面向3D几何模型的尾态感知后训练量化
计算机视觉与模式识别
2026-02-03 v1
摘要
3D 几何模型的日益复杂与规模给资源受限平台的部署带来了重大挑战。虽然后训练量化（PTQ）可在无需重新训练的情况下实现高效推理，但主要针对2D视觉Transformer优化的现有方法难以有效迁移至3D模型，由于复杂的特征分布和沉重的校准开销。为此，我们提出TAPTQ（Tail-Aware Post-Training Quantization），这是一套专为3D几何学习设计的尾态感知后训练量化流水线。我们的贡献有三方面：（1）为克服3D数据集的规模瓶颈，我们开发了渐进式粗到细的校准构建策略，通过构建高度紧凑的子集实现统计纯净与几何代表性；（2）我们将量化区间搜索重新表述为优化问题，引入三分搜索求解器，将计算复杂度从 降至 以加速部署；（3）为缓解量化误差的累积，我们提出了基于尾部相对误差（TRE）的模块级补偿机制，该机制利用TRE指标自适应识别并纠正对长尾激活异常敏感的模块。广泛的VGGT和Pi3基准实验表明，TAPTQ 在保持更高准确率的同时，显著缩短了校准时间，优于当前最先进的PTQ方法。代码将很快发布。
引用
@article{arxiv.2602.01741,
title = {Tail-Aware Post-Training Quantization for 3D Geometry Models},
author = {Sicheng Pan and Chen Tang and Shuzhao Xie and Ke Yang and Weixiang Zhang and Jiawei Li and Bin Chen and Shu-Tao Xia and Zhi Wang},
journal= {arXiv preprint arXiv:2602.01741},
year = {2026}
}