실용적 학습 기반 이미지 압축의 핵심

실용적 학습 기반 이미지 압축에서 지각 품질과 런타임을 함께 최적화하는 핵심 설계 선택들을 체계적으로 비교했다. 여러 새로운 기법도 ablation 실험에 포함해 실제 배포 가능한 조합을 찾는 데 초점을 맞췄다.

핵심은 performance-aware neural architecture search였다. 수백만 개의 백본 구성 후보를 탐색해 온디바이스 런타임 제약을 만족하면서도 지각 지표를 기준으로 압축 성능을 최대화하는 모델을 골랐다.

그 결과 얻은 새 코덱은 속도와 지각 품질의 균형을 크게 끌어올렸다. 엄격한 주관적 사용자 평가에서 AV1, AV2, VVC, ECM, JPEG-AI 대비 2.3~3배 비트레이트 절감, 기존 최고 수준의 학습 기반 코덱 대비 20~40% 추가 절감을 달성했다.

속도 역시 실용적이다. iPhone 17 Pro Max에서 12MP 이미지를 인코딩하는 데 230ms, 디코딩하는 데 150ms가 걸렸고, 이는 V100 GPU에서 도는 대부분의 상위 ML 기반 코덱보다 빠른 수준이다.