一句话总结：
视频压缩的本质，是在信号、感知和编码三个层面，层层递进地识别并剔除冗余信息，而AI等新兴技术则为这个“剔除”过程带来了前所未有的智能化。
第一层：信号层冗余 —— 视频数据的内在统计特性
这是视频数据与生俱来的、最基础的冗余，源于物理世界的连续性。
1. 空间冗余 (Spatial Redundancy)
- 表现：在一帧图像内部，一个像素的值往往与它周围的像素高度相似（例如，天空、墙壁的大片纯色区域）。
- 剔除工具：帧内预测 (Intra-prediction)。编码器不存储每个像素的绝对值，而是利用已编码的相邻像素来“预测”当前像素，仅记录微小的预测残差。
2. 时间冗余 (Temporal Redundancy)
- 表现：在视频序列中，后一帧的画面内容通常与前一帧高度相似，大部分背景保持不变，只有少数物体在移动。
- 剔除工具：帧间预测 (Inter-prediction)，即运动补偿。编码器在参考帧中找到与当前块最匹配的区域，只记录下两者之间的运动矢量和微小的内容残差。这是视频压缩率远超单张图片压缩率的根本原因。
第二层：感知层冗余 —— 人类视觉系统的“漏洞”
这一层冗余并非数据本身的属性，而是人类视觉系统（HVS）生理特性的体现。利用这些“漏洞”是实现高倍率有损压缩的关键。
3. 视觉冗余 (Visual Redundancy)
- 表现：人眼对图像的某些信息不敏感。具体包括：
- 对高频细节（如精细纹理、剧烈变化的边缘）的敏感度低于平滑的低频区域。
- 对亮度（Luma）的敏感度远高于对色彩（Chroma）的敏感度。
- 剔除工具：
- 变换 (DCT/DST) + 量化 (Quantization)：首先通过DCT等变换，将像素残差数据从空间域转换到频率域，实现“能量集中”。然后通过量化，“粗暴”地丢弃或降低人眼不敏感的高频系数的精度。这是有损压缩的核心。
- 色度抽样 (Chroma Subsampling)：例如 YUV 4:2:0 格式，在保留全部亮度信息的同时，只存储1/4的色彩信息，数据量大幅减少，但人眼几乎无法察觉画质差异。
第三层：编码层冗余 —— 符号表示的数学效率
当我们将预测残差、运动矢量等信息处理完毕后，剩下的是一堆需要用二进制比特来表示的符号。如何用最少的比特来表示它们，就是这一层要解决的问题。
4. 编码冗余 (Coding Redundancy)
- 表现：在量化后的数据中，某些符号（例如数字“0”）出现的频率远高于其他符号。如果用相同长度的比特串（如8-bit）来表示所有符号，会造成巨大浪费。
- 剔除工具：熵编码 (Entropy Coding)。这是一种无损压缩技术，它根据符号出现的概率进行编码，为高频符号（如大量的“0”系数）分配极短的码字，为低频符号分配较长的码字，达到整体比特数最小化的目的。常用算法有CABAC（上下文自适应二进制算术编码）。
未来范式：语义层冗余 —— 让机器“看懂”视频
这并非一种新的基础冗余类型，而是利用AI技术，在更高维度上对上述三层冗余进行智能化、差异化处理的全新方法论。
- 核心思想：传统编码器对像素一视同仁，而AI编码器能“理解”画面内容。它能识别出什么是人脸、什么是字幕、什么是背景。
- 应用方式：
- 感知编码优化：AI识别出人眼关注的感兴趣区域（ROI），如人脸和字幕，并为这些区域分配更多的码率（更精细的量化），同时大幅压缩不重要的背景区域。这是一种对视觉冗余更深层次、更智能的利用。
- 超分与生成式编码：在编码端发送低分辨率的核心信息，在解码端利用强大的AI模型“脑补”出高分辨率的细节。这可以看作是对时空冗余的极致压缩，只传输最核心的运动和轮廓信息。
结论
视频压缩是一个系统工程，它沿着**“信号 → 感知 → 编码”**的路径，对不同层面的冗余进行精准打击。理解这个分层模型，有助于我们看清各种压缩技术在整个体系中所扮演的角色，并洞察到AI技术是如何通过赋予机器“语义理解”能力，来颠覆和重塑这个经典框架的。
