MPEG-4 Part 11是2005年ISO/IEC 14496-11公布的一种场景描述和应用引擎，是MPEG-4标准家族的一部分，它也被称作BIFS(Binary Format for Scene)，XMT，MPEG-J。它被设计的用处是实现动态显示和交互显示的有效展现，构成2D和3D的图像、画面、文本，以及视听材料。这种显示的展现包括对不同场景组件（scene component）的时空组织性，以及用户交互性和动画进行描述。

它定义了：

- 视听对象时空布置的编码表示，以及响应交互动作（场景描述）时的行为；

- 合成的2D或3D对象的编码表示，这些对象可以表现为声音或图像；

- XMT （eXtensible Markup Language）格式——使用XML格式文本展示以MPEG-4描述的多媒体内容；

- 对应用程序引擎（格式，传送，生命周期，和可下载Java字节代码应用程序的行为）的系统级的描述。

Binary Format for Scenes (BIFS)是2D或3D视听内容的二进制格式，它基于VRML（Virtual Reality Modeling Language，虚拟现实建模语言）和MPEG-4 Part11标准。BIFS是MPEG-4场景描述协议，它用于组成MPEG-4对象，描述 与MPEG-4对象的交互，以及生成动态的（animate）MPEG-4对象。

BIFS还用于数字多媒体广播DBM（Digital Multimedia Broadcasting）。XMT框架兼容了了大部分的SMIL（Synchronized Multimedia Integration Language，同步多媒体集成语言），W3C的SVG（Scalable Vector Graphics，可缩放矢量图形），和X3D（虚拟现实建模语言VRML的新叫法）。这种表示可以直接通过SMIL或VRML播放器播放，但也能二值化（binarized）变成一个原始的MPEG-4并用MPEG-4播放器播放。

MPEG-4 BIFS主要有如下特性：

- 视频/音频内容的无缝嵌入。MPEG-4 BIFS允许一个场景中对视频/音频对象的无缝集成和控制。

- 丰富的图形结构。MPEG-4 BIFS提供了丰富的图形结构可创建2D和3D图像，也提供工具以便制作复杂脸部和身体动画，3D网格编码，以及展现2D/3D自然与合成的声音模型。

- 本地及远程交互性。BIFS定义了能与客户端场景及远程服务器交互的元素，交互性元素允许文本输入，鼠标事件，以及其他可触发各种行为的输入设备。

- 本地及远程动画。场景属性，如对象位置、颜色、甚至形状等，可通过使用预定义的场景描述或从服务器发送的流（stream）使其成为动画。

- 内容的重用。MPEG-4可以包含相关的流化子场景（streamed sub-scene），那意味着内容可以被容易地重用，一种极有用的方式通过简单的模块创建丰富的用户体验。

- 脚本行为。MPEG-4场景中有两类脚本行为：Java AP，I和嵌入的ECMAScript（JavaScript）。Java API能够控制和操纵场景图像。ECMAScript支持创建复杂的行为、动画，以及交互性。

- 可流化的（streamable）的场景描述。空间和时间的布局包含在BIFS的命令流中，这个流操作场景-图像的方式是通过命令在场景-图像中替换、删除、以及插入元素。

- 精确同步。由于下层的MPEG-4系统层，音频/视频内容能够与其他的音频视频内容、客户端、服务器启动场景动画紧密地同步。

- 压缩。通过有效方式将场景描述转为二进制数据并压缩。

下图概括了BIFS中的不同组件：