{"slug": "hn-nif-codec-de-imagem-neural-com-benchmarks-reproduziveis-vs-jpeg-webp-avif", "title": "HN: NIF – codec de imagem neural com benchmarks reproduzíveis vs. JPEG/WebP/AVIF", "summary": "The Neural Image Format (NIF), a deep-learning-based image codec developed by Gabriel Philippus, achieves up to 26.4% lower LPIPS distortion than JPEG at 0.80 bpp on the Kodak24 dataset, with a decode latency of ~202 ms and a 10.96x speedup over classical autoregressive decoding. In cost projections for processing 1 million 1024x1024 images on AWS EC2 g4dn.xlarge, GPU encoding/decoding costs $44.91 versus $1,759.87 on CPU, an 11x reduction. The codec is open-sourced on GitHub.", "body_md": "O **NIF (Neural Image Format)** é um formato e codec de compressão de imagens de ponta a ponta baseado em redes neurais profundas (*Learned Image Compression*). Desenvolvido para superar as limitações de artefatos em blocos dos codecs legados, o NIF combina modulação contínua de taxa (*FiLM Conditioning*), modelagem de entropia híbrida (Channel-wise + Spatial Checkerboard), DPCM Noise Shaping no espaço latente e decodificação altamente paralela.\n\n-\n**Modulação Contínua de Taxa de Bits (FiLM-Conditioned)**:- Controle contínuo de qualidade (\n$q \\in [0.1, 1.0]$ ) com um único conjunto de pesos treinado, eliminando a necessidade de múltiplos modelos para diferentes qualidades. - Restrição\n*Sigmoid Latent Scaling*garantindo estabilidade de variância zero (**Zero NaNs** em imagens uniformes/planas).\n\n- Controle contínuo de qualidade (\n-\n**Noise Shaping DPCM no Espaço Latente**:- Algoritmo de realocação de resíduo de quantização entre fatias latentes (\n*Slices*), gerando**+0.42 dB de PSNR** e**-2.86% de redução real de tamanho**(*free lunch*de taxa-distorção).\n\n- Algoritmo de realocação de resíduo de quantização entre fatias latentes (\n-\n**Decodificação Paralela em Checkerboard (202 ms)**:- Modelo de entropia híbrido com predição em xadrez espacial que reduz os passos de contexto autoregressivo para apenas 2 iterações paralelas por fatia (\n**aceleração de 10.96x** sobre o autoregressivo clássico).\n\n- Modelo de entropia híbrido com predição em xadrez espacial que reduz os passos de contexto autoregressivo para apenas 2 iterações paralelas por fatia (\n-\n**Perda Perceptual Mascarada por Fidelidade Estrutural (SFM)**:- Combinação dinâmica de MSE, MS-SSIM e LPIPS guiada por mapa de bordas para sintetizar texturas naturais sem distorcer caracteres ou estruturas críticas.\n\nTodos os resultados foram medidos de forma pareada nas 24 imagens do dataset **Kodak24**, com avaliação **interpolada no mesmo bitrate ( Bitrate-Matched)** contra codecs industriais consolidados:\n\n| Codec / Variante | Bitrate | PSNR (dB) | MS-SSIM | LPIPS (menor = melhor) | Latência Decode | Posicionamento Técnico |\n|---|---|---|---|---|---|---|\nNIF v4 (`Perceptual` ) |\n0.80 bpp |\n28.15 dB | 0.9796 | `0.0828` |\n`~202 ms` |\n+26.4% superior ao JPEG em LPIPS |\nNIF Config A (`Balanced` ) |\n0.80 bpp |\n28.40 dB | `0.9804` |\n`0.0953` |\n`~202 ms` |\nFronteira de Pareto Ótima (+15.3% LPIPS & +0.0094 SSIM vs JPEG) |\nNIF Config D (`High-PSNR` ) |\n0.80 bpp |\n29.76 dB |\n0.9781 | 0.1453 | `~202 ms` |\nMáximo PSNR da CNN atual (+1.61 dB vs v4) |\nJPEG (Padrão) |\n0.80 bpp |\n31.45 dB |\n0.9710 |\n0.1125 |\n~15 ms |\nLinha de Base Clássica DCT |\nWebP (Google) |\n0.80 bpp |\n33.77 dB |\n0.9774 |\n0.0901 |\n~35 ms |\nLinha de Base WebP |\nAVIF (AOMedia AV1) |\n0.80 bpp |\n34.56 dB |\n0.9838 |\n0.0736 |\n~450 ms |\nEstado da Arte da Indústria |\n\nDiagnóstico: O NIF entregaqualidade visual perceptual e integridade estrutural substancialmente superiores ao JPEG(+15% a +26% de redução de distorção LPIPS, sem blocos 8x8 visíveis) com decodificação rápida (~202 ms). Codecs ultra-pesados como o AVIF alcançam maior PSNR em decorrência de intra-predição espacial de alta complexidade.