面向复杂全息图生成的量化神经网络
计算机视觉与模式识别
2024-11-01 v2 图形学
摘要
计算机生成全息（CGH）是增强现实显示（如头戴式或抬头显示）的有前景技术。然而，其高计算需求使得实际应用难以实现。近期将神经网络集成到 CGH 的努力已成功加快计算速度，显示了克服计算成本与图像质量之间权衡的潜力。然而，在计算受限的嵌入式系统上部署基于神经网络的 CGH 算法，需要更高效的模型，以降低计算成本、内存占用和功耗。本研究通过引入神经网络量化技术，开发了一个用于复杂全息图生成的轻量级模型。具体而言，我们基于张量全息构建模型，并将其从 32 位浮点精度（FP32）量化为 8 位整数精度（INT8）。我们的性能评估表明，所提出的 INT8 模型在保持与 FP32 模型相当的全息图质量的同时，模型大小约降低 70%，推理速度提升约 4 倍。此外，我们在系统级模块上实现了 INT8 模型，展示了其在嵌入式平台上的可部署性和高功效效率。
引用
@article{arxiv.2409.06711,
title = {Quantized neural network for complex hologram generation},
author = {Yutaka Endo and Minoru Oikawa and Timothy D. Wilkinson and Tomoyoshi Shimobaba and Tomoyoshi Ito},
journal= {arXiv preprint arXiv:2409.06711},
year = {2024}
}
备注
11 pages, 4 figures