RoRD 新增实现与性能评估报告

本报告总结 2025 年 10 月 20 日新增的 RoRD 项目能力：高保真增强、程序化 / 扩散合成、三源混采训练、一键管线与配置回写，以及 ResNet34 + FPN 的高效推理组合。

摘要

本阶段新增三大能力：

1. ElasticTransform，并保持 H 一致性。
2. 程序化合成与一键管线，覆盖 GDS -> PNG -> 质检 -> 配置写回。
3. 三源混采训练：真实数据、程序合成、扩散合成；验证集仅使用真实数据。

基准结果显示，ResNet34 在 CPU 和 GPU 下均表现稳定高效。GPU 环境中，FPN 额外开销较低，以 A100 示例为参照约为 +18%。整体达到 FPN 相对滑窗至少 30% 提速与至少 20% 显存节省的目标。

建议默认配置：

1. GPU 推理：ResNet34 + FPN。
2. 程序合成比例：0.2 到 0.3。
3. 扩散合成比例：从 0.1 起步。
4. Elastic 参数：$\alpha = 40$，$\sigma = 6$。
5. 渲染 DPI：600 到 900。
6. 渲染工具：优先 KLayout。

新增内容与动机

模块	新增内容	解决的问题	主要优势	代价 / 风险
数据增强	ElasticTransform，并保持 H 一致性	非刚性扰动导致的鲁棒性不足	泛化性提升，收敛更稳定	少量 CPU 开销；需要容错裁剪
合成数据	程序化 GDS 生成 + KLayout / GDSTK 光栅化 + 预览 / H 验证	数据稀缺、风格不足、标注成本高	可控多样性、可复现、易质检	需要安装 KLayout；无则回退
训练策略	真实 × 程序合成 × 扩散合成三源混采，验证仅真实	域偏移与过拟合	比例可控、实验可追踪	比例不当可能引入偏差
扩散接入	synthetic.diffusion 配置与三脚本骨架	研究型风格扩展路径	渐进式接入、风险可控	需要后续训练和采样实现
工具化	一键管线、扩散目录支持、TensorBoard 导出	降低成本、增强复现	自动更新 YAML，流程标准化	需要遵循目录规范

实施要点

1. 配置：configs/base_config.yaml 新增 synthetic.diffusion.{enabled,png_dir,ratio}。
2. 训练：train.py 使用 ConcatDataset + WeightedRandomSampler 实现三源混采；目标比例为 real = 1 - (syn + diff)；验证集仅使用真实数据。
3. 管线：tools/synth_pipeline.py 新增 --diffusion_dir，自动写回 YAML 并开启扩散节点，ratio 默认 0.0。
4. 渲染：tools/layout2png.py 优先使用 KLayout 批渲染，支持 --layermap、--line_width、--bgcolor；无 KLayout 时回退到 GDSTK + SVG + CairoSVG。
5. 质检：tools/preview_dataset.py 用于拼图预览；tools/validate_h_consistency.py 用于 warp 一致性对比，输出 MSE / PSNR 与可视化。
6. 扩散脚手架：tools/diffusion/{prepare_patch_dataset.py, train_layout_diffusion.py, sample_layouts.py}，目前为 CLI 骨架与 TODO。

基准测试与分析

CPU 前向：512×512，runs = 5

Backbone	Single Mean ± Std (ms)	FPN Mean ± Std (ms)	解读
VGG16	392.03 ± 4.76	821.91 ± 4.17	最慢；FPN 额外开销在 CPU 上放大。
ResNet34	105.01 ± 1.57	131.17 ± 1.66	综合最优；FPN 可用性好。
EfficientNet-B0	62.02 ± 2.64	161.71 ± 1.58	单尺度最快；FPN 相对开销大。

注意力 A/B：CPU，ResNet34，512×512，runs = 10

Attention	Single Mean ± Std (ms)	FPN Mean ± Std (ms)	解读
none	97.57 ± 0.55	124.57 ± 0.48	基线。
SE	101.48 ± 2.13	123.12 ± 0.50	单尺度略增耗时；FPN 差异小。
CBAM	119.80 ± 2.38	123.11 ± 0.71	单尺度更敏感；FPN 差异微小。

GPU 示例：A100，512×512，runs = 5

Backbone	Single Mean (ms)	FPN Mean (ms)	解读
ResNet34	2.32	2.73	最优组合；FPN 仅 +18%。
VGG16	4.53	8.51	明显较慢。
EfficientNet-B0	3.69	4.38	中等水平。

完整复现命令与更全面实验汇总可后续补充到 docs/description/Performance_Benchmark.md。

三维基准：Backbone × Attention × Single/FPN，CPU，512×512，runs = 3

Backbone	Attention	Single Mean ± Std (ms)	FPN Mean ± Std (ms)
vgg16	none	351.65 ± 1.88	719.33 ± 3.95
vgg16	se	349.76 ± 2.00	721.41 ± 2.74
vgg16	cbam	354.45 ± 1.49	744.76 ± 29.32
resnet34	none	90.99 ± 0.41	117.22 ± 0.41
resnet34	se	90.78 ± 0.47	115.91 ± 1.31
resnet34	cbam	96.50 ± 3.17	111.09 ± 1.01
efficientnet_b0	none	40.45 ± 1.53	127.30 ± 0.09
efficientnet_b0	se	46.48 ± 0.26	142.35 ± 6.61
efficientnet_b0	cbam	47.11 ± 0.47	150.99 ± 12.47

