边界敏感量化

一句话定义

边界敏感量化指低比特量化时不把位宽均匀铺满整层，而是按「哪些数值更值钱」来分配：分配维度随特征深度切换，重建目标对边界附近的误差加重。它要保住的是决定轮廓与弱前景的那一小部分数值，而不是整幅图的平均还原度。

它解决什么问题

后训练量化（PTQ）的常规做法是在整层范围内优化量化器或重建网络块，而且从头到尾用同一个分配维度——要么按通道，要么按整个张量。对分类任务这问题不大：类别由整幅图的统计特征决定，轮廓糊一点也不改 argmax。

检测任务不是这样。物体的位置由边界决定，而边界恰好是少量高梯度、低对比度的像素。位宽压到 2 位（W2A2）时，这些位置最先被量化台阶吃掉，表现是框收缩、相邻目标粘连、小目标整块消失。arXiv 上的 AxisQ（2610.36844）针对的就是这类依赖弱纹理与模糊边界的任务——伪装目标检测（COD）。

关键做法

论文的出发点是观察：有用的分配维度会随特征深度变化。

浅层特征图分辨率高、通道之间动态范围差异大，按通道域分配位宽更划算。
深层特征图分辨率低、能量集中在少数局部频段，按局部频率域分配更划算。
两者服从同一个约束：每层平均激活位宽预算固定，只是把预算在不同维度上切开。

分配依据不是通用敏感度，而是任务相关的敏感度——衡量某个通道或频段被量化后，弱前景与模糊边界掉了多少。这样深层不会把位宽平摊到已经高度抽象、本身就不需要精确数值的特征上。

重建环节的改动同样针对边界：常规做法用输出误差的 Hessian 近似来决定补偿量，AxisQ 把边界加权的梯度与误差统计并进这个近似，让补偿偏向边界附近的残差。

效果上，CAMO 数据集、W2A2 量化下，加权 F 度量相对最强基线，CFRN 提升 12.7%，CamoFormer-P 提升 33.3%。作者将结论表述为「分配域随深度切换」，认为这一策略可以迁移到其他层次化骨干网络。

常见误区

以为位宽越低越要平均保守。 在固定平均位宽的约束下，均匀分配通常不是最优解，预算需要向敏感维度倾斜。
把通道敏感度和频域敏感度当同一件事。 两者在不同深度上的效率不一样，混用会白花预算。
只调量化器，不动重建目标。 量化器决定格点，重建决定补偿往哪放。边界处的误差分布与平坦区域不同，同一套重建权重压不住。
拿整体 mAP 验收。 边界类错误集中在少数样本上，平均指标会把它们稀释掉。

用不上的时候

任务是整图分类或整段音频打标签，输出不依赖精确轮廓。
位宽在 8 位以上、精度损失本来就在随机波动范围内，边际收益小于调试成本。
部署硬件不支持按通道或按频段的混合位宽。预算切得再细，落不到算子上也只是一张表。

参考

arXiv:2610.36844，AxisQ: Depth-Adaptive Channel–Frequency Quantization for Camouflaged Object Detection（2026-10-27）。在每层平均激活位宽预算固定的前提下，浅层按通道域、深层按局部频率域分配精度；重建使用边界加权的 Hessian 近似；CAMO 上 W2A2 量化时加权 F 相对提升 CFRN 12.7%、CamoFormer-P 33.3%。