图像压缩 初入

  图像压缩根据对图像的恢复效果来进行分类,主要分为无损压缩和有损压缩,基于深度学习的图像压缩方法多为有损图像压缩,基于深度学习的图像压缩性能已经超过了 JPEG 和 BPG,并且这种性能上的差距仍在逐步扩大。

算法流派:

基于卷积神经网络的图像压缩方法:

  CNN 卷积运算中的稀疏连接和参数共享两大特性使CNN 在图像压缩中彰显优势。CNN 的图像压缩多以端到端 的方式进行图像压缩,通过 CNN 设计编码端与解码端, 通过大量图像数据以及优化网络方式,获得高性能的压 缩框架。

基于循环神经网络的图像压缩方法:

  RNN 与 CNN 一样都有参数共享的特性,不同的是 CNN 的参数共享是空间上的,而 RNN 则是时间上的也就是序列上的,这使得 RNN 对于之前的序列信息有了 “记忆”,而且训练通过梯度下降的方式迭代向前计算。这两种方式可以提高数据的压缩程度,同时可以通过迭代的方式来控制图像的码率,从而提高图像的压缩性能。因此应用 RNN 的图像压缩在对全分辨 率图像压缩和通过码率来控制压缩比都取得了较为不错的成果,但值得注意的是在采用 RNN 时多数都需要引入 LSTM来解决长期依赖问题,因此在模型的训练上也会更加的复杂。

基于生成对抗网络的图像压缩方法:

   GAN通过生成器的生成图像来不断“训练”判别器,使得最后得到的输出图像有更加清晰的纹理,更好的视觉感官效果。但 GAN 生成图像有着极大的不稳定性,在生成图 像时有可能生成的图像具有清晰的纹理,很好的视觉效 果,很高的分辨率和清晰度,但与原图对比却可能存在 明显差异,这也就形成一种欺诈性的清晰与高分辨率。

应用数据集:

 

评价指标:

很多论文会给出      重建图像与 JPEG 或 BPG 的 RD 对比曲线

 

参照资料: 

图像压缩技术综述(整理国内三篇综述) - 知乎 (zhihu.com)

于恒,梅红岩,许晓明,贾慧萍.基于深度学习的图像压缩算法研究综述[J].计算机工程与应用,2020,56(15):15-23.

posted @ 2023-10-09 17:28  浪矢-CL  阅读(20)  评论(0编辑  收藏  举报