我在Python中使用imagededupe来生成放置在文件夹中的图像嵌入，我想将这些嵌入转换回原始.jpg图像。
我通过使用该包的CNN方法(在ImageNet上训练的卷积神经网络)对每个图像进行编码。
生成的编码是numpy.ndarray类型，类似于：
{'IMG-7817.jpg': array([0. , 0.8666797 , 0.6738928 , ..., 0.19499177, 0.19915162,
0.11766607], dtype=float32)}
为了将它们保存在内存中，我使用了numpy.ndarray.tolist()将ndarray的值转换为floats的列表。然后将其作为一个新文档保存到MongoDB中。
下面是一个文档的例子，显示了浮动：
{'_id': ObjectId('62de157cd66e524858266e56'),
'filename': 'image_0.jpg',
'createdAt': datetime.datetime(2022, 7, 24, 21, 0, 58, 297000),
'encoding': [0.34322163462638855,
0.509546160697937,
0.5979495048522949,
0.0,
0.9418766498565674,
0.062201134860515594,
0.0,
0.0,
0.3629385828971863,
0.8452704548835754,
1.0556049346923828,
0.15479359030723572,
0.05965745821595192,
0.6355874538421631,
0.0075227259658277035,
0.0,
0.7630028128623962,
0.25163599848747253,
0.38510754704475403,
0.05900629609823227,
1.259505033493042,
0.2511945962905884,
0.34552499651908875,
0.0,
0.20837950706481934,
0.0,
0.46649169921875,
0.04043807461857796,
0.04735632985830307,
2.764833450317383,
0.28932467103004456,
0.022755710408091545,
1.7064937353134155,
0.020368073135614395,
0.08486563712358475,
0.08789866417646408,
0.018082227557897568,
0.8046256899833679,
0.2572726905345917,
1.7080179452896118,
0.13402247428894043,
0.0,
0.6671139597892761,
0.6578285694122314,
0.8306216597557068,
0.33851000666618347,
0.8741984367370605,
1.769014596939087,
0.684082567691803,
0.5945196747779846,
0.0,
0.4923103153705597,
0.0,
0.0,
0.0,
0.43480363488197327,
0.0,
2.0243093967437744,
3.1641061305999756,
0.04148351401090622,
0.2754305601119995,
0.24396584928035736,
0.0,
0.02952236868441105,
1.3269319534301758,
0.400570809841156,
0.1814577877521515,
1.0266987085342407,
0.0,
0.48076146841049194,
0.31500837206840515,
0.24837727844715118,
0.0,
0.23274537920951843,
0.10061652213335037,
0.5313457250595093,
0.22604097425937653,
0.11777201294898987,
0.6426587700843811,
0.30787965655326843,
0.00855748075991869,
0.011529005132615566,
1.1762546300888062,
0.02678094431757927,
1.6777329444885254,
0.6672563552856445,
0.23667019605636597,
0.49905094504356384,
0.9757379293441772,
0.07683343440294266,
1.5291916131973267,
0.0,
0.3130893409252167,
0.6051976084709167,
0.017192933708429337,
0.43943557143211365,
0.2320941686630249,
0.3049321174621582,
1.4164737462997437,
3.0678188800811768,
0.027480242773890495,
0.0016468112589791417,
0.0,
0.07514918595552444,
0.43065083026885986,
3.375669479370117,
1.547513723373413,
0.4367760121822357,
0.004104389809072018,
0.19813460111618042,
0.0,
1.5236296653747559,
2.4143331050872803,
0.0,
0.4325718879699707,
0.3500346839427948,
0.7155059576034546,
0.0,
2.191272258758545,
0.021950488910079002,
0.6380945444107056,
0.07029495388269424,
0.9965856075286865,
0.7871404886245728,
0.020270364359021187,
0.21629869937896729,
0.22851204872131348,
0.6256837844848633,
0.6793181896209717,
0.0,
0.7013466358184814,
0.2701347768306732,
0.4660792052745819,
0.0,
0.99172443151474,
0.05413336679339409,
0.9221435785293579,
0.0,
0.9360405802726746,
0.0,
