二、非因果的错误控制
非因果的错误控制着重的焦点，在于下一个GOP的成功传送，关于目前GOP的封包遗失，则会在下一个GOP中以非因果的错误回复方式加以隐藏。同样假设X为GOPi-1中所有Mi-1个封包里所遗失的封包数，即X＝{L1,L2,…,Lm}。在没有错误控制的情况下，我们只能译码GOPi-1中的（L1-1）Bp位。如果我们安排传送GOPi的Bi位给接收端，并使用非因果错误隐藏方法，则GOPi-1的最大失真可表示为。现在假设Mi为GOPi的最小数目封包，并须在GOPi中经由正规的解码来满足失真限制，以及同时也满足经由错误隐藏中GOPi-1中的失真限制，其中Mi的定义如下：
及
而此可被转换成最佳化之问题如下：
最小化且限制及
其中的计算（亦同理可算），可由
计算出来。
要解决上述问题，首先我们可以先假设，而m=1,2,…,Mi-1。先找出所需的封包遗失机率，然后再找到最佳的重传次数以及其所对应的能量等级（power levels），以将整个传送所需能量最小化为目的。利用上述的计算结果我们可以知道，我们使用的能量是否高于重传遗失封包所需的能量。如果是，那表示封包在传送前须先经过重新排列。如果否，则传送者只需要传送GOPi中的封包来协助错误隐藏即可。现在有一个问题，在于NCEC的策略与ARQ方式相较之下，孰优孰劣？在2006年的时候，I.V. Bajic做了一些研究，并发现其中有几次的结果里面，NCEC的效能优于ARQ的表现，有兴趣之读者不妨参考看看。
三、传送策略与能量管理策略
有关能量管理问题与2002年Y.Eisenberg及C.E.Luna等人的研究问题相似，都是在最小化传送视频片段所需要的能量，以维持接收的视频能在期待失真值范围内（即是某个Dmax等级以下）。而在传送策略方面，根据视频编码速率、GOP大小、封包大小以及传送速率，我们可以依据实时传送一个GOP所需的间隔每次都配置某数量之封包slot来使用。在许多情况下，为简化对能量控制策略之讨论，其往往假设不需回馈信息的情形，但许多结果发现，其控制机制往往不能对系统或环境的动态变化，实时做出适当调整应变。因此为改善此种系统之缺点，使用回馈信息的机制越来越多被提出来讨论。比较著名的两种方法，一种是基于NCEC方法，另一种是基于ARQ的方式，但这两种策略均使用信息回馈机制。
利用回馈信息，我们可以改变视频封包所需要的能量等级设定，并侦测哪些封包应在冗余的slots中被重复。每个封包的传送能量，都会以新的传送能量需求来计算，但总传送能量的部分，则可能涵盖重复传送封包的部分。如果令表示在译码B bits后GOPi中最大的个别画面，如果，则表示在译码GOPi中所有画面之B个位后，其产生的失真将不会大于Dmax。假设在没有遗失发生的情况下，要满足失真限制（distortion constraint），其中Mi为最小的封包数，且Mi=min{M∈N：}。如果所有GOPi的封包，除了封包m遗失之外其它均有被收到，则GOPi可解码程度可达（m-1）Bp位。令表示GOPi中封包j的遗失机率，并假设封包间的遗失率乃各自为统计上的独立事件，则接收端对GOPi的失真期望值（）可表示为。现在假设|GOP|i表示GOPi之画面数，而以f表示画速（frame rate），对一个实时传送而言，我们会有一个秒数之时间间隔（time slot），可传送所有相关GOPi之信息。假设封包的负载区大小为Bp，而仍以表示网络频宽的膨胀因子，在传送速率为Rt之情况下，在一个时间间隔中，GOPi之最大封包数应为，其中表示不大于X的之最大整数值。在一个GOPi的时间间隔里，其在传送上有足够的封包区隔（slots）去满足Mi个封包时，我们称。若不能满足，则会造成Rt太小而无法满足失真限制之要求。如果在传送GOPi的过程中，GOPi中的封包m被重复次（≥1），则译码器（decoder）将可以解码此GOPi直到最后一个复制封包被送来为止，换句话说，在个复制封包未被用尽之前，译码器对其均有解码能力。此会将降低遗失率降低到，而该期待失真率（）就会变成
