La mayoría de los compresores de vídeo que se utilizan actualmente podrían entenderse como filtros especialmente diseñados para eliminar aquella información visual que es menos relevante para los seres humanos, en un vídeo claro. A la salida de un elemento de este tipo colocamos un codificador entrópico eficiente, y voilà, ya tenemos un H.264!

Pero, ¿qué podemos hacer para ir más lejos? Si queremos comprimir más, ¿cuál sería el siguiente paso a dar? Evidentemente mejorar cada uno de los elementos fundamentales de los que costa un codec como H.264: el
estimador de movimiento, el codificador entrópico, el cuantificador, etc. Sin embargo, hay un concepto, una fuente de redundancia que todavía casi no se ha explotado en la codificación de vídeo: la redundancia visual.

Supongamos un ejemplo claro: si vamos a codificar un encuentro de fútbol, desde el punto de vista del espectador los objetos más interesantes son, básicamente, los jugadores y el
balón. Subjetivamente hablando, perder calidad, por ejemplo, en la cara de los espectadores no es tan importante como perderla en la cara de los jugadores. Así, a un mismo bit-rate, un vídeo de fútbol con los espectadores muy distorsionados a costa de representar los jugadores con mucha calidad probablemente sea más interesante que otro donde
toda la escena, independientemente de su contenido, se distorsione más o menos de la misma manera.

La codificación basada en el contenido (del vídeo, en cuestión)
plantea otros retos importantes. Así, ¿Qué ocurriría cuando el
contenido menos ``filtrado'' por el compresor no es el que realmente en el que está interesado el espectador? Por ejemplo, imaginemos que en el vídeo original una gallina cruza velozmente el terreno de juego. ¿Dedicaría el selector de contenidos suficientes bits a codificar la gallina? Probablemente no.

Para paliar en lo posible este problema, podemos usar vídeos
escalables, donde dependiendo de la cantidad de bits descomprimidos o incluso, dependiendo de los bits descomprimidos, podemos incrementar la calidad del vídeo o de una determinada región del mismo. Así, si el bit-rate es muy bajo, sólo lo realmente imprescindible sería reconstruido con suficiente calidad (los jugadores y el balón). Si disponemos de más bit-rate, podemos plantearnos reconstruir la gallina, o incluso la briznas del césped del campo de fútbol!