蘋果機器學習研究團隊在CVPR 2026上發表了題為《What Matters in Practical Learned Image Compression》的論文，系統探討了實際應用中學習型影像壓縮的關鍵因素。學習型編解碼器相比傳統硬編碼編解碼器的一大優勢是能夠直接針對人類視覺系統進行最佳化。然而，儘管有這一潛力，目前尚未出現既具備感知質量又實用的影像編解碼器。這項研究旨在填補這一空白。
研究人員對實際學習型影像編解碼器設計中的關鍵建模選擇進行了全面研究，包括多種新穎的技術消融實驗。他們特別關注那些能夠同時最佳化感知質量和執行時間的設計選擇，並在消融研究中引入了若干新技術。隨後，他們執行了效能感知的神經架構搜尋，在數百萬種骨幹網路配置中尋找能夠達到目標裝置執行時間同時最大化壓縮效能（由感知指標衡量）的模型。這種搜尋方法確保了最終模型在速度和感知質量之間取得了最佳平衡。
透過綜合各種最佳化，他們構建了一種新型編解碼器，在速度和感知質量之間實現了顯著改善的權衡。基於嚴格的主觀使用者研究，該編解碼器相比AV1、AV2、VVC、ECM和JPEG-AI等傳統標準，節省了2.3至3倍的位元速率；相比最佳的學習型編解碼器替代方案，節省了20%至40%的位元速率。這意味著在相同的感知質量下，新編解碼器能夠實現更低的位元率，從而節省頻寬和儲存空間。
同時，該編解碼器在實際裝置上的表現也非常出色。在iPhone 17 Pro Max上，編碼1200萬畫素影像僅需230毫秒，解碼僅需150毫秒——這比大多數頂級基於機器學習的編解碼器在V100 GPU上執行還要快。這種速度使得該編解碼器非常適合移動裝置等資源受限的場景，為即時影像傳輸和儲存提供了可能。
論文作者包括Kedar Tatwawadi、Parisa Rahimzadeh、Zhanghao Sun、Zhiqi Chen、Ziyun Yang、Sanjay Nair、Divija Hasteer和Oren Rippel。相關程式碼已在GitHub上開源，便於研究社群復現和進一步開發。這一成果代表了學習型影像壓縮在實用性和感知質量方面的重要進展，有望推動移動裝置上的高效影像傳輸和儲存，並對計算機視覺和多媒體領域產生深遠影響。