为克服上述不足，Ballé等研究者提出了具有代表性的Hyperprior模型，即在主潜变量之外引入辅助潜变量，对主潜变量的概率分布进行条件建模。该方法的核心思想是：主潜变量y不仅直接参与图像重建，还可以通过另一个超分析变换提取出辅助潜变量z。辅助潜变量z经过量化与编码后，在解码端被恢复，并通过超合成变换生成用于描述主潜变量分布的参数。早期Hyperprior结构通常将主潜变量建模为零均值高斯分布，并由z预测其尺度参数，即：
p（ỹ|z̃）=∏i（N（0，σi²）∗U（-1/2，1/2））（ỹi）
其中，σ̃=gh（z̃；θh），表示由辅助潜变量z̃经过超先验网络预测得到的尺度参数，U（-1/2，1/2）则对应量化噪声近似。通过这种方式，模型不再仅依赖固定的边缘分布，而是能够根据图像内容自适应地调整主潜变量的概率估计。由于辅助潜变量z的维度通常较低，其编码所带来的额外码率开销相对有限，但它能够提供重要的全局统计信息，尤其是方差信息，因此可以明显提高熵模型对主潜变量分布的拟合精度。Hyperprior结构由此成为现代端到端学习式图像压缩系统中的重要基础。
在Hyperprior框架中，辅助潜变量主要用于描述主潜变量的全局统计特征，但主潜变量之间的局部依赖关系仍未得到充分利用。为进一步提高概率估计能力，研究者又引入了自回归建模方法。自回归模型的基本思想是按照一定顺序对潜变量进行编码和解码，在估计当前潜变量分量的概率分布时，不仅利用超先验提供的全局信息，还利用已经解码的邻近潜变量作为上下文条件。其形式可以概括为：
p（ỹ|z̃）=∏i p（ỹi|ỹ