体积减半画质翻倍,他用TensorFlow实现了这个图像极度压缩模型

体积小,但清晰度高。

就有这么一种基于生成式对抗网络(GAN)的极度图像压缩框架,经它之手的图像虽然体积被压缩不少,但分辨率着实感人。和同类框架相比,它的效果尤为惊艳。

此算法(2379 Bytes)和BPG(2565 Bytes)画质对比

此算法(2379 Bytes)和WebP(6066 Bytes)画质对比

此算法(2379 Bytes)和JPEG2000(2447 Bytes)画质对比

此算法(2379 Bytes)和原图画质对比

就是这样一个体积小一半但画质高一倍的算法,自上个月在arXiv出现后便引发关注。

看了研究论文Generative Adversarial Networks for Extreme Learned Image Compression后,网友大呼希望这群来自苏黎世联邦理工学院的程序员们开个源。

作者团队

好消息是,近日,Github网友Justin-Tan用TensorFlow实现了这项研究,我们一起看看这个爆火的压缩大法实现~

实现用法及结果

实现的第一步得准备工具,也是就是TensorFlow 1.8。

TensorFlow 1.8地址:

https://github.com/tensorflow/tensorflow

在batch size是1的情况下训练,每经过一定的步数中 (默认值为128),重建的样例/summary就会被定期写入,每10次迭代后保存检查点。

这些全局压缩的图像来自于Cityscapes中leftImg8bit数据集,总体来看,效果还比较好。

C=8 channel,多规格鉴别器

下图是量化的C=4、8、16 channel图像比较——

实现细节/扩展

你可以在下找到预训练模型,它在C=8的channel bottleneck和多规格鉴别器损失进行全局压缩。这个模型已经用Cityscapes中的leftIma8bit训练了64次。

这个网络的架构是基于论文 Perceptual Losses for Real-Time Style Transfer and Super-Resolution中的附录中提供的描述完成的,项目中最初提到的多规格鉴别器的损失是基于论文 High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs完成的。

如果你还想增加扩展,可以在Network分类下新写一个@staticmethod版块,类似下面这样:

如果想更改超参数和toggle feature,可在config.py中设置。

相关地址和资料

如果你对这个压缩大法感兴趣,这刚好有几份资料可以拿去用:

论文Generative Adversarial Networks for Extreme Learned Image Compression地址:

https://arxiv.org/pdf/1804.02958.pdf

项目首页:

https://data.vision.ee.ethz.ch/aeirikur/extremecompression/#publication

复现项目地址:

https://github.com/Justin-Tan/generative-compression

论文Perceptual Losses for Real-Time Style Transfer

and Super-Resolution地址:

https://cs.stanford.edu/people/jcjohns/eccv16/

论文High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs地址:

https://tcwang0509.github.io/pix2pixHD/

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180514A1CFJL00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券