用于计算高效移动端逆色调映射的混合量化网络
图像与视频处理
2022-04-12 v1 计算机视觉与模式识别
摘要
从单幅低动态范围（LDR）图像恢复高动态范围（HDR）图像，即逆色调映射（ITM），由于过曝与欠曝区域信息缺失而具挑战性。现有方法专注于训练高性能但计算低效的 ITM 模型，这阻碍了 ITM 模型在算力和资源受限的边缘及移动端等环境中的部署。为此，我们提出结合深度神经网络的高效操作与一种新颖的混合量化方案，构建性能良好且计算高效的混合量化网络（MQN），可在移动平台上执行单图像 ITM。在消融研究中，我们探究了不同注意力机制、量化方案及损失函数对 MQN 在 ITM 任务中性能的影响。在对比分析中，采用 MQN 训练的 ITM 模型在基准数据集上性能与最先进方法相当。MQN 模型在延迟上最高提升 10 倍，在内存消耗上最高提升 25 倍。
引用
@article{arxiv.2203.06504,
title = {A Mixed Quantization Network for Computationally Efficient Mobile Inverse Tone Mapping},
author = {Juan Borrego-Carazo and Mete Ozay and Frederik Laboyrie and Paul Wisbey},
journal= {arXiv preprint arXiv:2203.06504},
year = {2022}
}
备注
Presented at the British Machine Vision Conference (BMVC), 2021