用于并行且内存高效的叠层衍射成像重建的图像梯度分解
图像与视频处理
2022-12-19 v2 分布式、并行与集群计算
摘要
叠层衍射成像（ptychography）是一种广受欢迎的显微成像方式，支撑了许多科学发现，并保持着最高图像分辨率的纪录。遗憾的是，叠层衍射重建所需的高图像分辨率需要大量的内存和计算，迫使许多应用以降低图像分辨率来换取更小的内存占用和更短的重建时间。本文提出一种新颖的图像梯度分解方法，通过将图像梯度和衍射测量数据分块（tessellating）显著降低了叠层衍射重建的内存占用。此外，我们提出了一种并行图像梯度分解方法，可在大量 GPU 上以极小开销实现异步点对点通信与并行流水线。我们在具有 16632 个探针位置的钛酸盐材料数据集（PbTiO3）上的实验表明，我们的梯度分解算法将内存占用降低了 51 倍。此外，通过扩展到 4158 个 GPU，其求解时间缩短至 2.2 分钟以内，与 6 个 GPU 上的运行时间相比实现了 364% 的超线性强缩放效率。该性能比最先进算法内存效率高 2.7 倍、可扩展性强 9 倍、速度快 86 倍。
引用
@article{arxiv.2205.06327,
title = {Image Gradient Decomposition for Parallel and Memory-Efficient Ptychographic Reconstruction},
author = {Xiao Wang and Aristeidis Tsaris and Debangshu Mukherjee and Mohamed Wahib and Peng Chen and Mark Oxley and Olga Ovchinnikova and Jacob Hinkle},
journal= {arXiv preprint arXiv:2205.06327},
year = {2022}
}