On estime que le monde a produit 59 ZB (5,9 × 10¹³ Go) de données en 2020, entraînant des coûts considérables pour le stockage et la transmission des données. Heureusement, les progrès récents dans les modèles génératifs profonds ont permis le développement d'une nouvelle catégorie d'algorithmes appelés « compression neuronale », qui surpassent de manière significative les codecs traditionnels en termes de rapport de compression. Malheureusement, l'application de la compression neuronale suscite peu d'intérêt commercial en raison de ses contraintes de bande passante ; il est donc essentiel, sur le plan pratique, de développer des cadres extrêmement efficaces. Dans cet article, nous examinons la compression sans perte fondée sur les flux normalisants, qui ont démontré une grande capacité à atteindre des rapports de compression élevés. À cet effet, nous introduisons iFlow, une nouvelle méthode permettant une compression sans perte efficace. Nous proposons tout d'abord une transformation d'échelle modulaire (MST) ainsi qu'une nouvelle famille de transformations de flux numériquement inversibles basées sur la MST. Ensuite, nous présentons le système de conversion uniforme (UBCS), un codec à distribution uniforme rapide intégré à iFlow, permettant une compression efficace. iFlow atteint des performances de compression au niveau de l'état de l'art et est cinq fois plus rapide que les autres méthodes à haute performance. En outre, les techniques proposées dans ce travail peuvent être appliquées pour accélérer le temps de codage dans une large classe d'algorithmes basés sur les flux.