Abstract:
Studi ini menyajikan implementasi model Real-ESRGAN dengan teknik kuantisasi pada
beberapa unit pemrosesan, termasuk Unit Pemrosesan Pusat (CPU), Unit
Pemrosesan Grafis (GPU), dan Unit Pemrosesan Neural (NPU) untuk
superresolusi gambar offline. Penelitian ini dimotivasi oleh meningkatnya
permintaan akan gambar digital berkualitas tinggi dan keterbatasan komputasi
perangkat konvensional dalam mengeksekusi model pembelajaran mendalam
yang kompleks. Untuk mengatasi masalah ini, akselerasi perangkat keras dan
teknik kuantisasi menggunakan presisi FP16 dan INT8 diterapkan untuk
meningkatkan efisiensi komputasi dan mengurangi beban kerja inferensi. Studi ini
menggunakan desain faktorial eksperimental untuk mengevaluasi dampak jenis
unit pemrosesan dan presisi model pada kualitas gambar dan kinerja komputasi.
Proses implementasi meliputi konversi model dari ONNX ke OpenVINO
Intermediate Representation (IR), diikuti oleh Post-Training Quantization (PTQ)
dan penyebaran menggunakan OpenVINO Runtime. Evaluasi kinerja dilakukan
menggunakan metrik PSNR, SSIM, MSE, RMSE, dan latensi inferensi. Hasil
eksperimen menunjukkan bahwa FP16 menghasilkan kualitas rekonstruksi
gambar yang lebih baik dengan nilai PSNR dan SSIM yang lebih tinggi,
sedangkan INT8 mencapai latensi inferensi yang lebih rendah dan efisiensi
komputasi yang lebih tinggi. Lebih lanjut, NPU menunjukkan kinerja inferensi
yang lebih efisien dibandingkan dengan CPU dan GPU untuk skenario penerapan
offline. Studi ini juga mengungkapkan adanya trade-off antara kualitas gambar
dan efisiensi komputasi tergantung pada presisi yang dipilih dan konfigurasi unit
pemrosesan. Oleh karena itu, implementasi yang diusulkan menunjukkan
kelayakan penerapan model Real-ESRGAN terkuantisasi pada akselerator
perangkat keras berbasis edge untuk aplikasi super-resolusi gambar offline yang
efisien.