3 基于生成對抗神經網絡的圖像壓縮技術
????????生成對抗網絡是一種先進的無監督學習算法，由Goodfellow等人在2014 年首次提出，其核心思想源于博弈論。
生成對抗網絡在圖像壓縮中的應用主要通過生成器和判別器的協作實現高質量的圖像重構。
????????生成器負責從壓縮比特流中解碼并重建圖像，而判別器則對生成圖像的真實性進行評估，并將反饋用于優化生成器的參數。通過這種對抗訓練，GAN 能夠在低比特率條件下生成具有高視覺質量的圖像。
????????具體而言，GAN 框架通過引入對抗損失和感知損失，優化生成圖像的視覺保真度。對抗損失確保生成圖像的分布與原始圖像接近，而感知損失則注重圖像細節的保留，減少偽影和模糊問題。因此，利用GAN，可以通過學習圖像的編碼信息并重建圖像，從而顯著減少圖像數據量。
這種方法不僅能夠實現高效的圖像壓縮，還能在解壓或重建過程中保持圖像質量，使得壓縮后的圖像在視覺上非常接近原始圖像。
????????GAN 通過生成器和判別器的對抗訓練，在圖像壓縮中實現了高壓縮率和較好的視覺效果。其創新點在于能夠重建出更具感知質量的圖像，但對抗訓練過程復雜，容易引入偽影或不期望的合成特征。未來研究可以關注對抗訓練的穩定性優化、生成器輕量化設計，以及GAN 與其他壓縮技術（如Transformer）的結合，以提升實際應用效果。
4 基于transformer的圖像壓縮技術
????????隨著深度學習技術在圖像壓縮領域的不斷深入發展，Transformer 技術的應用逐漸成為研究熱點，展示了其在圖像壓縮領域的巨大潛力和獨特優勢。Wang等人提出了一種基于滑動窗口（Shifted Window，Swin） Transformer的端到端圖像壓縮框架，將Swin Transformer 模塊應用于分析和合成階段，與卷積層交替使用，從而更有效地捕捉圖像中的局部和非局部相似性，顯著降低了編碼率和失真率。
這種結合局部和全局特征的方法，使模型在自然場景和屏幕內容圖像中均表現優異。
????????此外，Wang等人開發了一種增強殘差SwinV2 Transformer 框架，通過特征增強模塊和殘差SwinV2 Transformer 塊的協同作用，提升了非線性特征表示能力，同時降低了模型復雜度，實現了高壓縮性能與低計算資源消耗的統一。
Transformer 架構在圖像壓縮領域展現出了顯著優勢，能夠有效捕捉圖像的全局特征和長距離依賴關系，在降低比特率的同時提升圖像質量。
????????未來研究可進一步探索Transformer 與其他深度學習模型的結合方式，以及在不同應用場景下的優化策略，以推動圖像壓縮技術向更高效、更智能的方向發展。隨著計算資源的持續進步和算法的不斷優化，Transformer 在圖像壓縮中的應用前景將更加廣闊，有望在實時視頻傳輸、大規模圖像存儲等領域發揮更為重要的作用。
5 基于擴散模型的圖像壓縮技術
????????近年來，擴散模型已成為圖像壓縮領域的前沿方向。其通過模擬噪聲添加和去噪過程，能夠精準捕捉圖像復雜的分布特性，實現高質量的圖像重建，尤其在極低比特率、高分辨率和感知質量優化場景中表現出色。
擴散模型在圖像壓縮領域的應用已取得顯著進展，不僅在極低比特率、高分辨率和感知優化等場景中展現出卓越性能，還為醫學圖像處理、多模態壓縮和漸進式數據傳輸等提供了更多可能性。
????????然而，擴散模型在計算復雜度、推理速度和通用性方面仍有改進空間。未來研究可以進一步優化模型結構，通過結合其他深度學習技術（如GAN 和CNN）和設計輕量化擴散模型，實現高效壓縮和更廣泛的場景適配。
6 總結
????????深度學習方法在圖像壓縮中的應用展現了顯著的優勢，基于深度學習的圖像壓縮算法特性比較如下表?所示。但其計算復雜度和推理速度在實際部署中往往成為關鍵挑戰。這些問題在卷積神經網絡、循環神經網絡、生成對抗網絡、Transformer 和擴散模型中表現各異。
