基于图像自适应粒子表示上的并行离散卷积
计算机视觉与模式识别
2022-07-13 v1 性能
图像与视频处理
摘要
我们提出了在并行计算机架构上针对图像的自适应粒子表示（APR）实现离散卷积算子原生实现的数据结构与算法。APR 是一种内容自适应图像表示，可在局部将采样分辨率适配于图像信号。它作为像素表示的替代方案，针对荧光显微镜中常见的大型稀疏图像而开发。已证明其可降低存储、可视化与处理此类图像的内存与运行成本。然而，这要求图像处理原生作用于 APR，而不中间转回像素。但 APR 不规则的内存结构使设计高效且可扩展的 APR 原生图像处理原语变得复杂。本文中，我们提供了高效原生处理 APR 图像所需的算法构建模块，可支持广泛的可表述为离散卷积的算法。我们表明 APR 卷积自然导出尺度自适应算法，能在多核 CPU 与 GPU 架构上高效并行。我们量化了相较于基于像素的算法及均匀采样数据上卷积的加速比。在单块 Nvidia GeForce RTX 2080 游戏 GPU 上实现了高达 1 TB/s 的像素等效吞吐率，所需内存比基于像素的实现最多低两个数量级。
引用
@article{arxiv.2112.03592,
title = {Parallel Discrete Convolutions on Adaptive Particle Representations of Images},
author = {Joel Jonsson and Bevan L. Cheeseman and Suryanarayana Maddu and Krzysztof Gonciarz and Ivo F. Sbalzarini},
journal= {arXiv preprint arXiv:2112.03592},
year = {2022}
}
备注
18 pages, 13 figures