2023年11月2日至4日，第15届国际无线通信与信号处理大会（15th International Conference on Wireless Communications and Signal Processing, WCSP 2023）在浙江杭州举办。我院单杭冠副教授领导的团队以论文《Deep-Learning based Gaussian Mixture Likelihoods Joint Source-Channel Coding for Image Transmission》荣获了会议的最佳论文奖。这项研究的第一作者是本院的硕士生方勇。

        来自无线通信、信号处理等领域的几百名国内外顶尖专家学者齐聚一堂，共同分享先进通信技术与信号处理的最新成果和行业趋势。这场盛会吸引了众多知名学者，其中包括加拿大工程院院士、多伦多大学教授Wei Yu，新加坡工程院院士、新加坡科技设计大学教授Tony Q. S. Quek，IEEE Fellow、美国特拉华大学教授Xiang-Gen Xia，IEEE Fellow、新加坡南洋理工大学教授Dusit Niyato，IEEE Fellow、哈利法科技大学教授Merouane Debbah，长江学者、东南大学教授张在琛等杰出专家学者。

获奖论文简介

        因其便捷的模块化设计，信源信道分离编码在通信系统中被长期使用。然而，这种设计方法需要在码长趋于无穷时才具有最佳性；而且，当码率和信道条件不匹配时还存在“悬崖效应”，导致其在未来超低时延和/或超低功耗的新型无线应用中存在严峻挑战。论文提出一种基于学习的高斯混合似然联合信源信道编码方案来解决上述问题。

        具体地，论文设计了边信息辅助的自编码器框架。在该框架中，主自编码器将输入的图像像素值转化为复数符号进行传输。为了满足失真与码率的综合最优，论文进一步提出了边信息辅助机制。在训练阶段，辅自编码器利用潜变量生成边信息，接收端解码边信息得到潜在表示的高斯分布参数，辅助高斯混合似然模型进行码率估计；输入图像经主编码器得到重构图像，通过计算均方误差得到失真性能。联合信源信道编码模型同时优化上述两个指标，以提高图像的率失真性能。

        实验结果表明，所提出的方法能够获得比现有方案更好的率失真性能。在相同PSNR的情况下，比现有方案减少约2 bpp码率。而且，所提方法的性能增益随图像分辨率的增加而增加，表明其在高分辨率图像传输上的出色潜力。