这项由麻省理工学院（MIT）与独立研究者合作完成的研究，于2026年发表在计算机图形学顶级会议ACM SIGGRAPH 2026的论文集中，会议定于2026年7月19日至23日在美国洛杉矶举行。论文题为《Soft Anisotropic Diagrams for Differentiable Image Representation》，编号为arXiv:2604.21984，有兴趣深入钻研的读者可通过该编号查询完整原文。
**图像存储，其实是一道"压缩艺术题"**
每当你给朋友发送一张照片，或者在网页上看到一张清晰的产品图，背后都隐藏着一套极其复杂的"压缩与还原"机制。照片本身的信息量是巨大的，存储或传输时必须把它"压缩"成紧凑的格式，使用时再"还原"出来。这道题的关键，不只是压得有多小，还有还原出来有多像原图，以及这个压缩过程有多快。
在人工智能和计算机图形学领域，研究者们一直在探索一种叫做"可微分图像表示"的技术，通俗说就是：用一组可以被计算机自动调整、自动优化的"参数"来表达一张图像，而不是直接存储每一个像素点的颜色。这就好像你不直接记录一幅城市地图里每条街道的颜色，而是记录几百个"标志性地点"的位置和颜色，然后通过某种规则，让这些标志点"辐射"出它们周围区域的颜色，最终拼出整张地图。这种思路既省空间，又方便后续的图像编辑、物理模拟等操作。
然而，现有的方法都有各自的痛点。一类方法叫做"隐式神经网络"，它把整张图像塞进一个神经网络的权重里，虽然灵活，但你没法直接看出"哪部分参数负责图像的哪个区域"，编辑起来非常麻烦。另一类方法叫做"高斯泼溅"（Gaussian Splatting），它用一堆"椭圆形气泡"覆盖在图像上，每个气泡贡献一点颜色，最终叠加出完整图像——这就像用一堆半透明的彩色墨水气泡喷在画布上，气泡之间大量重叠，边界处颜色混乱，很难精确控制谁负责哪块区域，剪枝和优化也相当费力。
正是在这样的背景下，MIT与独立研究者联手提出了一套全新方案，他们把它叫做**SAD**（Soft Anisotropic Diagrams，软各向异性图）。这个名字听起来有些拗口，但核心思想其实可以用一个非常直观的比喻来理解：把图像的二维平面想象成一张城市地图，在地图上放置若干个"势力范围站点"，每个站点都有自己的影响力范围和方向，整张地图被这些站点划分成一块块"势力区域"，每块区域的颜色由负责它的那个站点决定。这种划分方式在数学上叫做"Voronoi图"，而SAD对这个经典概念做了大量升级，使其能够被计算机自动优化，最终实现了比现有方法快4到19倍的训练速度，同时图像质量还更好。
**一、地图分区的数学基础：从Voronoi图到Apollonius图**
要理解SAD的核心，先要了解研究者借鉴的那个古老的数学工具——Voronoi图（沃罗诺伊图）。这个概念其实非常直观。假设你在一片空地上放了若干个消防站，每个居民遇到火灾都去最近的那个消防站求救。按照"就近原则"，整片空地就被自然划分成若干个区域，每个区域内的居民都属于同一个消防站的管辖范围。这些区域的边界线，就是Voronoi图的分割线。
普通的Voronoi图以纯粹的直线距离来划分，每个站点的"势力范围"是正六边形或多边形，非常规整。但现实世界的图像可不是这么规整的——一只猫的轮廓是曲线，建筑物的边缘可能是斜的，头发丝儿是细长的。为了让这些分区能够适应图像的形状，研究者引入了两个关键改进。
第一个改进叫做"加权距离"，也叫Apollonius图（阿波罗尼斯图）。还是用消防站的比喻：普通情况下，消防站管辖的是距离它最近的区域。但加权版本允许每个消防站设定一个"影响半径"——有的消防站设备精良，能管辖更大范围，相当于在距离基础上减去一个"特权半径"。这样一来，强大的消防站可以把影响力延伸得更远，管辖更大的地盘。在SAD里，这个"影响半径"就是每个站点（学术上叫"site"，本文统一称"站点"）的参数r，它控制着这个站点的颜色能辐射多远。
