随便看到，CABAC 能够在一切量化版本的 Small-VGG16 网络中取得更高的紧缩增益。经常使用 CABAC 的好处在于其固有的灵敏性，它可以用于失掉权重参数的先验统计数据。DeepCABAC经过定义前文所述的二值化环节，能够极速捕捉最大值凑近于0的单峰散布和非对称散布的统计消息。此外，也繁难CABAC捕捉一行中元素之间的关系性。这也很关键，由于 CABAC的预计是以自回归的方式降级的，因此，它的紧缩性能也取决于扫描顺序。如上表所示，CABAC能够捕捉权重参数之间的关系性，从而将它们紧缩到参数散布的一阶熵之外。与之前提出的通用熵编码器(如标量 Huffman、CSR-Huffman)相比，由于其平均码长遭到一阶熵的限制，因此无法能取得比 CABAC更低的码长，因此该个性愈加突出了它的优越性。
© 版权声明