矢量量化虽然能够直接获得离散化表示，但其应用也面临较高的训练与计算成本。一方面，VQ需要构建可微或近似可微的离散映射机制，以便与端到端神经网络训练过程相衔接；另一方面，在高维潜在空间中进行最近邻搜索、码本更新与码字匹配，通常会带来较大的计算开销和优化难度。为在训练便利性与离散表示之间取得平衡，Agustsson等人提出了Soft-to-Hard VQ方法。该方法在训练阶段引入“软硬度”参数σ，通过调节概率分配的尖锐程度，实现由连续软分配向离散硬分配的逐步过渡。具体而言，在训练初期，模型采用可微的概率分配形式近似量化过程，使梯度能够稳定反向传播；随着训练推进，参数σ逐渐调整，使分配结果不断趋近于最近邻码字选择，最终形成离散化量化表示。该策略兼顾了端到端训练的可微性与最终编码表示的离散性，为神经图像压缩中的量化建模提供了较为有效的解决思路。此后，相关研究也在软硬量化转换、码本学习以及离散潜变量建模等方面进行了进一步拓展。