全量化图像超分辨率网络
本文提出一种新型动态压缩方法 (CADyQ) 来优化图像超分辨率神经网络中由于量化引起的计算过于复杂的问题,通过在根据输入图像局部区域和图层进行自适应位宽和量化级别分配的可训练比特选择器模块中引入量化敏感性评估,以实现高平均位减少和更小的精度损失。
Jul, 2022
利用提出的剪辑无关量化流程 (CFQP) 来调整代表性数据集 (RD) 图像,成功地消除非期望的剪辑激活层,从而提高稳定性、减少推理运行时间并获得更好的视觉质量结果,而无需使用剪辑激活进行重训练。
Aug, 2023
单图像超分辨率 (SISR) 的研究旨在从低分辨率观察中重建出高分辨率图像。本研究探索了图像自相似性作为新的研究方向,并提出了一种名为参考量化的图像超分辨率方法 (RefQSR),该方法使用高比特量化的几个代表性补丁,并将它们作为剩余补丁低比特量化的参考。实验结果证明了 RefQSR 在各种 SISR 网络和量化方法上的有效性。
Apr, 2024
本文提出了一种硬件限制感知、极其轻量级、量化鲁棒、实时超分辨率网络 (XLSR),它是一种受到 root 模块的启发,旨在解决单图像超分辨率问题的建模方法,并在 Div2K 验证集上取得了超过 VDSR 的成果,在 2021 年移动 AI 实时单图像超分辨率挑战赛中得胜。
May, 2021
本文研究高效图像超分辨率算法的 8 位量化,提出了一种适用于移动设备的基于锚点神经网络的算法,并采用定量化训练策略,使该模型在保证性能的情况下可以胜过当前同类算法。
May, 2021
2DQuant 是一种双阶段低比特后训练量化(PTQ)方法,通过研究权重和激活分布,使用分布导向边界初始化和蒸馏量化校准的方法,实现了在低比特量化下高效准确的图像超分辨率。
Jun, 2024
量化是减少图像超分辨率(SR)网络高计算复杂度的一种有前途的方法,然而,与图像分类等高级任务相比,低位量化会导致 SR 网络的严重准确性损失。本文提出了一种新的量化感知训练框架 ODM,该框架有效地解决了 SR 网络中的分布不匹配问题,并且不需要动态自适应。该算法通过直接在训练过程中正则化特征的方差来减少不匹配,同时还引入了分布偏移以进一步减小分布不匹配问题。实验结果表明,ODM 在减少分布不匹配问题方面比现有的 SR 量化方法表现更好,计算开销也更少,这表明减小分布不匹配问题的重要性。
Jul, 2023
本文探讨了网络二值化在单图像超分辨率中的应用,给出了一种只对残差块中的卷积滤波器进行二值化并采用可学习权重的方法,实验表明该方法在保持重构精度的同时能够显著减小模型大小并提供更高的推理速度。
Dec, 2018
本文提出了一种新的激活量化方法 - 动态双可训练界(DDTB),以解决超低精度(例如 2 位和 3 位)SR 模型在使用低成本层面量化器进行量化时所遇到的性能下降困境,该方法通过针对激活的不对称性做出创新,并且使用动态门控器运行时自适应地调整上下界以克服不同样例的激活范围巨大变化问题。
Mar, 2022