论文导读
中国科学技术大学与微软亚洲研究院提出PULSE，把学习型图像压缩的解码端压缩到5.2 kMAC/像素，并用整数线性CDF预测器实现跨平台逐比特一致的熵编码。论文测试中，单线程CPU解码一张1080p图像耗时126毫秒；该数字依赖具体硬件、图像和编码设置。
神经压缩效果进步了，CPU成本却一直是门槛
学习型编解码器可以根据数据优化率失真表现，但很多方案依赖复杂卷积、注意力和自回归熵模型。在服务器GPU上，这些计算尚可接受；到了手机、笔记本或边缘设备，解码延迟与内存就可能抵消压缩率优势。PULSE把优化重点放在接收端，因为一张图片只编码一次，却可能被大量不同设备解码。
图1：论文展示的压缩重建视觉对比。
它的神经接收器复杂度只有5.2 kMAC/像素，通过轻量分析/合成变换和超先验保留必要的信息流。为了让不同CPU和GPU得到完全相同的码流，团队没有依赖容易受浮点误差影响的复杂概率网络，而是用整数线性CDF预测器和meta prior完成熵编码。
把极低算力预算变成架构搜索的硬约束
接收器越轻，压缩质量越容易下降。团队引入由启发式探针引导的“智能体进化”过程，让人和大模型迭代修改架构，再用实验反馈淘汰无效设计。最终框架把分析变换、熵编码和合成变换拆开，重点压缩解码侧，同时保留可跨平台复现的概率计算。
图2：PULSE使用轻量神经解码器、两步熵模型与整数CDF预测。
这种方法的价值不只在“AI设计AI”。真正可核验的是严格预算下得到的结构与实测：PULSE-S、PULSE和感知优化版本覆盖不同复杂度与视觉质量，代码也由微软GenCodec仓库公开，便于复现实验。
下一步：让神经压缩真正进入普通终端
论文汇总图显示，PULSE在手机、笔记本和服务器上都能进行逐比特一致的熵编码。核心结果是在测试平台上，单线程CPU解码1080p图像耗时126毫秒，压缩性能与传统HM相当；经过感知优化后，PULSE还能与更大的感知编解码器竞争。
图3：三类平台的1080p编解码耗时及率失真对比。
126毫秒不能直接换算成所有设备上的固定帧率，批量、线程数、图片内容和实现优化都会影响速度。论文讨论的是静态图像，也不是视频实时编解码。即便如此，它说明学习型压缩不必永远绑定高端GPU：如果把低复杂度与位精确实现作为一开始的设计目标，神经编解码器可以更接近普通终端的实际部署。真正落地还要比较启动内存、能耗、移动端温升和不同指令集表现，并验证编码器升级后旧设备能否长期稳定解码同一码流。
只有纳入完整端到端成本，126毫秒才会转化为真实体验优势。
参考资料
https://arxiv.org/abs/2609.18602
