# 视频压缩：从运动补偿到 AV1、VVC 与神经编码 Author: Fanyi Pu Published: 2026-09-21 Canonical: 从预测、变换、量化和率失真优化推导现代视频编码器，再比较 H.264、HEVC、VP9、AV1、VVC、AV2 与神经视频压缩。 假设一台固定相机拍着餐厅菜单：墙和菜单几乎不动，只有一张红色价格牌从左边移到右边。若把每一帧都当作独立照片保存，背景会被重复描述；若只保存「价格牌向右移动了多少」和无法预测的细小变化，数据就少得多。**视频压缩的核心不是把每一帧分别压小，而是建立一个双方都能重现的预测，再只编码预测失败的部分。** 这条思路贯穿 H.264/AVC、HEVC/H.265、VP9、AV1 和 VVC/H.266。它们的差异主要在于：怎样切块、从哪里预测、怎样表示残差、怎样过滤重建图像，以及编码器愿意花多少搜索成本。AV2 已在 2026 年发布 1.0 规范，但「规范已经完成」不等于「设备与内容生态已经成熟」。神经视频压缩则在重新学习预测、概率模型乃至整条编码链，仍需面对硬件、互操作和部署成本。 这篇笔记先从一个具体块推导混合视频编码器，再比较各代 codec 的设计和工程选择。文中的「当前」均以 **2026-09-21** 可查的标准、论文与官方资料为准。 ## 先算清楚究竟要省多少数据 一帧 $1920\times1080$、每像素 24 bit 的 RGB 图像，以 30 fps 播放时，原始码率约为 $$ 1920\times1080\times30\times24 \approx 1.49\times10^9\ \text{bit/s}. $$ 十秒就是约 1.87 GB。即使先转成常见的 8-bit YCbCr 4:2:0，让四个亮度样本共享一组色度样本，仍需要平均 12 bit/pixel，也就是约 746 Mbit/s。若最终视频只有 5 Mbit/s，十秒的数据量是 6.25 MB：编码器需要把前面的数据压到约 $1/149$，同时让人仍觉得画面连贯。 这里先分清四个经常混用的名字： - **Codec / 编码标准**规定合法 bitstream 以及 decoder 怎样重建图像，例如 H.264、AV1； - **Encoder 实现**决定怎样搜索一个合法而高效的 bitstream，例如 x264、SVT-AV1、硬件 NVENC； - **Container**把视频、音频、字幕和时间信息装在一起，例如 MP4、WebM； - **传输方式**决定文件怎样送到播放器，例如 HLS、DASH。 同一个 codec 可以有多个 encoder，也可以出现在不同 container 中。标准通常精确定义 decoder，却不会规定 encoder 必须怎样搜索；这给实现留下了速度与压缩率的取舍。 ## 如果只压一张图，需要保留什么 先忽略时间，只看菜单的一小块。直接记录像素当然可行，但相邻像素通常相近。与其写下每个值，不如先猜它，再保存猜错了多少。 ### 从已重建邻居预测当前块 对帧内编码（intra coding），decoder 已经重建了当前块上方和左侧的像素。编码器与 decoder 可以约定一种预测模式：沿边缘向下延伸、向右延伸、取平滑渐变，或者使用更复杂的方向模式。设原始块为 $x$，双方得到的预测为 $p$，需要编码的是 $$ e=x-p. $$ 平坦墙面会得到接近零的 residual；文字边缘和红色价格牌则留下较大数值。预测并没有让信息凭空消失，它只是把「绝对亮度是多少」换成了更容易压缩的「与可推导值相差多少」。 ### 为什么还要变换和量化 Residual 中相邻位置仍有关联。例如一条竖边会让一整列数值同时变大。离散余弦变换（DCT）一类的线性变换把空间图样分解为不同频率：平缓变化集中到低频，细碎边缘进入高频。变换本身可以近似无损地往返，真正显著减少数据的是随后量化： $$ q_k=\operatorname{round}\!\left(\frac{c_k}{\Delta_k}\right), \qquad \hat c_k=q_k\Delta_k. $$ $c_k$ 是变换系数，$\Delta_k$ 是量化步长。小系数除以较大的步长后会变成零；decoder 只能恢复 $\hat c_k$，不能找回原来的 $c_k$。因此量化是有损编码的主要不可逆步骤。4:2:0 色度降采样若被使用，同样已经丢失信息；预测和可逆变换本身则主要负责把信息重新组织得更集中。 原始块减去预测块，再变换和量化为稀疏系数 四个四乘四数值矩阵依次展示原始亮度、预测亮度、两者逐元素相减所得残差，以及对同一残差执行二维正交离散余弦变换并按步长四量化后的系数。最后一个矩阵有多个零。 