HAMP-LIC: Hessian-Aware Mixed-Precision Post-Training Quantization for Learned Image Compression
Di cosa parla
Si tratta di un metodo per rendere più piccoli e portabili modelli che comprimono immagini, intervenendo dopo che il modello è già stato addestrato. L'idea è capire quali parti del modello perdono più qualità quando si riduce la precisione numerica, assegnare livelli di precisione diversi alle varie parti e poi correggere gli errori residui usando un piccolo insieme di immagini di prova, in modo da mantenere la qualità visiva e ridurre le discrepanze tra dispositivi diversi.
Cosa permette di osservare
Consente di esplorare come bilanciare spazio occupato e qualità delle immagini, come adattare lo stesso modello a hardware differenti senza ricominciare l'addestramento e quali componenti del modello sono più critici per la qualità percepita.
Dalla fonte
Use this plain-text version for the arXiv abstract field: Learned image compression (LIC) models achieve strong rate-distortion performance but are hindered by high computational complexity and encoding-decoding mismatches across heterogeneous hardware platforms. Uniform fixed-precision quantization alleviates these issues but suffers severe quality degradation at low bit widths because it ignores differences in the quantization sensitivities of individual layers. To enable efficient and accurate low-bit deployment of pretrained LIC models, we propose HAMP-LIC, a Hessian-aware mixed-precision post-training quantization (PTQ) framework with a four-stage optimization strategy. First, block-wise sensitivity is estimated from the Hessian trace to capture second-order importance. Second, a task-aware refinement module adjusts these sensitivities by jointly considering quantization distortion…