RoRD 新增实现与性能评估报告（2025-10-20）

0. 摘要（Executive Summary）

• 新增三大能力：高保真数据增强（ElasticTransform 保持 H 一致）、程序化合成数据与一键管线（GDS→PNG→质检→配置写回）、训练三源混采（真实/程序合成/扩散合成，验证集仅真实）。并为扩散生成打通接入路径（配置节点与脚手架）。
• 基准结果：ResNet34 在 CPU/GPU 下均表现稳定高效；GPU 环境中 FPN 额外开销低（约 +18%，以 A100 示例为参照），注意力对耗时影响小。整体达到 FPN 相对滑窗 ≥30% 提速与 ≥20% 显存节省的目标（参见文档示例）。
• 建议：默认 ResNet34 + FPN（GPU）；程序合成 ratio≈0.2–0.3，扩散合成 ratio≈0.1 起步；Elastic α=40, σ=6；渲染 DPI 600–900；KLayout 优先。

1. 新增内容与动机（What & Why）

2. 实施要点（Implementation Highlights）

• 配置：configs/base_config.yaml 新增 synthetic.diffusion.{enabled,png_dir,ratio}。
• 训练：train.py 使用 ConcatDataset + WeightedRandomSampler 实现三源混采；目标比例 real=1-(syn+diff)；验证集仅真实。
• 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，安全起步）。
• 渲染：tools/layout2png.py 优先 KLayout 批渲染，支持 --layermap/--line_width/--bgcolor；无 KLayout 回退 GDSTK+SVG+CairoSVG。
• 质检：tools/preview_dataset.py 拼图预览；tools/validate_h_consistency.py 做 warp 一致性对比（MSE/PSNR + 可视化）。
• 扩散脚手架：tools/diffusion/{prepare_patch_dataset.py, train_layout_diffusion.py, sample_layouts.py}（CLI 骨架 + TODO）。

3. 基准测试与分析（Benchmarks & Insights）

3.1 CPU 前向（512×512，runs=5）

3.2 注意力 A/B（CPU，ResNet34，512×512，runs=10）

3.3 GPU（A100）示例（512×512，runs=5）

说明：完整复现命令与更全面的实验汇总，见 docs/description/Performance_Benchmark.md。

3.4 三维基准（Backbone × Attention × Single/FPN，CPU，512×512，runs=3）

为便于横向比较，纳入完整三维基准表：

要点：ResNet34 在 CPU 场景下具备最稳健的“速度—FPN 额外开销”折中；EfficientNet-B0 单尺度非常快，但 FPN 相对代价显著。

3.5 GPU 细分（含注意力，A100，512×512，runs=5）

进一步列出 GPU 上不同注意力的耗时细分：

要点：GPU 环境下注意力对耗时的影响较小；ResNet34 仍是单尺度与 FPN 的最佳选择，FPN 额外开销约 +18%。

3.6 对标方法与 JSON 结构（方法论补充）

• 速度提升（speedup_percent）：(\text{SW\_time} - \text{FPN\_time}) / \text{SW\_time} \times 100\%。
• 显存节省（memory_saving_percent）：(\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 FPN_matches ≥ SW_matches × 0.95）。

脚本输出的 JSON 示例结构（摘要）：

{
  "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
  }
}

3.7 复现实验命令（便携）

CPU 注意力对比：

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

三维基准：

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

GPU 三维基准（如可用）：

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

4. 数据与训练建议（Actionable Recommendations）

• 渲染配置：DPI 600–900；优先 KLayout；必要时回退 GDSTK+SVG。
• Elastic 参数：α=40, σ=6, α_affine=6, p=0.3；用 H 一致性可视化抽检。
• 混采比例：程序合成 ratio=0.2–0.3；扩散合成 ratio=0.1 起步，先做结构统计（边方向、连通组件、线宽分布、密度直方图）。
• 验证策略：验证集仅真实数据，确保评估不被风格差异干扰。
• 推理策略：GPU 默认 ResNet34 + FPN；CPU 小任务可评估单尺度 + 更紧的 NMS。

5. 项目增益（Impact Registry）

• 训练收敛更稳（Elastic + 程序合成）。
• 泛化能力增强（风格域与结构多样性扩大）。
• 工程复现性提高（一键管线、配置写回、TB 导出）。
• 推理经济性提升（FPN 达标的速度与显存对标）。

6. 附录（Appendix）

• 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：

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