JP6312312B2 - コンテキストモデル生成装置、符号化装置、および復号装置 - Google Patents

Description

本発明は、コンテキストモデル生成装置、符号化装置、および復号装置に関する。

情報源符号化におけるエントロピー符号化には、符号化対象のシンボルの生起確率に応じて、数直線を区間分割する算術符号や、符号化対象のシンボルの生起確率に応じて可変長の符号語を割り当てるハフマン符号がある。このようなエントロピー符号化では、固定長の符号化方式よりも効率的な符号化が可能である。

また、符号化対象のデータ（以降、対象データという）とは別のデータ（以降、参照データという）から符号化対象のデータの出現傾向が予測できる場合がある。この場合には、符号化の際に、参照データに応じて対象データの生起確率モデルを適応的に変化させることで、固定的な生起確率モデルを用いる符号化方式よりも効率的な符号化が可能である。参照データに応じた対象データの出現の傾向は、コンテキストと呼ばれ、参照データから対象データの生起確率モデルを生成する仕組みは、コンテキストモデルと呼ばれる。

映像符号化方式であるＡＶＣ／Ｈ．２６４や、ＨＥＶＣ／Ｈ．２６５においては、ＣＡＢＡＣ（Context-based Adaptive Binary Arithmetic Coding）というコンテキスト適応型の算術符号化が採用されている。ＣＡＢＡＣでは、以前の入力シンボルの統計に基づきコンテキストが更新される。このＣＡＢＡＣを実装する具体的な方法が、特許文献１で開示されている。

また、以前の入力シンボルの統計に基づくコンテキストの選択に加えて、現在の入力シンボルを用いたコンテキスト選択を行うことで符号化効率を向上させる方法も提案されている（例えば、特許文献２）。

特許第４８８６７５５号公報 特許第５２２１０４７号公報

しかしながら、上述の符号化方法においては、予め用意された複数のコンテキストモデルの中からコンテキストモデルを選択している。このため、対象データのコンテキストに近いコンテキストモデルがないことがあるという問題がある。

本発明は、このような事情に鑑みてなされたもので、対象データのコンテキストに、より近いコンテキストを提供することができるコンテキスト生成装置、符号化装置、および復号装置を提供する。

この発明は上述した課題を解決するためになされたもので、本発明の一態様は、参照データ値が与えられたときの、対象データの各データ値の生起確率を示すコンテキストモデルを生成するコンテキストモデル生成装置であって、前記対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、前記対象データを代表する第２学習用データにおける、参照データ値が与えられたときの各データ値の生起確率からなる第２モデルを算出するコンテキスト推定部と、前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルと、前記第１モデルとの混合比を、前記第２モデルを参照して決定する混合比決定部と、前記第１モデルと前記候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部とを備えることを特徴とするコンテキストモデル生成装置である。

また、この発明の他の態様は、上述のコンテキストモデル生成装置であって、前記コンテキストモデル生成部は、前記第１モデルと前記候補モデルとを、前記混合比にて線形結合して前記コンテキストモデルを生成することを備えることを特徴とする。

また、この発明の他の態様は、上述のコンテキストモデル生成装置であって、前記候補モデルは、クロネッカーのデルタ関数であることを特徴とする。

また、この発明の他の態様は、対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、前記対象データを代表する第２学習用データにおける、参照データ値が与えられたときの各データ値の生起確率からなる第２モデルを算出するコンテキスト推定部と、前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルと、前記第１モデルとの混合比を、前記第２モデルを参照して決定する混合比決定部と、前記第１モデルと前記候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部と、前記コンテキストモデル生成部が生成したコンテキストモデルを用いて、前記対象データを符号化することで、符号化データを生成する符号化部とを備えることを特徴とする符号化装置である。

また、この発明の他の態様は、上述の符号化装置であって、前記符号化部が生成した符号化データと、前記混合比決定部が決定した混合比を示す情報とを多重する多重部を備えることを特徴とする。

