Kürzlich haben lernbasierte Bildkompressionsverfahren beachtliche Leistungsfortschritte erzielt und übertreffen sogar die besten manuell entworfenen verlustbehafteten Bildcodierer. Sie gelten als vielversprechend für eine großskalige Anwendung. Um praktische Relevanz zu gewährleisten, ist eine umfassende Untersuchung der Architekturgestaltung lernbasierter Bildkompression hinsichtlich sowohl Kompressionsleistung als auch Laufzeit entscheidend. In dieser Arbeit schlagen wir zunächst eine ungleichmäßige kanalbedingte adaptive Codierung vor, motiviert durch die Beobachtung von Energiekonzentration in lernbasierten Bildkompressionsverfahren. Durch die Kombination des vorgeschlagenen ungleichmäßigen Gruppierungsmodells mit bestehenden Kontextmodellen entwickeln wir ein räumlich-kanalbedingtes kontextadaptives Modell, das die Codierleistung verbessert, ohne die Laufzeit zu beeinträchtigen. Anschließend untersuchen wir die Struktur der Haupttransformation und stellen ein effizientes Modell, ELIC, vor, das führende Geschwindigkeits- und Kompressionsleistung erreicht. Aufgrund seiner herausragenden Leistung unterstützt das vorgeschlagene Modell zudem extrem schnelle Vorschau-Entcodierung und progressive Entcodierung, was die künftige Anwendung lernbasierter Bildkompression noch vielversprechender macht.