原始块 x 52 54 56 58 53 72 74 59 73 78 60 55 57 61 − 预测块 p 51 \= 残差 e 1 16 19 DCT ÷4 量化系数 q 5 0 -4 4 数值由图中 x − p 逐项计算；系数采用正交 4×4 DCT 与 Δ = 4 零系数 非零 [View diagram in the original article](https://pufanyi.com/blog/ml/notes/video-compression) 示例只处理一块亮度值。预测已经解释了大部分平缓背景，残差主要留下中央变化；DCT 把这种相关图样集中到较少频率，量化再把小系数变成零。最后的系数由左侧同一组数值现场计算，并非手填结果。 量化后的系数往往包含连续的零和少量非零值。扫描顺序先把低频放在前面，再通过 run length、上下文概率与算术编码一类方法把符号写成 bitstream。熵编码不会继续改变画面；它利用「零很常见」「某种模式在当前上下文更可能」之类的统计规律，用较短的码表示更常见的事件。 ## 视频为什么能比逐帧图片省得更多 下一帧中，墙面没有变化，价格牌只是移到了右边。此时当前帧自己的上、左邻居不是唯一参考：已经重建的其他帧通常更接近当前内容。 ### Motion vector 是一个块的位移假设 把当前块记为 $x_t$，参考帧中已经重建的图像记为 $\hat x_r$。若编码器为该块选择位移 $v=(v_x,v_y)$，预测可以写成 $$ p_t(i,j)=\hat x_r(i+v_y,j+v_x), \qquad e_t=x_t-p_t. $$ 编码器发送参考帧编号、motion vector 和 residual。Decoder 用相同参考帧取出预测块，加上解码后的 residual，就得到当前块。 这里的 motion vector 不是物体的真实运动，也不是稠密 optical flow。它只是编码器为一个块找到的平移预测假设：相机摇动、阴影改变、遮挡出现时，它都可能与语义上的「谁在移动」不同；纹理重复时，多种向量也可能产生近似预测。 若价格牌发生旋转或露出新区域，仅靠平移不能完全预测，residual 会补上差异。现代 codec 还允许不同块大小、亚像素插值、多个参考帧和双向/复合预测，让假设更灵活，但基本账本不变：**模式和向量本身需要 bits，剩余误差也需要 bits。** ### 为什么 encoder 必须在内部再解码一遍 一个看似自然却会失败的做法，是让 encoder 总从未受损的原始参考帧预测，而 decoder 只能从量化后的参考帧预测。两边的参考像素从第一帧起就不同；误差会继续进入后续预测，形成 drift。 所以 encoder 内部包含一条本地 decoder 路径：反量化、逆变换，把 residual 加回 prediction，再执行与 decoder 相同的 in-loop filters，最后把**重建帧**放入 reference buffer。之后所有预测都使用它，而不是原始帧。Deblocking、SAO、CDEF、loop restoration 或 ALF 等滤波器虽然名字不同，都必须在参考帧进入后续预测之前保持两端一致。 混合视频编码器包含与播放端一致的本地解码闭环 原始块减去预测得到残差，经变换量化和熵编码成为比特流。同时量化结果在编码器内部反量化、逆变换并加回同一个预测，经过环路滤波成为重建参考。参考缓冲区反馈给预测器。虚线表示语法控制，实线表示像素或系数数据流。 Encoder：一边发送语法，一边重建 decoder 将看到的参考 原始块 x − 变换与量化 q = Q(T(e)) 熵编码 模式 + 向量 + q bitstream 反量化与逆变换 ê = T⁻¹(Q⁻¹(q)) \+ in-loop filters 重建参考缓冲区 x̂r intra / inter 预测 产生 p 与预测语法 重建数据流 模式语法 后续预测只能读取 x̂r；若 encoder 偷看原始参考，decoder 会逐帧漂移 [View diagram in the original article](https://pufanyi.com/blog/ml/notes/video-compression) 上路把 residual 变成 bitstream；下路在 encoder 内部执行 decoder 的重建步骤。预测器把同一个 prediction 同时送到减法与加法节点，滤波后的重建帧才进入 reference buffer。图中省略色度路径、多个参考帧和具体滤波阶段。 ### I、P、B frame 不是画质等级 - **I-frame**只使用同一帧内的信息，能作为随机访问点，但通常占用更多 bits； - **P-frame**可以从较早的参考帧预测； - **B-frame**可以组合显示时间上之前和之后的参考帧，往往得到更好预测，但可能要求 decoder 先收到「未来」参考帧。 因此显示顺序不一定等于解码顺序。