0.030728023499250412,
0.022367192432284355,
0.019651522859930992,
0.4800198972225189,
0.11290711909532547,
0.0,
0.8062187433242798,
0.0,
0.7398870587348938,
0.6118819713592529,
0.17569033801555634,
0.6082322597503662,
0.025949034839868546,
1.804274559020996,
0.4318274259567261,
0.0,
0.33641141653060913,
1.38775634765625,
0.0,
1.2272226810455322,
0.15384995937347412,
1.5630751848220825,
1.190468192100525,
0.5651965737342834,
1.4905359745025635,
0.08070334792137146,
0.099326491355896,
1.6428868770599365,
1.8835887908935547,
1.900753378868103,
0.0058065494522452354,
0.7904874682426453,
0.7456177473068237,
1.5191725492477417,
0.0,
1.411240577697754,
0.0,
0.2351973056793213,
0.47451984882354736,
0.6398224830627441,
0.06026613339781761,
0.06863820552825928,
0.33046841621398926,
1.8896198272705078,
0.021269584074616432,
2.3213772773742676,
0.19969674944877625,
0.22938404977321625,
0.138387069106102,
0.0,
0.2955643832683563,
0.7730927467346191,
1.2605562210083008,
1.813166618347168,
0.5475223064422607,
0.07392473518848419,
0.05272753909230232,
1.260231375694275,
0.0,
1.3669939041137695,
0.13212966918945312,
0.0,
1.810328722000122,
0.0,
0.968720555305481,
0.5265544056892395,
0.0,
0.0,
0.3666769862174988,
0.6280245780944824,
0.24455592036247253,
0.05917458236217499,
0.1274377703666687,
0.24018031358718872,
0.04338640719652176,
0.6593717336654663,
0.4561670124530792,
0.6908249258995056,
0.0,
0.025656165555119514,
1.4662184715270996,
0.4808516204357147,
0.48574984073638916,
0.0,
0.5596708059310913,
0.0,
0.07661600410938263,
0.8362483382225037,
0.019625132903456688,
1.4666523933410645,
0.0,
0.5307647585868835,
0.2795000374317169,
0.14065083861351013,
0.06074102967977524,
0.5063194036483765,
0.3797137141227722,
0.37272703647613525,
0.22654202580451965,
1.655469298362732,
0.0,
0.11777283996343613,
1.388221263885498,
0.327331006526947,
0.14950616657733917,
2.0307371616363525,
0.40243691205978394,
1.0219730138778687,
1.53922438621521,
1.2161401510238647,
0.7625423073768616,
0.1292436718940735,
0.9063143134117126,
0.9079506397247314,
0.37720248103141785,
1.4248236417770386,
1.437509298324585,
0.6693912148475647,
0.0,
0.0,
0.0027586750220507383,
0.9666323065757751,
0.0,
0.46942809224128723,
1.44985032081604,
0.34272393584251404,
2.2227885723114014,
0.0,
1.488860011100769,
0.2924092411994934,
1.0731092691421509,
1.4170044660568237,
0.10373884439468384,
0.12016452103853226,
0.02246188558638096,
0.9552142024040222,
0.05175960808992386,
0.9273093342781067,
0.4393492639064789,
0.3075776696205139,
0.2306509166955948,
0.0,
0.615312933921814,
0.16303738951683044,
0.0,
0.2877673804759979,
1.501681923866272,
0.4097016751766205,
2.9622018337249756,
0.5579401254653931,
0.142703577876091,
0.5920137166976929,
1.303241491317749,
0.00606588926166296,
0.4949913024902344,
0.19190119206905365,
0.733661413192749,
0.6974300742149353,
0.0,
0.8278228044509888,
0.5845810770988464,
0.026461739093065262,
0.4288907051086426,
0.21419385075569153,
2.954052686691284,
0.3760499656200409,
