⚡ electrical engineering

Robust Residual Finite Scalar Quantization for Neural Compression

यह शोध पत्र रूबस्ट रेसिडुअल फाइनाइट स्केलर क्वांटाइजेशन (RFSQ) को प्रस्तुत करता है, जो एक नवीन विधि है जो सीखने योग्य स्केलिंग कारकों और इनवर्टिबल लेयर नॉर्मलाइजेशन को नियोजित करके मल्टी-स्टेज क्वांटाइजेशन में रेसिडुअल मैग्नीट्यूड डिके (अवशिष्ट परिमाण क्षय) की समस्या को दूर करती है, जिससे ऑडियो और इमेज कंप्रेशन कार्यों दोनों में अत्याधुनिक प्रदर्शन प्राप्त होता है।

मूल लेखक: Xiaoxu Zhu, Xiaojie Yu, Guangchao Yao, Yiming Ren, Baoxiang Li

प्रकाशित 2026-04-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaoxu Zhu, Xiaojie Yu, Guangchao Yao, Yiming Ren, Baoxiang Li

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: सूटकेस को कुशलतापूर्वक पैक करना

कल्पना कीजिए कि आप अपने मित्र को एक सुंदर परिदृश्य (landscape) का हाई-डेफिनिशन वीडियो भेजना चाहते हैं, लेकिन आपके पास केवल एक बहुत छोटा और महंगा मेलबॉक्स (एक कम बिटरेट) है। आपको इमेज या ऑडियो को इस तरह कंप्रेस करना होगा कि वह उसमें समा सके, लेकिन आप नहीं चाहते कि वह धुंधला या टूटा हुआ दिखाई दे।

इसे करने के लिए, आधुनिक AI कोडेक्स (codecs) एक तकनीक का उपयोग करते हैं जिसे रेसिडुअल क्वांटाइजेशन (Residual Quantization) कहा जाता है। इसे एक पेंटिंग को फिर से बनाने की कोशिश कर रहे कलाकारों की एक टीम के रूप में सोचें।

कलाकार 1 एक रफ स्केच बनाता है। यह करीब तो है, लेकिन एकदम सटीक नहीं।
कलाकार 2 स्केच और असली पेंटिंग के बीच के अंतर (जिसे "रेसिडुअल" कहा जाता है) को देखता है और केवल उन छूटे हुए विवरणों को पेंट करता है।
कलाकार 3 देखता है कि कलाकार 2 ने क्या छोड़ दिया और सूक्ष्म, बारीक विवरणों को पेंट करता है।

समस्या यह है कि बाद के कलाकार (स्टेज) अक्सर ऊब जाते हैं और आलसी हो जाते हैं क्योंकि जो "अंतर" उन्हें पेंट करना होता है, वह इतना छोटा हो जाता है कि वे अपने कौशल का पूरा उपयोग नहीं कर पाते।

समस्या: "सूक्ष्म सिग्नल" का जाल

लेखकों ने पाया कि जब फाइनाइट स्केलर क्वांटाइजेशन (Finite Scalar Quantization - FSQ) नामक एक विशिष्ट विधि का उपयोग किया जाता है, तो ये "कलाकार" (क्वांटाइजेशन स्टेज) कैसे काम करते हैं, इसमें एक दोष है।

उपमा: एक विशाल रूलर और एक चींटी
कल्पना कीजिए कि FSQ 0 से 100 तक के निशानों वाला एक विशाल रूलर (पैमाना) है। इसे पेड़ या कार जैसी बड़ी चीजों को मापने के लिए डिज़ाइन किया गया है।

स्टेज 1 पेड़ को पूरी तरह से मापता है।
स्टेज 2 को पेड़ और सटीक माप के बीच के सूक्ष्म अंतर को मापना है। लेकिन वह अंतर एक चींटी के आकार का है।

यदि आप एक इंच के निशान वाले विशाल रूलर से चींटी को मापने की कोशिश करते हैं, तो चींटी बस "0" के निशान पर ही बैठी रहेगी। रूलर में 100 निशान हैं, लेकिन चींटी केवल 0 और 1 के बीच की जगह का उपयोग करती है। आप अपने रूलर की 99% क्षमता बर्बाद कर रहे हैं!

