論文の概要: CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2207.10345v1
- Date: Thu, 21 Jul 2022 07:50:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 13:38:18.940966
- Title: CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution
- Title(参考訳): CADyQ:画像超解像のためのコンテンツ対応動的量子化
- Authors: Cheeun Hong, Sungyong Baik, Heewon Kim, Seungjun Nah, Kyoung Mu Lee
- Abstract要約: 本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。
CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。
パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
- 参考スコア(独自算出の注目度): 55.50793823060282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite breakthrough advances in image super-resolution (SR) with
convolutional neural networks (CNNs), SR has yet to enjoy ubiquitous
applications due to the high computational complexity of SR networks.
Quantization is one of the promising approaches to solve this problem. However,
existing methods fail to quantize SR models with a bit-width lower than 8 bits,
suffering from severe accuracy loss due to fixed bit-width quantization applied
everywhere. In this work, to achieve high average bit-reduction with less
accuracy loss, we propose a novel Content-Aware Dynamic Quantization (CADyQ)
method for SR networks that allocates optimal bits to local regions and layers
adaptively based on the local contents of an input image. To this end, a
trainable bit selector module is introduced to determine the proper bit-width
and quantization level for each layer and a given local image patch. This
module is governed by the quantization sensitivity that is estimated by using
both the average magnitude of image gradient of the patch and the standard
deviation of the input feature of the layer. The proposed quantization pipeline
has been tested on various SR networks and evaluated on several standard
benchmarks extensively. Significant reduction in computational complexity and
the elevated restoration accuracy clearly demonstrate the effectiveness of the
proposed CADyQ framework for SR. Codes are available at
https://github.com/Cheeun/CADyQ.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)による画像超解像(SR)の進歩にもかかわらず、SRネットワークの計算量が多いため、SRはまだユビキタスな応用を享受していない。
量子化はこの問題を解決するための有望なアプローチの1つである。
しかし、既存の手法ではビット幅が8ビット未満のsrモデルを量子化することはできず、固定ビット幅量子化により精度が著しく低下する。
本研究では,入力画像の局所的内容に基づいて,局所領域や層に最適なビットを割り当てる,SRネットワーク用コンテンツ認識動的量子化(CADyQ)手法を提案する。
これにより、トレーニング可能なビットセレクタモジュールを導入し、各レイヤの適切なビット幅および量子化レベルと所定のローカルイメージパッチを決定する。
このモジュールは、パッチの画像勾配の平均大きさと、レイヤの入力特徴の標準偏差の両方を用いて、推定される量子化感度によって制御される。
提案した量子化パイプラインは様々なSRネットワーク上でテストされ、いくつかの標準ベンチマークで広く評価されている。
計算複雑性の大幅な低減と復元精度の向上は,提案するcadyqフレームワークの有効性を明確に示している。
コードはhttps://github.com/cheeun/cadyqで入手できる。
関連論文リスト
- Overcoming Distribution Mismatch in Quantizing Image Super-Resolution
Networks [60.37328488058772]
本稿では,SRネットワークにおける分散ミスマッチ問題を効果的に克服する量子化対応学習フレームワークを提案する。
提案アルゴリズムはODMと呼ばれ,計算オーバーヘッドを最小限に抑えた分散におけるミスマッチを効果的に低減する。
論文 参考訳(メタデータ) (2023-07-25T08:50:01Z) - Lightweight Stepless Super-Resolution of Remote Sensing Images via
Saliency-Aware Dynamic Routing Strategy [15.587621728422414]
深層学習アルゴリズムは、リモートセンシング画像(RSI)超解像(SR)の性能を大幅に改善した
しかし、ネットワークの深さとパラメータの増大は、計算とストレージに大きな負担をもたらす。
本稿では、RSIの軽量でステップレスなSRを実現するために、SalDRN(Saliency-aware dynamic routing network)を提案する。
論文 参考訳(メタデータ) (2022-10-14T07:49:03Z) - Post-training Quantization for Neural Networks with Provable Guarantees [9.58246628652846]
学習後ニューラルネットワーク量子化手法であるGPFQを,欲求経路追従機構に基づいて修正する。
単層ネットワークを定量化するためには、相対二乗誤差は本質的に重み数で線形に減衰する。
論文 参考訳(メタデータ) (2022-01-26T18:47:38Z) - Improving Super-Resolution Performance using Meta-Attention Layers [17.870338228921327]
畳み込みニューラルネットワーク(CNN)は多くの超解像(SR)と画像復元タスクで素晴らしい結果を得た。
SRのIll-posed性質は、複数の異なる劣化を経た画像を正確に超解き出すのを難しくする。
メタアテンション(メタアテンション)は、任意のSR CNNが関連する劣化パラメータで利用可能な情報を活用できるようにするメカニズムである。
論文 参考訳(メタデータ) (2021-10-27T09:20:21Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳(メタデータ) (2021-03-15T12:54:26Z) - DAQ: Distribution-Aware Quantization for Deep Image Super-Resolution
Networks [49.191062785007006]
画像超解像のための深い畳み込みニューラルネットワークの定量化は、計算コストを大幅に削減する。
既存の作業は、4ビット以下の超低精度の厳しい性能低下に苦しむか、または性能を回復するために重い微調整プロセスを必要とします。
高精度なトレーニングフリー量子化を実現する新しい分散認識量子化方式(DAQ)を提案する。
論文 参考訳(メタデータ) (2020-12-21T10:19:42Z) - Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。
我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。
低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文 参考訳(メタデータ) (2020-11-29T03:53:49Z) - Lightweight image super-resolution with enhanced CNN [82.36883027158308]
強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した
情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。
IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。
RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
論文 参考訳(メタデータ) (2020-07-08T18:03:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。