💻 computer science

When W4A4 Breaks Camouflaged Object Detection: Token-Group Dual-Constraint Activation Quantization

यह शोध पत्र COD-TDQ को प्रस्तुत करता है, जो एक टोकन-ग्रुप डुअल-कन्स्ट्रेंट एक्टिवेशन क्वांटाइजेशन विधि है जो क्रॉस-टोकन रेंज डोमिनेशन को दबाकर और ज़ीरो-बिन मास को सीमित करके छलावरण वाले ऑब्जेक्ट डिटेक्शन (camouflaged object detection) में आक्रामक W4A4 क्वांटाइजेशन की अनूठी चुनौतियों पर विजय प्राप्त करता है, जिससे यह बिना रिट्रेनिंग के मौजूदा अत्याधुनिक विधियों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Tianqi Li, Wenyu Fang, Xin He, Xue Geng, Xu Cheng, Yun Liu

प्रकाशित 2026-07-16

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tianqi Li, Wenyu Fang, Xin He, Xue Geng, Xu Cheng, Yun Liu

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

कल्पना कीजिए कि आप एक विशाल, बिखरे हुए कमरे में छिपे हुए एक विशिष्ट, छोटे खिलौने को खोजने की कोशिश कर रहे हैं, जो हजारों अन्य खिलौनों से भरा हुआ है जो लगभग एक जैसे ही दिखते हैं। यह कंप्यूटर विज्ञान की एक शाखा, कैमफ्लाज्ड ऑब्जेक्ट डिटेक्शन (COD) के लिए दैनिक चुनौती है। केवल एक चमकीली लाल गेंद को पहचानने के बजाय, इन AI मॉडलों को उन वस्तुओं को खोजना होता है जिन्हें जानबूझकर अपने बैकग्राउंड में घुलने-मिलने के लिए डिज़ाइन किया गया है, जैसे कि एक टहनी पर छिपा हुआ स्टिक इंसेक्ट (छड़ी जैसा कीट) या एक पत्ते पर बैठा गिरगिट। ऐसा करने के लिए, AI केवल बड़े आकार को नहीं देखता; यह सूक्ष्म संकेतों पर निर्भर करता—जैसे कि पत्ते का एक धुंधला किनारा या बनावट (टेक्सचर) में मामूली बदलाव।

अब, कल्पना कीजिए कि आप इस सुपर-स्मार्ट AI को एक स्मार्टफोन या एक छोटे रोबोट पर चलाना चाहते हैं। इन उपकरणों में मेमोरी और बैटरी सीमित होती है, इसलिए वे उस भारी "दिमाग" को नहीं संभाल सकते जिसकी आमतौर पर एक AI को आवश्यकता होती है। इसे फिट करने के लिए, इंजीनियर क्वांटाइजेशन (quantization) नामक एक ट्रिक का उपयोग करते हैं। इसे एक हाई-डेफिनिशन मूवी को लो-रेज़ोल्यूशन वर्जन में बदलने जैसा समझें ताकि स्पेस बचाया जा सके। आप कंप्यूटर द्वारा चीजों को याद रखने के लिए उपयोग किए जाने वाले रंगों और विवरणों (बिट्स) की संख्या को कम कर देते हैं। आमतौर पर, साधारण कार्यों के लिए क्वालिटी को कम करना (4 बिट्स तक) ठीक काम करता है। लेकिन इन छिपी हुई वस्तुओं को खोजने के लिए, कुछ अजीब होता है: AI न केवल थोड़ा धुंधला होता है; बल्कि वह छिपी हुई वस्तु को देखना ही पूरी तरह से भूल जाता है।