0.004199077375233173,
3.8070878982543945,
0.715491771697998,
0.4648321568965912,
0.0,
0.0,
0.19548028707504272,
0.48019057512283325,
1.1979873180389404,
0.07732359319925308,
0.19149938225746155,
0.1502079963684082,
2.0691733360290527,
2.4982733726501465,
1.337972640991211,
1.100319504737854,
2.6857542991638184,
0.29503199458122253,
0.23128174245357513,
0.0,
0.5455896854400635,
0.4850095510482788,
0.10392599552869797,
0.2443435788154602,
0.7817987203598022,
0.0,
2.063075065612793,
0.4417440593242645,
0.2553230822086334,
0.3762524724006653,
0.05001183599233627,
0.04212421923875809,
1.286272644996643,
0.9305449724197388,
0.02449200674891472,
1.2230279445648193,
0.0,
0.29419076442718506,
0.008204713463783264,
0.7008044123649597,
0.16965098679065704,
0.11801895499229431,
0.8991751670837402,
0.4699343144893646,
0.0,
0.8951627612113953,
1.3787250518798828,
0.0,
0.08008038997650146,
1.3252822160720825,
0.32005879282951355,
0.0,
0.4818739593029022,
0.4019497334957123,
0.7889391779899597,
0.0,
0.18576571345329285,
0.0,
1.3088619709014893,
2.7723488807678223,
0.00022756097314413637,
0.4293895363807678,
0.5022754073143005,
0.044507503509521484,
1.5894511938095093,
0.062480755150318146,
0.0,
1.1833703517913818,
1.6038163900375366,
1.7601900100708008,
0.11935224384069443,
0.0,
3.55781888961792,
0.9694040417671204,
0.38496172428131104,
0.09860406816005707,
1.0045870542526245,
3.0407869815826416,
1.3872655630111694,
0.5597723722457886,
0.4029926359653473,
1.82244873046875,
1.4435524940490723,
0.0,
0.268917053937912,
1.1448471546173096,
1.3053370714187622,
0.6695809364318848,
0.22877833247184753,
0.8759015202522278,
0.009998252615332603,
0.22522638738155365,
0.0,
2.089116096496582,
0.10225784778594971,
0.0835852101445198,
0.04399365931749344,
0.357903391122818,
0.00423638429492712,
2.197624444961548,
1.4854577779769897,
0.785973310470581,
0.0,
1.33061945438385,
0.05213224142789841,
0.0,
1.4183796644210815,
0.07906366884708405,
0.27266740798950195,
0.0919405072927475,
0.32426464557647705,
1.0865753889083862,
0.0,
0.17555345594882965,
0.8236625790596008,
0.5672846436500549,
0.0,
0.035536810755729675,
0.7000375986099243,
1.5232492685317993,
0.3168185353279114,
0.0,
0.29834094643592834,
0.20520535111427307,
0.4351038336753845,
0.13560494780540466,
0.48883458971977234,
0.02037435956299305,
1.1522188186645508,
0.9122401475906372,
0.0,
1.30799400806427,
0.22012335062026978,
0.0,
0.0,
0.24422557651996613,
0.0,
0.4273641109466553,
0.5228200554847717,
0.5666704773902893,
0.3363366425037384,
0.6759360432624817,
2.0034751892089844,
0.17202824354171753,
0.2595841884613037,
0.015393995679914951,
0.04131931811571121,
0.18808656930923462,
0.0669889822602272,
0.9347860217094421,
1.5079140663146973,
2.3521738052368164,
0.45415419340133667,
0.7850313186645508,
0.010190464556217194,
0.6210658550262451,
0.3110385835170746,
0.08557576686143875,
0.2882275879383087,
0.018340876325964928,
0.08235052973031998,
0.11521648615598679,
2.253997564315796,
1.2350491285324097,
