深度学习再掀新篇，图鸭图片压缩TNG 将节省55%

Tucodec · 8 年前

近年来，深度学习在计算机视觉领域已经占据主导地位，不论是在图像识别还是超分辨重现上，深度学习已成为图片研究的重要技术；现在深度学习技术已进入图片压缩领域。今天就和大家说一下，图鸭研发的以深度学习为内核的图片压缩黑科技——Tiny Network Graphics(TNG)。

何为TNG？

TNG是图鸭科技一款以深度学习为内核的图像压缩技术，在保证图片质量的情况下，通过算法尽可能降低图片的大小，帮助图片类企业节约大量的带宽成本。

相比目前市面上的图像压缩技术，图鸭TNG采用了深度学习卷积网络（CNN）的编码方式，与JPEG相比，压缩率提升了122%；与WebP相比，压缩率提高了30% 。而且相比BPG/HEIF等图片格式，TNG采用了CNN技术而非HEVC编解码器，避免了高昂的专利费用。

[H2]TNG中的深度学习算法运用[/H2]

TNG采用的算法是深度学习技术中的卷积神经网络（CNN）。卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围，适合大型图像处理。

上图是卷积神经网络示意图，卷积神经网络就像搭积木一样；一个卷积神经网络由卷积、池化、非线性函数、归一化层等模块组成。最终的输出根据应用而定，比如现在大火的人脸识别领域，工程师们通过CNN来提取一串特征来表示人脸图片，对特征进行异同的比较就是人脸识别。

深度学习图像压缩完整的框架包括CNN编码器、量化、反量化、CNN解码器、熵编码、码字估计、码率-失真优化等几个模块。编码器的作用是将图片转换为压缩特征，解码器则是通过压缩特征恢复出原始图片。其中编码器和解码器，可以用卷积、池化、非线性等模块进行设计和搭建。

图2 深度学习图片压缩框架

除了上述提到的卷积神经网络，在TNG里，图鸭还采用了量化与反量化的技术。通过量化的技术，将浮点数转换为整数或二进制数，如去掉浮点数后面的小数；这个方法可以节省像素所占比特数，以便减少图片大小。与之对应，在解码端，使用反量化技术将变换后的特征数据恢复成浮点数，如给整数加上一个随机小数，这样可以一定程度上降低量化对神经网络精度的影响，从而提高恢复图像的质量。