तकनीकी शब्दों में, इसे रेसिडुअल मैग्नीट्यूड डिके (Residual Magnitude Decay) कहा जाता है। पहला स्टेज इतना अच्छा काम करता है कि बचा हुआ "त्रुटि" (error) इतना छोटा हो जाता है कि बाद के स्टेज अपनी पूरी क्षमता का उपयोग नहीं कर पाते। वे "खाली" बैठे रहते हैं, जिससे वे उन बिट्स (डेटा स्पेस) को बर्बाद कर देते जिन्हें उन्हें उपयोग करना चाहिए था।

समाधान: RFSQ (स्मार्ट एडजस्टर्स)

लेखक एक नया सिस्टम प्रस्तावित करते हैं जिसे रोबस्ट रेसिडुअल फाइनाइट स्केलर क्वांटाइजेशन (Robust Residual Finite Scalar Quantization - RFSQ) कहा जाता है। वे बाद के चरणों को सूक्ष्म विवरणों को स्पष्ट रूप से देखने में मदद करने के लिए दो "स्मार्ट एडजस्टर्स" जोड़ते हैं।

1. स्केल कंडीशनिंग (मैग्निफाइंग ग्लास/आवर्धक लेंस)

यह कैसे काम करता है: इससे पहले कि अगली स्टेज द्वारा "छोटी चींटी" (रेसिडुअल) को मापा जाए, सिस्टम एक मैग्निफाइंग ग्लास (एक सीखने योग्य स्केलर) लागू करता है।
परिणाम: चींटी को एक कुत्ते के आकार तक बड़ा कर दिया जाता है। अब, विशाल रूलर उसे ठीक से माप सकता है, जिससे वह केवल पहले निशान के बजाय कई निशानों का उपयोग करता है।
सावधानी: आमतौर पर, यदि आप एक बड़ा किया गया सिग्नल भेजते हैं, तो आपको संदेश के साथ "मैग्निफिकेशन फैक्टर" भी भेजना पड़ता है, जिसमें अतिरिक्त स्थान लगता है। लेकिन यहाँ, मैग्निफिकेशन फैक्टर एक निश्चित नियम (fixed rule) है जिसे ट्रेनिंग के दौरान सीखा गया है। भेजने वाले और प्राप्त करने वाले दोनों को यह नियम पता है, इसलिए संदेश में अतिरिक्त स्थान की आवश्यकता नहीं है।

2. लेयरनॉर्म कंडीशनिंग (लेवलिंग टूल/स्तर करने वाला उपकरण)

यह कैसे काम करता है: कभी-कभी, केवल सिग्नल को बड़ा करना ही काफी नहीं होता। "चींटी" बाईं या दाईं ओर खिसक सकती है, या "कुत्ता" टेढ़ा-मेढ़ा हो सकता है। LayerNorm एक लेवलिंग टूल या स्ट्रेटनर की तरह काम करता है। यह डेटा को केंद्रित करता है और सुनिश्चित करता है कि वितरण (distribution) रूलर के सामने पूरी तरह से संतुलित हो।
परिणाम: यह सुनिश्चित करता है कि डेटा न केवल बड़ा है, बल्कि पूरे रूलर रेंज में समान रूप से फैला हुआ भी है। यह आकार की समस्या और "असंतुलन" की समस्या दोनों को ठीक करता है।

यह क्यों महत्वपूर्ण है: परिणाम

शोधकर्ताओं ने दो बहुत अलग चीजों पर इसका परीक्षण किया: स्पीच (ऑडियो) और इमेज (चित्र)।

