RefQSR: Reference-based Quantization for Image Super-Resolution Networks

单幅图像超分辨率（SISR）旨在从低分辨率观测中重建高分辨率图像。最近基于深度学习的SISR模型表现出高性能，但计算成本增加，限制了它们在资源受限环境中的使用。作为计算效率高的网络设计的有希望的解决方案，网络量化已经得到广泛研究。然而，现有的针对SISR开发的量化方法尚未有效利用图像自相似性，这是本研究探索的一个新方向。我们引入了一种称为基于参考的图像超分辨率量化（RefQSR）的新方法，该方法将高位量化应用于几个代表性的补丁，并将它们用作图像其余补丁的低位量化的参考。为此，我们设计了专用的补丁聚类和基于参考的量化模块，并将它们集成到现有的SISR网络量化方法中。实验结果证明了RefQSR在各种SISR网络和量化方法上的有效性。

本篇论文旨在解决单图像超分辨率（SISR）中深度学习模型高计算成本的问题，提出一种新的网络量化方法——基于参考的量化（RefQSR），以更加有效地利用图像的自相似性。

RefQSR方法将高比特量化应用于几个代表性的图像块，并将它们用作图像其余块的低比特量化的参考，以此来减少计算成本，同时保持较高的性能。

论文设计了专门的图像块聚类和基于参考的量化模块，并将它们整合到现有的SISR网络量化方法中。实验结果表明，RefQSR在各种SISR网络和量化方法上都取得了良好的效果。论文使用了多个数据集进行实验，并提供了开源代码。

与本文相关的研究包括：1.基于量化卷积神经网络的SISR方法；2.基于深度学习的图像超分辨率方法；3.网络量化在其他计算机视觉任务中的应用等。