bpcodec：基于神经网络的无损图像压缩新方案

bpcodec是一款用Rust编写的严格无损图像编解码器，专为8位灰度图像设计。它采用逐位平面编码和定点二进制上下文模型，在保持完全无损的前提下实现高效压缩，训练阶段支持Metal GPU加速。适用于医疗影像、科学数据存档、数字资产管理等对数据完整性要求极高的场景，项目采用LGPLv3开源许可。

图像压缩领域中，有损压缩（如JPEG、WebP）在体积与质量间平衡，但医疗影像、科学数据等领域需严格无损压缩。传统方案如PNG、TIFF虽可靠，但压缩率往往难以满足需求。bpcodec尝试用神经网络技术为无损压缩开辟新路径，针对8位灰度图像优化，兼顾无损性与压缩效率。

bpcodec的核心技术特点：

• 逐位平面编码：从最高位到最低位逐层编码像素信息；
• 极性归一化：动态调整图像极性优化编码；
• 定点二进制上下文模型：使用训练得到的全局模型（含5120个Q12格式零概率条目）预测比特概率；
• 神经网络辅助：通过模型理解图像统计特性，提升熵编码效率；
• Metal加速训练：Apple Silicon设备可启用GPU加速缩短训练时间（解码为纯CPU运算保证确定性）。

bpcodec提供完整命令行工具，流程分为训练与应用： 训练模型：bpcodec train --input-dir ./images --model model.bpm（学习图像统计生成.bpm模型）； 单张编解码：

• 编码：bpcodec encode --model model.bpm --input image.png --output image.bpc；
• 解码：bpcodec decode --model model.bpm --input image.bpc --output restored.png； 批量处理：bpcodec pack/unpack将模型与图像打包为.bpa归档。 支持三种文件格式：.bpm（模型）、.bpc（单图压缩）、.bpa（归档），均为小端字节序，含元数据确保完整性。

适用场景：医疗影像存档（X光、CT）、科学数据集（天文、显微镜）、数字资产管理、文档扫描/工业检测等灰度图像领域； 当前局限：仅支持8位灰度图像（不支持RGB/RGBA），需转换为灰度模式使用；压缩效果依赖训练数据，待压缩图像与训练数据差异大时效果可能下降，建议针对特定领域训练专用模型。

bpcodec采用GNU Lesser General Public License v3（LGPLv3）许可：

• 可自由使用、修改代码；
• 可作为库链接到商业软件；
• 修改并分发bpcodec本身时，需开源修改部分。 该许可平衡开源特性与商业应用需求。

bpcodec是神经网络技术在无损压缩领域的创新尝试，与传统DEFLATE/JPEG-LS相比，基于学习的方法在特定图像上有更好压缩潜力。Rust实现保证内存安全与效率，定点数设计确保跨平台一致性。虽目前仅支持灰度图像，但对目标领域是值得关注的替代方案。未来有望支持彩色图像，引入更先进的上下文模型架构。