Zehn Module, von Grund auf gebaut
KARC (Kotsch Adaptive Region Codec) ist zu 100 % in Python implementiert — NumPy, OpenCV und Pillow, CPU-only, ohne GPU. Jedes der zehn Module ist eigenständig und durch Unit-Tests abgedeckt.
Die zehn Module
Die Pipeline ist in zehn klar abgegrenzte Bereiche unterteilt. Jeder Bereich hat eine eng definierte Aufgabe und eigene Tests — Farbtransform bit-exakt, DCT identisch zu OpenCV, rANS bit-exakt, Codec-Roundtrip verlustkontrolliert.
Farbtransform
YCoCg-R: verlustfrei umkehrbare Farbtransform plus 4:2:0-Chroma-Subsampling. Gegen OpenCV bit-exakt getestet.
Segmentierung & Klassifikation
Zerlegt das Bild in 8×8-Blöcke und klassifiziert jeden Block nach Inhalt — die Grundlage der Region-as-representation-Idee.
Transform (DCT / PLANE)
Pro Block entweder eine affine PLANE (3 Parameter, glatte Flächen) oder eine DCT (Detail) — per Rate-Distortion ausgewählt.
Quantisierung
Frequenzgewichtete Quantisierung mit JPEG-artigen Tabellen — feinere Stufen für sichtbare, gröbere für unauffällige Frequenzen.
Gelernte Modelle
Vorberechnete Tabellen für Quantisierung und Entropie, an die Region-Klassen gekoppelt — keine Laufzeit-Trainingsschritte nötig.
Kontext & Entropie
rANS-Entropiecodierung mit klassen-konditionierten Tabellen. Die Region-Klasse ist der Kontext — null zusätzliche Signalbits.
Ratensteuerung
Steuert die Ziel-Bitrate bzw. Qualitätsstufe und balanciert pro Block den Kompromiss zwischen Bits und Fehler aus.
Bitstream-Format
Definiert das .karc-Containerformat: Header mit Magic „KARC“, Bildparameter und kontext-getrennte rANS-SubstRöme.
Integration
Verbindet alle Stufen zu Encoder und Decoder und stellt den verlustkontrollierten Roundtrip Bild → .karc → Bild sicher.
Evaluierung & Tests
Benchmark-Harness (BD-Rate, PSNR, SSIM) auf 20 Kodak-Bildern plus Unit-Tests für jedes Modul — alle Zahlen reproduzierbar.
Tech-Stack
Bewusst schlank und reproduzierbar: reines Python, etablierte Numerik-Bibliotheken und keinerlei GPU-Abhängigkeit. KARC läuft auf jeder CPU.
Von Arthur Kotsch mit Claude (2026). Entstanden aus 30 Forschungsquellen, einem Multi-Agenten-Design (111 Agenten) und einer from-scratch-Implementierung in zehn Modulen.
Das .karc-Bitstream-Format
Eine .karc-Datei beginnt mit einem kompakten Header zur Identifikation (Magic „KARC“) und Geometrie/Parametern. Danach folgen die Nutzdaten als mehrere, nach Kontext getrennte rANS-SubstRöme — so kann jeder Strom mit der für seine Region-Klasse passenden Tabelle decodiert werden.
"KARC" // Magic-Bytes — Format-Kennung
version // Versions-Byte
width, height // Bildgeometrie
quant_profile // Quantisierungs-/Qualitätsprofil
// — kontext-getrennte rANS-Substreams —
stream[PLANE] // glatte Regionen
stream[DCT] // Detail-Regionen
stream[DC / AC] // DC-DPCM + AC-Lauflängen
Schematische Darstellung. Die Trennung nach Kontext erlaubt klassen-konditionierte rANS-Tabellen ohne zusätzliche Signalbits im Strom.