GAN（Generative Adversarial Networks，生成式对抗网络）顾名思义，系统让两个神经网络相互「磨炼」，一个神经网络负责生成接近真实的数据，另一个神经网络负责区分真实数据与生成的数据。
简单来说，就是一个神经网络「造假」，另一个神经网络「打假」，而当系统达到平衡时，生成的数据看起来便会非常接近真实数据，达到「以假乱真」的效果。
而在与原图进行对比时，HiFiC所展现出来的还原效果仍然非常优秀。（真的不是在原图中间画了条线吗？）
目前处于特殊时期，大量国外网友仍在家中隔离，Netflix和油管的播放量暴增，一些视频网站甚至不得不被迫降低视频在线播放的清晰度，以适应激增的数据量。
但看惯了高清视频的网友们，面对突如其来的「模糊打击」自然怨声载道。
用一位网友的话来说，如果视频行业也能被应用类似的技术，相信Netflix和油管会特别高兴，毕竟这种高清低码率的图像复原实在太诱惑。
哇，如果他们可以对视频做同样的事情的话，我相信Netflix和YouTube会很高兴的。
事实上，在了解HiFiC算法的原理后，会发现它的确不难实现。
接近原图的图像重构算法
此前，相关研究已有采用神经网络进行图像压缩的算法，而随着近年来生成式对抗网络兴起，采用GANs生成以假乱真图像的算法也不在少数。
如果能有办法将二者结合，图像压缩的效果是不是会更好、更接近于人类的感知？
这次图像压缩的模型便是基于二者的特性设计，在基于神经网络的压缩图像算法基础上，采用GANs进一步让生成的图片更接近于人类视觉，在图像大小和视觉感知间达到一个平衡。
可以看见，HiFiC的架构被分成了4个主要部分，其中E为编码器，G为生成器，D为判别器，而P则是E的输出E(x)的概率模型（这里用y表示），也就是P用于模拟y的概率分布。
GANs运作的核心思想在于，需要让架构中的生成器G通过某种方法，「欺骗」判别器D判定样本为真。
而概率模型P，则是达成这步操作的条件。
然后，将E、G、P参数化为卷积神经网络，这样就可以通过率失真优化的条件，对这些网络进行共同训练。
同时，研究者也对已有的几种GANs算法架构进行了微调，使其更适于HiFiC架构。
研究发现，将GANs与深度学习相结合的HiFiC算法取得了意想不到的效果。
模型评估
下图是采用目前几种主流图像质量评估标准，对几种前沿的图像压缩算法与HiFiC算法进行比较的结果。
在图中，评估标准后面自带的箭头，表示数据更低（↓）或数据更高（↑）表示图像质量更好。
为了更好地对比，结果分别采用了HiFiC算法（图中红点连线）、不带GANs的对比算法（图中橙方连线）、目前较为前沿的M&S算法（图中蓝方连线）和BPG算法（图中蓝点连线）。
从结果来看，HiFiC算法在FID、KID、NIQE、LPIPS几种评估标准均为最优，而在MS-SSIM和PSNR标准中表现一般。
由评估标准间的差异可见，各项图像质量标准不一定是判断压缩技术的最好办法。
用户评测对比
毕竟，图像是用来看的，最终的判断权还得交回用户手里。
图像究竟是否「清晰」，某种程度上得通过人眼的判断来决定。
出于这个考虑，团队采取了调研模式，让一部分志愿者参与算法的比较。
他们先展示一张测试图片的随机裁切图样，当志愿者对其中某张裁切图样感兴趣时，便用这一部分来进行所有算法的对比。
志愿者将原图与经过算法处理后的图像对比后，选出他们认为「视觉上」更接近于原图的压缩算法。
在所有算法经过选取后，将会出现一个排名，以衡量HiFiC的实际效果。（其中，HiFiC的角标Hi、Mi和Lo分别为设置由高至低3种不同码率阈值时的算法）
上图中，评分越低，则代表图像在用户眼中「越清晰」。从图中来看，HiFiC(Mi)在0.237bpp的压缩效果下，甚至比两倍码率的0.504bpp的BPG算法在用户眼里还要更好。
即使压缩效果达到了0.120bpp，也比0.390bpp的BPG算法更好。
这项研究再次推动了图像压缩技术的发展，正如网友所说，随着图像压缩技术的发展，在线看4k电影也许真能实现。
作者介绍
Fabian Mentzer，目前在瑞士苏黎世理工学院进行计算机视觉研究，感兴趣的研究方向有深度学习、图像压缩、前馈神经网络、图像分类等。
这篇论文的主要工作由Fabian Mentzer在谷歌研习期间完成，其余三位作者均来自谷歌团队。
目前有关这个项目的源代码和训练好的模型也即将放出，小伙伴们可以戳下方传送门查看最新进展。
传送门
项目链接
https://hific.github.io/
推荐阅读
