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
Context 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
$ e3 c- ~& Z" T, D* o" e(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
3 v' @' r( `" I4 Q# O. {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
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。
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
量化算法以改善 JPEG2000 中图像小波变换系数的
# D( Y( y- N. b9 V0 o2 R: ?/ ^$ B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
数矢量量化器的二进制索引值进行压缩，以提高音
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
2 N! S& z+ w$ S误差的标量量化器的性能。2014 年，文献[4]利用预
! Q) k: s5 y8 O$ [7 X测误差建立 Context 模型，通过将矢量量化映射为
( Q9 Y: b( S0 l, ^- q非均匀的标量量化来自适应地实现 Context 量化，
% @( Y- g/ v5 j- y. t8 U. N
  D6 x' f% e  I6 Y6 }; X% [

  I" l9 a) E8 Q; E附件下载：

游客，如果您要查看本帖隐藏内容请回复

* l$ O+ k0 u1 u( q# o" M( x3 c+ e* z
  n- \  `+ x7 b- T0 E" Y

ounce

描述长度的 Context 建模算法 ，收藏了。