論文の概要: PTQ4SAM3: Semantics-Preserving Post-Training Quantization for Segment Anything Model 3

• arxiv url: http://arxiv.org/abs/2611.06143v1
• Date: Wed, 04 Nov 2026 08:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.026675
• Title: PTQ4SAM3: Semantics-Preserving Post-Training Quantization for Segment Anything Model 3
• Title（参考訳）: PTQ4SAM3:Seegment Anything Model 3のセマンティックス保存後量子化
• Abstract要約: Segment Anything Model 3は、テキストプロンプトからオブジェクトを分割し、ビデオ間で追跡するが、そのメモリと計算コストは、デプロイを難しくする。 本稿では,セマンティックス保存量子化(SPQ)を提案する。 LVIS、RefCOCO変種、SA-Vの実験は、一貫した利得を示した。
• 参考スコア（独自算出の注目度）: 21.41362513435158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segment Anything Model 3 (SAM 3) can segment objects from text prompts and track them across video, but its memory and computation costs make deployment difficult. Post-training quantization (PTQ) reduces these costs by using fewer bits. However, a quantized model can select the wrong object or lose track of its target across frames. We call this prompt-alignment drift. Controlled tests show that perturbing low-variance feature directions strongly affects target selection. We propose Semantics-Preserving Quantization (SPQ), which gives more calibration weight to concept-sensitive parameters, preserves residual features, and corrects the mean error in video memory. Fixed text concepts guide calibration without task annotations. All three components operate offline and add no inference operators. With a W4A8 image encoder, SPQ improves RefCOCO Pr@0.5 from 42.1 to 72.5 over PTQ4SAM while retaining 54.8 COCO mask AP. Experiments on LVIS, RefCOCO variants, and SA-V show consistent gains. A CLIP study also shows improved image-text retrieval.
• Abstract（参考訳）: Segment Anything Model 3 (SAM 3) は、テキストプロンプトからオブジェクトを分割し、ビデオ間で追跡するが、そのメモリと計算コストは、デプロイを困難にする。 後トレーニング量子化(PTQ)はビット数を減らしてこれらのコストを削減する。 しかし、量子化されたモデルでは、間違ったオブジェクトを選択したり、フレーム間でターゲットのトラックを失うことができる。 私たちはこの急流を急流と呼ぶ。 制御試験により,低分散特徴方向の摂動がターゲット選択に強く影響を及ぼすことが示された。 本稿では,概念に敏感なパラメータに対してキャリブレーション重みを与えるセマンティックス保存量子化(SPQ)を提案し,残像を保存し,ビデオメモリの平均誤差を補正する。 修正テキストの概念は、タスクアノテーションなしでキャリブレーションをガイドする。 3つのコンポーネントはいずれもオフラインで動作し、推論演算子を追加しない。 W4A8イメージエンコーダにより、SPQはRefCOCO Pr@0.5をPTQ4SAM上で42.1から72.5に改善し、54.8COCOマスクAPを保持する。 LVIS、RefCOCO変種、SA-Vの実験は、一貫した利得を示した。 CLIP研究は、画像テキスト検索の改善も示した。

関連論文リスト

• Quantize by Doing: Task-Guided Mixed-Precision Quantization of Vision-Language-Action Models [9.740410892223112]
  後学習量子化(PTQ)は視覚言語アクション(VLA)モデルのメモリフットプリントを削減する。 タスク誘導型混合精度量子化法である textbfQbD-VLA を提案する。 実験では、平均4ビットの重みとアクティベーションの6ビット未満の平均精度でタスク性能を示す。
  論文  参考訳（メタデータ） (2026-10-28T18:46:57Z)
• Beyond 4 bits: Data-Centric Post-training Quantization and Recovery [11.5055461509532]
  後トレーニング量子化(PTQ)は、限られた計算量とデータで訓練されたモデルの重みを圧縮する。 実装の詳細として扱われる3つの選択について検討するが、2ビットの品質は決定する。 このレシピは、ベクターコードブック表現、小さなタスクアラインなキャリブレーションミックス、安価なコードブックのみのリカバリステージを含む。
  論文  参考訳（メタデータ） (2026-10-20T17:10:04Z)
• SPHQuant: Efficient extreme low bit weight quantization for Vision-Language Models [39.24504021613771]
  視覚言語モデルのための回転自由球面量のみの量子化フレームワークを提案する。 カルテシアン座標に直接重みを量子化する代わりに、各8次元重みベクトルを座標記号、半径、正の単位方向に分解する。 実験により、最先端の極低ビット量子化法の性能と一致することが示された。
  論文  参考訳（メタデータ） (2026-09-21T16:46:46Z)
• What CLIP Knows but Cannot Say: Recovering Negation from Frozen Intermediate Features [3.9492850032415876]
  CLIPのような対照的な視覚言語モデルは、意味論的に逆のフレーズをほぼ同一の埋め込みにマッピングする。 中層は構成構文を構築するが、最終層は視覚的アライメントが上昇するにつれてこの構造を崩壊させる。 本稿では,ピーク時のエンコーダを傍受する軽量なポストホック補正システムであるPeakPatchを提案する。
  論文  参考訳（メタデータ） (2026-07-25T16:15:50Z)
• What Survives When You Compress a Recursive Reasoner for the Edge? [15.460381731793975]
  再帰的推論モデルは、潜伏状態を繰り返し更新することで、数百万のパラメータだけで複雑な構造化タスクを解くことができる。 攻撃的な圧縮は局所的な予測を保存するが、グローバルな推論を損なう。 我々は,この損傷とその回復を予測できるラベルのない信号として,フル精度推論経路に類似した搬送軌道の忠実さを導入する。
  論文  参考訳（メタデータ） (2026-06-25T00:47:15Z)
• The 1st Winner for 5th PVUW MeViS-Text Challenge: Strong MLLMs Meet SAM3 for Referring Video Object Segmentation [65.24213788883016]
  本報告では,第5回PVUW MeViS-Text Challengeの優勝ソリューションについて述べる。 私たちは、強力なマルチモーダルな大規模言語モデルとSAM3を組み合わせた、完全にトレーニング不要なパイプラインを構築しています。 我々の手法はPVUW 2026 MeViS-Textテストセットで第1位であり、最終スコアは0.909064、J&Fスコアは0.7897026である。
  論文  参考訳（メタデータ） (2026-04-01T02:42:30Z)
• SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models [61.474101404805545]
  拡散モデルは高品質なイメージを生成することができるが、スケールするにつれて、メモリ要求が増加し、より高いレイテンシがデプロイメント上の課題を引き起こす。 この制限を克服する新しい4ビット量子化パラダイムであるSVDQuantを提案する。 We reduce the memory usage for the 12B FLUX.1 models by 3.5$times$, achieved 3.0$times$ speedup over the 4-bit weight-only Quantization (W4A16) baseline。
  論文  参考訳（メタデータ） (2024-11-07T18:59:58Z)
• FlatQuant: Flatness Matters for LLM Quantization [58.28221892035609]
  重みとアクティベーションの平坦性を高める新しいポストトレーニング量子化手法であるFlatQuantを提案する。 本手法では, 線形層毎の最適アフィン変換を, 軽量な目的により数時間で調整する。 LLaMA-3-70BモデルでのW4A4量子化の精度は1%以下で、SpinQuantを7.5%上回る。
  論文  参考訳（メタデータ） (2024-10-12T08:10:28Z)
• Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
  ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。 全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
  論文  参考訳（メタデータ） (2021-03-31T06:05:40Z)

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。