受干扰图像传输旧索引

用端到端神经网络替代传统"压缩+纠错"分离管线。编码器将图像直接映射到信道符号，解码器从接收信号重建图像。消除悬崖效应，低 SNR 下显著优于 JPEG+LDPC。

架构从 CNN 升级到 Swin Transformer，显著提升高分辨率图像传输质量。引入 SNR 自适应模块和信道反馈机制，使单一模型覆盖多种信道条件。多任务（恢复+分类）联合优化出现。

将扩散模型引入解码端，信道噪声被天然地融入去噪过程。接收端不再是"恢复"像素，而是"生成"语义一致的图像。在极低 SNR 下仍能产生高感知质量重建。

从单一图像恢复扩展到联合恢复/分割/检测；从标准 AWGN 信道扩展到脉冲噪声、电磁干扰等非标准信道模型。工业检测等垂直领域的特殊需求开始被关注。

从 Shannon 分离定理出发，理解 JSCC 的信息论动机。依次阅读 DeepJSCC → AIB-JSCC → SCAN，建立率失真理论和信息瓶颈视角。适合需要深入理论根基的研究者。

直击当前最热方向。阅读 GESCO → CDDM → DiffJSCC → Gen-SC 系列，理解扩散模型如何在解码端消除信道噪声并生成高质量图像。适合快速跟进前沿。

面向电缆缺陷检测等实际应用。先了解 DeepJSCC 基础架构，再调研脉冲噪声/电磁干扰信道建模，最后探索如何保留缺陷纹理等任务关键特征。适合应用驱动型研究者。

关注扩散模型轻量化（Consistency Models、LCM、一步生成），以及 Transformer 架构的推理加速。从 DiffJSCC 出发，调研蒸馏/量化技术在语义通信中的应用。