स्पीच कोडिंग (1.8 kbps):
- यह एक अत्यंत कम डेटा दर है (जैसे एक बहुत पुराना, धीमा फोन कॉल)।
- परिणाम: उनके नए तरीके (RFSQ के साथ LayerNorm) ने पिछले सबसे अच्छे तरीके (RVQ) की तुलना में आवाज को काफी अधिक स्पष्ट और प्राकृतिक बना दिया। इसने "DNSMOS" (एक कंप्यूटर स्कोर जो यह अनुमान लगाता है कि मानव श्रोता गुणवत्ता को कैसे रेट करेंगे) पर उच्च स्कोर प्राप्त किया।
- उपमा: यह एक फटी हुई, रोबोटिक रेडियो ब्रॉडकास्ट को एक स्पष्ट, साफ़ पॉडकास्ट में अपग्रेड करने जैसा है, भले ही आप उसी बहुत कम डेटा का उपयोग कर रहे हों।
इमेज रिकंस्ट्रक्शन (ImageNet):
- उन्होंने छवियों को कंप्रेस और फिर से बनाने का प्रयास किया।
- परिणाम: छवियां अधिक शार्प (तीक्ष्ण) दिख रही थीं, जिनमें बेहतर बनावट (textures) और किनारे (edges) थे। "परसेप्चुअल लॉस" (कि इमेज मानवीय आंखों को कितनी "गलत" लगती है) लगभग 18% गिर गया।
- उपमा: बिना कंडीशनिंग वाला तरीका एक धुंधली फोटो की तरह था जहाँ बारीक विवरण (जैसे बालों के रेशे या कपड़े की बनावट) खो गए थे। नया तरीका उन विवरणों को स्पष्ट रखता है।

"सीक्रेट सॉस": कोई अतिरिक्त लागत नहीं

इस पेपर का सबसे प्रभावशाली हिस्सा इसकी दक्षता (efficiency) है।
आमतौर पर, यदि आप रिसीवर को बताना चाहते हैं, "हे, मैंने इस सिग्नल को 10x बढ़ा दिया है," तो आपको डेटा के साथ "10" संख्या भी भेजनी पड़ती है। इसमें अतिरिक्त बिट्स खर्च होते हैं।

RFSQ में, "मैग्निफिकेशन" और "लेवलिंग" के नियम ग्लोबल कांस्टेंट (global constants) हैं। वे AI मॉडल के भीतर ही समाहित हैं, जैसे कि एक गुप्त हैंडशेक। भेजने वाले और प्राप्त करने वाले दोनों ही इन नियमों को जानते हैं, इसलिए उन्हें हर बार जानकारी साझा करने की आवश्यकता नहीं होती।

लाभ: आप बिना फाइल साइज या डेटा रेट बढ़ाए बहुत बेहतर गुणवत्ता वाला सिग्नल प्राप्त करते हैं।

सारांश

समस्या: मल्टी-स्टेज कंप्रेशन में, बाद के स्टेज "बोर" हो जाते हैं क्योंकि बचा हुआ एरर इतना छोटा होता है कि वे अपनी पूरी क्षमता का उपयोग नहीं कर पाते।
समाधान: स्केल कंडीशनिंग (छोटे एरर को बड़ा करना) और LayerNorm (डेटा को सीधा करना) का उपयोग करें ताकि हर स्टेज अपनी पूरी शक्ति से काम कर सके।
जीत: समान कम डेटा लागत पर बेहतर ध्वनि और स्पष्ट चित्र, जिसमें किसी अतिरिक्त "ओवरहेड" बिट की आवश्यकता नहीं है।

यह आपकी कंप्रेशन टीम को विशेष उपकरणों का एक सेट देने जैसा है जो उन्हें एक आदर्श काम करने में सक्षम बनाता है, भले ही बचा हुआ काम सूक्ष्म (microscopic) क्यों न हो।

यहाँ शोध पत्र "Robust Residual Finite Scalar Quantization for Neural Compression" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण: रेसिडुअल मैग्नीट्यूड डिके (Residual Magnitude Decay)

यह शोध पत्र एक बहु-चरणीय (multi-stage) रेसिडुअल वेक्टर क्वांटाइजेशन (RVQ) ढांचे के भीतर फाइनाइट स्केलर क्वांटाइजेशन (FSQ) को लागू करने में एक मौलिक सीमा की पहचान करता है।

