有。你这个方向里其实已经有一批官方开源、可以直接拿来做 baseline 的 JSCC / digital semantic communication 工作了。按你现在关注的“离散信道、VQ、数字调制、rate adaptation、图像重建”来看，我建议优先看下面这些。

工作	年份/Venue	与你方向的关系	开源情况
JCM – Joint Coding-Modulation via VAE	IEEE TCOM 2024	非常相关：VAE + 概率式离散化 + BPSK/4QAM/16QAM/64QAM	✅ 官方代码 + models。仓库明确写了 original code/models，并支持 4 种 modulation。(GitHub) JCM GitHub
MDJCM – From Analog to Digital: Multi-Order Digital JCM	IEEE TCOM 2024	非常相关：多阶数字调制、digital semantic communication，比 JCM 更适合做你们的数字 baseline	✅ 官方 PyTorch + pretrained model，提供 train/test script。(GitHub) MDJCM GitHub
HJSCC – Learned Image Transmission with Hierarchical VAE	AAAI 2025	高分辨率、HVAE、动态带宽、feedback	✅ 官方 PyTorch + pretrained models，同时有 HJSCC 和 HJSCC-feedback。(GitHub) HJSCC GitHub
DiffJSCC – Diffusion-Aided JSCC	IEEE TMLCN 2025	感知质量 / generative JSCC，适合 LPIPS/FID/极低 CBR 对比	✅ 官方代码 + pretrained checkpoints，权重已经放 Hugging Face，Kodak 等 inference 脚本也给了。(GitHub) DiffJSCC GitHub
SwinJSCC	IEEE TCCN 2024	很好的 analog DeepJSCC 强 baseline；支持 SNR/rate adaptive	✅ 官方 PyTorch + pretrained models，Kodak/CLIC/CIFAR-10，AWGN/Rayleigh 都覆盖。(GitHub) SwinJSCC GitHub
SQ-GAN – Semantic Image Communication Using Masked VQ	arXiv 2025	VQ 路线高度相关：masked vector quantization + generative reconstruction	✅ 官方代码 + pretrained Cityscapes model。(GitHub) SQ-GAN GitHub
Robust Semantic Communications with Masked VQ-VAE Enabled Codebook	IEEE TWC 2023	VQ/VQ-VAE 很相关，重点是 semantic noise robustness	✅ 官方 demo code，包含 VQ、channel，甚至有 MIMO communication 实现。(GitHub) RobustSemanComm GitHub
DHF-JSCC – Content Adaptive Distributed JSCC with Hyperprior	IEEE TCCN 2025	Hyperprior/content-adaptive、distributed image transmission	✅ 官方代码。(GitHub) DHF-JSCC GitHub

你列出的那些论文，代码状态大致是这样

JCM：有，而且很值得直接复现。
这篇基本就是你们“finite alphabet / digital modulation / learned mapping”最直接的开源 baseline 之一。官方 repo 不仅有 JCM，还给了 analog network 初始化代码；README 明确说支持 BPSK、4QAM、16QAM 和 64QAM。(GitHub)

HJSCC：有。
代码质量相对不错，目录里直接分 HJSCC、HJSCC_feedback，而且有预训练模型。你如果要复现 Kodak/CLIC 高分辨率 PSNR-SNR 曲线，这个很合适。(GitHub)

DiffJSCC：有，而且复现资源比较完整。
代码包含普通 CNN/Swin JSCC、conditional diffusion training、Stable Diffusion 权重合并以及 inference；官方还提供多个不同 CBR 的 checkpoint。(GitHub)

uJSCC：目前没有找到官方公开实现。
论文确实是 IEEE JSAC 2025，核心是 single encoder-decoder + VQ codebooks 支持 BPSK 到 256QAM；但目前 Papers With Code 显示 “no code implementations”，我也没有查到作者官方 GitHub。(Seoul National University)

