图像压缩的代际演进与突破
图像压缩，相信大家都不陌生。我们日常在手机里拍摄的照片，以及在社交媒体上分享的图片，都会用到图像压缩的技术。这个领域也发展了很长的时间，比如大家所熟悉的 JPEG 格式，已经诞生了超过三十年。而就在2026年5月，苹果（Apple）公司悄悄发布了一篇论文，这篇论文可能会彻底改变图像压缩这个领域。
简单来说，苹果团队用人工智能重新发明了图像压缩技术。在保持完全相同的视觉质量的前提下，这项新技术把文件体积压缩到了现有主流标准的三分之一。这意味着我们的手机存储空间，相当于凭空扩大了三倍；意味着将来我们在网络不好的情况下，也能秒发高清照片；同时也意味着云存储服务商的成本会大幅下降。甚至，整个互联网的流量结构，都可能因此而发生深刻的改变。今天，我们就来深度剖析一下这篇具有里程碑意义的论文。
先把时间拨回到一年多以前的2025年2月，国际图像专家组（JPEG）宣布了一个重要的消息：JPEG AI —— 这项历时多年、被寄予厚望的第一个端到端的学习型图像编码国际标准，正式发布了。但是，这个里程碑式的事件，行业外的人却鲜有知道。
要知道，JPEG标准诞生于1992年，三十多年来，它一直是人类数字图像的一门基础语言。从你手机里的照片，到网页上的图片，再到数码相机的存储格式，几乎所有的数字图像，都在使用JPEG或者基于JPEG衍生的标准。在这三十多年来，无数工程师为了让图像变得更小、更清晰，付出了巨大的努力。而现在，人工智能终于开始接手重写这门语言的语法了。但是，即便是刚刚发布的 JPEG AI，距离真正的感知压缩，仍然有相当长的一段距离。
越过数学指标：感知压缩的终极目标
简单来说，感知压缩（Perceptual Compression：直接针对人眼的视觉体验来优化压缩算法的理念，而非服务于特定数学模型）的核心在于服务于人眼视觉，而不是针对某个具体的数学指标。这听起来好像没什么特别，但实际上，这是图像压缩领域几十年来一直想要实现，却始终未能真正落地的终极目标。
工程师们早就知道，传统上用来衡量压缩质量的指标——峰值信噪比（Peak Signal-to-Noise Ratio, PSNR），其实和人眼看到的好不好看关系并不大。一张图片在 PSNR 这个数学指标上得了高分，人眼看起来却可能觉得平平无奇，甚至会有明显的不适感；而另一张 PSNR 偏低的图片，人眼却可能觉得细节丰富、质感真实。优化数学指标，和优化人眼感知，本质上是两件完全不同的事情。
几十年来，从最初的 JPEG，到后来的 HEVC（也就是我们常说的 H.265），再到最新的 VVC（H.266）和 JPEG AI，几乎所有编解码器的设计逻辑，都还是在数学指标的框架里兜圈子。感知压缩一直像是学术论文里的远景目标，是实验室里的玩具。
而就在整个行业都以为感知压缩还要再等个三五年的时候，苹果的一支工程师团队悄悄在 arXiv 上发布了一篇论文，给出了他们的答案。这项技术的代号叫做 PICO，全称是 Perceptual Image Codec，也就是感知图像编解码器。这个名字直接点明了它的目标：不是让数学指标更好看，而是让人眼满意。
传统编解码器的局限与重构
在正式介绍 PICO 的技术细节之前，我们需要先探讨一个最基本的问题：图像压缩到底在做什么？只有理解了这个最基本的问题，我们才能真正明白苹果这项技术的重大意义。
把一张照片存成文件，本质上可以说是一道关于“忘记什么、记住什么”的取舍题。我们的存储空间是有限的，网络带宽也是有限的，所以我们不可能把一张照片的所有像素信息，都原封不动地保存下来。我们必须扔掉一部分信息，同时要让看这张照片的人尽量察觉不到我们扔掉了什么。不同的编解码器，遵循的是不同的扔法。