संदर्भ: RVQ क्वांटाइजेशन को चरणों के एक क्रम में विभाजित करता है, जहाँ प्रत्येक चरण पिछले चरण द्वारा छोड़े गए रेसिडुअल एरर (residual error) को क्वांटाइज करता है। FSQ पारंपरिक लर्नड वेक्टर क्वांटाइजेशन (VQ) का एक आकर्षक विकल्प है क्योंकि यह प्रत्येक फीचर डायमेंशन को स्केलर लेवल्स के एक छोटे सेट में स्वतंत्र रूप से क्वांटाइज करता है, जिससे कोडबुक कोलैप्स (codebook collapse) और सहायक ट्रेनिंग लॉस की आवश्यकता समाप्त हो जाती है।
समस्या (रेसिडुअल मैग्नीट्यूड डिके): एक अच्छी तरह से प्रशिक्षित RVQ सिस्टम में, पहला चरण प्रमुख सिग्नल घटकों (dominant signal components) को कैप्चर करता है। फलस्वरूप, दूसरे चरण को दिया जाने वाला रेसिडुअल ( $r_1 = z - q_1$ ) मूल इनपुट ( $z$ ) की तुलना में काफी कम परिमाण (magnitude/norm) रखता है। अनुभवजन्य रूप से, $\|r_k\| \approx \alpha^k \|z\|$ जहाँ $\alpha < 0.3$ है।
परिणाम: FSQ ग्रिड्स को यूनिट-स्केल इनपुट्स के लिए ट्रेनिंग के दौरान कैलिब्रेट किया जाता है। जब एक कम-परिमाण वाले रेसिड्यूल को इन ग्रिड्स में फीड किया जाता है, तो वह उपलब्ध क्वांटाइजेशन लेवल्स के केवल एक संकीर्ण उप-क्षेत्र (narrow sub-region) को ही घेर पाता है।
- परिणाम: अधिकांश क्वांटाइजेशन लेवल्स स्थायी रूप से निष्क्रिय (idle) रहते हैं।
- प्रभाव: इससे प्रभावी बिट उपयोग (effective bit utilization) में भारी गिरावट आती है। उदाहरण के लिए, यदि एक रेसिड्यूल केवल 8 में से 2 लेवल्स को कवर करता है, तो प्रभावी रेट 3 बिट्स से गिरकर 1 बिट हो जाता है, जिससे बाद के चरणों की कोडिंग क्षमता बर्बाद हो जाती है।
- अंतर: यह "रेंज उल्लंघन" (range violation) नहीं है (जहाँ सिग्नल सीमाओं से बाहर निकल जाता है), बल्कि यह "रेंज अंडर-यूटिलाइजेशन" (range under-utilization) की समस्या है, जो मिलीवोल्ट सिग्नल पर फुल-रेंज ADC का उपयोग करने के समान है।

2. कार्यप्रणाली: रोबस्ट रेसिडुअल FSQ (RFSQ)

लेखक RFSQ का प्रस्ताव करते हैं, जो क्वांटाइजेशन से पहले रेसिड्यूल्स को नॉर्मलाइज़ करने के लिए लर्नेबल पर-स्टेज कंडीशनिंग रणनीतियों (learnable per-stage conditioning strategies) को पेश करता है। ये रणनीतियाँ सुनिश्चित करती हैं कि प्रत्येक चरण एक ऐसे सिग्नल पर कार्य करे जो FSQ ग्रिड का पूर्ण उपयोग करता है।

महत्वपूर्ण रूप से, ये कंडीशनिंग पैरामीटर्स ट्रेनिंग के बाद फिक्स्ड ग्लोबल कांस्टेंट्स (global constants) होते हैं। इन्हें एनकोडर और डिकोडर के बीच साझा किया जाता है और इनके लिए कंप्रेस्ड बिटस्ट्रीम में ट्रांसमिशन की आवश्यकता नहीं होती है, जिससे जीरो बिटरेट ओवरहेड सुनिश्चित होता है।

मुख्य कंडीशनिंग रणनीतियाँ:

