您的问题的第一个困难是“通常情况”可能没有完全公开或记录。第二个与“压缩标准”确实是“减压程序”有关。换句话说，他们提供了几个压缩文件的选项，并确保任何人都可以解压缩，只要知道所选择的选项。

因此，您可能会得到一个可能使用 SVD 的压缩方案，但实际上并未使用它。原因之一是 SVD 或 PCA 压缩依赖于自适应基础。后者通常是从二阶经验统计中获得的。因此，投影向量是学习的，并且应该与截断的特征值或奇异值一起传输。仅对于一张图像，考虑到压缩比/错误平衡，额外的成本通常是令人望而却步的。因此，离散余弦变换 (DCT) 的发现及其为相关数据或马尔可夫模型模拟良好 SVD 的能力赢得了交易。

对于一组图像，可以共享基向量，以降低存储成本。从我读过的论文中，SVD/Karhunen-Loève 变换已用于卫星图像编码（尤其是多光谱图像）和多通道生理信号 (EEG)

有人说，对于一组代表性图像，DCT 与 KLT 相当接近。KLT 本质上与 PCA 相同，我相信和 SVD 只是计算相同的不同方法？

计算 DCT、对结果进行排序、然后截断的图像编码器可以说是近似的“截断 SVD”？通常，您不会自适应地排序，而是假设低频是最有活力的锯齿形扫描。你量化了术语，但这有效地导致（通常）低能量高频术语的“截断”。