0　引言

随着图像数据分辨率的提高，数据也越来越大，因此找到一种高效的数据压缩方法对于网络传输来说至关重要。随着研究的不断深入，有了各种场景下的压缩方法。文献[1]-[3]通过字典学习和压缩感知的方法来实现数据压缩，如刘迎娜[2]采用K奇异值分解(K-Singular Value Decomposition, K-SVD)字典学习方法构建出压缩字典，实现数据的压缩；文献[4]-[6]通过特征编码的方式来完成数据特征的学习，并通过重构的方式来完成数据解压。如王迎港[4]对特征进行差分编码实现数据压缩传输；还有通过降低数据之间的耦合度来实现数据压缩，如夏信等[7]通过卷积神经网络来降低数据间的耦合度从而降低数据的传输量。另外，文献[8]通过MVC模型来实现数据压缩，袁子越[9]等人通过知识图谱和模糊度分析的方法对数据分类，并使用空间重构方法实现数据的压缩。

随着深度学习的发展，其在数据特征学习的能力突出，擅长处理海量的数据，数据量越多模型的表征能力越强，因此海量的数据促进了深度学习的进步与发展。近年来深度学习也渐渐被用于数据解压缩任务。变分自编码器[10]作为一类重要的数据生成模型，可以完成数据的特征表征，在数据生成方面已经有较多的研究。

图像数据的特征空间是具有连续性的，各特征之间也是有差异性的，变分自编码器通过特征表征得到数据特征，将数据特征作为数据传输的对象，因此降低了数据在传输过程中的复杂度；在数据接收端再通过数据特征对数据进行生成，完成数据的传输，并且整个模型的网络结构较简单，因此数据的压缩和解压耗时短，提高了数据的压缩速率及传输速率。

本文的主要贡献为：（1）提出一种基于云模型[11]的变分自编码器先验变体模型，提高模型的表征能力；（1）提出一种新的基于生成模型的解压缩方法，降低特征耦合度，提升模型的压缩能力。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005720

作者信息：

郭秋燕1，胡磊1，2，代劲3

（1.重庆医科大学附属第一医院 信息中心，重庆 400016；2.重庆医科大学医学数据研究院，重庆 400016；3.重庆邮电大学 计算智能重庆市重点实验室，重庆 400065）