また、この発明の他の態様は、対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、前記対象データを代表する第２学習用データにおける、参照データ値が与えられたときの各データ値の生起確率からなる第２モデルを算出するコンテキスト推定部と、前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルと、前記第１モデルとの混合比を、前記第２モデルを参照して決定する混合比決定部と、前記第１モデルと前記候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部と、前記対象データが符号化された符号化データを、前記コンテキストモデル生成部が生成したコンテキストモデルを用いて復号する復号部とを備えることを特徴とする復号装置である。

また、この発明の他の態様は、入力されたデータを、対象データを符号化した符号化データと、前記符号化データの符号化に用いた混合比を示す情報とに分離する分離部と、前記対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部と、前記対象データが符号化された符号化データを、前記コンテキストモデル生成部が生成したコンテキストモデルを用いて復号する復号部とを備えることを特徴とする復号装置である。

この発明によれば、対象データのコンテキストにより近いコンテキストを提供することができる。

この発明の第１の実施形態による情報源符号化復号システム１０の構成を示す概略ブロック図である。 同実施形態における符号化装置１００の構成を示す概略ブロック図である。 同実施形態における復号装置２００の構成を示す概略ブロック図である。 この発明の第２の実施形態による符号化装置１００ａの構成を示す概略ブロック図である。 同実施形態における復号装置２００ａの構成を示す概略ブロック図である。 各実施形態の変形例における候補モデルＱを定義するＬＵＴの例（その１）を示すテーブルである。 各実施形態の変形例における候補モデルＱを定義するＬＵＴの例（その２）を示すテーブルである。

（第１の実施形態）
以下、図面を参照して、本発明の第１の実施形態について説明する。図１は、この発明の第１の実施形態による情報源符号化復号システム１０の構成を示す概略ブロック図である。情報源符号化復号システム１０は、符号化装置１００と、復号装置２００とを含む。符号化装置１００は、対象データＳを、エントロピー符号化して符号化データＥを生成する。符号化装置１００は、エントロピー符号化を行う際に、コンテキストモデルを生成し、使用する。復号装置２００は、符号化データＥを復号して、情報原Ｓを復元した復号データＤを生成する。なお、符号化データＥは、通信路などを介して、復号装置２００に入力されてもよいし、ＤＶＤ（Digital Versatile Disc）、ＨＤＤ（Hard Disk Drive）などの記録媒体から、復号装置２００に入力されてもよい。

図２は、符号化装置１００の構成を示す概略ブロック図である。符号化装置１００は、生起確率生成装置１１１、バッファ部１０１、エントロピー符号化部１０８を含む。生起確率生成装置１１１は、コンテキストモデル生成装置１１０、参照データ取得部１０６、生起確率モデル選択部１０７を含む。コンテキストモデル生成装置１１０は、事前確率推定部１０２、コンテキスト推定部１０３、混合係数決定部１０４、コンテキストモデル生成部１０５を含む。

バッファ部１０１は、対象データＳを蓄積する。バッファ部１０１に蓄積された対象データＳは、コンテキストモデルを生成するための学習用データとして利用される。事前確率推定部１０２は、バッファ部１０１に蓄積された対象データＳから、対象データＳにおけるＸの事前確率を推定する。本実施形態において、Ｘは、対象データＳを４ビットずつに区切ったものである。事前確率推定部１０２は、具体的には、バッファ部１０１に蓄積された対象データＳを、学習用データＬ１として読出す。そして、事前確率推定部１０２は、読み出した学習用データＬ１を４ビットずつに区切った数列Ｘ_ｎにおけるＸが採り得る値各々の生起確率を、事前確率Ｐｒ（Ｘ）として、式（１）を用いて算出する。

