AEIC 深度解读

当码率降到 0.05 bpp 以下——一张 1080P 图像只能传输不到 50 KB 的数据——传统压缩算法（H.266/VVC）的输出几乎无法辨认，而感知导向的生成式方法（PerCo #Careil et al., 2023、DiffEIC #Li et al., 2024、StableCodec #Zhang et al., 2025、DLF #Xue et al., 2025）能合成视觉上逼真的重建。然而这些方法有一个共同的代价：编码端极其昂贵。

以 StableCodec 为例，编码端需要串联 SD VAE 编码器 + ELIC 编码器 + 潜空间变换编码器，总参数量达到 47.16M，在 GTX 1080Ti 上编码一张 768×512 图像需要 328ms #Zhang et al., 2025。DLF 更慢，同样分辨率下需要 494ms #Xue et al., 2025。这意味着在 IoT 终端、无人机、卫星通信等编码端资源受限的场景中，这些方法根本不可部署。

AEIC（Asymmetric Extreme Image Compression）的核心洞察非常直接：超低码率意味着 latent 的信息量天然受限，因此不需要深层编码器#Zhang et al., 2026。基于这个洞察，作者用 StarNet 架构 #Ma et al., 2024 构建了两个轻量编码器——AEIC-ME（3.09M 参数）和 AEIC-SE（0.94M 参数），配合基于 SD-Turbo 的单步扩散解码器 #Sauer et al., 2024，在超低码率下实现了感知质量 SOTA，同时 AEIC-SE 在 1080P 分辨率下达到 35.8 FPS 实时编码，比 DLF 快 18.2 倍，比 StableCodec 快 19.3 倍 #Zhang et al., 2026。

AEIC 最反直觉的贡献在于：它证明了超低码率压缩不需要复杂的编码器。现有方法几乎全部遵循"先过一遍预训练生成模型编码器（如 SD VAE encoder），再用一个额外的潜空间变换编码器做压缩"的两阶段范式 #Zhang et al., 2025 #Xue et al., 2025 #Li et al., 2024。编码端堆叠了大量参数，仅仅是为了产出一个极低维度的 latent。

离散码本分析

作者从离散和连续两个角度给出了理论论证。对于离散码本 $C = \{c_1, c_2, \dots, c_M\}$，最大可表示码率为 $\log_2 M$。编码时如果采用穷举搜索，计算复杂度为 $\mathcal{O}(M) = \mathcal{O}(2^{\mathcal{R}})$。这意味着当码率 $\mathcal{R}$ 降低时，所需的搜索空间随码率指数级缩小——超低码率天然允许低复杂度的编码过程 #Zhang et al., 2026。

连续高斯分析

对于连续情况，高斯隐变量 $z \sim \mathcal{N}(\mu, \sigma^2)$ 的微分熵为：

码率（熵）完全由方差 $\sigma^2$ 决定。超低码率意味着 $\sigma^2$ 必须很小，即 latent 的取值范围非常窄。一个取值范围极窄的连续变量，不需要深层网络来表达——这就像只需要很少的离散码本元素一样 #Zhang et al., 2026。

图 1：浅编码器的理论动机。(a) 编码器复杂度对比；(b) 正常码率编码 ELIC 的 latent 方差；(c) 超低码率方法的 latent 方差急剧缩小。（来源：Zhang et al., 2026, Fig. 2）

Fig. 1 的实证数据完美印证了这个分析：当码率从正常范围降到超低范围（0.01–0.035 bpp）时，无论是 ELIC #He et al., 2022、StableCodec 还是 DLF，latent 方差都急剧缩小。AEIC 的浅编码器可以产出与复杂编码器相同方差范围的 latent，说明超低码率下编码器的表达力根本不是瓶颈 #Zhang et al., 2026。

AEIC 的整体架构遵循非对称设计哲学：编码端尽量轻量（适合边缘设备），解码端承担重建的复杂性（可以在云端或高性能设备上运行）。这与传统压缩中"编码慢、解码快"的范式恰好相反，但在超低码率的 IoT/边缘场景中更为合理 #Zhang et al., 2026。

图 2：AEIC-SE 整体管线。编码端用 StarNet 浅编码器直接在像素空间做分析变换，解码端通过合成变换、单步去噪和 lite VAE 解码器重建。（来源：Zhang et al., 2026, Fig. 1）

3.1 浅层分析变换编码器

给定输入图像 $x$，编码器直接应用浅层变换 $g_a$（基于 StarNet #Ma et al., 2024 的高效卷积网络）将其压缩为紧凑的 latent $y$，空间压缩比为 32×。量化后得到 $\hat{y}$，通过 hyperprior + 四叉树分区自回归上下文模型 #Minnen et al., 2018 #Li et al., 2023 估计高斯参数 $(\mu, \sigma)$ 进行算术编码。两个变体的配置如下：

