Neyron tarmoqlari yordamida tasvirlarni siqish algoritmi

E'tibor bering, o'ngdagi rasmda juda ko'p blokli artefaktlar mavjud. Bu yo'qolgan ma'lumot. O'xshash rangdagi qo'shni piksellar joyni tejash uchun yagona maydon sifatida siqiladi, ammo haqiqiy piksellar haqidagi ma'lumotlar yo'qoladi. Albatta, JPEG, PNG va hokazo kodeklarda qo'llaniladigan algoritmlar ancha murakkab, ammo bu yo'qotishli siqishni yaxshi intuitiv misoldir. Yo'qotmasdan siqish yaxshi, lekin yo'qotishsiz siqilgan fayllar diskda juda ko'p joy egallaydi. Ko'p ma'lumotni yo'qotmasdan tasvirlarni siqishning yaxshiroq usullari mavjud, ammo ular juda sekin va ko'pchilik iterativ yondashuvlardan foydalanadi. Bu shuni anglatadiki, ularni bir nechta CPU yoki GPU yadrolarida parallel ravishda ishga tushirish mumkin emas. Ushbu cheklov ularni kundalik foydalanishda mutlaqo amaliy bo'lmaydi.

• E'tibor bering, o'ngdagi rasmda juda ko'p blokli artefaktlar mavjud. Bu yo'qolgan ma'lumot. O'xshash rangdagi qo'shni piksellar joyni tejash uchun yagona maydon sifatida siqiladi, ammo haqiqiy piksellar haqidagi ma'lumotlar yo'qoladi. Albatta, JPEG, PNG va hokazo kodeklarda qo'llaniladigan algoritmlar ancha murakkab, ammo bu yo'qotishli siqishni yaxshi intuitiv misoldir. Yo'qotmasdan siqish yaxshi, lekin yo'qotishsiz siqilgan fayllar diskda juda ko'p joy egallaydi. Ko'p ma'lumotni yo'qotmasdan tasvirlarni siqishning yaxshiroq usullari mavjud, ammo ular juda sekin va ko'pchilik iterativ yondashuvlardan foydalanadi. Bu shuni anglatadiki, ularni bir nechta CPU yoki GPU yadrolarida parallel ravishda ishga tushirish mumkin emas. Ushbu cheklov ularni kundalik foydalanishda mutlaqo amaliy bo'lmaydi.

• Agar biror narsani hisoblash kerak bo'lsa va hisob-kitoblar taxminiy bo'lishi mumkin bo'lsa, neyron tarmog'i ham shular jumlasidan. Tasvirni siqishni yaxshilash uchun juda standart konvolyutsion neyron tarmoqdan foydalanganlar. Taqdim etilgan usul nafaqat eng yaxshi yechimlar bilan teng ishlaydi (agar yaxshiroq bo'lmasa), u parallel hisoblashdan ham foydalanishi mumkin, bu esa tezlikni keskin oshirishga olib keladi. Sababi, konvolyutsion neyron tarmoqlari (CNN) tasvirlardan fazoviy ma’lumotlarni olishda juda yaxshi, ular keyinchalik ixchamroq shaklda taqdim etiladi (masalan, tasvirning faqat “muhim” bitlari saqlanib qoladi). Mualliflar tasvirlarni yaxshiroq aks ettirish uchun ushbu CNN qobiliyatidan foydalanishni xohlashdi.

• Ikki tomonlama tarmoqni taklif qilishdi. Birinchi tarmoq kirish sifatida tasvirni oladi va ixcham vakillikni yaratadi (ComCNN). Ushbu tarmoqning chiqishi standart kodek (masalan, JPEG) tomonidan qayta ishlanadi. Kodek tomonidan qayta ishlanganidan so'ng, tasvir ikkinchi tarmoqqa uzatiladi, u asl tasvirni qaytarishga urinishda kodekdan tasvirni "tuzatadi". Olimlar ushbu tarmoqni Rekonstruktiv CNN (RecCNN) deb nomladilar. GANlar singari, ikkala tarmoq ham iterativ tarzda o'qitiladi.

• Kodek chiqishi kengaytiriladi va keyin RecCNN ga uzatiladi. RecCNN tasvirni iloji boricha asliga yaqinroq ko‘rsatishga harakat qiladi.