基于描述长度的 Context 建模算法

ByElmer1

摘 要：在基于 Context 建模的熵编码系统中，为了达到预期的压缩性能，需要通过 Context 量化来缓解由高阶
" t3 E4 B- D+ DContext 模型所引入的“Context 稀释”问题。为此，该文提出一种通过最小化描述长度来实现 Context 量化
# l* x  Z, [+ s' ?/ M(Minimum Description Length Context Quantization, MDLCQ)的算法。该算法使用描述长度作为评价准则，通过
动态规划算法来实现单条件的最优 Context 量化，然后通过循环迭代来实现多条件的 Context 量化。该算法不仅可
以得到多值信源的优化 Context 量化器，而且可以自适应地确定各个条件的重要性从而确定模型的最佳阶数。实验
: T  P- c, z5 _结果表明：由 MDLCQ 算法所得到的 Context 量化器，可以明显改善熵编码系统的压缩性能。
  W6 I+ U3 t* S" G5 a关键词：条件熵编码；Context 量化；描述长度；算术编码
1 引言
近些年来，Context 建模被广泛地用来改善编
码系统的压缩性能。2006 年，文献[1]优化了 Context
6 M0 a6 y# u: D% d3 c9 c5 ~. Z. H量化算法以改善 JPEG2000 中图像小波变换系数的
比特平面编码。2012 年，文献[2]利用改进的游程编
码和基于 Context 建模的自适应算术码对嵌入式代
& U# H. w+ c3 u4 [3 T& n数矢量量化器的二进制索引值进行压缩，以提高音
" E* o" t4 p- _8 Z( }$ F频类信源的编码效率。2013 年，文献[3]在近无损
CALIC 系统中通过 Context 建模的思想来优化预测
+ v$ t" z: c5 L2 [# t5 o误差的标量量化器的性能。2014 年，文献[4]利用预
测误差建立 Context 模型，通过将矢量量化映射为
$ {" t' y* v9 K8 K0 w* t7 c非均匀的标量量化来自适应地实现 Context 量化，

" H0 w' H. `0 \4 ]% H4 |: k
- k7 V* U. I) C# q& d1 T% V# \
附件下载：

游客，如果您要查看本帖隐藏内容请回复

% G+ e' ^' ]% {: E; g

ounce

描述长度的 Context 建模算法 ，收藏了。