\n\nMedição empírica de latência e projeção de custo para processamento em larga escala (**1 Milhão de Imagens**) na instância de referência AWS EC2 `g4dn.xlarge`\n\n($0.526/hora):\n\n| Resolução | Hardware | Tempo Encode (ms) | Tempo Decode (ms) | Tempo Total (ms) | Custo / 1 Milhão Imagens (USD) |\n|---|---|---|---|---|---|\n256x256 |\nCPU | 375.2 ms | 255.6 ms | 630.8 ms | $92.16 |\n512x512 |\nCPU | 1212.7 ms | 880.9 ms | 2093.6 ms | $305.90 |\n1024x1024 |\nCPU | 6461.8 ms | 5582.9 ms | 12044.8 ms | $1759.87 |\n256x256 |\nGPU (CUDA) |\n104.1 ms | 202.8 ms |\n306.8 ms |\n$44.91 |\n512x512 |\nGPU (CUDA) |\n114.8 ms | 208.7 ms |\n323.5 ms |\n$47.36 |\n1024x1024 |\nGPU (CUDA) |\n104.1 ms | 202.8 ms |\n306.8 ms |\n$44.91 (11x mais barato que CPU!)\n|\n\n```\ngit clone https://github.com/gabrielphilipus/NIF-Neural-Image-Format.git\ncd NIF-Neural-Image-Format\npip install -r requirements.txt\npython nif_tool.py compress --checkpoint checkpoints_v4_production/nif_epoch_300.pth --input foto.png --output foto.nif --quality 0.5\npython nif_tool.py decompress --checkpoint checkpoints_v4_production/nif_epoch_300.pth --input foto.nif --output foto_reconstruida.png\n```\n\nPara abrir o comparador visual lado a lado no navegador:\n\n```\npython scripts/dashboard.py\n```\n\nAcesse em seu navegador: `http://localhost:5000`\n\nOs pesos treinados dos modelos estão disponíveis para download na aba de [Releases](https://github.com/gabrielphilipus/NIF-Neural-Image-Format/releases):\n\n| Modelo | Arquivo | Descrição | Casos de Uso Recomendados |\n|---|---|---|---|\n`NIF-Perceptual (v4)` |\n`nif_v4_perceptual_300ep.pth` |\nTreinado por 300 épocas com LPIPS e Discriminador PatchGAN | Redes sociais, web, fotografia móvel e thumbnails |\n`NIF-Balanced (Config A)` |\n`nif_config_A_balanced.pth` |\nOtimizado na fronteira de Pareto (40% MSE, 40% SSIM, 20% LPIPS) | Uso geral, balanceamento entre nitidez e PSNR |\n`NIF-Fidelity (Config D)` |\n`nif_config_D_fidelity.pth` |\nTreinado por 50 épocas sob MSE puro | Imagens técnicas, satelitais e médicas |\n\nO repositório possui uma suite de testes unitários automatizados cobrindo a integridade do compressor, estabilidade de variância zero e serialização de cabeçalhos binários:\n\n```\npython -m unittest discover tests\n```\n\nEste projeto é disponibilizado sob a licença [MIT](/gabrielphilipus/NIF-Neural-Image-Format/blob/main/LICENSE).", "url": "https://wpnews.pro/news/hn-nif-codec-de-imagem-neural-com-benchmarks-reproduziveis-vs-jpeg-webp-avif", "canonical_source": "https://github.com/gabrielphilipus/NIF-Neural-Image-Format", "published_at": "2026-08-22 19:09:32+00:00", "updated_at": "2026-08-22 19:43:41.655867+00:00", "lang": "en", "topics": ["artificial-intelligence", "machine-learning", "computer-vision", "generative-ai"], "entities": ["NIF", "Gabriel Philippus", "Kodak24", "JPEG", "WebP", "AVIF", "AWS EC2 g4dn.xlarge", "GitHub"], "alternates": {"html": "https://wpnews.pro/news/hn-nif-codec-de-imagem-neural-com-benchmarks-reproduziveis-vs-jpeg-webp-avif", "markdown": "https://wpnews.pro/news/hn-nif-codec-de-imagem-neural-com-benchmarks-reproduziveis-vs-jpeg-webp-avif.md", "text": "https://wpnews.pro/news/hn-nif-codec-de-imagem-neural-com-benchmarks-reproduziveis-vs-jpeg-webp-avif.txt", "jsonld": "https://wpnews.pro/news/hn-nif-codec-de-imagem-neural-com-benchmarks-reproduziveis-vs-jpeg-webp-avif.jsonld"}}