为突破独立假设的限制，Ballé等人提出尺度超先验模型。该方法通过附加的超编码器从主潜变量中提取统计信息，形成超潜变量；超潜变量经过量化和熵编码后作为边信息写入码流。解码端首先恢复超潜变量，再利用超解码器预测主潜变量概率分布的尺度参数或其他统计参数。超先验能够反映不同空间位置潜变量尺度随图像内容变化的规律，使熵模型由固定先验转变为图像自适应的条件先验。:contentReference[oaicite:2]{index=2}
超先验模型能够显著增强概率模型的适应性，但附加的超潜变量本身也需要占用一定码率。因此，模型训练实际上需要在边信息开销与主潜变量码率节省之间寻求平衡。端到端率失真优化可以自动调节这种关系，使超先验仅保留有助于降低总体码率的统计信息。
三是自回归上下文模型。自回归方法按照预先规定的顺序对潜变量进行分解，其联合概率可以表示为：
p（ŷ）＝∏ᵢp（ŷᵢ｜ŷ＜ᵢ）
其中，ŷ＜ᵢ表示在当前位置之前已经完成编码或解码的潜变量。模型通常利用掩码卷积提取已知邻域信息，并据此预测当前位置的均值、尺度或混合分布参数。由于自回归模型能够直接利用相邻潜变量之间的依赖关系，其概率估计通常比完全因子化模型更加精确。
不过，自回归模型存在明显的串行依赖。解码当前位置之前，必须先获得其上下文中的相关符号，这会限制并行处理能力，并增加实际解码时延。因此，自回归模型虽然能够提高压缩效率，却也会带来更高的计算复杂度和部署成本。