通过部署感知量化和教师引导训练实现高效 INT8 单图像超分辨率
计算机视觉与模式识别
2026-04-23 v1
摘要
高效的单图像超分辨率（SISR）需要在重建保真度、模型紧凑性和低位部署下的鲁棒性之间取得平衡，这对于 x3 超分辨率尤其具有挑战性。我们提出了一个基于提取-精炼-上采样设计的面向部署的量化 SISR 框架。学生模型在低分辨率空间执行大部分计算，并使用轻量级的可重参数化骨干网络和 PixelShuffle 重建，生成紧凑的推理图。为了在不显著增加复杂度的情况下提高质量，我们采用三阶段训练流程：第一阶段通过空间监督学习基本的重建映射；第二阶段使用 Charbonnier 损失、DCT 域监督以及来自基于 Mamba 的教师模型的置信度加权输出级蒸馏来精炼保真度；第三阶段直接在融合的部署图上应用量化感知训练。我们进一步使用权重裁剪和 BatchNorm 重校准来提高量化稳定性。在 MAI 2026 量化 4K 图像超分辨率挑战赛测试集上，我们最终提交的 AIO MAI 方案达到了 29.79 dB PSNR 和 0.8634 SSIM，在目标移动端 INT8 部署设置下获得了 1.8 的最终得分。对第三阶段优化的消融研究表明，教师引导的监督将动态 INT8 TFLite 重建从 29.91 dB/0.853 提升至 30.0003 dB/0.856，而固定形状的可部署 INT8 TFLite 产物达到了 30.006 dB/0.857。
引用
@article{arxiv.2604.20291,
title = {Efficient INT8 Single-Image Super-Resolution via Deployment-Aware Quantization and Teacher-Guided Training},
author = {Pham Phuong Nam Nguyen and Nam Tien Le and Thi Kim Trang Vo and Nhu Tinh Anh Nguyen},
journal= {arXiv preprint arXiv:2604.20291},
year = {2026}
}
备注
10 pages, 4 figures. Accepted at the Mobile AI (MAI) 2026 Workshop at CVPR 2026