यह शोध पत्र जांच करता है कि वह "4-बिट क्लिफ" (4-bit cliff) क्यों होता है और इसे ठीक करने के लिए एक नया टूल बनाता है। शोधकर्ताओं ने पाया कि जब उन्होंने AI के दिमाग को 4 बिट्स में दबाने की कोशिश की, तो इमेज का "शोर वाला" बैकग्राउंड (जैसे कि एक व्यस्त, टेक्सचर्ड दीवार) इतना ज़ोर से चिल्लाया कि उसने छिपी हुई वस्तु के किनारे की "फुसफुसाहट" को दबा दिया। AI का आंतरिक पैमाना बैकग्राउंड के शोर के कारण इतना फैल गया कि छिपी हुई वस्तु के सूक्ष्म, महत्वपूर्ण विवरण दबकर "जीरो बिन" (zero bin) में बदल गए—अर्थात, अस्तित्व से मिट गए। इस समस्या को हल करने के लिए, लेखकों ने COD-TDQ नामक एक विधि बनाई। पूरे इमेज के लिए एक विशाल पैमाने (रूलर) का उपयोग करने के बजाय, उन्होंने पिक्सेल के हर छोटे समूह को अपना खुद का कस्टम-साइज़ वाला पैमाना दिया। उन्होंने एक सुरक्षा गार्डरेल भी जोड़ी ताकि यह सुनिश्चित हो सके कि पैमाना इतना मोटा न हो जाए कि वह गलती से सूक्ष्म संकेतों को मिटा दे। परिणाम? अब AI 4-बिट प्रिसिजन के साथ भी उन चालाकी से छिपी वस्तुओं को लगभग उतनी ही अच्छी तरह से पहचान सकता है जितनी कि उसका विशाल, धीमा संस्करण।

समस्या: जब बैकग्राउंड बहुत ज़ोर से चिल्लाता है

शोधकर्ताओं ने सबसे पहले यह देखा कि मानक 4-बिट क्वांटाइजेशन कैमफ्लाज्ड ऑब्जेक्ट्स के लिए इतनी बुरी तरह क्यों विफल होता है। एक सामान्य इमेज में, बैकग्राउंड और ऑब्जेक्ट के ब्राइटनेस लेवल समान हो सकते हैं। लेकिन एक कैमफ्लाज्ड सीन में, बैकग्राउंड अक्सर बनावट और रंगों का एक अराजक मिश्रण होता है, जबकि ऑब्जेक्ट एक सूक्ष्म, संरचित पैटर्न होता है जो सामने ही छिपा होता है।

जब AI एक इमेज को प्रोसेस करता है, तो वह उसे "टोकन" नामक छोटे टुकड़ों में तोड़ देता है। एक स्टैंडर्ड सेटअप में, ये सभी टोकन एक ही "क्लिपिंग रेंज" साझा करते हैं—इसे पूरे कमरे के लिए वॉल्यूम नॉब (आवाज़ नियंत्रित करने वाला बटन) समझें। यदि किसी एक टोकन में अत्यधिक गतिविधि (जैसे कि बैकग्राउंड का बहुत चमकीला या शोर वाला हिस्सा) होती है, तो उस शोर को संभालने के लिए वॉल्यूम नॉब को बहुत ऊँचा कर दिया जाता है। इससे "स्टेप साइज" (सबसे छोटा विवरण जिसे AI सुन सकता है) बहुत बड़ा हो जाता है।

यही त्रासदी है: छिपी हुई वस्तु के किनारे को परिभाषित करने वाले सूक्ष्म, कमजोर संकेत एक फुसफुसाहट की तरह होते हैं। जब चिल्लाते हुए बैकग्राउंड को संभालने के लिए वॉल्यूम नॉब को ऊपर घुमाया जाता है, तो वे फुसफुसाहट सुनने की सीमा से नीचे गिर जाती हैं। AI के गणित में, उन्हें शून्य (zero) मानकर राउंड डाउन कर दिया जाता है। एक बार जब वे शून्य हो जाते हैं, तो AI उन्हें कभी वापस नहीं पा सकता। पेपर दिखाता है कि यह केवल प्रदर्शन में मामूली गिरावट नहीं है; यह एक पूर्ण पतन है। NC4K नामक एक स्टैंडर्ड टेस्ट सेट पर, एक साधारण 4-बिट प्रयास ने AI के सटीकता स्कोर को 0.888 से गिराकर एक असफल 0.443 पर पहुँचा दिया। बैकग्राउंड के शोर ने प्रभावी रूप से AI को अंधा कर दिया था।

