自回归建模也带来了新的问题。由于每个潜变量分量的解码都依赖于此前已经恢复的分量，解码过程往往具有较强的顺序性，难以完全并行化。这会增加解码延迟，影响实际部署效率。尤其是在高分辨率图像压缩场景中，逐点或逐位置的自回归解码可能造成明显的计算负担。因此，后续研究通常需要在压缩性能与计算复杂度之间进行权衡。一些方法通过改进上下文建模方式、减少串行依赖范围或设计更适合并行计算的熵模型结构，试图在保持较高概率建模能力的同时提升解码速度。
总体而言，因子化先验、Hyperprior模型和自回归建模构成了学习式图像压缩熵模型演进的主要路径。因子化先验实现了端到端压缩框架下的基础概率建模，但受限于独立性假设；Hyperprior通过引入辅助潜变量增强了对全局统计特征的表达能力；自回归模型则进一步利用已解码潜变量提供的上下文信息，显式刻画局部依赖关系。三者从简单独立建模逐步发展到条件概率建模和上下文建模，反映了学习式图像压缩从基础变换优化走向精细概率估计的发展趋势。熵模型的精度直接决定码率估计的准确性，也影响最终的率失真性能，因此它始终是智能图像编码领域的重要研究方向。