原文来源：medium
作者：Harshvardhan Gupta
「机器人圈」编译：嗯~阿童木呀、多啦A亮
众所周知，现如今，诸如神经网络这样的数据驱动算法已经风靡全球。而随着技术价格的降低、硬件的强大和数据的海量级增多，算法的应用领域也在逐渐扩张。目前，神经网络是涵盖图像识别和自然语言理解等“认知”任务领域中的最先进技术，但并不局限于这些任务。 在这篇文章中，我将讨论一种使用神经网络进行图像压缩的方式，以更快的速度实现图像压缩的最先进性能表现。
本文基于《一个基于卷积神经网络的端到端压缩框架》实现的。下载论文。
在开始之前，本文假设你对诸如卷积和损失函数等神经网络有一定的了解。
图像压缩是转换图像的过程，以便使其占用较少的空间。对图像进行简单存储将会占用大量空间，所以有一些诸如JPEG和PNG这样的编解码器出现，目的是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。顾名思义，在无损压缩中，有可能返回原始图像的所有数据，而在有损压缩中，有些数据会在转换期间丢失。
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（原图、50%有损压缩、80%有损压缩）
请注意，请注意右侧的图像有许多块状的人工制品。这就是信息丢失的方式。附近的类似颜色的像素被压缩为一个区域，虽然节省了空间，但同时也丢失了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，但这确实是有损压缩的一个较为直观的例子。无损压缩是很好，但它最终在磁盘上占用了大量的空间。
其实，有很多更好的方法可以用来压缩图像而不丢失大量信息，但是它们的运行速度非常慢，而且其中有很多需要使用迭代方法，这意味着它们不能在多个CPU内核或GPU上并行运行。因此，将它们应用于日常使用中显得非常不切实际。
如果需要计算任何东西，且可以近似，那就在其上使用神经网络。作者使用了一个非常标准的卷积神经网络来改善图像压缩。他们的方法不仅能够与“更好的方式”（如果没有更好）相媲美，还可以利用并行计算，使速度提高到一个不可思议的水平。
而究其原因，主要是因为卷积神经网络（CNN）非常善于从图像中提取空间信息，然后以一种更为紧凑的形式表示（例如，仅存储图像的“重要”部分）。作者想利用CNN的这种能力来更好地表现图像。
作者提出了一个双重网络。第一个网络，接收图像并生成一个紧凑表示（ComCNN）。然后，该网络的输出将通过标准编解码器（例如JPEG）进行处理。经过编解码器的处理，图像将被传递到第二个网络，这它将“修复”来自编解码器的图像，试图恢复原始图像。作者将其称为重建CNN（RecCNN）。同时，这两个网络都将进行迭代训练，类似于生成式对抗网络（GAN）。
ComCNN ，将紧凑表示传递给标准编解码器
RecCNN，来自ComCNN的输出被放大并传递给RecCNN，它将试图学习残差
来自的编解码器的输出被放大，然后传递给RecCNN。RecCNN将尝试输出一个与原始图像相似的图像。
进行图像压缩的端到端框架，Co(.)表示图像压缩算法。作者使用JPEG、JPEG2000和BPG进行处理。
残差可以被认为是一个后期处理步骤，用以“改进”编解码器解码的图像。那些有着很多关于这个世界“信息”的网络，可以做出关于“修复”的认知决定。而这个想法的提出是基于残差学习的，更多有关更多信息可以参阅此篇论文。
损失函数
由于有两个网络，所以使用两个损失函数。第一个，对于ComCNN，标记为L1的定义为：
等式1.0用于 ComCNN的损失函数
说明
这个等式可能看起来很复杂，但它实际上是标准（均方误差）MSE。其中||²表示它们所包含的向量的“范数”。
等式1.1
Cr表示ComCNN的输出。θ表示ComCNN的可训练参数，Xk表示输入图像。
等式1.2
Re（）表示RecCNN。该等式将等式1.1的值传递给RecCNN。θ^表示RecCNN的可训练参数（^表示参数固定）
直观的定义
公式1.0将使ComCNN修改其权重，使得在RecCNN重新创建之后，最终图像将尽可能接近实际输入图像。
RecCNN的第二个损失函数定义为：
公式2.0
说明
该函数可能看起来很复杂，但它是一种大多数标准的神经网络丢失函数（MSE）。
公式2.1
Co（）表示编解码器的输出。 x ^表示ComCNN的输出。θ2表示RecCNN的可训练参数。res（）只是表示网络学习的残差，它只是RecCNN的输出。值得注意的是，RecCNN训练了Co（）和输入图像之间的差异，而不是直接从图像输入。
直观的定义
公式2.0将使RecCNN修改其权重，使其输出看起来尽可能靠近原始图像。
这些模型被迭代地训练，类似于GAN的训练方式。一个模型的权重是固定的，而另一个模型的权重被更新，当另一个模型的权重是固定的，而第一个模型被训练。
基准
作者将其方法与现有方法进行了比较，包括编解码器。 他们的方法比其他方法执行得更好，同时在可用硬件上使用时保持高速。作者尝试只使用其中一个网络，他们发现性能有所下降。
图3.0 SSIM（结构相似度指数）比较。较高的值表示更好的与原始相似性。作者的作品用粗体字体表示。
结论
我们研究了一种利用深度学习来压缩图像的新方法。 我们讨论了在除了图像分类和语言处理等常见的任务上使用神经网络的可能性。这种方法不仅在现有技术上一直很好，而且可以以更快的速度处理图像。
回复「转载」获得授权，微信搜索「ROBO_AI」关注公众号
欢迎加入
中国人工智能产业创新联盟在京成立 近200家成员单位共推AI发展
关注“机器人圈”后不要忘记置顶哟
我们还在搜狐新闻、机器人圈官网、腾讯新闻、网易新闻、一点资讯、天天快报、今日头条、QQ公众号…
↓↓↓点击阅读原文查看中国人工智能产业创新联盟手册
