AAAIOct, 2023

基于鲁棒性引导的无数据量化图像合成

PDF
TL;DR我们提出了一种简单但有效的方法，即稳健导向的图像合成（RIS），通过在输入和模型权重上引入扰动，并在扰动前后在特征和预测水平上定义不一致性指标，设计一个稳健优化目标来增强合成图像的语义，进而提高图像多样性，从而在无数据压缩任务中取得了最先进的性能。
quantizationdata-free quantizationimage synthesissemantic enrichmentcompression tasks
发现论文，激发创造
  • 参考引导图像合成中的单张图像评估

    提出了一种基于学习的框架，Reference-guided Image Synthesis Assessment (RISA)，用于量化评估单个生成图像的质量，其训练不需要人类标注，并引入两种技术来提高注释的精度。实验证明，RISA 与人类偏好高度一致，并且在不同模型之间具有良好的迁移性能。

    Dec, 2021

  • 多样化样本生成以获得精准的无数据量化

    数据无关量化方法的统计数据不均衡问题限制了其在神经网络压缩方面的应用；本文提出了 Diverse Sample Generation（DSG）方法以在分布和样本层面缓解这一问题，其可以应用于当前一些最先进的量化方法中，如 AdaRound。在大规模图像分类任务上，经过合成数据校准的模型的性能可以达到通过真实数据校准的模型的性能，甚至在一些情况下表现更好。

    Mar, 2021

  • 面向城市场景实用语义图像合成

    本文提出了一种使用无监督学习和鉴别器的框架，通过对城市场景生成逼真的照片来实现自主驾驶，避免大量验证和训练数据的高昂成本。

    May, 2023

  • StableQ：利用文本到图像数据增强数据稀缺量化

    通过使用高级的文本到图像扩散模型生成高分辨率、逼真的合成数据，StableQ 方法在零样本和少样本量化方面取得了准确性和效率上的显著改进，通过逆向可学习的令牌嵌入来引导合成数据生成过程，解决了数据稀缺量化的挑战。

    Dec, 2023

  • 基于小波的无监督标签到图像转换

    本文提出了一种新的无监督学习范例 (Unsupervised Paradigm for SIS, USIS)，通过使用自监督分割损失和基于整个图像小波的鉴别方法，结合在小波域中的生成器结构，使得语义图像合成 (SIS) 在不需要大量的配对数据的情况下实现，从而弥补了配对和非配对模型之间的性能差距。在三个具有挑战性的数据集上进行测试，证明了新方法的有效性。

    May, 2023

  • 自回归图像生成与集成量化

    本文提出了一个基于深度生成模型的图像生成网络，结合卷积神经网络的归纳偏置和自回归的序列建模，通过多重领域特征的变量规范，设计了分布估计的 Gumbel 采样策略来提高图像的生成质量并克服于训练和推理过程中所产生的偏差和误差，取得了当前同类算法中最优秀的生成表现。

    Jul, 2022

  • IntraQ: 学习带有类内异质性的合成图像，用于零样本网络量化

    本研究提出 IntraQ 方法来解决现有方法在合成图像中无法保留真实数据类内异质性的问题，通过本方法在使用 4 位量化的 MobileNetV1 上，可在 ImageNet 数据集上实现比已有先进方法更高的准确性。

    Nov, 2021

  • 基于 GAN 的图像压缩及改进的 RDO 处理

    本文提出了一种改进型的 GAN 图像压缩方法，通过使用 DISTS 和 MS-SSIM 指标对颜色、纹理和结构的感知退化度量以及吸收离散化的高斯 - 拉普拉斯 - 逻辑混合模型（GLLMM）来改善熵模型的准确性，并采用 MOS 实验直接评估重构图像的感知质量，实验结果表明该方法优于现有的 GAN 方法和 VVC 等最先进的混合编解码器。

    Jun, 2023

  • 生成式零样本网络量化

    本研究提出了一种基于 Batch Normalization 统计量的生成建模方法，能够为高层图像识别任务生成逼真的图像样本集合，来支持无需依赖真实数据的量化模型，实验表明该方法在 benchmark 数据集上有很好的性能表现。

    Jan, 2021

  • 基于正则化向量量化的分词图像合成

    本文提出一种正则化的向量量化框架，通过两种正则化方法有效缓解确定性量化和随机量化所存在的问题，并设计出一种概率对比损失作为更进一步缓解扰动重构目标的标准度量，实验表明该框架在不同的生成模型中表现都比现有的向量量化方法更优。

    Mar, 2023