随着科技的不断发展进步,人工智能产品在日常生活中变得不可或缺,通过移动终端设备进行照片和视频分享已成为互联网社交的主要方式之一。网络用户在社交平台上每天上传与下载大量图片,一定程度上加大了网络的传输带宽压力。且随着图像分辨率日益提高,其在电子设备中占用的存储空间不断增加,增大了设备的存储成本,因而图像压缩技术对促进数字图像的高效传输起着举足轻重的作用。由于传统图像压缩方法在低码率下的重建图像易产生块状模糊或伪影现象,效果不尽人意。随着深度学习在图像处理方面的大量探索,不断有学者将其应用于图像压缩领域,在尽可能减少压缩码流的码率的同时保证了重建图像具有较高感知质量,获得比传统图像压缩方法更优异的效果。图像压缩是一种对图像编码以去除图像冗余的技术手段,目的是减少图像数据所需传输带宽和存储空间。基于深度学习的生成图像压缩方法具有在低码率时重建图像感知保真度高的优点,但因其存在网络参数量大、模型训练稳定性欠佳等缺点,未得到有效应用。因此,可通过精简网络和增加模型训练的稳定性,进一步提升模型泛化能力来提高重建图像的感知质量。基于此,本文开展的主要工作可总结为:1.针对生成图像压缩模型网络参数量大的问题,本文对解码网络进行精简。首先,用深度轻量级残差块优化原始残差块,其与原网络相比包含更多非线性激活与归一化层,使生成器高效地提取图像特征从而模拟出更接近原始样本的分布,一定程度上缓解了网络训练时的梯度消失问题。其次,验证了加入不同数量残差块对生成器容量的影响,并选取最优残差块数量的解码网络训练模型。实验结果表明,本文方法在率-失真性能与感知指标上评估结果与原始方法基本一致,但网络参数量减少了30.44%且模型训练耗时降低33.3%,模型大小减少25%,平均解码速率提升了11.1%-12.2%。2.生成图像压缩模型在训练时,由于鉴别器的陡峭梯度空间变化易导致模型不稳定,降低了其泛化能力。针对该问题,本文在轻量级生成图像压缩网络的鉴别器函数中加入同时满足模型约束、非基于样本的约束以及硬约束的基于一阶Lipschitz约束（简称L约束）的梯度归一化范数。通过较少的改动,使其梯度平稳下降并增加了网络容量,有效避免了“梯度爆炸”现象。另外,为防止生成器无法有效抵抗鉴别器梯度下降导致其损失函数值急剧变差的情况,通过增大生成器的卷积核尺寸来提高其网络容量且参数增量可忽略不计。实验表明,训练得到的最终模型在感知指标上评估结果相比原模型有一定提升,且本文模型在训练的中间过程收敛更快。改进的方法不仅确保了模型在训练时更稳定,而且提高了模型在进行图像压缩时的泛化能力。