Исследование нейронных сетей как способа сжатия и архивации изображений

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 (выбор числа слоев и нейронов) 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.

1. Подберезкин А.А., Остроух А.В., Борзенков А.М., Шмонин А.М., Пронин Ц.Б. Исследование комплексных подходов к цифровизации транспортных систем с применением методов искусственного интеллекта. Транспорт и информационные технологии. 2025;15(3):141–166. https://doi.org/10.12731/3033-5965-2025-15-3-396

2. Archana R., Jeevaraj P.S.E. Deep learning models for digital image processing: a review. Artificial Intelligence Review. 2024;57(1). https://doi.org/10.1007/s10462-023-10631-z

3. Jiang F., Tao W., Liu Sh., et al. An End-to-End Compression Framework Based on Convolutional Neural Networks. IEEE Transactions on Circuits and Systems for Video Technology. 2018;28(10):3007–3018. https://doi.org/10.1109/TCSVT.2017.2734838

4. Sun H., Yu L., Katto J. End-to-end learned image compression with quantized weights and activations. arXiv. URL: https://doi.org/10.48550/arXiv.2111.09348 [Accessed 22nd February 2026].

5. Лёзин И.А., Соловьёв А.В. Сжатие изображений с использованием многослойного персептрона. Известия Самарского научного центра Российской академии наук. 2016;18(4-4):770–773.

6. Подберёзкин А.А., Борзенков А.М., Волков А.М., Пронин Ц.Б., Остроух А.В. Применение генетического алгоритма для оптимизации светофорного регулирования с учётом нормативных требований и приоритета общественного транспорта. Современные наукоемкие технологии. 2025;(9):181–185. https://doi.org/10.17513/snt.40504

7. Deng H., Liu H., Wang F., Wang Zh., Wang Y. Image Compression Based on Genetic Algorithm and Deep Neural Network. In: Bio-inspired Computing – Theories and Applications: 11th International Conference, BIC-TA 2016: Part I, 28–30 October 2016, Xi'an, China. Singapore: Springer; 2016. P. 417–424. https://doi.org/10.1007/978-981-10-3611-8_36

8. Liu J., Sun H., Katto J. Learned image compression with mixed transformer-CNN architectures. In: 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 17–24 June 2023, Vancouver, BC, Canada. IEEE; 2023. P. 14388–14397. https://doi.org/10.1109/CVPR52729.2023.01383

9. Shindo T., Yamada K., Watanabe T., Watanabe H. Image coding for machines with edge information learning using segment anything. In: 2024 IEEE International Conference on Image Processing (ICIP), 27–30 October 2024, Abu Dhabi, United Arab Emirates. IEEE; 2024. P. 3702–3708. https://doi.org/10.1109/ICIP51287.2024.10647785

10. Li X., Ren Y., Jin X., et al. Diffusion models for image restoration and enhancement: A comprehensive survey. International Journal of Computer Vision. 2025;133(11):8078–8108. https://doi.org/10.1007/s11263-025-02570-9

11. Zafari A., Chen X., Jalali Sh. DeCompress: Denoising via Neural Compression. In: 2025 IEEE International Symposium on Information Theory (ISIT), 22–27 June 2025, Ann Arbor, MI, USA. IEEE; 2025. P. 1–6. https://doi.org/10.1109/ISIT63088.2025.11195310

12. Nguyen N., Nguyen Th., Bose B. Perception-based Image Denoising via Generative Compression. arXiv. URL: https://doi.org/10.48550/arXiv.2602.11553 [Accessed 22nd February 2026].