समाधान: हर समूह को अपना खुद का पैमाना देना

इसे ठीक करने के लिए, लेखकों ने COD-TDQ पेश किया, जो एक स्मार्ट साउंड इंजीनियर की तरह काम करता है। उन्होंने महसूस किया कि समस्या पूरी इमेज की नहीं थी; समस्या यह थी कि बैकग्राउंड फोरग्राउंड को डरा रहा था। उनके समाधान में दो मुख्य चरण शामिल हैं:

डायरेक्ट-सम टोकन-ग्रुप (DSTG): पूरी इमेज के लिए एक ही विशाल वॉल्यूम नॉब का उपयोग करने के बजाय, यह विधि इमेज को पिक्सेल के छोटे समूहों (टोकन ग्रुप्स) में विभाजित करती है। प्रत्येक समूह को अपना स्वतंत्र वॉल्यूम नॉब मिलता है। इसका मतलब है कि एक शोर वाला बैकग्राउंड पैच शोर मचा सकता है, लेकिन वह छिपी हुई वस्तु के शांत किनारे को शोर वाला बनाने के लिए मजबूर नहीं कर सकता। यह बैकग्राउंड को हावी होने से रोकता है।
डुअल-कंस्ट्रेंट रेंज प्रोजेक्शन (DCRP): व्यक्तिगत नॉब्स के बावजूद, एक अकेला समूह अभी भी बहुत शोर वाला हो सकता है। इसलिए, दूसरा चरण एक सुरक्षा गार्डरेल के रूप में कार्य करता है। यह प्रत्येक समूह के लिए दो चीजें जाँचता है:
- स्टेप-टू-डिस्पर्शन रेशियो (Step-to-Dispersion Ratio): क्या स्टेप साइज उस समूह की भिन्नता की तुलना में बहुत बड़ा है? यदि ऐसा है, तो रेंज को छोटा करें।
- जीरो-बिन मास (Zero-Bin Mass): क्या बहुत अधिक पिक्सेल शून्य में राउंड हो रहे हैं? यदि "फुसफुसाहट" को चुप कराया जा रहा है, तो उन्हें बचाने के लिए रेंज को और छोटा करें।

इन दोनों को मिलाकर, यह विधि सुनिश्चित करती है कि छिपी हुई वस्तु के सूक्ष्म, संरचित संकेत कभी भी शून्य में न दबें, भले ही बैकग्राउंड अराजक हो।

परिणाम: फुसफुसाहट को बचाना

टीम ने चार अलग-अलग डेटासेट्स और दो अलग-अलग AI मॉडल्स (CFRN और ESCNet) पर इस नई विधि का परीक्षण किया। परिणाम नाटकीय थे।

जबकि अन्य मौजूदा तरीकों ने केवल शोर को कम करने या डेटा को पुनर्व्यवस्थित करने की कोशिश की, वे फिर भी संघर्ष करते रहे। उदाहरण के लिए, NC4K डेटासेट पर, पिछले सर्वश्रेष्ठ तरीके (RepQ-ViT) ने 0.718 का सटीकता स्कोर हासिल किया। हालाँकि, नए COD-TDQ ने 0.837 का स्कोर प्राप्त किया। यह एक बड़ी छलांग है, जो 4-बिट AI को मूल, फुल-क्वालिटी वर्जन (जिसका स्कोर 0.888 था) के लगभग करीब ले आती है।

पेपर ने वास्तविक दुनिया के प्रभाव को भी देखा। उन्होंने नए 4-बिट मेथड का उपयोग करके एक शक्तिशाली ग्राफिक्स कार्ड (NVIDIA RTX 4090) पर AI चलाया। मॉडल अविश्वसनीय रूप से तेज़ और कुशल हो गया:

