NIF — Neural Image Format 🚀

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.

---

Principais Inovações Tecnológicas

1. Modulação Contínua de Taxa de Bits (FiLM-Conditioned):
   • Controle contínuo de qualidade ($q \in [0.1, 1.0]$) com um único conjunto de pesos treinado, eliminando a necessidade de múltiplos modelos para diferentes qualidades.
   • Restrição Sigmoid Latent Scaling garantindo estabilidade de variância zero (Zero NaNs em imagens uniformes/planas).
2. Noise Shaping DPCM no Espaço Latente:
   • Algoritmo de realocação de resíduo de quantização entre fatias latentes (Slices), gerando +0.42 dB de PSNR e -2.86% de redução real de tamanho (free lunch de taxa-distorção).
3. 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 (aceleração de 10.96x sobre o autoregressivo clássico).
4. 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.

---

Resultados e Benchmark Rigoroso (Dataset Kodak24)

Todos 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:

Comparação no Ponto Central ($0.80\text{ bpp}$ no Kodak24)

Diagnóstico: O NIF entrega qualidade 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.

---

Latência & Custo Operacional em Nuvem (AWS EC2 g4dn.xlarge)

Medição empírica de latência e projeção de custo para processamento em larga escala (1 Milhão de Imagens) na instância de referência AWS EC2 g4dn.xlarge ($0.526/hora):

---

Instalação e Uso Rápido

1. Clonar e Instalar Dependências

git clone https://github.com/gabrielphilipus/NIF-Neural-Image-Format.git
cd NIF-Neural-Image-Format
pip install -r requirements.txt

2. Compactar Imagem (.png/.jpg $\to$ .nif)

python nif_tool.py compress --checkpoint checkpoints_v4_production/nif_epoch_300.pth --input foto.png --output foto.nif --quality 0.5

3. Descompactar Imagem (.nif $\to$ .png)

python nif_tool.py decompress --checkpoint checkpoints_v4_production/nif_epoch_300.pth --input foto.nif --output foto_reconstruida.png

4. Dashboard Web Interativo (Slide-to-Compare)

Para abrir o comparador visual lado a lado no navegador:

python scripts/dashboard.py

Acesse em seu navegador: http://localhost:5000

---

Model Zoo & Checkpoints Pré-Treinados

Os pesos treinados dos modelos estão disponíveis para download na aba de Releases:

---

Testes Unitários e Integração Contínua (CI)

O repositório possui uma suite de testes unitários automatizados cobrindo a integridade do compressor, estabilidade de variância zero e serialização de cabeçalhos binários:

python -m unittest discover tests

---

📄 Licença

Este projeto é disponibilizado sob a licença MIT.