[论文解读] Deep Joint Source-Channel Coding Over Cooperative Relay Networks

Chenghong Bian, Yulin Shao+2 more|arXiv (Cornell University)|Nov 12, 2022

Cooperative Communication and Network Coding被引用 11

一句话总结

本论文提出了三种用于半双工协作中继网络中图像传输的深度联合源信道编码（DeepJSCC）方案——DeepJSCC-AF、DeepJSCC-DF 和 DeepJSCC-PF。通过利用具备信道注意力机制的端到端训练深度神经网络，这些方案在性能上优于使用 BPG 和极化码的传统数字基线，表现出在信道质量下降时的平滑性能退化，且具备更强的鲁棒性，尤其在源-中继链路质量较高时表现更优。

ABSTRACT

This paper presents a novel deep joint source-channel coding (DeepJSCC) scheme for image transmission over a half-duplex cooperative relay channel. Specifically, we apply DeepJSCC to two basic modes of cooperative communications, namely amplify-and-forward (AF) and decode-and-forward (DF). In DeepJSCC-AF, the relay simply amplifies and forwards its received signal. In DeepJSCC-DF, on the other hand, the relay first reconstructs the transmitted image and then re-encodes it before forwarding. Considering the excessive computation overhead of DeepJSCC-DF for recovering the image at the relay, we propose an alternative scheme, called DeepJSCC-PF, in which the relay processes and forwards its received signal without necessarily recovering the image. Simulation results show that the proposed DeepJSCC-AF, DF, and PF schemes are superior to the digital baselines with BPG compression with polar codes and provides a graceful performance degradation with deteriorating channel quality. Further investigation shows that the PSNR gain of DeepJSCC-DF/PF over DeepJSCC-AF improves as the channel condition between the source and relay improves. Moreover, DeepJSCC-PF scheme achieves a similar performance to DeepJSCC-DF with lower computational complexity.

研究动机与目标

• 为解决协作中继网络中缺乏基于深度学习的联合源信道编码的问题，传统分离式方法在恶劣信道条件下表现不佳。
• 设计集成源编码与信道编码的统一端到端可训练框架，以提升鲁棒性与性能。
• 在保持高重建质量的同时降低中继端的计算复杂度，从而提出轻量级替代方案 DeepJSCC-PF 以替代 DeepJSCC-DF。
• 评估 DeepJSCC 在不同源-中继与源-目的地信噪比（SNR）条件下的性能，尤其分析中继处理对图像质量的影响。

提出的方法

• 提出 DeepJSCC-AF，其中中继端对收到的信号进行放大并转发，接收端使用最大比率合并（MRC）技术合并信号，并在合并后的输出上应用 DeepJSCC。
• 引入 DeepJSCC-DF，其中中继端使用深度神经网络（DNN）重建原始图像，重新编码后将信号转发至接收端进行联合解码。
• 开发 DeepJSCC-PF 作为 DeepJSCC-DF 的简化变体，中继端不显式重建图像，从而降低计算负载与延迟。
• 在 DNN 中引入信道注意力模块，使单个训练模型能够自适应不同 SNR 区间的信道条件。
• 采用端到端训练，损失函数结合重建损失与正则化项（由 λ 加权），以平衡中继端重建质量与系统整体性能。
• 采用 BPG 压缩算法与极化码作为数字基线，在相同条件下进行性能对比。

实验结果

研究问题

• RQ1 在协作中继网络中，DeepJSCC 相较于传统分离式方案（如 BPG + 极化码）的性能表现如何？
• RQ2 源-中继链路质量对 DeepJSCC-DF 与 DeepJSCC-PF 相较于 DeepJSCC-AF 的性能影响如何？
• RQ3 简化版中继设计（DeepJSCC-PF）是否能在显著降低计算复杂度的同时实现与 DeepJSCC-DF 相当的性能？
• RQ4 所提出的 DeepJSCC 框架在信道质量恶化时是否表现出平滑的性能退化，避免传统分离式系统常见的“悬崖效应”？
• RQ5 正则化参数 λ 如何影响 DeepJSCC-DF 中中继端重建精度与整体系统性能之间的权衡？

主要发现

• 在所有 SNR 条件下，DeepJSCC-AF、DF 和 PF 均优于使用 BPG 压缩与极化码的数字基线，SNR_sr = 24 dB 时 PSNR 最高提升达 2.4 dB。
• 当源-中继 SNR 为 12 dB 或 24 dB 时，DeepJSCC-DF 与 DeepJSCC-PF 的 PSNR 均高于 DeepJSCC-AF，最高提升达 1.2 dB，表明在中继链路质量较好时性能更优。
• 在 SNR_sr = 24 dB 时，DeepJSCC-PF 达到 PSNR 32.137 dB 与 SSIM 0.9635，与 DeepJSCC-DF（32.168 dB，0.9637）极为接近，同时显著降低了中继端复杂度。
• DeepJSCC-DF 的最优正则化参数 λ 为 0，表明中继端显式重建图像并非性能提升的必要条件，验证了 DeepJSCC-PF 的设计合理性。
• DeepJSCC-PF 在所有 SNR 水平（0–8 dB）下均优于使用 BPG 与极化码的数字基线，甚至可匹配使用容量可达码的理想分离式方案性能。
• 所提方案在信道质量下降时表现出平滑的性能退化，而数字基线则在低于临界 SNR 阈值时出现“悬崖效应”。