第二个改进叫做"各向异性"（anisotropy）。普通消防站的管辖范围是一个圆，四面八方等距。但各向异性版本允许管辖范围变成一个椭圆——某个方向延伸得长，垂直方向短一些。这非常重要：图像里的很多特征都是有方向的，比如一根长直线条、一片横向的天空、一块斜向的纹理。如果站点的"影响椭圆"能自动与这些特征对齐，就能用更少的站点覆盖更多的图像区域，效率大幅提升。
把这两个改进合在一起，SAD里每个站点的"分数"计算方式就是：到该站点的椭圆化距离，再减去它的影响半径。分数越低，说明这个像素点越应该归属于这个站点。
**二、"软边界"的奥秘：温度参数如何化解优化难题**
纯粹的Voronoi分区是硬边界——每个像素要么属于A站点，要么属于B站点，非此即彼，中间没有过渡。这在数学上叫做"不可微"，意思是计算机在优化参数时，没有办法计算"把A站点稍微挪一点，图像质量会怎么变化"，因为一挪就会出现像素突然跳到另一个站点的情况，梯度无法计算。
SAD的解决方案来自一个在机器学习里非常经典的函数——softmax。简单说，softmax可以把若干个数值转换成一组加起来等于1的权重，每个权重代表"这个像素点有多少比例应该归属于某个站点"。这样一来，每个像素的颜色就不再是"只取最近站点的颜色"，而是"按照各站点的分数，对所有候选站点的颜色做加权平均"。边界处的像素可能70%归属A站点、30%归属B站点，因此颜色是两者的混合，过渡非常平滑。
但这里有个关键问题：如果软边界太"软"，图像里所有的锐利边缘都会变得模糊，质量会很差。如果边界太"硬"，又回到了不可微的问题，优化就卡住了。SAD的聪明之处在于，给每个站点设置了一个独立的"温度参数"τ（希腊字母tau）。温度高，这个站点的边界就锐利清晰，就像冰一样；温度低，边界就柔软模糊，就像水一样。更妙的是，每个站点的温度可以独立学习，自动调整。
这意味着什么呢？位于图像边缘处的站点，优化后会自动学到很高的温度，形成清晰的颜色分割；位于天空、墙面等平坦区域的站点，会自动学到较低的温度，形成柔和的过渡。整个系统在训练开始时用低温度（软边界）保证梯度信息流通，随着训练推进逐渐在需要的地方自动调高温度，最终在边缘处形成清晰的分割线，在平坦区域保持平滑过渡。实验证明，仅仅加入可学习的温度参数，图像质量就能比固定温度基准提升2.30 dB PSNR（一种衡量图像质量的指标，越高越好）。
**三、只看"最近的K个站点"：计算效率的核心秘密**
到目前为止，SAD的数学原理已经很清晰了：一堆站点，每个站点有位置、颜色、影响半径、椭圆方向和温度，每个像素通过softmax对附近站点的颜色加权平均得到最终颜色。但这里有一个效率问题：如果图像上有50000个站点，那么每个像素理论上要和所有50000个站点计算距离，然后做加权平均。一张照片有几百万个像素，50000×几百万次计算，速度简直慢得令人绝望。
SAD的解决方案非常自然：每个像素其实只需要关注离它最近的K个站点，那些距离极远的站点对这个像素的颜色贡献几乎为零，根本不用管它们。研究者选择K=8，也就是每个像素只和最近的8个候选站点打交道。这样计算量从"50000×像素数"直接降到"8×像素数"，效率提升了几千倍。
但随之而来的新问题是：怎么快速找到每个像素的"最近8个站点"？这个问题本身就不简单——如果站点的位置在不断移动和优化，那每次都要重新搜索一遍，代价依然很高。
研究团队的解决方案叫做"Top-K传播算法"，灵感来自一个叫做"跳跃洪水算法"（Jump Flooding Algorithm，JFA）的经典图形学工具。这个算法的思路可以用"流言扩散"来理解：假设你要弄清楚城市里每栋楼离哪个地铁站最近，你不需要让每栋楼都跑遍全市。你可以让每个地铁站把自己的信息告诉相邻楼栋，相邻楼栋再把这条信息转告更远的邻居，就像流言一样，一轮一轮地扩散出去。经过几轮扩散后，全城每栋楼基本都知道自己离哪个地铁站最近了。
SAD的Top-K传播算法基于同样的思路，但更聪明。它同时利用了三种机制：第一是"时间复用"，即上一轮迭代的候选名单通常变化不大，本轮可以直接继承上一轮的结果作为出发点；第二是"空间传播"，每个像素从自己和上下左右4个邻居那里借用候选站点，合并之后保留最优的K个；第三是"随机注入"，每轮额外随机撒入少量全局候选站点，防止出现某个站点移动到新位置后长时间无法被任何像素"发现"的情况。
