本文探讨了使用卷积神经网络（CNN）进行图像压缩的新方法，旨在实现更快的压缩速度。通过双重网络架构，一个网络生成压缩表示，另一个网络负责从编解码器输出中恢复图像。这种方法利用了CNN的空间信息提取能力，实现了有损压缩的高效并行处理。研究对比了与其他传统编解码器的性能，表明了神经网络在图像压缩领域的潜力。
像神经网络这样的数据驱动算法已席卷全球。他们最近的激增是由于硬件变得更加便宜也更加强大，同时也不缺乏大量的数据的支持。神经网络目前发展到“图像识别”，“自然语言理解”等认知任务，当然也仅限于此类任务。在这篇文章中，我将讨论一种使用神经网络压缩图像的方法，以更快的速度实现图像压缩的最新技术。
本文基于“基于卷积神经网络的端到端压缩框架”（https://arxiv.org/pdf/1708.00838v1.pdf）。
你需要对神经网络有一些熟悉，包括卷积和损失函数。
什么是图像压缩？
图像压缩是转换图像使其占用较少空间的过程。简单地存储图像会占用大量空间，因此存在编解码器，例如JPEG和PNG，旨在减小原始图像的大小。
有损与无损压缩
图像压缩有两种类型：无损和有损。正如他们的名字所暗示的那样，在无损压缩中，有可能获取原始图像的所有数据，而在有损压缩中，有些数据在转换中丢失。
例如JPG是一种有损算法，而PNG是一种无损算法
无损和有损压缩之间的比较
仔细看会发现右边的图像有很多小块，这就是信息的丢失。类似颜色附近的像素被压缩为一个区域，节省了空间，但也丢失关于实际像素的信息。当然，像JGEG，PNG等编解码器的实际算法要复杂得多，但这是有损压缩的良好直观示例。无损当然好，但它在磁盘上占用了太大的空间。
虽然有更好的
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
