中文引用格式： 郭秋燕，胡磊，代勁. 基于云模型的變分自編碼器數(shù)據(jù)壓縮方法[J]. 電子技術(shù)應(yīng)用，2023，49(10)：96-99.
英文引用格式： Guo Qiuyan，Hu Lei，Dai Jin. Variational autoencoder data compression algorithm based on cloud model[J]. Application of Electronic Technique，2023，49(10)：96-99.
0 引言
隨著圖像數(shù)據(jù)分辨率的提高，數(shù)據(jù)也越來(lái)越大，因此找到一種高效的數(shù)據(jù)壓縮方法對(duì)于網(wǎng)絡(luò)傳輸來(lái)說(shuō)至關(guān)重要。隨著研究的不斷深入，有了各種場(chǎng)景下的壓縮方法。文獻(xiàn)[1]-[3]通過(guò)字典學(xué)習(xí)和壓縮感知的方法來(lái)實(shí)現(xiàn)數(shù)據(jù)壓縮，如劉迎娜[2]采用K奇異值分解(K-Singular Value Decomposition, K-SVD)字典學(xué)習(xí)方法構(gòu)建出壓縮字典，實(shí)現(xiàn)數(shù)據(jù)的壓縮；文獻(xiàn)[4]-[6]通過(guò)特征編碼的方式來(lái)完成數(shù)據(jù)特征的學(xué)習(xí)，并通過(guò)重構(gòu)的方式來(lái)完成數(shù)據(jù)解壓。如王迎港[4]對(duì)特征進(jìn)行差分編碼實(shí)現(xiàn)數(shù)據(jù)壓縮傳輸；還有通過(guò)降低數(shù)據(jù)之間的耦合度來(lái)實(shí)現(xiàn)數(shù)據(jù)壓縮，如夏信等[7]通過(guò)卷積神經(jīng)網(wǎng)絡(luò)來(lái)降低數(shù)據(jù)間的耦合度從而降低數(shù)據(jù)的傳輸量。另外，文獻(xiàn)[8]通過(guò)MVC模型來(lái)實(shí)現(xiàn)數(shù)據(jù)壓縮，袁子越[9]等人通過(guò)知識(shí)圖譜和模糊度分析的方法對(duì)數(shù)據(jù)分類，并使用空間重構(gòu)方法實(shí)現(xiàn)數(shù)據(jù)的壓縮。
隨著深度學(xué)習(xí)的發(fā)展，其在數(shù)據(jù)特征學(xué)習(xí)的能力突出，擅長(zhǎng)處理海量的數(shù)據(jù)，數(shù)據(jù)量越多模型的表征能力越強(qiáng)，因此海量的數(shù)據(jù)促進(jìn)了深度學(xué)習(xí)的進(jìn)步與發(fā)展。近年來(lái)深度學(xué)習(xí)也漸漸被用于數(shù)據(jù)解壓縮任務(wù)。變分自編碼器[10]作為一類重要的數(shù)據(jù)生成模型，可以完成數(shù)據(jù)的特征表征，在數(shù)據(jù)生成方面已經(jīng)有較多的研究。
圖像數(shù)據(jù)的特征空間是具有連續(xù)性的，各特征之間也是有差異性的，變分自編碼器通過(guò)特征表征得到數(shù)據(jù)特征，將數(shù)據(jù)特征作為數(shù)據(jù)傳輸?shù)膶?duì)象，因此降低了數(shù)據(jù)在傳輸過(guò)程中的復(fù)雜度；在數(shù)據(jù)接收端再通過(guò)數(shù)據(jù)特征對(duì)數(shù)據(jù)進(jìn)行生成，完成數(shù)據(jù)的傳輸，并且整個(gè)模型的網(wǎng)絡(luò)結(jié)構(gòu)較簡(jiǎn)單，因此數(shù)據(jù)的壓縮和解壓耗時(shí)短，提高了數(shù)據(jù)的壓縮速率及傳輸速率。
本文的主要貢獻(xiàn)為：（1）提出一種基于云模型[11]的變分自編碼器先驗(yàn)變體模型，提高模型的表征能力；（1）提出一種新的基于生成模型的解壓縮方法，降低特征耦合度，提升模型的壓縮能力。
本文詳細(xì)內(nèi)容請(qǐng)下載：http://www.j7575.cn/resource/share/2000005720
作者信息：
郭秋燕1，胡磊1，2，代勁3
（1.重慶醫(yī)科大學(xué)附屬第一醫(yī)院 信息中心，重慶 400016；2.重慶醫(yī)科大學(xué)醫(yī)學(xué)數(shù)據(jù)研究院，重慶 400016；3.重慶郵電大學(xué) 計(jì)算智能重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400065）