AEIC-ME 和 AEIC-SE 仅在编码器 $g_a$ 和熵模型配置上不同，解码端完全相同。

3.2 单步扩散解码器

解码端的核心创新是将 SD-Turbo #Sauer et al., 2024 裁剪为无条件单步去噪器。标准 SD-Turbo 的条件去噪过程为：

其中 $c$ 是文本条件，$T$ 是时间步。但在图像压缩场景中，传输文本提示会增加额外码率开销，而已有研究 #Vonderfecht et al., 2025 表明文本提示对压缩重建质量的贡献微乎其微。因此 AEIC 直接移除文本编码器、时间步嵌入和所有交叉注意力层，将去噪器简化为无条件格式 #Chen et al., 2025：

这一裁剪移除了超过 75M 参数，同时略微提升了性能（BD-rate -1.29% PSNR, -0.23% LPIPS）#Zhang et al., 2026。

解码器还采用了双分支结构 #Zhang et al., 2025：合成变换 $g_s$ 的输出被拆分为纹理分支 $l_T$ 和结构残差分支 $l_{res}$，纹理经单步去噪后与残差相加，再送入 VAE 解码器：

与 StableCodec 使用独立的辅助解码器不同，AEIC 将两个分支直接集成在 $g_s$ 中，增强了跨分支交互效率。此外，原始 SD-Turbo 的 VAE 解码器被替换为 50% 通道裁剪的轻量版本（49.5M → 12.4M 参数），性能退化不到 1% #Zhang et al., 2026。

3.3 双面特征蒸馏

浅编码器 AEIC-SE 从头训练会导致严重性能下降（LPIPS BD-rate +8.47%）。作者提出双面特征蒸馏策略，将 AEIC-ME（教师）的知识迁移到 AEIC-SE（学生）。

图 3：双面特征蒸馏。编码器侧对齐 $y, z, \phi, \hat{y}$ 四个中间表征，解码器侧对齐 $l_T, l_{res}, l_0$ 及 UNet 内部特征。（来源：Zhang et al., 2026, Fig. 5）

编码器侧蒸馏 $\mathcal{L}_{enc}$ 对齐四个中间表征——$g_a$ 的输出 $y$、hyperprior 分析 $z$、hyperprior 合成 $\phi$、量化后 $\hat{y}$。由于师生维度不匹配，引入可学习投影 $f(\cdot)$（单层卷积）：

解码器侧蒸馏 $\mathcal{L}_{dec}$ 对齐双分支 latent $l_T, l_{res}$、去噪结果 $l_0$，以及 UNet 各 block 的内部特征 $h_n$：

双面蒸馏将 AEIC-SE 与 AEIC-ME 的性能差距缩小到 LPIPS BD-rate 仅 +0.60%——几乎可以忽略 #Zhang et al., 2026。

AEIC 的训练采用两阶段隐式码率剪枝策略 #Zhang et al., 2025——先在宽松码率约束下让模型充分探索，再突然收紧到极端码率目标。这个策略是理解 AEIC 训练设计的关键。

图 4：AEIC-ME 的两阶段隐式码率剪枝。Stage 1 宽松码率（λ=1）下码率逐渐上升到 0.05 bpp，重建质量稳步提升；Stage 2 突然收紧（λ=16），码率骤降到目标范围。（来源：Zhang et al., 2026, Fig. 4）

教师（AEIC-ME）训练

Stage 1（300K 迭代）：使用 512×512 patch，batch=8（实际每卡 batch=1 + 4 步梯度累积），学习率从 $1\times10^{-4}$ 在 280K 迭代后降到 $5\times10^{-5}$。码率约束 $\lambda_{S1}=1$，失真项包含重建损失、LPIPS 感知损失 #Zhang et al., 2018 和语义损失 #Lee et al., 2024，权重分别为 $\gamma_1=2, \gamma_2=1, \gamma_3=0.1$ #Zhang et al., 2026。

Stage 2（30K 迭代）：batch 增大到 32，码率约束 $\lambda_{S2} \in \{2, 4, 8, 16, 32\}$ 对应不同目标码率。关键变化：(1) 感知损失从 LPIPS 切换到 OC-EA-DISTS #Wu et al., 2025 #Li & Wang, 2024（overlap-chunked edge-aware DISTS），对超低码率下的纹理约束更有效；(2) 加入基于 DINOv3 #Simeoni et al., 2025 的 GAN 判别器损失，权重 $\alpha=0.1$ #Zhang et al., 2026。

学生（AEIC-SE）蒸馏训练

Student Stage 1（200K 迭代）：与教师 Stage 1 类似，但额外加入编码器蒸馏项 $\beta_1 \mathcal{L}_{enc}$（$\beta_1=0.5$）。关键 trick：180K 迭代后 drop $\mathcal{L}_{enc}$ 并 reset $\{\lambda, \gamma_1\} = \{1.1, 0.5\}$ 以加速收敛 #Zhang et al., 2026。

Student Stage 2（30K 迭代）：加入 GAN 损失 + 解码器蒸馏 $\beta_2 \mathcal{L}_{dec}$（$\beta_2=0.001$）。20K 迭代后 drop $\mathcal{L}_{dec}$ 以加速收敛 #Zhang et al., 2026。

Stage 3 · 高分辨率微调（HRF）（5K 迭代）：仅 AEIC-SE 需要。使用 1024×1024 patch，学习率 $2\times10^{-5}$ 阶梯衰减。浅编码器对高分辨率图像泛化能力较弱，这 5K 步微调可以显著提升 2K 分辨率下的性能，尤其是 DISTS 指标 #Zhang et al., 2026。

