電裝ITLAB於美國「CVPR 2026」發表三篇AI先端研究論文，推動移動領域進化
電裝IT實驗室（ITLAB）的三篇AI論文獲國際會議「CVPR 2026」錄用。其中針對邊緣運算優化的量化技術「DASQ」，成功提升了車載SoC上的AI推論精確度並降低功耗。
📋 文章處理履歷
- 📰 發表: 2026年5月29日 08:40
- 🔍 收集: 2026年6月1日 02:20（發表後65小時40分鐘）
- 🤖 AI分析完成: 2026年6月1日 22:35（收集後20小時15分鐘）
致力於為車輛與移動社會未來開展先端基礎研究的電裝IT實驗室（Denso IT Laboratory, Inc.，總部位於東京都港區，社長：岩崎 弘利，以下簡稱ITLAB），其研究人員所撰寫的三篇論文，已正式獲IEEE/CVF電腦視覺與模式識別會議（CVPR 2026）錄用。該會議將於2026年6月3日至7日在美國科羅拉多州丹佛市舉行。
CVPR是電腦視覺與模式識別領域中具備國際權威性的頂尖會議。今年，在16,092篇投稿中，僅有4,090篇論文獲選，錄取率為25.4%。
此次獲選的三篇論文均為跨機構合作成果，分別與電裝、東京科學大學及九州大學的研究人員共同完成，均預期應用於自動駕駛與先進駕駛輔助系統（ADAS）等移動領域。這些研究因能重新審視現有方法的預設前提並提出創新作法，且成功驗證其有效性而獲得高度評價。
從電裝集團整體來看，加上本釋出中提及與ITLAB合作的三篇論文，以及美國當地法人DENSO International America, Inc.獲選的一篇，總計共有四篇論文將於CVPR 2026發表。
## 獲選論文概要
### 基於預訓練視覺模型隱藏對稱性的新型量化技術提案
從智慧型手機到車載系統，在有限的功耗與計算資源硬體下運行高精度AI的需求正在急劇擴大。為了達成此目標，關鍵技術便是「量化」——即將AI模型內部的參數從高精度浮點數轉換為位元數較少的整數。雖可減少記憶體使用量與運算量，但在轉換過程中產生的量化誤差會導致辨識精度下降，這一直是多年來的技術挑戰。
對此，ITLAB與電裝的聯合研究團隊在詳細分析預訓練視覺模型權重分佈時發現，只要移除極少數的異常值（例如前1%的極端值），剩餘的權重分佈便會以0為中心呈現幾乎對稱的狀態。這意味著「透過將異常值分開處理，模型的大部分權重皆可利用硬體效率極高的對稱量化來表示」。本研究以此「隱藏的對稱性」為出發點，提出了「DASQ（密集與加法稀疏量化，Dense and Additive Sparse Quantization）」技術。
DASQ將權重拆解為「對稱的多數成分」與「稀疏的異常成分」進行並行處理，成功設計出無需「零點偏移（Zero-point Offset）」的方法。零點偏移原是量化中用來校正基準點的數值，但其會導致乘法器電路面積增加約1.3倍。經FPGA實作驗證，DASQ較傳統非對稱量化（AsymQ）方法展現了更高的精度與更低的功耗。
在自動駕駛與ADAS中，物體辨識及行人偵測等高精度視覺模型，必須在功耗受限嚴格的車載SoC（系統單晶片）上進行即時運算。DASQ透過從演算法到硬體實現的完整設計，預期將為包含車載SoC在內的邊緣終端設備提供更節能且高精度的AI推論能力。
## ITLAB研究人員評語
### 森 政文（電裝IT實驗室 研發集團 客座研究員）
### 權業 慎也（Ph.D.）（電裝IT實驗室 研發集團 研究員）
在CVPR大會中，我們在視覺模型權重分佈中發現「隱藏對稱性」、提案DASQ量化技術，並透過多工處理與FPGA實作進行驗證，展現了「發現、手法、實證」三位一體的成果，因而獲得高度肯定。未來，我們將加速推動相關研究，使高性能視覺模型能在車載AI等邊緣設備上實現更節能的運作。
CVPR是電腦視覺與模式識別領域中具備國際權威性的頂尖會議。今年，在16,092篇投稿中，僅有4,090篇論文獲選，錄取率為25.4%。
