信中产生的无线幻觉问题，系统分析其成因并提出数据、模型及生成后三层缓解方案，最终通过结合GAN数据增强、注意力机制和LLMs的集成方案将NMSE降低0.19。
2025-03-08 cs.IT eess.SP math.IT
Multi-Frequency Channel Modeling for Millimeter Wave and THz Wireless Communication via Generative Adversarial Networks
现代蜂窝系统越来越多地依赖于在多个不连续频带中的同时通信，以实现宏分集和增加的带宽。多频通信在毫米波（mmWave）和太赫兹（THz）频率中尤其重要，因为这些频带通常与较低频率耦合以实现鲁棒性。这些系统的评估需要统计模型，可以捕捉跨多个频率的信道路径的联合分布。本文提出了一种基于神经网络的多频双向统计信道模型训练方法。在所提出的方法中，每个被描述为一个多集群集，生成对抗网络（GAN）被训练来生成随机多集群配置文件，其中生成的集群数据包括集群的角度和延迟以及不同频率下的随机接收功率、角度和延迟扩展的向量。该模型可方便地应用于多频链路或网络层仿真。该方法被证明在28和140 GHz的训练从广泛的射线跟踪数据的城市微蜂窝链路建模。该方法使最小的统计假设和实验表明，该模型可以捕捉有趣的频率之间的统计关系。
2022-12-22 eess.SP
Generative Neural Network Channel Modeling for Millimeter-Wave UAV Communication
毫米波正越来越多地被考虑用于与无人机（UAV）的无线通信。这项工作的关键是统计信道模型，描述感兴趣的场景中的组成参数的分布。本文提出了一种基于数据训练的生成式神经网络的通用建模方法。建议的生成模型有一个两阶段的结构，首先预测的链路状态（视线，非视线，或中断），并随后将此状态输入到一个条件变分自动编码器（VAE），生成的路径损耗，延迟，到达和离开的角度为所有的传播路径。该方法被证明为28 GHz的空对地通道之间的无人机和蜂窝系统在代表性的城市环境中，通过射线跟踪产生的训练数据集。该演示扩展到标准基站（安装在街道水平和向下倾斜）以及专用基站（安装在屋顶和向上倾斜）。所提出的方法能够捕获数据中复杂的统计关系，并且即使在将这些模型的参数重新调整到数据之后，其性能也显著优于标准3GPP模型。
2021-08-26 eess.SP
EnvCDiff: Joint Refinement of Environmental Information and Channel Fingerprints via Conditional Generative Diffusion Model
National Mobile Communications Research Laboratory, Southeast University（东南大学国家移动通信研究中心）；Purple Mountain Laboratories（紫金山实验室）；Department of Electrical and Computer Engineering, University of Delaware（德雷塞尔大学电气与计算机工程系）
针对环境信息和信道指纹粗粒度问题，提出条件生成扩散模型（CDiff）同时细化两者，从粗粒度重建细粒度EnvCF，实验表明性能显著提升。
2025-05-12 cs.ET cs.LG cs.NI
Low-altitude UAV Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning
本文针对LEO卫星-海事通信的安全问题，提出低空无人机友好干扰辅助方案，并将保密速率与能耗权衡建模为多目标优化问题，设计TransSAC深度强化学习算法实现高效求解。
2025-11-10 cs.CR eess.SP
Generative AI-driven Semantic Communication Networks: Architecture, Technologies and Applications
本综述探讨生成式AI驱动的语义通信网络，提出涵盖信息创建、传输与效用的框架，深入分析网络管理技术，并展望自动驾驶等应用场景。
2024-01-07 eess.SP
Rethinking Secure Semantic Communications in the Age of Generative and Agentic AI: Threats and Opportunities
Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Tsinghua University（清华大学）；Singapore University of Technology and Design (SUTD)（新加坡科技设计大学）
本文探讨了生成式和代理式AI时代语义通信的安全与隐私挑战，分析了生成式AI和代理式AI对窃听威胁的影响，并提出设计隐私保护语义通信系统的机会。
2026-01-06 cs.IT cs.NI eess.SP
Lightweight Generative Image Semantic Communication over Packet Erasure Channels
School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子信息学院）；National Key Laboratory for Positioning, Navigation and Timing Technology, College of Electronic Science and Technology, National University of Defense Technology（国防科技大学电子科学学院）
针对分组擦除信道中的图像语义通信丢包问题，提出轻量级生成式JSCC框架LGSemCom，利用对抗学习和擦除感知加权策略实现高质量重建，推理速度提升一个数量级。
2026-09-09 eess.SP
Generative Video Semantic Communication via Multimodal Semantic Fusion with Large Model
