哈哈又开新坑了。 我目前刚刚开始调研这部分的内容，下面是我的第一印象：场景是终端、边缘、云服务器，强调资源的卸载，许多边缘计算+SC的论文专注于MSC，MSC用通俗的说法就是部署在移动通信系统的基站附近的服务器，为什么要用语义通信呢？因为大

出自B站：BV19k6GYPE1H 信道知识地图(CKM)智能构建与应用 来自东南大学曾勇课题组 要将CKM应用到语义通信的数据知识库，存在难点：目前调研的CKM数据库的索引主要是用户的位置信息，但是目前没有有效的信道

本文参考：Denoising Diffusion GANs阅读笔记 动机： 当下的生成学习框架中“高采样质量”、“模式覆盖与多样性”、“快速低计算开销的采样“这三点无法同时满足 可以看到Gan在采样质量和速度上做的比较好，但在多样性上差

最近看论文看的头晕眼花的，想找点轻松的学习任务，于是复习计算机网络，也许以后找工作用的到呢。 我看的是B站湖科大教书匠 的深入浅出计算机网络 微课视频，编号为BV1NT411g7n6 传输方式 串行传输和并行传输 并行适用于短

Flow Matching是一种生成式模型。 最简单的生成式模型，目标就是没输入的情况下，就能生成与给定目标集中的样本相近的样本。 带条件的生成式模型，网络学习的是映射。 diffusion算法，则是学一种降噪算法，它会自动判断图片中的

rayleigh信道下MMSE均衡： x_t = x_hat * (torch.conj(h)) / (torch.abs(h) ** 2 + sigma_square_fix) 数学解释： x̂ = y × h* / (|h|² +