更长的 Group of Pictures（GOP）让帧间冗余有更大利用空间，却增加 seek 距离、编码延迟和错误传播范围；实时通话常用更短、更简单的结构，点播视频则能接受重排与更深的搜索。I/P/B 是依赖结构，不应被理解为「I 最清晰、B 最模糊」；encoder 仍可给不同帧分配不同量化强度。 含双向预测帧的显示顺序、参考关系和解码顺序 显示顺序为 I0、B1、B2、P3、B4、P5。弧线箭头从参考帧指向被预测帧。由于 B1 和 B2 依赖稍后显示的 P3，示例解码顺序变为 I0、P3、B1、B2、P5、B4。 参考 显示 I₀ t = 0 B₁ t = 1 B₂ t = 2 P₃ t = 3 B₄ t = 4 P₅ t = 5 解码 I：帧内 P：过去参考 B：可双向参考 [View diagram in the original article](https://pufanyi.com/blog/ml/notes/video-compression) 一种示意性 GOP：箭头从参考帧指向使用它预测的帧。B₁、B₂ 必须等 P₃ 先解码，B₄ 必须等 P₅，因此解码顺序不同于显示顺序。实际 codec 可采用更深的层级 B、不同参考集合或低延迟结构；图中关系不代表唯一配置。 ## 编码器究竟怎样在许多合法方案中选择 对同一个块，编码器可能选择帧内预测、从多个参考帧做运动补偿、拆成更小的块，或干脆不发送某些 residual。只比较预测误差会倾向于极小的块和复杂模式，却忘记描述这些选择也需要 bits；只比较文件大小则会把所有细节量化掉。 实际 encoder 因而围绕率失真代价（rate–distortion cost）搜索。对候选模式 $m$，可以写成 $$ J(m)=D(x,\hat x_m)+\lambda R(m). $$ $D$ 衡量重建误差，$R$ 包括块结构、预测模式、motion vector、量化系数等所有语法元素的预计 bits，$\lambda$ 控制二者的交换比。量化越强，通常 $R$ 越小而 $D$ 越大。Encoder preset 主要改变搜索范围、估计精度和计算预算；它不是另一个 codec，也不等于画质参数。同样的 AV1 bitstream 规范下，快速硬件 encoder 与慢速软件 encoder 可能在相同画质下产生很不一样的码率。 Decoder 只需执行 bitstream 已经选好的路径，encoder 却要比较许多路径。这就是离线编码可以很慢、播放仍可实时的原因，也是「标准更先进」不能直接推出某个具体实现一定更快或一定更省的原因。 ## 各代主流 codec 改了什么 各代标准不是把前面的链条推倒重来，而是在同一套 prediction–residual–quantization–entropy 骨架中扩大候选空间，再想办法让额外选择本身不占太多 bits。 ### H.264/AVC：今天仍重要的兼容基线 H.264/AVC 以 16×16 macroblock 为基本组织单元，同时允许更小的 motion partitions；它加入多参考帧、可变块大小运动补偿、整数近似变换、in-loop deblocking，以及 CAVLC/CABAC 熵编码 ([Wiegand et al., 2003](https://pufanyi.com/blog/ml/notes/video-compression#bib-wiegand2003h264))。这些设计形成了现代混合视频编码器的经典轮廓。 它最大的现实优势不是每一项工具仍最强，而是软硬件支持极广、编码与解码成本可控。需要覆盖旧浏览器、低成本设备、编辑软件或不确定的播放环境时，H.264 仍常被用作安全基线。 ### HEVC/H.265：更大的树、更灵活的预测 HEVC 用最大 64×64 的 Coding Tree Unit（CTU）替代固定 macroblock 层级，让平坦区域使用大块、复杂边缘继续递归切小；它扩展帧内方向、变换尺寸和 merge 候选，并加入 Sample Adaptive Offset（SAO）、tiles 与 Wavefront Parallel Processing ([Sullivan et al., 2012](https://pufanyi.com/blog/ml/notes/video-compression#bib-sullivan2012hevc))。在高分辨率视频中，大块能用很少语法描述大片平滑区域。 HEVC 已有成熟硬件生态，在 Apple 平台的 4K/HDR 流程等受控环境中尤其常见 ([Apple, n.d.](https://pufanyi.com/blog/ml/notes/video-compression#bib-applevideodocs))。但选型还要单独评估目标平台、专利与授权策略；技术工具相近，不代表所有 codec 的许可条件相同。 ### VP9：同一时代的开放 Web 路线 VP9 同样采用 64×64 superblock 与递归分块，组合帧内/帧间预测、多个 reference buffers、sub-pixel motion、分段量化和 tiles ([Mukherjee et al., 2013](https://pufanyi.com/blog/ml/notes/video-compression#bib-mukherjee2013vp9))。它不是 HEVC 的换名版本：bitstream 语法、概率模型、参考帧语义和具体工具都不同。 VP9 在 WebM、浏览器和既有在线视频管线中积累了大量部署。若已有稳定的 VP9 编码与设备覆盖，迁移价值要用自己的内容、编码成本和终端分布来衡量，不能只看一张跨论文的压缩率表。 ### AV1：把更多预测与环路工具装进开放标准 AV1 把 superblock 扩到 128×128，并提供更丰富的矩形与递归分块；帧间侧包括 compound prediction、global/warped motion 等工具，环路中组合 deblocking、Constrained Directional Enhancement Filter（CDEF）和 loop restoration，还可把 film grain 作为参数合成，以免逐像素编码随机颗粒 ([Han et al., 2021](https://pufanyi.com/blog/ml/notes/video-compression#bib-han2021av1))。 更多工具给 encoder 更大的率失真搜索空间，也提高了高质量编码的计算负担。近年来硬件解码与播放支持已经明显扩展：Netflix 在 2025 年披露，AV1 已约占其串流播放的 30%，并成为其第二常用 codec；该数字说明 AV1 已进入大规模部署，但不代表所有地区、设备或服务都有相同比例 ([Guo et al., 2025](https://pufanyi.com/blog/ml/notes/video-compression#bib-netflix2025av1))。 ### VVC/H.266：继续扩大可表达的预测与变换 VVC 的 quadtree with multi-type tree（QT+MTT）允许四叉、二叉与三叉切分组合；帧间侧加入更系统的 affine motion、geometric partition、decoder-side motion vector refinement（DMVR）和 bi-directional optical flow（BDOF），变换侧有 multiple transform selection（MTS）与 low-frequency non-separable transform（LFNST），环路还加入 adaptive loop filter（ALF）、cross-component ALF 与 luma mapping ([Bross et al., 2021](https://pufanyi.com/blog/ml/notes/video-compression#bib-bross2021vvc))。 这些工具让 VVC 能覆盖超高清、屏幕内容、360° 等更多场景，也意味着实现和搜索更复杂。VVC 是已完成并持续维护的国际标准；是否是某个产品的「主流」选择，仍取决于芯片、播放器、内容管线和授权条件，而不是标准发布日期本身。 ### AV2：已经发布的下一代规范，不等于已经普及 Alliance for Open Media 在 2026 年 5 月发布 AV2 Bitstream & Decoding Process Specification 1.0.0。规范面向传统视频之外的 AR/VR、多画面与屏幕内容等场景 ([Alliance for Open Media, 2026](https://pufanyi.com/blog/ml/notes/video-compression#bib-aomedia2026av2))。在本文时点，它适合被归为**刚完成标准化、开始评估与实现**，而不是与 H.264、HEVC、VP9 或 AV1 等量齐观的成熟部署生态。 把常见选择放回实际状态，可以得到更有用的比较： | Codec | 2026 年的位置 | 典型优势 | 选型时首先检查 | | ---------- | ------------- | ------------------ | ----------- | | H.264/AVC | 成熟兼容基线 | 设备覆盖广、实现成熟、成本可控 | 是否需要覆盖旧终端 | | HEVC/H.265 | 成熟的高效路线 | 4K/HDR 与硬件管线成熟 | 目标平台和授权策略 | | VP9 | 成熟的 Web 路线 | 既有浏览器、WebM 与在线视频生态 | 现有管线和编码成本 | | AV1 | 正在广泛部署 | 压缩工具丰富、开放生态、硬件覆盖增长 | 终端解码能力与编码吞吐 | | VVC/H.266 | 标准成熟、部署仍按场景推进 | 高压缩效率与多场景工具 | 芯片、软件和商业生态 | | AV2 | 1.0 新标准 | 面向下一代场景与进一步效率 | 实现可用性与早期互操作 | 这张表故意不写一个脱离条件的「比上一代省 30%」。