摘要
据估计，2020年全球产生的数据量达到59 ZB（即5.9 × 10¹³ GB），由此带来的数据存储与传输成本极为巨大。幸运的是，近年来深度生成模型的进展推动了一类新型“神经压缩”（neural compression）算法的发展，这类算法在压缩比方面显著优于传统的编码器（codecs）。然而，由于神经压缩在带宽利用方面存在局限，其在商业应用中尚未获得广泛兴趣。因此，开发高效且实用的压缩框架具有重要的现实意义。本文探讨了基于归一化流（normalizing flows）的无损压缩方法，该方法在实现高压缩比方面展现出巨大潜力。为此，我们提出了一种名为iFlow的新方法，用于实现高效的无损数据压缩。首先，我们设计了模块化尺度变换（Modular Scale Transform, MST），并引入了一类基于MST的新型数值可逆流变换家族。随后，我们提出了统一基底转换系统（Uniform Base Conversion System, UBCS），这是一种快速的均匀分布编码器，被集成至iFlow框架中，从而实现了高效的压缩性能。实验结果表明，iFlow在压缩比方面达到了当前最优水平，且其编码速度比其他高性能方案快达5倍。此外，本文所提出的技术可广泛应用于各类基于流的压缩算法，显著提升其编码效率，具有良好的通用性和推广价值。