JPEG、AV1、VVC 这些我们现在正在使用的传统编解码器，都是工程师手工设计的规则系统。它们的工作流程大致是这样的：首先，把一张完整的图像切成一个个 8×8 或者 16×16 的小方块；然后，对每个小方块进行离散余弦变换，把空间域的信息转换成频率域的信息；接着，对变换后的系数进行量化，扔掉那些人眼不太敏感的高频信息；最后再进行熵编码（Entropy Coding：通过熵模型精确估计每个像素的信息量并分配比特的数据压缩方法），把数据进一步压缩。
每一步都是几十年积累的人工经验，这类系统可以在 PSNR 这样的数学指标上表现得极好，因为它们的设计本质上就是面向减少像素误差的。也就是说，它们的目标是让压缩后的图像和原始图像在像素值上尽可能接近。
但问题在于，人眼并不是一个像素误差计。人眼的视觉系统是经过了数百万年进化而来的极其复杂的系统，它对不同类型的信息有着截然不同的敏感度。比如，人眼对亮度变化的敏感度，远高于对色彩变化的敏感度；对边缘和纹理的敏感度，远高于对平滑区域的敏感度；对文字和人脸的敏感度更是高得惊人。
当你把一张街景照片压缩得很小的时候，PSNR 可能依然保持在一个相当体面的水平。但是你会看到建筑的边缘变得模糊，路牌上的文字变得难以辨认，行人的面部特征变得扭曲。而这些，恰恰是人眼最先察觉的东西。这就是传统编解码器的根本局限性：它们是按照数学公式来判断什么信息重要、什么信息不重要，而不是按照人眼的感知来判断的。
学习型编解码器的出现，理论上打开了一扇全新的大门。神经网络可以直接针对人的感知进行端到端训练，而不是针对某个数学公式。我们可以给神经网络看数百万张图片，让它自己学习哪些信息是人眼真正关心的，哪些信息是可以安全扔掉的。
这听起来简直完美。但是在 PICO 出现之前，已有的感知型学习编解码器都存在着各种各样的问题，比如速度慢、跨设备兼容性差、无法灵活控制码率等等，根本无法应用到消费级产品中。而苹果的 PICO 编解码器，就是为了解决所有这些问题而诞生的。研究团队系统探索了数百万种模型配置，并且引入了三项关键的技术创新，终于实现了感知压缩的工程化落地。
突破工程瓶颈：PICO的三大技术创新
为了将实验室里的感知压缩真正落地，PICO 面向真实应用场景，提出了三套极具针对性的解决方案。
第一个核心问题是：熵编码慢，怎么办？
熵编码是图像压缩过程中非常关键的一步。为了把文件压得更小，编解码器需要用熵模型来精确估计每个像素的信息量。信息量越大的像素，我们给它分配越多的比特；信息量越小的像素，我们给它分配越少的比特。这样就能在不损失太多质量的情况下，最大限度地压缩文件体积。
目前最精确的熵编码方法叫做自回归编码（Autoregressive Coding：逐像素串行预测并分配比特的编码模型）。它的工作原理是这样的：每压缩一个像素，都要先看看周围已经压缩好的像素，根据这些像素的值来预测当前像素的概率分布，然后再根据这个概率分布来分配比特。这就像一个厨师每放一块食材，都要先回头看看锅里的状态，尝一尝味道，才能决定下一步放什么调料。
这种方法确实非常精确，但也极慢，因为它是完全串行的，无法并行计算。这也是为什么之前很多学习型编解码器速度都很慢的主要原因：它们都采用了自回归熵模型，虽然压缩效果很好，但速度根本无法满足实时应用的需求。
PICO 的解法非常巧妙，他们提出了一种叫做一次性上下文模型（One-shot Context Model）的技术。他们发现，在熵编码的所有参数中，尺度参数是对压缩性能影响最大的一个。于是他们把这个最关键的尺度参数单独拆出来，在一次前向传播中全部计算完成，不再需要来回等待。而其余的参数则可以并行计算。
