Entropia Reconstrutiva Contextual (TECR)

O modelo de compressão do Pixu se fundamenta na Entropia Reconstrutiva Contextual — uma extensão prática da teoria clássica da informação para imagens na web.

Ele não reivindica quebrar o teorema de Shannon. Ele muda o problema que otimizamos: minimizar o que você envia, dado contexto compartilhado e um erro de reconstrução aceitável.

Por que Shannon não é a história toda

O teorema de codificação de fonte de Shannon estabelece que, sob um modelo probabilístico fixo de uma fonte, você não pode comprimir de forma lossless toda mensagem abaixo da sua entropia média $H(X)$.

Esse limite vale quando:

• compressor e descompressor compartilham nenhum conhecimento extra além do codec;
• o objetivo é a recuperação exata ($x^{\prime }=x$);
• “informação” significa apenas redundância estatística.

A entrega real de imagens viola essas premissas o tempo todo:

Premissa clássica	Realidade web / Pixu
Recuperação bit a bit exata	Equivalência perceptual basta
Sem prior compartilhado	Codec + análise + heurísticas de domínio atuam como $M$ compartilhado
Só estatísticas de símbolos	Estrutura, bordas, saturação e classe de conteúdo importam
Custo = tamanho do bitstream	Custo = arquivo + modelo + contexto + erro permitido

Ideia central

O tamanho mínimo necessário para representar um objeto depende não só dos dados em si, mas do conhecimento compartilhado e da capacidade de reconstrução do receptor.

Escrevemos o comprimento de descrição mais curto de $x$ sob modelo compartilhado $M$, contexto $C$ e orçamento de erro $\epsilon$ como:

$$L(x\mid M,C,\epsilon )$$

Custo total de representação

$$C_{\text{total}}=C_{\text{file}}+C_{\text{model}}+C_{\text{context}}+C_{\text{error}}$$

Termo	Significado no Pixu
$C_{\text{file}}$	Bytes no arquivo de saída (WebP/JPEG do caminho PIXU, ou outro)
$C_{\text{model}}$	Codec + pipeline reconstrutivo do Pixu (proxy WebP/JPEG, encoder adaptativo)
$C_{\text{context}}$	Análise de conteúdo: foto vs gráfico, complexidade, bordas, croma
$C_{\text{error}}$	Distorção perceptual permitida $\epsilon$ (quality / smart quality)

Um método pode produzir arquivos muito menores do que a entropia estimada só nos pixels. Os bits que faltam não desapareceram — eles vivem em $M$ e $C$, ou foram gastos como $\epsilon$.

Níveis de TECR no Pixu

Nível	Nome	O que o Pixu faz
0	Contexto de sinal	Variância de bloco, saturação, qualidade sensível a croma
1	Contexto de conteúdo	Smart Quality: priors de foto / gráfico / texto
2	Contexto de formato	Caminho PIXU: encode adaptativo + $\epsilon$ perceptual como cidadão de primeira classe
3 (roadmap)	Semântico / generativo	$M$ generativo compartilhado; armazenar prompts ou latentes, não todos os pixels

Os níveis 0–2 já estão disponíveis. O nível 3 é o horizonte de pesquisa (modelos versionados, contabilidade explícita de $C_{\text{model}}$).

O que “melhor compressão” significa aqui

O Pixu otimiza para:

$$min{C}_{\text{file}}\text{s.t.}d(x,\hat{x})\le \epsilon$$

em que $d$ é uma distorção perceptual (implícita em quality + ajuste sensível ao conteúdo), não igualdade bit a bit.

É por isso que o PIXU rotineiramente supera JPEG/WebP ingênuos no mesmo orçamento visual: ele gasta bits onde o olho se importa e toma emprestada estrutura de $C$ e $M$.

Comparação honesta com Shannon

Afirmação	Status
“Superamos Shannon de forma lossless em dados arbitrários”	Falso — impossível sob as premissas clássicas
“Superamos codecs ingênuos sob $\epsilon$ perceptual + contexto”	Verdadeiro — esta é a reivindicação de produto do Pixu
“Codecs generativos futuros reescrevem $L(x\mid M,C,\epsilon )$”	Pesquisa — TECR nível 3

Mapeamento para a API

import { compress } from '@pantanal/pixu'

const result = await compress(file, {
  format: 'image/pixu',   // prefer reconstructive PIXU path (M)
  enableSmartQuality: true, // build C from image content
  quality: 0.85,          // ε budget when you fix it explicitly
  stripMetadata: true,    // drop context the receiver does not need
})

Opção	Papel no TECR
format: 'image/pixu'	Seleciona o modelo reconstrutivo $M$
enableSmartQuality	Estima o contexto de conteúdo $C$
quality / qualidade adaptativa	Define $\epsilon$
Dual-pass / tamanho alvo	Busca sobre $C_{\text{file}}$ sob $\epsilon$

Veja também:

• Formato PIXU — formato que implementa TECR níveis 0–2
• Smart Quality — contexto de conteúdo $C$
• Análise de imagem — inspecionar $C$ explicitamente

Checklist científico (para contribuidores)

Para aprofundar TECR como teoria — não marketing:

1. Definir informação, contexto, reconstrução e erro com rigor
2. Enunciar teoremas / limites para $L(x\mid M,C,\epsilon )$
3. Provar ou limitar proposições formalmente
4. Publicar experimentos reproduzíveis (bitrate vs métricas perceptuais)
5. Sempre reportar $C_{\text{total}}$, nunca só $C_{\text{file}}$
6. Preferir previsões que codecs clássicos não explicam bem

A descoberta valiosa não é “Shannon estava errado.” É um novo limite prático para compressão de imagem contextual e reconstrutiva — a base do Pixu.