q值是在自研算法下调教数值对清晰度的影响
q值是在自研算法下调教数值对美学的影响
通过如上图可以看出，新算法压缩并不会带来很大的画质波动，基本和压缩前对比差异不大。
解码性能对比
要保证用户侧的加载耗时，必须要考虑新的算法在客户端解码的性能，而「按照我们的设计预期用户的解码耗时的增加值」需要小于「由于文件体积的减少带来的耗时」才能保证影响加载耗时变大，我们调研开源的一些图片解码性能，发现业界其他解码器一张图像解码耗时在150MS~250MS 之间，开源实现暂时无法达到要求，于是我们做了一些自行调教：
实验室下：自研解码和开源解码性能对比，耗时越低越好。（单位:ms，其中绿色为自研解码）
经过如上调教，我们基本可以将图片的解码耗时控制在对齐webp的解码耗时时间。
实验设计
秉承科学严谨的原则，我们选择实验验证时，需要充分考虑对照组和实验组变量尽量减少:(veImageX图像压缩访问方式是极简的，只需要将原来的url之后追加一个图像目标模板即可如下表格中隐去了真实的业务信息）
数据论证
实验流量对比
经过线上实验，随机选取了一组流量进入实验过程，经过一段时间运行，我们发现 p-xx-a 的域名带宽和p-xx-b的域名带宽形成显著差异；我们从流量上计算（2.53PB-1.71PB)/2.53PB*100 = 32.4%，因此评判，在严格的和webp对比下，带来至少 30%的带宽节省验证符合预期。
当然，除了自行验证之外，我们也尝试过将线上其他格式（无需区分webp、jpg）与线上自研格式对比，节省比例更优。
验证数据参考
通用的“集智瘦身”
降成本是一个演进过程，在Android 和iOS 双端端原生解决了带宽问题后，在H5端运行，自研算法解码端面临在浏览器兼容性和性能支持的问题。因此我们需要考虑，无需集成客户端SDK的方式能够带来体积的节省，这里我们研发了“集智瘦身”的方式；这个设计初衷是为了解决业务方接入推广难、集成SDK覆盖难等难题，同时还要满足成本节省的目的。
集智瘦身的原理是通过深度学习的方式对传统webp、jpeg甚至png等格式进行瘦身压缩，而不需要集成客户端解码库。
相比于自研编码方式需要集成SDK之外，集智瘦身的接入简单很多，只需要将域名指向到veImageX服务就可以享受降本服务。
