PTQ 的工程位置
Post-Training Quantization 在基础模型训练完成后处理权重与激活，避免完整再训练的成本。它特别适合已有权重、但部署资源紧张的场景。
自我图书馆SELF LIBRARY持续整理中SHELF 02 / PASSIONSR · CASE STUDY
PassionSR
把单步扩散超分压进低比特。
基于 CVPR 2025 论文与官方代码，拆解 PassionSR 如何为 One-Step Diffusion（单步扩散，简称 OSD）图像超分辨率建立 Post-Training Quantization（后训练量化，简称 PTQ）路径。
W8A8 权重 / 激活W6A6 低比特配置500 校准图像
01 / WHY THIS WORK APPEARED
单步扩散已经减少了采样次数，
却仍然不等于可部署。
扩散式图像超分辨率通常依赖多步去噪来获得较高视觉质量。One-Step Diffusion 将这条采样链压缩为一次前向，但 U-Net、Variational Autoencoder（变分自编码器，简称 VAE）、中间激活和高分辨率图像的内存开销依然很高。PassionSR 在 2025 年关注的核心问题正是：能否在不重新训练基础模型的前提下，用低比特 PTQ 让 OSD 超分更接近设备端部署条件。
它的核心优势在于把量化问题从“固定截断”变成“可校准的分布调整”。
论文将 OSD 超分模型简化为 U-Net 与 VAE 两个核心组件，移除 CLIPEncoder；随后通过可学习的量化边界与等价变换调整激活和权重的数值范围，并使用分布式校准稳定量化参数。论文报告 W8A8 与 W6A6 可获得与全精度模型可比的视觉结果，这一结论对应其给定的模型、校准数据和评测协议，迁移到其他任务仍需重新验证。
扩散超分的敏感性
超分辨率既要恢复低频结构，也要恢复高频纹理。激活离群值、通道尺度差异和注意力计算都可能让简单 MinMax 量化留下可见伪影。
低位宽不是免费性能
较低位宽会降低存储和带宽压力，但真实速度还依赖目标设备是否有匹配 kernel、量化算子是否被后端接收，以及是否引入额外的格式转换。
02 / THREE CORE IDEAS
边界、等价变换、
分布式校准。
PassionSR 的方法由三个相互配合的部分组成：先让量化范围可学习，再在保持浮点运算语义的前提下重整分布，最后以校准策略优化这些参数。它们分别对应“量化范围怎么选”“数值分布怎么变得更友好”“如何让优化稳定收敛”。
Learnable Boundary Quantizer
Learnable Boundary Quantizer（可学习边界量化器，简称 LBQ）将截断范围与量化步长纳入校准，使离群值和有效动态范围可以围绕重建误差调整，而非完全由一次统计确定。
Learnable Equivalent Transformation
Learnable Equivalent Transformation（可学习等价变换，简称 LET）通过互逆缩放与偏移重参数化输入和权重，保持原浮点层的功能等价，同时降低量化器面对的通道间尺度差异。
注意力路径的尺度
代码中的量化注意力模块分别维护 Query–Key 与 Value–Weight 路径的 scale factor。这样可以在不破坏相关性计算关系的前提下，改善量化前的数值条件。
Distributed Quantization Calibration
Distributed Quantization Calibration（分布式量化校准，简称 DQC）分阶段处理量化参数的优化，目标是降低联合校准的不稳定性，并在有限校准预算下更快收敛。
x′ = (x − offset) / s，W′ = W · s官方量化层对卷积、线性和注意力路径维护可学习 scale factor 与 offset。互逆变换在浮点语义上保持等价，而量化器看到的是重新平衡后的动态范围。
03 / CODE PATH
从官方入口，
追踪一次校准流程。
官方仓库以 ptq_quantize_single.py 为入口。当前实现读取 Stable Diffusion 配置后拆出 VAE 与 U-Net，加载 OSEDiff 的 LoRA 权重和空文本条件；随后收集低分辨率图像、latent、时间步、U-Net 输出、重建 latent 和高分辨率真值作为校准数据，再将卷积、线性层和注意力模块替换为量化版本。
LOAD
→SD 2.1 + OSEDiff
加载基础配置、权重、LoRA 与调度器
COLLECT
→Calibration Set
收集 LR、latent、条件、U-Net 输出与 HR 真值
WRAP
→Quantized Layers
替换卷积、线性和注意力内的量化路径
MEASURE
Quality + Runtime
用真实 SR 数据与目标设备核验质量和性能
CUDA_VISIBLE_DEVICES="0" python ptq_quantize_single.py --config_file scripts/PTQ/config/UV/saw_sep/saw_U_W8A8_V_W8A8.yaml这是官方 README 提供的 W8A8 入口示例。配置文件、CUDA 版本、权重路径、校准数据和目标设备都属于实验条件，不能在其他环境中直接视为默认配置。
04 / REPRODUCTION & DEPLOYMENT
读懂论文后，
仍需在自己的任务上重新做验证。
PTQ 的结果强依赖基座模型、输入图像分布、校准集、位宽、量化粒度和硬件后端。论文中的 W8A8 与 W6A6 是清晰的研究设置，而部署过程应将图像质量、端到端延迟、峰值显存和实际算子覆盖放在同一张验证表里。
校准集覆盖
校准数据需要包含目标业务的纹理、亮度、尺寸和退化类型。只用少量“干净”的样本，往往会低估线上量化误差。
图像质量对比
同时比较重建指标、局部纹理、边缘与真实场景视觉结果。单一均值指标无法覆盖所有感知退化。
目标后端测量
将 PyTorch 的低比特模拟结果与部署引擎的实际执行区分开来。只有目标 backend 落地对应低比特 kernel，才会出现预期的延迟与能耗收益。
READING LIST / ORIGINAL SOURCES
PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution · CVPR 2025↗PassionSR 官方代码库↗PassionSR arXiv 预印本↗OSEDiff: One-Step Diffusion for Real-World Image Super-Resolution↗
技术结论以原始论文、官方仓库和对应版本文档为准。工程解释用于帮助理解，不替代许可证、支持矩阵与目标设备上的实验验证。