研究人員嘗試用穩定擴散方法壓縮圖像 結果竟然優于JPEG

上周，瑞士軟件工程師Matthias Bühlmann發現 —— 流行的圖像合成模型“Stable Diffusion”，可實現較現有的JPEG或WebP格式更高的位圖圖像壓縮比、且視覺偽影也更少。

即便如此，Stable Diffusion也不是那么完美。作為一種AI圖像合成模型，其通常根據文本描述（所謂的“提示”）而生成圖像。

用鋸齒彩塊來描繪的圖像壓縮概念

AI模型通過研究從互聯網上提取的數百萬張圖像來學習這種能力，在訓練過程中，模型在圖像和相關詞之間建立了統計關聯。然后對每張圖像的關鍵信息添加更小的“表示”和賦予“權重”，后者代表了AI圖像模型所掌握的數學值。

當穩定擴散分析、并將圖像“壓縮”為權重形式時，它們就處在了所謂的“潛在空間”中：它們以一種模糊潛力的形式存在，且能夠在解碼時于圖像中復現。

這項研究中用到的Stable Diffusion 1.4，其權重文件大小約為4GB —— 代表了該AI模型掌握的數億張圖像的知識。

使用穩定擴散壓縮圖像的示例

盡管大多數人使用了帶文本提示的穩定擴散，但Bühlmann還是斬斷了文本編碼器、而是強制通過穩定擴散圖像編碼器來處理。

該過程將低精度的512×512圖像、轉換為更高精度的64×64潛在圖像空間表示。此時圖像存在的數據量較原始文件小得多，但仍可將之解碼擴展回512×512圖像、并獲得相當良好的結果。

測試期間，Bühlmann發現使用穩定擴散壓縮的新圖像，可在更高的壓縮比（更小的文件大小）下，主觀上看起來較JPEG或WebP更佳。

以這張美洲鴕的照片為例，其原始文件大小為768KB 。盡管JPEG/WebP格式分別可壓縮到5.68和5.71KB，但穩定擴散方法可進一步壓縮到4.98KB 。

與對照的圖像壓縮格式相比，穩定擴散似乎具有更多可分辨的細節、以及明顯更少的壓縮偽影。

不過Bühlmann也指出了現階段的一個很大局限性：它不太適合面容或文本，且在某些情況下會讓解碼圖像中的細節特征產生“幻象”。

這些特征可能在源圖像中并不存在，更別提解碼需要動用高達4GB的穩定擴散權重文件、以及額外的解碼時間。

即便如此，這種非常規穩定擴散用例，還是較實際的解決方案更加有趣，甚至有望開辟圖像合成模型的未來新用途。