仔细看会发现右边的图像有很多小块，这就是信息的丢失。类似颜色附近的像素被压缩为一个区域，节省了空间，但也丢失关于实际像素的信息。当然，像JGEG，PNG等编解码器的实际算法要复杂得多，但这是有损压缩的良好直观示例。无损当然好，但它在磁盘上占用了太大的空间。

虽然有更好的方法压缩图像而不会丢失大量信息，但是它们太慢了，许多使用迭代的方法，这意味着它们不能在多个CPU内核或GPU上并行运行。这使得它们应用在日常使用中并不现实。

进入卷积神经网络

如果需要计算任何东西并且可以近似，就可以让一个神经网络来做。作者使用一个相当标准的卷积神经网络来改善图像压缩。他们的方法不仅能达到“更好的压缩图像方法”的效果，还可以利用并行计算，让速度的快速提升。

因为，卷积神经网络（CNN）非常擅长从图像中提取空间信息，然后以更紧凑的结构表现（例如，仅存储图像的“重要”比特）。作者想利用CNN的这种能力更好地表现图像。

架构

作者提出了一个双重网络。第一个网络，将采集图像并生成压缩表示（ComCNN）。然后，这个网络的输出通过标准的编解码器（例如JPEG）进行处理。经过编解码器后，图像将被传递到第二个网络，从编解码器“修复”图像，试图恢复原始图像。作者称之为重建CNN（RecCNN）。这两个网络都被反复地训练，类似于GAN。

残差是什么

残差可以被认为是“改善”编解码器解码的图像的后处理步骤。神经网络有很多关于世界的“信息”，可以对“修复”做出认知决定。这个想法是基于残差学习，你点击链接进行更深入的了解（https://arxiv.org/pdf/1708.00838v1.pdf）。

损失函数

由于有两个网络，所以使用两个损失函数函数。第一个，对于ComCNN，标记为L1，定义为：

说明

这个方程可能看起来很复杂，但它实际上是标准MSE（均方误差）。||²表示它们所包含的矢量的“标准”。

Re（）表示RecCNN。该方程将公式1.1的值传递给RecCNN。“θ帽”表示RecCNN的可训练参数（帽表示参数固定）

直观的定义

公式1.0将使ComCNN修改它的权重，这样，在经过RecCNN重新创建后，最终图像将尽可能接近真实的输入图像。

RecCNN的第二个损失函数定义为：

说明

同样的，这个函数可能看起来很复杂，但它是一个常见而标准的神经网络损失函数（MSE）。

Co（）表示编解码器的输出。x帽表示ComCNN的输出。θ2表示RecCNN的可训练参数。res（）只表示网络学习的残差，它只是RecCNN的输出。值得注意的是，RecCNN在Co（）和输入图像之间的差异进行训练，而不是直接从输入图像中进行训练。

直观的定义

公式2.0将使RecCNN修改其权重，使得其输出看起来尽可能接近原始图像。

训练计划

这些模型经过类似于GAN的训练方式的迭代训练。第一个模型的权重是固定的，而第二个模型的权重被更新，然后第二个模型的权重是固定的，而第一个模型被训练。

基准

作者将其方法与现有方法进行了比较，包括简单的编解码器。他们的方法比其他方法更好，同时在有能力的硬件上使用时保持高速。作者注意到尝试只使用其中一个网络性能会下降。

结论

一种应用深度学习来压缩图像的新技术。我们讨论了除了图像分类和语言处理等常用任务之外，使用神经网络的可能性。这种技术不仅压缩表现良好，处理图像的速度也更快。