0.08332804590463638,
0.1232355460524559,
2.3126087188720703,
1.156542181968689,
0.6510205864906311,
0.0,
0.12935137748718262,
0.0308428592979908,
0.3024436831474304,
0.0,
0.3228701055049896,
1.1835720539093018,
1.2879806756973267,
0.0,
0.0,
1.0283877849578857,
0.9930158257484436,
0.46817547082901,
1.4385830163955688,
1.4435007572174072,
0.3171677887439728,
0.6235666871070862,
0.5815529823303223,
0.5360093116760254,
0.9516975283622742,
0.1696314960718155,
0.09518808126449585,
0.030107799917459488,
0.31380897760391235,
0.0,
0.42714065313339233,
0.5804895162582397,
0.9608817100524902,
0.1775510311126709,
0.010171392001211643,
0.5893941521644592,
1.5398626327514648,
0.39006567001342773,
0.32146579027175903,
2.948575019836426,
0.06686578691005707,
1.531951904296875,
0.0,
0.17576193809509277,
0.2349756807088852,
0.9275945425033569,
0.3193134367465973,
3.367725372314453,
0.8526585102081299,
0.0,
0.422979474067688,
1.0967295169830322,
1.4886173009872437,
0.08168420940637589,
1.9246219396591187,
0.6297357082366943,
0.6322764158248901,
0.0,
2.65885329246521,
1.6137109994888306,
0.791668176651001,
0.18871046602725983,
1.6689802408218384,
0.219522163271904,
1.7474461793899536,
0.10053602606058121,
0.6737263798713684,
0.8441563248634338,
0.3114991784095764,
0.7566099166870117,
0.2245187759399414,
0.2011154741048813,
0.8214294910430908,
0.0,
1.9816653728485107,
0.7716283798217773,
1.6154274940490723,
0.22172033786773682,
0.0,
0.058957479894161224,
1.076833963394165,
0.26426446437835693,
1.0176373720169067,
0.3910500705242157,
2.1494927406311035,
0.664349377155304,
0.7940111756324768,
0.4397018253803253,
0.7703667283058167,
0.0,
0.018988996744155884,
0.5460900664329529,
1.7279266119003296,
0.754666805267334,
0.08635308593511581,
0.5351725816726685,
0.015438989736139774,
0.5810871720314026,
0.4795708954334259,
0.09397150576114655,
1.8130183219909668,
1.0192855596542358,
0.7982662916183472,
0.6442264914512634,
1.0579023361206055,
0.9965284466743469,
0.33102571964263916,
0.0,
0.12347199022769928,
0.0012085589114576578,
0.0,
0.012317202985286713,
0.7999298572540283,
0.23033346235752106,
0.10711371153593063,
0.055289968848228455,
0.10045799612998962,
0.2694406807422638,
1.6767593622207642,
0.08160638809204102,
0.055825188755989075,
0.35727065801620483,
0.14833365380764008,
0.03880086913704872,
0.05746801570057869,
0.023325448855757713,
0.3614659309387207,
1.1203327178955078,
0.23827773332595825,
0.1701105833053589,
0.005051849409937859,
0.014566520228981972,
0.0,
0.17170780897140503,
0.0,
0.3361126184463501,
0.7800708413124084,
1.4469071626663208,
0.9698413014411926,
0.47699087858200073,
0.0,
0.6676139235496521,
2.3889882564544678,
0.16141292452812195,
0.549674928188324,
1.446986198425293,
2.9572486877441406,
1.2994608879089355,
0.9938348531723022,
0.012836528941988945,
0.5091323852539062,
0.3293815851211548,
0.2696889638900757,
0.023653989657759666,
0.9666279554367065,
0.0,
0.09485077112913132,
0.21621057391166687,
0.05144309997558594,
0.7748975157737732,
