MPEG-4 je ISO/IEC standard. Završen je u oktobru 1998. godine, a međunarodnim standardom postaje 1999. godine. MPEG-4 je pronašao uspješnu primjenu u digitalnoj televiziji, interaktivnim grafičkim aplikacijama i interaktivnoj multimediji. MPEG-4 podržava niz različitih tehnologija kako bi zadovoljio sve potrebe autora, davaoca usluge te samih korisnika. MPEG-4 omogućuje autorima izradu sadržaja koji ima znatne mogućnosti i veliku flekibilnost. Mrežnim davaocima usluga MPEG-4 nudi transparentne informacije koje se mogu interpretirati i prevesti u prihvatljive signalne poruke koje mogu podržati različite mreže. Korisnicima MPEG-4 donosi veći stepen interakcije sa samom aplikacijom (ograničenje interakcije postavlja sam autor). MPEG-4 standard odnosi se na jedinice za zvučni, vizualni ili audiovizualni sadržaj, nazvanih 'media objects' (mogu biti prirodni ili sintetizirani), opis kompozicije tih objekata radi stvaranja složenog objekta koji definira audiovizualnu scenu, multipleksiranje i sinkronizaciju podataka vezanih uz 'media objects', kako bi se mogli prenositi mrežom, interakciju korisnika s audiovizualnom scenom. Nakon što se podaci prihvate s medija oni se predaju u odgovarajućii FlexMux demultipleksor iz kojeg izlaze elementarni podaci. Elementarni podaci (Elementary Streams) se rastavljaju i prosljeđuju odgovarajućim dekoderima. Dekoderi obnavljaju podatke audiovizualnog objekta te izvode odgovarajuće operacije radi rekonstrukcije u originalni audiovizualni objekt spreman za prikazivanje. Dekodiranje audiovizualnih objekata zajedno s informacijama koji opisuju scenu koristi se radi prikazivanja scene koju je definisao autor. Korisnik ima mogućnost interakcije sa scenom samo ukoliko je to autor dozvolio. Određenom kombinacijom pojedinih informacija možemo opisati scenu koja je kodirana i prenijeta do prijemnika kao skup objekata.

 

Počevši od VRML (Virtual reality Modeling Language),MPEG je razvio binarni jezik za opisivanje scene nazvan BIFS (Binary Format for Scenes). Scena se opisuje primitivnim objektima te se ti objekti prenose ne zavisno jedan od drugoga. Posebna pažnja se posvećuje parametrima koji opisuju scenu. To se ostvaruje pomoću karakterističnih parametara čijom se upotrebom poboljšava efikasnost kodiranja objekta (npr. pokretni vektor u video kodiranju). Karakteristični parametri mogu se koristiti za modifikaciju objekta odnosno mogu određivati položaj objekta na sceni. MPEG-4 audiovizualna scena sastoji se od nekoliko objekata koji su organizirani hijerarhijski. Scena i individualni objekti opisani su u čvorovima kao set parametara. Struktura stabla ne mora uvijek biti statička tj. atributi pojedinih čvorova (parametri koji opisuju položaj pojedinih objekata) mogu se mjenjati ili se u stablo mogu dodati novi čvorovi. Na pojedinim stepenima hijerarhije možemo definisati primitive objekata: . mirne slike (npr. pozadina scene)
. video objekte (npr. govornik - bez pozadine scene)
. audio objekt (npr. glas govornika)
MPEG-4 opisuje nekoliko primitiva objekata koji mogu biti dvodimenzionalni ili trodimenzionalni. MPEG-4 definiše kodirane predstavnike sljedećih objekata:
. tekst i grafika
. sintetizirana glava govornika i pridruženi glas
. sintetizirani zvuk
Objekt u svojoj kodiranoj formi sadrži opise pojedinih primitiva, što omogućuje ne zavisnu interpretaciju (prikazivanje, preslušavanje) pojedinih objekata (audio ili video) bez prikaza pozadine ili okoline. U MPEG-4 modelu audiovizualni objekti imaju i prostornu i privremenu veličinu, a svaki objekt posjeduje svoj lokalni koordinatni sistem. Lokalni koordinatni sistem koristi se za manipulisanje objektom u prostoru i vremenu. Objekti se pozicioniraju na scenu pomoću posebnih koordinatnih transformacija lokalnih koordinata u koordinate globalnog koordinatnog sistema. Globalni koordinatni sistem definisan je u čvoru stabla kao opis glavne scene.