还在为图像加载犯愁吗？
最新的好消息是，谷歌团队采用了一种GANs与基于神经网络的压缩算法相结合的图像压缩方式HiFiC，在码率高度压缩的情况下，仍能对图像高保真还原。
GAN(Generative Adversarial Networks，生成式对抗网络)顾名思义，系统让两个神经网络相互「磨炼」，一个神经网络负责生成接近真实的数据，另一个神经网络负责区分真实数据与生成的数据。
简单来说，就是一个神经网络「造假」，另一个神经网络「打假」，而当系统达到平衡时，生成的数据看起来便会非常接近真实数据，达到「以假乱真」的效果。
目前处于特殊时期，大量国外网友仍在家中隔离，Netflix和油管的播放量暴增，一些视频网站甚至不得不被迫降低视频在线播放的清晰度，以适应激增的数据量。
但看惯了高清视频的网友们，面对突如其来的「模糊打击」自然怨声载道。
事实上，在了解HiFiC算法的原理后，会发现它的确不难实现。
接近原图的图像重构算法
此前，相关研究已有采用神经网络进行图像压缩的算法，而随着近年来生成式对抗网络兴起，采用GANs生成以假乱真图像的算法也不在少数。
这次图像压缩的模型便是基于二者的特性设计，在基于神经网络的压缩图像算法基础上，采用GANs进一步让生成的图片更接近于人类视觉，在图像大小和视觉感知间达到一个平衡。
可以看见，HiFiC的架构被分成了4个主要部分，其中E为编码器，G为生成器，D为判别器，而P则是E的输出E(x)的概率模型(这里用y表示)，也就是P用于模拟y的概率分布。
GANs运作的核心思想在于，需要让架构中的生成器G通过某种方法，「欺骗」判别器D判定样本为真。
而概率模型P，则是达成这步操作的条件。
然后，将E、G、P参数化为卷积神经网络，这样就可以通过率失真优化的条件，对这些网络进行共同训练。
同时，研究者也对已有的几种GANs算法架构进行了微调，使其更适于HiFiC架构。
研究发现，将GANs与深度学习相结合的HiFiC算法取得了意想不到的效果。
下面是这种算法展现出来的图像与JPG格式图像的对比。
可见，在图像大小接近的情况下(HiFiC大小74kB，JPG图像大小78kB)，算法所展现出来的图像压缩效果要好得多。
—END—
转播
