En este artículo, proponemos DMQ, una versión mejorada de la técnica de cuantificación post-entrenamiento (PTQ), para abordar los desafíos de implementar modelos de difusión en entornos con recursos limitados. DMQ combina el escalado equivalente aprendido (LES) y el escalado potencia de dos por canal (PTS) para reducir los errores de cuantificación. En particular, introducimos un esquema de ponderación adaptativa por paso de tiempo que considera la importancia del paso inicial de eliminación de ruido y aplicamos PTS por canal a capas como las conexiones de salto con gran varianza intercanal. Utilizamos un algoritmo de votación para la selección estable de coeficientes PTS incluso en conjuntos de compensación pequeños. Los resultados experimentales muestran que DMQ supera a los métodos existentes, especialmente con anchos de bits bajos como W4A6 y W4A8, a la vez que mantiene una alta calidad de generación de imágenes y estabilidad del modelo. El código fuente está disponible en GitHub.
