CADyQ：面向图像超分辨率的内容感知动态量化

尽管基于卷积神经网络（CNNs）的图像超分辨率（SR）取得了突破性进展，但由于 SR 网络的高计算复杂度，SR 尚未得到普遍应用。量化是解决该问题的有前景的方法之一。然而，现有方法无法将 SR 模型量化到低于 8 位的位宽，因处处采用固定位宽量化而遭受严重的精度损失。在本工作中，为实现更高的平均位宽缩减且精度损失更小，我们提出一种新颖的面向 SR 网络的内容感知动态量化（CADyQ）方法，其基于输入图像的局部内容自适应地为局部区域和层分配最优位宽。为此，引入一个可训练的位宽选择器模块，以确定每个层及给定局部图像块合适的位宽和量化级别。该模块由量化敏感度主导，而量化敏感度通过使用图像块梯度的平均幅值和层的输入特征的标准差来估计。所提出的量化流程已在多种 SR 网络上测试，并在多个标准基准上进行了广泛评估。计算复杂度的显著下降和恢复精度的提升清楚地证明了所提 CADyQ 框架在 SR 中的有效性。代码见 https://github.com/Cheeun/CADyQ。