体积减半画质翻倍，他用TensorFlow实现了这个图像极度压缩模型

原标题：体积减半画质翻倍，他用TensorFlow实现了这个图像极度压缩模型林鳞 编译整理体积小，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 Transferand 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—量子位AI社群16群开始招募啦，欢迎对AI感兴趣的同学，加小助手微信qbitbot7入群；