NobleBlocks

Research indexJournal article

Исследование нейронных сетей как способа сжатия и архивации изображений

Лоскутов, Грецкий, Борисович and 2 others

Modelirovanie, optimizaciâ i informacionnye tehnologii.6 Mar 2026Open access

NobleIDark:/48914/w1/20261105/D4162E7FDOI10.26102/2310-6018/2026.54.3.020

Abstract

В статье исследован метод хранения изображений путем обучения нейронной сети на одном изображении и сохранения ее весов как компактного представления. Данный подход позволяет значительно уменьшить объем хранимых данных при сохранении приемлемого визуального качества. Проанализированы параметры модели и настройки обучения с целью оптимизации качества восстановления. Основная идея подхода заключается в том, что обученная модель сохраняет аппроксимированное отображение изображения в свои веса, которые выступают в качестве компактного представления исходного изображения. При необходимости реконструкции веса загружаются обратно в сеть для восстановления визуального содержания. Экспериментальные результаты показывают, что оптимизация архитектуры сети и цветового пространства (YCbCr) позволяет достичь высоких коэффициентов сжатия до 29,4 при сохранении визуального качества, близкого к оригиналу (MSE ≈ 10-5). Однако авторы отмечают существенный недостаток метода: длительное время обучения и значительные вычислительные затраты, что делает его менее эффективным по сравнению с традиционными алгоритмами сжатия для практического применения в реальном времени. Тем не менее, подход демонстрирует потенциал для задач, где критически важно сохранение тонких деталей изображений, например, архивации данных или сжатия видеопотоков. This article explores a method for storing images by training a neural network on a single image and storing its weights as a compact representation. This approach significantly reduces the amount of data stored while maintaining acceptable visual quality. Model parameters and training settings are analyzed to optimize recovery quality. The basic idea of the approach is that a trained model stores its weights, which act as a compact representation of the original image. When reconstruction is required, the weights are reloaded into the network to restore the visual content. Experimental results show that optimizing the network architecture and color space (YCbCr) enables high compression ratios – up to 29.4 while maintaining visual quality close to the original (MSE ≈ 10-5). However, the authors note a significant drawback of the method: long training time and significant computational costs, making it less effective than traditional compression algorithms for practical real-time applications. Nevertheless, the approach demonstrates potential for tasks where preserving fine image details is critical, such as data archiving or video stream compression.

Discussion

Citations

More

Suggest a correction or report