D²-JSCC：目前没有找到官方代码。
IEEE JSAC 2025 论文和 arXiv 都在，但公开页面目前主要只有论文；CatalyzeX 也是 “Request Code”。论文实验里实际用到了 AFF3CT 做 Polar coding，因此部分传统通信链可以自己复现，但 D²-JSCC 的完整训练代码没有找到。(arXiv)

PJSCC：目前没有找到代码。
这篇是 GLOBECOM Workshops 2024 / arXiv 2411.10178；Papers With Code 目前也是 “no code implementations”。(arXiv)

CAVQ / VQJSCC：目前没有看到官方 repo。
这篇 Channel-Aware Vector Quantization for Robust Semantic Communication on Discrete Channels 是 2025 年 10 月的较新稿件，和你们现在的离散信道/VQ方向确实非常接近，但目前 arXiv 正文没有给出公开 code repository。(arXiv)

ESC-MVQ：目前也没有找到官方代码。
这篇已经发表在 IEEE TWC，核心是 multiple VQ codebooks + trainable bit-flip probabilities + modulation/power allocation，但 Papers With Code 对该作者组目前标的是 no code implementations。(DOI)

如果你们现在要搭实验，我会这样选 baseline

如果你的核心创新也是 “VQ / finite alphabet / QAM / discrete channel”，最值得先跑的是：

JCM → MDJCM → Robust VQ-VAE → SwinJSCC → DiffJSCC。

其中：

• JCM：最接近“概率式 joint coding-modulation”；
• MDJCM：最接近“多 modulation order 数字 JSCC”；
• Robust VQ-VAE：适合比较 learned codebook / VQ；
• SwinJSCC：提供一个很强的 analog JSCC upper/alternative baseline；
• DiffJSCC：提供 perceptual/generative baseline。

然后论文表里可以再放 uJSCC、D²-JSCC、CAVQ/VQJSCC、ESC-MVQ 的 paper-reported numbers，即使它们现在没有公开实现。

另外有一个很实用的汇总仓库 OpenSemanticComm，目前已经整理了很多 2023–2025 年 semantic communication/JSCC 的官方代码，包括 JCM、SwinJSCC、DiffJSCC、CDDM、DeepJSCC-1++、NTSCC 等。(GitHub)
OpenSemanticComm 开源代码汇总

如果你愿意，我下一步可以直接给你整理一张 “2023–2026 图像 JSCC 开源论文表”，大约 20–30 篇，列成：

Paper｜Venue｜Year｜Analog/Digital｜VQ?｜QAM?｜Dataset｜CBR/CPP｜SNR｜Metric｜GitHub｜是否有 pretrained weights｜适不适合做你们 baseline

这样基本可以直接放到你们 related work / 实验计划里。

可以。我按截至 2026 年 9 月公开可找到的官方/作者代码重新筛了一遍，尽量只保留“图像传输 + JSCC/semantic communication + 有可用代码”的工作。像 uJSCC、D²-JSCC、CAVQ/ESC-MVQ 这类与你们很相关但目前没有可靠官方代码的，我不塞进主表。

先说明表里的口径：A = analog/连续 channel symbols，D = digital/离散符号或显式数字调制，H = hybrid；“QAM”指方法本身是否显式使用 QAM，不是论文拿来比较的 BPG+LDPC+QAM baseline；“△”表示部分相关或并非严格 VQ-JSCC。CBR/CPP 只写论文/repo 中最常用、最方便复现的一组，并不表示论文只有这一组设置。OpenSemanticComm 目前也收录了其中相当多的官方实现。(GitHub)

