libavif v1.2.0 版本发布:AV1 图像格式库的重大更新
libavif 是一个开源的 AV1 图像格式编解码库,它实现了 AVIF 格式的编码、解码和处理功能。AVIF 是基于 AV1 视频编码器的图像格式,具有出色的压缩效率和图像质量,正在成为下一代图像格式的重要选择。最新发布的 v1.2.0 版本带来了多项重要改进和新特性,进一步提升了库的功能性和稳定性。
核心特性增强
本次更新最显著的变化是移除了多个实验性功能的标记,将它们提升为稳定功能。其中最重要的两项是:
-
增益地图(Gain Map) API:这个功能现在已成为稳定特性,不再需要特殊的编译标志。增益地图技术允许在单一文件中存储不同曝光级别的图像信息,为HDR显示设备提供更好的支持。
-
YCgCo_Re 和 YCgCo_Ro 色彩空间支持:这两种色彩空间转换算法也已从实验状态毕业,现在可以稳定使用。它们的枚举值已更新至最新的CICP规范。
元数据处理改进
新版本在元数据处理方面做出了重要改进:
-
新增了
properties和numProperties字段到avifImage结构中,用于存储和传递libavif无法识别的属性数据。这增强了库对非标准元数据的兼容性。 -
增加了对HEIF第三版修正案中"PixelInformationProperty"语法的实验性支持,需要通过编译标志
AVIF_ENABLE_EXPERIMENTAL_EXTENDED_PIXI启用。 -
改进了对增益地图元数据的处理逻辑,现在会忽略不支持的元数据,并正确处理writer_version大于0的情况。
编码器与解码器优化
在编码和解码方面,v1.2.0带来了多项优化:
-
编码器现在支持处理超大尺寸图像,解决了之前可能存在的限制问题。
-
解码器现在能够正确处理包含非视频轨道(如音频或字幕)的图像序列。
-
改进了对辅助轨道的类型检查,避免将非alpha辅助轨道错误识别为alpha通道。
-
解码器现在能够处理具有奇数Clean Aperture尺寸或偏移的子采样图像。
API变更与弃用
本次版本引入了一些API变更:
-
简化了增益地图API,移除了
enableParsingGainMapMetadata设置,现在只要编译支持就会自动解析增益地图元数据。 -
弃用了
avifEncoder中的量化器相关字段(minQuantizer等),推荐使用quality和qualityAlpha参数替代。 -
弃用了
avifCropRectConvertCleanApertureBox()和avifCleanApertureBoxConvertCropRect()函数,提供了更直观的替代函数。 -
将
AVIF_HEADER_FULL重命名为AVIF_HEADER_DEFAULT,并标记前者为弃用。
新增工具与实用功能
v1.2.0版本新增了一个实用工具:
avifgainmaputil命令行工具:这个工具专门用于处理增益地图相关操作,现在已包含在标准安装包中。
此外还新增了一些实用函数:
-
avifSignedFraction和avifUnsignedFraction结构体,以及相关的转换函数,方便处理分数数据。 -
avifCropRectRequiresUpsampling()函数,用于判断裁剪矩形是否需要上采样。
依赖项更新
libavif v1.2.0同步更新了多个依赖库的版本:
-
AOM编码器更新至v3.12.0,新增了
tune=iq(图像质量)编解码选项。 -
dav1d解码器更新至1.5.1版本。
-
libjpeg更新至v3.0.4。
-
SVT-AV1编码器更新至v3.0.0,支持了无损编码和并行度设置。
其他改进
-
优化了文件结构,现在会写入空的HandlerBox名称字段而非"libavif",节省了7字节空间。
-
改善了属性写入顺序,现在描述性属性会先于转换性属性写入。
-
修复了alpha通道处理中的多个潜在溢出问题。
-
Android JNI支持改进,包括支持16kb页面大小和默认线程数设置为2。
总结
libavif v1.2.0是一个功能丰富的更新版本,将多项实验性功能提升为稳定特性,同时改进了编码和解码的可靠性和灵活性。新版本特别强化了对HDR和增益地图的支持,使AVIF格式在高质量图像应用场景中更具竞争力。对于开发者而言,需要注意一些API的变更和弃用,及时调整代码以适应新版本。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00