School of Information and Electronics, Beijing Institute of Technology（信息与电子学院，北京理工大学）；School of Computer Science and Engineering, Nanyang Technological University（计算机科学与工程学院，南洋理工大学）
本文提出可扩展的生成式视频语义通信框架，发送端提取文本描述与首帧、草图等结构语义，接收端用基于扩散的GenAI大模型融合多模态语义重建视频，并在超低CBR和低SNR下验证了优越感知质量。
2025-09-27 cs.CV cs.IT eess.IV
Generative Semantic Communications with Foundation Models: Perception-Error Analysis and Semantic-Aware Power Allocation
本文提出搭载预训练基础模型的生成式语义通信框架，分析感知-误差的非递减关系，定义语义值，提出两种语义感知功率分配方法，在图像任务仿真中较传统方法最高节省90%功耗。
2025-01-14 eess.SP
LGVSC: A Large-Model-Driven Generative Video Semantic Communication Framework
Beijing Institute of Technology（北京理工大学）；Zhongguancun Academy（中关村学院）；The University of Hong Kong（香港大学）；Shanghai Jiao Tong University（上海交通大学）
提出大模型驱动的生成式视频语义通信框架LGVSC，通过解耦编解码器、引入概率语义相似度评分和语义引导关键帧提取，在极低带宽下实现高效视频语义传输，并保持零样本泛化能力。
2026-06-17 eess.SP
Deep Reinforcement Learning-Based Resource Allocation for Hybrid Bit and Generative Semantic Communications in Space-Air-Ground Integrated Networks
本文提出一种结合比特级与生成式语义通信的混合框架，利用无人机中继和深度强化学习优化资源分配，在空天地一体化网络中实现低延迟、高可靠性的图像传输。
2025-05-26 cs.IT eess.SP math.IT
Time-Modulated Intelligent Reflecting Surfaces for Integrated Sensing, Communication and Security: A Generative AI Design Framework
Rutgers University（罗格斯大学）；Princeton University（普林斯顿大学）
本文提出利用生成式AI设计框架，通过时间调制智能反射面实现集成感知、通信与安全的物理层安全性。
2025-12-30 eess.SP
Enabling Training-Free Semantic Communication Systems with Generative Diffusion Models
Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出利用生成扩散模型实现无需训练的语义通信系统，通过改进的编码解码方法和优化采样步骤，提升系统在信道噪声下的鲁棒性和性能。
2026-01-09 cs.IT eess.SP math.IT
LSTM-Based Distributed Conditional Generative Adversarial Network For Data-Driven 5G-Enabled Maritime UAV Communications
支持5G的海上无人机通信是5G无线网络的重要应用之一，需要最小的延迟和更高的可靠性来支持关键任务应用。因此，具有高数据速率的无损可靠通信是现代无线通信系统中的关键要求。这些因素都高度依赖于信道条件。在这项工作中，提出了一个信道模型的空到地链路利用毫米波（毫米波）的5G海上无人机（UAV）通信。首先，我们将提出公式化的信道估计方法，其直接旨在从由在长短期记忆（LSTM）-分布式条件生成对抗网络（DCGAN）（即，针对每个波束成形方向的（LSTM-DCGAN））内操作的UAV灌输的信道模型中采用毫米波的信道状态信息（CSI）。其次，为了增强所提出的空间域训练信道模型的应用，我们设计了一个基于LSTM-DCGAN的无人机网络，其中每个无人机网络将学习所有分布的毫米波CSI。最后，我们分类了最有利的LSTM-DCGAN训练方法，并为我们的无人机网络提供了一定的条件来提高信道模型学习率。仿真结果表明，所提出的基于LSTM-DCGAN的网络对局部训练产生的误差具有很强的鲁棒性。已经与其他可用的最先进的CGAN网络架构进行了详细的比较，即独立CGAN（没有CSI共享），简单CGAN（具有CSI共享），多通道CGAN，联合学习CGAN和DCGAN。仿真结果表明，所提出的LSTM-DCGAN结构在学习过程中表现出更高的准确性，并获得了更多的数据速率的下行链路传输相比，以前的艺术作品。
2022-05-09 eess.SP
Goal-oriented Semantic Communications for Metaverse Construction via Generative AI and Optimal Transport
本文提出一种目标导向语义通信框架，结合沙漏网络编码器和最优传输去噪器，用于元宇宙无线构建，显著降低延迟并提升物体状态准确性和观看体验。
2025-03-30 cs.SY eess.SP eess.SY
Rate-Adaptive Generative Semantic Communication Using Conditional Diffusion Models
本文提出一种基于条件扩散模型和MLLA骨架的生成式DJSCC方法，利用熵模型自适应管理带宽并以符号作为条件信息指导图像重建，结合多阶段训练策略，显著提升了语义图像传输的感知质量。
2024-12-23 eess.SP
Scoring ISAC: Benchmarking Integrated Sensing and Communications via Score-Based Generative Modeling
