BriefGPT - AI 论文速递
·
基于$f$-散度感知约束的率失真感知函数计算的交替最小化方案
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本文研究了无记忆源模型的速率失真感知权衡。通过离散的源和重构序列的分布之间的离散来衡量感知度量。对于离散无记忆源和连续值源的情况，导出了相应的单字母特性。最后，将结果特化到高斯源的情况。
🎯
关键要点
- 研究无记忆源模型的速率失真感知（RDP）权衡。
- 感知度量基于编码器输出条件下的源和重构序列的分布之间的离散。
- 考虑编码器和解码器之间没有共享随机性的情况。
- 导出了离散无记忆源的RDP函数的单字母特性。
- 解决了在Blau和Michaeli中引入的边际度量问题。
- 实现方案基于带后验参考映射的有损源编码。
- 导出了连续值源在平方误差失真度量和平方二次Wasserstein感知度量下的单字母特性。
- 证明在解码器中添加噪声机制足以实现最佳表示。
- 零感知损失的情况下，特征与边际度量结果吻合。
- 证明可以在最小失真中以3 dB的惩罚实现零感知损失。
- 将结果特化到高斯源的情况，导出了矢量高斯源的RDP函数。
- 提出了一种水填充类型的解决方案，部分表征了混合矢量高斯源的RDP函数。
🏷️
标签
➡️