コンテキスト推定部１０３は、バッファ部１０１に蓄積された対象データＳを、学習用データＬ２として読出し、学習用データＬ２から、対象データＳにおけるコンテキストを推定する。具体的には、コンテキスト推定部１０３は、学習用データＬ２として、バッファ部１０１からＮ個の値Ｘ_ｎ（ｎ∈{１、２、…、Ｎ｝）と、値Ｘ_ｎの各々の参照データＹ_ｎ（ｎ∈{１、２、…、Ｎ｝）とを読み出す。コンテキスト推定部１０３は、読み出した学習用データＬ２におけるコンテキストＰｒ（Ｘ｜Ｙ）を、式（２）を用いて算出する。

なお、本実施形態では、Ｘ_ｎは、それぞれ、対象データＳを４ビットずつ区切ったものである。Ｙ_ｎは、それぞれ、対象データＳにおけるＸ_ｎの直前の４ビットである。例えば、Ｙ_３は、Ｘ_３の直前の４ビットである。しかし、Ｘ_ｎのビット長は、４ビットより短くても良いし、長くてもよい。また、Ｙ_ｎのビット長は、４ビットより短くても良いし、長くてもよいし、Ｘ_ｎと異なっていても良い。

また、Ｙ_ｎは、例えば、Ｘ_ｎの１０ビット前など、Ｘ_ｎの直前でなくてもよいし、さらには、Ｘ_ｎが対象データＳ中で何番目かなどの情報であってもよい。例えば、対象データＳが、画像に関するラスタスキャン順に並んだパラメータ列であれば、Ｙ_ｎがＸ_ｎの直前であれば、Ｙ_ｎはＸ_ｎが対象とする部分の左隣の部分に関するパラメータである。しかし、Ｙ_ｎをＸ_ｎのラスタスキャンにおける１ライン分前とすると、Ｙ_ｎはＸ_ｎが対象とする部分の上隣の部分に関するパラメータとなる。

混合係数決定部１０４は、参照データ値Ｙが与えられたときの各データ値Ｘの生起確率からなる候補モデルＱ（Ｘ｜Ｙ）を、予め記憶している。混合係数決定部１０４は、この候補モデルＱ（Ｘ｜Ｙ）と、事前確率推定部１０２が推定した事前確率Ｐｒ（Ｘ）との混合係数を決定する。このとき、混合係数決定部１０４は、混合係数ａを用いたモデル同士の線形結合、すなわち式（３）で表される混合を行った結果のモデルＰ（Ｘ｜Ｙ）が、コンテキスト推定部１０３が推定したコンテキストＰｒ（Ｘ｜Ｙ）にできるだけ近くなるように混合係数ａの値を決定する。

具体的には、混合係数決定部１０４は、式（４）をａにて偏微分したときに０となるａハットを、式（５）により算出し、混合係数とする。

なお、式（４）、（５）において、シグマに付された（Ｘ，Ｙ）は、学習用データＬ２に含まれるＸ、Ｙの組合せのみについて、総和を取ることを示す。このようにすることで、学習用データＬ２におけるコンテキストＰｒ（Ｘ｜Ｙ）を、全てのＸ，Ｙの組合せについて求めておかくなくてもよくなる。
本実施形態では、Ｑ（Ｘ｜Ｙ）として、式（６）に示す、Ｘ、Ｙを引数とするクロネッカーのデルタδ_Ｘ，Ｙを用いる。

コンテキストモデル生成部１０５は、事前確率推定部１０２が推定した事前確率Ｐｒ（Ｘ）と、候補モデルＱ（Ｘ｜Ｙ）とを、混合係数決定部１０４が決定した混合係数ａハットを用いて、式（７）のように混合したコンテキストモデルＰ（Ｘ｜Ｙ）を生成する。

このように、コンテキストモデルＰ（Ｘ｜Ｙ）を、事前確率Ｐｒ（Ｘ）と、候補モデルＱ（Ｘ｜Ｙ）とを混合したものとするので、学習用データの量が少ないときに、確率分布が極端に偏ってしまうようなコンテキストモデルとなってしまうのを避けつつ、対象データのコンテキストに、より近いコンテキストを提供することができる。

