在GPU上加速JPEG解压缩

数十年来，JPEG压缩格式一直是有损图像压缩的标准，以微小的感知质量损失提供高压缩率。对于GPU加速的计算机视觉和深度学习任务（例如图像分类模型的训练），由于内存带宽的限制，高效的JPEG解码至关重要。由于许多解码器实现基于CPU，解码后的图像数据必须通过PCI-E等互连传输到GPU等加速器，这意味着吞吐率下降。因此，JPEG解码在这些流水线中构成了相当大的瓶颈。相反，利用GPU加速的解码器可大幅提高效能。在这种情况下，只需传输压缩数据，因为解码将由加速器处理。为了设计这样的基于GPU的解码器，必须在细粒度级别上并行化相应算法。然而，单个JPEG文件的并行解码是一项复杂任务。在本文中，我们提出了一种在GPU上高效进行JPEG图像解压缩的方法，其实现了JPEG标准的一个重要子集。所提算法在比特流中任意位置评估码字位置，从而实现独立块段的并行解压缩。我们的性能评估表明，在A100（V100）GPU上，我们的实现可比最先进的libjpeg-turbo（CPU）和nvJPEG（GPU）实现分别高出至多51倍（34倍）和8.0倍（5.7倍）。此外，相较于在A100上使用专用硬件JPEG解码器加速的nvJPEG，它实现了高达3.4倍的加速。