AEIC 的推理链路清晰地分为编码和解码两个阶段，体现了非对称设计的工程实用性。

编码端（边缘设备友好）

1. 分析变换：$y = g_a(x)$，StarNet 浅层卷积网络将输入图像映射到 latent 空间，空间下采样 32×
2. 熵编码：hyperprior 模块估计高斯参数 $(\mu, \sigma)$，四叉树分区自回归上下文模型进行算术编码：$\hat{y} = \mathrm{quantize}[y - \mu] + \mu$

AEIC-SE 的编码复杂度极低：编码器仅 16.10M 参数（含熵模型），MACs 仅 46.02K/pixel，在 RTX 4090D 上编码 1080P 图像仅需 27.9ms（35.8 FPS），在 GTX 1080Ti 上也只需 110.4ms #Zhang et al., 2026。

解码端（高性能设备）

1. 算术解码：从 bitstream 恢复量化 latent $\hat{y}$
2. 合成变换：$l_T, l_{res} = \mathrm{split}[g_s(\hat{y})]$，产出纹理和结构残差两个分支
3. 单步去噪：$l_0 = \epsilon_{\mathrm{SD}}(l_T)$，无条件 UNet（LoRA rank=32）一步去噪
4. 融合 + VAE 解码：$\hat{x} = \mathcal{D}_{\mathrm{SD}}(l_0 + l_{res})$，lite VAE 解码器（12.4M 参数）产出最终重建

对于高分辨率图像，推理时使用 tiling 策略：AEIC-ME 的 UNet tile size=96（overlap=32），AEIC-SE 为 192（overlap=64），配合 16-bit color fix 消除拼接伪影 #Zhang et al., 2026。解码端整体参数量约 913M（主要来自 UNet），1080P 解码延迟约 836ms（RTX 4090D）#Zhang et al., 2026。

实验配置

Rate-Distortion-Performance 曲线

图 5：CLIC 2020 和 DIV2K 上的 Rate-Perception（红框）和 Rate-Distortion（蓝框）曲线。AEIC-ME 和 AEIC-SE 在所有感知指标上全面领先。（来源：Zhang et al., 2026, Fig. 6）

在 0.005–0.035 bpp 的完整超低码率范围内，AEIC-ME 在所有感知指标（FID、KID、DISTS、LPIPS）上一致优于 StableCodec、DLF 等最新方法。AEIC-SE 虽然在失真指标上略逊于 AEIC-ME，但在感知指标上持平甚至更好——这说明浅编码器并没有牺牲感知重建质量 #Zhang et al., 2026。

计算复杂度对比

AEIC-SE 的编码复杂度与 EVC-Small（一个面向正常码率的实时编码器）接近，远低于所有超低码率方法。更重要的是，AEIC-SE 在 GTX 1080Ti（11GB 显存）上支持完整 1080P 编解码，无需 tiling——这对于消费级 GPU 部署意义重大 #Zhang et al., 2026。

消融实验

用户研究

15 名用户、每人 24 组对比的偏好研究显示：AEIC-SE 相比 H.266/VVC 获得 96.2% 偏好，相比 DLF 获得 82.7%，相比 StableCodec 获得 72.1% #Zhang et al., 2026。这进一步证明在超低码率下，失真指标（PSNR/MS-SSIM）已经不能反映视觉质量——H.266/VVC 的 PSNR 最高，但用户几乎一边倒地偏好 AEIC 的生成式重建。

图 6：Kodak 数据集上的定性对比（512×512 patches）。AEIC-SE 用最少的比特产出最逼真的重建，而 H.266/VVC 虽然 MS-SSIM 最高，但输出明显模糊且有块效应。（来源：Zhang et al., 2026, Suppl. Fig. 4）

竞品定位对比

局限性

AEIC 的非对称设计解决了编码端的效率问题，但也留下了明确的局限：

• 解码端仍然很重：约 913M 参数（主要来自 UNet），1080P 解码约 836ms（RTX 4090D）。实现真正的实时解码仍然困难
• 失真指标劣势：在 PSNR/MS-SSIM 上不如 H.266/VVC 和 ELIC，这是生成式压缩的固有代价
• 浅编码器泛化：AEIC-SE 对高分辨率图像泛化能力弱，需要额外的 HRF 阶段补救
• 训练代码：GitHub 仓库的训练代码尚未完全开放

可操作启发

AEIC 对后续研究有几个直接的启发方向：

1. 码率-复杂度关系的理论深化：论文的离散码本和连续高斯分析虽然简洁，但只给出了启发式论证。更严格的理论框架（如信息瓶颈理论）可能给出更强的设计指导
2. 解码端的效率化：作者指出未来可以探索更紧凑的生成先验、硬件友好的解码器设计和新的解码器剪枝机制
3. 蒸馏方法的泛化：双面特征蒸馏的思路——编码器侧对齐中间表征 + 解码器侧对齐生成特征——可能适用于其他需要轻量编码器的生成式任务