。对每一个GOPi中的封包（m=1,2,…,Mi），找到一个适当的能量等级之及应重复数目，以满足之最小值，并限制与是我们的目的。但因为该问题涵盖了连续变量及整数，所以此乃混合整数（mixed-integer）问题。依据G. L. Nembauserr及L. A. Wosly之看法，多数这种问题乃倾向是一种NP-complete问题，换句话说，要取得可以满足之最小值，且限制与之解法，可能要付出非常昂贵的运算代价。
因此，目前的另一个研究趋势，乃在于其次要解法的可被接受性。首先为了找到中的总传送能量之最小值，就必须要先找到最小化并限制，且对所有m而言，均为。一旦我们找出最佳化的对应封包遗失率，接下来我们就必须找出每个封包所应重复之最佳次数。不过要注意，如果封包m的重复次数为次，其使用的传送能量就会变成，其中每一个的复本之遗失率为，但是有效的封包m遗失机率仍为（因为），而被用来传送所有封包m的复本之能量为。经I. V. Bajic的研究发现，若重复一个封包数次，可以有效减少所欲维持的一定封包遗失率所需要之总能量（尤其是在不高的情况下）。利用此一结果，的寻找可以变为之最小化，并限制。而为了找到的最佳化组合，在实作里通常于所有可行的组合中进行详细的搜寻。当与Mi关联性很接近时，其所花费之运算成本是可被接受的。在找寻最佳化组合之过程中，其往往也包含了要寻找每个封包所对应的传送能量，而当有的任何组合出现时（尤其是的最佳组合）失真限制（即）将会被满足。
四、信道模型（channel model）
网络中的封包遗失问题可利用各种方法加以模型化，例如：K级马可夫链或是Bernoulli处理（Bernoulli process）…等等。在无线信道的模型上面，其大多采用窄频缓慢衰退通道（narrow-band slowly fading channel）并搭配加成性的高斯噪声（Gaussian noise）模型。其运作原理简单的说，以第n个封包而言，若以En表示其平均传送能量而以Pn表示其封包遗失率，另以Hn表示衰退参数（fading parameter）。在此我们假定传送封包过程中，衰退乃属于一种固定参数，也就是说，即使每个封包之间的衰退或许都会非常不同，但其仍不失于结果的独立性并具单一指数分布（即瑞雷（Rayleigh）通道衰退）。故E[Hn]等于常数且等于E[H]，依据L. Ozarow等人之研究，有关能力耗损（capacity-outage）所导致的封包遗失率可公式化为，其中而N0表示噪声能量频谱强度，W表示通道频宽而Rt则表示传送速率。若在有线网络方面，我们先对封包遗失模型化，然后再假设一些先决整体环境变量（例如：封包的遗失乃彼此独立事件、遗失率固定或是执行回馈信息时，所造成之迟延唯一固定常数…等等），然后慢慢建置整个环境的仿真系统。当然这其中如果假设的环境参数越单纯，其就越容易产生（或得到）推论结果，但同样的此结果也可能偏离真实环境情况；相反的，将环境影响因子考虑越多近来，虽可使我们的模型越接近真实，但其缺点除导致模型的难以建立或是结果推论的过度复杂化之外，我们对这些参与因子的控制能力或了解有所不足，也可能使系统容易产生伪结论而失去系统对环境的洞察力。
五、前导错误修正（FEC）方法
在网络的应用里面，T.Stockhammer及C. Buchner等人曾考虑使用消除码（erasure code）来回复遗失的封包。在这些方法里面，一个视频串流会先被分成数个区段，每个区段接着会被封包化，假设其封包化后所有区段封包集合为S，在此应用一个区块码（block code）来将整个S集合内的封包套上，并产生一个多余的部分（称为L部分封包）。附随在整个视频（N个封包区块）之后，亦即N＝S+L。如果接收者有接收足够数目的区块封包，那接收者就可以回复这些S集合之封包。在大多数的研究里面，消除码多指RS码（Reed-Soloman code），因为其有着好的消除修正属性，故其广被应用在许多实作上面。对一般网络应用而言，信道错误（channel error）通常表示的是一种封包消除（packet erasure）型态，一个RS（N,M）码通常应用交迭封包（across packets）来修正（N-M）遗失封包。前面谈过，RS码的保护能力乃依据区块大小（block size）及码率（code rate）而定，其并藉由额外的FEC延迟引入来作为限制方法，且区块长度N则可藉由端点对端点的系统迟延限制来加以侦测。
