免费开源的 Stable Diffusion 又被玩儿出了新花样：

这次是被拿来压缩图片。

Stable Diffusion 不仅能把同一张原图缩到更小，而且表现还肉眼可见地优于 JPEG 和 WebP。

对于同一张原图，Stable Diffusion 压缩出来的图像不仅有更多细节，而且压缩伪影也变少了。

但用 Stable Diffusion 来压缩图的软件工程师 Matthias Bühlmann（咱们就叫他 MB 哥吧）也指出，这种方式也有明显的局限性。

因为这不太擅长处理人脸和文字等，有时甚至会在解码扩展回去后，幻化出原图中不存在的特征。

比如像这样（效果可以让人吓一跳）：

△ 左为原图，右为 Stable Diffusion 压缩再扩展的生成图

不过，话说回来 ——

Stable Diffusion 是如何压缩图片的？

要讲清楚 Stable Diffusion 怎么压缩图片，不妨从 Stable Diffusion 的一些重要工作原理说起。

Stable Diffusion 是一种特殊的扩散模型，叫作潜在扩散（Latent Diffusion）。

和标准扩散（Standard Diffusion ）不同，潜在扩散在维度较低的隐空间（Latent Space）上进行扩散过程，而不使用实际的像素空间。

也就是说，隐空间的表示结果是一些分辨率较低的压缩图，不过这些图有较高的精确度。

这里说一下，图像的分辨率和精度是两回事儿。分辨率是表示一张图数据量多少的参数，而精度是反映结果与真值接近程度的量。

就拿这个骆驼的大头照来举例：原图大小 768KB，分辨率为 512×512，精度为 3×8 位。

用 Stable Diffusion 压缩到 4.98KB 后，分辨率减少为 64×64，而精度反而提升到 4×32 位了。

所以看起来，Stable Diffusion 的压缩图和原图相比，差别不大。

如果再进一步具体而言的话，Stable Diffusion 这种潜在扩散模型有三个主要组成部分：

VAE（Variational Auto Encoder，变分自编码器），U-Net，和文本编码器（Text-encoder）。

不过在这项压缩图像的测验中，文本编码器没什么用。

发挥主要作用的还是 VAE，它由两部分组成：一个编码器和一个解码器。

所以，VAE 可以将一张图从图像空间中，编码再解码得到一些潜在空间表示（Latent space representation）。

MB 哥发现，VAE 的解码功能对于量化潜在表示来说，表现非常稳定。

通过缩放、拖拽和重新映射，将潜在表示从浮点量化为 8 位无符号整数，就可以得到不怎么失真的压缩图了：

首先将 latents 量化为 8 位无符号整数，此时图像大小为 64×64×4×8Bit=16 kB（原图大小 512×512×3×8Bit=768 kB）。

然后再运用调色板（Palette）和抖动（Dither），进一步使数据缩小到 5kB，同时还提高了图像的还原度。

作为一位严谨的程序员，MB 哥除了通过肉眼观察，还对图像质量进行了数据分析。

不过，从图像质量评估的两项重要指标 PSNR（峰值信噪比）和 SSIM（结构相似性）来看，Stable Diffusion 的压缩结果并没有比 JPG 和 WebP 好到哪儿去。

另外，当把潜在表示重新解码扩展到原图分辨率时，虽然图像的主要特征仍然可见，但 VAE 也会将高分辨率的特征赋予这些像素值。

用大白话讲，就是重建的图像往往和原图不一样，里面夹杂了不少新生成的“鬼畜”特征。

让我们再来回顾一下这张图：

虽然用 Stable Diffusion 来压缩图确实还存在不少问题，但用 MB 哥的话来说，其效果还是很惊艳的，非常有发展前途。

现在 MB 哥已经把相关代码放到了 Google Colab 上，感兴趣的朋友可以仔细看看~