面向PyTorch的可扩展GPU加速Euler特征曲线：优化与可微分学习
机器学习
2025-10-24 v1
摘要
拓扑特征捕捉成像数据中的全局几何结构，但在深度学习中实际应用需要兼顾计算效率和可微性。我们Present了针对Euler特征曲线（ECC）计算的优化GPU内核，实现了相较于现有GPU实现的16-2000倍加速，并引入可微分的PyTorch层以实现端到端学习。我们的CUDA内核针对Ampere GPU进行优化，采用128B对齐访问和层次化共享内存累加。我们的PyTorch层通过类似Sigmoid松弛的可微分Euler特征变换方式，单向学习阈值。我们讨论了所提方法的下游相关性，包括来自 prior ECC work 所述的应用场景，并概述了批量处理和多GPU扩展，以拓宽其应用范围。
引用
@article{arxiv.2510.20271,
title = {Scalable GPU-Accelerated Euler Characteristic Curves: Optimization and Differentiable Learning for PyTorch},
author = {Udit Saxena},
journal= {arXiv preprint arXiv:2510.20271},
year = {2025}
}
备注
Extended Abstract: Accepted to the NeurReps 2025 workshop at NeurIPS 2025. 4 pages, 3 figures