QuantSR+：推动量化图像超分辨率网络的极限
计算机视觉与模式识别
2026-05-22 v1
摘要
低位量化广泛用于压缩超分辨率（SR）模型，降低资源受限设备上的存储和计算成本。然而，当SR模型压到极低精度（2-4位）时，性能会因表征能力下降和SR对细节敏感而急剧下降。为此，我们提出QuantSR+，一个统一框架，通过改进量化算子、网络设计和训练优化，实现比先前低位SR方法更佳的精度与效率权衡。QuantSR+主要依赖三个技术贡献：（1）基于 redistributed 位确定（Redistribution-driven Bit Determination, RBD），在前向和反向传递中重塑量化分布，保留表征保真度；（2）量化可变形架构（Quantized Slimmable Architecture, QSA），以过参数化模型开始，逐步修剪以满足效率预算，同时推动精度性能；（3）受指导的函数局部蒸馏（Slimming-guided Function-localized Distillation, SFD），通过直接损失和渐进的函数局部训练计划执行块感知特征对齐，更好地捕获量化效应并加快收敛。广泛实验表明，QuantSR+在针对专用量化SR方法和通用量化方法方面均实现了最先进性能。对于Urban100（x4）上的SwinIR-S， PSNR提升了0.29 dB。与此同时，它在2位下实现了强大的效率收益，运算量最高可降低87.9%，存储量降低89.4%。QuantSR+对卷积和基于Transformer的SR模型均有效，表明其具有广泛适用性。
引用
@article{arxiv.2605.22351,
title = {QuantSR+: Pushing the Limit of Quantized Image Super-Resolution Networks},
author = {Haotong Qin and Xudong Ma and Xianglong Liu and Jie Luo and Jinyang Guo and Michele Magno and Yulun Zhang},
journal= {arXiv preprint arXiv:2605.22351},
year = {2026}
}