n通道非对称多描述格向量Quantization

多描述标量Quantization的最优索引分配

Optimal Index Assignment for Multiple Description Scalar Quantization

我们提供了一种方法来设计一个最佳的标量K描述编码的索引分配。该方法源于平移标量晶格的构造，其通过利用所谓的交错增益来提供性能优势。有趣的是，最佳索引分配的生成是基于K-1维空间中的格。K-1维格的使用有利于分析洞察的性能，并消除了对贪婪优化的索引分配的需要。证明了最优索引分配不是唯一的。这说明了两个描述的情况下，其中周期性的索引分配是从可能的最佳分配，并详细描述。新的索引分配被应用到设计的K-描述量化器，这是优于参考K-描述量化器在高速率。由于交错增益的性能优势随着描述之间的冗余度的增加而增加。

分级Quantization：压缩感知中多描述的民主

Graded Quantization: Democracy for Multiple Descriptions in Compressed Sensing

压缩感知范式允许通过其线性测量有效地表示稀疏信号。然而，这些测量传输到一个接收机的信道上可能容易发生数据包丢失的问题已经收到很少的关注。在本文中，我们提出了新的方法来产生多个描述压缩感知测量，以增加不可靠的信道的鲁棒性。特别是，我们利用压缩测量的民主属性，以一种简单的方式通过划分测量向量和适当分配比特率来生成描述，优于多描述标量量化器等经典方法。此外，我们提出了一个修改后的版本的基追踪去噪恢复过程，是专门针对所提出的方法。实验结果表明，相对于现有的方法显着的性能增益。

n通道熵约束多描述格向量Quantization

n-Channel Entropy-Constrained Multiple-Description Lattice Vector Quantization

在本文中，我们推导出分析表达式的中心和侧量化器，在高分辨率的假设下，最大限度地减少预期失真的对称多描述格型矢量量化（MD-LVQ）系统的熵约束的侧描述给定的丢包概率。我们考虑一个特殊的情况下，一般的n-通道对称多描述问题，只有一个单一的参数控制的冗余之间的权衡中心和侧失真。先前的工作对双通道MD-LVQ表明，侧量化器的失真可以表示通过一个球体的归一化二阶矩。我们在这里表明，这也是三通道MD-LVQ的情况。此外，我们推测，这是正确的一般n通道MD-LVQ。对于给定的源，目标速率和分组丢失概率，我们找到最佳数量的描述，并构建MD-LVQ系统，最大限度地减少预期的失真。我们通过数值模拟验证了理论表达式，并在实际设置中显示，通过使用三通道MD-LVQ，可以在最先进的两通道MD-LVQ上实现显着的性能改善。

用于压缩测量的多描述编码的分级quantization

Graded quantization for multiple description coding of compressive measurements

压缩感知（CS）是一种新兴的模式，用于获取稀疏信号的压缩表示。它的低复杂度对于传感器网络等资源受限的场景很有吸引力。然而，这样的场景通常与不可靠的通信信道相结合，并且向接收器提供所获取的数据的鲁棒传输是一个问题。多描述编码（MDC）有效地对抗信道损耗的系统没有反馈，从而提高了开发明确设计的CS框架的MDC方法的兴趣，并利用其属性。我们提出了一种称为分级量化（CS-GQ）的方法，该方法利用压缩测量的民主属性来有效地实现MDC，并且我们提供了优化其性能的方法。提出了一种基于乘法器交替方向法的解码算法，可从有限数目的接收描述中重构信号。进行仿真，以评估性能的CS-GQ对其他方法存在的数据包丢失。所提出的方法是成功的，在提供强大的编码CS测量和优于其他计划所考虑的测试指标。

Asymmetric Learned Image Compression with Multi-Scale Residual Block, Importance Map, and Post-Quantization Filtering

Recently, deep learning-based image compression has made signifcant progresses, and has achieved better ratedistortion (R-D) performance than the latest traditional method, H.266/VVC, in both subjective metric and the more challenging objective metric. However, a major problem is that many leading learned schemes cannot maintain a good trade-off between performance and complexity. In this paper, we propose an effcient and effective image coding framework, which achieves similar R-D performance with lower complexity than the state of the art. First, we develop an improved multi-scale residual b…

在低SNR不对称量化器更好

At Low SNR Asymmetric Quantizers Are Better

我们研究了离散时间高斯信道的容量时，其输出是量化与一位量化器。我们专注于低信噪比（SNR）制度，在非常低的频谱效率发生的通信。在这种情况下，已知对称阈值量化器将信道容量减小2/π，即，以引起大约两分贝的渐近功率损失。在这里，它表明，这种功率损耗可以避免使用非对称阈值量化器和非对称信令星座。为了避免这种功率损失，闪光信号输入分配是必不可少的。因此，高斯信道的一比特输出量化降低了频谱效率。阈值量化器不仅是渐近最优的：在每个固定的SNR的阈值量化器最大化所有一位输出量化器的容量。图像在瑞利衰落信道上变化。在非相干的情况下，一位输出量化器导致不可避免的低SNR渐近功率损耗。然而，在相干的情况下，这种功率损失是可以避免的，只要我们允许量化器依赖于衰落水平。