任何这类数字都依赖 encoder 版本、preset、内容、分辨率、bit depth、GOP、延迟约束和画质指标；把不同论文的数字直接并排，往往比 codec 本身的差异更误导。 ## 怎样公平比较两个 encoder 如果只在某个码率导出一个文件，再凭肉眼或文件大小下结论，很容易把 preset、GOP 与 rate control 的影响错算到 codec 上。更稳妥的方法是在多个质量档编码同一组片段，画出 rate–distortion curve：横轴是 bitrate，纵轴是质量。 最基础的 PSNR 从 mean squared error（MSE）得到。对峰值为 $L$ 的样本， $$ \operatorname{PSNR}=10\log_{10}\!\left(\frac{L^2}{\operatorname{MSE}}\right). $$ 它可重复、容易计算，但对结构、时序稳定性与感知偏好并不总敏感。VMAF 把多种画质特征组合为预测分数，可作为另一视角，但依旧是模型化指标，不是所有观看条件下的人类判断 ([Netflix, n.d.](https://pufanyi.com/blog/ml/notes/video-compression#bib-netflixvmaf))。严肃比较通常同时报告多个指标，并抽查真实片段中的暗部、颗粒、文字、快速运动和 scene cut。 BD-rate 用重叠质量区间内两条曲线的平均码率差概括结果，比单个点更稳健；它仍不能挽救不一致的测试条件。至少应固定或明确： - encoder 名称、版本、preset 与线程配置； - 分辨率、帧率、bit depth、chroma format 与 HDR 转换； - GOP、随机访问间隔、B-frame/参考帧限制和低延迟要求； - rate-control 模式、目标码率或质量点； - 指标版本、裁切与对齐方式，以及测试片段是否有代表性。 ## Rate control 解决的是另一个问题 前面的率失真搜索决定一个局部候选是否值得；rate control 决定整帧、整段或整个文件怎样分配有限 bits。常见目标并不相同： - **CRF / constant quality 一类模式**尽量维持视觉质量，让复杂片段使用更多 bits，最终文件大小不预先固定； - **两遍 VBR**先分析全片，再把 bits 分给最需要的位置，适合有文件大小或平均码率目标的点播内容； - **CBR/VBV 约束**控制发送速率与 decoder buffer，适合直播、实时通信或严格带宽上限，代价是复杂场景可能没有足够 bits。 不同 encoder 对参数的命名和刻度并不统一。例如 SVT-AV1 同时提供 CRF/CQP、VBR 与 CBR 等模式 ([Alliance for Open Media, n.d.](https://pufanyi.com/blog/ml/notes/video-compression#bib-svtav1parameters))；不能把 x264 的 CRF 23 与另一个 encoder 的数值直接当成相同画质。 实际串流还会制作 adaptive bitrate ladder：同一内容编码成不同分辨率与码率，播放器根据网络和设备切换。此时要优化的不只是单个 1080p 文件，而是整组表示的覆盖、切换稳定性、存储与编码成本。 ## 神经视频压缩在学习哪一部分 传统 codec 由工程师设计候选模式，再由 encoder 做率失真搜索。Learned codec 则可以让网络学习分析变换、时序上下文和概率模型。用 $c_t$ 表示来自已重建帧的条件信息，一个抽象写法是 $$ y_t=g_a(x_t;c_t),\qquad \hat y_t=Q(y_t),\qquad \hat x_t=g_s(\hat y_t;c_t). $$ Entropy model 为每个量化 latent 分配条件概率。