स्केल कंडीशनिंग (Scale Conditioning):
- प्रत्येक चरण $k$ के लिए एक लर्न करने योग्य स्केलर $\alpha_k$ पेश करता है।
- तंत्र: क्वांटाइजेशन से पहले रेसिड्यूल को प्रवर्धित (amplify) किया जाता ( $\alpha_k \cdot r_{k-1}$ ) और क्वांटाइजेशन के बाद इसे वापस स्केल किया जाता ( $q_k / \alpha_k$ ) ताकि सटीक रेसिड्यूल को पुनर्गठित किया जा सके।
- लक्ष्य: मैग्नीट्यूड डिके की भरपाई करना, यह सुनिश्चित करना कि सिग्नल FSQ ग्रिड की इष्टतम ऑपरेटिंग रेंज तक पहुँचे।
- सीमा: यह मैग्नीट्यूड को ठीक करता है लेकिन वितरण के आकार (प्रति डायमेंशन मीन और वेरिएंस) को अनियंत्रित छोड़ देता है।
लेयरनॉर्म कंडीशनिंग (LayerNorm Conditioning):
- प्रत्येक चरण के लिए लर्न करने योग्य मीन ( $\mu_k$ ) और स्टैंडर्ड डेविएशन ( $\sigma_k$ ) वेक्टर्स पेश करता है।
- तंत्र: रेसिड्यूल पर एक इन्वर्टिबल एफ़ाइन ट्रांसफॉर्मेशन (लेयर नॉर्मलाइजेशन) लागू करता है: $\hat{r}_{k-1} = (r_{k-1} - \mu_k) / \sigma_k$ । पुनर्निर्माण (reconstruction) के दौरान उल्टा (inverse) ट्रांसफॉर्मेशन लागू किया जाता है।
- लक्ष्य: रेसिड्यूल के पूर्ण वितरण आकार (distribution shape) को मानकीकृत करना। यह न केवल परिमाण को ठीक करता है, बल्कि व्यवस्थित नॉन-जीरो मीन्स (जो एसिमेट्रिक राउंडिंग के कारण होते हैं) और प्रति-डायमेंशन असमान वेरिएंस को भी ठीक करता है।
- लाभ: यह अधिक व्यापक नॉर्मलाइजेशन प्रदान करता है, यह सुनिश्चित करता है कि रेसिड्यूल डिस्ट्रीब्यूशन फिक्स्ड FSQ ग्रिड की यूनिफॉर्म धारणाओं से मेल खाता है।

पुनर्निर्माण (Reconstruction): दोनों विधियाँ सटीक इन्वर्टिबिलिटी (exact invertibility) की गारंटी देती हैं। डिकोडर कंडीशनिंग को उलटने के लिए उन्हीं फिक्स्ड ग्लोबल पैरामीटर्स का उपयोग करता है, जिससे अनुमान त्रुटियों (approximation errors) के बिना क्वांटाइज्ड रिप्रेजेंटेशन का लॉसलेस पुनर्निर्माण संभव होता है।

3. मुख्य योगदान

रेसिडुअल मैग्नीट्यूड डिके का निदान: शोध पत्र औपचारिक रूप से मल्टी-स्टेज FSQ में "रेसिडुअल मैग्नीट्यूड डिके" की समस्या की पहचान और लक्षण वर्णन करता है, और समझाता है कि क्यों साधारण रेसिडुअल FSQ कोडिंग क्षमता का कुशलतापूर्वक उपयोग करने में विफल रहता है।
नवीन कंडीशनिंग फ्रेमवर्क: RFSQ के साथ दो कंडीशनिंग रणनीतियों (स्केल और लेयरनॉर्म) का प्रस्ताव करता है जो बिटरेट-फ्री हैं (पैरामीटर्स ग्लोबल कांस्टेंट हैं, ट्रांसमिटेड साइड इंफॉर्मेशन नहीं)।
इन्वर्टिबल डिज़ाइन: यह प्रदर्शित करता है कि जटिल नॉर्मलाइजेशन को बिना न्यूरल कोडेक्स के लिए आवश्यक सटीक पुनर्निर्माण गुण से समझौता किए, क्वांटाइजेशन पाइपलाइन में कैसे एकीकृत किया जा सकता है।
क्रॉस-मोडल वैलिडेशन: स्पीच कोडिंग (ऑडियो) और इमेज रिकंस्ट्रक्शन (विजुअल) दोनों पर इस दृष्टिकोण को सत्यापित करता है, जो एकल मोडैलिटी से परे इसकी सामान्यीकरण क्षमता को सिद्ध करता है।

