在實時音視訊領域，視訊壓縮是非常重要的技術。TSINGSEE青犀視訊不斷優化系統，從H264到H265的支援，也是在視訊壓縮上下功夫，增強使用者體驗。而現在，5G基礎設施已經日趨完善和普及，新的視訊應用場景不斷在拓展，視訊壓縮技術也在迭代。

為了確保視訊流的高質量和高傳輸效率，新型的視訊壓縮技術要求我們考慮到儲存、編解碼、算力和頻寬等因素在內的各項因素，還要在畫質、位元速率和效能之間做平衡。

目前在視訊壓縮的研究方面，主要是基於人工智慧的深度學習技術和端到端的視訊壓縮框架。深度學習技術替換混合編碼框架模組，可用於位元速率分配、塊劃分以及幀內預測和幀間預測。以幀間預測為例，實驗結果表明，與 HEVC 相比，基於深度學習所提出的方法在low delay P 配置下，能達到平均1.7%（最高為8.6%）的位元速率減少。端到端的視訊壓縮框架最新研究成果是對現有深度學習視訊壓縮，只能利用少數的參考幀進行壓縮的問題，研究人員提出了重複自編碼器和重複概率估計模型。

這些技術目前都還不穩定，還需進一步開發和研究，但即便如此，依靠該技術依然可以衍生各種功能，同時也擁有著非常廣闊的應用前景：

1、採用深度學習網路替換視訊壓縮的混合編碼框架，可以提高編碼效率，在 WebRTC 中具有重要的應用價值；

2、深度強化學習網路對位元速率進行分配，將改善在使用 WebRTC 視訊傳輸中的卡頓現象；

3、基於深度學習的頻寬估計模型也將比傳統的頻寬估計方法更有優勢。

除此之外，不同的場景人們的關注重點會有所不同。此處我們以智慧交通為例，要對交通監控視訊進行高效壓縮，就必須根據該場景特點，將背景區域和運動區域細緻區分。交警對於違章車輛的關注點是車牌號，車牌號是否清晰，將直接影響執法證據的收集是否有效。因此，在頻寬有限的情況下，確保興趣關注區域的質量是視訊壓縮技術的關鍵。