De acordo com um artigo publicado no ArXiv, o Google está usando redes neurais para conseguir comprimir arquivos de imagens de maneira mais eficiente. A tecnologia, que utiliza o software open source TensorFlow do Google, permitiria que as imagens ocupassem menos espaço nos servidores da empresa sem perder qualidade.
Para usuários, melhor compressão de iamgens significa que mais arquivos cabem em um mesmo volume de armazenamento. Para o Google, porém, a compressão mais eficiente traz muitas outras vantagens: segundo o Quartz, como a empresa oferece armazenamento ilimitado de fotos, melhor compressão implica menos custo com servidores, menos consumo de energia e taxas mais altas de transferência.
Todos esses fatores podem gerar economia de dinheiro à empresa. De acordo com o artigo publicado, a empresa já conseguiu superar a eficiência do método de compressão JPEG usando essa técnica. No entanto, ela ainda não está pronta para ser implementada pela empresa.
Espremendo imagens
Os pesquisadores alimentaram a rede neural com 6 milhões de imagens de referência. O sistema então dividiu essas imagens em quadrados de 32 por 32 pixels e selecionou, de cada uma, os 100 quadrados mais difíceis de comprimir – ou seja, os 100 quadrados de maior tamanho (em termos de memória). A rede então se empenhou em determinar técnicas para comprimir esses 100 quadrados de cada foto.
Isso tinha o objetivo de gerar métodos eficientes de compressão. A ideia dos cientistas é que esses métodos podem ser extrapolados para toda a imagem, gerando uma compressão mais eficiente no total e retendo a qualidade da imagem ao mesmo tempo. Outra vantagem desse método é que a inteligência artificial também pode comprimir diferentes partes da imagem usando métodos diferentes.
No entanto, essa técnica ainda enfrenta um obstáculo: alguns dos resultados gerados por ela parecem estranhos a olhos humanos, de acordo com o The Next Web. Como não há maneira padronizada de testar isso, a empresa ainda não pode utilizar esse método de compressão em larga escala.
Tags: