一種使用 Rational Bloom Filters 進行無損影片壓縮的新方法已經出現，試圖將這些機率資料結構從傳統的成員測試角色重新用於影片壓縮。雖然這個概念展示了技術創新性，但社群分析揭示了與現有壓縮方法相比的顯著侷限性。
核心創新：Rational Bloom Filters
該專案透過實現非整數雜湊函式計數，為傳統 Bloom filters 引入了有趣的變化。系統不是四捨五入到最接近的整數，而是使用機率方法，根據分數機率應用額外的雜湊函式。例如，當值為2.7個雜湊函式時，系統總是應用2個雜湊函式，並在70%的時間裡新增第三個。
壓縮策略專注於幀間差異而不是整個影片幀。這種方法利用了大多數畫素在連續幀之間保持不變的事實，建立了理論上適合 Bloom filter 壓縮的稀疏資料。
理論壓縮閾值：
- 當 1 的密度 < 0.32453 時可以進行壓縮
- 最優雜湊函式數量：k = log₂((1-p) * (ln(2)²) / p)
- 最優 Bloom 過濾器大小：l = p * n * k * (1/ln(2))
社群質疑和技術擔憂
技術社群對該方法的有效性提出了幾個重要問題。討論中的一個關鍵見解簡化了複雜的解釋：系統建立一個位圖示記幀間變化的畫素，使用 Bloom filter 壓縮畫素位置，併為過濾器標記的所有位置（包括誤報）儲存實際畫素資料。
然而，效能比較揭示了一個顯著弱點。可用圖表顯示這種 Bloom filter 方法的表現始終不如標準 GZIP 壓縮，引發了對其實用價值的質疑。社群指出，像行程長度編碼這樣的傳統方法已經能夠非常有效地處理稀疏資料（如零序列），而沒有 Bloom filters 固有的誤報開銷。
效能對比：
- Bloom Filter 方法：持續表現不如 GZIP
- 傳統遊程編碼：對稀疏資料更高效
- 現代編解碼器（ H.264 / H.265 ）：包含運動估計和高階熵編碼
輸入資料限制
觀察者識別出的一個關鍵限制是依賴已經壓縮的 YouTube 影片作為測試資料。預壓縮影片已經去除了噪聲並引入了先前壓縮週期的偽影，建立了有利於這種方法的人工靜態內容。對於原始影片輸入，大多數畫素保持不變的假設可能會因感測器噪聲和現實世界的變化而失效。
「對於原始影片輸入，我認為'大多數畫素在連續幀之間變化很少（或根本不變），建立了適合這種方法的稀疏差異矩陣'這一假設會失效。」
測試結果摘要：
- 壓縮比：0.366952（36.7%）
- 空間節省：63.30%
- 壓縮時間：6.62秒
- 解壓時間：4.59秒
- 測試影片：包含168幀的720p YouTube 短影片
缺失現代影片壓縮背景
該方法似乎忽視了幾十年的影片壓縮研究。像 H.264 和 H.265 這樣的現代編解碼器已經使用了複雜的增量壓縮、運動估計和熵編碼技術。社群建議，與其從頭構建壓縮系統，更實用的方法是將 Bloom filter 技術整合到現有的編解碼器框架中，也許作為殘差資料的熵編碼步驟。
結論
雖然 Rational Bloom Filter 概念展示了有趣的理論工作，但實際結果表明現實世界的適用性有限。該方法顯示出比 GZIP 等基本壓縮方法更差的效能，並且在應用於未處理的影片資料時面臨根本性挑戰。該專案更多地作為重新利用資料結構的學術練習，而不是現有影片壓縮技術的可行替代方案。
這項工作突出了壓縮研究中持續存在的挑戰：尋找能夠與現有方法中幾十年最佳化競爭的新方法，同時處理現實世界資料的複雜性。