高效量化感知图像增强：门控编码与多尺度细化桥接训练-部署鸿沟
人工智能
2026-04-24 v1 计算机视觉与模式识别
摘要
面向移动设备的图像增强模型往往难以在保持高输出质量的同时满足移动硬件对快速处理速度的要求。虽然最近的深度学习模型能够将低质量手机照片增强为高质量图像，但在转换为用于实际移动电话的低精度格式后，其性能常会下降。为解决此训练-部署不匹配问题，我们提出一种专为移动部署设计的高效图像增强模型。我们的方法采用具有门控编码器块和多尺度细化的层次化网络结构，以保留细粒度视觉特征。此外，我们纳入量化感知训练（QAT），以在训练过程中模拟低精度表示的效果。这使网络能够适应，防止标准后训练量化（PTQ）所见的典型质量下降。实验结果表明，所提出的方法在保持适用于标准移动设备的低计算开销的同时，能够产生高保真视觉输出。代码将在 https://github.com/GenAI4E/QATIE.git 提供。
引用
@article{arxiv.2604.21743,
title = {Bridging the Training-Deployment Gap: Gated Encoding and Multi-Scale Refinement for Efficient Quantization-Aware Image Enhancement},
author = {Dat To-Thanh and Nghia Nguyen-Trong and Hoang Vo and Hieu Bui-Minh and Tinh-Anh Nguyen-Nhu},
journal= {arXiv preprint arXiv:2604.21743},
year = {2026}
}
备注
10 pages, 3 figures. Accepted at the Mobile AI (MAI) 2026 Workshop at CVPR 2026