面向图像去噪棋盘效应的 QuantDemoire：基于异常值感知的量化
计算机视觉与模式识别
2025-10-07 v1
摘要
去噪棋盘效应旨在去除图像中常出现的噪声。尽管近期基于深度学习的方法取得了令人鼓舞的成果，但它们通常需要大量计算资源，限制了在边缘设备上的部署。模型量化提供了一种具有说服力的解决方案。然而，直接将现有的量化方法应用于去噪模型会引入严重的性能下降。主要原因在于分布异常值以及平滑区域的表征减弱。为解决这些问题，我们提出 QuantDemoire，一个针对去噪的后训练量化框架。其包含两个关键组件。**首先**，我们引入一种异常值感知量化器以减少异常值的误差。它采用基于抽样的范围估计来减少激活异常值，同时以极低的成本保留少数极端权重的 FP16。**其次**，我们设计一种频率感知校准策略。它在微调期间强调低频和中频成分，从而减轻低位量化导致的条纹效应。广泛的实验验证表明，我们的 QuantDemoire 在保持质量的同时，实现了参数和计算量的大幅减少。与现有的量化方法相比，性能在 W4A4 上提升超过 **4 dB**。代码已发布：https://github.com/zhengchen1999/QuantDemoire。
引用
@article{arxiv.2510.04066,
title = {QuantDemoire: Quantization with Outlier Aware for Image Demoir\'eing},
author = {Zheng Chen and Kewei Zhang and Xiaoyang Liu and Weihang Zhang and Mengfan Wang and Yifan Fu and Yulun Zhang},
journal= {arXiv preprint arXiv:2510.04066},
year = {2025}
}
备注
Code is available at: https://github.com/zhengchen1999/QuantDemoire