Knowledge Distillation Driven Semantic NOMA with GAN Refinement for 6G Robotic Vehicle Networks

📄 arXiv: 2608.27198v1 📥 PDF

作者: Qifei Wang, Zhen Gao, Li Qiao, Ziwei Wan, De Mi, Dapeng Li, Ying Sun

分类: cs.IT, cs.CV, eess.IV

发布日期: 2026-08-27

备注: Presented at IEEE VTC-Spring 2026

💡 一句话要点

提出基于知识蒸馏的语义NOMA框架以解决6G机器人车辆网络中的干扰问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 知识蒸馏 生成对抗网络 非正交多址接入 深度学习 机器人车辆 语义通信 图像重建

📋 核心要点

  1. 现有的语义通信方法在上行NOMA网络中面临严重的干扰问题，影响了机器人车辆的视觉感知能力。
  2. 提出的KDG-SemNOMA框架结合知识蒸馏和生成对抗网络，旨在提高通信的鲁棒性和绿色性。
  3. 实验结果显示，KDG-SemNOMA在FFHQ-256数据集上在像素级准确性和感知保真度方面显著优于现有最先进的方法。

📝 摘要（中文）

为了实现可持续的智能移动，6G赋能的机器人车辆需要在严格的带宽和能量限制下实现高保真视觉感知。语义通信提供了一种频谱高效的解决方案，但在上行非正交多址接入（NOMA）机器人车辆网络中面临严重干扰。为此，本文提出了一种基于知识蒸馏和生成模型增强的NOMA框架KDG-SemNOMA。首先，开发了一种基于ConvNeXt的深度联合源信道编码架构，并增强了动态信道适应的注意力特征模块。其次，通过两阶段知识蒸馏策略，正交传输教师模型指导NOMA学生模型以减轻干扰。最后，引入条件生成对抗网络（cGAN），通过将初始重建和信道状态作为条件输入，优化输出图像的真实感。实验结果表明，KDG-SemNOMA在像素级准确性和感知保真度上显著优于现有方法。

🔬 方法详解

问题定义：本文旨在解决6G机器人车辆网络中由于上行非正交多址接入（NOMA）导致的严重干扰问题。现有的语义通信方法在带宽和能量受限的情况下，难以实现高保真的视觉感知。

核心思路：论文提出的KDG-SemNOMA框架通过知识蒸馏和生成对抗网络的结合，旨在减轻干扰并提高图像重建的质量。知识蒸馏策略有效地利用教师模型的知识来指导学生模型，从而降低推理开销。

技术框架：KDG-SemNOMA的整体架构包括三个主要模块：基于ConvNeXt的深度联合源信道编码（DeepJSCC）架构、知识蒸馏策略和条件生成对抗网络（cGAN）。DeepJSCC模块负责动态信道适应，知识蒸馏模块通过两阶段策略进行干扰减轻，而cGAN则用于优化图像的真实感。

关键创新：本文的主要创新在于将知识蒸馏与生成对抗网络相结合，形成了一种新的NOMA框架，显著提升了图像重建的质量和鲁棒性。这种方法在处理干扰时具有更高的效率和效果。

关键设计：在技术细节上，DeepJSCC架构中引入了增强的注意力特征模块，以实现更好的信道适应性。知识蒸馏采用两阶段策略，首先通过教师模型进行初步指导，然后通过学生模型进行细化。cGAN的设计则是通过将初始重建和信道状态作为条件输入，来优化输出图像的质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，KDG-SemNOMA在FFHQ-256数据集上相比于现有最先进的方法，在像素级准确性上提升了XX%，在感知保真度上提升了YY%。这些结果表明该框架在实际应用中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、自动驾驶车辆和机器人协作等场景。通过提高机器人车辆的视觉感知能力，KDG-SemNOMA能够在复杂环境中实现更安全、更高效的移动，推动未来智能交通的发展。

📄 摘要（原文）

To achieve sustainable intelligent mobility, 6G-empowered robotic vehicles (RVs) require high-fidelity visual perception under stringent bandwidth and energy constraints. Semantic communication offers a spectral-efficient solution but suffers from severe interference in uplink non-orthogonal multiple access (NOMA) RV networks. To address this, we propose a knowledge distillation-driven and generative models-enhanced NOMA framework for robust and green RV communications, named KDG-SemNOMA. First, we develop a ConvNeXt-based deep joint source-channel coding (DeepJSCC) architecture with an enhanced attention feature (AF) module for dynamic channel adaptation. Second, to mitigate interference without inference overhead, an orthogonal transmission teacher model guides the NOMA student model via a two-stage knowledge distillation strategy. Finally, to address the over-smoothing artifacts of pixel-wise optimization, we introduce a channel-conditional GAN (cGAN). By explicitly taking the Stage-I initial reconstruction and channel states as conditional inputs, this module refines coarse outputs into high-fidelity images with realistic textures. Experiments on FFHQ-256 demonstrate that KDG-SemNOMA significantly outperforms state-of-the-art methods in both pixel-level accuracy and perceptual fidelity.