深度学习在图像压缩领域中的应用

深度学习在图像压缩领域中的应用：

1.卷积神经网络（CNN）

2016年，Bella等人提出一种基于卷积神经网络的端到端图像压缩框架。框架包含自编码器、量化结构、熵编码和率-失真优化等环节，由卷积层和Generalized Normalization（GDN）激活函数组成的自编码器对图像进行降维，降低图像的空间维度；量化结构中添加随机误差，保证整个图像压缩框架具有可微性；率-失真优化对网络模型进行端到端的联合训练。

2018年改进的框架采用变分自编码器处理数据，熵估计采用分段线性的概率密度函数对码流进行估计。

2.循环神经网络（RNN）

循环神经网络能够较好的处理序列信息以及能够捕获长距离样本之间的关系，是一类用于处理序列数据的网络结构。

基于循环神经网络的全分辨率图像压缩模型，模型由编码器、解码器和二值化器三部分组成，编码器根据接收到的信息估计原始输入图像的值，解码器使用循环神经网络的结构对信号进行迭代，迭代过程中不断恢复原图像。

3.生成对抗神经网络（GAN）

生成对抗网络通过相互竞争的两个神经网络系统实现，是一类无监督学习算法。生成对抗网络图像压缩算法是利用对抗与博弈的思想，生成器负责生成数据，判别器则将真实数据与生成器生成的数据进行判断，生成器和判别器不断对抗，直到达到理想的实验效果。

4.三种神经网络用于图像压缩的对比

卷积神经网络图像压缩算法相较于传统的图像压缩算法能够更好的提

取图像的特征，为深度学习图像压缩领域的基本模型，并且循环神经网络和生成对抗神经网络大多采用卷积神经网络为基线模型提取图像特征。循环神经网络使用LSTM处理和提取图像信息，模型复杂、训练难度较高；生成对抗神经网络的压缩率较高并具有一定实时性，但其图像重建质量较低。循环神经网络与生成对抗神经网络的结构比卷积神经网络更加复杂。