面向可部署无损图像压缩的自包含概率表示

基于摘要分析。本文研究学习式无损图像压缩中预训练模型较大、推理成本较高而难以实际部署的问题，提出将紧凑的图像概率表示嵌入比特流，并一次性编译为查找表，以避免编解码过程中的重复神经网络推理。研究对象是图像压缩，并非 EEG 或 BCI 解码。 机制上，作者通过边缘化图像特定特征形成可复用表，使设备端编码无需逐图拟合；另以紧凑树结构实现自包含交付。摘要未说明概率表示、边缘化过程及树结构的具体构造，因此其训练需求、查表规模、内存占用和编译成本尚未验证。与依赖大型预训练模型反复推理的方案相比，本文的核心思路是改变概率模型的表示与执行方式，而非仅缩小神经网络。 作者报告，在所评估的基线及实验条件下，相比其中最快的学习式基线，解码与编码分别加速 95.5 倍和 52.8 倍；相比所评估的传统编解码器，分别加速 4 倍和 5.7 倍，同时维持有竞争力的码率—吞吐量权衡。摘要未提供数据集、具体基线、硬件、线程配置及码率数值，因而这些倍数不能直接外推到其他设备或压缩协议。 作者还报告支持 16-bit 图像压缩、从服务器到可穿戴设备的实际编解码，以及通过位平面截断实现的有损扩展；补充材料据称包含自包含解码演示文件，本次未核验。评估其部署价值时，需核对表与树结构计入比特流后的总码率、一次性编译成本是否计入耗时，以及不同设备的内存与吞吐量条件。实验协议、消融及统计信息尚未验证。材料未提供针对 EEG 数据结构或 BCI 任务的具体机制对应，不能据此认定其具有 BCI 压缩收益。