给电脑艺术带来压力

研究人员展示了一种新型图像压缩工具，该工具将递归算法与卷积神经网络 (CNN) 相结合，在计算机艺术和交互设计图像压缩方面优于其他方法。这项研究发表在《国际计算系统工程杂志》上。

数字艺术和设计越来越依赖大量的视觉数据，因此有效的图像压缩对于在不影响质量的情况下减少计算机存储需求非常重要。中国石家庄河北职业艺术学院美术系的宋段提出了一种算法，通过整合传统和现代技术来解决这些问题。

递归算法，通过反复应用规则来简化复杂问题。宋解释说，这种方法的工作原理是将图像分解成更简单的组件。通过迭代应用该过程，可以保持质量。

将 CNN 集成到压缩方法中，其灵感最初来源于人类大脑处理视觉信息的方式。它们被广泛应用于深度学习中的图像识别和处理。

宋先生创新性地将递归方法与 CNN 相结合，使他能够克服早期图像压缩技术的一些局限性，由于现代图像数据的复杂性和规模不断增加，这些技术通常难以实现有用的压缩比。

宋教授在两个知名图像数据集 Kodak1 和 Kodak2 上测试了该算法，以评估其性能。结果表明，该算法持续降低了原始图像和压缩图像之间的均方误差 (MSE)。MSE 越低，图像质量保持得越好。

经过 800 次迭代，该算法与其他方法相比实现了最低的 MSE，并且在峰值信噪比和多尺度结构相似性方面也表现良好。这些结果表明，所提出的方法可以有效地压缩图像，而不会造成明显的质量损失。

该方法不仅在计算机艺术领域很有用，而且在动画建模、艺术界面设计和医学成像领域也可能很有用。