객체 탐지 (Object Detection, OD) 모델이 에지 디바이스 (edge devices)에 배포되는 사례가 증가함에 따라, OD를 위한 제로샷 양자화 (Zero-Shot Quantization for OD, ZSQ-OD)는 원본 학습 데이터에 대한 접근이 금지된 상황에서 이러한 모델들을 양자화하는 것을 목표로 합니다. OD를 위한 제로샷 양자화 인식 학습 (Zero-Shot Quantization-Aware Training, QAT)에 관한 기존 연구들은 노이즈 최적화 (noise optimization)를 통해 학습 세트를 합성합니다. 그러나 이 방식은 저비트 (low-bit) 영역에서 성능을 유지하는 데 어려움을 겪습니다. 본 논문에서는 기성 생성 모델 (off-the-shelf generative models)을 사용하여 학습 세트를 구축하는 QAT 파이프라인인 GoodQ (Generative off-the-shelf models for object detector Quantization)를 소개합니다. 우리는 먼저 ZSQ-OD 작업에 생성 모델을 도입할 때 발생하는 세 가지 과제를 식별합니다: 1) 각 이미지는 여러 인스턴스 (instances)를 포함하는 밀집된 정보를 담고 있음, 2) 원본 데이터셋의 클래스별 분포 (class-wise distribution)가 불균형함, 3) 생성된 이미지에 할당된 의사 라벨 (pseudo-labels)이 QAT 과정에서 노이즈 신호로 작용할 가능성이 있음. GoodQ는 다음과 같은 방법으로 이러한 과제들을 해결합니다: 1) 다중 인스턴스 이미지를 생성하기 위한 정보 밀집 프롬프팅 (Information-Dense Prompting) 전략 도입, 2) 사전 학습된 클래스 분포를 맞추기 위한 내재적 분포 인식 선택 (Intrinsic Distribution-Aware Selection) 적용, 3) QAT 과정에서 발생하는 노이즈를 완화하기 위한 교사 가이드 적응형 노이즈 감소 (Teacher-guided Adaptive Noise Reduction) 채택. 우리의 프레임워크는 저비트 ZSQ (W4A4)에서 최첨단 (state-of-the-art) 성능을 달성하며, 양자화를 극단적인 비트 너비 (extreme bit-widths, W3A3)까지 확장합니다. 나아가, 우리는 GoodQ의 효능에 기여하는 근본적인 요인들을 밝히기 위해 광범위한 분석을 수행합니다.