摘要：目前，其已經(jīng)在人臉識別等領(lǐng)域證明了它的強大能力，有理由相信在不久的將來，深度學習技術(shù)將為圖像視頻壓縮領(lǐng)域帶來更大的突破。

說到圖像壓縮算法，最典型的就是JPEG、JPEG2000等。

其中JPEG 采用的是以離散余弦轉(zhuǎn)換(Discrete Cosine Transform) 為主的區(qū)塊編碼方式（如圖2）。JPEG2000則改用以小波轉(zhuǎn)換(Wavelet Transform) 為主的多解析編碼方式，小波轉(zhuǎn)換的主要目的是將圖像的頻率成分抽取出來。

在有損壓縮下，JPEG2000的明顯優(yōu)勢在于其避免了JPEG壓縮中的馬賽克失真效果。JPEG2000的失真主要是模糊失真，而模糊失真的主要原因在于高頻量在編碼過程中一定程度的衰減。在低壓縮比情形下（比如壓縮比小于10：1），傳統(tǒng)的JPEG圖像質(zhì)量有可能比JPEG2000好。JPEG2000在高壓縮比的情形下，優(yōu)勢才開始明顯。

整體來說，JPEG2000相比于傳統(tǒng)JPEG，仍有很大技術(shù)優(yōu)勢，通常壓縮性能可提高20%以上。當壓縮比達到100：1時，JPEG壓縮的圖像已經(jīng)嚴重失真并開始難以識別了，而JPEG2000的圖像仍可識別。

通過深度學習技術(shù)設計壓縮算法的目的之一是學習一個比離散余弦變換或小波變換更優(yōu)的變換，同時借助于深度學習技術(shù)還可以設計更簡潔的端到端算法，因而能夠設計出比JPEG2000等商用算法性能更優(yōu)的算法。

在圖片、視頻壓縮領(lǐng)域，使用最多的深度學習技術(shù)就是卷積神經(jīng)網(wǎng)絡(CNN)，下面會就卷積神經(jīng)網(wǎng)絡進行簡單介紹。如圖3所顯示，像搭積木一樣，一個卷積神經(jīng)網(wǎng)絡由卷積、池化、非線性函數(shù)、歸一化層等模塊組成。最終的輸出根據(jù)應用而定，如在人臉識別領(lǐng)域，我們可以用它來提取一串數(shù)字（專業(yè)術(shù)語稱為特征）來表示一幅人臉圖片。然后通過比較特征的異同進行人臉識別。

那如何利用卷積神經(jīng)網(wǎng)絡做壓縮？如圖4所示，完整的框架包括CNN編碼網(wǎng)絡、量化、反量化、CNN解碼、熵編碼等幾個模塊。編碼網(wǎng)絡的作用是將圖片轉(zhuǎn)換為壓縮特征，解碼網(wǎng)絡就是從壓縮特征恢復出原始圖片。其中編碼網(wǎng)絡和解碼網(wǎng)絡，可以用卷積、池化、非線性等模塊進行設計和搭建。

?
在深入技術(shù)細節(jié)前，我們先來了解一下如何評判壓縮算法。評判一個壓縮算法好壞的重要指標有兩個:一個是每個像素占據(jù)的比特位數(shù)（bit per pixel, BPP），一個是PSNR。我們知道，數(shù)據(jù)在計算機中以比特形式存儲，所需比特數(shù)越多則占據(jù)的存儲空間越大。BPP用于表示圖像中每個像素所占據(jù)的比特數(shù)，如一張RGB三通道圖，表示每個像素需要消耗24個比特。PSNR用來評估解碼后圖像的恢復質(zhì)量，簡單理解就是PSNR越高，恢復質(zhì)量越好。

我們舉個例子，假設長寬為768512的圖片大小為1M，利用深度學習技術(shù)對它編碼，通過編碼網(wǎng)絡后產(chǎn)生包括9664192個數(shù)據(jù)單元的壓縮特征數(shù)據(jù)，如果表示每個數(shù)據(jù)單元平均需要消耗1個比特，則編碼整張圖需要9664192個比特。經(jīng)過壓縮后，編碼每個像素需要的比特數(shù)為（9664192）/(768512）=3，所以BPP值為3bit/pixel，壓縮比為24:3=8:1。這意味著一張1M的圖，通過壓縮后只需要消耗0.125M的空間，換句話說，之前只能放1張照片的空間，現(xiàn)在可以放8張。
????

