Low-Latency Task-Oriented Image Transmission with Opportunistic Spectrum Access

📄 arXiv: 2607.01921 📥 PDF

作者: João Henrique Inacio de Souza, Mattia Merluzzi, Mateus P. Mota, Beatriz Soret, Petar Popovski

分类: cs.IT, cs.AI

发布日期: 2026-07-05

💡 一句话要点

提出低延迟任务导向图像传输框架以解决频谱有限问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 低延迟通信 任务导向 机会频谱接入 向量量化 变分自编码器 深度学习 信道编码 图像传输

📋 核心要点

  1. 现有的通信系统在频谱有限和信道衰落情况下，通常依赖于独立的源和信道编码，导致高延迟。
  2. 本文提出了一种利用机会频谱接入的传输框架，通过VQ-VAE发送离散潜在表示，支持低延迟的任务导向通信。
  3. 实验结果显示，该方案在延迟和分类准确率之间取得了良好的平衡，显著提升了通信效率。

📝 摘要（中文）

现有的通信系统通常侧重于可靠的数据重建，而非任务导向的通信，导致在频谱有限和信道衰落情况下延迟较高。为此，本文提出了一种利用机会频谱接入的传输框架，发射器通过向量量化变分自编码器（VQ-VAE）发送离散潜在表示，利用空闲的许可频谱通道进行标准数字调制。AI驱动的接收器能够从高度压缩的数据中重建与任务相关的信息。我们开发了一个跨层延迟模型，考虑了压缩、块错误、重传和随机信道接入。结果表明，该方案在分类准确率仅下降5.7%和2.4%的情况下，延迟分别减少了79倍和3.3倍，相较于传统的源和信道编码基准，展现出低延迟通信和可靠任务执行的能力。

🔬 方法详解

问题定义：本文旨在解决在频谱有限和信道衰落情况下，传统通信系统高延迟的问题。现有方法通常依赖于独立的源和信道编码，导致效率低下。

核心思路：提出了一种新的传输框架，利用机会频谱接入和VQ-VAE进行数据压缩，允许在低延迟下进行任务导向的通信。通过这种设计，接收器能够从压缩数据中提取任务相关信息。

技术框架：该框架包括数据压缩模块（VQ-VAE）、机会频谱接入机制和AI驱动的接收器。数据首先经过VQ-VAE进行压缩，然后在空闲的许可频谱通道上进行传输，最后由接收器进行解码和信息重建。

关键创新：最重要的创新在于结合了机会频谱接入与深度学习模型（VQ-VAE），实现了在高压缩率下的低延迟任务导向通信。这与传统方法的独立编码方式形成了鲜明对比。

关键设计：在设计中，采用了特定的损失函数以优化压缩效果，同时调整了VQ-VAE的网络结构以适应任务导向的需求。

📊 实验亮点

实验结果表明，提出的方案在延迟方面实现了79倍和3.3倍的显著减少，同时分类准确率仅下降5.7%和2.4%。这些结果显示了新框架在低延迟和高效能任务执行方面的优越性，远超传统的源和信道编码方法。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、远程医疗和无人驾驶等场景，能够在频谱资源紧张的情况下实现高效的任务导向通信，提升系统的响应速度和可靠性。未来，该框架可能推动更多实时应用的发展，尤其是在物联网和智能城市建设中。

📄 摘要（原文）

Communication systems designed for reliable data reconstruction, rather than task-oriented communication, typically rely on separate source and channel coding and incur high latency under limited spectrum availability and fading channels. To address this, we propose a transmission framework with opportunistic spectrum access, in which the transmitter sends discrete latent representations learned via a vector-quantized variational autoencoder (VQ-VAE) over idle licensed channels using standard digital modulation. The AI-powered receiver is still able to reconstruct task-related information from the heavily compressed data. We develop a cross-layer latency model that accounts for compression, block errors, retransmissions, and stochastic channel access. Results on latency-accuracy trade-offs show that the proposed scheme achieves at least 79- and 3.3-fold latency reductions with only 5.7% and 2.4% drops in classification accuracy compared to benchmarks using conventional source and channel coding. The framework enables low-latency communication and reliable task execution even under limited spectrum availability and challenging channel conditions.