Es wurde geschätzt, dass die Welt im Jahr 2020 eine Datenmenge von 59 ZB (5,9 × 10¹³ GB) erzeugte, was immense Kosten für Datenspeicherung und -übertragung verursachte. Glücklicherweise haben jüngste Fortschritte in tiefen generativen Modellen eine neue Klasse sogenannter „neuronaler Kompression“-Algorithmen vorangetrieben, die im Hinblick auf die Kompressionsrate traditionelle Codecs erheblich übertrifft. Leider erzeugt die Anwendung neuronaler Kompression aufgrund ihrer begrenzten Bandbreite nur geringes kommerzielles Interesse; daher ist die Entwicklung hocheffizienter Frameworks von kritischer praktischer Bedeutung. In diesem Artikel diskutieren wir die verlustfreie Kompression mittels Normalisierungsflüssen, die sich durch eine große Kapazität zur Erzielung hoher Kompressionsraten auszeichnen. Dementsprechend stellen wir iFlow vor, eine neue Methode zur Erzielung effizienter verlustfreier Kompression. Zunächst führen wir die Modular Scale Transform (MST) und eine neuartige Familie numerisch invertierbarer Flusstransformationen basierend auf MST ein. Anschließend stellen wir das Uniform Base Conversion System (UBCS) vor, einen schnellen, gleichverteilten Codec, der in iFlow integriert ist und eine effiziente Kompression ermöglicht. iFlow erreicht Spitzenwerte bei den Kompressionsraten und ist fünfmal schneller als andere hochleistungsfähige Verfahren. Darüber hinaus können die in diesem Artikel vorgestellten Techniken zur Beschleunigung der Kodierzeit für eine breite Klasse flussbasierter Algorithmen eingesetzt werden.