利用AI实现图像的超级压缩

　　神经网络这样的数据驱动算法，已经狂风暴雨般的席卷了世界，包括廉价且强大的硬件和大量的数据等方面的因素，导致AI技术的突飞猛进。

　　神经网络是当前“图像识别”、“自然语言理解”等“认知”领域的最新技术，但其应用并不限于这些。在这篇文章中，我们将讨论一种使用神经网络压缩图像的方法，该方法能以更快的速度，达到图像压缩技术的最优化。

　　该文基于论文：An End-to-End CompressionFramework Based on Convolutional Neural Networks（https://arxiv.org/pdf/1708.00838v1.pdf）

　　本文假设，你对包括卷积和损失函数等神经网络有一定了解。

　　▍什么是图像压缩？

　　图像压缩是将图像转换为更小占用空间的过程。原始图像存储将占用大量空间，因此会使用编解码器减小原始图像的大小，例如JPEG和PNG。

　　图像压缩有两种类型：无损和有损。

　　顾名思义，在无损压缩中，可能获取原始图像的所有数据，而在有损压缩中，一些数据在转换过程中丢失。

　　例如：JPG是一种有损算法，而PNG是一种无损算法。

　　图1.0：无损和有损压缩之间的比较

　　能看到右边的图像有许多块状的纹路，这就是信息的丢失。相似颜色的临近像素被压缩为一个区块，这节省了空间，但也丢失了关于实际像素的信息。

　　图示只是有损压缩的直观示例，真实的JPEG，PNG等编解码器所使用的算法要复杂得多。无损压缩当然更好，但最终在磁盘上占用的空间太多。

　　当然，有更好的方法压缩图像而不会丢失太多的信息，但是它们相当慢，许多算法使用迭代的方式，这意味着它们不能在多个CPU内核或GPU上并行运行。这使得这些算法在日常使用中不实用。

　　▍卷积神经网络

　　如果任务需要计算，且可以近似计算，就可以考虑使用神经网络。论文作者使用了相当标准的卷积神经网络来改善图像压缩。他们的方法不仅仅是“更好的方式”，还可以利用并行计算，实现高速压缩。

　　其背后原理是卷积神经网络（CNN），能很好地从图像中提取空间信息，然后以更紧凑的表征来表示（例如，仅存储图像的“重要”位点）。论文作者利用CNN的这种能力来更好地压缩、展示图像。

　　▍架构

　　论文提出了一个双重网络。第一层网络（ComCNN）提取图像信息并生成一个致密表征。然后，该网络的输出将由标准编解码器（例如JPEG）来处理。

　　经过编解码器后，图像将被传递到第二层网络，该层网络将从编解码器“修复”图像，试图恢复原始图像。作者称之为重建卷积神经网络（RecCNN）。这两个网络都经迭代训练，类似生成对抗网络（GAN）。