为了利用块中的视觉冗余提出了许多感知优化量化矩阵。基于空间对比度灵敏度和变换域相关噪声张等人124提出了一种感知优化的自适应量化矩阵AQM该矩阵从关键帧在线学习并应用于Wyner-Ziv帧编码。在66中考虑JND放大了4×4和8×8变换的量化矩阵的元素值。因此量化后的JND值抑制了变换系数。Prangnell和Sanchez78通过考虑HD和UHD显示器的放大分辨率改进了CSF模型并为SHVC开发

该段文字介绍了利用视频中的视觉冗余进行感知优化量化的方法。其中，基于空间对比度灵敏度和变换域相关噪声的自适应量化矩阵（AQM）和考虑JND的量化矩阵等基于模型的方案被提出。同时，也有研究通过考虑感知损失来研究基于学习的变换和量化。最后，该段文字指出，构建广泛适用的视觉密码本具有挑战性。该段文字引用了多篇相关文献，如[124]、[66]、[78]、[31]、[84]、[93]、[56]和[46]。