4. प्रयोगात्मक परिणाम

A. स्पीच कोडिंग (1.8 kbps)

सेटअप: Emilia डेटासेट पर EnCodec आर्किटेक्चर (25M पैरामीटर्स) का उपयोग करके मूल्यांकन किया गया।
मेट्रिक्स: DNSMOS (ऑब्जेक्टिव) और MOS (सब्जेक्टिव)।
प्रदर्शन:
- RFSQ-4S-NU-LN (4 चरण, नॉन-यूनिफॉर्म बिट एलोकेशन, लेयरनॉर्म) ने 3.646 का DNSMOS स्कोर प्राप्त किया।
- इसने मजबूत RVQ बेसलाइन (3.518) को 3.6% से पछाड़ दिया।
- यह मूल ऑडियो (3.810) से केवल 4.3% पीछे रहा।
एब्लेशन अंतर्दृष्टि (Ablation Insights):
- अनकंडीशन्ड RFSQ ने 3.187 स्कोर किया, जो लेयरनॉर्म संस्करण की तुलना में 14.4% की गिरावट है, जो मैग्नीट्यूड डिके की गंभीरता की पुष्टि करता है।
- स्केल कंडीशनिंग (3.421) ने नुकसान की काफी भरपाई की, लेकिन लेयरनॉर्म ने 6.6% का अतिरिक्त सापेक्ष लाभ प्रदान किया, जिससे सिद्ध हुआ कि डिस्ट्रीब्यूशन शेप का मानकीकरण महत्वपूर्ण है।
- नॉन-यूनिफॉर्म बिट एलोकेशन (8/6/5/5 बिट्स) यूनिफॉर्म एलोकेशन से बेहतर रहा, जो कि अधिक ऊर्जा कैप्चर करने वाले शुरुआती चरणों के सिद्धांत के अनुरूप है।

B. इमेज रिकंस्ट्रक्शन (ImageNet 128x128)

सेटअप: लाइटवेट CNN ऑटोएनकोडर।
40 बिट्स पर परिणाम:
- लेयरनॉर्म कंडीशनिंग ने अनकंडीशन्ड बेसलाइन की तुलना में L1 लॉस को 9.7% और परसेप्चुअल लॉस (LPIPS) को 17.4% कम कर दिया।
- PSNR 22.2 dB से बढ़कर 22.9 dB हो गया।
परसेप्चुअल प्रभाव: L1/PSNR की तुलना में LPIPS में बड़ा लाभ यह सुझाव देता है कि कंडीशनिंग हाई-फ्रीक्वेंसी टेक्सचर और बारीक विवरणों के पुनर्निर्माण में महत्वपूर्ण सुधार करती है, जो अक्सर मैग्नीट्यूड डिके के कारण बाद के चरणों के "निष्क्रिय" होने पर खो जाते हैं।

5. महत्व और निष्कर्ष

दक्षता: RFSQ मल्टी-स्टेज रेसिडुअल चेन्स में FSQ का उपयोग करने में सक्षम बनाता है, बिना पारंपरिक VQ की ट्रेनिंग अस्थिरता या कोडबुक कोलैप्स जैसी समस्याओं के, जबकि रेसिडुअल डिके की विशिष्ट दक्षता बाधा को हल करता है।
जीरो-ओवरहेड: उन एडेप्टिव क्वांटाइजेशन स्कीमों के विपरीत जो प्रति फ्रेम स्केल फैक्टर्स ट्रांसमिट करती हैं, RFSQ के कंडीशनिंग पैरामीटर्स ग्लोबल कांस्टेंट हैं, जो कंप्रेस्ड स्ट्रीम में जीरो बिट्स जोड़ते हैं।
स्टेट-ऑफ-द-आर्ट: यह विधि FSQ की प्रशिक्षण सरलता बनाए रखते हुए जटिल RVQ बेसलाइन्स (जैसे EnCodec में) के प्रतिस्पर्धी या उससे बेहतर प्रदर्शन करती है।
भविष्य की दिशाएँ: लेखक वेरिएबल-रेट कोडिंग, एडेप्टिव स्टेज सिलेक्शन और स्ट्रीमिंग अनुप्रयोगों के लिए कॉज़ल वेरिएंट के विस्तार का सुझाव देते हैं।

संक्षेप में, RFSQ एक हल्का, इन्वर्टिबल और बिटरेट-फ्री नॉर्मलाइजेशन मैकेनिज्म पेश करके FSQ की सादगी और उच्च-फिडेलिटी आवश्यकताओं के बीच के अंतर को पाटता है, जिससे यह सुनिश्चित होता है कि क्वांटाइजेशन चेन का प्रत्येक चरण अपने शिखर दक्षता पर कार्य करे।