针对实际场景下ISAC系统性能指标难以解析推导的问题，本文提出Scoring ISAC框架，基于分数生成式模型从数据估计性能指标，经目标检测与定位实验验证精度，为ISAC分析与优化提供新路径。
2025-08-04 eess.SP
Channel-adaptive Cross-modal Generative Semantic Communication for Point Cloud Transmission
IEEE
提出GenSeC-PC框架，通过跨模态语义编码融合图像与点云，结合信道自适应联合编解码和扩散模型加速，实现低信噪比下的鲁棒点云传输。
2026-06-25 cs.CV cs.NI eess.SP
Generative AI-enabled Blockage Prediction for Robust Dual-Band mmWave Communication
提出基于视觉变换器的视觉辅助阻塞预测方法，在雾-云架构中利用生成式AI压缩视觉数据，实现毫米波与Sub-6 GHz智能切换，在DeepSense 6G数据集上达到92.78%准确率并减少70.31%带宽。
2025-01-20 eess.SP
Towards a Joint Task-Oriented and Generative Semantic Communication Framework for 6G Networks
Univ Rouen Normandie, LITIS Laboratory UR 4108（鲁昂诺曼底大学，LITIS实验室）
提出一种基于OFDM的端到端语义通信框架，通过图表示提取视觉语义，结合ST-GNN进行碰撞风险估计，并利用扩散模型重建场景，在MIMO配置下实现99.1%数据压缩，优于JPEG/HEVC，同时保持下游推理性能。
2026-07-01 eess.SP
Diff-GO: Diffusion Goal-Oriented Communications to Achieve Ultra-High Spectrum Efficiency
University of California, Davis（加州大学戴维斯分校）；University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）
本文提出Diff-GO扩散式面向目标通信框架，利用低维共享噪声潜变量与局部生成反馈控制图像再生，以计算换带宽，实现超高频谱效率和准确图像恢复。
2023-11-13 cs.AI cs.CV cs.LG
Semantic Satellite Communications Based on Generative Foundation Model
提出FMSAT语义卫星通信框架，利用基础模型分割重建、自适应编解码和星地语义错误检测，在低带宽、高干扰及长时延场景下保护图像语义。
2024-04-18 eess.IV eess.SP
Physics-Informed Generative Approaches for Wireless Channel Modeling
本研究将基于物理的几何信道建模框架与生成模型结合，通过线性化重构解决梯度流问题，生成几何可行且具物理洞察的信道数据，并在2-Wasserstein距离和下游压缩任务中验证其有效性。
2025-03-27 eess.SP
Multi-objective Aerial Collaborative Secure Communication Optimization via Generative Diffusion Model-enabled Deep Reinforcement Learning
针对无人机集群安全监视网络的保密速率与能耗多目标优化难题，提出生成扩散模型赋能的双延迟深度确定性策略梯度方法，通过扩散模型优化无人机激励电流权重与位置，相较传统策略和DRL基准性能更优且鲁棒性强。
2024-07-12 cs.NI eess.SP
Generative AI for Advanced UAV Networking
本文探讨生成式人工智能在无人机通信与组网中的关键应用，提出一种新型GAI框架，并通过频谱地图估计与传输速率优化案例验证其有效性。
2024-04-16 cs.NI eess.SP
Evolving Semantic Communication with Generative Model
本文提出演化语义通信系统ESemCom，利用信道感知语义编码器和语义缓存机制持续提升图像传输效率，在平均带宽压缩比1/192下优于DeepJSCC等方法。
2024-03-29 eess.SP
Denoising Diffusion Probabilistic Models for Hardware-Impaired Communications
针对硬件受损、低信噪比等实际无线通信场景，提出基于去噪扩散概率模型的接收机，相比DNN接收机MSE提升超25dB，且在非高斯噪声下具备优异的分布外鲁棒性。
2023-10-05 cs.IT eess.SP math.IT
Generative Artificial Intelligence Assisted Wireless Sensing: Human Flow Detection in Practical Communication Environments
提出一种基于生成式人工智能辅助的人流检测系统G-HFD，利用信道状态信息估计人体反射参数，并结合统一加权条件扩散模型去噪以准确检测目标数量及到达方向，在实际通信环境中子流大小检测准确率达91%。
2024-04-22 eess.SP
Generative AI for Semantic Communication: Architecture, Challenges, and Outlook
本文针对语义通信缺乏上下文推理与背景知识供给的问题，提出云—边—端协同的 GAI-SCN 框架，并通过仿真验证其在语义推理与资源利用上的潜力。
2024-10-27 cs.NI eess.IV eess.SP
Generative AI-enabled Wireless Communications for Robust Low-Altitude Economy Networking
针对低空经济网络复杂且易受安全威胁的问题，本文提出融合扩散模型与MoE-transformer行动者网络的GenAI优化框架，并在鲁棒波束成形中实现最坏情况保密速率超15%的提升。
2025-07-26 eess.SP