0.16373832523822784,
0.32590582966804504,
3.2590131759643555,
0.18453021347522736,
0.32559701800346375,
0.01810051128268242,
1.3126763105392456,
0.9643300771713257,
0.7701171636581421,
0.012872778810560703,
3.2080838680267334,
1.3774534463882446,
0.6093534827232361,
0.4270886778831482,
1.536228060722351,
1.0596519708633423,
0.7293568849563599,
0.040961820632219315,
0.8098430037498474,
0.03354305401444435,
0.3781156837940216,
0.07808584719896317,
1.5445245504379272,
0.2643190026283264,
0.03979670628905296,
0.1401960253715515,
0.0,
2.858400821685791,
1.5187857151031494,
0.916731059551239,
0.4406169056892395,
2.0909416675567627,
0.041937537491321564,
0.26336491107940674,
0.6905952095985413,
0.5504804849624634,
0.7093060612678528,
0.0,
1.5680856704711914,
0.6002225875854492,
0.6944994926452637,
0.09715773910284042,
0.37384095788002014,
0.09308439493179321,
0.11243189871311188,
0.0,
0.0014087663730606437,
0.6081674695014954,
1.0300709009170532,
0.0,
1.6597859859466553,
0.0,
0.06655865907669067,
0.0,
0.0,
0.776603102684021,
0.706895112991333,
0.06840622425079346,
0.01103916671127081,
0.20892217755317688,
0.06662453711032867,
2.3237693309783936,
0.0,
1.001037836074829,
0.7960761189460754,
0.011129717342555523,
0.04408513754606247,
0.9169716835021973,
0.18723581731319427,
0.0,
0.13618384301662445,
0.1143331304192543,
0.08429567515850067,
0.5295025706291199,
0.24401012063026428,
0.4518049657344818,
1.6427943706512451,
2.9292097091674805,
0.2356298565864563,
1.886139988899231,
0.8494397401809692,
1.0584583282470703,
0.10908976197242737,
1.6228749752044678,
0.03479631990194321,
0.3667331635951996,
0.29944977164268494,
0.0,
0.5278289318084717,
1.8577454090118408,
0.7919538617134094,
0.3287472724914551,
1.0173267126083374,
0.21281661093235016,
2.5687320232391357,
0.0,
0.22931823134422302,
0.08953932672739029,
1.8022074699401855,
0.031096210703253746,
0.0,
0.3735235929489136,
0.9747275710105896,
1.4670822620391846,
0.0014497002121061087,
0.1918376237154007,
0.017492996528744698,
0.14093568921089172,
2.4359452724456787,
1.0266388654708862,
0.06744030863046646,
0.5923642516136169,
0.05829468369483948,
0.7882423996925354,
0.006824888754636049,
0.0,
0.12467359006404877,
0.0,
0.6454435586929321,
0.7348983287811279,
0.21230670809745789,
0.751591682434082,
0.10542069375514984,
2.747696876525879,
0.025314131751656532,
1.5147247314453125,
0.4253242611885071,
0.026335788890719414,
0.2820242941379547,
0.0,
1.629762887954712,
0.0,
1.0258194208145142,
0.01697576977312565,
0.0026492439210414886,
0.5882153511047363,
0.15281014144420624,
0.15450280904769897,
0.7614965438842773,
1.5575156211853027,
0.44215384125709534,
0.031301699578762054,
0.0,
0.41315919160842896,
0.0,
0.9163169860839844,
0.0,
0.6567441821098328,
2.000319480895996,
0.6224666833877563,
1.1936211585998535,
0.37969183921813965,
0.6791279315948486,
0.7023849487304688,
0.5725939273834229,
0.33029961585998535,
0.29946884512901306,
0.08158722519874573,
1.1009563207626343,
0.1951158344745636,
