Wyner-Ziv 问题中的逐级完善的学习分层编码
原文中文,约300字,阅读约需1分钟。发表于: 。我们提出了一种数据驱动的方法来明确学习连续源的渐进编码,该方法通过逐步提高质量并在相关的辅助信息的帮助下进行解码。我们的方法使用递归神经网络来学习二次高斯情况下的分层编码器和解码器,并通过最小化渐进 Wyner-Ziv 编码问题的速率 - 失真函数上的变分界来训练模型。我们证明了递归神经网络能够明确检索与可伸缩嵌套量化类似的分层分组解决方案。此外,该方案的速率 - 失真性能与相应的整体...
该文提出了一种数据驱动的方法来学习连续源的渐进编码,使用递归神经网络来学习分层编码器和解码器,并通过最小化渐进 Wyner-Ziv 编码问题的速率 - 失真函数上的变分界来训练模型。该方法能够明确检索与可伸缩嵌套量化类似的分层分组解决方案,并且速率 - 失真性能与整体 Wyner-Ziv 编码方法相当。