近日，一篇被ECCV 2026接收的论文提出了MixCompress，一种基于专家混合（MoE）和深度混合（MoD）的统一可变比特率（VBR）图像压缩框架。该研究由Calvin-Khang Ta等人完成，旨在解决学习图像压缩（LIC）中独立模型存储开销大以及现有VBR方法中特征纠缠的问题。
在传统LIC中，每个率失真工作点都需要独立存储模型，导致资源浪费。现有的VBR方法通过密集参数调制减少开销，但强制共享骨干网络去逼近不同的映射会引起严重的特征纠缠。具体来说，低速率下的平滑梯度与高频纹理细节的保留存在冲突，导致性能次优。MixCompress的核心创新在于稀疏结构专业化。它采用稀疏门控的专家混合（MoE）路由，成功缓解了梯度冲突。然而，MoE在固定计算预算下运行，无法满足高速率下增加的表示需求。为此，研究者引入深度混合（MoD）扩展，以动态调整模型容量。此外，条件辅助变换（CAT）实现了动态子带能量调制，使得层次化框架能够高效地动态缩放容量。
大量评估表明，MixCompress不仅与单独优化的单速率基线性能相当，甚至在某些情况下超越它们，为计算高效的图像编码建立了新的帕累托前沿。这一成果对于图像压缩领域具有重要价值，有望推动视频流媒体、云存储等应用的发展。论文已提交至arXiv，并将在ECCV 2026上展示。该工作由Calvin-Khang Ta与三位合作者共同完成，论文编号arXiv:2607.14334。MixCompress通过稀疏门控MoE缓解了梯度冲突，同时引入MoE的深度变体MoD来动态扩展模型容量，配合CAT进行子带能量调制，实现了在统一框架下的可变比特率压缩，性能超越了传统单速率模型。