compressai的高斯建模GaussianCondition模块

超先验网络输出的$\sigma$和$\mu$，通过这两个参数对潜在表示y中的每一点都进行高斯建模，然后计算出每个像素值的概率，进行熵编码得到bit流。

理论

1、加入超先验网络的动机

以往的图像压缩都是对潜在表示整体进行熵建模，如假定整个潜在分布都服从同一分布，然而，当潜在表示存在统计依赖关系，这种全分解的熵模型并不能达到最优的压缩效果；
如果为潜在表示下的每个像素点分别估计各自的分布（均值和方差），在熵编码阶段中依据该信息，可以有效的消除原潜在表示中存在的边信息(Variational Image Compression with a Scale Hyperprior论文中的实验已经验证潜在分布y除以其方差确实可以减少相关性)

2、信息量及损失函数中bpp

信息量：表示该符号所需要的位数。

考虑用 0 和 1 组成的二进制数码为含有 n 个符号的某条消息编码，假设符号$a_j$在整条消息中重复出现的概率为 $P_j$ ，则该符号的信息量定义为：
$$E_n=-lo{g}_2(P_j)$$
信息量表示为以 2 为底的对数，是正值。

举例说明:

输入信源字符串：aabbaccbaa

a、b、c 出现的概率分别为 0.5、0.3 和 0.2，他们的信息量分别为：
$$E_{}$$