Nous proposons le premier système de compression d'images sans perte appris de manière pratique, L3C, et démontrons qu'il surpasse les codecs conçus par l'ingénierie les plus populaires, tels que PNG, WebP et JPEG 2000. Au cœur de notre méthode se trouve un modèle probabiliste hiérarchique entièrement parallélisable pour le codage d'entropie adaptatif, optimisé de bout en bout pour la tâche de compression. Contrairement aux modèles probabilistes discrets autorégressifs récents comme PixelCNN, notre méthode i) modélise la distribution des images conjointement avec des représentations auxiliaires apprises, plutôt que de modéliser exclusivement la distribution des images dans l'espace RGB, et ii) n'exige que trois passes avant pour prédire toutes les probabilités des pixels au lieu d'une pour chaque pixel. Par conséquent, L3C obtient des accélérations supérieures à deux ordres de grandeur lors du tirage d'échantillons par rapport à la variante la plus rapide de PixelCNN (Multiscale-PixelCNN). De plus, nous constatons que l'apprentissage de la représentation auxiliaire est crucial et surpasse largement les représentations auxiliaires prédéfinies telles qu'une pyramide RGB.