面向深度神经网络图像压缩的高性能算术编码硬件设计

来源：电子与信息学报杂志2025年第9期北京时间：

作者：宋赛, 崔昭, 詹尹僧, 杨进祯, 陆明, 田静

单位：1.南京大学集成电路学院 苏州 2151632.南京大学电子科学与工程学院 南京 210023

摘要：随着深度学习驱动的图像压缩技术迅速发展，面向深度神经网络(DNN)的图像压缩亟需一种高性能熵编码架构，以满足对高速压缩的实际需求。针对传统熵编码在硬件实现中面临的运算延迟与资源开销瓶颈，该文提出并实现了一种基于现场可编程逻辑门阵列(FPGA)的高效Range Asymmetric Numeral Systems (RANS)算术编码架构。在设计优化方面，首先引入硬件友好的除法变乘法策略降低除法与取模运算的延迟；其次结合细粒度量化与精度校准机制，在减少资源消耗的同时保证计算精度；最后，基于交织并行设计思想实现可调多通道高速压缩路径，大幅提升系统吞吐率。该架构部署于Xilinx Kintex-7 XC7K325T FPGA平台，在可控压缩率损失下，实现了高达191.97 MSymbol/s的吞吐性能，与现有最新熵编码硬件方案齐平，同时在资源利用率与系统扩展性方面也展现出显著优势，具备良好的工程应用潜力。

关键词：熵编码, 图像压缩, FPGA, 区间非对称数值系统(RANS)

基金资助：国家密码科学基金(2025NCSF02002)，江苏省基础研究计划重点项目(BK20243038)，中国科学技术协会青年人才托举工程项目(2023QNRC001)，江苏省青年基金(BK20241226)