RoRD 项目工作规划报告

本报告整理 RoRD 项目的论文投稿计划与后续优化工作安排。核心目标是围绕 2026 年 4 月完稿这一时间点，制定多轮投稿策略，并同步规划数据、模型、训练、推理和评估方面的技术优化路线。

论文投稿计划

主要会议时间表

以下是 EDA 领域主要会议的投稿时间节点，可用于制定投稿策略。

会议名称	投稿截止	结果通知	会议召开
ICCAD	5 月中下旬	8 月上旬	10 月底到 11 月初
DAC	11 月中下旬	次年 2 月底到 3 月初	次年 6 月到 7 月
ASP-DAC	7 月中旬	10 月中下旬	次年 1 月下旬
DATE	9 月中旬	12 月中旬	次年 3 月到 4 月

分阶段投稿策略

基于论文预计在 2026 年 4 月完稿的时间点，本项目采用一个多轮次、有后备的投稿策略。每次投稿后获得的评审意见都将用于下一轮改进，形成正向反馈循环。

阶段	时间	目标会议	策略
第一次尝试	2026 年春季	ICCAD 2026	4 月完稿，5 月投稿，8 月获得评审结果。
第二次尝试（Plan A）	2026 年秋季	DATE 2027	9 月投稿，时间紧迫，适用于 5 到 8 月有明显改进的情况。
第二次尝试（Plan B）	2026 年秋季	DAC 2027	11 月投稿，3 个月修改时间更充裕，可补充关键实验。
第三次尝试	2027 年春季到夏季	ASP-DAC 2028	3 到 7 月修改，7 月投稿，论文质量进一步提升。
后续计划	2027 年后	IEEE TCAD	转投期刊，整理成更扎实全面的版本。

阶段说明

1. 第一次尝试：ICCAD 2026
   时间节点为 4 月完稿、5 月中下旬投稿、8 月上旬得到结果。策略定位是首要目标，争取一次性命中顶级会议。

2. 第二次尝试：双轨并行
   Plan A 是 DATE 2027，9 月中旬截止，修改时间较紧，适合前期已有明显改进的情况。Plan B 是 DAC 2027，11 月中下旬截止，修改窗口更长，更适合补充实验和提升竞争力。

3. 第三次尝试：ASP-DAC 2028
   经过两轮顶级会议反馈后，论文质量会显著提升。3 月到 7 月有更充裕的修改窗口，适合进一步打磨。

4. 后续计划：转投期刊
   如果多轮会议投稿后仍未发表，可以将论文整理成更完整的版本，投稿到 IEEE TCAD 等期刊。

后续优化工作概览

为了提升 RoRD 模型的性能和实用性，后续优化任务按模块、优先级和完成状态组织如下。

模块	任务	优先级	状态	价值
数据策略与增强	引入弹性变形	高	待处理	模拟芯片制造中的微小物理形变。
数据策略与增强	创建合成版图数据生成器	高	待处理	解决真实数据稀缺问题。
模型架构	实验现代骨干网络	中	待处理	用 ResNet 或 EfficientNet 替代 VGG-16。
模型架构	集成注意力机制	中	待处理	关注关键几何结构，提升特征质量。
训练与损失函数	实现损失函数自动加权	高	待处理	自动平衡多任务优化难度。
训练与损失函数	困难样本采样	中	待处理	提升描述子学习效率。
推理与匹配	特征金字塔网络（FPN）	高	已完成	一次推理获得所有尺度特征。
推理与匹配	关键点去重（NMS）	中	已完成	去除滑动窗口重复关键点。
代码与项目结构	迁移配置到 YAML	低	已完成	便于管理多组实验配置。
代码与项目结构	代码模块解耦	低	已完成	提升可维护性。
实验跟踪与评估	集成 TensorBoard / W&B	中	已完成	实时监控实验结果。
实验跟踪与评估	增加 mAP 评估指标	中	已完成	提供更全面的性能度量。

数据策略与增强

模块目标

提升模型的鲁棒性和泛化能力，减少对大量真实数据的依赖。

引入弹性变形

优先级：高。

价值：模拟芯片制造中可能出现的微小物理形变，使模型对非刚性变化更鲁棒。

执行方案：

1. 添加 albumentations 库作为项目依赖。
2. 在 train.py 的 ICLayoutTrainingDataset 类中集成数据增强。
3. 将 A.ElasticTransform 配置到数据增强管道。

创建合成版图数据生成器

优先级：高。

价值：解决真实版图数据获取困难、数量不足的问题，通过程序化生成大量多样化训练样本。

执行方案：

1. 创建新脚本 tools/generate_synthetic_layouts.py。
2. 利用 gdstk 库程序化生成 GDSII 文件。
3. 结合 tools/layout2png.py 批量转换为 PNG 图像。

模型架构优化

模块目标

提升模型的特征提取效率和精度，降低计算资源消耗。

实验现代骨干网络

优先级：中。

价值：VGG-16 经典但效率偏低。ResNet、EfficientNet 等新架构可能用更少的参数量和计算量达到更好的性能。

执行方案：

1. 在 models/rord.py 中修改 RoRD 类的 __init__ 方法。
2. 使用 torchvision.models 替换 vgg16。
3. 尝试 resnet34 或 efficientnet_b0。
4. 调整检测头和描述子头的输入通道数。

集成注意力机制

优先级：中。

价值：引导模型自动关注版图中的关键几何结构，如边角和交点，忽略大面积空白或重复区域，提升特征质量。

执行方案：

1. 选择可靠的注意力模块实现，如 CBAM 或 SE-Net。
2. 在 models/rord.py 中插入注意力模块。
3. 将模块放在 self.backbone 和两个 head 之间。

训练资源需求

资源配置

资源类型	需求规格	说明
数据集（启动阶段）	100 到 200 张	高分辨率版图，用于功能验证。
数据集（初步可用）	1,000 到 2,000 张	用于学习鲁棒几何特征。
数据集（生产级）	5,000 到 10,000+ 张	覆盖各种工艺和设计风格。
GPU（入门级）	RTX 3060 / 4060	满足基础训练需求。
GPU（主流级）	RTX 3080 / 4070	推荐配置。
GPU（专业级）	RTX 3090 / 4090 / A6000	提供最佳性能。
显存需求	>= 12GB	Batch Size = 8，Patch = 256x256。
CPU / 内存	8 核 / 32GB	避免数据预处理成为瓶颈。

时间估算与调优计划

训练阶段	时间估算	说明
单个 Epoch	15 到 25 分钟	RTX 3080，2000 张图像。
总训练时间	约 16.7 小时	50 epochs，20 分钟 / epoch。
实际收敛时间	10 到 20 小时	使用早停机制，patience = 10。
数据增强调优	1 到 2 周	调整尺度、亮度、噪声参数。
损失函数权重	1 到 2 周	平衡 BCE、Triplet、Manhattan 等损失。
超参数搜索	2 到 4 周	调整学习率、批次大小和优化器。
模型架构微调	2 到 4 周	尝试不同骨干网络。
总调优时间	1.5 到 3 个月	达到生产级模型。

小结

这份规划将论文发表和工程优化拆成两条并行路线：投稿方面采用多轮会议加期刊后备的策略；技术方面优先补齐数据生成、增强、自动权重、困难样本和更现代的特征提取能力。这样既保证阶段性产出，也为长期模型质量提升保留空间。