गति (Speed): इसने प्रति सेकंड 44.21 इमेज प्रोसेस कीं, जो मूल फुल-प्रिसिजन वर्जन की तुलना में लगभग 1.5 गुना तेज़ है।
मेमोरी (Memory): मॉडल का आकार 775.40 MB से घटकर केवल 108.19 MB रह गया।
लेटेंसी (Latency): एक सिंगल इमेज को प्रोसेस करने में केवल 22.61 मिलीसेकंड लगे।

महत्वपूर्ण रूप से, लेखक बताते हैं कि यह सुधार बिना AI को शुरू से फिर से ट्रेन किए (retrain) आता है। यह एक "पोस्ट-ट्रेनिंग" फिक्स के रूप में काम करता है, जिसका अर्थ है कि आप एक मौजूदा, अच्छी तरह से प्रशिक्षित मॉडल को ले सकते हैं और छिपी हुई वस्तुओं को खोजने की अपनी क्षमता खोए बिना इसे छोटे उपकरणों पर चलाने के लिए इस विधि को लागू कर सकते हैं।

इसका क्या अर्थ है

पेपर यह निष्कर्ष निकालता है कि कैमफ्लाज्ड ऑब्जेक्ट्स के लिए 4-बिट AI की विफलता कंप्यूटिंग पावर की कमी नहीं थी, बल्कि यह एक विशिष्ट दोष था कि AI शोर वाले बैकग्राउंड और शांत किनारों के बीच के अंतर को कैसे संभालता था। अलग-अलग हिस्सों के साथ अलग-अलग स्केल का उपयोग करके और महत्वपूर्ण विवरणों को "जीरो" होने से सख्ती से बचाकर, COD-TDQ इन परिष्कृत AI मॉडल्स को अंततः वास्तविक दुनिया के पॉकेट और रोबोट में फिट होने की अनुमति देता है। यह सुझाव देता है कि उन कार्यों के लिए जहाँ सूक्ष्म विवरण मायने रखते हैं, कंप्रेशन के लिए "एक ही आकार सबके लिए" (one-size-fits-all) वाला दृष्टिकोण काम नहीं करता; आपको एक ऐसे तरीके की आवश्यकता है जो फुसफुसाहट को ध्यान से सुन सके।

तकनीकी सारांश: जब W4A4 कैमौफ्लाज ऑब्जेक्ट डिटेक्शन (COD) को विफल कर देता है

1. समस्या विवरण (Problem Statement)

कैमौफ्लाज ऑब्जेक्ट डिटेक्शन (COD) के लिए उन मॉडलों की आवश्यकता होती है जो उन वस्तुओं को सेगमेंट कर सकें जो जानबूझकर अपने बैकग्राउंड के साथ घुलमिल जाती हैं। यह कार्य सूक्ष्म, कम आयाम वाले टेक्सचर और बाउंड्री संकेतों (cues) पर अत्यधिक निर्भर करता है। हालांकि ट्रांसफॉर्मर-आधारित COD मॉडलों ने महत्वपूर्ण प्रदर्शन हासिल किया है, लेकिन उच्च मेमोरी और लेटेंसी लागत के कारण उन्हें एज (edge) और मोबाइल उपकरणों पर तैनात करना कठिन है। पोस्ट-ट्रेनिंग क्वांटाइजेशन (PTQ) बिना रिट्रेनिंग के इन लागतों को कम करने के लिए एक समाधान प्रदान करता है।

हालांकि, लेखक एक महत्वपूर्ण "टास्क-विशिष्ट क्लिफ" (task-specific cliff) की पहचान करते हैं, जो ट्रांसफॉर्मर-आधारित COD मॉडलों पर आक्रामक W4A4 क्वांटाइजेशन (4-बिट वेट्स और 4-बिट एक्टिवेशन्स) लागू करने पर उत्पन्न होता है। मानक वर्गीकरण (classification) या सेगमेंटेशन कार्यों के विपरीत, जहाँ W4A4 का प्रभाव धीरे-धीरे कम होता है, COD मॉडल सटीकता में भारी गिरावट (catastrophic collapse) का सामना करते हैं। शोध में इस विफलता को एक टोकन-लोकल बॉटलनेक (token-local bottleneck) के रूप में निदान किया गया है, जो दो जुड़े हुए तंत्रों द्वारा संचालित है:

रेंज डोमिनेशन (Range Domination): हेवी-टेल्ड बैकग्राउंड टोकन (आउटलेर्स) सभी टोकनों के साझा एक्टिवेशन क्लिपिंग रेंज पर हावी हो जाते हैं। यह क्वांटाइजेशन स्टेप साइज ( $\Delta$ ) को अत्यधिक बड़ा होने के लिए मजबूर करता है ताकि इन आउटलेर्स को समाहित किया जा सके।
जीरो-बिन मास कोलैप्स (Zero-Bin Mass Collapse): बढ़ा हुआ स्टेप साइज कमजोर लेकिन संरचित बाउंड्री संकेतों (जो COD के लिए महत्वपूर्ण हैं) को क्वांटाइजेशन थ्रेशोल्ड ( $\Delta/2$ ) से नीचे धकेल देता है। इसके परिणामस्वरूप, ये संकेत शून्य (zero) में बदल जाते हैं। एक बार शून्य होने के बाद, आगामी अटेंशन मैकेनिज्म लुप्त हुए हस्ताक्षरित साक्ष्य (signed evidence) को पुनः प्राप्त नहीं कर पाते, जिससे मास्क प्रेडिक्शन में वैश्विक विफलता होती है।

मानक PTQ विधियाँ, जो अक्सर लेयर-वाइज रिकंस्ट्रक्शन या औसत फिडेलिटी पर ध्यान केंद्रित करती हैं, इन टोकन-लोकल मेट्रिक्स को स्पष्ट रूप से नियंत्रित करने में विफल रहती हैं, जिसके परिणामस्वरूप W4A4 का प्रदर्शन ~ $S_\alpha$ ~0.88 (FP32) से गिरकर ~0.44 रह जाता है।

2. कार्यप्रणाली: COD-TDQ

इसे संबोधित करने के लिए, लेखक COD-TDQ (COD-aware Token-group Dual-constraint activation Quantization) प्रस्तावित करते हैं, जो एक शुद्ध पोस्ट-ट्रेनिंग फ्रेमवर्क है जो बिना रिट्रेनिंग या हार्डवेयर-विशिष्ट धारणाओं के कार्य करता है। यह विधि टोकन-ग्रुप ग्रेनुलैरिटी पर संचालित होने वाले दो जुड़े हुए मॉड्यूल से बनी है:

A. डायरेक्ट-सम टोकन-ग्रुप (Direct-Sum Token-Group - DSTG)

DSTG का लक्ष्य क्रॉस-टोकन रेंज डोमिनेशन को समाप्त करना है।

तंत्र: प्रत्येक लेयर में सभी टोकनों के लिए एक एकल ग्लोबल क्लिपिंग रेडियस असाइन करने के बजाय, DSTG प्रत्येक टोकन वेक्टर के चैनल डायमेंशन को निश्चित आकार के समूहों (groups) में विभाजित करता है।
कार्य: प्रत्येक टोकन-ग्रुप को अपना स्वयं का एक्टिवेशन स्केल (क्लिप रेडियस) दिया जाता है। यह बैकग्राउंड-भारी टोकनों के स्केलिंग को बाउंड्री-संवेदनशील टोकनों से अलग करता है, जिससे आउटलेर्स पूरे टोकन पॉपुलेशन के लिए रेजोल्यूशन निर्धारित करने से रुक जाते हैं।
प्रभाव: यह टोकनों के बीच रेंज विषमता (range disparity) को काफी कम कर देता है, यह सुनिश्चित करता है कि बाउंड्री समूहों के लिए स्टेप साइज बैकग्राउंड स्पाइक्स के कारण बहुत अधिक न बढ़े।