这三种机制配合，使得维护"每个像素最近K个站点"的名单，每轮只需要固定的、很小的计算量，完全不会随着站点总数增加而变慢。实验表明，在1024×1024的图像上，经过12到16轮传播后，96%以上的像素都能找到完全正确的Top-8候选名单，准确率非常高。
**四、站点的"生与死"：自适应预算控制机制**
SAD在优化过程中还有一个动态管理机制，负责决定在哪里增加站点（加密），在哪里删除站点（修剪）。这个机制叫做"自适应预算控制"，核心思想是：让计算资源集中到最需要它的地方。
评价每个站点"需不需要被拆分"的标准，用一个打分公式来衡量：站点当前负责的像素区域内，残差误差（当前颜色与目标颜色之差）有多大，同时这个站点的"实际负责面积"有多小。一个站点如果负责的面积很小，但误差却很大，说明它所在的区域非常难以被准确表达，需要更多站点来精细覆盖。这样的站点会被选中，分裂成两个子站点。
分裂时，研究者会根据该站点覆盖区域内的残差分布，计算出一个"主要方向"——误差最集中、变化最剧烈的方向——然后把两个子站点沿这个方向分开，分别去覆盖原来区域的两半。子站点的温度参数、影响半径都从父站点继承并略微调整，颜色则重新从目标图像对应位置取样。
与此同时，那些贡献极小、几乎不影响图像质量的站点会被"修剪"掉。衡量"贡献"的方式叫做"删除差分"（removal delta）：假设把这个站点删掉，剩下的K-1个站点重新归一化权重后，图像误差会增加多少？增加越少，说明这个站点越可有可无，优先删除。
整个加密和修剪过程有严格的时间窗口和百分比控制，并且当用户指定目标比特率（即最终压缩到多小）时，系统会自动调整加密和修剪的力度，确保训练结束时站点数量恰好符合目标。SAD的训练从一个较大的初始站点数（如128,000个）出发，通过不断修剪和少量加密，最终收敛到目标数量（如25,000个）。
**五、GPU上的"流水线"：让一切都在显卡里飞奔**
光有好的算法还不够，工程实现的质量直接决定速度。SAD的整个训练和渲染流程完全在GPU内部运行，研究者手工编写了Metal（苹果芯片用）、CUDA（英伟达显卡用）和WebGPU（浏览器用）三套底层代码，不依赖任何自动微分框架，彻底消除了CPU和GPU之间来回传输数据的等待时间。
梯度计算也做了专门优化。朴素的做法是：对图像里每个像素，计算梯度之后，把结果"原子写入"到各个站点的梯度缓冲区。但当很多像素同时要更新同一个站点的梯度时，就会发生"拥堵"——大量写操作互相等待，显卡的并行计算能力被浪费。SAD改用了一种"分组哈希缩减"的方式：把图像分成很多16×16的小块，同一个小块里的像素先在本地的共享内存里完成梯度的汇总，只有最终结果才写到全局内存，全局写操作的次数从"像素数×K"降到了"小块数×站点数"，竞争大幅减少。
站点的存储也做了精心设计。用于训练的站点保存为完整精度的32位浮点数，共10个参数（x坐标、y坐标、温度、半径、RGB三个颜色通道、各向异性方向x分量、y分量，以及各向异性缩放参数）。用于最终渲染的站点则压缩打包成每个16字节的格式：坐标用15位定点数表示，颜色用11/11/10位分别表示RGB，温度和半径用16位存储，各向异性方向用16位角度编码，各向异性缩放用float16存储。整个压缩包在不影响图像质量的前提下，大幅减少了内存带宽消耗，这也是高分辨率下速度依然很快的重要原因。
**六、实验结果：数字背后的真实差距**
研究者在多个标准数据集上与主流方法做了详细对比。主要的竞争对手是Image-GS（一种基于2D高斯泼溅的图像表示方法，发表于ACM SIGGRAPH 2025）和Instant-NGP（基于多分辨率哈希网格的神经图形基元方法，发表于ACM Trans. Graph. 2022），以及其他几个相关方法。
