論文の概要: IQ-LUT: interpolated and quantized LUT for efficient image super-resolution

• arxiv url: http://arxiv.org/abs/2604.07000v1
• Date: Wed, 08 Apr 2026 12:17:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.512523
• Title: IQ-LUT: interpolated and quantized LUT for efficient image super-resolution
• Title（参考訳）: IQ-LUT:画像超解像のための補間量子化LUT
• Authors: Yuxuan Zhang, Zhikai Dong, Xinning Chai, Xiangyun Zhou, Yi Xu, Zhengxue Cheng, Li Song,
• Abstract要約: IQ-LUTを導入し,LUTサイズの低減と高解像度化を実現した。 まず,シングルインプットのマルチアウトプットECNNに量子化を統合し,指数空間を劇的に削減する。 第2に、残差学習の統合により、LUTビット深度への依存が軽減され、トレーニングの安定性が向上する。
• 参考スコア（独自算出の注目度）: 28.724987546492063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lookup table (LUT) methods demonstrate considerable potential in accelerating image super-resolution inference. However, pursuing higher image quality through larger receptive fields and bit-depth triggers exponential growth in the LUT's index space, creating a storage bottleneck that limits deployment on resource-constrained devices. We introduce IQ-LUT, which achieves a reduction in LUT size while simultaneously enhancing super-resolution quality. First, we integrate interpolation and quantization into the single-input, multiple-output ECNN, which dramatically reduces the index space and thereby the overall LUT size. Second, the integration of residual learning mitigates the dependence on LUT bit-depth, which facilitates training stability and prioritizes the reconstruction of fine-grained details for superior visual quality. Finally, guided by knowledge distillation, our non-uniform quantization process optimizes the quantization levels, thereby reducing storage while also compensating for quantization loss. Extensive benchmarking demonstrates our approach substantially reduces storage costs (by up to 50x compared to ECNN) while achieving superior super-resolution quality.
• Abstract（参考訳）: ルックアップテーブル (LUT) 法は画像の超解像推論を加速させる大きな可能性を示している。 しかし、より大きな受信フィールドとビット深度によって高画質を追求すると、LUTのインデックス空間が指数関数的に成長し、リソース制限されたデバイスへのデプロイメントを制限するストレージボトルネックが生じる。 IQ-LUTを導入し,LUTサイズの低減と高解像度化を実現した。 まず、補間と量子化をシングルインプットのマルチアウトプットECNNに統合し、インデックス空間を劇的に減らし、全体のLUTサイズを小さくする。 第二に、残差学習の統合は、LUTビット深度への依存を緩和し、トレーニングの安定性を促進し、より優れた視覚的品質のためにきめ細かい詳細の再構築を優先する。 最後に, 知識蒸留によって導かれる非一様量子化プロセスは, 量子化レベルを最適化し, 量子化損失を補償しながら, 貯蔵量を低減させる。 大規模なベンチマークによって、当社のアプローチはストレージコストを大幅に削減し(ECNNと比較して最大50倍)、優れた超高解像度品質を実現しています。

関連論文リスト

• MPQ-DMv2: Flexible Residual Mixed Precision Quantization for Low-Bit Diffusion Models with Temporal Distillation [74.34220141721231]
  我々は,textbfMixed textbfPrecision textbfQuantizationフレームワークを改良したMPQ-DMv2を提案する。
  論文  参考訳（メタデータ） (2025-07-06T08:16:50Z)
• DnLUT: Ultra-Efficient Color Image Denoising via Channel-Aware Lookup Tables [60.95483707212802]
  DnLUTは、リソース消費を最小限に抑えながら高品質なカラーイメージを実現する、超効率的なルックアップテーブルベースのフレームワークである。 Pairwise Channel Mixer(PCM)は、チャネル間の相関関係と空間的依存関係を並列に効果的にキャプチャし、L字型畳み込み設計により受容界のカバレッジを最大化する。 これらのコンポーネントをトレーニング後に最適化されたルックアップテーブルに変換することで、DnLUTは、CNNの競合であるDnCNNと比較して500KBのストレージと0.1%のエネルギー消費しか必要とせず、20倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-03-20T08:15:29Z)
• AutoLUT: LUT-Based Image Super-Resolution with Automatic Sampling and Adaptive Residual Learning [39.17438080141985]
  我々は,Look-Up Table (LUT) ベースの超解像ネットワークにおいて,ピクセル情報を効果的にキャプチャし,活用するための2つのプラグイン・アンド・プレイ・モジュールを導入する。 本手法は,類似のストレージサイズを維持しつつ, MuLUT と SPF-LUT の双方で大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2025-03-03T14:09:36Z)
• PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution [95.98801201266099]
  拡散に基づく画像超解像(SR)モデルでは、複数のデノナイジングステップのコストで優れた性能を示す。 本稿では,一段階拡散(OSD)画像SR,PassionSRにおける適応スケールの学習後量子化手法を提案する。 我々のPassionSRは、画像SRの最近の先進的な低ビット量子化法に対して大きな利点がある。
  論文  参考訳（メタデータ） (2024-11-26T04:49:42Z)
• Toward DNN of LUTs: Learning Efficient Image Restoration with Multiple Look-Up Tables [47.15181829317732]
  エッジデバイス上の高解像度スクリーンは、効率的な画像復元アルゴリズムに対する強い需要を刺激する。 単一のルックアップテーブルのサイズはインデックス化能力の増加とともに指数関数的に増加する。 本稿では,Mulutと呼ばれるニューラルネットワークのような複数のLUTを構築するための普遍的手法を提案する。
  論文  参考訳（メタデータ） (2023-03-25T16:00:33Z)
• LUT-GEMM: Quantized Matrix Multiplication based on LUTs for Efficient Inference in Large-Scale Generative Language Models [9.727062803700264]
  量子化行列乗算のための効率的なカーネルであるLUT-GEMMを紹介する。 LUT-GEMMは資源集約化プロセスを取り除き、計算コストを削減する。 我々は,3ビット量子化を用いたOPT-175Bモデルに適用した場合,LUT-GEMMはトークン生成遅延を大幅に高速化することを示した。
  論文  参考訳（メタデータ） (2022-06-20T03:48:17Z)
• 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)

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。