联合层次先验与自回归先验模型：
层次超先验主要提供全局或较大范围内的统计信息，自回归上下文则侧重利用已经解码的局部潜变量。二者具有一定的互补性。Minnen等人将超先验与自回归上下文相结合，由熵参数网络综合两类信息，预测条件高斯分布或高斯混合分布的参数，从而更充分地挖掘潜在表示中的统计依赖。:contentReference[oaicite:3]{index=3}
在联合模型中，潜变量的条件概率通常表示为：
p（ŷᵢ｜ẑ，ŷ＜ᵢ）
其中，ẑ为量化后的超潜变量，ŷ＜ᵢ为已解码的因果上下文。该形式既能利用需要额外传输的超先验信息，又能利用无需增加码率的已解码上下文，因此能够获得更准确的熵估计。然而，其系统复杂度也明显高于单一先验模型。
总体而言，端到端图像压缩中的概率建模已经由简单的独立单峰分布逐渐发展为结合混合分布、层次先验和上下文信息的联合模型。概率模型越接近潜变量的真实分布，理论上所需的平均编码长度越短，但复杂模型也会增加参数规模、计算量、边信息码率和解码时延。因此，后续研究不能仅追求概率估计精度，还需要在压缩性能、并行能力、运算复杂度和工程部署成本之间建立合理平衡。如何在保持高率失真性能的同时减少串行依赖、降低模型复杂度，并提升不同图像内容和应用场景下的泛化能力，仍是智能图像视频编码研究需要持续解决的重要问题。相关综述亦将概率模型、实用性优化和智能编码标准化视为端到端图像视频编码发展的重要研究主线。:contentReference[oaicite:4]{index=4}