| 摘要 | 第7-9页 |
| ABSTRACT | 第9-11页 |
| 目录 | 第12-16页 |
| 表格索引 | 第16-18页 |
| 插图索引 | 第18-22页 |
| 缩略语 | 第22-24页 |
| 第一章 绪论 | 第24-40页 |
| 1.1 研究背景 | 第24-34页 |
| 1.1.1 基于上下文模型的数据压缩技术 | 第24-27页 |
| 1.1.2 结构化概率模型 | 第27-32页 |
| 1.1.3 优化学习的推理算法 | 第32-34页 |
| 1.2 主要研究内容和文章结构 | 第34-36页 |
| 1.3 主要创新点 | 第36-40页 |
| 第二章 广义上下文模型：一种通用编码的结构化概率模型 | 第40-66页 |
| 2.1 前言 | 第40-41页 |
| 2.2 上下文模型及其选择概述 | 第41-42页 |
| 2.3 问题陈述和变量定义 | 第42-44页 |
| 2.4 广义上下文建模 | 第44-47页 |
| 2.4.1 模型树 | 第45-46页 |
| 2.4.2 广义上下文模型的估计概率 | 第46-47页 |
| 2.5 模型选择 | 第47-55页 |
| 2.5.1 可分离广义上下文建模 | 第47-49页 |
| 2.5.2 基于最小描述长度准则的模型选择 | 第49-51页 |
| 2.5.3 模型复杂度 | 第51-53页 |
| 2.5.4 上下文筛选的模型选择 | 第53-55页 |
| 2.6 模型冗余 | 第55-58页 |
| 2.6.1 组合重排引入的模型冗余 | 第56-57页 |
| 2.6.2 多方向扩展引入的模型冗余 | 第57-58页 |
| 2.7 基于广义上下文建模的异构数据压缩 | 第58-63页 |
| 2.7.1 基于广义上下文建模的 Calgary 全集压缩 | 第58-61页 |
| 2.7.2 基于广义上下文建模的可执行文件压缩 | 第61-63页 |
| 2.8 小结 | 第63-66页 |
| 第三章 基于结构化概率模型学习的基因压缩 | 第66-86页 |
| 3.1 前言 | 第66页 |
| 3.2 基因压缩技术概述 | 第66-68页 |
| 3.3 基于结构化概率模型学习的基因压缩编码框架 | 第68-74页 |
| 3.3.1 编码方案概述 | 第68-70页 |
| 3.3.2 分层预测结构 | 第70-71页 |
| 3.3.3 代价函数 | 第71-73页 |
| 3.3.4 小波编码与位平面分解 | 第73-74页 |
| 3.4 采用置信传播的边信息预测 | 第74-78页 |
| 3.4.1 置信传播过程 | 第74-76页 |
| 3.4.2 采用有限状态机的概率估计 | 第76-78页 |
| 3.5 基于结构化概率模型学习的基因压缩算法实现 | 第78-79页 |
| 3.6 实验结果 | 第79-84页 |
| 3.6.1 简化字母表 {A,C,G,T,N} 的压缩性能 | 第80页 |
| 3.6.2 原始字母表的压缩性能 | 第80-83页 |
| 3.6.3 计算复杂度 | 第83-84页 |
| 3.7 小结 | 第84-86页 |
| 第四章 基于结构化概率模型学习的图像无损编码 | 第86-114页 |
| 4.1 前言 | 第86页 |
| 4.2 图像无损编码技术概述 | 第86-89页 |
| 4.3 基于结构化概率模型学习的图像无损编码框架 | 第89-93页 |
| 4.3.1 编码方案 | 第89-90页 |
| 4.3.2 基于结构化概率模型学习的预测 | 第90-91页 |
| 4.3.3 基于训练的预测模型 | 第91-93页 |
| 4.4 结构化概率模型 | 第93-97页 |
| 4.4.1 损失函数 | 第93-95页 |
| 4.4.2 预测误差上界 | 第95-97页 |
| 4.5 结构化概率模型求解 | 第97-103页 |
| 4.5.1 基于联合树的求解 | 第97-100页 |
| 4.5.2 基于结构化概率模型学习实例分析 | 第100-103页 |
| 4.6 基于结构化概率模型学习的图像无损编码算法实现 | 第103-104页 |
| 4.7 实验结果 | 第104-112页 |
| 4.7.1 振荡和平坦区域预测性能 | 第104-106页 |
| 4.7.2 与固定和可变块大小 MRP 的预测性能比较 | 第106-107页 |
| 4.7.3 自然图像预测性能 | 第107-108页 |
| 4.7.4 计算复杂度 | 第108-111页 |
| 4.7.5 选择率 | 第111-112页 |
| 4.8 小结 | 第112-114页 |
| 第五章 基于结构化概率模型学习的视频帧内编码 | 第114-142页 |
| 5.1 前言 | 第114-115页 |
| 5.2 视频帧内编码技术概述 | 第115-117页 |
| 5.3 基于结构化概率模型学习的视频帧内编码框架 | 第117-121页 |
| 5.3.1 编解码器描述 | 第117-119页 |
| 5.3.2 结构化概率模型的预测与训练 | 第119-121页 |
| 5.4 结构化概率模型 | 第121-123页 |
| 5.4.1 损失函数 | 第121-122页 |
| 5.4.2 预测误差上界 | 第122-123页 |
| 5.5 结构化概率模型求解 | 第123-130页 |
| 5.5.1 求解过程描述 | 第123页 |
| 5.5.2 期望传播 | 第123-126页 |
| 5.5.3 结构化概率模型的分析例子 | 第126-130页 |
| 5.6 基于结构化概率模型学习的帧内预测算法实现 | 第130-131页 |
| 5.7 实验结果 | 第131-140页 |
| 5.7.1 率失真性能 | 第131-137页 |
| 5.7.2 视觉质量 | 第137-138页 |
| 5.7.3 计算复杂度 | 第138-139页 |
| 5.7.4 选择率 | 第139-140页 |
| 5.8 小结 | 第140-142页 |
| 第六章 总结和展望 | 第142-146页 |
| 6.1 全文总结 | 第142-144页 |
| 6.2 未来工作展望 | 第144-146页 |
| 附录 A 命题 2.1 证明 | 第146-148页 |
| 附录 B 命题 4.2 证明 | 第148-150页 |
| 附录 C 推论 4.3 证明 | 第150-152页 |
| 附录 D 命题 5.2 证明 | 第152-154页 |
| 参考文献 | 第154-172页 |
| 致谢 | 第172-174页 |
| 攻读学位期间发表的学术论文目录 | 第174-175页 |
