全量化图像超分辨率网络
图像与视频处理
2021-04-20 v2 计算机视觉与模式识别
摘要
随着智能移动设备的日益普及，开发准确、实时且高能效的图像超分辨率(SR)推理方法具有重要的实际意义。一种提升推理效率的流行方法是模型量化，其允许用高效的定点或位运算替代昂贵的浮点运算。迄今为止，量化SR框架提供可行的精度-效率权衡仍具挑战性。本文提出一种全量化图像超分辨率框架(FQSR)来联合优化效率与精度。特别地，我们的目标是对所有层获得端到端量化模型，尤其包括跳跃连接，这是文献中很少被解决的问题。我们进一步识别了低比特SR网络面临的训练障碍，并相应提出两种新方法。这两个困难由以下原因造成：1)不同层中激活值和权重分布差异极大；2)量化近似的不准确。我们将量化方案应用于多种主流超分辨率架构，包括SRResNet、SRGAN和EDSR。实验结果表明，我们使用低比特量化的FQSR在五个基准数据集上可达到与全精度对应模型相当的性能和SOTA(state-of-the-art)量化SR方法，且显著降低了计算成本和内存消耗。
引用
@article{arxiv.2011.14265,
title = {Fully Quantized Image Super-Resolution Networks},
author = {Hu Wang and Peng Chen and Bohan Zhuang and Chunhua Shen},
journal= {arXiv preprint arXiv:2011.14265},
year = {2021}
}
备注
Results updated