【WACV2022】DAQ | 首尔大学首次为超分辨率网络提出逐通道分布自适应量化方法，效果显著

月满星沉

已于 2022-11-13 22:33:42 修改

阅读量1.6k

点赞数 2

分类专栏：超分辨率论文解析，持续更新文章标签：深度学习计算机视觉超分辨率重建

于 2022-09-26 23:25:53 首次发布

本文链接：https://blog.csdn.net/Hunter_Murphy/article/details/127062861

版权

14 篇文章 97 订阅 ¥19.90 ¥99.00

订阅专栏

本文提出了分布自适应量化(DAQ)方法，针对超分辨率网络的量化问题，解决了现有方法在像素级任务中的性能损失。DAQ通过逐通道分布感知量化架构，考虑了SR网络中不同通道数据分布的差异，减少了计算成本和资源需求，同时保持了网络性能。实验证明，DAQ在降低计算资源的同时，优于现有SR网络量化技术。

摘要由CSDN通过智能技术生成

内容导读

DAQ: Channel-Wise Distribution-Aware Quantization for Deep Image Super-Resolution Networks
WACV 2022，韩国
论文下载链接
没有开源

本文主要针对超分辨率网络的量化方法的现存问题进行了研究，主要是：常见的模型量化方法难以应用到像素级的超分辨率任务中，现有的SR量化方法通常会大幅牺牲网络的性能。
因此，本文为像素级的超分辨率任务专门设计了一种新的超低精度但是很有效的量化方法。
同时，作者还提出了自己的发现：在SR网络中的不同特征通道之间，其数据的分布式各不相同的。对此，文中提出了逐通道的分布感知量化架构。
实验结果表明，与现有的量化方法相比，文中提出的DAQ架构大大降低了计算成本和对计算资源的需求，同时没有大幅损害SR网络的性能。

了解本专栏

关注