33、多相机系统中的分布式压缩技术解析

多相机系统中的分布式压缩技术解析

1. 分布式压缩基础概念

在分布式压缩领域，Slepian - Wolf问题主要聚焦于两源情况，不过也有学者将其扩展到任意数量的相关源和遍历源。对于相关源的有损编码，尤其是连续值源的情况更为复杂。Wyner和Ziv研究了一种情况，即解码器端有Y，而X需要在一定失真D内重建。在均方误差（MSE）失真和联合高斯源的情况下，不存在速率损失，可按理论条件速率$R_{X/Y}(D)$压缩X。后来，Zamir指出在一般Wyner - Ziv问题和无记忆源中，使用平方误差失真度量时，与联合编码和解码场景相比，速率损失不超过0.5比特/源符号。

处理有损分布式压缩的常用方法是先进行独立量化，再对量化后的离散源应用Slepian - Wolf压缩策略，这也是许多实际有损分布式压缩算法采用的策略。

大多数分布式压缩工作都隐含假设源的联合统计信息在各个编码器和解码器处是已知的，因此理解和估计这种结构对于设计成功的压缩策略至关重要。

2. 全光数据的结构与特性

2.1 全光函数

多视图数据分布式压缩的核心在于对视觉信息的表征。多相机从多个视角获取的数据可用全光函数来参数化，它代表了在三维空间中从每个位置和方向观察到的光的强度和色度，可参数化为一个7D函数：$I_{PF} = P(\theta, \phi, \lambda, \tau, V_x, V_y, V_z)$。其中，$(V_x, V_y, V_z)$对应相机位置，$\theta$和$\phi$表示观察方向，$\tau$是时间，$\lambda$对应考虑的频率，$I_{PF}$是在这些参数下观察到的光的强度。

2.2 全光函数