压缩率十万分之五照样清晰,TeleAI 正激励摄像头 2.0 卷“疯”视频压缩

不少人手机里

都有个“什么都舍不得删”的相册

憋到 256 G 全红，束手无策

现在，一条朋友圈九宫格的文件大小

就能装下所有

还几乎不牺牲画质

这是什么三体人的“降维压缩”吗？

其实，针对监控摄像头视频

有一项技术

已经实现了这种极致压缩

这一版本将正激励噪声应用到前沿的神经网络视频压缩模型后，在固定场景的监控视频上成功实现了十万分之五的压缩率，是传统视频编码方案的 1%。

监控摄像头不眠不休地录制，产生天量数据，存储贵，调取难，但这其中绝大部分又是“无效静态画面”。那么正激励摄像头 2.0 实现极限压缩的秘诀是什么？

答案是：利用“噪音”来训练 AI。

TeleAI 科研团队发现，监控场景中那些短暂出现的扰动（噪声），比如突然走过的行人、闪烁的灯光、飘过的树叶，恰恰是帮助 AI 理解场景的“正激励噪声”（Positive-incentive Noise，Pi/π-Noise）。

正激励摄像头正是通过这些含有“良性噪音”的监控片段，对视频压缩模型进行针对性微调，让 AI 恍然大悟：“哦！原来这个场景里，墙壁、地面这些是几乎不变的‘背景板’，偶尔动来动去的才是需要重点记录的主角！”，使编码场景中的静态元素所消耗的码率显著下降。

AI 学会了“偷懒”，用极少的码率去传输不变的背景，把宝贵的空间留给真正在变化的画面。于是，即使视频在传输过程中只占用超低码率，但画质依然清晰。

在动态较多的监控片段中，采用传统编码将 2K 视频压缩到码率不足 600 kbps 后，运动物体周围出现了明显的色块和彩色噪点，甚至在人走过后还有残影。

正激励相机则有效避免了这些问题，灭火器箱上的文字和墙壁上的插孔始终清晰。

在静态画面更多的监控画面中，正激励相机可以将 2K 视频的传输码率压缩到 120 kbps，仅为原始码率的 1%，画质依旧清晰。

传统编码在压缩到如此低的码率后，画面中明显可见大量彩色噪点，墙壁上还存在明显的色块，插座和文字的细节模糊不清。

更多针对静态场景视频的测试表明，若要实现相同画质（以 PSNR 指标为参考），正激励摄像头所需的码率最低。

与神经网络视频压缩模型相对比：未经微调的 DCVC-FM 模型平均需要额外 20.5%的码率才能实现与正激励摄像头相同的传输质量；去除了显式动态建模的 DCVC-RT 模型，则需要额外 112% 的传输码率。

与传统的编码方案相对比：较先进的 H.265 编码需要 1.31 倍于正激励相机的码率，才能实现相同的画质。更传统的H.264 编码则需要多达 2.92 倍。

在动态较多的监控片段中，正激励摄像头仍能实现明显的率失真性能提升。

与神经网络视频压缩模型相对比：未经微调的 DCVC-FM 模型平均需要 1.16 倍的码率水平；网络结构更简单的 DCVC-RT 模型则需要 1.79 倍的码率。

与传统的编码方案相对比：H.265 编码比正激励摄像头需额外增加71.5%的码率；H.264 则需额外增加 289%的码率。

TeleAI 正激励摄像头以智传网（AI Flow）的信容律作为理论基础，充分利用模型智能来压缩数据量，从而满足下游应用“以计算换带宽”的需求。

在通算一体的端边云分层网络中，云端节点具有充足的计算资源，但边缘节点的上行网络带宽常常是高度受限的。正激励摄像头高度可控的计算开销，解决了这一痛点。

其网络参数量与 DCVC-FM 相同，编码端仅有 640 万参数，解码端也只有 3850 万参数，相比动辄数十亿的大模型参数而言要少得多，且在云端用少量数据微调后就能见效，完全可以规模化应用。

在智慧城市、公共安防、交通枢纽

正激励摄像头2.0

让海量监控数据

告别存储与带宽的焦虑

在智慧园区、家庭看护

让关键动态瞬间

始终清晰可辨

以智能压缩之力

看得更多，存得更精，传得更快

相关工作

C. Yuan, Z. Jia, J. Shao, X. Li*, "Enhancing Neural Video Compression of Static Scenes with Positive-Incentive Noise", arXiv:2603.06095.

X. Li, "Positive-incentive Noise", IEEE Transactions on Neural Networks and Learning Systems (TNNLS), 2024.

H. Zhang, S. Huang, Y. Guo, X. Li*, "Variational Positive-incentive Noise: How Noise Benefits Models", IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2025.

J. Shao and X. Li*, "AI Flow at the Network Edge", IEEE Network, vol. 40, no. 1, pp. 330-336, Jan. 2026, doi: 10.1109/MNET.2025.3541208. 

H. An, W. Hu, S. Huang, S. Huang, R. Li, Y. Liang, J. Shao, Y. Song, Z. Wang, C. Yuan, C. Zhang, H. Zhang, W. Zhuang, X. Li*. "AI Flow: Perspectives, Scenarios, and Approaches", Vicinagearth 3, 1 (2026).