基于生成对抗网络（GAN）的框架

 来自瑞士苏黎世联邦理工学院的研究人员们提出了一种基于生成对抗网络

（GAN）的框架，可以以高画质压缩图像，并保证图像尺寸降到最小。以下

是论智对原论文的大致报道。 

 基于深度神经网络的图像压缩系统最近逐渐受到人们的关注。这些系统通

常比目前由编码解码器驱动的系统（如BPG、WebP和JPEG2000）表现得好，

除了能在自然图像上实现更高的压缩率之外，他们可以很容易地适应特定目

标领域，例如立体图像或医学图像，并且可以从压缩版本中直接进行高效地

处理和索引。 

 然而，对于低于像素深度低于0.1bpp的图像来说，这些算法仍会导致严

重的画质下降。随着比特率趋近于零，想呈现完整地图像内容就很困难，而

且这样会使峰值信噪比（PSNR）或多比例结构相似性（MS-SSIM）等常见

指标将变得毫无意义，因为它们更倾向于精确地保留局部（高熵）结构，而

不是保持总体的纹理。 

 为了进一步提升深度图像压缩的质量，开发超越PSNR和MS-SSIM的新

指标非常重要。其中重点关注的是对抗损失，最近的成果表明它能捕捉到全

局的语义信息和局部纹理，产生强大的生成器，从而通过语义标签映射生成