《信息技术 面向机器智能的数据编码 第1部分：图像》标准立项研究报告.docx

*

《信息技术面向机器智能的数据编码第1部分：图像》标准立项研究报告

EnglishTitle:ResearchReportontheStandardizationProjectof“InformationTechnology—DataCodingforMachineIntelligence—Part1:Image”

摘要

随着人工智能技术的深度渗透与视觉大数据应用的爆发式增长，传统以人类视觉感知为优化目标的图像编码范式正面临严峻挑战。当前，占互联网流量主体的图像视频数据，其存储、传输与智能分析处理成本高昂，且传统的“编码-解码-分析”流程存在效率瓶颈与隐私风险。为应对这一挑战，国际标准化组织（如MPEG）已启动面向机器智能的编码（VCM/FCM）研究，旨在探索直接服务于机器分析任务的高效数据表示方法。

本报告围绕《信息技术面向机器智能的数据编码第1部分：图像》国家标准的立项背景、目的意义、技术范围与核心内容展开系统阐述。报告指出，本标准旨在解决现有视觉编码在支持机器智能任务时存在的压缩效率不足、任务泛化能力有限、计算与隐私成本高昂等核心问题。其核心创新在于，摒弃了以像素级或视觉保真为单一目标的传统思路，转而构建一种以语义特征为载体的、端到端的神经网络编码框架。该框架通过对图像关键语义特征进行高效编解码，能够直接支持检测、分割、姿态估计等多种下游机器智能任务，同时实现智能任务的计算卸载与数据隐私保护。

本标准的制定将填补我国在该前沿技术领域的标准空白，推动编码技术从“为人服务”到“为机服务”的范式转变，对促进安防监控、自动驾驶、工业视觉、内容审核等产业的智能化升级与降本增效具有重要的战略意义和实用价值。

关键词

面向机器智能的编码；特征编码；神经网络压缩；语义特征；计算卸载；隐私保护；VCM；FCM

DataCodingforMachineIntelligence;FeatureCoding;NeuralNetworkCompression;SemanticFeature;ComputationOffloading;PrivacyProtection;VCM;FCM

正文

一、立项背景与目的意义

在数字经济时代，大数据，尤其是以图像、视频为主的视觉大数据，已成为驱动人工智能发展的核心生产要素。据统计，视觉数据占据了互联网总流量的近90%，其海量性、多样性、实时性要求与低价值密度的特征，对数据的存储、传输与智能分析利用构成了前所未有的压力。因此，追求更高效的视觉信息编码技术，始终是技术研发与产业竞争的关键焦点。

然而，长期以来，视觉媒体的高效编码与智能应用是两个相对独立发展的技术领域。现有的高效编码标准（如H.264/AVC,H.265/HEVC,AV1,H.266/VVC等）均以“信号保真”或“人类视觉感知保真”为终极优化目标，旨在为人类观看提供高质量的重建图像或视频。这种范式在面向机器智能分析时暴露出显著局限性：智能系统（如目标检测、图像分类模型）并不需要完美的像素级重建，而是关注图像中的高级语义信息。将海量数据先压缩、传输、解码为像素域，再输入AI模型进行分析，这一过程造成了巨大的带宽与计算资源浪费。

随着人工智能成为数据分析的主流方式，数据应用范式正从“人看”转向“机看”或“人机协同”。因此，编码技术的目标亟需从“面向重建”转向“面向分析”。面向机器智能的编码（DataCodingforMachineIntelligence）应运而生，其核心思想是：设计一种编码方案，使得压缩后的码流能够被机器智能系统直接或高效地利用，在保证分析任务性能的前提下，最大化压缩效率。

此外，该技术范式还具有重要的衍生价值。由于编码过程本质上是将原始像素数据映射到高维语义特征空间，这种经过提炼的特征数据本身具有一定的不可逆性，从而天然具备了数据加密与隐私保护的效果。相较于传统“先加密传输、后解密计算”的模式，直接在特征域进行操作，能显著降低加解密带来的巨大计算开销，为云端协同、边缘计算等场景提供了更优的隐私计算解决方案。

国际标准化活动已在此领域率先布局。运动图像专家组（MPEG）已成立了“面向机器的视频编码”（VideoCodingforMachines,VCM）和“面向机器的特征编码”（FeatureCodingforMachines,FCM）特设小组。VCM旨在优化压缩视频，使其对机器分析任务友好；FCM则专注于对从视频中提取的特征信息本身进行编码。但现有探索仍存不足：VCM标准仍需将码流恢复至像素域，压缩增益受限；FCM标准虽效率高，但通常针对特定网络结构的特征，泛化能力弱，难以支持多样化的下游任务。

在此背景下，立项制定《