文件更小，质量更高，大火的Stable Diffusion还能压缩图像？

近来，Stable Diffusion 成为一个新兴的研究方向。一位名为 Matthias Bühlmann 的博主尝试实验探究这种模型的强大功能，结果发现 Stable Diffusion 是一个非常强大的有损图像压缩编解码器。他撰写了一篇博客描述了这个实验分析过程，以下是博客原文。

首先 Matthias Bühlmann 给出在高压缩因子条件下，Stable Diffusion 方法与 JPG、WebP 的压缩结果，所有结果都是 512×512 像素的分辨率：

旧金山风景图，从左至右：JPG (6.16kB), WebP (6.80kB), Stable Diffusion: (4.96kB)。

糖果店，从左至右：JPG (5.68kB), WebP (5.71kB), Stable Diffusion (4.98kB)。

动物照片，从左至右：JPG (5.66kB), WebP (6.74kB), Stable Diffusion (4.97kB)。

这些例子明显表明，与 JPG 和 WebP 相比，使用 Stable Diffusion 压缩图像可以在更小的文件大小下保留更出色的图像质量。

探究实验

Matthias Bühlmann 分析了一下其中的工作原理，Stable Diffusion 使用三个串联的训练好的人工神经网络：

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

VAE 将图像空间中的图像编码和解码为某种潜在的空间表征。源图像（512 x 512，3×8 或 4×8 bit）的潜在空间表征会分辨率更低（64 x 64）、精度更高（4×32 bit）。

VAE 在训练过程中自行学习，随着模型的逐步训练，不同版本模型的潜在空间表征看起来可能会有所不同，例如 Stable Diffusion v1.4 的潜在空间表征如下（重映射为 4-channel 彩色图像）：

当重新扩展和将潜在特征解释为颜色值（使用 alpha channel）时，图像的主要特征仍然可见，并且 VAE 还将更高分辨率的特征编码到像素值中。

例如，通过一次 VAE 编码 / 解码 roundtrip 得到如下结果：

值得注意的是，这种 roundtrip 不是无损的。例如，图中蓝色带子上白色的字在解码后可读性稍差了一些。Stable Diffusion v1.4 模型的 VAE 一般不太擅长表征小型文本和人脸。

我们知道，Stable Diffusion 的主要用途是根据文本描述生成图像，这就要求该模型要对图像的潜在空间表征进行操作。该模型使用经过训练的 U-Net 迭代地对潜在空间图像进行去噪，输出它在噪声中「看到」（预测）的内容，类似于我们有时把云看成某种形状或面孔。在迭代去噪步骤中，第三个 ML 模型（文本编码器）指导 U-Net 来尝试看到不同的信息。

Matthias Bühlmann 分析了 VAE 生成的潜在表征（latent representation）是如何进行有效压缩的。他发现对 VAE 中的潜在表征进行采样或对潜在表征应用已有的有损图像压缩方法，都会极大地降低重构图像的质量，而 VAE 解码过程似乎对潜在表征的质量鲁棒性较高。

Matthias Bühlmann 将潜在表征从浮点数量化为 8-bit 无符号整数，结果发现只有非常小的重构误差。如下图所示，左：32-bit 浮点潜在表征；中：ground truth；右：8-bit 整数潜在表征。

他还发现通过 palette 和抖动算法进一步量化，得到的结果会出乎意料的好。然而，当直接使用 VAE 解码时，palettized 表征会导致一些可见的伪影：

左：32-bit 潜在表征；中：8-bit 量化潜在表征；右：带有 Floyd-Steinberg 抖动的 palettized 8-bit 潜在表征

带有 Floyd-Steinberg 抖动的 palettized 表征引入了噪声，使解码结果失真。于是 Matthias Bühlmann 使用 U-Net 来去除抖动带来的噪声。经过 4 次迭代，重构结果在视觉上非常接近未量化的版本：

重构结果（左：带有 Floyd-Steinberg 抖动的 palettized 表征；中：经过四次迭代去噪；右：Ground Truth）。

虽然结果非常好，但还是会引入一些伪影，例如上图中心形符号上的光泽阴影。

虽然从主观上看，Stable Diffusion 压缩图像的结果比 JPG 和 WebP 好很多，但从 PSNR、SSIM 等指标看，Stable Diffusion 并没有明显的优势。

如下图所示，虽然作为编解码器的 Stable Diffusion 在保留图像粒度方面比其他方法要好得多，但受压缩伪影的影响，图像中物体形状等特征可能会发生变化。

左：JPG 压缩；中：Ground Truth；右：Stable Diffusion 压缩。

值得注意的是，当前的 Stable Diffusion v1.4 模型在压缩过程中无法很好地保留字体很小的文本信息和人脸特征，但 Stable Diffusion v1.5 模型在人脸生成方面有所改进。

左：Ground Truth；中：经过 VAE roundtrip (32-bit 潜在特征) ；右：从 palettized 去噪 8-bit 潜在特征解码的结果。

博客发布后，Matthias Bühlmann 的实验分析引起了大家的讨论。

Matthias Bühlmann 自己认为 Stable Diffusion 的图像压缩效果比预期好，U-Net 似乎能够有效消除抖动引入的噪声。不过，Stable Diffusion 模型未来的版本可能不会再有这种图像压缩特性。

然而有网友质疑道：「VAE 本身就被用于图像压缩」，例如基于 Transformer 的图像压缩方法 TIC 就用到了 VAE 架构，所以 Matthias Bühlmann 的实验似乎是大材小用了。

对此，你有什么看法？