用于多媒体压缩的参数化上下文自适应拉普拉斯分布

数据压缩通常减去预测值并编码差值（残差），例如假设拉普拉斯分布，如图像、视频、音频或数值数据。其性能强烈依赖于该参数分布宽度（尺度参数）的恰当选择，若基于局部情形（如上下文）进行优化则可改善。例如在流行的 LOCO-I（JPEG-LS）无损图像压缩器中，使用了量化为 365 种离散可能性的三维上下文并独立处理。本文讨论了利用自回归 ARCH 类上下文依赖模型来刻画残差参数分布参数的依赖关系且计算代价低廉的方法，在自适应情形下也随时间演化。例如，所测试的 4 参数或 11 参数模型在 48 幅测试图像上取得了与 365 参数 LOCO-I 模型相近的性能。除更小的头部外，这种参数数量的减少可带来更好的泛化能力。与上下文量化方法不同，参数化模型还允许直接使用更高维上下文，例如利用全部三个颜色通道、更远像素、某些附加区域分类器或交错多尺度扫描的信息——为此提出了 Haar 上采样扫描，结合了 Haar 小波的优势与利用局部上下文进行扫描的可能性。