面向语言的文本到图像生成通信：语义编码与知识蒸馏方法

通过将大型语言模型（LLMs）与生成模型的最新进展融入新兴的语义通信（Semantic Communication, SC）范式，本文提出了一种面向语言的语义通信（Language-oriented Semantic Communication, LSC）新框架。在LSC框架中，机器之间通过人类语言消息进行通信，这些消息可借助自然语言处理（Natural Language Processing, NLP）技术进行解读与操作，从而提升语义通信的效率。为验证LSC的潜力，本文提出了三项创新算法：1）语义源编码（Semantic Source Coding, SSC），该方法将文本提示压缩为体现其句法核心的关键词，同时保持关键词的出现顺序，以保留原始提示的上下文语义；2）语义信道编码（Semantic Channel Coding, SCC），通过用更长的同义词替换关键词，增强通信在噪声环境下的抗错能力；3）语义知识蒸馏（Semantic Knowledge Distillation, SKD），利用上下文学习技术，根据接收方的语言风格生成定制化提示，实现个性化通信。在面向渐进式文本到图像生成的通信任务中，所提出的方法在显著减少传输次数的同时，实现了更高的感知相似性，并有效提升了在噪声通信信道中的鲁棒性。