arXiv 在 2026 年 9 月 20 日釋出了一篇題為《You've Seen Enough: Quality-Constrained Image Coding for Machines》的新論文，作者為 Khoa Pham-Dinh 等 5 人。論文編號為 arXiv:2609.25108v1，提交時間為當日 04:02:36 UTC，檔案大小約 7,810 KB，DOI 為 10.48550/arXiv.2609.25108。該工作屬於計算機視覺與模式識別（cs.CV）和人工智慧（cs.AI）方向。
論文關注的背景是，視覺資料正越來越多地被機器視覺系統消費，而不是供人類直接觀看。影像編碼 for machines（ICM）假設主要觀察者是計算機視覺應用，人類觀察者只負責檢查或驗證機器決策。受“恰可察覺失真”（just-noticeable distortion）啟發——即為人類觀察者設定剛好可接受的質量水平——作者希望把人眼可見質量限制在一個期望水平，從而把剩餘編碼容量用於改善機器任務效能。
為此，作者把聯合壓縮—分割訓練重新表述為一個約束最佳化問題：編解碼器必須滿足預先設定的可接受視覺質量目標，而任務項則消耗剩餘編碼容量。為了求解這一問題，他們設計懲罰函式來引導質量達到目標，並提出兩種形式：絕對函式，以及雙線性函式；後者在超過目標視覺質量後會施加更陡的斜率。
實驗結果顯示，在質量約束下，該方法相對於無約束的聯合率—失真—任務最佳化取得 -22.82% 的 BD-rate，相對於簡單的率—失真基線取得 -29.81% 的 BD-rate。這意味著在任務效能相同的情況下降低了位元速率。同時，編解碼器仍能以合理誤差達到目標視覺質量，並且沒有帶來額外的複雜度開銷。
論文目前可透過 arXiv 頁面訪問，提供 PDF、實驗性 HTML 和 TeX 原始碼等入口；瀏覽分類為 cs.CV，也可切換至 cs.AI 檢視。