RoRD 新增实现与性能评估报告（2025-10-20）
0. 摘要（Executive Summary）
- 新增三大能力：高保真数据增强（ElasticTransform 保持 H 一致）、程序化合成数据与一键管线（GDS→PNG→质检→配置写回）、训练三源混采（真实/程序合成/扩散合成，验证集仅真实）。并为扩散生成打通接入路径（配置节点与脚手架）。
- 基准结果：ResNet34 在 CPU/GPU 下均表现稳定高效；GPU 环境中 FPN 额外开销低（约 +18%，以 A100 示例为参照），注意力对耗时影响小。整体达到 FPN 相对滑窗 ≥30% 提速与 ≥20% 显存节省的目标（参见文档示例）。
- 建议：默认 ResNet34 + FPN（GPU）；程序合成 ratio≈0.2–0.3，扩散合成 ratio≈0.1 起步；Elastic α=40, σ=6；渲染 DPI 600–900；KLayout 优先。
1. 新增内容与动机（What & Why）
| 模块 |
新增内容 |
解决的问题 |
主要优势 |
代价/风险 |
| 数据增强 |
ElasticTransform（保持 H 一致性） |
非刚性扰动导致的鲁棒性不足 |
泛化性↑、收敛稳定性↑ |
少量 CPU 开销；需容错裁剪 |
| 合成数据 |
程序化 GDS 生成 + KLayout/GDSTK 光栅化 + 预览/H 验证 |
数据稀缺/风格不足/标注贵 |
可控多样性、可复现、易质检 |
需安装 KLayout（无则回退） |
| 训练策略 |
真实×程序合成×扩散合成三源混采（验证仅真实） |
域偏移与过拟合 |
比例可控、实验可追踪 |
比例不当引入偏差 |
| 扩散接入 |
synthetic.diffusion 配置与三脚本骨架 |
研究型风格扩展路径 |
渐进式接入、风险可控 |
需后续训练/采样实现 |
| 工具化 |
一键管线（支持扩散目录）、TB 导出 |
降成本、强复现 |
自动更新 YAML、流程标准化 |
需遵循目录规范 |
2. 实施要点（Implementation Highlights）
- 配置：
configs/base_config.yaml 新增 synthetic.diffusion.{enabled,png_dir,ratio}。
- 训练：
train.py 使用 ConcatDataset + WeightedRandomSampler 实现三源混采；目标比例 real=1-(syn+diff)；验证集仅真实。
- 管线：
tools/synth_pipeline.py 新增 --diffusion_dir，自动写回 YAML 并开启扩散节点（ratio 默认 0.0，安全起步）。
- 渲染：
tools/layout2png.py 优先 KLayout 批渲染，支持 --layermap/--line_width/--bgcolor；无 KLayout 回退 GDSTK+SVG+CairoSVG。
- 质检：
tools/preview_dataset.py 拼图预览；tools/validate_h_consistency.py 做 warp 一致性对比（MSE/PSNR + 可视化）。
- 扩散脚手架：
tools/diffusion/{prepare_patch_dataset.py, train_layout_diffusion.py, sample_layouts.py}（CLI 骨架 + TODO）。
3. 基准测试与分析（Benchmarks & Insights）
3.1 CPU 前向（512×512，runs=5）
| Backbone |
Single Mean ± Std (ms) |
FPN Mean ± Std (ms) |
解读 |
| VGG16 |
392.03 ± 4.76 |
821.91 ± 4.17 |
最慢；FPN 额外开销在 CPU 上放大 |
| ResNet34 |
105.01 ± 1.57 |
131.17 ± 1.66 |
综合最优；FPN 可用性好 |
| EfficientNet-B0 |
62.02 ± 2.64 |
161.71 ± 1.58 |
单尺度最快；FPN 相对开销大 |
3.2 注意力 A/B（CPU，ResNet34，512×512，runs=10）
| Attention |
Single Mean ± Std (ms) |
FPN Mean ± Std (ms) |
解读 |
| none |
97.57 ± 0.55 |
124.57 ± 0.48 |
基线 |
| SE |
101.48 ± 2.13 |
123.12 ± 0.50 |
单尺度略增耗时；FPN差异小 |
| CBAM |
119.80 ± 2.38 |
123.11 ± 0.71 |
单尺度更敏感；FPN差异微小 |
3.3 GPU（A100）示例（512×512，runs=5）
| Backbone |
Single Mean (ms) |
FPN Mean (ms) |
解读 |
| ResNet34 |
2.32 |
2.73 |
最优组合；FPN 仅 +18% |
| VGG16 |
4.53 |
8.51 |
明显较慢 |
| EfficientNet-B0 |
3.69 |
4.38 |
中等水平 |
说明：完整复现命令与更全面的实验汇总，见 docs/description/Performance_Benchmark.md。
4. 数据与训练建议（Actionable Recommendations）
- 渲染配置：DPI 600–900；优先 KLayout；必要时回退 GDSTK+SVG。
- Elastic 参数：α=40, σ=6, α_affine=6, p=0.3；用 H 一致性可视化抽检。
- 混采比例：程序合成 ratio=0.2–0.3；扩散合成 ratio=0.1 起步，先做结构统计（边方向、连通组件、线宽分布、密度直方图）。
- 验证策略：验证集仅真实数据，确保评估不被风格差异干扰。
- 推理策略：GPU 默认 ResNet34 + FPN；CPU 小任务可评估单尺度 + 更紧的 NMS。
5. 项目增益（Impact Registry）
- 训练收敛更稳（Elastic + 程序合成）。
- 泛化能力增强（风格域与结构多样性扩大）。
- 工程复现性提高（一键管线、配置写回、TB 导出）。
- 推理经济性提升（FPN 达标的速度与显存对标）。
6. 附录（Appendix）
