Google usa redes neurais para comprimir imagens melhor do que JPEG

PC World / EUA

25 de agosto de 2016 - 10h49

Pesquisadores da gigante de Miuntain View usaram um sistema de machine-learning chamado TensorFlow para conseguir o feito.

Menos é mais, como diz aquele ditado, e não há local em que isso seja mais verdadeiro do que em arquivos de mídia. Imagens comprimidas são muito mais fáceis de serem armazenadas e transmitidas do que aquelas que não passam por compressão, e agora o Google está usando redes neurais para superar o JPEG neste assunto.

A empresa de Mountain View começou pegando uma amostra aleatória de 6 milhões de imagens 1280x720 na web. Então as “quebrou” em miniaturas 32x32 e zerar nas 100 com as piores taxas de compressão. O objetivo aqui, essencialmente, era focar em melhorar o desempenho nos dados mais difíceis de serem comprimidos, porque aí seria mais fácil dar certo com o restante.

Os pesquisadores então usaram o sistema de aprendizado de máquina (machine-learning) TensorFlow que o Google tornou open-source no ano passado para treinar um grupo de arquiteturas de redes neurais experimentais. Eles usaram um milhão de passos para treiná-las e então coletaram uma série dados técnicos para descobrir quais modelos de treinamento produziram os melhores resultados em termos de compressão.

No final das contas, os seus modelos superaram o desempenho padrão de compressão JPEG. O próximo passo, afirmam os pesquisadores, será derrotar métodos de compressão derivados de codecs de compressão de vídeos em imagens grandes, porque “eles usam truques como reutilizar patches que já estava decodificados”. O WebP, que é derivado do codec de vídeo VP8, é um exemplo de método desse tipo.

No entanto, os pesquisadores destacaram que nem sempre é fácil definir um vencedor quando o assunto é desempenho de compressão, porque as métricas técnicas não concordam sempre com a percepção humana.

 Um documento descrevendo o trabalho da equipe do Google foi publicado na última semana.

Fonte: IDGNOW!