SReC下载 - SReC源代码下载

SReC

Python

1.0.0

下载

通过超分辨率压缩无损图像

Sheng Cao，Chao-Yuan Wu，PhilippKrähenbühl。

[纸]

引用

 @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 } ,
}

如果您使用我们的代码库，请考虑也引用L3C

概述

这是SREC在Pytorch中的正式实施。 SREC框架无损压缩是一个超分辨率问题，并应用神经网络来压缩图像。 SREC可以在实用的运行时实现大型数据集上的最新压缩率。培训，压缩和减压得到了充分的支持和开源。

入门

我们建议以下步骤开始。

安装必要的依赖项
下载开放图像验证集
在开放图像上运行压缩验证设置，带有训练的模型权重

安装

请参阅此处以获取安装说明。

模型重量

我们已经发布了Imagenet64和Open Images（PNG）的训练有素的型号。所有压缩结果均以每个子像素（BPSP）的位衡量。

数据集	bpsp	模型重量
Imagenet64	4.29	模型/Imagenet64.pth
开放图像	2.70	模型/开放式

训练

要运行代码，您需要处于顶级目录。

 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"

培训图像必须以火车文件中的文件名的形式组织train-path/filename形式。同样的事情适用于评估图像。

我们将用于Imagenet64的培训和评估文件包括在datasets集目录中。

对于ImagEnet64，我们使用的是略有不同的超参数，而不是开放图像超参数（默认图）。根据我们的论文中的设置训练Imagenet64，运行

 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

运行python3 -um src.train --help可调式超参数列表。

评估

给定模型检查点，该评估理论位/子像素（BPSP）基于对数似然。对数模型BPSP降低了实际压缩BPSP。

 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"

压缩/减压

安装了TORCHAC后，您可以运行压缩/解压缩以将任何图像转换为.srec文件。以下压缩图像目录。

 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"

如果您想要准确的运行时，我们建议使用-O标志运行Python来禁用断言。我们还包括一个可选的--decode标志，以便您可以检查解压缩.sRec文件是否提供了原始图像，并提供用于解码的运行时。

要将.srec文件转换为png，您可以运行

 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"