林鳞 编译整理

量子位 出品 | 公众号 QbitAI

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/

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态