生起確率モデル選択部１０７は、コンテキストモデルＰ（Ｘ｜Ｙ）のうち、参照データＹが参照データ取得部１０６から入力された参照データＹ_ｉｎであるときの生起確率モデルＰ（Ｘ｜Ｙ_ｉｎ）を選択し、エントロピー符号化部１０８に入力する。

参照データ取得部１０６は、対象データＳを４ビット分遅延させものを、参照データＹ_ｉｎとして生起確率モデル選択部１０７に入力する。エントロピー符号化部１０８は、対象データＳを４ビットずつ区切った値Ｘ_ｉｎを、生起確率モデル選択部１０７から入力された生起確率モデルＰ（Ｘ｜Ｙ_ｉｎ）を用いて、エントロピー符号化する。エントロピー符号化部１８は、エントロピー符号化した結果を、符号化データＥとして出力する。なお、エントロピー符号化には、算術符号、ハフマン符号など、生起確率を用いるものであれば、どのようなものを使ってもよい。なお、参照データ取得部１０６にて対象データＳを４ビット分遅延させているため、Ｘ_ｉｎをエントロピー符号化する際の生起確率モデルＰ（Ｘ｜Ｙ_ｉｎ）のＹ_ｉｎは、対象データＳにおけるＸ_ｉｎの直前の４ビットである。

図３は、復号装置２００の構成を示す概略ブロック図である。図３において、図２の各部に対応する部分には、同一の符号を付し、説明を省略する。復号装置２００は、エントロピー復号部２０８、生起確率生成装置２１１を含む。生起確率生成装置２１１は、生起確率モデル選択部１０７、コンテキストモデル生成装置１１０を含む。

エントロピー復号部２０８は、符号化データＥを復号することで、復号データＤを生成する。エントロピー復号部２０８は、復号する際に、生起確率モデル選択部１０７が選択した生起確率モデルＰ（Ｘ｜Ｙ_ｉｎ）を用いる。復号装置２００において、参照データＹ_ｉｎは、エントロピー復号部２０８が、直前に復号した復号データＤの４ビットである。

このように、コンテキストモデル生成装置１１０は、学習用データにおける各データ値の生起確率と、予め決められた候補モデルとの混合比を、学習用データにおける、参照データ値が与えられたときの各データ値の生起確率を参照して決定する。
これにより、対象データのコンテキストに、より近いコンテキストを提供することができる。

（第２の実施形態）
第１の実施形態では、符号化装置１００と復号装置２００との間では、符号化データＥを出力したが、本実施形態における符号化装置１００ａと復号装置２００ａとの間では、符号化データＥに、混合係数ａハットを多重して伝送する。図４は、符号化装置１００ａの構成を示す概略ブロック図である。同図において、図２の各部に対応する部分には、同一の符号を付し、説明を省略する。符号化装置１００ａは、図２の符号化装置１００とほぼ同様の構成であるが、多重部１０９をさらに有する点が異なる。多重部１０９は、エントロピー符号化部１０８が生成した符号化データＥと、混合係数決定部１０４が決定した混合係数ａハットとを多重して出力する。

図５は、復号装置２００ａの構成を示す概略ブロック図である。図５において、図３の各部に対応する部分には同一の符号を付し、説明を省略する。復号装置２００ａは、バッファ部１０１、エントロピー復号部２０８、分離部２０９、生起確率生成装置２１１ａを含む。生起確率生成装置２１１ａは、生起確率モデル選択部１０７、コンテキストモデル生成装置１１０ａを含む。コンテキストモデル生成装置１１０ａは、事前確率推定部１０２、コンテキストモデル生成１０５を含む。

分離部２０９は、符号化装置１００ａから伝送されたデータを、符号化データＥと、混合係数ａハットとに分離する。分離部２０９は、分離した符号化データＥを、エントロピー復号部２０８に入力する。分離部２０９は、混合係数ａハットを、コンテキストモデル生成部１０５に入力する。

