一、会议内容
李老师围绕深度学习图像压缩方向开展阶段性科研进展汇报，从研究背景、技术路线、率失真优化、模型效率、实验评价等方面介绍了近期研究工作，并对当前研究中需要重点关注的问题和后续工作计划进行了梳理。
汇报首先指出，随着高清图像和视觉数据规模不断增长，图像存储与传输对压缩效率提出了更高要求。传统图像压缩方法具有较成熟的工程体系，而近年来端到端学习式图像压缩依托深度神经网络实现联合优化，在率失真性能方面展现出较大研究潜力。与此同时，现有方法仍需进一步兼顾压缩性能、模型复杂度与实际应用效率。随后对当前研究中的共性问题进行了归纳：
1.图像压缩需要在码率与重建质量之间取得合理平衡，不同码率区间下模型表现存在差异，需要通过统一实验设置进行系统评价；
2.深度学习压缩模型通常包含较多网络模块，参数量、计算量和存储开销相对较高，在保证压缩性能的同时降低模型复杂度仍是重要研究方向；
3.不同压缩方法在网络结构、训练策略和熵模型设计等方面存在差异，实验结果需要在统一数据集、统一评价指标和相近码率范围内进行公平比较；
4.模型评价不能仅关注单一指标，还应综合考虑码率、客观重建质量、模型规模以及编码和解码效率，从多个维度分析算法的实际性能。
针对以上问题，现阶段研究主要围绕数据与训练流程规范化—压缩模型结构分析—率失真性能评价—模型复杂度分析四个方面开展实验：
1.数据与训练流程：统一训练数据预处理、图像裁剪、模型训练与测试流程，保证不同实验设置之间具有较好的可比性和可复现性，并对训练过程中的收敛情况和参数设置进行记录。
2.模型结构研究：在现有端到端图像压缩框架基础上，对编码网络、解码网络和概率模型等组成部分进行分析，重点关注不同结构对压缩性能和模型复杂度的影响，为后续模型优化提供实验依据。
3.率失真性能评价：在统一测试集和多个码率点下开展对比实验，采用比特率、PSNR、MS-SSIM等常用指标绘制率失真曲线，从低、中、高码率多个区间观察不同方法的性能变化。
4.复杂度分析：同步统计模型参数量、模型存储规模以及编码和解码时间等指标，在评价重建质量的同时考察模型运行效率，使实验结果能够更加全面地反映图像压缩方法的综合性能。
目前已完成图像压缩实验环境搭建、主要对比方法整理以及阶段性模型训练与测试，并形成了较为完整的率失真评价流程。现有实验能够较稳定地反映不同方法在多个码率区间下的性能变化，为后续实验补充、结果分析和论文撰写提供了基础。
二、组员讨论
汇报结束后，与会老师围绕图像压缩实验设计、评价指标、模型复杂度分析及论文撰写等方面展开交流。
雷戈老师建议，可进一步完善不同类型压缩方法的对比实验，在保证测试条件一致的基础上，对传统压缩方法和主流学习式图像压缩方法进行综合比较，同时增加模型参数量和运行时间等复杂度指标，使实验结论更加完整。
杨青松老师提出，后续实验应继续关注不同码率区间的性能变化，合理设置训练参数和测试点，并在公开测试数据上进行重复验证，减少单次实验波动对结果分析的影响，提高实验结果的稳定性与可信度。
林豪发老师从科研规范角度指出，应进一步规范实验记录和结果整理方式，明确训练配置、测试环境及评价标准，完善必要的对比实验和消融分析，使各项实验能够形成清晰、完整且可复现的证据链，为后续论文撰写做好准备。
三、会议总结
李老师对本次汇报和讨论进行了总结。
会议认为，当前图像压缩研究已形成较为清晰的实验思路，从端到端压缩模型训练、率失真性能评价到模型复杂度分析，各环节能够相互衔接，阶段性实验流程较为完整，为继续开展模型优化、横向对比和论文整理奠定了基础。
同时明确后续工作方向：一是完善公开数据集实验，增强结论稳定性；二是补充不同压缩方法横向对比，统一评价标准；三是进一步分析模型规模和运行效率，完善综合性能评价；四是整理实验数据与图表，逐步形成规范的科研成果材料。
图为会议讨论现场
