SReC

Compressão de imagem sem perdas através da super-resolução

Sheng Cao, Chao-yuan Wu, Philipp Krähenbühl.

[Papel]

Citação

 @article { cao2020lossless ,
  title = { Lossless Image Compression through Super-Resolution } ,
  author = { Cao, Sheng and Wu, Chao-Yuan and and Kr{"a}henb{"u}hl, Philipp } ,
  year = { 2020 } ,
  journal = { arXiv preprint arXiv:2004.02872 } ,
}

Se você usar nossa base de código, considere também citar L3C

Visão geral

Esta é a implementação oficial do SREC em Pytorch. O SREC enquadra a compactação sem perda como um problema de super-resolução e aplica redes neurais para comprimir imagens. O SREC pode atingir taxas de compressão de ponta em grandes conjuntos de dados com horários de execução práticos. Treinamento, compressão e descompressão são totalmente suportados e de origem aberta.

Começando

Recomendamos as etapas a seguir para começar.

1. Instale as dependências necessárias
2. Baixe o conjunto de validação de imagens abertas
3. Execute a compactação em imagens abertas, validação com pesos de modelo treinado

Instalação

Veja aqui para obter instruções de instalação.

Pesos do modelo

Lançamos modelos treinados para o ImageNet64 e o Open Images (PNG). Todos os resultados da compressão são medidos em bits por subpixel (BPSP).

Conjunto de dados	BPSP	Pesos do modelo
Imagenet64	4.29	modelos/imagenet64.Pth
Imagens abertas	2.70	models/OpenImages.tth

Treinamento

Para executar o código, você precisa estar no diretório de nível superior.

 python3 -um src.train 
  --train-path "path to directory of training images" 
  --train-file "list of filenames of training images, one filename per line" 
  --eval-path "path to directory of eval images" 
  --eval-file "list of filenames of eval images, one filename per line" 
  --plot "directory to store model output" 
  --batch "batch size"

As imagens de treinamento devem ser organizadas na forma de train-path/filename do nome do arquivo no arquivo de trem. A mesma coisa se aplica às imagens de avaliação.

Incluímos nossos arquivos de treinamento e avaliação usados para ImageNet64 e Open Images (PNG) no diretório datasets .

Para o ImageNet64, usamos um conjunto ligeiramente diferente de hiperparâmetros do que os hiperparâmetros de imagens abertas, que são o padrão. Para treinar ImageNet64 com base em configurações de nosso artigo, execute

 python3 -um src.train 
  --train-path "path to directory of training images" 
  --train-file "list of filenames of training images, one filename per line" 
  --eval-path "path to directory of eval images" 
  --eval-file "list of filenames of eval images, one filename per line" 
  --plot "directory to store model output" 
  --batch "batch size" 
  --epochs 10 
  --lr-epochs 1 
  --crop 64

Run python3 -um src.train --help para uma lista de hiperparâmetros ajustáveis.

Avaliação

Dado um ponto de verificação do modelo, isso avalia bits/subpixels teóricos (BPSP) com base na probabilidade de log. O BPSP de Log-Prove de Log-BODIDOS O BPSP real de compressão.

 python3 -um src.eval 
  --path "path to directory of images" 
  --file "list of filenames of images, one filename per line" 
  --load "path to model weights"

Compressão/descompressão

Com o Torchac instalado, você pode executar a compactação/descompressão para converter qualquer imagem em arquivos .srec. O seguinte comprime um diretório de imagens.

 python3 -um src.encode 
  --path "path to directory of images"  
  --file "list of filenames of images, one filename per line" 
  --save-path "directory to save new .srec files" 
  --load "path to model weights"

Se você deseja um tempo de execução preciso, recomendamos a execução do Python com -O sinalizador para desativar as afirmações. Também incluímos um sinalizador opcional --decode para que você possa verificar se a descompressão do arquivo .srec fornece a imagem original, além de fornecer tempo de execução para a decodificação.

Para converter arquivos .srec em png, você pode executar

 python3 -um src.decode 
  --path "path to directory of .srec images"  
  --file "list of filenames of .srec images, one filename per line" 
  --save-path "directory to save png files" 
  --load "path to model weights"

Download de imagenet64

Você pode baixar conjuntos de treinamento e validação ImageNet64 aqui.

Preparando o conjunto de dados de imagens abertas (PNG)

Utilizamos o mesmo conjunto de imagens de treinamento e validação de imagens abertas como L3C.

Para imagens de validação , você pode baixá -las aqui .

Para treinar imagens , clone o repo L3C e execute o script daqui

Veja esta questão para obter diferenças entre imagens abertas jpeg e imagens abertas png.

Reconhecimento

Agradecemos ao L3C pelas implementações do EDSR, misturas logísticas e codificação aritmética. Agradecimentos especiais a Fabian Mentzer por nos informar sobre os problemas com o script de pré -processamento de imagens abertas JPEG e resolvê -las rapidamente.