Hacim yarıya indirilir ve görüntü kalitesi iki katına çıkar. Bu aşırı sıkıştırma modelini elde etmek için TensorFlow kullanır.
Lin Lin derleyin ve organize edin
Qubit Üretildi | Genel Hesap QbitAI
Küçük boyutlu, ancak yüksek çözünürlüklü.
Generative Adversarial Networks'e (GAN) dayalı çok aşırı bir görüntü sıkıştırma çerçevesi var, içinden geçen görüntülerin hacmi çok sıkıştırılsa da çözünürlük gerçekten dokunaklı. Benzer çerçevelerle karşılaştırıldığında, etkisi özellikle çarpıcıdır.
Bu algoritma (2379 Bayt) ve BPG (2565 Bayt) arasında görüntü kalitesi karşılaştırması
Bu algoritma (2379 Bayt) ve WebP (6066 Bayt) arasında görüntü kalitesi karşılaştırması
Bu algoritma (2379 Bayt) ve JPEG2000 (2447 Bayt) arasındaki görüntü kalitesi karşılaştırması
Bu algoritma (2379 Bayt) ve orijinal görüntü kalitesi karşılaştırması
Geçen ay arXiv'de ortaya çıktığından bu yana dikkatleri üzerine çeken, yarı boyutta ancak iki kat görüntü kalitesine sahip bir algoritma.
Extreme Learned Image Compression için Generative Adversarial Networks araştırma makalesini okuduktan sonra, netizenler ETH Zurich'ten bu programcı grubunun bir kaynak başlatabileceğini haykırdı.
Yazar ekibi
İyi haber şu ki, yakın zamanda Github netizeni Justin-Tan bu araştırmayı TensorFlow ile gerçekleştirdi. Bu patlayıcı sıkıştırma yönteminin uygulamasına bir göz atalım ~
Uygulama kullanımı ve sonuçları
Uygulamanın ilk adımı, aynı zamanda TensorFlow 1.8 olan bir araç hazırlamaktır.
TensorFlow 1.8 adresi:
https://github.com/tensorflow/tensorflow
Parti boyutu 1 olduğunda, eğitim belirli sayıda adımdan sonra gerçekleştirilir (varsayılan değer 128'dir), yeniden yapılandırılan örnek / özet periyodik olarak yazılır ve kontrol noktası her 10 yinelemeden sonra kaydedilir.
Bu global olarak sıkıştırılmış görüntüler, Şehir Manzaralarındaki sol Img8bit veri kümesinden gelir. Genel olarak, etki nispeten iyidir.
C = 8 kanal, çok özellikli ayırıcı
Aşağıdaki şekil, nicelleştirilmiş C = 4, 8, 16 kanal görüntülerinin bir karşılaştırmasıdır.
Uygulama ayrıntıları / uzantılar
Aşağıda, C = 8 kanal darboğazı ve çoklu özellikli ayırıcı kaybı üzerinde genel sıkıştırma yapan önceden eğitilmiş modeli bulabilirsiniz. Bu model, Cityscapes'de leftIma8bit ile 64 kez eğitilmiştir.
Bu ağın mimarisi, Gerçek Zamanlı Stil Transferi ve Süper Çözünürlük için Algısal Kayıplar kağıdındaki ekte verilen açıklamaya dayanmaktadır.Projede belirtilen çok özellikli ayırıcının kaybı kağıt Yüksek Çözünürlüklü Görüntü Sentezine dayanmaktadır Koşullu GAN'larla Anlamsal Manipülasyon tamamlandı.
Uzantı eklemek istiyorsanız, aşağıdakine benzer şekilde Ağ kategorisi altında yeni bir @staticmethod bölümü yazabilirsiniz:
Hiperparametreleri değiştirmek ve geçiş özelliğini değiştirmek istiyorsanız, bunu config.py'de ayarlayabilirsiniz.
İlgili adres ve bilgiler
Bu sıkıştırma Dafa ile ilgileniyorsanız, işte kullanabileceğiniz birkaç bilgi:
Aşırı Öğrenilmiş Görüntü Sıkıştırma için Generative Adversarial Networks kağıdının adresi:
https://arxiv.org/pdf/1804.02958.pdf
Proje Ana Sayfası:
https://data.vision.ee.ethz.ch/aeirikur/extremecompression/#publication
Yinelenen proje adresi:
https://github.com/Justin-Tan/generative-compression
Gerçek Zamanlı Stil Aktarımı için Kağıt Algılama Kayıpları
ve Süper Çözünürlük adresi:
https://cs.stanford.edu/people/jcjohns/eccv16/
Koşullu GAN'lar ile Yüksek Çözünürlüklü Görüntü Sentezi ve Anlamsal Manipülasyon Tezinin Adresi:
https://tcwang0509.github.io/pix2pixHD/
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI · Toutiao İmzalayan Yazar
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
