面向射电干涉成像的高性能网格化方法

卷积网格化（Convolutional Gridding）是一种在射电干涉成像中广泛使用的技术（算法），用于快速反演傅里叶平面上以不规则间隔采样的函数。在本论文中，我们对该技术提出一些改进，以在 GPU 上更快地执行。这些改进产生了“混合网格化（Hybrid Gridding）”和“剪枝最近邻插值（Pruned NN Interpolation）”，它们利用卷积网格化中网格化卷积函数的过采样，试图在不降低输出质量的情况下使网格化更快。我们的实验表明，在适当条件下，混合网格化比卷积网格化快至多 $6.8\times$，而剪枝最近邻插值通常比混合网格化慢。这两种新技术通过对过采样网格进行卷积下采样来加速傅里叶反演。这是一种众所周知的近似技术，会受到混叠影响。在本论文中，我们将其重新提出为一种“基于卷积的 FFT 剪枝（Convolution-Based FFT Pruning）”算法，能够将混叠抑制到低于算术噪声。该算法使用了最近发现的最小失配网格化函数，通过我们的实验取得了有前景的结果，尽管不如相关已发表工作中对该网格化函数所述预期的那样好。尽管如此，我们的实验表明，在适当条件下，基于卷积的剪枝将 GPU 上的傅里叶反演执行时间减少了约 $8\times$。