AdaBM: On-the-Fly Adaptive Bit Mapping for Image Super-Resolution

尽管深度神经网络在图像超分辨率（SR）问题上取得了前所未有的恢复精度，但由于计算成本巨大，其应用仍然受到限制。由于SR的不同输入图像面临不同的恢复困难，基于输入图像适应计算成本，即自适应推断，已成为压缩SR网络的一种有前途的解决方案。具体来说，成功地调整量化位宽降低了推断和存储成本，而不牺牲准确性。然而，尽管自适应网络的好处，现有的工作仍依赖于时间密集的量化感知训练，需要完全访问原始训练对来学习适当的位分配策略，这限制了其普遍使用。为此，我们引入了第一个即时自适应量化框架，将处理时间从几小时加速到几秒钟。我们用仅两个位映射模块来制定位分配问题：一个将输入图像映射到图像适应位因子，另一个获得层适应因子。这些位映射仅使用少量校准图像进行校准和微调。我们实现了与先前的自适应量化方法相竞争的性能，同时处理时间加速了2000倍。代码可在https://github.com/Cheeun/AdaBM上获得。

论文旨在解决图像超分辨率问题的计算成本高的限制，提出了一种自适应量化框架来压缩超分辨率网络。

论文提出了一种只需要少量校准图像的实时自适应量化框架，可以将处理时间从数小时缩短到数秒。

论文的实验结果显示，该自适应量化框架在不影响精度的情况下，将处理时间加速了2000倍。此外，作者在Github上公开了代码。

在相关研究中，已经有一些关于自适应量化的方法被提出，比如AdaDeep、DeepIoT和QIL等。