理想码长近似为 $$ R\approx-\sum_i\log_2 p(\hat y_{t,i}\mid\text{context}), $$ 训练则最小化与传统编码器同源的目标 $$ \mathcal L=\mathbb E[R+\lambda D(x_t,\hat x_t)]. $$ DCVC 把 temporal context 放进 feature domain，让当前帧的 latent coding 直接以已解码特征为条件，而不是只生成一个像素级 motion-compensated frame ([Li et al., 2021](https://pufanyi.com/blog/ml/notes/video-compression#bib-li2021dcvc))。后续工作继续压缩计算：DCVC-RT 在论文设定下报告了实时的高分辨率吞吐与相对 VTM 的码率收益，但这些数字来自指定 GPU、数据集、指标与软件版本，不能直接等同于手机或浏览器部署 ([Jia et al., 2025](https://pufanyi.com/blog/ml/notes/video-compression#bib-jia2025dcvcrt))。2026 年的 DCVC-UF 进一步用 chunk-based frame parallelization 减少逐帧依赖，展示了研究路线正把吞吐与并行性作为一等目标 ([Li et al., 2026](https://pufanyi.com/blog/ml/notes/video-compression#bib-li2026dcvcuf))。 神经方法的困难并不只在模型能否得到更好的曲线：decoder 权重和版本怎样分发，跨设备数值是否稳定，怎样利用固定功能硬件，能耗与内存是否可接受，随机访问和丢包怎样处理，都是完整 codec 必须回答的问题。MPEG 的 neural-network-based video compression 仍以 exploration 的形式研究 hybrid 与 end-to-end 方案 ([Moving Picture Experts Group, n.d.](https://pufanyi.com/blog/ml/notes/video-compression#bib-mpegneuralvideo))。因此，把 learned codec 视为快速推进的研究与标准化方向更准确；它尚未取代 H.264、HEVC、VP9、AV1 等通用交付链路。 ## Codec 信号也能服务视觉模型 视频 codec 为了避免重复编码，已经计算出 motion vector、residual 和 I/P-frame 结构。这些量并不只用于还原像素，也可作为「哪里发生了变化」的廉价线索。 [OneVision-Encoder](https://pufanyi.com/blog/ml/ml-revisit/vit#onevision-encoder%E5%9C%A8%E8%BF%9B%E5%85%A5-vit-%E5%89%8D%E9%80%89%E6%8B%A9%E5%8F%98%E5%8C%96) 就沿用了这个思路：它从 HEVC 提取 motion vector 幅值与亮度 residual 能量，为 P-frame 的空间区域排序，在进入 ViT 前只保留一部分解码后的 RGB patches。Motion vector 和 residual 是**选择器**，不是交给视觉模型的语义 token；I-frame 仍提供完整底图，稀疏 patch 还要携带原始 $(t,h,w)$ 坐标。这个例子也提醒我们，codec 的「变化显著」只是编码意义上的代理：低残差事件仍可能在语义上很重要。 ## 实际该选哪一个 没有脱离约束的最佳 codec。可以从 decoder 端倒推： 1. **先列终端。** 浏览器、手机、电视、编辑软件和硬件 decoder 真正支持什么？是否必须有 fallback？ 2. **再列服务目标。** 是低延迟通话、直播、点播、归档，还是中间制作格式？可接受多长 GOP、多少编码延迟？ 3. **确定画质与带宽。** 用代表性内容建立 R-D 曲线，不要只测一个漂亮片段或一个码率点。 4. **计入编码成本。** 每节省 10% 带宽，要付出多少 CPU/GPU 时间、能耗、队列延迟和工程复杂度？ 5. **单独审查生态条件。** Container、DRM、专利授权、云转码、播放器与可观测性都可能改变最终选择。 若目标是最大兼容性，H.264 常是基线；受控的 4K/HDR 设备链路可评估 HEVC；已有 Web 管线可继续使用 VP9；希望在现代设备上取得更高效率并接受更重编码成本时，AV1 通常值得优先测试；VVC 适合在已有终端与商业条件明确的场景评估；AV2 目前更像下一轮实现与互操作工作的起点。对超低延迟或边缘设备，硬件上已有的 encoder 往往比纸面上更先进、却只能软件运行的 codec 更实际。 ## 把整条链重新串起来 现代视频编码器可以用一条因果链理解：颜色表示先减少人眼不敏感的样本；帧内与帧间预测把重复内容变成 residual；变换把相关 residual 集中到少量系数；量化决定真正舍弃多少信息；熵编码再用尽剩余统计冗余。