上週，瑞士軟件工程師Matthias Bühlmann 發現——流行的圖像合成模型“Stable Diffusion”，可實現較現有的JPEG 或WebP 格式更高的位圖圖像壓縮比、且視覺偽影也更少。即便如此，Stable Diffusion 也不是那麼完美。作為一種AI 圖像合成模型，其通常根據文本描述（所謂的“提示”）而生成圖像。

用鋸齒彩塊來描繪的圖像壓縮概念（via ArsTechnica）

AI 模型通過研究從互聯網上提取的數百萬張圖像來學習這種能力，在訓練過程中，模型在圖像和相關詞之間建立了統計關聯。

然後對每張圖像的關鍵信息添加更小的“表示”和賦予“權重”，後者代表了AI 圖像模型所掌握的數學值。

當穩定擴散分析、並將圖像“壓縮”為權重形式時，它們就處在了所謂的“潛在空間”中—— 它們以一種模糊潛力的形式存在，且能夠在解碼時於圖像中復現。

這項研究中用到的Stable Diffusion 1.4，其權重文件大小約為4GB —— 代表了該AI 模型掌握的數億張圖像的知識。

使用穩定擴散壓縮圖像的示例

儘管大多數人使用了帶文本提示的穩定擴散，但Bühlmann 還是斬斷了文本編碼器、而是強制通過穩定擴散圖像編碼器來處理。

該過程將低精度的512×512 圖像、轉換為更高精度的64×64 潛在圖像空間表示。此時圖像存在的數據量較原始文件小得多，但仍可將之解碼擴展回512×512 圖像、並獲得相當良好的結果。

測試期間，Bühlmann 發現使用穩定擴散壓縮的新圖像，可在更高的壓縮比（更小的文件大小）下，主觀上看起來較JPEG 或WebP 更佳。

以這張美洲鴕的照片為例，其原始文件大小為768 KB 。儘管JPEG / WebP 格式分別可壓縮到5.68 和5.71 KB，但穩定擴散方法可進一步壓縮到4.98 KB 。

與對照的圖像壓縮格式相比，穩定擴散似乎具有更多可分辨的細節、以及明顯更少的壓縮偽影。

不過Bühlmann 也指出了現階段的一個很大局限性—— 它不太適合面容或文本，且在某些情況下會讓解碼圖像中的細節特徵產生“幻象”。

這些特徵可能在源圖像中並不存在，更別提解碼需要動用高達4GB 的穩定擴散權重文件、以及額外的解碼時間。

即便如此，這種非常規穩定擴散用例，還是較實際的解決方案更加有趣，甚至有望開闢圖像合成模型的未來新用途。

感興趣的朋友，可移步至Google Colab查看Bühlmann 的示例代碼，或在有關Towards AI的帖子中找到實驗中的更多技術細節。