La notion de JND spatiale ("Just Noticeable Difference") se réfère à la plus petite amplitude de changement perceptible par le Système Visuel Humain (SVH). Bien que ce concept soit relativement bien maîtrisé pour l'imagerie 2D et 3D, on n'a presque pas de modèles JND pour les images omnidirectionnelles. Nous questionnons alors l'utilisabilité des modèles existants pour la Réalité Étendue (XR - eXtended Reality), où les conditions d'observation diffèrent considérablement. Cet article analyse la performance des modèles 2D-JND sur des images à 360 degrés, en les intégrant dans des métriques de qualité pour évaluer leur capacité à améliorer la prédicition des scores subjectifs. Les résultats suggèrent que les modèles 2D-JND ne sont pas adaptés aux conditions XR et nécessitent des améliorations. Le biais de l'équateur que nous considérons ici montre un potentiel d'amélioration, suggérant la nécessité de recherches supplémentaires pour adapter les modèles JND aux caractéristiques spécifiques de la XR.