输方案相比，能够提供卓越的视频质量、更高的带宽利用率和更强的鲁棒性。 本节选用像素级指标 WS-PSNR 与 WS-SSIM 进行测评，以有效反映全景视频的区域视觉 距离，可以获得不同的SNR。在本例中，用于训练 PVSR-JSCC 的全景超分辨率损失函数 最近邻插值算法，还是直接传输高分辨率视频，所提出的PVSR-JSCC方法都能在显著降 低 CBR 的情况下实现更高的 WS-PSNR。与直接传输高分辨率全景视频的 APVST 方案相 比，PVSR-JSCC 在实现29.7 dB WS-PSNR 的同时，带宽消耗降低了37%。此外，所有文 升，证明了本节提出的跨模态交互模块的有效性。此外，当比较使用两种插值算法的“APVST +Interpolation”方案时，PVSR-JSCC在相同CBR下分别实现了1.65dB(5.86%)和 2.26dB(8.23%)的增益。此外，与采用两种插值算法的传统视频传输方案“H.265+LDPC+ Interpolation"相比，PVSR-JSCC 分别实现了3.69 dB(14.16%）和4.04 dB(15.72%)的增益。 值得注意的是，采用双三次插值策略获得的WS-PSNR显著高于采用最近邻插值策略获得 5.2.15.3小结 大的计算资源生成全景视频，并采用跨模态语义通信进行传输。此外，为了确保用户获得卓 越的沉浸式体验，本节提出了一个由全景视频超分辨率任务驱动的跨模态语义通信框架 PVSR-JSCC。该框架利用神经网络和注意力机制实现语义提取和自适应变长编码，并基于