这样一来，既保留了自回归编码的精度，又绕开了它的速度瓶颈。实验结果显示，如果去掉这个一次性上下文模型，PICO 的整体性能会下降 10.28%；但是加上它之后，模型的运行速度几乎不受任何影响。这是一个非常了不起的成就，相当于鱼和熊掌兼得了。
第二个核心问题是：感知训练会产生幻觉，怎么办？
现在的感知型学习编解码器，大多是基于生成对抗网络（GAN）来训练的。GAN 的特点就是能够生成非常逼真的图像，它会脑补出一些看起来很真实的细节。但这也带来了一个严重的问题：那就是这些细节可能是编造出来的。
比如，它可能会把头发丝变成不存在的花纹，把平滑的表面变成有纹理的表面，甚至会把一个字变成另一个字。更麻烦的是，人眼对文字极度敏感，哪怕一个字母只是稍微变形了一点点，我们也会立刻察觉出来。如果一张照片里的文字因为压缩而变得模糊或者变形，哪怕其他部分的质量再好，我们也会觉得这张照片的质量很差。
为了解决这个问题，PICO 专门设计了一个叫做 TextFidelityLoss 的损失函数。它会首先用一个现成的文字检测器，自动找出图片中的所有文字区域，然后在这些区域强制施加严格的像素保真约束，同时压制 GAN 在文字区域的发挥空间。
也就是说，在非文字区域，GAN 可以自由地生成看起来很真实的细节；但是在文字区域，它必须严格按照原始像素来重建，不能有任何创造。实验显示，加上这项损失函数之后，文字区域的绝对误差降低了整整一半。这就解决了感知压缩中最让人头疼的文字失真问题。
第三个核心问题是：图像分块处理会留下色块边界，怎么办？
为了在手机芯片上快速运行，PICO 和大多数现代编解码器一样，会把一张完整的图像切成一块块 504×504 像素的瓦片，分别进行处理，然后再把它们拼回去。这样做的好处是可以充分利用手机芯片的并行计算能力，大大提高运行速度。
但这也带来了一个新的问题：瓦片边界效应。GAN 在训练的时候，倾向于忽略低频色彩的信息。这就导致相邻的瓦片之间经常会出现可见的色差，类似于我们修图的时候没有拼好的感觉。这种色差虽然很细微，但人眼却很容易察觉，会严重影响整体的视觉体验。
为了解决这个问题，研究团队专门引入了 TilingArtifactLoss。这是一种多分辨率的 L1 损失函数，它会强制模型在多个不同的空间频率上保持色彩的一致性，特别是在瓦片的边界区域。这项措施让瓦片边界的误差也下降了一半以上，基本上消除了可见的边界效应。
大规模评测与断代式性能提升
解决了这三个核心问题之后，PICO 的表现到底怎么样呢？苹果团队没有只靠基准评测指标说话，他们做了一件事情：委托第三方平台 Mabyduck 组织了一次大规模的人类主观评测。
这次评测采用的是盲测两两对比的方式。他们首先筛选了 610 位评测者，这些评测者都需要通过严格的色盲检测和压缩伪影辨别测试，确保他们能够准确地判断图像质量的差异。然后，他们给这些评测者展示同一张图片在不同编解码器下的重建结果，让他们在不知道哪个是哪个的情况下，选择自己认为质量更好的那一个。
最终，他们一共收集了 74,925 次配对比较结果，然后把这些结果汇总成了贝叶斯 ELO 分数。ELO 分数大家应该都很熟悉，就是国际象棋里用来衡量棋手水平的那个评分系统。用 ELO 分数来衡量图像质量，可以非常准确地反映出不同编解码器之间的相对优劣。
