TorchMorph: CUDA-accelerated Morphological Transforms
TorchMorph 是一个轻量级的、采用 MIT 许可协议的 PyTorch 扩展库，它提供了一套包含 22 种经 CUDA 加速的形态学算子和距离变换的完整工具集，并具备与 SciPy 兼容的 API，从而能够在 GPU 训练循环内直接实现高效、高吞吐量的形状处理。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在数字图像分析领域，计算机长期以来一直依赖一套古老且可靠的工具来理解形状。这些被称为形态学变换（morphological transforms）的工具，就像是数字雕塑家的凿子和画笔。它们可以抚平粗糙的边缘、填补微小的孔洞，或者测量物体中心到其边缘的距离。几十年来，在计算机科学中应用这些工具的标准方式是在计算机的主处理器——中央处理器（CPU）上运行。这种方法对于简单的任务效果很好，但当现代人工智能试图从海量的视频或 3D 医学扫描中学习时，它会撞上一堵硬墙。在这些先进系统中，数据存储在专门的图形处理器（GPU）上，这是一种旨在同时处理成千上万次计算的设备。为了使用这些旧工具，计算机必须停止工作，将数据复制回主处理器，等待缓慢的计算完成，然后再将结果复制回来。这种信息的不断往返，就像一名信使为了递送一封信而不得不频繁地在城市两端奔波；它既浪费时间又消耗能量，拖慢了整个学习过程。
一位研究人员现在开发了一种消除这一瓶颈的新方案。他们创建了一个名为 TorchMorph 的软件库，它直接将这些形状处理工具带到了图形处理器上，允许它们在不离开“快车道”的情况下，同时处理大规模的数据批次。这位研究人员并没有发明新的数学理论；相反，他们采用了科学家们使用了多年的既定且受信任的方法，并对其进行了重写，使其能够在图形硬件上原生运行。结果显示，在处理大规模数据组时，该系统的处理速度比旧标准快了高达一千倍，同时产出的结果与原始方法相比具有极高的精确度。这使得人工智能模型可以将这些强大的形状工具作为其训练过程中的常规组成部分，而不是将其视为一个在事后才进行的缓慢且独立的步骤。
这项成就的核心在于研究人员如何组织工作。过去，如果科学家想要清理噪声图像或测量特征之间的距离，他们会使用专为处理器设计的代码库。这个库对于处理单张图像表现出色，但在被要求同时处理数十张或数百张图像时却显得力不从心，而这正是现代人工智能系统运作的方式。新库 TorchMorph 通过改变规则，允许图形处理器通过一次协调的努力来处理整批图像。它支持多达八个不同空间维度的数据，这意味着它可以同时处理复杂的 3D 体积数据、延时摄影视频以及多通道医学扫描。研究人员确保了新系统与旧系统使用相同的语言，即使用相同的名称和设置，因此现有的计算机程序只需更改一行代码即可切换到更快速的版本。
为了实现这种速度，研究人员必须重新思考在图形处理器内部执行计算的方式。一种简单直接的方法是让处理器检查图像中的每一个点及其邻居，这种方法既缓慢又重复。相反，新系统采用了一种巧妙的策略：在将指令发送给图形芯片之前，先在主处理器上预先计算好“雕塑工具”的布局。一旦工作开始，图形处理器只专注于图像的内部区域，那里的计算简单且快速，而将复杂的边界检查留给边缘部分。这种分工协作使得图形处理器能够全速运转，在处理以往需要数千个像素的时间内，就能处理数百万个像素。
性能提升是显著且可衡测的。当研究人员在功能强大的显卡上将新系统与标准方法进行对比测试时，他们发现对于某些任务（例如平滑灰度图像），新系统在处理图像批次时的速度提高了多达一千一百倍。在测量形状内的精确距离时，加速效果更为显著，达到了标准方法的三百五十倍。即使是涉及比较两个不同数据分布的最复杂计算，新系统的速度也快了高达四十二倍。这些数字代表了一种转变：从等待数分钟才能得到结果，变为在不到一秒钟内即可获得结果，这种变化将这些工具从瓶颈转变为学习过程中无缝衔接的一部分。
准确性同样重要。研究人员并不希望以牺牲精度为代价来换取性能。他们运行了数千次测试，将新系统的输出与受信任的标准进行对比，检查了每一个像素和数值。结果显示，新系统的输出与标准几乎完美匹配。对于仅由黑白组成的二值图像，结果是完全一致的。对于带有灰色阴影的图像，其差异小于两百万分之一单位，这一误差微小到肉眼几乎无法察觉，且在实际应用中可以忽略不计。这种严谨的测试证实了新系统不仅速度快，而且可靠，使其能够安全地应用于医疗诊断或自动驾驶等关键领域。
该库涵盖了广泛的操作，从基础的形状腐蚀（eroding）和膨胀（dilating）任务，到更高级的功能，如寻找任何点到最近边缘的精确距离。它还包括一个专门的工具，用于根据将一个形状变形为另一个形状所需的“功”的大小来比较形状，这种技术越来越多地被用于教导人工智能识别模式。所有这些工具现在都作为一个单一的开源包提供，任何人都可以使用。通过消除这些经典图像处理工具与驱动人工智能的现代硬件之间的障碍，研究人员为更先进、更高效的学习系统打开了大门。这项工作表明，有时最重大的进步并非来自发现新的物理定律，而仅仅是找到了将旧定律应用于现有工具的更好方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。