體積減半畫質翻倍，他用TensorFlow實現了這個圖像極度壓縮模型

來自專欄 量子位

林鱗 編譯整理

量子位 出品 | 公眾號 QbitAI

體積小，但清晰度高。

就有這麼一種基於生成式對抗網路（GAN）的極度圖像壓縮框架，經它之手的圖像雖然體積被壓縮不少，但解析度著實感人。和同類框架相比，它的效果尤為驚艷。

就是這樣一個體積小一半但畫質高一倍的演算法，自上個月在arXiv出現後便引發關注。

看了研究論文Generative Adversarial Networks for Extreme Learned Image Compression後，網友大呼希望這群來自蘇黎世聯邦理工學院的程序員們開個源。

好消息是，近日，Github網友Justin-Tan用TensorFlow實現了這項研究，我們一起看看這個爆火的壓縮大法實現~

實現用法及結果

實現的第一步得準備工具，也是就是TensorFlow 1.8。

TensorFlow 1.8地址：

https://github.com/tensorflow/tensorflow

在batch size是1的情況下訓練，每經過一定的步數中 (默認值為128)，重建的樣例/summary就會被定期寫入，每10次迭代後保存檢查點。

這些全局壓縮的圖像來自於Cityscapes中leftImg8bit數據集，總體來看，效果還比較好。

下圖是量化的C=4、8、16 channel圖像比較——

實現細節/擴展

你可以在下找到預訓練模型，它在C=8的channel bottleneck和多規格鑒別器損失進行全局壓縮。這個模型已經用Cityscapes中的leftIma8bit訓練了64次。

這個網路的架構是基於論文 Perceptual Losses for Real-Time Style Transfer and Super-Resolution中的附錄中提供的描述完成的，項目中最初提到的多規格鑒別器的損失是基於論文 High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs完成的。

如果你還想增加擴展，可以在Network分類下新寫一個@staticmethod版塊，類似下面這樣：

如果想更改超參數和toggle feature，可在config.py中設置。

相關地址和資料

如果你對這個壓縮大法感興趣，這剛好有幾份資料可以拿去用：

論文Generative Adversarial Networks for Extreme Learned Image Compression地址：