在Kodak数据集（24张经典测试图片，分辨率768×512）上，使用50000个站点（约16 BPP的参数预算），SAD达到了46.00 dB PSNR、0.9871 SSIM、0.0032 LPIPS，训练时间仅2.2秒。相比之下，Image-GS在同等协议下得到36.90 dB，训练时间28秒；Instant-NGP得到37.72 dB，训练时间8.2秒。另一个近期方法Fast 2DGS在同等站点数下得到43.13 dB，训练时间10秒。SAD在质量上领先最近的竞争对手超过2.87 dB，同时速度快4.5倍以上。
在Image-GS提供的专属基准测试数据集（45张图片）上，不同压缩率下，SAD的优势一以贯之：0.5 BPP时达到37.86 dB，而Image-GS仅有34.57 dB，Instant-NGP更是只有30.69 dB。在DIV2K验证集（100张高分辨率图片）上，2.0 BPP时SAD达到34.73 dB，超过Image-GS的32.15 dB和Instant-NGP的29.24 dB。在CLIC验证集（41张图片）上，2.0 BPP时SAD达到36.13 dB，同样大幅领先对手。
训练速度方面，研究者专门做了一组控制实验，在512?到2048?共5种分辨率下，以"每遍历完整图像一次的时间"为单位进行比较，在NVIDIA RTX 5090显卡上测试。SAD在所有分辨率下都是最快的，比Instant-NGP快1.75到3.36倍，比Image-GS快4.08到15.10倍。在2048×2048的图像上，SAD处理一轮只需3.6毫秒，而Instant-NGP需要12.1毫秒，Image-GS需要14.7毫秒。
研究者还分析了训练迭代次数与图像质量的关系。大体规律是：训练2000次迭代就能达到最终质量的97%以上，4000次迭代基本到达峰值，再往后质量略有下降（这不是过拟合，而是由固定预算约束导致的调度效应）。这意味着对于需要快速处理大量图像的场景，可以在几秒钟内得到非常好的结果。
对每个可学习参数的贡献，研究者也做了详细的消融实验：固定温度基准（固定log τ=7.5）PSNR为28.20 dB；加入可学习温度后提升到30.50 dB，增加了2.30 dB；在此基础上加入可学习半径，提升到31.76 dB，再增加1.26 dB；加入各向异性后达到34.77 dB，相对于只有可学习温度增加了4.27 dB；三者都启用的完整SAD模型达到35.35 dB，比固定温度基准整整高出7.15 dB。其中各向异性的贡献最大，说明让椭圆形的"势力范围"与图像内容的方向自动对齐，是SAD超越各向同性方法的核心原因。
**七、不只是压图：SAD的两个额外应用**
研究者还展示了SAD超越纯粹图像压缩的两个应用场景，证明这套框架的通用性。
第一个应用是微分方程求解。物理学里有很多现象（热传导、电场分布、流体流动等）可以用偏微分方程（PDE）来描述，求解这些方程就是找出满足方程条件的函数。研究者用SAD来求解一个二维泊松方程——在一个"笑脸"形状的不规则区域内（512×512分辨率），指定边界处函数值为0，内部有一个均匀的源项，求满足这些条件的函数分布。SAD的优势在于，它的站点结构是显式的——研究者直接把边界上的站点冻结（不参与梯度更新），就轻松实现了严格的Dirichlet边界条件，这在隐式神经网络里是非常困难的操作，通常需要额外的惩罚项或特殊的网络设计。经过1000到2000步梯度下降，误差就收敛到了1e-6以下（机器精度级别），学习到的站点分布自动聚集在边界和高曲率区域附近，展现出内容自适应的特性。
第二个应用是一维信号拟合，这个实验主要用来展示SAD的温度参数如何应对不连续点（信号里的突变）。研究者用三种信号做了对比：一是纯正弦波（光滑信号），二是阶跃函数加正弦波（有突变），三是多频率混合信号。对比对象是高斯泼溅（64个splats，256个参数）和SIREN（小型正弦激活神经网络，321个参数）。结果是：高斯泼溅非常擅长光滑信号（79.6 dB），但在阶跃函数处因为固定形状的高斯核无法精确表达突变，质量降到47.3 dB；SIREN擅长连续变化，但在不连续点附近会出现类似"振铃效应"的波动（43.1 dB）；SAD在阶跃函数上达到57.2 dB，多频率信号上达到42.0 dB，两项都领先，原因正是温度参数可以在突变处自动调高，让分区边界精确对准信号的跳变位置。
