嫌图片太大？！有卷积神经网络帮忙，生成高质压缩图像不再难
ComCNN开元ky888棋牌官网版，将紧凑表示传递给标准编解码器
RecCNN接收ComCNN的输出进行放大，随后将信号输入RecCNN开元ky888棋牌官方版，该网络旨在掌握差异
来自编解码器的结果经过放大处理，接着送入RecCNN。RecCNN会试图生成一个和原始图像相近的图像。
一种用于图像压缩的完整流程体系，Co代表图像压缩方法，该作者采用JPEG、JPEG2000以及BPG格式来实施操作。
什么是残差？
残差能够当作一种后续处理手段，目的在于“优化”解码器还原的图像质量。那些掌握大量关于现实世界“资讯”的网络开元棋官方正版下载，能够针对“修正”问题做出判断。这一观念的来源是残差学习理论，详细内容请查阅相关文献。
损失函数
因为存在两条网络线路，因此需要设置两个不同的代价函数，首个，针对ComCNN，称作L1的代价函数具体表述如下：
等式1.0用于 ComCNN的损失函数
说明
这个公式看似繁难，其实属于常用（均方误差）MSE类型。其中那个||²符号，指的是向量整体的大小度量。
等式1.1
Cr是ComCNN的生成结果，θ是ComCNN的可调参数，Xk是待处理的图像
等式1.2
Re代表RecCNN，这个公式把等式1.1的数值传给了RecCNN，θ^是RecCNN里可以调整的参数，而带脱帽的符号则表示参数是固定的
直观的定义
公式1.0会促使ComCNN调整其参数，以便在RecCNN重构完成时，所得最终图像能最大程度地匹配原始输入图像。
RecCNN的第二个损失函数定义为：
公式2.0
说明
这个函数看似繁复，其实属于常见标准神经网络所欠缺的一种损失函数，即均方误差。
公式2.1
Co代表解码器的结果，x^是ComCNN的产物，θ2是RecCNN的可调参数，res仅指网络习得的偏差，是RecCNN的产物，值得注意的是，RecCNN训练的是Co与原始图像的偏差，而非直接从图像数据入手。
直观的定义
公式2.0将促使RecCNN调整其参数，让它的结果更贴近初始图像，尽可能保持一致。
训练安排
这些模型逐步进行训练，方法类似GAN的训练过程。其中，一个模型的参数保持不变，而另一个模型的参数会进行调整。当调整参数的模型固定时，另一个模型会进行训练。
基准
作者拿自己的办法和已有办法做了对比，涵盖了解码器跟编码器。自家的办法比其余办法运行得更为出色，并且在使用普通设备时速度很快。作者试着只用一个网络，结果发现效果变差了。
图3.0 展示了结构相似度指数的对比情况。数值越高，代表与原始图像的相似程度越好。作者创作的部分以加粗字体呈现。
结论
我们探索了一种基于深度学习技术的图像压缩方案，该方案探讨了神经网络在图像分类、语言处理之外领域的应用潜力，这种方案在现有技术基础上表现优异，并且能够显著提升图像处理效率。
