Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.00172

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2508.00172 (cs)
[提交于 2025年7月31日 ]

标题: DiSC-Med:基于扩散的语义通信用于鲁棒的医学图像传输

标题: DiSC-Med: Diffusion-based Semantic Communications for Robust Medical Image Transmission

Authors:Fupei Guo, Hao Zheng, Xiang Zhang, Li Chen, Yue Wang, Songyang Zhang
摘要: 人工智能的快速发展推动了智能健康领域的发展,结合下一代无线通信技术,激发了远程诊断和干预方面的令人兴奋的应用。 为了实现在远程医疗中的及时有效响应,通过有限带宽的噪声信道高效传输医疗数据成为一项关键挑战。 在本工作中,我们提出了一种新颖的基于扩散的语义通信框架,即DiSC-Med,用于医疗图像传输,其中开发了医学增强的压缩和去噪模块,分别用于带宽效率和鲁棒性。 与传统的逐像素通信框架不同,我们提出的DiSC-Med能够捕捉关键语义信息,并在噪声信道下实现超高的带宽效率和优越的重建性能。 在真实世界医疗数据集上的大量实验验证了我们框架的有效性,展示了其在鲁棒且高效的远程医疗应用中的潜力。
摘要: The rapid development of artificial intelligence has driven smart health with next-generation wireless communication technologies, stimulating exciting applications in remote diagnosis and intervention. To enable a timely and effective response for remote healthcare, efficient transmission of medical data through noisy channels with limited bandwidth emerges as a critical challenge. In this work, we propose a novel diffusion-based semantic communication framework, namely DiSC-Med, for the medical image transmission, where medical-enhanced compression and denoising blocks are developed for bandwidth efficiency and robustness, respectively. Unlike conventional pixel-wise communication framework, our proposed DiSC-Med is able to capture the key semantic information and achieve superior reconstruction performance with ultra-high bandwidth efficiency against noisy channels. Extensive experiments on real-world medical datasets validate the effectiveness of our framework, demonstrating its potential for robust and efficient telehealth applications.
评论: 将出现在2025年IEEE全球通信会议(Globecom)上
主题: 机器学习 (cs.LG) ; 图像与视频处理 (eess.IV)
引用方式: arXiv:2508.00172 [cs.LG]
  (或者 arXiv:2508.00172v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.00172
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Fupei Guo [查看电子邮件]
[v1] 星期四, 2025 年 7 月 31 日 21:36:45 UTC (638 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
eess
eess.IV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号