Encoder 用 $D+\lambda R$ 在许多合法候选间搜索，并通过本地 decoder 保证后续参考与播放端完全一致。 H.264、HEVC、VP9、AV1、VVC 和 AV2 的演进，本质上是在扩大这套候选语言并改善概率表达；代价是实现、搜索、硬件与生态复杂度。Learned codec 把更多环节改成数据驱动函数，却没有绕开 rate、distortion、参考一致性和可部署性这些根本约束。理解这些共同变量，比记住一张随年份失效的 codec 排名更有用。 ## References Alliance for Open Media. (2026). *AV2 Bitstream & Decoding Process Specification* (Version 1.0.0). [av2.aomedia.org](https://av2.aomedia.org/ "https://av2.aomedia.org/") Alliance for Open Media. (n.d.). *SVT-AV1 Encoder Parameters*. [gitlab.com](https://gitlab.com/AOMediaCodec/SVT-AV1/-/blob/master/Docs/Parameters.md "https://gitlab.com/AOMediaCodec/SVT-AV1/-/blob/master/Docs/Parameters.md") Apple. (n.d.). *Video*. [developer.apple.com](https://developer.apple.com/documentation/technologyoverviews/video "https://developer.apple.com/documentation/technologyoverviews/video") Bross, B., Wang, Y.-K., Ye, Y., Liu, S., Chen, J., & Sullivan, G. J. (2021). Overview of the Versatile Video Coding (VVC) Standard and Its Applications. *IEEE Transactions on Circuits and Systems for Video Technology*, *31*(10), 3736–3764. [doi.org](https://doi.org/10.1109/TCSVT.2021.3101953 "https://doi.org/10.1109/TCSVT.2021.3101953") Guo, L., Li, Z., Radford, S., & Watts, J. (2025). *AV1 Now Powering 30% of Netflix Streaming*. Netflix Technology Blog. [medium.com](https://medium.com/netflix-techblog/av1-now-powering-30-of-netflix-streaming-02f592242d80 "https://medium.com/netflix-techblog/av1-now-powering-30-of-netflix-streaming-02f592242d80") Han, J., Li, B., Mukherjee, D., Chiang, C.-H., Grange, A., Chen, C., Su, H., Parker, S., Deng, S., Joshi, U., Chen, Y., Wang, Y., Wilkins, P., Xu, Y., & Bankoski, J. (2021). A Technical Overview of AV1. *Proceedings of the IEEE*, *109*(9), 1435–1462. [doi.org](https://doi.org/10.1109/JPROC.2021.3058584 "https://doi.org/10.1109/JPROC.2021.3058584") Jia, Z., Li, B., Li, J., Xie, W., Qi, L., Li, H., & Lu, Y. (2025). DCVC-RT: Towards Real-Time Deep Video Compression. *Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition*, 