知识卡片：GigaBench：面向十亿像素图像压缩与超分辨率的可学习表征基准

一句话结论

GigaBench 是首个专门评估“可学习表征”（Learnable Representations, LRs）在十亿像素（gigapixel）级图像上做压缩与超分辨率表现的基准，并在消费级硬件上系统比较了隐式、混合、显式三类 LRs 的重建质量、模型大小、压缩与推理时间。

事件概述或研究问题

• 可学习表征能把参数化函数族拟合到多种信号上，这类“神经原生”数据格式因紧凑、分辨率无关、便于直接神经处理而受到关注。
• 与此同时，十亿像素图像在科学、文化、工业等领域日益普遍。
• 论文提出的问题是：代表性 LRs 能否在十亿像素尺度、消费级硬件上可靠运行，并在压缩与超分辨率任务上表现如何。GigaBench 即为回答该问题的首个基准与实验评估。

方法/产品要点

• 基准构成：GigaBench 包含跨多个领域收集、采集与合成渲染的图像，覆盖图像压缩与超分辨率两类任务。
• 方法覆盖：适配了一组代表性 LRs，横跨 Implicit（隐式）、Hybrid（混合）、Explicit（显式）三类方法。
• 工程目标：使这些方法能在十亿像素尺度、消费级硬件上稳定运行。
• 评估维度：重建质量、模型大小、压缩时间、推理时间。

主要结果或产业意义

• 论文通过上述维度的系统评估，识别出不同方法之间“一致的趋势”，并据此提出可供后续研究参考的可操作建议。
• 具体数值结果（如各方法的 PSNR、模型体积、耗时对比）在摘要中未给出，待核实（需查阅原文 PDF）。

为什么重要

• 为十亿像素级图像的神经原生表示提供了第一个统一评测口径，填补了 LRs 在超大规模图像场景下缺乏基准的空白。
• 强调“消费级硬件可运行”，意味着评估不止看质量，也看部署可行性，对实际产业落地更有参考价值。
• 与既有卡片中 ASTRA-SR（天文图像盲复原超分）等科学成像超分工作相比，本条关注的是“表示格式+压缩+超分”的基准层面，而非单一复原算法；两者在“科学/专业成像的超分需求”上构成互补脉络，但本条不涉及大气湍流建模等物理先验。

局限与不确定性

• 摘要仅说明“识别出一致趋势”，未披露具体指标数值与排名，待核实。
• 基准图像的具体领域构成、数据规模、评价协议细节，摘要未展开，待核实。
• “消费级硬件”的具体配置与运行条件，待核实。

可用于图书/PPT/简报的角度

• 作为“神经原生数据格式”兴起的例证：从像素网格到可学习函数表示的范式转变。
• 作为“十亿像素图像时代”的评测基础设施案例：科学、文化遗产、工业检测等场景的共同需求。
• 作为“质量—体积—速度”三角权衡的实证素材：三类 LRs 在超大图像上的工程取舍。
• 作为基准研究方法的示例：跨域数据 + 多方法适配 + 多维度系统评估 + 可操作建议。

原始材料

• 标题：GigaBench: Benchmarking Learnable Representations for Gigapixel Image Compression and Super-Resolution
• 作者：Matteo Fusconi, Alex Costanzino, Pierluigi Zama Ramirez, Luigi Di Stefano
• arXiv ID：2610.31644v1（cs.CV）
• 发布/更新：2026-10-22T17:55:10Z
• Abstract URL: https://arxiv.org/abs/2610.31644v1
• PDF URL: https://arxiv.org/pdf/2610.31644v1
• 关键词：Learnable Representations；gigapixel images；image compression；super-resolution；benchmark；Implicit/Hybrid/Explicit methods