标签
该论文提出 Task-Sufficient Contraction（任务充分约简）概念，研究在编码器、码本、码率或失真目标确定之前，如何依据任务预先约简信源，并保证下游问题族的结果不变。论文给出了基于 regret（遗憾）合并状态以及二次损失下投影的精确刻画。
CurveCodec 2 提出了一种与骨骼无关的骨骼动画压缩方法：在对数映射中编码运动曲线，并使用小型学习熵模型进行压缩。在逐关节最坏情况误差约定下，其字节占用仅为 ACL 的 0.37 倍；在平均误差约定下为 0.22 倍。解码可在单个 CPU 核心上完成，并且无需重新训练即可迁移到训练中未见过的物种。
本可行性研究在AFRL的GOTCHA SAR相位历史数据上，将小型卷积自编码器与分块自适应量化（BAQ）进行基准对比，发现学习式编码器在各速率下均处于劣势。研究还揭示了评估中的陷阱，如CFAR边界伪影和截断范围敏感性，并提出了一套面向学习式雷达压缩的评估协议。
AFP-GIC 是一篇发表于 IEEE Access 2026 的论文，提出了一种面向可控生成式图像压缩的自适应融合先验迁移方法，仅用单个预训练模型即可在五个码率工作点上实现最高 167:1 的压缩比，并将解码延迟较 DC-VIC 降低 18.1%。
GeoRVQ提出了一种针对生理信号的解码器感知掩码令牌模型，通过考虑残差向量量化中的局部响应和残差依赖性，提高了准确性并减少了解码失真。
本文提出了一种方法，通过使用随机Hessian估计将全参考图像质量指标近似为输入依赖的二次失真，将其集成到视频编解码器的率失真优化中，从而在VVC中实现BD率节省。
本文提出了一种针对离散视觉标记化的统一率失真视角，解决了关于量化目标和比较的关键问题，并表明在受控条件下，向量量化实现了最低的失真。
HeadWiseKV 是一个无需训练的框架，用于压缩混合长上下文语言模型中的KV缓存，在保持质量的同时减少GPU内存使用并扩展上下文长度。
本文在率失真框架下统一了大语言模型和智能体中的内存压缩技术，提出了一个用于评估不同层压缩的分类法和基准。
FRAPPE是一种新颖的自编码框架，使用投影追踪编码器从完整输入预测残差，实现了高效的变速率图像压缩和快速的CPU编码。在高压缩比下，FRAPPE-Image在感知质量上优于AVIF，编码速度快47倍，使得仅使用CPU即可实现实时1080p 30fps编码。
本文介绍了 LiVeAction，这是一种专为资源受限设备上的实时操作而设计的轻量级神经编解码器。它利用类 FFT 结构和基于方差的率失真惩罚，在保持低功耗传感器实用性的同时，实现了卓越的率失真性能。