ECCVDec, 2021

MegBA：基于 GPU 的大规模束调整分布式库

PDF
TL;DR本文介绍了 MegBA—— 一种基于 GPU 的分布式大规模相机捆绑优化库，相较于目前现有的 Ceres、RootBA 和 DeepLM 等大规模相机捆绑优化库，它在一些大规模测试中表现出了更高的性能，可以提供巨大的聚合内存，可以自动划分大的 BA 问题，并将子问题的求解器分配到并行节点上。
发现论文，激发创造
  • 超大规模数据的分布式束调整和基于块的稀疏矩阵压缩

    本文提出了利用精确的 Levenberg-Marquardt 算法进行分布式大规模数据集的 bundle adjustment 方法，使用基于块的稀疏矩阵压缩格式来存储和更新全局 reduced camera system，并在实验中展示了该方法的高效性和可扩展性。

    Jul, 2023

  • 基于图处理器的束调整

    本文研究了基于 Graphcore 智能处理单元（IPU）的图处理器，证明了用高斯置信传播算法可以极快地解决经典计算机视觉问题中的束调整问题，并表明图处理的真正优势在于处理表示空间 AI 问题的一般动态因子图的灵活本地优化。

    Mar, 2020

  • BAA-NGP: 捆绑调整加速神经图形基元

    本文提出了一种基于加速采样和哈希编码的框架 BAA-NGP，它能够加快位姿估计、场景重建和新视角合成的处理速度，并在不降低位姿估计质量的情况下，比其他基于束调整的神经辐射场方法提高了十倍至二十倍的速度。

    Jun, 2023

  • 通过平衡内存负载优化改善自动并行训练

    本文介绍了一种系统框架 Galvatron-BMW，集成了多种普遍的并行性维度，并自动识别最高效的混合并行性策略，该系统在不同的 Transformer 模型下展示了 Galvatron-BMW 自动分布式训练的能力。

    Jul, 2023

  • 基于贝叶斯优化的毫米波 MIMO 通信系统波束对准

    本论文提出使用机器学习策略 Bayesian optimization 来有效解决毫米波通信中非常狭窄的波束对准问题，提高信道的谱效率并减小了通信的开销。

    Jul, 2022

  • 基于相关赌博机学习的快速毫米波波束对准

    本文提出一种基于分层结构的波束对准算法 (HBA) 来降低毫米波通信系统中波束对准所需时间，该算法将波束对准问题转化为了随机多臂老虎机问题，并利用波束间的相关性来加速波束对准过程，同时通过加入信道波动先验知识来进一步加快波束对准过程。理论分析表明，该算法渐近优越。大量模拟实验表明，该算法能够在多径信道中高概率地确定最优波束，并将波束对准时间从几百毫秒降至几毫秒，比 IEEE 802.11ad 中现有的波束对准方法更为高效。

    Sep, 2019

  • 提高分区边缘学习效率的联合参数和带宽分配

    本文提出了一个基于有限资源设备的边缘学习框架，其中参数以及带宽分配共同优化，实验结果表明此方法能够显著提高分区式边缘学习的性能。

    Mar, 2020

  • GPyTorch：具有 GPU 加速的黑盒矩阵 - 矩阵高斯过程推理

    本研究提出了一种基于黑盒矩阵乘法（BBMM）的高斯过程推理方法，该方法可将精确 GP 推理的渐近复杂度从 $O (n^3)$ 降至 $O (n^2)$，并成功地使用 GPU 硬件显著加速了推理过程，此外还提供了一种基于 PyTorch 的软件平台 GPyTorch，可用于进行可扩展的高斯过程推理。

    Sep, 2018

  • 通过 Lagrangian 分解改进的神经网络验证分支定界算法

    本篇论文提出了基于 Lagrangian Decomposition 的 bounding 算法和一种新的基于 activation 的 branching 策略。这些新方法应用于 BaDNB 框架中，比以前的完整验证系统具有更快的效率和更高的可扩展性。

    Apr, 2021

  • Bregman 交替方向乘法算法

    本文介绍了镜像下降算法和交替方向乘子法，提出了 Bregman ADMM 框架，实现了问题结构的利用，并且在质量传输问题中实现了大规模并行计算。

    Jun, 2013