Although image super-resolution (SR) problem has experienced unprecedented
restoration accuracy with deep neural networks, it has yet limited versatile
applications due to the substantial computational costs. Since different input
images for SR face different restoration difficulties,
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。