此次獲選的三篇論文均為跨機構合作成果，分別與電裝、東京科學大學及九州大學的研究人員共同完成，均預期應用於自動駕駛與先進駕駛輔助系統（ADAS）等移動領域。這些研究因能重新審視現有方法的預設前提並提出創新作法，且成功驗證其有效性而獲得高度評價。
從電裝集團整體來看，加上本釋出中提及與ITLAB合作的三篇論文，以及美國當地法人DENSO International America, Inc.獲選的一篇，總計共有四篇論文將於CVPR 2026發表。
## 獲選論文概要
### 基於預訓練視覺模型隱藏對稱性的新型量化技術提案
從智慧型手機到車載系統，在有限的功耗與計算資源硬體下運行高精度AI的需求正在急劇擴大。為了達成此目標，關鍵技術便是「量化」——即將AI模型內部的參數從高精度浮點數轉換為位元數較少的整數。雖可減少記憶體使用量與運算量，但在轉換過程中產生的量化誤差會導致辨識精度下降，這一直是多年來的技術挑戰。
對此，ITLAB與電裝的聯合研究團隊在詳細分析預訓練視覺模型權重分佈時發現，只要移除極少數的異常值（例如前1%的極端值），剩餘的權重分佈便會以0為中心呈現幾乎對稱的狀態。這意味著「透過將異常值分開處理，模型的大部分權重皆可利用硬體效率極高的對稱量化來表示」。本研究以此「隱藏的對稱性」為出發點，提出了「DASQ（密集與加法稀疏量化，Dense and Additive Sparse Quantization）」技術。
DASQ將權重拆解為「對稱的多數成分」與「稀疏的異常成分」進行並行處理，成功設計出無需「零點偏移（Zero-point Offset）」的方法。零點偏移原是量化中用來校正基準點的數值，但其會導致乘法器電路面積增加約1.3倍。經FPGA實作驗證，DASQ較傳統非對稱量化（AsymQ）方法展現了更高的精度與更低的功耗。
在自動駕駛與ADAS中，物體辨識及行人偵測等高精度視覺模型，必須在功耗受限嚴格的車載SoC（系統單晶片）上進行即時運算。DASQ透過從演算法到硬體實現的完整設計，預期將為包含車載SoC在內的邊緣終端設備提供更節能且高精度的AI推論能力。
## ITLAB研究人員評語
### 森 政文（電裝IT實驗室 研發集團 客座研究員）
### 權業 慎也（Ph.D.）（電裝IT實驗室 研發集團 研究員）
在CVPR大會中，我們在視覺模型權重分佈中發現「隱藏對稱性」、提案DASQ量化技術，並透過多工處理與FPGA實作進行驗證，展現了「發現、手法、實證」三位一體的成果，因而獲得高度肯定。未來，我們將加速推動相關研究，使高性能視覺模型能在車載AI等邊緣設備上實現更節能的運作。
常見問題
デンソーアイティーラボラトリがCVPR 2026で発表する論文の数はいくつですか？
デンソーアイティーラボラトリの研究者らによる3本の論文が採択されました。なお、デンソーグループ全体では計4本が採択されています。
提案された量子化手法「DASQ」の最大の特徴は何ですか？
「隠れた対称性」に着目し、重みを対称な成分と外れ値に分けて並列処理することで、従来の手法で必要だったゼロ点オフセットを不要にし、省電力かつ高精度な量子化を実現した点です。
CVPRとはどのような学会ですか？
コンピュータビジョンおよびパターン認識分野において、国際的に権威のあるトップカンファレンスの一つです。
DASQはどのような分野への応用が期待されていますか？
自動運転や先進運転支援システム（ADAS）など、消費電力に厳しい制約がある車載SoC上でリアルタイムに高精度なAI推論を行うモビリティ分野への応用が期待されています。
今回の論文採択率はどの程度でしたか？
CVPR 2026では16,092件の論文投稿の中から4,090本が採択され、採択率は25.4%となっています。