0.17529775202274323,
0.0,
0.24547788500785828,
0.4813558757305145,
0.10754260420799255,
1.0999802350997925,
0.09632908552885056,
1.257835030555725,
3.48246169090271,
1.4914885759353638,
1.3317164182662964,
0.0,
0.26352792978286743,
0.1344657689332962,
1.5231508016586304,
0.10092543810606003,
0.11918514966964722,
2.744619846343994,
0.0,
1.9301466941833496,
0.23720590770244598,
1.2849202156066895,
0.0021527463104575872,
0.22261980175971985,
0.0,
1.2995405197143555,
1.5964542627334595,
0.3902784585952759,
0.0,
0.39399170875549316,
1.5980095863342285,
0.5178284049034119,
1.002244472503662,
0.0,
1.0685653686523438,
0.3623090386390686,
0.24759413301944733,
2.319288969039917,
0.06726662069559097,
0.4107389748096466,
0.25172483921051025,
0.09692853689193726,
0.36315271258354187,
0.19497661292552948,
0.19528783857822418,
0.9833536744117737,
0.0,
0.3592410981655121,
0.3673408031463623,
0.9627466797828674,
0.026713738217949867,
0.6547496318817139,
0.04448238015174866,
0.008870258927345276,
0.6792797446250916,
0.0,
0.024829436093568802,
1.5601677894592285,
0.18391843140125275,
0.16963115334510803,
0.49852055311203003,
0.29731711745262146,
1.5001922845840454,
0.5966616868972778,
0.5658796429634094,
0.9493252635002136,
0.0,
0.0,
0.4046423137187958,
1.4287112951278687,
0.0,
0.15436147153377533,
0.3651731312274933,
0.0,
0.00114287412725389,
0.4599761962890625,
0.13904592394828796,
0.049609310925006866,
0.04458696022629738,
0.006772597320377827,
0.050582993775606155,
0.0,
0.0,
1.1677778959274292,
0.3135088384151459,
0.1667020320892334,
1.4050168991088867,
0.08352083712816238,
1.5827399492263794,
1.193649172782898,
0.030835293233394623,
0.0,
0.0015767943114042282,
0.7566667795181274,
0.26073670387268066,
1.8150725364685059,
0.0028364635072648525,
0.7325196266174316,
0.21360227465629578,
0.27992552518844604,
0.9042648673057556,
2.0153775215148926,
0.26339706778526306,
0.0,
0.6202089190483093,
0.10526447743177414,
2.882450580596924,
0.3095151484012604,
0.0,
0.637947142124176,
0.5944535136222839,
0.0,
0.0,
2.7035391330718994,
0.7932912111282349,
0.40263426303863525,
1.382933497428894,
0.5418493151664734,
0.08483023196458817,
0.7244842052459717,
0.20402145385742188,
0.27017006278038025,
1.0310587882995605,
0.0,
0.26290374994277954,
0.44489234685897827,
0.0,
0.10985265672206879,
4.00398588180542,
0.0,
1.889216661453247,
0.9396313428878784,
0.5248347520828247,
2.334782361984253,
0.6514081358909607,
0.021495413035154343,
0.30265650153160095,
0.0,
0.11324827373027802,
0.0,
0.0,
0.07938762754201889,
0.00594561081379652,
0.2369159758090973,
0.3200414478778839,
0.7243974804878235,
0.07896162569522858,
0.19521552324295044,
0.017373599112033844,
0.0,
0.7747635245323181,
0.0,
3.0585978031158447,
0.2982688248157501,
0.006080341059714556,
0.11861772835254669,
0.0,
0.0,
0.4043075144290924,
0.0,
0.2331291139125824,
0.05324462428689003,
0.3905235528945923,
0.49934008717536926,
0.0,
0.0,
0.2706427276134491,
0.0,
0.0,
0.02849772945046425,
0.5065882802009583,
1.5505584478378296,