????????以CNN 為例，其憑借高效的特征提取能力成為圖像壓縮任務的核心工具，但在處理高分辨率圖像時，卷積操作帶來的大量參數和計算需求顯著增加，導致內存和計算資源的占用成為瓶頸。研究者提出了模型剪枝和量化等優化策略，通過去除冗余參數和降低精度需求來減少計算資源占用，同時借助GPU 或TPU 等硬件加速技術進一步提升了卷積操作的效率。
????????相比之下，RNN 在建模序列數據方面具有優勢，尤其是長短期記憶網絡在捕捉時間依賴性時表現出色，但其迭代計算特性使計算復雜度較高，訓練難度相應增加。優化策略包括引入注意力機制替代傳統RNN結構以提高建模效率，以及利用知識蒸餾技術將復雜模型的學習能力遷移至輕量化模型，從而減少資源消耗。
????????GAN 通過生成器和判別器的對抗訓練在圖像壓縮中實現了高壓縮率和較好的實時性，但對抗訓練過程復雜，計算資源消耗較高，推理速度也受限。研究者提出了預訓練生成器以減少對抗迭代次數，同時通過設計輕量化生成器架構和引入分布式計算框架來提升推理效率。然而，GAN 在對抗訓練過程中有時會產生不期望的合成特征，這對壓縮質量提出了進一步的優化需求。
????????Transformer 因其全局特征捕捉能力在圖像壓縮領域表現優異，尤其適用于自然場景和屏幕內容等復雜任務。然而，其多頭注意力機制需要計算全局特征圖的自注意力矩陣，計算復雜度隨圖像分辨率的提升而顯著增加。近年來，研究者通過提出高效架構和混合設計，降低了計算成本，同時確保高效壓縮。
????????擴散模型作為一種前沿技術，通過逐步去噪的方式為低比特率和高分辨率圖像壓縮提供了創新解決方案，尤其在醫學圖像、遙感圖像以及帶寬受限場景下表現出卓越性能。然而，其生成過程需要多步迭代推理，導致推理速度較慢、計算資源需求較高。針對這一問題，研究者提出了少步去噪和改進采樣技術，以及模型量化和知識蒸餾方法，以減少計算開銷并提升推理速度。這些優化策略顯著降低了深度學習方法在圖像壓縮中的資源消耗，使其更適合資源受限的實際應用場景。
基于深度學習的圖像壓縮算法在特征提取方面相較于傳統算法具有顯著優勢。
????????從CNN 到RNN 和GAN，再到Transformer 和擴散模型，研究的重點逐漸從特征提取的效率和精度轉向壓縮率、圖像質量與計算成本之間的平衡。RNN 和GAN 大多以CNN 為基礎模型進行特征提取，其中RNN 在序列建模方面表現強大，但長時間訓練可能偏離梯度下降方向，而GAN 的對抗訓練過程盡管有效提升了壓縮效率， 但通常伴隨著更高的計算成本。Transformer 和擴散模型則展現了在高壓縮率和高質量圖像重建方面的潛力，但其計算資源需求和復雜性限制了實際應用場景的廣泛性。
綜合來看，基于深度學習的圖像壓縮算法正不斷推動該領域的發展。
????????從早期的CNN 到更復雜的RNN 和GAN，再到如今的Transformer 和擴散模型，研究的重點逐漸從特征提取的效率和精度轉向對高壓縮率和高質量圖像重建的平衡。同時，如何降低模型的計算成本和訓練難度，將成為未來研究的主要方向。
????????近年來大模型（Large Models）在圖像處理領域的廣泛應用也引發了研究者對其在圖像壓縮任務中潛力的探索。
大模型憑借其強大的特征建模能力和跨任務泛化能力，為高質量圖像壓縮和多功能應用提供了新的可能。
????????然而，受限于其巨大的計算資源需求和訓練成本，目前關于大模型在圖像壓縮中的研究尚處于起步階段。在本綜述中，基于深度學習的方法并未深入討論大模型的相關應用，但這一方向無疑為未來研究提供了重要的創新空間，也為圖像壓縮技術注入了更多發展的可能性。未來研究將繼續探索提高壓縮效率、保證圖像質量與降低計算成本之間的最佳平衡點，為圖像壓縮技術注入更多創新動力。
