任何成本的网络量子化用于图像超分辨率

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 网络量化 网络量化

背景情况:

• 图像超分辨率 (SR) 网络通常部署在移动设备上,资源可用性波动.
• 传统的量子化方法需要为每一个新的资源限制进行广泛的再培训,这导致了高的计算成本.
• 现有的方法在各种硬件限制之间努力平衡效率和准确性.

研究的目的:

• 为图像超分辨率开发一种高效的网络量化方法,以适应可变的资源预算.
• 为了使图像SR网络能够在具有动态硬件限制的设备上部署,而无需显著的重新训练.
• 为了在不同的资源限制下实现图像SR的效率和精度之间的最佳权衡.

主要方法:

• 提出使用超级网络的任何成本网络量化方法.
• 基于特征图和资源限制,动态搜索每个卷积补丁的最佳位宽.
• 在培训期间采用积极的补丁智能比特宽采样和自适应梯度组合,以改善融合和泛化.

主要成果:

• 拟议的超级网络有效地适应不同的资源预算,最小的微调.
• 与现有的量子化方法相比,实现了可比的效率-精度权衡.
• 显著降低了调整模型以适应新的资源预算的成本.

结论:

• 任何成本量化方法为在具有可变资源限制的设备上部署图像SR网络提供了灵活和经济有效的解决方案.
• 这种方法提高了量子化网络的适应性和通用性.
• 它为各种移动计算环境中高效的图像超分辨率提供了一条实用的途径.