边信息的产生及意义解析

首先，洞察实际Slepian-Wolf编码的是A.D.Wyner，他观测到非对称Slepian-Wolf编码和信道编码的关系。在信道编码方法中，信源X和边信息Y可以通过虚拟信道来建模，输入Y，输出为X。对于编码机制，每个二进制码代表了一个信道编码陪集[3]。给定信源X，编码器计算Syndrome，或者陪集的索引，并送到解码器。基于这些Syndrome和边信息Y，解码器使用最大似然方法来恢复X。通过这种方法，Slepian-Wolf编码的设计被转移为信道编码的设计，每个陪集码足够强大到可纠正由于Y到X的虚拟信道的噪声导致的错误[4-5]。

其次，对于边信息计算的问题，文献[6]对分布式视频编解码的边信息生成方法进行了回顾，比较了各方法的优劣，同时也指出了下一步的发展方向。文献[7]通过哈希码辅助进行运动估计，提出了新的边信息计算方法。文献[8]针对智能无线传感器网络中的网络服务质量较低的特征，应用自回归滑动平均模型分别在时域和空域利用同视角和视角间相关性得到更精确的边信息，但该方法对视频信号的传输时延有严格的要求。文献[9]等根据参考帧的距离，通过调整运动搜索区域来不断逼近边信息的目标精度，显著高了视频解码的质量。文献[10]等应用多层感知的方法对边信息进行计算，精度比经典的算法有所提高，但复杂度并没有降低，同时收敛速度也较慢。(www.xing528.com)

在信源—边信息对的建模方面，尽管Slepian-Wolf将其建模为无记忆信道，但实际信源—边信息对之间的相关性复杂多变，建模为无记忆信道会带来很大的误差，降低系统的率失真性能。文献[11]比较了LDPC、Turbo码等在分布式视频编解码边信息中的性能，指出Turbo码在网络服务质量较好的情况下性能最好。文献[12]考虑了边缘节点中的信息在传输时出错概率较大的边信息计算问题，应用LDPC改善了其性能。而文献[13]对变换域的Wyner-ziv帧的中信道的噪声进行了建模，改进了边信息的计算方法，提高了其精度。文献[14]针对边信息的计算设计了一种在线预测方法，使之适合于节点数据较多的传感器网络中的分布式视频编解码系统。类似地，文献[15]为提高边信息计算精度，采用了一种基于概率分析的方法，并证明了其有效性。而文献[16]将多描述编码与Wyner-ziv编码中的边信息求解方法相结合，增强了解码后的视频质量。文献[17]等研究了一种运动预测的立体边信息生成方法，提出了近似视差估计和编码端掩模融合算法，复杂度较低，且边信息的精度有所提高。