2023–2026 图像 JSCC 开源论文表

#	Paper	Venue	Year	A/D	VQ?	QAM?	Dataset	CBR / CPP 常用设置	SNR	Metric	GitHub	Pretrained	适合你们 baseline?
1	WITT	ICASSP	2023	A	✗	✗*	CIFAR-10；DIV2K→Kodak/CLIC21	CBR 0.0625 常用	1,4,7,10,13 dB	PSNR / MS-SSIM	GitHub (GitHub)	✅	强：analog Transformer baseline
2	DeepJSCC-L++	GLOBECOM	2023	A	✗	✗	图像；Swin backbone	多 bandwidth ratios	多 SNR 单模型	PSNR	GitHub (GitHub)	△ 需训练/本地 models	可：rate+SNR adaptive
3	ISEC-DeepJSCC	AISTATS	2023	A	✗	✗	CIFAR-10、OpenImages、Kodak	CIFAR 1/6,1/12；OpenImages 1/6,1/16	CIFAR 0/5/10；OI 1/7/13 dB	PSNR / perceptual	GitHub (GitHub)	✅	强：CNN analog baseline
4	PADC / Predictive & Adaptive Deep Coding	IEEE TWC	2023	A	✗	✗	CIFAR-10、ImageNet、Kodak	variable rate	多 SNR	PSNR / SSIM	GitHub (GitHub)	❌/未见统一权重	可：adaptive baseline
5	Robust Semantic Communications with Masked VQ-VAE Codebook	IEEE TWC	2023	D	✅	✗	图像 + downstream semantic tasks	VQ index / codebook rate	semantic noise / wireless channel	reconstruction + task accuracy	GitHub (GitHub)	⚠️ README仍写“soon”	非常强：VQ/discrete 对照
6	Distributed DeepJSCC over MAC	ICC	2023	A	✗	✗	correlated/distributed images	示例 1/3 bandwidth ratio	MAC 多 SNR	PSNR	GitHub (GitHub)	❌	条件：只在多用户/NOMA有意义
7	Space-Time JSCC over MIMO	SPAWC	2023	A	✗	✗*	图像 / MIMO	MIMO-specific	2×2 MIMO 等	PSNR	GitHub (GitHub)	❌	条件：MIMO 才需要
8	CDDM	IEEE TWC 2024；前身 GLOBECOM'23	2024	A	✗	✗	图像	跟随 underlying JSCC	repo 示例 10 dB AWGN	PSNR / denoising quality	GitHub (GitHub)	✅	可：channel denoiser baseline
9	JCM — Joint Coding-Modulation via VAE	IEEE TCOM	2024	D	△ 概率离散化	✅ BPSK / 4 / 16 / 64QAM	CIFAR-10	常用 1/24；可扫 1/48–1/3	repo 给 −18…18 dB	PSNR + classification acc.	GitHub (GitHub)	✅	★★★★★ 必跑
10	MDJCM — Multi-Order Digital JCM	IEEE TCOM	2024	D	✗/quantization	✅ 多阶数字 modulation	NTSCC / 高分辨率图像设置	adaptive digital rate	多 SNR	distortion quality	GitHub (GitHub)	✅ MDJCM-A	★★★★★ 必跑
11	SwinJSCC	IEEE TCCN	2024	A	✗	✗*	CIFAR-10；DIV2K→Kodak/CLIC21	0.0208, .0416, .0625, .0833, .125	1,4,7,10,13 dB	PSNR / MS-SSIM	GitHub (GitHub)	✅	★★★★★ analog 强基线
12	Hyper-AJSCC	arXiv / adaptive JSCC	2024	A	✗	✗	CIFAR-10	architecture-dependent	多 SNR/channel conditions	reconstruction / task	GitHub (GitHub)	❌	可：single-model adaptive
13	DeepJSCC-WZ	ICMLCN	2024	A	✗	✗	KITTI Stereo、Cityscapes	ρ≈1/16,1/32	多 SNR	PSNR/MS-SSIM/LPIPS	GitHub (GitHub)	✅ checkpoints	条件：decoder side information
