PAMS：基于参数化最大尺度的量化超分辨率

深度卷积神经网络（DCNNs）在超分辨率（SR）任务中展现出主导性性能。然而，其沉重的存储开销与计算负担主要源于权重与激活之间的浮点存储与运算，严重限制了在资源受限设备上的实际部署。尽管以往工作主要借助定点运算，但以固定编码长度对权重和激活同时量化可能导致显著的性能下降，尤其在低位宽时。具体而言，大多数无批归一化的最先进SR模型具有较大的动态量化范围，这也是性能下降的另一原因。为解决这两个问题，我们提出一种称为PArameterized Max Scale（PAMS，参数化最大尺度）的新量化方案，其应用可训练的截断参数自适应地探索量化范围的上界。最后，引入结构化知识迁移（SKT）损失对量化网络进行微调。大量实验表明，所提PAMS方案能良好地压缩并加速现有SR模型如EDSR和RDN。值得注意的是，8位PAMS-EDSR在Set5基准上将PSNR从32.095dB提升至32.124dB，压缩比达2.42$\times$，取得了新的SOTA。