Apple機械学習研究チームは、CVPR 2026で発表された論文「What Matters in Practical Learned Image Compression」において、実用的な学習型画像圧縮における重要な要素を体系的に調査しました。学習型コーデックが従来のハードコードされたコーデックに対して持つ主要な差別化要因の一つは、人間の視覚システムに直接最適化できる能力です。しかし、その可能性にもかかわらず、知覚的でありながら実用的な画像コーデックはまだ提案されていません。本研究はこのギャップを埋めることを目的としています。
研究者らは、知覚品質と実行時間を共同最適化した実用的な学習型画像コーデックの設計を支配する主要なモデリング選択について包括的な研究を行い、その中にはいくつかの新しい技術のアブレーションも含まれています。特に、消去法による実験で新たな手法を導入し、設計選択の影響を詳細に評価しました。次に、数百万のバックボーン構成に対して性能認識型のニューラルアーキテクチャ探索を実行し、ターゲットのオンデバイス実行時間を達成しながら、知覚メトリクスで測定される圧縮性能を最大化するモデルを特定しました。この探索により、速度と画質の最適なバランスを実現するモデルが選ばれました。
さまざまな最適化を組み合わせて、速度と知覚品質の間で大幅に改善されたトレードオフを達成する新しいコーデックを構築しました。厳密な主観ユーザースタディに基づき、このコーデックはAV1、AV2、VVC、ECM、JPEG-AIに対して2.3～3倍のビットレート削減を提供し、最良の学習型コーデックの代替案に対して20～40%のビットレート削減を達成しました。これは、同じ知覚品質でより低いビットレートを実現することを意味し、帯域幅とストレージの節約につながります。
同時に、このコーデックは実デバイスでの性能も優れています。iPhone 17 Pro Maxでは、1200万画素画像のエンコードを230ミリ秒、デコードを150ミリ秒で実行し、ほとんどのトップMLベースのコーデックがV100 GPUで動作するよりも高速です。この速度により、モバイルデバイスなどのリソース制約のある環境に適しており、リアルタイムの画像転送や保存が可能になります。
著者はKedar Tatwawadi、Parisa Rahimzadeh、Zhanghao Sun、Zhiqi Chen、Ziyun Yang、Sanjay Nair、Divija Hasteer、Oren Rippelです。関連するソースコードはGitHubで公開されており、研究コミュニティによる再現やさらなる開発が容易になっています。この成果は、学習型画像圧縮の実用性と知覚品質における重要な進歩を示し、モバイルデバイスでの効率的な画像転送と保存を促進し、コンピュータビジョンとマルチメディア分野に大きな影響を与えると期待されます。