Pengenalan:

Di era digital saat ini, permintaan untuk teknik kompresi gambar yang efisien semakin meningkat. Apakah itu untuk transmisi cepat melalui jaringan atau kebutuhan untuk menghemat ruang penyimpanan, kompresi gambar memainkan peran penting. Dalam artikel ini, kita akan menjelajahi pendekatan baru yang menggabungkan dua metode kompresi — pengubahan ukuran gambar dan kompresi biner — dengan solusi pemulihan latensi rendah yang dikenal sebagai EfficientSRGAN (Jaringan Generatif Adversarial Super-Resolusi yang Efisien).

Metode Kompresi:

1. Pengubahan Ukuran Gambar:
Salah satu metode utama yang digunakan untuk mengompres gambar adalah pengubahan ukuran. Dalam pendekatan kami, kami mengubah ukuran gambar asli menjadi seperempat dari ukuran aslinya. Langkah ini menghasilkan pengurangan yang signifikan dalam dimensi gambar, yang menjadi tahap awal proses kompresi kami.

2. Kompresi Biner:
— Mengubah Gambar Piksel 8-bit menjadi Gambar Piksel 4-bit: Langkah ini mengurangi kedalaman warna gambar, mengubah setiap piksel dari representasi 8-bit menjadi representasi 4-bit.
— Memisahkan Gambar menjadi Atas dan Bawah: Setelah konversi, kami memisahkan gambar menjadi dua bagian yang sama, yang atas, dan yang bawah.
— Menggabungkan Gambar Atas dan Bawah: Gambar atas dan bawah digabungkan kembali untuk menghasilkan gambar 8-bit. Teknik inovatif ini menghasilkan gambar terkompresi sambil menjaga informasi visual yang penting.

Restorasi:

1. Metode Pemulihan Invers Biner dari Kompresi Biner:
Untuk memulihkan gambar, kami menerapkan metode invers pada proses kompresi biner. Metode ini mengubah gambar piksel 4-bit kembali menjadi gambar 8-bit, memulihkan informasi warna yang hilang.

2. EfficientSRGAN untuk Pemulihan Warna:
— Jaringan Generatif Adversarial Super-Resolusi dengan Backbone EfficientNet: Kami menggunakan Jaringan Generatif Adversarial Super-Resolusi (SRGAN) yang memanfaatkan EfficientNet sebagai arsitektur backbone-nya. Kombinasi yang kuat ini memungkinkan kami untuk mencapai pemulihan gambar yang berkualitas tinggi.
— Pelatihan dengan Degradasi Warna dari Pemulihan Biner: Selama proses pelatihan, kami memproses gambar masukan menggunakan degradasi warna dari langkah pemulihan biner. Pendekatan ini memungkinkan jaringan untuk belajar bagaimana merestorasi warna dengan efisien dan akurat.

Hasil:

1. Pengurangan Ukuran Gambar: Dampak gabungan dari pengubahan ukuran gambar dan kompresi biner menghasilkan pengurangan ukuran gambar asli yang mengesankan hingga 32 kali. Tingkat kompresi ini dapat memberikan manfaat signifikan bagi aplikasi dengan batasan penyimpanan dan bandwidth yang ketat.

2. Metrik Kinerja Model:
— SRGAN:
— — Parameter: 1,549 juta
— — GFlops (Gigafloating Point Operations per Second): 9,128
— EfficientSRGAN:
— — Parameter: 0,319 juta
— — GFlops: 2,102
Metrik ini menunjukkan efisiensi model EfficientSRGAN, yang tidak hanya mencapai pemulihan gambar berkualitas tinggi tetapi juga memiliki parameter yang jauh lebih sedikit dan kebutuhan komputasi yang lebih rendah dibandingkan dengan SRGAN tradisional.

Kesimpulan:

Kompresi gambar yang efisien dan pemulihan latensi rendah sangat penting dalam berbagai aplikasi, mulai dari transmisi data yang efisien hingga meningkatkan pengalaman pengguna. Kombinasi pengubahan ukuran gambar dan kompresi biner, bersama dengan model EfficientSRGAN yang kuat, menawarkan solusi yang menarik. Dengan pengurangan ukuran gambar yang substansial dan metrik kinerja yang mengesankan, pendekatan ini siap memberikan dampak signifikan dalam bidang kompresi dan pemulihan gambar, membuka kemungkinan baru untuk berbagai aplikasi.