**八、坦诚的局限性与未来方向**
SAD并非没有缺点，研究者在论文中做了坦诚的分析。Top-K候选名单基于传播算法维护，在极低预算、站点大幅移动或大规模加密/修剪之后，名单可能一时失准，影响图像质量。渲染速度方面，缓存Top-K名单后的纯渲染非常快（512?图像仅0.015毫秒），但如果需要完整刷新候选名单（16次传播），在2048?图像上需要16毫秒，高分辨率下刷新代价较高。对于非常细密的随机纹理（比如树皮的细纹、沙粒的随机分布），SAD可能需要更多站点才能精确还原，或者会出现轻微的过平滑现象。边缘对齐是优化的自然结果而非强制保证，在对比度弱的边缘处有时表现不够理想。
未来的研究方向包括：更智能的候选名单维护策略（比如多分辨率缓存、流式刷新调度）；给每个站点配备更丰富的表示能力（比如本地的低阶多项式颜色，而不是当前的单一颜色）；改进距离度量本身（引入可学习的各向异性距离函数）；以及利用SAD的显式邻接结构做熵编码，进一步提升压缩率。更远期的方向则是把SAD扩展到三维空间，用于体素表示或表面表示，以及作为图像的结构化分词器，把图像编码为一组可解释的显式图元，用于生成模型或多模态学习。
说到底，SAD做的事情，就是把一个在数学上已经存在了一百多年的古老工具（Voronoi图）重新改造，加上三个精心设计的新特性：有方向的椭圆形势力范围、可调节的影响半径，以及可学习的"软硬"温度，然后配合一套高效的GPU工程实现，让整个系统能在几秒钟内自动优化出高质量的图像表示。结果就是：图像质量比竞争对手高几个dB，同时训练速度快一个量级。这种质量与效率的双重提升，背后是算法设计和工程实现的协同优化，而不是靠单一因素堆砌出来的。
对于普通人来说，这项研究最直接的意义是：未来你在手机上压缩照片、在网页上快速加载图片、甚至在消费级设备上运行图像编辑软件时，背后的算法可能就用到了类似SAD这样的技术，让这些操作又快又好。在更远的将来，当物理模拟、游戏渲染、医疗图像处理等领域也普遍采用这类可微分表示时，SAD所展示的"显式站点+软分区+GPU友好传播"思路，有望成为其中一个重要的基础模块。
有兴趣深入探究的读者，可以通过arXiv编号2604.21984查阅完整论文，作者团队也在 luckyiyi.github.io/SAD 提供了配套代码。
---
Q&A
Q1：SAD方法和普通的高斯泼溅图像压缩有什么本质区别？
A：高斯泼溅用一堆椭圆形"气泡"叠加来表达图像，气泡之间大量重叠，每个像素要把所有压在自己身上的气泡颜色叠加，不清楚谁真正负责这个像素，边界处颜色混乱。SAD则用类似"势力范围地图"的方式，每个站点只负责一块明确的区域，边界由可学习的温度参数控制软硬，不重叠、不模糊。这使得SAD能更精确地表达图像边缘，同时计算时每个像素只需要处理最近的8个站点，效率远高于高斯泼溅的全局扫描方式。
Q2：SAD训练速度为什么比Image-GS快那么多？
A：速度差距来自两方面协同作用。一是SAD的计算量和站点总数无关，每个像素只看最近8个站点，计算量固定；Image-GS则要扫描每个像素上方所有重叠的高斯气泡，站点多、重叠多时代价急剧上升。二是梯度计算时，SAD用了分组哈希缩减技术，把大量全局内存竞争转化为局部共享内存操作，显卡并行效率大幅提升；Image-GS的反向传播则充斥着大量原子写操作冲突，严重制约了GPU利用率。
Q3：SAD的温度参数τ具体是怎么影响图像质量的？
A：温度τ控制每个站点边界的软硬程度。τ高时，softmax权重集中到距离最近的那个站点，边界清晰锐利；τ低时，权重分散到多个站点，边界柔软模糊。关键是每个站点的τ独立可学习，因此位于图像边缘处的站点会自动学到高τ（形成清晰分割），位于天空或墙面等平坦区域的站点会自动学到低τ（形成平滑过渡）。实验中，仅引入可学习τ就能将图像质量从28.20 dB提升到30.50 dB，提升了2.30 dB。