B. डुअल-कंस्ट्रेंट रेंज प्रोजेक्शन (Dual-Constraint Range Projection - DCRP)

टोकन-ग्रुप स्केलिंग के साथ भी, व्यक्तिगत समूह अभी भी हेवी टेल्स से प्रभावित हो सकते हैं। DCRP प्रत्येक समूह के क्लिप रेडियस को दो स्पष्ट स्थिरता बाधाओं (constraints) को पूरा करने के लिए प्रोजेक्ट करता है:

स्टेप-टू-डिस्पर्शन बाउंड (Constraint C1): यह सुनिश्चित करता है कि स्टेप साइज और समूह के स्टैंडर्ड डेविएशन ( $\sigma$ ) का अनुपात ( $\eta = \Delta / \sigma$ ) एक थ्रेशोल्ड $\tau$ से नीचे रहे। यह 防止 करता है कि क्वांटाइजेशन रेजोल्यूशन सिग्नल के डिस्पर्शन के सापेक्ष बहुत अधिक मोटा (coarse) हो जाए।
जीरो-बिन मास बाउंड (Constraint C2): यह सुनिश्चित करता है कि शून्य में क्वांटाइज होने वाले तत्वों का अंश ( $\rho_0$ ) एक लक्षित थ्रेशोल्ड $zr$ से नीचे रहे। इसे समूह के मैग्नीट्यूड के एम्पीरिकल क्वांटाइल के आधार पर क्लिप रेडियस को सीमित करके लागू किया जाता है।

कार्य: एक समूह के लिए अंतिम क्लिप रेडियस, बेस एस्टीमेट और C1 एवं C2 द्वारा लगाए गए सीमाओं में से न्यूनतम होता है। यह प्रोजेक्शन स्पष्ट रूप से "जीरो-बिन मास कोलैप्स" को रोकता है जो नैव (naive) W4A4 में देखा गया था।

3. मुख्य योगदान

शोध पत्र तीन प्राथमिक योगदानों को रेखांकित करता है:

मैकेनिज्म-ड्रिवन डायग्नोसिस: लेखक विस्तार से विश्लेषण करते हैं कि COD में W4A4 विशेष रूप से क्यों विफल होता है, जिसमें रेंज डोमिनेशन और जीरो-बिन मास कोलैप्स के जुड़े हुए लूप की पहचान की गई है। वे इन विफलताओं को मापने के लिए नैदानिक मेट्रिक्स ( $\Delta$ , $\eta$ , और $\rho_0$ ) पेश करते हैं।
COD-TDQ फ्रेमवर्क: एक नवीन PTQ विधि जो टोकन-ग्रुप स्केलिंग (DSTG) और डुअल-कंस्ट्रेंट प्रोजेक्शन (DCRP) के माध्यम से W4A4 एक्टिवेशन्स को स्थिर करती है। यह इस संदर्भ में टोकन-लोकल एक्टिवेशन क्वांटाइजेशन के लिए स्टेप-टू-डिस्पर्शन रेशियो और जीरो-बिन मास को स्पष्ट रूप से बांधने वाली पहली विधि है।
यूनिफाइड बेंचमार्क: चार COD डेटासेट्स (CAMO, CHAMELEON, COD10K, NC4K) और दो ट्रांसफॉर्मर आर्किटेक्चर (CFRN और ESCNet) पर एक व्यापक W4A4 PTQ बेंचमार्क की स्थापना, जो बेसलाइन विफलताओं को समझाने के लिए डायग्नोस्टिक डेटा प्रदान करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने अत्याधुनिक PTQ विधियों (RepQ-ViT, IGQ-ViT, PTQ4SAM, और SmoothQuant सहित) और नैव क्वांटाइजेशन बेसलाइन्स के विरुद्ध COD-TDQ का मूल्यांकन किया।

