SEAOTTER: Sensor Embedded Autoencoding with One-Time Transcode for Efficient Reconstruction
SEAOTTER：传感器嵌入自编码器与一次性转码的高效云机器人图像压缩框架
🧭 云机器人图像压缩与任务感知表示
The University of Texas at Austin
结合学习型潜在表示与 JPEG 兼容性，在极端带宽下实现快速编解码与高任务精度
📌 工作参考价值（4 点）
- 若业务中有端侧低功耗图像采集与云端处理链路，可借鉴“非对称自编码器 + 标准格式兼容”思路：传感器端用轻量编码器生成紧凑潜在表示，云端一次性转码为 JPEG，兼顾带宽与下游生态兼容。
- 可学习 JPEG 色彩与量化变换（learnable color & quantization transform）是一种保留标准解码器下提升任务精度的 trick，类似思路可用于对既有 JPEG 管线做任务感知后处理，而不改动解码端。
- 任务感知转码（task-aware transcoding）设计可迁移到推荐系统的多模态特征压缩：为不同下游任务（如分类、VLM）训练不同转码头，共享冻结的编码器，降低整体训练成本。
- 对于视觉特征存储与传输场景，采用冻结编码器 + 可训练转码的策略，可以在不重新训练上游模型的前提下适配压缩率与任务精度权衡，减少重复训练开销。