用于数据压缩的快速自相关上下文模型

本文提出了一种通过计算数据自相关函数来自动生成数据上下文模型的方法。自相关函数的最大值出现在比特流中与任何特定位置相关性最强的偏移量或滞后处。这些偏移量非常适合用于预测编码，例如用于数据压缩的预测部分匹配（PPM）或上下文混合算法，通过减少或消除对基于特定数据类型的手动模型的需求，使此类算法更高效且更通用。该方法不使用需要 $O(n^2)$ 时间复杂度来考虑数据成对相关的自相关函数定义，而是应用 Wiener-Khinchin 定理，通过将数据功率谱的逆快速傅里叶变换作为自相关函数，在 $O(n \log n)$ 时间内快速获得自相关，从而使该技术适用于大型数据对象的压缩。结果表明，该方法在无损耗图像压缩基准测试中取得了迄今为止最高的性能水平。