सटीकता रिकवरी (Accuracy Recovery): CFRN बैकबोन पर, COD-TDQ ने बिना रिट्रेनिंग के सबसे अच्छे मौजूदा W4A4 क्वांटाइजेशन मेथड की तुलना में लगातार 0.12 से अधिक उच्च $S_\alpha$ $S_{α}$ स्कोर प्राप्त किया।
- उदाहरण (NC4K): नैव W4A4 ने $S_\alpha = 0.443$ प्राप्त किया, जबकि सर्वश्रेष्ठ बेसलाइन (RepQ-ViT) ने $0.718$ तक पहुँच प्राप्त की। COD-TDQ ने $0.837$ प्राप्त किया, जो FP32 बेसलाइन ($0.888$) के लगभग बराबर है।
- उदाहरण (ESCNet): COD-TDQ ने अगली सर्वश्रेष्ठ विधि (RepQ-ViT) के $0.768 $की तुलना में$ 0.881 $का$ S_\alpha$ प्राप्त किया।
*मजबूती (Robustness): विधि ने सभी चार डेटासेट्स और दोनों मॉडल आर्किटेक्चर में निरंतर सुधार दिखाया।
दक्षता (Efficiency): एक NVIDIA RTX 4090 पर ट्राइटन-आधारित INT4 पाथ का उपयोग करके वास्तविक दुनिया के परिनियोजन बेंचमार्क ने दिखाया कि COD-TDQ 44.21 FPS की थ्रूपुट और 834.92 MB का पीक मेमोरी उपयोग प्राप्त करता है। यह FP32 की तुलना में 1.50× थ्रूपुट लाभ और मॉडल के आकार में महत्वपूर्ण कमी (775 MB से ~108 MB तक) को दर्शाता है, जबकि अन्य W4A4 विधियों की तुलना में ओवरहेड नगण्य है।
*गुणात्मक विश्लेषण (Qualitative Analysis): विज़ुअलाइज़ेशन ने पुष्टि की कि COD-TDQ उन पतली सीमाओं (thin boundaries) और लो-कॉन्ट्रास्ट फोरग्राउंड क्षेत्रों को संरक्षित करता है जो नैव W4A4 द्वारा पूरी तरह से मिटा दिए गए थे और अन्य PTQ विधियों द्वारा आंशिक रूप से खो दिए गए थे।

5. महत्व और दावे

शोध पत्र का दावा है कि W4A4 के तहत COD की नाजुकता कम-बिट क्वांटाइजेशन की सामान्य सीमा नहीं है, बल्कि टोकन-वाइज एक्टिवेशन विषमता और कार्य की कमजोर, संरचित संकेतों पर निर्भरता का एक विशिष्ट परिणाम है।

इस कार्य का महत्व है:

पैराडाइम में बदलाव: डेंस प्रेडिक्शन कार्यों के लिए लेयर-वाइज या ब्लॉक-वाइज ऑप्टिमाइज़ेशन से टोकन-लोकल बाधा प्रवर्तन (constraint enforcement) की ओर बढ़ना।
एज परिनियोजन को सक्षम बनाना: यह प्रदर्शित करना कि जटिल ट्रांसफॉर्मर-आधारित COD के लिए बिना रिट्रेनिंग के एज उपकरणों पर W4A4 इन्फरेंस संभव है, बशर्ते कि बाउंड्री संकेतों के विशिष्ट विफलता मोडों को संबोधित किया जाए।
डायग्नोस्टिक फ्रेमवर्क: एक स्पष्ट सेट प्रदान करना ( $\eta$ और $\rho_0$ ) जो यह समझाता है कि पिछली विधियाँ इस विशिष्ट डोमेन में क्यों विफल रहीं, जो भविष्य के क्वांटाइजेशन अनुसंधान के लिए एक रोडमैप प्रदान करता है।

लेखक एक विनम्र लहजा बनाए रखते हैं, यह नोट करते हुए कि उनकी विधि पूरी तरह से पोस्ट-ट्रेनिंग और हार्डवेयर-अज्ञेय (hardware-agnostic) है, और वे टाइट कंस्ट्रेंट्स, डिकोडर-विशिष्ट डायग्नोसिस और क्रॉस-आर्किटेक्चर सामान्यीकरण पर भविष्य के कार्य के लिए आमंत्रित करते हैं।