nathbns/svs-lame-compression-jpeg-vs-neural

Comparaison visuelle : compression neuronale vs JPEG sur lames histopathologiques

Ce dataset permet à un anatomopathologiste de juger à l'œil nu si une image de lame numérique compressée par un réseau de neurones est visuellement équivalente à la même lame compressée en JPEG (qui est le standard)

En une phrase

On a pris 5 lames histopathologiques au format SVS, on les a compressées avec 4 modèles neuronaux et avec JPEG Q75, à deux niveaux d'agressivité (q5 ≈ qualité moyenne, q1 = compression maximale), pour voir si les codecs neuronaux peuvent rivaliser avec JPEG tout en produisant des fichiers plus petits.

---

Guide pratique

Quoi ouvrir, dans quel ordre

Pour chaque lame lame1, ...,lame5, ouvrir côte à côte dans QuPath (ou n'importe quel logiciel adapté) :

1. original/lameN.png — la lame non compressée (référence)
2. jpeg/lameN_Q75_decoded.png — la lame compressée en JPEG Q75
3. Un PNG décodé d'un modèle neuronal, par exemple :
   • bmshj2018_hyperprior/lameN_q5.png (qualité moyenne)
   • bmshj2018_hyperprior/lameN_q1.png (qualité minimale, plus aggressif)
   • ou un autre des 4 modèles : bmshj2018_factorized, mbt2018_mean, cheng2020_attn

Les fichiers .bin - à quoi ça sert ?

Pour 3 des 4 modèles neuronaux, on a sauvegardé le vrai bitstream compressé (le fichier qu'on enverrait réellement sur le disque) sous forme lameN_qM.bin. Tout seul, ce fichier n'est pas ouvert par un viewer standard — il sert juste à :

• Voir la vraie taille compressée : compare la taille du .bin (par exemple 26 MB) à la taille du .jpg (58 MB) pour la même lame → le neural est 2× plus compact.
• Tester le décodage : pour vérifier qu'on peut reconstruire l'image depuis le bitstream, on a fourni decode_bitstream.py (voir plus bas).

Le 4ᵉ modèle (cheng2020_attn) est autoregressif : encoder son bitstream prendrait ~600 minutes par tuile (donc ~10 heures par lame). J'ai donc fourni uniquement le PNG reconstruit pour la visu, pas de .bin.

Decoder un .bin avec mon script

python decode_bitstream.py bmshj2018_hyperprior 5 lame1_q5.bin lame1_q5_decoded.png
# → produit un PNG identique à celui déjà fourni dans le dossier

Prérequis : pip install Pillow torch compressai numpy. Le script recharge le même modèle pré-entraîné (téléchargé automatiquement au premier run).

---

Arborescence

hf_export/
├── README.md                     # ce fichier
├── decode_bitstream.py           #Pour décoder un .bin en PNG
├── original/                     # PNG lossless = référence
│   ├── lame1.png  ( 915 MB )
│   ├── lame2.png  ( 611 MB )
│   ├── lame3.png  ( 417 MB )
│   ├── lame4.png  ( 166 MB )
│   └── lame5.png  ( 161 MB )
├── jpeg/                         # JPEG Q75 (standard labo)
│   ├── lameN_Q75.jpg             # fichier compressé réel
│   └── lameN_Q75_decoded.png     # PNG décodé pour la visu
├── bmshj2018_factorized/         # Balle 2018 factorized (CompressAI)
│   ├── lameN_q5.bin  +  lameN_q5.png   # qualité moyenne
│   └── lameN_q1.bin  +  lameN_q1.png   # compression maximale
├── bmshj2018_hyperprior/         # Balle 2018 hyperprior (CompressAI)
│   └── (idem)
├── mbt2018_mean/                 # Mentzer 2018 mean (CompressAI)
│   └── (idem)
└── cheng2020_attn/               # Cheng 2020 attention (autoregressif)
    ├── lameN_q5.png              # PNG décodé seuls (pas de .bin, trop
    └── lameN_q1.png              #   long à encoder)

5 lames × 6 méthodes × 2 qualités (q1/q5 pour neural, Q75 uniquement pour JPEG) = 65 fichiers visuels + 30 bitstreams .bin.

🤔 Pourquoi le PNG « décodé » est plus lourd que le PNG original ?

C'est la remarque la plus surprenante en regardant les tailles : par exemple pour lame3, l'original fait 417 MB mais le PNG reconstruit par bmshj2018_hyperprior_q5_decoded.png fait 687 MB. Ce n'est pas un bug, c'est une propriété de la compression par réseau de neurones.

L'idée clé :

• Le bitstream .bin produit par le codec neuronal est beaucoup plus petit que le JPEG (par exemple 19 MB vs 35 MB pour lame3 hyperprior q5 vs JPEG Q75). C'est ce qu'on stockerait réellement sur le disque.
• Le PNG reconstruit n'est pas un fichier compressé, c'est juste l'image décodée exportée en PNG lossless pour qu'un viewer standard puisse l'ouvrir.
• Le réseau de neurones reconstruit une image approximative : pas une copie exacte des pixels, mais une version quantifiée qui laisse des résidus de bruit haute-fréquence que PNG ne sait pas compresser. Or PNG exploite la redondance spatiale (zones lisses), et le bruit issu de la quantification neuronale n'a justement aucune redondance spatiale. Donc PNG gonfle au lieu de comprimer.

Conclusion :

• Pour comparer des tailles compressées, regarde le .bin (neural) et le .jpg / .jxl (classique). Ne regarde pas la taille du PNG décodé.
• Pour comparer la qualité visuelle, ouvre les PNG décodés et l'original.

---

Tailles compressées réelles (vs PNG lossless original)

Chaque case = taille du fichier compressé en MB. Le % est le gain vs le PNG lossless original de la même lame. BPP = bits par pixel (24 = non compressé).

Qualité moyenne (q5 pour neural, Q75 pour JPEG)

Méthode	lame1	lame2	lame3	lame4	lame5
original.png (référence)	915 MB	611 MB	417 MB	166 MB	161 MB
JPEG Q75	58.0 (94%)	51.2 (92%)	34.7 (92%)	14.3 (91%)	12.0 (93%)
bmshj2018_factorized q5	45.4 (95%)	38.9 (94%)	38.1 (91%)	21.1 (87%)	18.9 (88%)
bmshj2018_hyperprior q5	29.7 (97%)	34.6 (94%)	19.4 (95%)	6.6 (96%)	5.7 (96%)
mbt2018_mean q5	26.1 (97%)	33.5 (95%)	16.8 (96%)	5.2 (97%)	4.6 (97%)
cheng2020_attn q5	n/a	n/a	n/a	n/a	n/a

Compression maximale (q1 pour neural) — limite perceptuelle

Méthode	lame1	lame2	lame3	lame4	lame5
bmshj2018_factorized q1	10.5 (99%)	8.8 (99%)	9.9 (98%)	5.9 (97%)	5.4 (97%)
bmshj2018_hyperprior q1	6.9 (99%)	7.6 (99%)	5.8 (99%)	2.9 (98%)	2.7 (98%)
mbt2018_mean q1	4.2 (99.5%)	6.5 (99%)	3.7 (99%)	1.5 (99%)	1.5 (99%)
cheng2020_attn q1	n/a	n/a	n/a	n/a	n/a

---