从现有研究来看，早期端到端图像压缩模型中的量化方法主要集中于均匀量化。均匀量化通常对潜变量采用固定的量化间隔，结构简单、实现方便，并且便于与熵模型和算术编码等模块结合。然而，图像内容及其潜变量分布往往具有明显的空间差异和统计不均衡性，固定量化间隔难以充分适应不同区域、不同通道或不同语义特征之间的复杂变化。因此，非均匀量化逐渐受到关注。与均匀量化不同，非均匀量化可以根据潜变量的分布特征、空间位置或上下文信息，为不同元素分配不同的量化间隔或量化中心，从而更加灵活地调节比特资源分配。
在自适应步长量化方法中，部分研究允许潜变量的不同元素采用可学习或可调整的量化步长q，其等效形式通常可表示为q乘以round括号内输入除以q的结果。通过这种方式，模型能够根据潜变量的统计特征调整量化尺度，使重要信息区域获得更精细的表示，而对冗余较高或感知敏感度较低的区域采用相对粗略的量化。相比固定步长量化，此类方法在一定程度上提高了模型对图像内容差异的适应能力，有助于改善率失真性能。