Hauptziel dieser Technologie ist die Bereitstellung eines Verfahrens zur Bildrekonstruktion mit hoher Qualität. Dazu wird ein universeller, bit-effizienter Kompressionsansatz mit hohen MPEG-7-ähnlichen Merkmalen verwendet. Da natürliche Bilder meist stückweise glatt sind, besteht die Idee darin, nur nach den instationären Bereichen in einem Bild zu suchen und die stationären Bereiche dann getrennt dazu anzupassen.

Dazu wird ein Sparse Mixture-of-Experts (SMoE) Regressions-ansatz zum Kodieren von Videos in der Pixel-Domäne verwendet, der sich sehr stark von den bisher etablierten Kodierungs-philosophien unterscheidet. Gemäß der Erfindung nimmt der SMoE die Form einer Gaussian Mixture Regression für eine multivariante nichtlineare Regression an. Der zugrunde liegende stochastische Prozess der Pixelamplituden wird als 3-dimensionale und multimodale Mischung von Gaußschen Moden mit K-Moden modelliert. Auf diese Weise steuert jede Komponente in dem SMoE immer in Richtung der höchsten Korrelation. Erste Experimente haben gezeigt dass – im Vergleich zu JPEG – für eine große Klasse von Bildern ein beträchtlicher Komprimierungsgewinn bei niedrigen Bitraten erzielt werden konnte. Der SMoE zeigt eine starke Ähnlichkeit mit MoE neuronalen Netzen, bietet aber gleichzeitig eine Leistung, die mit H.264 konkurrieren kann.