粒度思考：利用多粒度线索的图像超分辨率动态量化

动态量化在图像超分辨率（SR）领域引起了越来越多的关注，因为它在保持竞争力的性能的同时，将繁重的 SR 模型的潜力扩展到了移动设备上。现有方法探索了不同局部区域上的层到位配置，自适应地为每一层和每个图像块分配比特。尽管具有这些优势，它们在 SR 精度和量化效率的权衡上仍存在不足。此外，单独为每一层调整量化级别可能会破坏原有的层间关系，从而削弱量化模型的表示能力。在本工作中，我们提出了 Granular-DQ，该方法利用图像的内在特征，同时摒弃了量化中以往对层敏感度的考量。Granular-DQ 对局部图像块进行多粒度分析，并进一步探索其信息密度，实现了一种独特的逐块且层不变的动态量化范式。具体而言，Granular-DQ 首先开发了一个粒度-比特控制器（GBC），以捕获不同图像块从粗到细的粒度表示，并根据其对整幅图像的比例贡献来决定适当的比特宽度分配。在此基础上，我们研究了比特宽度与信息密度之间的关系，设计了一种熵到位（E2B）机制，该机制能够对高比特图像块进行进一步的细粒度动态比特自适应。大量实验验证了 Granular-DQ 在各种 SR 模型上相对于近期最先进方法的优越性和泛化能力。代码和补充说明可在 \url{https://github.com/MmmingS/Granular-DQ.git} 找到。