Cross-Sensory Transmission for 6G-Enabled Immersive Communication
Notice bibliographique
Résumé
Immersive communication, as a key usage scenario in 6 G, aims to provide interactive experiences by delivering real-time, high-fidelity sensory feedback (e.g., vision and touch). However, simultaneously achieving low latency, high data rate, and high reliability often poses a conflicting challenge from a transmission perspective. Unlike the optimization of a physical transmission environment (e.g., RIS-THz), in this work, we propose a cross-sensory transmission strategy that involves both encoding and networking, leveraging the potential correlations among various sensory modalities to support both data compression and enhancement. On the encoding side, we explore explainable surface semantics (e.g., texture, compliance) as intermediaries to associate visual and tactile sensory modalities for the design of a cross-sensory visual coding method. This method compresses the massive volume of visual data based on semantic correlations, significantly reducing bitrates to enable low-latency transmission. On the networking side, a cross-sensory masked pre-training approach is incorporated under a wide range of simulated packet loss. This approach facilitates fast and precise reconstruction of lost data using minimal observed data packets from both modalities, compensating for transmission reliability degradation under random and significant packet loss rates. Experimental results from a constructed VR education platform demonstrate that the proposed transmission strategy improves the data compression rate by more than 33% while maintaining a tolerance for packet loss rates of at least 50%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».