Récemment, les techniques d’encodage d’image apprises ont atteint des performances remarquables, dépassant même les meilleurs encodeurs sans perte conçus manuellement. Elles se révèlent prometteuses pour une adoption à grande échelle. Afin de garantir leur praticabilité, une investigation approfondie de la conception d’architecture des méthodes d’encodage d’image apprises, tant en termes de performance de compression que de vitesse d’exécution, s’impose. Dans cet article, nous proposons tout d’abord une méthode d’encodage adaptatif à canal conditionnel inégal, motivée par l’observation de la concentration d’énergie dans les techniques d’encodage d’image apprises. En combinant ce modèle de regroupement inégal proposé avec les modèles contextuels existants, nous obtenons un modèle contextuel spatial-canal adaptatif, permettant d’améliorer significativement la performance de codage sans compromettre la vitesse d’exécution. Ensuite, nous étudions la structure de la transformation principale et proposons un modèle efficace, ELIC, capable d’atteindre des performances de pointe en matière de vitesse et de compression. Grâce à ses performances supérieures, le modèle proposé supporte également un décodage préalable extrêmement rapide ainsi que le décodage progressif, ce qui renforce davantage la faisabilité des applications futures basées sur l’apprentissage pour l’encodage d’image.