14	DeepJSCC + Diffusion / High Perceptual Quality Wireless Image Delivery	INFOCOM Workshops	2024	A	✗	✗	ImageNet / 512×512	low-res JSCC	多 noise setting	distortion + perceptual	GitHub (GitHub)	△ diffusion 权重	可：生成式参考
15	DeepJSCC over Cooperative Relay Networks	ICMLCN	2024	A	✗	✗	图像	relay-specific	例：SR=12, SD=6, RD=6 dB	PSNR	GitHub (GitHub)	❌	不建议：除非你们做 relay
16	CDM-JSCC — Rate-Adaptive Generative Semantic Communication	arXiv	2024	A	✗	✗	natural images / NTSCC setup	variable entropy/rate	多 channel setting	distortion + perceptual	GitHub (GitHub)	⚠️ repo仍不完整	可：rate-adaptive generative
17	HJSCC — Hierarchical VAE JSCC	AAAI	2025	A	✗	✗*	ImageNet→Kodak/CLIC2022	dynamic CBR；常比较约 0.0625	SNR sweep；rate curve 常 10 dB	PSNR	GitHub (AAAI Publications)	✅ 两组模型	★★★★ 高分辨率强基线
18	DiffJSCC	IEEE TMLCN	2025	A	✗	✗	OpenImages、CelebAHQ512、Kodak	OpenImages 1/384,1/96；CelebA 1/768,1/192	repo 示例 Kodak 1 dB、CelebA −5 dB	PSNR/SSIM + LPIPS/FID 等	GitHub (GitHub)	✅ HuggingFace	★★★ 感知质量 baseline
19	DHF-JSCC — Content Adaptive Distributed JSCC with Hyperprior	IEEE TCCN	2025	A	✗	✗	KITTI、InStereo2K	content-adaptive variable rate	多 channel setting	PSNR / MS-SSIM	GitHub (GitHub)	❌	条件：distributed stereo
20	h-DJSCC	IEEE JSAC	2025	H	✗	✗	CIFAR-10、CelebA	variable compression rate	AWGN 1–9 dB；fading 5–15 dB	PSNR	GitHub (GitHub)	✅	可：analog→digital hybrid 参考
21	Shared Semantic-Aware Codebook JSCC	IEEE TCOM	2025	A + codebook	△	✗	STL-10	C=4/8/12/16/20；SNR sweep 时 r=7.40%	2,4,6,8,10 dB	MSE/MS-SSIM + task	GitHub (GitHub)	△ 训练式初始化	★★★★ codebook 思路很相关
22	SQ-GAN — Semantic Image Communication Using Masked VQ	IEEE TCCN	2025	D/source coding	✅	PHY外置	Cityscapes	bpp / extreme-low-rate	不直接建模 wireless SNR	perceptual + segmentation accuracy	GitHub (GitHub)	✅	★★★ VQ reference；不是严格 JSCC
23	SGDJSCC — Semantics-Guided Diffusion	arXiv	2025	A	✗	✗	高分辨率自然图像	paper settings	AWGN；with/without SNR info	distortion + perceptual/semantic	GitHub (GitHub)	✅	可：generative 参考
24	RDJSCC — Robust Distributed JSCC w/ Imperfect CSI	IEEE TWC	2025	A	✗	✗	distributed/multi-view image	多 rate	fading + imperfect CSI	PSNR / SSIM	GitHub (GitHub)	❌/未见	条件：CSI / multi-view
25	Variable-Length End-to-End JSCC for Semantic Communication	ICC 2026 submitted / preprint	2026	D option	△ Gumbel discrete	✗	MNIST	variable length	configurable	rate–distortion	GitHub (GitHub)	❌	方法参考；不建议当自然图像主 baseline

