最近、学習ベースの画像圧縮技術は顕著な性能を達成しており、最良の手動設計による損失あり画像符号化器を上回るまでに至っている。これらの技術は大規模な実用化が期待されている。実用性を考慮する上で、圧縮性能と実行速度の両面から学習ベース画像圧縮のアーキテクチャ設計について包括的な検討が不可欠である。本論文では、学習ベース画像圧縮におけるエネルギー集中現象に着目し、不均一なチャネル条件付き適応符号化（uneven channel-conditional adaptive coding）を提案する。提案手法を既存の文脈モデルと組み合わせることで、空間的・チャネル的文脈に適応するモデルを構築し、実行速度に悪影響を与えることなく符号化性能を向上させた。さらに、主要変換部の構造を検討し、最先端の速度と圧縮性能を両立する効率的なモデルELICを提案した。優れた性能を発揮する一方で、本モデルは極めて高速なプレビュー復号および段階的復号をサポートしており、学習ベース画像圧縮の実用化がより現実的かつ有望なものとなる。