談到如何用深度學習做壓縮，還是用剛才那個例子。將一張大小768512的三通道圖片送入編碼網(wǎng)絡，進行前向處理后，會得到占據(jù)9664192個數(shù)據(jù)單元的壓縮特征。有計算機基礎的讀者可能會想到，這個數(shù)據(jù)單元中可放一個浮點數(shù)，整形數(shù)，或者是二進制數(shù)。那問題來了，到底應該放入什么類型的數(shù)據(jù)？從圖像恢復角度和神經(jīng)網(wǎng)絡原理來講，如果壓縮特征數(shù)據(jù)都是浮點數(shù)，恢復圖像質(zhì)量是最高的。但一個浮點數(shù)占據(jù)32個比特位，那之前講的比特數(shù)計算公式變?yōu)椋?66419232）/（768*512）=96，壓縮后反而每個像素占據(jù)比特從24變到96，非但沒有壓縮，反而增加了，這是一個糟糕的結(jié)果，很顯然浮點數(shù)不是好的選擇。

所以為了設計靠譜的算法，我們使用一種稱為量化的技術(shù)，它的目的是將浮點數(shù)轉(zhuǎn)換為整數(shù)或二進制數(shù)，最簡單的操作是去掉浮點數(shù)后面的小數(shù)，浮點數(shù)變成整數(shù)后只占據(jù)8比特，則表示每個像素要占據(jù)24個比特位。與之對應，在解碼端，可以使用反量化技術(shù)將變換后的特征數(shù)據(jù)恢復成浮點數(shù)，如給整數(shù)加上一個隨機小數(shù)，這樣可以一定程度上降低量化對神經(jīng)網(wǎng)絡精度的影響，從而提高恢復圖像的質(zhì)量。

即使壓縮特征中每個數(shù)據(jù)占據(jù)1個比特位，可是 8:1的壓縮比在我們看來并不是一個很理想的結(jié)果。那如何進一步優(yōu)化算法？再看下BPP的計算公式。假設每個壓縮特征數(shù)據(jù)單元占據(jù)1個比特，則公式可寫成：（96641921）/(768512）=3，計算結(jié)果是3 bit/pixel，從壓縮的目的來看，BPP越小越好。在這個公式中，分母由圖像決定，可以調(diào)整的部分在分子，分子中96、64、192這三個數(shù)字與網(wǎng)絡結(jié)構(gòu)相關(guān)。很顯然，當我們設計出更優(yōu)的網(wǎng)絡結(jié)構(gòu)，這三個數(shù)字就會變小。

那1與哪些模塊相關(guān)？1表示每個壓縮特征數(shù)據(jù)單元平均占據(jù)1個比特位，量化會影響這個數(shù)字，但它不是唯一的影響因素，它還與碼率控制和熵編碼有關(guān)。碼率控制的目的是在保證圖像恢復質(zhì)量的前提下，讓壓縮特征數(shù)據(jù)單元中的數(shù)據(jù)分布盡可能集中、出現(xiàn)數(shù)值范圍盡可能小，這樣我們就可以通過熵編碼技術(shù)來進一步降低1這個數(shù)值，圖像壓縮率會進一步提升。

用深度學習做視頻壓縮，可以看作是在深度學習圖片壓縮基礎上的擴展，可結(jié)合視頻序列幀間的光流等時空信息，在單張壓縮的基礎上，進一步降低碼率。

圖 5 在kodak24標準數(shù)據(jù)集上測評結(jié)果，上圖為PSNR結(jié)果，下圖為MS-SSIM的結(jié)果

?
總體而言，借助于深度學習設計視頻和圖像壓縮算法是一項非常具有前景但也非常具有挑戰(zhàn)性的技術(shù)。目前，其已經(jīng)在人臉識別等領(lǐng)域證明了它的強大能力，有理由相信在不久的將來，深度學習技術(shù)將為圖像視頻壓縮領(lǐng)域帶來更大的突破?，F(xiàn)階段圖鴨團隊自主研發(fā)的算法已經(jīng)超過商用的JPEG2000。如圖6和圖7

圖 6 在同等壓縮率下壓縮視覺效果對比。上圖為圖鴨所提出的算法，下圖為JPEG2000算法。在紋理細節(jié)上，我們的算法能得到更好的效果。

圖 7 在同等壓縮率下，對復雜圖像壓縮視覺效果對比。上圖為圖鴨所提出的算法，下圖為JPEG2000算法。在細節(jié)上，我們的算法能得到更好的效果。

文章由圖鴨團隊撰寫，感興趣的朋友請關(guān)注微信公眾號：tucodec.