1.4176472425460815,
0.830781102180481,
0.6771125197410583,
0.1085791289806366,
0.43909430503845215,
0.13297335803508759,
1.5684330463409424,
2.108699321746826,
0.11001390963792801,
0.4872213900089264,
0.32524189352989197,
0.0737423524260521,
0.14409983158111572,
0.9547043442726135,
1.1935787200927734,
0.16664843261241913,
0.282832533121109,
0.28268536925315857,
0.19144511222839355,
0.11462447047233582,
0.5705850720405579,
0.434655100107193,
0.03162039443850517,
0.8690363168716431,
0.049061935395002365,
2.015324592590332,
0.01103197317570448,
0.9478869438171387,
0.0,
0.7611132264137268,
1.5938303470611572,
0.41670796275138855,
0.5746119618415833,
0.6635866165161133,
1.0752760171890259,
0.06721699237823486,
0.05494782701134682,
0.396668016910553,
...],
'updatedAt': datetime.datetime(2022, 7, 25, 0, 33, 50, 36000)}
因此，我想从MongoDB中获取那些保存的嵌入，并将它们转换回原始的.jpg图像。
这能做到吗
在询问之前，我尝试过以下操作，但没有成功：
- 获取嵌入列表，将其传递给np.array(将其转换为ndarray)，然后尝试使用Image.fromarray生成图像。获得
ValueError: not enough image data
代码：
na = np.array( embeddings_doc['embeddings'] )
image = Image.fromarray(na.astype('uint8'), 'RGB')
image
- 尝试使用PIL图像来渲染图像，但最终只显示了一行图像(毫无疑问，嵌入了一行，但这不是我想要的)
在尝试keras之前，也许有人可以建议一种更好的方法来从编码中重新生成原始图像？
我不保存图像形状。我应该吗？这是需要的吗？或者python能以某种方式解决问题吗？
TL；DR：您可以使用自动编码器(AE)或变分自动编码器(VAE)来获得嵌入。
利用神经网络进行图像压缩是一个比较普遍的研究课题，我对此并不熟悉。如果你感兴趣，你可以访问带代码的论文，阅读一些调查论文，比如这样。Perhpas你可以尝试一些SOTA方法。
然而，由于您希望在数据集中使用图像的编码器，而不是应用于任意图像的通用编码器，因此您可以"；过度填充"；在您的数据集上(似乎您不关心可推广性)，并获得比标准图像压缩方法短得多的嵌入。
理想情况下，由于过拟合是可以接受的，我认为你可以为每个图像分配一个随机向量嵌入，并迫使网络(解码器)重建相应的图像(解码随机嵌入)。这就像迫使网络"；记住"；所有图像。
可以对上述方法进行改进。也可以使用编码器将图像编码为矢量，使用解码器将矢量解码为图像。以这种方式；可学习"；，并且网络(编码器)可以学习在嵌入中存储原始图像的一些有用信息，这使得重建更容易。例如，面部的所有图像可以在嵌入空间中彼此靠近。配备了可学习的编码器，解码器网络可以更加轻量级(编码器面临着更容易的任务！)。
因此，总之，我认为任何具有重建损失的编码器-解码器类型的网络都是好的。最简单的解决方案是使用自动编码器(AE)或变分自动编码器(VAE)。对于解码器，我认为你甚至可以使用各种生成模型，如GAN、基于流的模型、扩散模型(但扩散模型可能不适合压缩)。
原始尝试失败的原因：
你可能会对"；编码"/"解码"；在神经网络中。它不同于"；将字符串编码为字节并将字节解码回字符串"；。此外，它也不等同于"；将图像转换为numpy阵列并将numpy阵列转换回图像"；。
你也可能误解了"；嵌入"；由神经网络产生。事实上；嵌入"；是一个用于深度学习的术语。通常，您将输入馈送到网络；特征图"；(网络产生的中间结果)可以被认为是嵌入。
通常，你得到的嵌入取决于网络的设计任务。例如，在ImageNet上训练的CNN的嵌入有利于分类(所有人脸图像都可能有相似的嵌入，所有花朵图像都有类似的嵌入，这与人脸嵌入不同)。但这些嵌入不适合重建(它可能会丢失详细信息，只有高级语义信息，如"图像内有什么对象")。如果你想要一个保留某些属性的嵌入，请选择一个执行相关任务的网络，并从中选择嵌入。由于你想要一种可以从中重建图像的压缩嵌入，因此选择一个使用重建损失进行训练的网络(你使用的CNN是分类损失)！
嵌入意味着：
假设存在一个神经网络，它给出类似[1,0,0]的三分量向量。
[1,0,0]-图像上只有一只猫。
[0,1,0]-图像上只有一只狗。
[0,0,1]-图像上只有一个人。
假设我们有一个向量[0.7,0.2,0.5]，这意味着：
图片上有猫的几率为70%，有狗的几率为20%，有人的几率为50%。
既然我们知道图像的这些矢量，我们就可以用这个术语来比较它们。
警告！！！给出以下方法只是为了解释为什么使用嵌入来存储图像不是一个好主意。TREAT"；BLUR"；作为提供对象检测的特定概率的操作
通过该矢量重建图像可以通过以下方式完成：
- 创建一个包含3个图像的数据集-猫、狗和人
- 将每个图像模糊一定的量以提供一定的概率
- 然后，每个模糊的图像放置到其在结果图像上的特定预定义位置
通过这种方式构建图像，可以为每个可能的嵌入生成图像。
让我们更改数据集中的图像。对于相同的嵌入，将存在另一个图像。我们可以添加一些背景，这样我们就可以获得另一个嵌入图像。因此，对于一个嵌入向量，有无限多种不同的图像。
这种方法解决了重建问题，但在大多数情况下重建结果是无用的。这表明嵌入不能存储图像数据。
像imagededupe这样的网络以同样的方式工作，但它们有更多的功能，功能意味着其他东西。
嵌入向量在某种程度上类似于图像的语言描述。
有像Dall-E这样的网络通过语言描述生成图像，因此理论上可以通过嵌入生成图像。但我没有看到Dall-E可以用于图像压缩的说法。
图像可以用jpg进行编码，并表示为bytes类型。稍后可以使用cv2.decode进行解码
import cv2
{'IMG-7817.jpg':Binary(cv2.imencode('.jpg', img)[1].tobytes())}