Сжатие изображений с переменным размером с помощью рекуррентных нейронных сетей

Данная работа направлена на сжатие изображений с помощью рекуррентных нейронных сетей. Размер сжатого изображения регулируется необходимым количеством итераций нейронной сети. В качестве алгоритмов рассматриваются уже существующие подходы: свёрточные и полносвязные модели, как отдельно, так и с применением долгой краткосрочной памяти (LSTM). В работе предложены методы по улучшению качества сжатого изображения с помощью вариации функции потерь и применения подхода, реализуемого с помощью включения дополнительной модели-дискриминатора в исходную модель. Обучение проводится на публично открытом наборе данных CIFAR-10. Данные представляют собой изображения размером 32×32 пикселя. Выбор такого размера обусловлен тем, что задача сжатия небольших изображений сложнее из-за повышенной концентрации визуальных признаков при сравнительно небольшом количестве пикселей. Результаты работы всех архитектур сравниваются с существующими не нейросетевыми подходами сжатия изображений, таких как JPEG. Полученные результаты сравниваются не только визуально, но и с помощью метрик, применяемых для вычисления сходства изображений: PSNR и SSIM.