В статье исследован метод хранения изображений путем обучения нейронной сети на одном изображении и сохранения ее весов как компактного представления. Данный подход позволяет значительно уменьшить объем хранимых данных при сохранении приемлемого визуального качества. Проанализированы параметры модели и настройки обучения с целью оптимизации качества восстановления. Основная идея подхода заключается в том, что обученная модель сохраняет аппроксимированное отображение изображения в свои веса, которые выступают в качестве компактного представления исходного изображения. При необходимости реконструкции веса загружаются обратно в сеть для восстановления визуального содержания. Экспериментальные результаты показывают, что оптимизация архитектуры сети (выбор числа слоев и нейронов) и цветового пространства (YCbCr) позволяет достичь высоких коэффициентов сжатия до 29,4 при сохранении визуального качества, близкого к оригиналу (MSE ≈ 10-5). Однако авторы отмечают существенный недостаток метода: длительное время обучения и значительные вычислительные затраты, что делает его менее эффективным по сравнению с традиционными алгоритмами сжатия для практического применения в реальном времени. Тем не менее, подход демонстрирует потенциал для задач, где критически важно сохранение тонких деталей изображений, например, архивации данных или сжатия видеопотоков.