AI特征保护压缩：11类检测器怎么保住人脸印章

结论先行：面向 AI pipeline 的图片压缩不能只追求体积小，还要保住下游检测所需的特征。AI 特征保护压缩用 11 类检测器圈出关键区域，在高压下仍保住人脸、印章等目标。

一、为什么通用压缩会出问题

普通有损压缩按人眼视觉冗余来削减数据，会平滑掉边缘、纹理和细小结构。对人来说是“看不出差别”，对 OCR、人脸检测、印章识别模型却是特征被抹平，识别率断崖式下跌。RAG 文档里的截图、证件、公章经通用压缩后常常无法被后续模型正确读取。

这背后的机制值得说透：模型靠梯度变化和局部纹理定位目标，压缩量化恰恰优先抹掉这些高频细节。人眼对颜色的敏感度高于对边缘位置的敏感度，所以压缩算法牺牲边缘保色彩——正好和模型的依赖关系相反。结果是同一批压缩图，人看样张全部合格，批量入库后 OCR 字符错误率却明显上升，而且问题只在特定内容上出现：印章笔画变糊、证件号码边缘粘连。排查时团队通常先怀疑模型版本，绕一圈才回到压缩参数上。

二、11 类检测器圈出保护区域

AI 特征保护复用文档脱敏同款的 11 类检测器：人脸、车牌、文本 OSD、印章签名、二维码、屏幕、表格、水印 Logo、字幕条、证件号段、远处小目标。被圈出的区域进入“保护清单”，压缩时降低量化强度、保留边缘与纹理，区域之外照常压缩。

复用同一套检测器有实际好处：不用为压缩单独维护一套模型，脱敏和保护的特征地图可以共享，一张图里既是敏感目标又是关键特征的区域（比如公章）一次检测、两处引用。工程上的差异只在后处理——脱敏对区域做模糊或黑箱，特征保护对区域做低量化处理，方向相反，检测层完全一致。

三、保护占比有上限

保护区域不是越多越好。保护区域占比上限设定为 60%，超出后自动回退到主线压缩，避免“全图保护”导致体积失控。这是工程上“保特征”和“控体积”的折中。

为什么是回退而不是硬压保护区域？想象一份整页表格的扫描件，表格区域可能占到画面的七八成。如果坚持全部保护，量化强度压不下去，压缩比目标就失败了。回退到主线压缩意味着整图按统一策略处理，牺牲部分特征保住体积预算，由 SSIM / PSNR 质量门控防止过度压缩失真。上限机制让最坏情况有界，这是它比“智能调节”更可靠的地方。

四、和脱敏、解析的协作

AI 特征保护与脱敏共享同一套检测器，区别在目标：脱敏要“抹掉”，特征保护要“保住”。两者都在解析之后介入，确保进入 RAG 的图片既安全又能被模型读懂。

放到流水线里看，顺序大致是：解析拿到图片 → 脱敏抹掉敏感区域 → 特征保护压缩保住剩余关键特征 → 切片入库。压缩源使用脱敏副本，避免敏感像素经压缩归档二次留存。一套检测、两道工序、一个质量门控，这就是图片进 RAG 的完整处理链。任何一道被跳过，代价都会在检索或合规两端显现。

图片处理是文档预处理的一体两面。脱敏逻辑见 脱敏必须在向量化之前；图片来自扫描件时的解析见 扫描件 OCR 与版面分析；完整引擎能力见 SDK 与压缩能力。

落地要点：保特征与控体积的工程平衡

• 保护区域占比设上限：AI 特征保护的保护区域占比上限 60%，超出自动回退主线压缩。没有这个上限，一张满是敏感区域的扫描件会被保护到无法压缩。
• 用 SSIM / PSNR 门控兜底：压缩参数再保守也要过质量门控，防止过度压缩导致版面失真——失真的版面会让下游 OCR 和版面分析二次出错。
• 难点区域单独对待：字幕条、证件号段、远处小目标是误检与漏检的重灾区，检测器在这三类上的阈值要与常规区域区分。
• 压缩源用脱敏副本：压缩与预处理一体化执行时，压缩的输入优先使用脱敏后的副本，平均节省约 60% 存储空间的同时不引入二次泄露。

这四条的本质是同一件事：图像脱敏和图像压缩不是两个独立工序，而是一条链路上的两个门控。整条安全链路的设计，见RAG 脱敏流程。

常见问题 FAQ

Q1：通用压缩为什么伤 AI 识别？

普通有损压缩按人眼视觉冗余削减数据，优先平滑高频边缘与纹理。对人看不出差别，但 OCR、人脸、印章模型依赖的正是这些特征，识别率断崖下跌，且只在印章、证件等内容上暴露。

Q2：AI 特征保护靠什么圈区域？

复用脱敏同款 11 类检测器：人脸、车牌、文本 OSD、印章签名、二维码、屏幕、表格、水印 Logo、字幕条、证件号段、远处小目标。一次检测，脱敏与保护两处引用。

Q3：保护区域为什么设 60% 上限？

避免“全图保护”导致体积失控。超出 60% 自动回退主线压缩，由 SSIM / PSNR 门控防失真，让最坏情况有界，在保特征与控体积之间取得平衡。

Q4：特征保护和脱敏有什么区别？

两者共用检测器，但目标相反：脱敏要抹掉敏感像素，特征保护要保住关键区域的边缘与纹理，确保下游模型可读。两者都在解析之后介入。