Les représentations neurales implicites et les champs neuronaux constituent un nouveau paradigme pour la représentation des signaux, qu'il s'agisse d'images, d'audio ou de scènes 3D. L'idée fondamentale est de modéliser un signal comme un réseau de neurones continu et différentiable, ce qui ouvre la voie à de nouvelles approches théoriques et pratiques, notamment dans le domaine de la compression.
Ce travail se concentre sur la compression des images neurales, définies comme des images 2D représentées par un réseau de neurones. Les chercheurs introduisent le concept d'Images Neurales Adaptatives (ANI), une représentation efficace qui s'adapte dynamiquement aux différentes exigences de transmission ou d'inférence. Cette adaptabilité est la clé de leur méthode de compression innovante.
La méthode proposée permet une réduction spectaculaire du débit binaire, atteignant un facteur de huit sur le nombre de bits par pixel, tout en préservant les détails les plus sensibles de l'image et en maintenant une fidélité visuelle élevée. Cette avancée repose sur une implémentation réussie de représentations neurales quantifiées sur seulement 4 bits, repoussant les limites de la compression tout en conservant la qualité.
En conséquence, ce cadre de travail établit un nouvel état de l'art dans le compromis crucial entre le PSNR (indice de qualité) et le débit binaire, ouvrant des perspectives prometteuses pour le stockage et la transmission efficaces de contenus visuels complexes dans des environnements contraints en bande passante ou en capacité de calcul.