传统神经图像压缩虽高率，却因高延迟与能耗难以在边缘设备落地。一项新研究提出 GIC-DLC 方法，用可训练逻辑电路替代浮点网络，在保持高压缩率的同时，实现了数量级级的能耗与延迟降低，为在手机、无人机等设备上部署学习式压缩开辟了全新可行路径。
智能速览
用可微逻辑电路替代传统浮点神经网络。
采用分层无损框架，逐层解码保证质量。
压缩率优于主流编码器，逼近复杂学习模型。
能耗与延迟实现数量级级降低，具备实时性。
逻辑电路可直接综合到 FPGA，解决部署难题。
精华内容
GIC-DLC 的核心创新在于其独特的架构设计，它如何将复杂的浮点运算转化为硬件友好的逻辑操作？这背后是多层技术的协同作用。
核心架构替换
该技术的核心是采用可微逻辑电路与查找表替代了传统的大规模浮点神经网络。通过将神经网络中的矩阵乘法运算，转换为硬件上极其高效的查表与布尔逻辑操作，使得整个模型在推理阶段完全无需浮点运算单元。这种设计天然适配 FPGA 等硬件，从根本上解决了神经压缩计算负担过重的问题。
分层两阶段建模
GIC-DLC 构建了一个多分辨率金字塔式的分层无损压缩框架。解码过程从低分辨率开始，逐步恢复到高分辨率，其中低分辨率层负责构建图像的全局结构，而最高分辨率层则集中编码局部细节信息。在此基础上，它采用 UPS 和 ARM 两阶段模型：先用上采样模型预测高分辨率像素的初始值，再利用自回归模型，基于已解码的邻域像素来精确预测当前像素的分布参数，从而显著提升了概率建模的精度。
性能与优化
为了实现真正的无损压缩，该方案直接以期望比特数作为端到端的训练目标，其熵编码基于拉普拉斯分布与 ANS（非对称数字系统）。在实际测试中，于 EMNIST 数据集上，GIC-DLC 的压缩率指标明显优于 PNG、WebP 和 JPEG-XL 等主流传统编码器，与计算复杂度极高的 MLP 学习式模型相比也毫不逊色，证明了其高效性。
硬件落地优势
相较于理论模型，GIC-DLC 在实际部署上展现出巨大优势。理论估算显示，与 PNG 编码相比，其编码能耗可降低约 100 倍，解码能耗降低约 10 倍。单像素处理延迟低于 5 纳秒，完全满足实时处理需求。更重要的是，逻辑电路在训练后可完全离散化，直接综合到 FPGA 上，彻底摆脱了神经压缩“训练好、用不了”的长期困境。
GIC-DLC 不仅是一项算法创新，更是连接前沿学习模型与现实硬件部署的桥梁。它展示了通过算法与硬件协同设计，解决 AI 落地难题的巨大潜力。未来，这种思路能否催生更多在边缘端高效运行的 AI 应用？
