组合向量压缩的堆叠量化器

Nov, 2014

Stacked Quantizers for Compositional Vector Compression

Julieta Martinez, Holger H. Hoos, James J. Little

TL;DR本文介绍了一种新型的量化方法，采用分层结构的编码本，将向量压缩到二进制码中，相比 Product Quantization 和 Additive Quantization 方法减少了运行时间，并在 SIFT、GIST 描述符和基于卷积神经网络的新特征数据集上验证了其有效性。

Abstract

Recently, Babenko and Lempitsky introduced additive quantization (AQ), a generalization of product quantization (PQ) where a non-independent set of codebooks is used to compress vectors into small binary codes. U

additive quantization product quantization codebook hierarchical structure convolutional neural networks

发现论文，激发创造

通过含蓄的神经网络码本进行残差量化

QINCo 是一种神经网络 RQ 变体，它通过根据先前步骤的向量逼近条件化地预测每个向量的专门码书，实验证明 QINCo 在多个数据集和码字大小上显著优于现有方法。

Jan, 2024

LVQAC: 基于网格矢量量化和自适应空间压缩的高效学习图像压缩

本文提出了一种 Lattice Vector Quantization（LVQ）和空间自适应扩展（AC）相结合的新型映射策略，以取得更好的压缩效果，实验证明使用 LVQAC 可以在不显著增加模型复杂度的情况下，提高图像压缩性能。

Mar, 2023

复合量化

本文研究了一种用于近似最近邻搜索的紧凑编码方法，介绍了一种复合量化框架，其中包括使用不同字典中选定的若干元素的组合来准确近似 D 维向量，以此表示数据向量，实现准确搜索，从而实现距离计算成本从 O（D）降至 O（M）的近正交复合量化方法。

Dec, 2017

COMQ：一种免反向传播的用于后训练量化的算法

采用了一种创新的 PTQ 算法 COMQ，通过逐层坐标最小化重构误差，使得精简后的模型在不损失原始准确性的情况下高效部署

Mar, 2024

超越产品量化：深度渐进量化用于图像检索

该论文介绍了一种用于大规模图像检索的深度渐进量化模型，该模型学习逐步逼近视觉特征的量化码，并且可以同时训练不同码长的量化码，实现了优于现有技术的图像检索效果。

Jun, 2019

置换、量化和微调：神经网络的高效压缩

通过对权重的重新排列，利用矢量量化方式压缩多层神经网络以在低性能计算平台上运行。在图像分类、目标检测和分割等任务中，相对于现有技术水平，可以将压缩后网络的性能损失降低 40％至 70％。

Oct, 2020

利用微调后的 VQGAN 模型进行极端图像压缩

本文提出了一种基于向量量化 (VQ) 的生成模型的图像压缩编码框架，通过学习 VQGAN 模型的码本可实现在潜空间内对连续信息进行高效压缩，从而在极低比特率下实现优质的重构图像。

Jul, 2023

共同优化查询编码器和产品量化来提高检索性能

本文介绍了一种名为 JPQ 的联合优化方法，该方法结合了查询编码和 Product Quantization，以实现高效的 Dense Retrieval，并在两个公开的评估基准测评中获得了显着的性能提升。

Aug, 2021

范数显式量化：改进向量量化获得更佳内积搜索

本文提出了一种基于范数误差和方向误差的定量化误差的新方法，指出在最大内积搜索（MIPS）中量化误差在范数方面的影响大于在方向上的影响，因此提出了内部明确的基于规范的矢量量化（NEQ）用于 MIPS。该方法可以明显减小需要搜索的大型数据集，同时提高 PQ，OPQ，RQ 和 AQ 等 VQ 技术的性能。

Nov, 2019

可微分乘积量化用于端到端嵌入压缩

本文提出了可最小化储存空间的不同产品量化的压缩框架（DPQ），可以作为任何现有嵌入层的替代品，且降低了 14-238 倍的压缩率，以及在三个不同语言任务的 10 个数据集上表现良好。

Aug, 2019