0　引言

隨著圖像數據分辨率的提高，數據也越來越大，因此找到一種高效的數據壓縮方法對于網絡傳輸來說至關重要。隨著研究的不斷深入，有了各種場景下的壓縮方法。文獻[1]-[3]通過字典學習和壓縮感知的方法來實現數據壓縮，如劉迎娜[2]采用K奇異值分解(K-Singular Value Decomposition, K-SVD)字典學習方法構建出壓縮字典，實現數據的壓縮；文獻[4]-[6]通過特征編碼的方式來完成數據特征的學習，并通過重構的方式來完成數據解壓。如王迎港[4]對特征進行差分編碼實現數據壓縮傳輸；還有通過降低數據之間的耦合度來實現數據壓縮，如夏信等[7]通過卷積神經網絡來降低數據間的耦合度從而降低數據的傳輸量。另外，文獻[8]通過MVC模型來實現數據壓縮，袁子越[9]等人通過知識圖譜和模糊度分析的方法對數據分類，并使用空間重構方法實現數據的壓縮。

隨著深度學習的發展，其在數據特征學習的能力突出，擅長處理海量的數據，數據量越多模型的表征能力越強，因此海量的數據促進了深度學習的進步與發展。近年來深度學習也漸漸被用于數據解壓縮任務。變分自編碼器[10]作為一類重要的數據生成模型，可以完成數據的特征表征，在數據生成方面已經有較多的研究。

圖像數據的特征空間是具有連續性的，各特征之間也是有差異性的，變分自編碼器通過特征表征得到數據特征，將數據特征作為數據傳輸的對象，因此降低了數據在傳輸過程中的復雜度；在數據接收端再通過數據特征對數據進行生成，完成數據的傳輸，并且整個模型的網絡結構較簡單，因此數據的壓縮和解壓耗時短，提高了數據的壓縮速率及傳輸速率。

本文的主要貢獻為：（1）提出一種基于云模型[11]的變分自編碼器先驗變體模型，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。

本文詳細內容請下載：http://www.tom3567.com/resource/share/2000005720

作者信息：

郭秋燕1，胡磊1，2，代勁3

（1.重慶醫科大學附屬第一醫院 信息中心，重慶 400016；2.重慶醫科大學醫學數據研究院，重慶 400016；3.重慶郵電大學 計算智能重慶市重點實驗室，重慶 400065）