六、期望值中的主观因素
我们对于视频质量的评估，常以使用期望值的客观方式为之。经由前述，我们可以知道影响该期望值有3种主要因子，分别是来源端的行为模式（例如：封包化或量化过程）、信道特征以及接收端的行为模式。对来源端而言，一个编码器（encoder）的期望失真值可以计算如下：
不管第k个封包是否有到达接收端，E[DR,k]及E[DL,k]分别被用来表示期望失真值，而则是其封包遗失机率。在使DR,k与DL,k通常表示一种随机变量，此乃因为信道之遗失导致译码器与编码器之Inter coding的参考画面不相一致的结果。在计算DL,k上面，其乃基于特定的解码器所使用的错误隐藏策略。假设使用的是MSE（mean-squared error）方式，则失真的测量部分乃依据2001年M. Gallant及F.Kossentini递归最佳化每个像素评估算法（RoPE），以用于反复计算全部像素失真等级的期望值。至于影响的质量测量，则使用较简单的客观质量测量技术（例如：PSNR），而非使用主观人类视觉模型特征量测技术，而PSNR的使用定义为db。然此客观的测量方法虽满足了原理已知、运算简便等特性，却未必反映出使用者真实主观质量的要求。在信息错误的修补技术上，目前许多质量的维护核心价值在于“大数法则”，只要维持足够多的高质量信息，就有机会提供足够高的服务质量（主观与客观同时满足）。但实务上发现这种大数法则所衍生出来的是庞大的系统资源浪费，虽然较能符合主观质量要求（尤其在视频/影像质量方面），但总觉得方法不够精致（甚至是粗糙）。此原则虽然在有线网络与桌上计算机运算环境中游刃有余，但面对未来无线环境的应用领域，大数法则的研发方向已备受考验，精致又有效率的错误回复方法，将会是取代大数法则的另一波研发趋势。
非因果的错误控制着重的焦点，在于下一个GOP的成功传送，关于目前GOP的封包遗失，则会在下一个GOP中以非因果的错误回复方式加以隐藏。同样假设X为GOPi-1中所有Mi-1个封包里所遗失的封包数，即X＝{L1,L2,…,Lm}。在没有错误控制的情况下，我们只能译码GOPi-1中的（L1-1）Bp位。如果我们安排传送GOPi的Bi位给接收端，并使用非因果错误隐藏方法，则GOPi-1的最大失真可表示为。现在假设Mi为GOPi的最小数目封包，并须在GOPi中经由正规的解码来满足失真限制，以及同时也满足经由错误隐藏中GOPi-1中的失真限制，其中Mi的定义如下：
及
而此可被转换成最佳化之问题如下：
最小化且限制及
其中的计算（亦同理可算），可由
计算出来。
要解决上述问题，首先我们可以先假设，而m=1,2,…,Mi-1。先找出所需的封包遗失机率，然后再找到最佳的重传次数以及其所对应的能量等级（power levels），以将整个传送所需能量最小化为目的。利用上述的计算结果我们可以知道，我们使用的能量是否高于重传遗失封包所需的能量。如果是，那表示封包在传送前须先经过重新排列。如果否，则传送者只需要传送GOPi中的封包来协助错误隐藏即可。现在有一个问题，在于NCEC的策略与ARQ方式相较之下，孰优孰劣？在2006年的时候，I.V. Bajic做了一些研究，并发现其中有几次的结果里面，NCEC的效能优于ARQ的表现，有兴趣之读者不妨参考看看。
三、传送策略与能量管理策略
有关能量管理问题与2002年Y.Eisenberg及C.E.Luna等人的研究问题相似，都是在最小化传送视频片段所需要的能量，以维持接收的视频能在期待失真值范围内（即是某个Dmax等级以下）。而在传送策略方面，根据视频编码速率、GOP大小、封包大小以及传送速率，我们可以依据实时传送一个GOP所需的间隔每次都配置某数量之封包slot来使用。在许多情况下，为简化对能量控制策略之讨论，其往往假设不需回馈信息的情形，但许多结果发现，其控制机制往往不能对系统或环境的动态变化，实时做出适当调整应变。因此为改善此种系统之缺点，使用回馈信息的机制越来越多被提出来讨论。比较著名的两种方法，一种是基于NCEC方法，另一种是基于ARQ的方式，但这两种策略均使用信息回馈机制。