实验结果显示，在相同的视觉质量下，PICO 的文件体积只有 AV1、AV2、VVC、ECM 和 JPEG AI 这些主流标准的三分之一到二分之一。换句话说，存储同样的图片，PICO 需要的比特数，只有这些标准的 30% 到 43%。即便是对比目前最强的学习型感知编解码器，比如 HiFiC 和 MRIC，PICO 也能节省 20% 到 40% 的文件大小。
这是一个非常惊人的结果。要知道，过去十年里，图像压缩技术的进步是非常缓慢的。从 HEVC 到 VVC，用了整整十年的时间，才实现了大约 50% 的码率节省。而 PICO 一下子就把这个数字提高到了 60% 到 70%，而且是在感知质量这个更有意义的指标上。
除了压缩效率之外，PICO 在运行速度方面的表现同样令人印象深刻。在 iPhone 17 Pro Max 上，PICO 编码一张 1200 万像素的照片仅需 230 毫秒，解码更是只需要 150 毫秒。相比而言，大多数顶级的机器学习编解码器，在 NVIDIA V100 服务器显卡上运行，都比这个速度还要慢。
值得注意的是，论文还专门记录了一个非常有意思的反例：在 PSNR 这个传统的数学指标上，PICO 的表现平平，甚至不如 DCVC-RT 和 VVC 这些传统编解码器。这恰好印证了苹果团队的基本判断：优化感知质量和优化数学指标，本质上是两个完全不同的方向，鱼与熊掌不可兼得。
当然，PICO 也不是完美的，它也有自己的局限性。论文中也坦诚地指出，对于卡通、示意图等高度规则化的合成图像，PICO 的压缩效率可能不如传统编解码器。因为这类内容天然适合规则驱动的自回归建模，而不是基于感知的生成式建模。不过，这并不是一个致命的缺陷，毕竟我们日常生活中拍摄的绝大多数照片都是自然场景的照片，而不是合成图像。
系统性重构与未来展望
而且这些局限性丝毫不会掩盖这项工作的重大意义。过去三十年，图像压缩的技术进步，几乎都发生在让数字更好看的赛道上。从 JPEG 到 HEVC，再到 VVC，工程师们一代又一代地优化着 PSNR、SSIM 这类数学指标，而人眼的感知，始终是一个被绕开的难题。
而 PICO 是第一次有人系统地把这道难题正面拆解。从数百万种模型架构的搜索，到针对文字和边界的专门损失函数设计，再到大规模的人类主观评测，苹果团队把每一个环节都做到了极致，并且最终交出了一份可以在手机上实时运行的编解码器。它标志着图像压缩技术正式从数学指标驱动，进入了人类感知驱动的新时代。
最后，我来介绍一下这项技术背后的团队。这篇论文的通讯作者是 Oren Rippel，他是苹果的研究员，也是压缩领域的一位老面孔。早在 2017 年，当时他还在一家叫做 WaveOne 的初创公司，就发表了一篇名为《实时自适应图像压缩》的论文。
在那篇论文中，他们用神经网络打败了当时所有的主流编解码器，同时还维持了实时运行的速度。那篇论文在学界引发了不小的波澜，也奠定了 Oren Rippel 在学习型压缩领域的地位。之后，同一批核心人员在 WaveOne 继续深耕，又推出了面向视频压缩的 ELF-VC 编解码器。在 UVG 视频测试集上，ELF-VC 相比当时的主流标准 H.264 实现了 44% 的码率节省，同时运行速度比同类的机器学习编解码器快五倍以上。
后来，WaveOne 的这支团队整体加入了苹果。而这次的 PICO，就是这个在学习型压缩领域深耕了近十年的团队，带着苹果的算力和平台资源，在图像感知压缩领域交出的第一份系统性答卷。
PICO 的出现，让我们看到了图像领域时隔长久的封印开始松动。而它很可能还只是一个开始。随着 AI 技术的不断发展，我们还会看到更多基于感知的压缩技术出现。未来，不仅是图像，视频、音频甚至三维内容，都可能会被人工智能重新定义。感谢收看本期视频，我们下期再见。