고해상도, 넓은 시야 이미지가 증가함에 따라 효율적인 압축 방법론의 필요성이 대두되고 있다. 기존 기술은 중요한 이미지 세부 사항을 보존하는 데 종종 실패하고, 데이터 기반 접근 방식은 일반화 능력이 제한적이다. Implicit Neural Representation (INR)은 개별 이미지에 대한 공간 좌표에서 픽셀 강도로의 연속 매핑을 학습하여 유망한 대안을 제시한다. 이는 원시 픽셀 대신 네트워크 가중치를 저장하고 일반화 문제를 피한다. 하지만 INR 기반 대형 이미지 압축은 느린 압축 속도와 최적화되지 않은 압축률과 같은 문제에 직면한다. 이러한 한계를 해결하기 위해, Neural Representations for Videos (NeRV)를 활용하는 COLI (Compressor for Large Images)라는 새로운 프레임워크를 소개한다. 먼저, INR 기반 압축이 학습 과정임을 인식하여 사전 학습-미세 조정 패러다임, 혼합 정밀도 학습, 순차적 손실을 병렬화 가능한 목표로 재구성하여 수렴 속도를 높였다. 둘째, 이미지 저장 제약 조건을 가중치 저장으로 변환하는 INR의 장점을 활용하여, 최소한의 출력 왜곡을 유지하면서 압축률을 실질적으로 향상시키는 새로운 사후 훈련 기술인 Hyper-Compression을 구현했다. 두 개의 의료 영상 데이터 세트에 대한 평가 결과, COLI가 비트당 픽셀(bpp)을 상당히 줄이면서 경쟁적이거나 우수한 PSNR 및 SSIM 메트릭을 일관되게 달성했으며, NeRV 학습 속도를 최대 4배까지 가속화했다.
