JPEG压缩伪影在低质量图片中尤其明显，表现为8×8块边界不连续、边缘附近出现振铃、平坦区域有蚊式噪声。当用户上传历史图片或从第三方抓取图片时，服务端往往需要在保存或分发前做一次自动清理。Node.js本身没有内置图像解码器，但配合Sharp、Jimp和ONNX Runtime等库，可以构建完整的伪影去除流水线。
本文分别从块边界平滑、像素级重建和模型推理三个方向展开，说明每种方法能在多大程度上改善视觉质量，以及它们各自的计算成本。
一、压缩伪影为什么难以在解码后根除
JPEG编码把图像分割成8×8的像素块，对每个块做离散余弦变换并量化高频系数。质量参数越低，量化步长越大，块与块之间的编码结果差异也越明显，重建后块边界就会产生亮度阶跃。这种失真不属于简单的高斯噪声，它和图像内容强相关，因此普通的整图模糊会让文字和边缘一起变得不清晰。
此外，强压缩还会在锐利边缘两侧产生振铃伪影，在平坦背景中产生蚊式噪声。解码器通常不会做去块处理，JPEG标准也没有强制要求环路滤波。所以如果不在解码后额外处理，伪影会一直保留到显示阶段。理解这一点后，去伪影的基本思路就很清晰：要么对块边界做定向平滑，要么训练模型学习从低质量块到原始未压缩块的映射。
二、用Sharp读取原始像素并做块边界滤波
Sharp是Node.js中性能最好的图像处理库，底层使用libvips，支持快速解码JPEG并在内存中保留原始像素。我们可以通过raw()方法拿到未编码的RGB或RGBA缓冲，然后对每个8×8块的边界像素做加权平均。下面的代码只对块边界进行平滑，非边界区域保持原样，尽量减少对真实纹理的破坏。
const sharp = require('sharp');
async function deblockImage(inputPath, outputPath) {
const image = sharp(inputPath);
const { data, info } = await image.raw().toBuffer({ resolveWithObject: true });
const { width, height, channels } = info;
const src = Buffer.from(data);
const dst = Buffer.from(src);
function getIndex(x, y) {
return (y * width + x) * channels;
}
function isBlockBoundary(x, y) {
return x % 8 === 0 || x % 8 === 7 || y % 8 === 0 || y % 8 === 7;
}
for (let y = 0; y < height; y++) {
for (let x = 0; x < width; x++) {
if (!isBlockBoundary(x, y)) continue;
if (x === 0 || y === 0 || x === width - 1 || y === height - 1) continue;
for (let c = 0; c < channels; c++) {
const idx = getIndex(x, y) + c;
const up = src[getIndex(x, y - 1) + c];
const down = src[getIndex(x, y + 1) + c];
const left = src[getIndex(x - 1, y) + c];
const right = src[getIndex(x + 1, y) + c];
const current = src[idx];
const filtered = Math.round(current * 0.6 + up * 0.1 + down * 0.1 + left * 0.1 + right * 0.1);
dst[idx] = Math.max(0, Math.min(255, filtered));
}
}
}
await sharp(dst, { raw: { width, height, channels } }).png().toFile(outputPath);
}
module.exports = deblockImage;
这段代码的核心是isBlockBoundary函数。它判断当前像素是否落在8×8块的边缘，如果是，就取上下左右四个邻域像素与自身做加权。中心权重0.6，邻域各0.1，可以让块边界的跳变过渡得更平缓。处理完全部像素后，再将Buffer交回Sharp写入PNG。该方案计算量较小，适合实时处理中等尺寸图片，但对块内部的蚊式噪声和边缘振铃改善有限。
如果需要更强效果，可以在边界滤波后再接一次3×3中值滤波或双边滤波。中值滤波能去除孤立噪声，双边滤波则保留边缘。不过这些操作在纯JavaScript中逐像素循环会变慢，建议只对低质量图片触发，或者将图像缩小后再处理。
三、通过ONNX Runtime加载轻量去伪影模型
基于学习的去伪影方法通常会把压缩图像输入一个卷积网络，输出重建后的清晰图像。ARCNN、ESPCN等模型结构简单，导出的ONNX文件可以直接在Node.js中运行。onnxruntime-node提供与浏览器端一致的推理接口，适合不想维护Python服务的团队。
下面示例假设已经有一个输入为256×256、输出同尺寸的ONNX模型。代码先将原图缩放到模型要求尺寸并归一化到0到1，推理后再映射回0到255，最后缩放到原始分辨率保存。模型输入名和输出名需要根据实际导出的模型调整，这里用input作为输入名。
const ort = require('onnxruntime-node');
const sharp = require('sharp');
const INPUT_SIZE = 256;
async function runArtifactRemovalModel(inputPath, modelPath, outputPath) {
const image = sharp(inputPath);
const metadata = await image.metadata();
const originalWidth = metadata.width;
const originalHeight = metadata.height;
const { data } = await image
.resize(INPUT_SIZE, INPUT_SIZE, { fit: 'fill' })
.removeAlpha()
.raw()
.toBuffer({ resolveWithObject: true });
const floatData = new Float32Array(INPUT_SIZE * INPUT_SIZE * 3);
for (let i = 0; i < INPUT_SIZE * INPUT_SIZE * 3; i++) {
floatData[i] = data[i] / 255.0;
}
const session = await ort.InferenceSession.create(modelPath);
const tensor = new ort.Tensor('float32', floatData, [1, INPUT_SIZE, INPUT_SIZE, 3]);
const feeds = { input: tensor };
const results = await session.run(feeds);
const outputTensor = results[Object.keys(results)[0]];
const outputData = outputTensor.data;
const outBuffer = Buffer.alloc(INPUT_SIZE * INPUT_SIZE * 3);
for (let i = 0; i < outputData.length; i++) {
const val = Math.max(0, Math.min(255, Math.round(outputData[i] * 255)));
outBuffer[i] = val;
}
await sharp(outBuffer, { raw: { width: INPUT_SIZE, height: INPUT_SIZE, channels: 3 } })
.resize(originalWidth, originalHeight, { fit: 'fill' })
.png()
.toFile(outputPath);
}
module.exports = runArtifactRemovalModel;
学习类方法对块效应、振铃和蚊式噪声的抑制明显优于手工滤波，尤其在人脸、文字等结构清晰的场景中。缺点是模型推理比纯像素操作慢，且内存中需要同时保存输入张量和输出张量。对于批量任务，可以缓存InferenceSession实例避免重复加载；也可以把推理放入Worker Threads，使主事件循环不被阻塞。
四、批量处理与生产环境调优
生产环境中不建议对所有上传图片都做去伪影，因为高质量图片经过处理反而可能损失细节。可以先通过图片的量化表或文件大小判断压缩程度，只有低质量JPEG才进入处理链路。如果允许客户端配合，可以在上传前用JavaScript粗略计算8×8块边界梯度，把疑似伪影严重的区域交给服务端处理。
另外，Sharp的解码和编码非常快，瓶颈通常出现在逐像素循环或模型推理。对于纯像素方案，可以使用worker_threads将不同图片分配到多个Worker；对于模型推理，ONNX Runtime支持设置线程数和执行提供器，例如通过ort.env设置线程数，并在部署机器上选择合适的CPU provider。最后，建议存储处理后的图片时保留原始图，以便后续模型升级时重新生成。
如果追求更好的效果，也可以将去伪影放到浏览器端用WebGL或WebAssembly完成，服务端只负责存储和分发。不过在需要统一视觉质量、图片数量大的场景下，Node.js服务端实现仍然是最容易维护的方案。