利用回馈信息，我们可以改变视频封包所需要的能量等级设定，并侦测哪些封包应在冗余的slots中被重复。每个封包的传送能量，都会以新的传送能量需求来计算，但总传送能量的部分，则可能涵盖重复传送封包的部分。如果令表示在译码B bits后GOPi中最大的个别画面，如果，则表示在译码GOPi中所有画面之B个位后，其产生的失真将不会大于Dmax。假设在没有遗失发生的情况下，要满足失真限制（distortion constraint），其中Mi为最小的封包数，且Mi=min{M∈N：}。如果所有GOPi的封包，除了封包m遗失之外其它均有被收到，则GOPi可解码程度可达（m-1）Bp位。令表示GOPi中封包j的遗失机率，并假设封包间的遗失率乃各自为统计上的独立事件，则接收端对GOPi的失真期望值（）可表示为。现在假设|GOP|i表示GOPi之画面数，而以f表示画速（frame rate），对一个实时传送而言，我们会有一个秒数之时间间隔（time slot），可传送所有相关GOPi之信息。假设封包的负载区大小为Bp，而仍以表示网络频宽的膨胀因子，在传送速率为Rt之情况下，在一个时间间隔中，GOPi之最大封包数应为，其中表示不大于X的之最大整数值。在一个GOPi的时间间隔里，其在传送上有足够的封包区隔（slots）去满足Mi个封包时，我们称。若不能满足，则会造成Rt太小而无法满足失真限制之要求。如果在传送GOPi的过程中，GOPi中的封包m被重复次（≥1），则译码器（decoder）将可以解码此GOPi直到最后一个复制封包被送来为止，换句话说，在个复制封包未被用尽之前，译码器对其均有解码能力。此会将降低遗失率降低到，而该期待失真率（）就会变成
。对每一个GOPi中的封包（m=1,2,…,Mi），找到一个适当的能量等级之及应重复数目，以满足之最小值，并限制与是我们的目的。但因为该问题涵盖了连续变量及整数，所以此乃混合整数（mixed-integer）问题。依据G. L. Nembauserr及L. A. Wosly之看法，多数这种问题乃倾向是一种NP-complete问题，换句话说，要取得可以满足之最小值，且限制与之解法，可能要付出非常昂贵的运算代价。
因此，目前的另一个研究趋势，乃在于其次要解法的可被接受性。首先为了找到中的总传送能量之最小值，就必须要先找到最小化并限制，且对所有m而言，均为。一旦我们找出最佳化的对应封包遗失率，接下来我们就必须找出每个封包所应重复之最佳次数。不过要注意，如果封包m的重复次数为次，其使用的传送能量就会变成，其中每一个的复本之遗失率为，但是有效的封包m遗失机率仍为（因为），而被用来传送所有封包m的复本之能量为。经I. V. Bajic的研究发现，若重复一个封包数次，可以有效减少所欲维持的一定封包遗失率所需要之总能量（尤其是在不高的情况下）。利用此一结果，的寻找可以变为之最小化，并限制。而为了找到的最佳化组合，在实作里通常于所有可行的组合中进行详细的搜寻。当与Mi关联性很接近时，其所花费之运算成本是可被接受的。在找寻最佳化组合之过程中，其往往也包含了要寻找每个封包所对应的传送能量，而当有的任何组合出现时（尤其是的最佳组合）失真限制（即）将会被满足。
四、信道模型（channel model）
