양자화 인식 훈련(QAT)은 딥 뉴럴 네트워크 압축에 효과적이지만, 멀티태스크 아키텍처에서는 작업별 특징 불일치와 기울기 충돌로 인해 성능이 저하되는 경우가 많음. 이 문제를 해결하기 위해, 기울기 크기를 동적으로 균형을 맞추고 양자화에 친화적인 방식으로 작업별 특징을 융합하는 Gradient-Aware Balanced Feature Fusion (GABFusion)을 제안함. 또한, 양자화 모델에 맞춰진 특징 수준 증류 전략인 Attention Distribution Alignment (ADA)를 도입함. 제안하는 방법은 다양한 네트워크 아키텍처와 QAT 알고리즘에서 강력한 일반화 성능을 보이며, 기울기 편향 감소에 대한 이론적 보장을 제공함. PASCAL VOC 및 COCO 데이터 세트에서 평균 mAP를 각각 약 3.3% 및 1.6% 향상시킴. 4비트 양자화된 YOLOv5에 적용했을 때, VOC에서 전체 정밀도 모델과의 정확도 차이를 1.7%로 줄여 낮은 비트 제약 조건에서도 성능을 유지하는 효과를 보여줌. 제안된 프레임워크는 모듈형이며 통합이 용이하고 기존 QAT 기술과 호환되어, 원래 네트워크 아키텍처를 변경하지 않고도 양자화 모델의 성능을 향상시킴.
