红外图像压缩 Benchmark

红外图像压缩系列（一） 从理论上梳理了红外成像的物理特性与传统编码基线；系列（二） 进一步讨论了学习式压缩在红外场景的局限与改造方向。但理论归理论，不同编码器在真实红外数据上的实际表现究竟如何？率失真曲线谁更优？学习式压缩在极低码率下真的能超越 JPEG2000 吗？

本篇用 FLIR ADAS 1.3 热红外数据集，对 37 款编码器配置（21 款传统 + 18 款学习式 + 3 款 ELIC）进行系统 Benchmark，覆盖 PSNR、SSIM、BPP、压缩比与编解码速度五个维度，用数据回答上述问题。

数据集

使用 FLIR ADAS 1.3 热红外图像，原始数据为 14-bit 辐射数据存储为 16-bit TIFF（分辨率 640×512）。测试图像取自训练集 FLIR_00001.tiff。

传统编码器

学习式编码器

所有学习式模型均来自 CompressAI 预训练权重，输入做 min-max 归一化后 padding 到 64 的倍数。ELIC 模型使用独立实现 #Chandelier-2023。

评价方法

所有编码器的 PSNR 和 SSIM 均在 min-max 归一化后的 [0, 1] 区间 上计算，data_range=1.0。这确保了不同输入位深（8-bit vs 16-bit）的编码器之间指标可比 #skimage-metrics。编码速度为单线程 CPU 测量（Apple Silicon）。

率失真曲线是评价压缩效率的核心工具：横轴是码率（BPP，越低越好），纵轴是质量（PSNR/SSIM，越高越好），因此 曲线越靠近左上角，编码器效率越高。

PSNR vs BPP 率失真曲线。传统编码器（蓝/绿/橙）在中等码率段效率领先；ELIC（粉色）在极低码率段（< 0.1 bpp）有独特优势。

SSIM vs BPP 率失真曲线。结构相似性维度下，HEIC 和 AVIF 在高码率段接近 1.0，学习式编码器在低码率段与 JPEG 基本持平。

下图展示 FLIR_00001.tiff 中心 256×256 裁剪区域的压缩效果。左列为原始图与各编码器的重建结果，右列为对应的绝对误差热图（红色越亮表示误差越大）。

压缩效果可视化对比。无损编码（PNG/JPEG2000-lossless）误差为零；HEIC q95 几乎无可见误差；ELIC-q1 在极低码率下仍保留主要热目标轮廓，但纹理细节丢失明显。

场景驱动的编码器选择

学习式压缩的现状与展望

当前 Benchmark 中，CompressAI 预训练的学习式编码器（bmshj2018、mbt2018、cheng2020 系列）均未在红外数据上训练，直接应用于红外数据存在领域偏移。未来方向包括：

• 在红外数据集上 fine-tune 现有预训练模型
• 设计红外专用的熵模型（如小波域自回归模型 #ARWNet-2026）
• 引入任务驱动损失（检测、分割）替代纯像素重建损失 #SA-ICM-2024

# 克隆项目
git clone https://github.com/gongshangzheng/infraredComp.git
cd infraredComp

# 安装依赖（uv 管理）
uv sync

# 运行完整 benchmark（含学习式编码器）
uv run python -m benchmark.runner --max-images 50 --learned

# 仅运行传统编码器（更快）
uv run python -m benchmark.runner --max-images 100

运行后在 results/ 目录生成 results.csv、report.html 和全部可视化图表。