تحقق نماذج ضغط الصور المعروفة (Learned Image Compression - LIC) مستويات رائدة من الأداء فيما يتعلق بتوازن السعة والتشويه، إلا أنها غالباً ما تواجه تحديات كبيرة من حيث التعقيد الحسابي وفجوات الترميز والتشفير بين المنصات المختلفة. بينما تساعد تقنيات الكوانتيزات ذات الدقة الثابتة (Fixed-Precision Quantization) في تخفيف هذه المشكلات، إلا أنها قد تؤدي إلى تدهور كبير في الجودة عند مستويات بت منخفضة، وذلك لأنها تتجاهل الفروق في حساسيات الكوانتيزات بين الطبقات المختلفة للنموذج.

هنا يأتي دور تقنية HAMP-LIC، التي تمثل تطوراً بارزاً في هذا السياق. يعتمد HAMP-LIC على إطار العمل الخاص بكوانتيز الصحيفة للهيسيان (Hessian-Aware Mixed-Precision Post-Training Quantization) ويعتمد على استراتيجية تحسين تتضمن أربع مراحل. في المرحلة الأولى، يتم تقدير الحساسية وفقاً للكتل من خلال تتبع الهيسيان، وهذا يساعد على التقاط الأهمية من الدرجة الثانية. فيما المرحلة الثانية تتضمن وحدة تحسين مدركة للمهام، تقوم بضبط هذه الحساسية آخذاً في الاعتبار تشويهات الكوانتيز والمكونات الجانبية للأداء.

في المرحلة الثالثة، تُخصص أبعاد البت وفقاً لملف حساسيات معاد تصفيته، مع مراعاة قيود حجم النموذج العالمي لضمان التوازن بين الكفاءة وجودة إعادة البناء. وأخيراً، يتم استخدام إعادة البناء الكتلية مع مجموعة صغيرة من المعايرة لتقليل أخطاء الكوانتيز.

لقد أثبتت التجارب على نماذج LIC representative مثل Minnen2018 وCheng2020 أن HAMP-LIC يمكنه تحقيق ضغط للنموذج يصل إلى 4.85 مرة مع فقد لا يتجاوز 0.59% في معدل التشويه (BD-rate)، فيما يتفوق باستمرار على طرق الكوانتيز الثابت والمختلط الحالية عبر مجموعات بيانات متعددة، مما يلغي تماماً الأخطاء بين الترميز والتشفير عبر المنصات المختلفة.

كيف ترى تأثير تقنيات الذكاء الاصطناعي في تحسين عمليات ضغط الصور؟ شاركونا آراءكم في التعليقات.