なお、本実施形態では、混合係数ａハットを復号装置２００aに伝送している。このため、復号装置２００ａは、復号装置２００ようにして、復号した対象データから混合係数ａを求める必要がなくなる。したがって、符号化装置１００ａのコンテキスト推定部１０３は、対象データを符号化する前に、対象データ全体を学習用データＬ２として、混合係数ａを求めるなど、学習用データＬ２として、符号化未済みの対象データを含むようにしてもよい。

このように、多重部１０９は、符号化データＥと、混合係数ａハットとを多重する。また、分離部２０９は、入力されたデータを、符号化データＥと、混合係数ａハットとに分離する。
これにより、復号装置２００ａは、コンテキストモデルを生成する際に、対象データのコンテキストの推定と、混合係数の算出とを行わずに、符号化データを復号することができる。

なお、上述の各実施形態では、バッファ部１０１に蓄積された対象データＳを学習用データとして利用したが、符号化装置１００、１００ａは、学習用データを、対象データＳとは、別に取得してもよい。
また、上述の各実施形態では、候補モデルＱ（Ｘ｜Ｙ）としてクロネッカーのデルタ関数を用いたが、候補モデルＱ（Ｘ｜Ｙ）をＬＵＴなどで定義し、コンテキストモデル生成装置１１０は、そのＬＵＴを記憶していてもよい。

図６、図７は、候補モデルＱを定義するＬＵＴの例を示すテーブルである。図６に示す例では、Ｘの値と、Ｙの値が一致するときは、確率が「０．７」であり、一致しないときは、「０．１」となっている。図７に示す例では、Ｘの値がＹの値よりも１大きいときは、確率が「０．７」であり、その他のときは、「０．１」となっている。ただし、Ｙが「３」のときは、Ｘが「０」のときの確率が「０．７」であり、Ｘがその他の値であるときの確率が「０．１」である。

また、上述の各実施形態では、コンテキストモデル生成部１０５は、コンテキストモデルを生成する際に、Ｐｒ（Ｘ）と、Ｑ（Ｘ｜Ｙ）とを線形結合しているが、（１−ａ−ｂ）Ｐｒ（Ｘ）＋ａ×Ｑ_１（Ｘ｜Ｙ）＋ｂ×Ｑ_２（Ｘ｜Ｙ）というように複数の候補モデルを線形結合するようにしてもよい。この場合、式（４）をａについて偏微分したものが０になる式と、式（４）をｂについて偏微分したものが０になる式とを、ａ、ｂについて解いた式を用いれば、混合係数決定１０４は、ａ、ｂを決定することができる。同様にして、線形結合する候補モデルは、３つ以上であってもよい。

また、候補モデルを複数用いる場合は、候補モデルによって、Ｙ_ｎとＸ_ｎとの関係が異なっていてもよい。例えば、１つ目の候補モデルでは、Ｙ_ｎはＸ_ｎの直前の４ビットであり、２つ目の候補モデルでは、Ｙ_ｎはＸ_ｎの４０ビット前の４ビットであってもよい。さらに、候補モデルによって、Ｙ_ｎのビット長が異なっていてもよい。

また、複数の候補モデルを用意しておき、それらの中から一つを選択して用いるようにしてもよい。例えば、混合係数決定１０４が、複数の候補モデルについて式（４）の値を算出し、その値が最も小さくなった候補モデルを選択するようにしてもよい。

また、図２における符号化装置１００、コンテキストモデル生成装置１１０、生起確率生成装置１１１、図３における復号装置２００、図４における符号化装置１００ａ、図５における復号装置２００ａ、コンテキストモデル生成装置１１０ａ、生起確率生成装置２１１ａの機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各装置を実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。

