图像压缩
【2018-02】Variational image compression with a scale hyperprior
整个网络架构如下图所示。红框框中的区域为自编码器网络，绿框框中的区域为超先验网络。后者读入图像的隐空间表示y，提取各像素点的分布信息，分别输入图像压缩网络的熵编码器（AE，消除空间冗余）和熵解码器（AD，为复原图像重新加入空间耦合信息），以实现图像更高效的压缩和更好的复原。
【2018-09】joint autoregressive and hierarchical priors for learned image compression
本文在上述《Variational image compression with a scale hyperprior》的模型基础上做了改进。在保留核心自编码器网络和超先验网络的结构下，添加了基于自回归（autogressive）的上下文模型。自编码器网络学习图像量化后的潜在表示；上下文模型通过自回归预测熵模型的概率分布；而超先验网络学习图像的隐空间表示y的表示信息，用于修正和调整上下文模型的预测结果。上下文模型和超先验网络结合形成子网络，共同学得量化后潜在表示的概率分布模型，最终将结果发送给熵编码器（AE）和熵解码器（AD），指导更好的完成图像压缩和复原。