* WITT、SwinJSCC、HJSCC 等方法自身是连续/analog JSCC，不过论文通常会拿 BPG + LDPC + QAM 或 capacity-achieving separation scheme 作数字 baseline。例如 WITT 明确使用 5G LDPC 和 QAM 作为传统对照；SwinJSCC 也与 BPG+5G-LDPC 比较。(GitHub)

SQ-GAN 需要特别区分：它已经正式发表于 IEEE TCCN，代码和 Cityscapes pretrained model 都公开，但论文明说它只作用于 source coding，兼容传统协议栈，因此不能把它和端到端 noisy-channel JSCC 的 PSNR–SNR 曲线直接等价比较。(IEEE Xplore)

对你们这张图，我会把 baseline 缩成 7 个

看你上传的曲线，你们现在明显是在做固定离散表示规模/符号预算下的 SNR→PSNR 曲线，而且有 x4 / x8 以及 MLP quantizer-like variant。这样的话，没有必要把上表 25 个都跑。

第一优先级：JCM + MDJCM。 这是最重要的两个，因为它们和你们一样真正进入了 digital modulation / finite alphabet 域。JCM 官方代码直接支持 BPSK、4QAM、16QAM、64QAM，而且仓库带原始模型；它就是你们最容易做 apples-to-apples 的数字 baseline。(GitHub) MDJCM进一步做 multi-order digital coding-modulation，并提供 MDJCM-A pretrained checkpoint。(GitHub)

第二优先级：Robust Masked VQ-VAE + Shared Semantic-Aware Codebook。 前者可以回答“普通 VQ/codebook 在噪声/离散传输下能做到什么”；后者虽然不是你们意义上的 channel-aware VQ，但能回答“共享 semantic codebook 本身能带来多少收益”。(GitHub)

第三优先级：SwinJSCC + WITT。 它们作为很成熟的 analog JSCC reference 非常有价值。特别是 SwinJSCC 官方 repo 已经把 CBR 0.0208–0.125 和 SNR 1/4/7/10/13 dB 的 adaptive setting 写得非常清楚，并提供 pretrained models。(GitHub)

最后加 HJSCC 作为高分辨率/强模型 reference；如果你们以后除了 PSNR 还要打 LPIPS/FID，则再加 DiffJSCC。HJSCC 的 latent 是直接映射为 channel symbols，本质仍是 analog，所以它适合作“性能参考线”，不适合拿来证明“数字化机制本身更优”。(AAAI Publications)

你们论文里我建议最终做成这样的 baseline hierarchy

类别	建议方法	是否必须
Digital / QAM	JCM	必须
Digital / multi-order	MDJCM	必须
VQ / discrete codebook	Robust Masked VQ-VAE	必须
Codebook semantic	Shared Semantic-Aware Codebook	推荐
Analog CNN/迭代	ISEC-DeepJSCC	推荐
Analog Transformer	SwinJSCC	必须
经典 Transformer JSCC	WITT	推荐，可与 SwinJSCC 二选一
高分辨率 adaptive	HJSCC	高分辨率实验推荐
Generative/perceptual	DiffJSCC	只有报 LPIPS/FID 时需要
传统 separation	BPG/JPEG(+LDPC/Polar)+QAM	必须
理论上界	BPG/learned codec + capacity-achieving channel	推荐

这样主表实际上只需要 6–9 个算法，审稿人不会觉得你在拿大量不相关的 relay / distributed / generative 方法堆数字。

还有一个对你当前图非常重要的点：不要直接按横轴都叫 “SNR” 就比较。你们后面复现 JCM/MDJCM/SwinJSCC 时，至少需要统一 (1) channel use / CBR/CPP 的定义，(2) real/complex symbol 的计数方式，(3) 每个 QAM symbol 携带的 bits 是否计入 bandwidth ratio，(4) power normalization，(5) SNR 是 $E_s/N_0$、$E_b/N_0$ 还是 latent signal power/noise power。例如 ISEC 对 CPP 的定义明确含有 0.5 × codeword length / image length，而 SwinJSCC 又使用自己的 CBR 定义；如果不重新换算，曲线即使横轴同为 dB、纵轴同为 PSNR，也不是真正公平比较。(GitHub)

另外，2026 年已经有新的 peer-reviewed image DeepJSCC，例如 Lightweight and Channel-Adaptive Deep Joint Source-Channel Coding for Wireless Image Transmission 已发表于 IEEE WCL 2026，但我目前没定位到可信的作者官方代码，所以没有硬塞进这张“开源论文表”。(DBLP)

如果按照你现在这张 n256-x4 / x8 图来做，我下一步最有价值的是直接帮你做一张**“JCM / MDJCM / VQ / 你们方法之间的统一 rate 换算表”**：把 N=256、x4/x8、codebook size、bits/index、QAM order、channel symbols、CBR/CPP 全部换到同一个口径，这样你就能知道论文里横向比较到底该固定哪个量。