La versione 0.12 di libjxl, l’implementazione di riferimento del formato JPEG-XL, è disponibile con un sostanziale lavoro di ottimizzazione delle performance sia in codifica sia in decodifica. Un aggiornamento che, pur non portando nuove funzionalità visibili, incide direttamente sui flussi di lavoro che processano grandi volumi di immagini: dall’archiviazione alla distribuzione, fino alla preparazione di dataset per il training di modelli di machine learning.

JPEG-XL è un codec royalty-free pensato per sostituire JPEG, PNG e GIF con un’unica soluzione capace di compressione lossless e lossy, supporto a HDR, profondità di bit elevate e decodifica progressiva. Rispetto a JPEG, riduce la dimensione dei file fino al 60% a parità di qualità percepita, e rispetto a formati più moderni come AVIF offre una gestione più elastica degli spazi colore e una retro-compatibilità concettuale che semplifica la migrazione. Tuttavia, l’adozione è frenata dal supporto parziale nei browser e nei sistemi operativi, nonostante le specifiche siano state standardizzate ISO.

Per chi gestisce infrastrutture on-premise, il miglioramento delle performance di libjxl si traduce in un doppio vantaggio: minor tempo di CPU per convertire centinaia di migliaia di immagini e minore occupazione di storage, che è una voce rilevante nel TCO di cluster destinati all’AI. In contesti dove la sovranità dei dati è prioritaria – healthcare, manufacturing, pubblica amministrazione – poter comprimere immagini diagnostiche o fotografie industriali senza perdita di informazioni e con un throughput più alto significa ridurre i rischi legati a trasferimenti esterni e abbattere i costi di banda interna. Non si tratta solo di efficienza algoritmica: ogni ciclo di CPU risparmiato in codifica è potenzialmente utilizzabile per altre operazioni, dal preprocessing di immagini per l’inference alla gestione di database vettoriali.

L’ottimizzazione annunciata tocca i percorsi critici del codec, sfruttando meglio le istruzioni SIMD e rivedendo le pipeline di allocazione della memoria. Anche se non sono stati diffusi benchmark dettagliati, è ragionevole attendersi miglioramenti misurabili soprattutto in decodifica, che resta l’operazione più frequente quando si servono immagini a client o si alimentano sistemi di analisi visiva. In scenari di deployment on-premise, questo può fare la differenza nella latenza percepita di applicazioni web o nel tempo di preparazione delle immagini per il fine-tuning di modelli di visione artificiale.

La nuova release di libjxl rafforza un ecosistema che si sta ritagliando uno spazio nelle pipeline di dati nonostante la concorrenza di AVIF e WebP. Per i team che valutano un passaggio a formati più moderni, la maturità degli strumenti di encoding e decoding è un fattore decisivo: performance stabili e la certezza di un formato royalty-free riducono il rischio tecnicico e legale. In quest’ottica, ogni progresso delle librerie di riferimento si riflette in una maggiore contendibilità del mercato degli strumenti di gestione delle immagini e, indirettamente, sulla qualità delle pipeline di machine learning che da quelle immagini dipendono.