RoRD 新增实现与性能评估报告

高保真增强 · 程序化/扩散合成 · 三源混采 · FPN 高效推理

报告日期：2025年10月20日技术报告

0. 摘要（Executive Summary）

新增三大能力：ElasticTransform（保持 H 一致）、程序化合成与一键管线（GDS→PNG→质检→配置写回）、三源混采训练（真实/程序合成/扩散合成，验证集仅真实）。已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% 显存节省目标。

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）。

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。

3.4 三维基准（Backbone × Attention × Single/FPN，CPU，512×512，runs=3）

Backbone	Attention	Single Mean ± Std (ms)	FPN Mean ± Std (ms)
vgg16	none	351.65 ± 1.88	719.33 ± 3.95
vgg16	se	349.76 ± 2.00	721.41 ± 2.74
vgg16	cbam	354.45 ± 1.49	744.76 ± 29.32
resnet34	none	90.99 ± 0.41	117.22 ± 0.41
resnet34	se	90.78 ± 0.47	115.91 ± 1.31
resnet34	cbam	96.50 ± 3.17	111.09 ± 1.01
efficientnet_b0	none	40.45 ± 1.53	127.30 ± 0.09
efficientnet_b0	se	46.48 ± 0.26	142.35 ± 6.61
efficientnet_b0	cbam	47.11 ± 0.47	150.99 ± 12.47

要点：ResNet34 在 CPU 场景下具备稳健的“速度—FPN 额外开销”折中；EfficientNet-B0 单尺度很快但 FPN 代价显著。

3.5 GPU 细分（含注意力，A100，512×512，runs=5）

Backbone	Attention	Single Mean ± Std (ms)	FPN Mean ± Std (ms)
vgg16	none	4.53 ± 0.02	8.51 ± 0.002
vgg16	se	3.80 ± 0.01	7.12 ± 0.004
vgg16	cbam	3.73 ± 0.02	6.95 ± 0.09
resnet34	none	2.32 ± 0.04	2.73 ± 0.007
resnet34	se	2.33 ± 0.01	2.73 ± 0.004
resnet34	cbam	2.46 ± 0.04	2.74 ± 0.004
efficientnet_b0	none	3.69 ± 0.07	4.38 ± 0.02
efficientnet_b0	se	3.76 ± 0.06	4.37 ± 0.03
efficientnet_b0	cbam	3.99 ± 0.08	4.41 ± 0.02

要点：GPU 环境下注意力对耗时影响较小；ResNet34 仍是单尺度与 FPN 的最佳选择。

3.6 对标方法与 JSON 结构（方法论补充）

速度提升（speedup_percent）：

(\text{SW}_{time} - \text{FPN}_{time}) / \text{SW}_{time} \times 100%

显存节省（memory_saving_percent）：

(\text{SW}_{mem} - \text{FPN}_{mem}) / \text{SW}_{mem} \times 100%

精度保障：匹配数不显著下降（例如 FPN_matches ≥ SW_matches × 0.95）。

benchmark_summary.json (结构示例) json

{
  "timestamp": "2025-10-20 14:30:45",
  "config": "configs/base_config.yaml",
  "model_path": "path/to/model_final.pth",
  "layout_path": "test_data/layout.png",
  "template_path": "test_data/template.png",
  "device": "cuda:0",
  "fpn": {
    "method": "FPN",
    "mean_time_ms": 245.32,
    "std_time_ms": 12.45,
    "gpu_memory_mb": 1024.5,
    "num_runs": 5
  },
  "sliding_window": {
    "method": "Sliding Window",
    "mean_time_ms": 352.18,
    "std_time_ms": 18.67
  },
  "comparison": {
    "speedup_percent": 30.35,
    "memory_saving_percent": 21.14,
    "fpn_faster": true,
    "meets_speedup_target": true,
    "meets_memory_target": true
  }
}

3.7 复现实验命令（便携）

CPU 注意力对比 bash

PYTHONPATH=. uv run python tests/benchmark_attention.py \n  --device cpu --image-size 512 --runs 10 \n  --backbone resnet34 --places backbone_high desc_head

三维基准（CPU） bash

PYTHONPATH=. uv run python tests/benchmark_grid.py \n  --device cpu --image-size 512 --runs 3 \n  --backbones vgg16 resnet34 efficientnet_b0 \n  --attentions none se cbam \n  --places backbone_high desc_head

三维基准（GPU） bash

PYTHONPATH=. uv run python tests/benchmark_grid.py \n  --device cuda --image-size 512 --runs 5 \n  --backbones vgg16 resnet34 efficientnet_b0 \n  --attentions none se cbam \n  --places backbone_high

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；对非刚性扰动更鲁棒，收敛更平稳。

泛化能力增强

风格域与结构多样性扩大，减少过拟合风险。

工程复现性提升

一键管线、配置写回、TB 导出，标准化流程，复现更强。

推理经济性提升

FPN 相对滑窗 ≥30% 提速与 ≥20% 显存节省。

6. 附录（Appendix）

一键命令（含扩散目录）

synth_pipeline.zsh bash

uv run python tools/synth_pipeline.py 
  --out_root data/synthetic 
  --num 200 --dpi 600 
  --config configs/base_config.yaml 
  --ratio 0.3 
  --diffusion_dir data/synthetic_diff/png

建议 YAML 片段

base_config.yaml (snippet) yaml

synthetic:
  enabled: true
  png_dir: data/synthetic/png
  ratio: 0.3
  diffusion:
    enabled: true
    png_dir: data/synthetic_diff/png
    ratio: 0.1
augment:
  elastic:
    enabled: true
    alpha: 40
    sigma: 6
    alpha_affine: 6
    prob: 0.3

RoRD 新增实现与性能评估报告

RoRD 新增实现与性能评估报告

0. 摘要（Executive Summary）

1. 新增内容与动机（What & Why）

2. 实施要点（Implementation Highlights）

3. 基准测试与分析（Benchmarks & Insights）

3.1 CPU 前向（512×512，runs=5）

3.2 注意力 A/B（CPU，ResNet34，512×512，runs=10）

3.3 GPU（A100）示例（512×512，runs=5）

3.4 三维基准（Backbone × Attention × Single/FPN，CPU，512×512，runs=3）

3.5 GPU 细分（含注意力，A100，512×512，runs=5）

3.6 对标方法与 JSON 结构（方法论补充）

3.7 复现实验命令（便携）

4. 数据与训练建议（Actionable Recommendations）

5. 项目增益（Impact Registry）

训练收敛更稳

泛化能力增强

工程复现性提升

推理经济性提升

6. 附录（Appendix）

一键命令（含扩散目录）

建议 YAML 片段

💬 评论区

全部评论 (0)