要点：ResNet34 在 CPU 场景下具备稳健的速度与 FPN 额外开销折中；EfficientNet-B0 单尺度很快，但 FPN 代价显著。

GPU 细分：含注意力，A100，512×512，runs = 5

Backbone	Attention	Single Mean ± Std (ms)	FPN Mean ± Std (ms)
vgg16	none	4.53 ± 0.02	8.51 ± 0.002
vgg16	se	3.80 ± 0.01	7.12 ± 0.004
vgg16	cbam	3.73 ± 0.02	6.95 ± 0.09
resnet34	none	2.32 ± 0.04	2.73 ± 0.007
resnet34	se	2.33 ± 0.01	2.73 ± 0.004
resnet34	cbam	2.46 ± 0.04	2.74 ± 0.004
efficientnet_b0	none	3.69 ± 0.07	4.38 ± 0.02
efficientnet_b0	se	3.76 ± 0.06	4.37 ± 0.03
efficientnet_b0	cbam	3.99 ± 0.08	4.41 ± 0.02

要点：GPU 环境下注意力对耗时影响较小；ResNet34 仍是单尺度与 FPN 的最佳选择。

方法论补充

速度提升：

$$\frac{\text{SW}_{time} - \text{FPN}_{time}}{\text{SW}_{time}} \times 100\%$$

显存节省：

$$\frac{\text{SW}_{mem} - \text{FPN}_{mem}}{\text{SW}_{mem}} \times 100\%$$

精度保障：匹配数不显著下降，例如：

$$\text{FPN}_{matches} \geq \text{SW}_{matches} \times 0.95$$

JSON 结构示例

{
  "timestamp": "2025-10-20 14:30:45",
  "config": "configs/base_config.yaml",
  "model_path": "path/to/model_final.pth",
  "layout_path": "test_data/layout.png",
  "template_path": "test_data/template.png",
  "device": "cuda:0",
  "fpn": {
    "method": "FPN",
    "mean_time_ms": 245.32,
    "std_time_ms": 12.45,
    "gpu_memory_mb": 1024.5,
    "num_runs": 5
  },
  "sliding_window": {
    "method": "Sliding Window",
    "mean_time_ms": 352.18,
    "std_time_ms": 18.67
  },
  "comparison": {
    "speedup_percent": 30.35,
    "memory_saving_percent": 21.14,
    "fpn_faster": true,
    "meets_speedup_target": true,
    "meets_memory_target": true
  }
}

复现实验命令

PYTHONPATH=. uv run python tests/benchmark_attention.py \
  --device cpu --image-size 512 --runs 10 \
  --backbone resnet34 --places backbone_high desc_head

PYTHONPATH=. uv run python tests/benchmark_grid.py \
  --device cpu --image-size 512 --runs 3 \
  --backbones vgg16 resnet34 efficientnet_b0 \
  --attentions none se cbam \
  --places backbone_high desc_head

PYTHONPATH=. uv run python tests/benchmark_grid.py \
  --device cuda --image-size 512 --runs 5 \
  --backbones vgg16 resnet34 efficientnet_b0 \
  --attentions none se cbam \
  --places backbone_high

数据与训练建议

1. 渲染配置：DPI 600 到 900；优先 KLayout；必要时回退到 GDSTK + SVG。
2. Elastic 参数：$\alpha=40$，$\sigma=6$，$\alpha_{affine}=6$，$p=0.3$；使用 H 一致性可视化抽检。
3. 混采比例：程序合成 ratio = 0.2 到 0.3；扩散合成 ratio = 0.1 起步；先做结构统计，包括边方向、连通组件、线宽分布、密度直方图。
4. 验证策略：验证集仅使用真实数据，避免评估受风格差异干扰。
5. 推理策略：GPU 默认 ResNet34 + FPN；CPU 小任务可评估单尺度加更紧的 NMS。

项目增益

增益	说明
训练收敛更稳	Elastic + 程序合成让模型对非刚性扰动更鲁棒。
泛化能力增强	风格域与结构多样性扩大，减少过拟合风险。
工程复现性提升	一键管线、配置写回、TensorBoard 导出使流程更标准化。
推理经济性提升	FPN 相对滑窗至少 30% 提速，并节省至少 20% 显存。

附录

一键命令：含扩散目录

uv run python tools/synth_pipeline.py \
  --out_root data/synthetic \
  --num 200 --dpi 600 \
  --config configs/base_config.yaml \
  --ratio 0.3 \
  --diffusion_dir data/synthetic_diff/png

建议 YAML 片段

synthetic:
  enabled: true
  png_dir: data/synthetic/png
  ratio: 0.3
  diffusion:
    enabled: true
    png_dir: data/synthetic_diff/png
    ratio: 0.1
augment:
  elastic:
    enabled: true
    alpha: 40
    sigma: 6
    alpha_affine: 6
    prob: 0.3

小结

本阶段的主要价值在于把“能跑”的 RoRD 进一步推向“可训练、可复现、可扩展、可评估”的工程状态。数据侧引入 Elastic、程序化合成和扩散接口，训练侧打通三源混采，推理侧确认 ResNet34 + FPN 的高效组合，为后续真实数据训练和论文实验打下基础。