网络中的封包遗失问题可利用各种方法加以模型化，例如：K级马可夫链或是Bernoulli处理（Bernoulli process）…等等。在无线信道的模型上面，其大多采用窄频缓慢衰退通道（narrow-band slowly fading channel）并搭配加成性的高斯噪声（Gaussian noise）模型。其运作原理简单的说，以第n个封包而言，若以En表示其平均传送能量而以Pn表示其封包遗失率，另以Hn表示衰退参数（fading parameter）。在此我们假定传送封包过程中，衰退乃属于一种固定参数，也就是说，即使每个封包之间的衰退或许都会非常不同，但其仍不失于结果的独立性并具单一指数分布（即瑞雷（Rayleigh）通道衰退）。故E[Hn]等于常数且等于E[H]，依据L. Ozarow等人之研究，有关能力耗损（capacity-outage）所导致的封包遗失率可公式化为，其中而N0表示噪声能量频谱强度，W表示通道频宽而Rt则表示传送速率。若在有线网络方面，我们先对封包遗失模型化，然后再假设一些先决整体环境变量（例如：封包的遗失乃彼此独立事件、遗失率固定或是执行回馈信息时，所造成之迟延唯一固定常数…等等），然后慢慢建置整个环境的仿真系统。当然这其中如果假设的环境参数越单纯，其就越容易产生（或得到）推论结果，但同样的此结果也可能偏离真实环境情况；相反的，将环境影响因子考虑越多近来，虽可使我们的模型越接近真实，但其缺点除导致模型的难以建立或是结果推论的过度复杂化之外，我们对这些参与因子的控制能力或了解有所不足，也可能使系统容易产生伪结论而失去系统对环境的洞察力。
五、前导错误修正（FEC）方法
在网络的应用里面，T.Stockhammer及C. Buchner等人曾考虑使用消除码（erasure code）来回复遗失的封包。在这些方法里面，一个视频串流会先被分成数个区段，每个区段接着会被封包化，假设其封包化后所有区段封包集合为S，在此应用一个区块码（block code）来将整个S集合内的封包套上，并产生一个多余的部分（称为L部分封包）。附随在整个视频（N个封包区块）之后，亦即N＝S+L。如果接收者有接收足够数目的区块封包，那接收者就可以回复这些S集合之封包。在大多数的研究里面，消除码多指RS码（Reed-Soloman code），因为其有着好的消除修正属性，故其广被应用在许多实作上面。对一般网络应用而言，信道错误（channel error）通常表示的是一种封包消除（packet erasure）型态，一个RS（N,M）码通常应用交迭封包（across packets）来修正（N-M）遗失封包。前面谈过，RS码的保护能力乃依据区块大小（block size）及码率（code rate）而定，其并藉由额外的FEC延迟引入来作为限制方法，且区块长度N则可藉由端点对端点的系统迟延限制来加以侦测。
六、期望值中的主观因素
我们对于视频质量的评估，常以使用期望值的客观方式为之。经由前述，我们可以知道影响该期望值有3种主要因子，分别是来源端的行为模式（例如：封包化或量化过程）、信道特征以及接收端的行为模式。对来源端而言，一个编码器（encoder）的期望失真值可以计算如下：
不管第k个封包是否有到达接收端，E[DR,k]及E[DL,k]分别被用来表示期望失真值，而则是其封包遗失机率。在使DR,k与DL,k通常表示一种随机变量，此乃因为信道之遗失导致译码器与编码器之Inter coding的参考画面不相一致的结果。在计算DL,k上面，其乃基于特定的解码器所使用的错误隐藏策略。假设使用的是MSE（mean-squared error）方式，则失真的测量部分乃依据2001年M. Gallant及F.Kossentini递归最佳化每个像素评估算法（RoPE），以用于反复计算全部像素失真等级的期望值。至于影响的质量测量，则使用较简单的客观质量测量技术（例如：PSNR），而非使用主观人类视觉模型特征量测技术，而PSNR的使用定义为db。然此客观的测量方法虽满足了原理已知、运算简便等特性，却未必反映出使用者真实主观质量的要求。在信息错误的修补技术上，目前许多质量的维护核心价值在于“大数法则”，只要维持足够多的高质量信息，就有机会提供足够高的服务质量（主观与客观同时满足）。但实务上发现这种大数法则所衍生出来的是庞大的系统资源浪费，虽然较能符合主观质量要求（尤其在视频/影像质量方面），但总觉得方法不够精致（甚至是粗糙）。此原则虽然在有线网络与桌上计算机运算环境中游刃有余，但面对未来无线环境的应用领域，大数法则的研发方向已备受考验，精致又有效率的错误回复方法，将会是取代大数法则的另一波研发趋势。