また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

また、上述した図２における符号化装置１００、コンテキストモデル生成装置１１０、生起確率生成装置１１１、図３における復号装置２００、図４における符号化装置１００ａ、図５における復号装置２００ａ、コンテキストモデル生成装置１１０ａ、生起確率生成装置２１１ａの各機能ブロックは個別にチップ化してもよいし、一部、または全部を集積してチップ化してもよい。また、集積回路化の手法はＬＳＩに限らず、専用回路、または汎用プロセッサで実現しても良い。ハイブリッド、モノリシックのいずれでも良い。一部は、ハードウェアにより、一部はソフトウェアにより機能を実現させても良い。
また、半導体技術の進歩により、ＬＳＩに代替する集積回路化等の技術が出現した場合、当該技術による集積回路を用いることも可能である。

以上、この発明の実施形態を図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。

１０…情報源符号化復号システム
１００、１００ａ…符号化装置
１０１…バッファ部
１０２…事前確率推定部
１０３…コンテキスト推定部
１０４…混合係数決定部
１０５…コンテキストモデル生成部
１０６…参照データ取得部
１０７…生起確率モデル選択部
１０８…エントロピー符号化部
１０９…多重部
１１０、１１０ａ…コンテキストモデル生成装置
１１１…生起確率生成装置
２００、２００ａ…復号装置
２０８…エントロピー復号部
２０９…分離部
２１１、２１１ａ…生起確率生成装置

Claims (7)

1. 参照データ値が与えられたときの、対象データの各データ値の生起確率を示すコンテキストモデルを生成するコンテキストモデル生成装置であって、
   前記対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、
   前記対象データを代表する第２学習用データにおける、参照データ値が与えられたときの各データ値の生起確率からなる第２モデルを算出するコンテキスト推定部と、
   前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルと、前記第１モデルとの混合比を、前記第２モデルを参照して決定する混合比決定部と、
   前記第１モデルと前記候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部と
   を備えることを特徴とするコンテキストモデル生成装置。
2. 前記コンテキストモデル生成部は、前記第１モデルと前記候補モデルとを、前記混合比にて線形結合して前記コンテキストモデルを生成すること
   を備えることを特徴とする請求項１に記載のコンテキストモデル生成装置。
3. 前記候補モデルは、クロネッカーのデルタ関数であることを特徴とする請求項１に記載のコンテキストモデル生成装置。
4. 対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、
   前記対象データを代表する第２学習用データにおける、参照データ値が与えられたときの各データ値の生起確率からなる第２モデルを算出するコンテキスト推定部と、
   前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルと、前記第１モデルとの混合比を、前記第２モデルを参照して決定する混合比決定部と、
   前記第１モデルと前記候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部と、
   前記コンテキストモデル生成部が生成したコンテキストモデルを用いて、前記対象データを符号化することで、符号化データを生成する符号化部と
   を備えることを特徴とする符号化装置。
5. 前記符号化部が生成した符号化データと、前記混合比決定部が決定した混合比を示す情報とを多重する多重部を備えることを特徴とする請求項４に記載の符号化装置。
6. 対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、
   前記対象データを代表する第２学習用データにおける、参照データ値が与えられたときの各データ値の生起確率からなる第２モデルを算出するコンテキスト推定部と、
   前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルと、前記第１モデルとの混合比を、前記第２モデルを参照して決定する混合比決定部と、
   前記第１モデルと前記候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部と、
   前記対象データが符号化された符号化データを、前記コンテキストモデル生成部が生成したコンテキストモデルを用いて復号する復号部と
   を備えることを特徴とする復号装置。
7. 入力されたデータを、対象データを符号化した符号化データと、前記符号化データの符号化に用いた混合比を示す情報とに分離する分離部と、
   前記対象データを代表する第１学習用データにおける各データ値の生起確率からなる第１モデルを算出する事前確率推定部と、
   前記第１モデルと、参照データ値が与えられたときの各データ値の生起確率からなる候補モデルであって、予め決められた候補モデルとを、前記混合比にて混合したコンテキストモデルを生成するコンテキストモデル生成部と、
   前記対象データが符号化された符号化データを、前記コンテキストモデル生成部が生成したコンテキストモデルを用いて復号する復号部と
   を備えることを特徴とする復号装置。

Images