在社交網路上，使用者每天都要使用、分享和下載圖片，但是很多高清圖片由於儲存和頻寬的壓力被人為降低了畫質。
伴隨著 2K 手機和 4K 螢幕逐漸成熟並走向市場，使用者對高清畫質的要求也在逐漸增加。但是高清顯示一直缺乏內容，成為行業發展的痛點。所以將低分辨圖片轉化為高清版本，並在各大裝置上進行檢視和分享，已成為市場的巨大需求。
今天，圖鴨釋出黑科技——Tiny Network Graphics(TNG)，將解決這一痛點。
何為 TNG？
TNG 是圖鴨科技在 2018 年推出的一款影象壓縮技術，旨在在保持圖片的質量下，儘可能降低圖片的大小，使使用者在頻寬受限的網路情況下，仍然可以看到高清的影象；同時幫助圖片類企業節約大量的頻寬成本。
相比目前市面上的影象壓縮技術，圖鴨 TNG 採用了深度學習卷積網路（CNN）的編碼方式，與 JPEG 相比，壓縮率提升了 122%；與 WebP 相比，壓縮率提高了 30%。而且相比 BPG/HEIF 等圖片格式，TNG 採用了 CNN 技術而非 HEVC 編解碼器，在保證圖片質量的同時，避免了高昂的專利費用。
TNG 採用了何種方式
TNG 採用的演算法是深度學習技術中的卷積神經網路（CNN）。卷積神經網路是一種前饋神經網路，它的人工神經元可以響應一部分覆蓋範圍內的周圍，適合大型影象處理。
上圖是卷積神經網路的示意圖，我們看圖可以發現，它就像搭積木一樣，一個卷積神經網路由卷積、池化、非線性函式、歸一化層等模組組成。最終的輸出根據應用而定，如在人臉識別領域，我們可以用它來提取一串特徵來表示一幅人臉圖片。然後通過比較特徵的異同進行人臉識別。
在 TNG 裡，圖鴨採用了量化與反量化的技術。通過量化技術將浮點數轉換為整數或二進位制數，這時通常採用的方法是：去除浮點數後面的小數，將浮點數變成整數。在解碼端，又採用反量化技術將變換後的特徵資料恢復成浮點數，如給整數加上一個隨機小數。這樣可以一定程度上降低量化對神經網路精度的影響，從而提高恢復影象的質量。
TNG 與 WebP 對比
WebP 是谷歌推出的影像技術。它採用了 VP8 編碼核心，利用預測編碼技術，達到減少資料量、加速網路傳輸目的。其圖片壓縮體積大約只有 JPEG 的 2/3。目前 facebook 等知名網站已開始使用 WebP 格式。
下圖是 TNG 與 WebP 的 PSNR 值和 MISSIM 值對比
圖 1 TNG 與 WebP 的 PSNR 值和 MISSIM 值對比圖
熟悉影象壓縮的朋友可以直接通過 PSNR 和 MS-SSIM 值看出:TNG 在影象壓縮上明顯優於 WebP。
下面是在低碼字情況下 TNG 與 WebP 壓縮效果對比
TNG
WebP
圖 2 低碼字情況下 TNG 與 WebP 壓縮效果對比
相比 TNG，WebP 儘管保留了更多的細節，但是其失真更多，不利於後期恢復。而 TNG 採用了保邊濾波的方法，讓其失真更少，整體影象效果優於 WebP。
TNG 與 BPG 對比
BPG 是知名程式設計師、ffmpeg 和 QEMU 等專案作者 Fabrice Bellard 推出的影象格式，它以 HEVC 編碼為核心，在相同體積下，BPG 檔案大小隻有 JPEG 的一半。儘管 BPG 有很好的壓縮效果，但是 HEVC 的專利費很高，所以目前的市場使用比較少。
下圖是 TNG 與 BPG 的 PSNR 值和 MISSIM 值對比
圖 3 TNG 與 BPG 的 PSNR 值和 MISSIM 值對比圖
我們可以看到，TNG 的 MS-SSIM 值整體優於 BPG，PSNR 值在高碼字的情況下，也優於 BPG。
接下來就高碼字和低碼字兩種情況來進行壓縮影象對比。
在高碼字情況下 TNG 與 BPG 對比
TNG
BPG
TNG
BPG
圖 4 高碼字情況下 TNG 與 BPG 壓縮效果對比
上面 4 幅圖是高碼字的情況，在實際的測試中，BPG 會出現第二張圖所示的塊狀——高頻失真導致的振鈴效應；以及第四張圖所示的顏色失真情況；而反觀 TNG 其基本不會出現這類的失真狀況。
振鈴效應是因為 BPG 在編碼壓縮時儘管圖片的不同塊內容不一樣，但採用了同一編碼引數，而導致的影象退化中資訊量的流失，尤其是高頻資訊的丟失。
顏色失真是因為 BPG 在編碼圖片時，其 YUV 通道是分開進行編解碼，產生了一些色差。
而 TNG 在編碼時考慮到了整體圖片的情況，採用了同一編碼，也就避免了上述的情況。
在低碼字的情況下 TNG 與 BPG 的對比
BPG
TNG
圖 5 低碼字情況下 TNG 與 BPG 壓縮效果對比
上圖是低碼字情況下 BPG 與 TNG 的對比，BPG 壓縮中出現了偽輪廓和塊效應等問題，整個圖片的連續性比較差；而 TNG 的圖片連續性和物體的輪廓保持的比較好。
圖片壓縮整體對比
圖 6 圖鴨 TNG 圖片格式與其他圖片格式在同一壓縮比下的 PSNR 值與 MS-SSIM 值對比
在上圖我們可以看到在高碼字的情況下，TNG 的 PSNR 是最優的。在低碼字時，其 PSNR 值也是遠遠高於 WebP 和 JPEG2000。而且不論在什麼壓縮比下，TNG 的 MS-SSIM 值都是最優的。