12543–12552. [openaccess.thecvf.com](https://openaccess.thecvf.com/content/CVPR2025/html/Jia_DCVC-RT_Towards_Real-Time_Deep_Video_Compression_CVPR_2025_paper.html "https://openaccess.thecvf.com/content/CVPR2025/html/Jia_DCVC-RT_Towards_Real-Time_Deep_Video_Compression_CVPR_2025_paper.html") Li, J., Li, B., & Lu, Y. (2021). Deep Contextual Video Compression. *Advances in Neural Information Processing Systems*, *34*, 18114–18125. [papers.nips.cc](https://papers.nips.cc/paper/2021/hash/96b250a90d3cf0868c83f8c965142d2a-Abstract.html "https://papers.nips.cc/paper/2021/hash/96b250a90d3cf0868c83f8c965142d2a-Abstract.html") Li, J., Xie, W., Jia, Z., Li, B., Guo, Z., Zhang, X., & Lu, Y. (2026). *Ultra-Fast Neural Video Compression*. [doi.org](https://doi.org/10.48550/arXiv.2606.04410 "https://doi.org/10.48550/arXiv.2606.04410") Moving Picture Experts Group. (n.d.). *Neural Network-Based Video Compression Exploration*. [mpeg.org](https://www.mpeg.org/standards/Explorations/36/ "https://www.mpeg.org/standards/Explorations/36/") Mukherjee, D., Bankoski, J., Grange, A., Han, J., Koleszar, J., Wilkins, P., Xu, Y., & Bultje, R. S. (2013). The Latest Open-Source Video Codec VP9: An Overview and Preliminary Results. *2013 Picture Coding Symposium*, 390–393. [doi.org](https://doi.org/10.1109/PCS.2013.6737765 "https://doi.org/10.1109/PCS.2013.6737765") Netflix. (n.d.). *VMAF: Perceptual Video Quality Assessment Based on Multi-Method Fusion*. [github.com](https://github.com/Netflix/vmaf "https://github.com/Netflix/vmaf") Sullivan, G. J., Ohm, J.-R., Han, W\.-J., & Wiegand, T. (2012). Overview of the High Efficiency Video Coding (HEVC) Standard. *IEEE Transactions on Circuits and Systems for Video Technology*, *22*(12), 1649–1668. [doi.org](https://doi.org/10.1109/TCSVT.2012.2221191 "https://doi.org/10.1109/TCSVT.2012.2221191") Wiegand, T., Sullivan, G. J., Bjøntegaard, G., & Luthra, A. K. (2003). Overview of the H.264/AVC Video Coding Standard. *IEEE Transactions on Circuits and Systems for Video Technology*, *13*(7), 560–576. [doi.org](https://doi.org/10.1109/TCSVT.2003.815165 "https://doi.org/10.1109/TCSVT.2003.815165")