本文来自微信公众号： 机器之心 ，编辑：Panda，作者：压缩即智能
2025年2月，国际图像专家组（JPEG）宣布了一件被行业低调庆祝的事：JPEG AI，这项历时多年、被寄予厚望的第一个端到端学习型图像编码国际标准，正式发布。
消息传开，不少研究者在社交媒体上转发，配上「AI终于进了标准」的评论。
JPEG标准诞生于1992年，三十多年来一直是人类数字图像的一门基础语言。而现在，人工智能开始接手重写这门语言的语法。
然而，庆祝背后有一个微妙的现实：即便是JPEG AI，距离真正的「感知压缩」，仍有相当距离。
工程师们知道，传统衡量压缩质量的指标峰值信噪比（PSNR）其实和人眼看到的「好不好看」关系并不大。一张图在PSNR上得了高分，人看了却可能觉得平平无奇；而另一张PSNR偏低的图，人却觉得细节丰富、质感真实。优化数学指标，和优化人眼感知，是两件完全不同的事。
几十年来，从JPEG到VVC，再到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（直接针对人眼体验来优化）一直像是学术论文里的远景目标，而非可以装进手机的工程现实。
就在这个节骨眼上，苹果的一支工程师团队悄悄发了一篇论文，给出了他们的答案，代号：PICO。
论文标题：What Matters in Practical Learned Image Compression
论文地址：https://arxiv.org/pdf/2605.05148
为什么「看起来更好」比「数字更高」难得多？
理解PICO之前，先要理解图像压缩到底在做什么。
把一张照片存成文件，本质上是一道「忘记什么、记住什么」的取舍题。存储空间有限，就必须扔掉一部分信息，同时让看的人尽量察觉不到。不同的编解码器，遵循不同的「扔法」。
JPEG、AV1、VVC等传统编解码器都是工程师手工设计的规则系统。它们把图像切块、变换、量化、熵编码，每一步都是数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极好，但它们的设计本质上是面向「减少像素误差」，而非「减少人眼不适感」。
问题在于，人眼并不是像素误差计。人眼对纹理、对文字、对细节的敏感程度，远比数学公式复杂。当你把一张街景照片压缩得很小，PSNR可能依然体面，但你会看到建筑边缘模糊、路牌文字变形——而这些，恰恰是人眼最先察觉的东西。
学习型编解码器的出现，理论上打开了一扇新门：神经网络可以直接针对人的感知进行端到端训练，而不是针对数学公式。但在PICO之前，已有的感知型学习编解码器，要么速度慢得无法实用，要么缺乏跨设备兼容性，要么无法灵活控制码率，根本装不进一款消费级产品。
三个核心问题，三种解法
PICO的全称是Perceptual Image Codec（感知图像编解码器）。这个名字直接点明了它的目标：让人眼满意。
研究团队系统探索了数百万种模型配置，并引入了几项关键技术创新。
第一个问题：熵编码慢，怎么办？
图像压缩里有一个难题：为了压得更小，编解码器需要用「熵模型」来精确估计每个像素的信息量。最精确的方法叫自回归编码：每压缩一个像素，都要先看看周围已压缩的像素，依次预测。这就像厨师每放一块食材，都要回头看看锅里的状态，才能决定下一步。精确，但极慢。
PICO的解法是「一次性上下文模型」（One-shot Context Model）：把熵编码里最关键的「尺度参数」单独拆出来，在一次前向传播中全部算完，不再需要来回等待；而其余参数可以并行计算，保留了自回归的精度，却绕开了它的速度瓶颈。结果是：去掉这个模块，模型性能下降10.28%；加上它，速度几乎不受影响。
第二个问题：感知训练会产生幻觉，怎么办？
用GAN（对抗神经网络）训练出来的图像往往「看起来很真实」，但可能是编造出来的真实——头发丝变成了不存在的花纹，平滑表面多出了虚假纹理。更麻烦的是，人眼对文字极度敏感，哪怕一个字母变形一点点，就会立刻察觉。
PICO针对文字专门设计了TextFidelityLoss：用一个现成的文字检测器自动找出图中的文字区域，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」。实验显示，加上这项损失函数后，文字区域的绝对误差降低了整整一半。
第三个问题：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把图像切成一块块504×504像素的瓦片，分别处理再拼回去。但GAN在训练时倾向于忽略低频色彩，导致相邻瓦片之间常出现可见的色差，类似于修图时「没有拼好」的感觉。研究团队专门引入了TilingArtifactLoss，一种多分辨率的L1损失，强制模型在多个空间频率上保持色彩一致。这项措施让瓦片边界的误差也下降了一半以上。
实验结果
苹果团队没有只靠基准评测指标说话。他们委托第三方平台Mabyduck，组织了一次大规模的人类主观评测。
评测采用盲测两两对比的方式：610位经过筛选的评测者（需通过色盲检测和压缩伪影辨别测试），对同一张图在不同编解码器下的重建结果进行配对比较，最终汇总为Bayesian ELO分数。共收集了74,925次配对比较结果。
最终数字说明了一切：在相同视觉质量下，PICO的文件体积只有AV1、AV2、VVC、ECM和JPEG AI的三分之一到二分之一——换言之，存同样的图，它需要的比特数只有这些标准的30%-43%。对比目前最强的学习型感知编解码器（HiFiC、MRIC等），PICO也节省了20%-40%的文件大小。
速度方面，在iPhone 17 Pro Max上，PICO编码一张12MP的照片仅需230毫秒，解码只需150毫秒。而大多数顶级ML编解码器在NVIDIA V100服务器显卡上运行，都比这个慢。
值得注意的是，论文还专门记录了一个「反例」：在PSNR这个传统指标上，PICO表现平平，甚至不如DCVC-RT和VVC。这恰好印证了团队的基本判断：优化感知质量和优化数学指标，本质上是两个方向，鱼与熊掌不可兼得。
一个时代节点，而非终点
PICO当然也有局限性。论文坦承，对于卡通、示意图等高度规则化的合成图像，PICO的压缩效率不如传统编解码器，因为这类内容天然适合规则驱动的自回归建模，而非感知生成。
但这些局限并不掩盖这项工作的意义所在。
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，工程师一代代优化的是PSNR、SSIM这类指标。而人眼的感知，始终是个被绕开的「难题」。
PICO是第一次有人系统地把这道难题正面拆解：从架构搜索、损失函数设计，到大规模人类主观评测，并最终装进了一款可以在手机上实时运行的编解码器。
当你下一次用苹果设备分享一张照片，也许不会感受到任何不同。但或许在那个安静的压缩过程里，一套针对人眼感知量身打造的算法，正在决定哪些信息值得留下，哪些可以悄悄遗忘。
团队：从WaveOne到苹果
这篇论文的通讯作者是Oren Rippel，苹果研究员，压缩领域的老面孔。
他的名字最早大规模出现，是在2017年。彼时他还在初创公司WaveOne，发表了一篇名为「实时自适应图像压缩」的论文，用神经网络打败了当时所有主流编解码器，同时维持实时运行速度。那篇论文在学界引发了不小的波澜，也奠定了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，推出了面向视频压缩的ELF-VC，在UVG视频测试集上相比H.264实现了44%的码率节省，同时运行速度比同类ML编解码器快五倍以上。
WaveOne的这支团队后来整体加入苹果。而这次的PICO，是他们带着苹果的算力和平台资源，在图像感知压缩上交出的第一份系统性答卷。