トレーニングとデプロイメントのギャップを架ける：有効なクァンタライズ・アウェアな画像增強のためのゲート付きエンコーディングとマルチスケールレファインメント

arXiv:2604.21743v1 Announce Type: cross Abstract: モバイルデバイス向けの画像增強モデルは、高い出力品質とモバイルハードウェアが要求する高速処理速度のバランスをとることに苦労しています。最近の深層学習モデルは、低品質のモバイル写真を高品質な画像に変えることができますが、実際のモバイル電話で使用するために低い精度の形式に変換されると、その性能はしばしば低下します。このトレーニングとデプロイメントの不一致に対処するため、私々はモバイルデプロイ用に专门化された効率的な画像增強モデルを提案します。私たちのアプローチは、細粒度の視覚的特徴を保持するために、ゲート付きエンコーダーブロックとマルチスケールレファインメントを備えた階層型ネットワークアーキテクチャを使用します。さらに、低精度表現の効果のトレーニング中にシミュレーションを行うためのクァンタライズ・アウェアなトレーニング（QAT）を導入します。これにより、ネットワークが適応し、標準的なトレーニング後クァンタライズ（PTQ）で典型的な品質低下を防ぐことができます。実験结果是、提案された方法は、標準的なモバイルデバイスでの実用上の低計算過headを維持しながら、高忠実度の視覚的出力を生成することを示しています。コードは https://github.com/GenAI4E/QATIE.git で利用可能です。

arXiv:2604.21743v1 Announce Type: cross Abstract: Image enhancement models for mobile devices often struggle to balance high output quality with the fast processing speeds required by mobile hardware. While recent deep learning models can enhance low-quality mobile photos into high-quality images, their performance is often degraded when converted to lower-precision formats for actual use on mobile phones. To address this training-deployment mismatch, we propose an efficient image enhancement model designed specifically for mobile deployment. Our approach uses a hierarchical network architecture with gated encoder blocks and multiscale refinement to preserve fine-grained visual features. Moreover, we incorporate Quantization-Aware Training (QAT) to simulate the effects of low-precision representation during the training process. This allows the network to adapt and prevents the typical drop in quality seen with standard post-training quantization (PTQ). Experimental results demonstrate that the proposed method produces high-fidelity visual output while maintaining the low computational overhead needed for practical use on standard mobile devices. The code will be available at https://github.com/GenAI4E/QATIE.git.