6.9 KiB
6.9 KiB
优化的IC版图扩散模型
针对曼哈顿多边形IC版图光栅化图像生成的去噪扩散模型优化版本。
🎯 优化目标
专门优化以曼哈顿多边形为全部组成元素的IC版图光栅化图像生成，主要特点：
- 曼哈顿几何感知：模型架构专门处理水平/垂直线条特征
- 边缘锐化：保持IC版图清晰的边缘特性
- 多尺度结构：保持从微观到宏观的结构一致性
- 几何约束：确保生成结果符合曼哈顿几何规则
- 后处理优化：进一步提升生成质量
📁 文件结构
tools/diffusion/
├── ic_layout_diffusion_optimized.py # 优化的核心模型实现
├── train_optimized.py # 训练脚本
├── generate_optimized.py # 生成脚本
├── run_optimized_pipeline.py # 一键运行管线
├── README_OPTIMIZED.md # 本文档
└── original/ # 原始实现（参考用）
├── ic_layout_diffusion.py
└── ...
🚀 快速开始
1. 基本使用 - 一键运行
# 完整管线（训练 + 生成）
python tools/diffusion/run_optimized_pipeline.py \
--data_dir data/ic_layouts \
--output_dir outputs/diffusion_optimized \
--epochs 50 \
--num_samples 200
# 仅生成（使用已有模型）
python tools/diffusion/run_optimized_pipeline.py \
--skip_training \
--checkpoint outputs/diffusion_optimized/model/best_model.pth \
--data_dir data/ic_layouts \
--output_dir outputs/diffusion_generated \
--num_samples 500
2. 分步使用
训练模型
python tools/diffusion/train_optimized.py \
--data_dir data/ic_layouts \
--output_dir models/diffusion_optimized \
--image_size 256 \
--batch_size 4 \
--epochs 100 \
--lr 1e-4 \
--edge_condition \
--augment \
--manhattan_weight 0.1
生成样本
python tools/diffusion/generate_optimized.py \
--checkpoint models/diffusion_optimized/best_model.pth \
--output_dir generated_layouts \
--num_samples 200 \
--num_steps 50 \
--use_ddim \
--use_post_process
🔧 关键优化特性
1. 曼哈顿几何感知U-Net
class ManhattanAwareUNet(nn.Module):
"""曼哈顿几何感知的U-Net架构"""
def __init__(self, use_edge_condition=False):
# 专门的方向感知卷积
self.horiz_conv = nn.Conv2d(in_channels, 32, (1, 7), padding=(0, 3))
self.vert_conv = nn.Conv2d(in_channels, 32, (7, 1), padding=(3, 0))
self.standard_conv = nn.Conv2d(in_channels, 32, 3, padding=1)
# 特征融合
self.fusion = nn.Conv2d(96, 64, 3, padding=1)
优势：
- 专门提取水平和垂直特征
- 保持曼哈顿几何结构
- 增强线条检测能力
2. 多目标损失函数
# 组合损失函数
total_loss = mse_loss +
0.3 * edge_loss + # 边缘感知损失
0.2 * structure_loss + # 多尺度结构损失
0.1 * manhattan_loss # 曼哈顿约束损失
优势：
- 保持边缘锐利度
- 维持多尺度结构一致性
- 强制曼哈顿几何约束
3. 几何保持的数据增强
# 只使用不破坏曼哈顿几何的增强
self.aug_transform = transforms.Compose([
transforms.RandomHorizontalFlip(p=0.5),
transforms.RandomVerticalFlip(p=0.5),
# 移除旋转，保持几何约束
])
4. 后处理优化
def manhattan_post_process(image):
"""曼哈顿化后处理"""
# 形态学操作强化直角特征
# 水平和垂直增强
# 二值化处理
return processed_image
📊 质量评估指标
生成样本会自动评估以下指标：
- 曼哈顿几何合规性 - 角度偏差损失（越低越好）
- 边缘锐度 - 边缘强度平均值
- 对比度 - 图像标准差
- 稀疏性 - 低像素值比例（IC版图特性）
🎛️ 参数调优指南
训练参数
| 参数 | 推荐值 | 说明 |
|---|---|---|
manhattan_weight |
0.05 - 0.2 | 曼哈顿约束权重 |
schedule_type |
cosine | 余弦调度通常效果更好 |
edge_condition |
True | 使用边缘条件提高质量 |
batch_size |
4 - 8 | 根据GPU内存调整 |
生成参数
| 参数 | 推荐值 | 说明 |
|---|---|---|
num_steps |
20 - 50 | DDIM采样步数 |
eta |
0.0 - 0.3 | 随机性控制（0=确定性） |
guidance_scale |
1.0 - 3.0 | 引导强度 |
post_process_threshold |
0.4 - 0.6 | 后处理阈值 |
🔍 故障排除
1. 训练问题
Q: 损失不下降
- 检查数据质量和格式
- 降低学习率
- 增加批次大小
- 调整曼哈顿权重
Q: 生成的图像模糊
- 增加边缘损失权重
- 使用边缘条件训练
- 调整后处理阈值
- 增加训练轮数
2. 生成问题
Q: 生成结果不符合曼哈顿几何
- 增加
manhattan_weight - 启用后处理
- 降低
eta参数
Q: 生成速度慢
- 使用DDIM采样
- 减少
num_steps - 增加
batch_size
3. 内存问题
Q: GPU内存不足
- 减少批次大小
- 减小图像尺寸
- 使用梯度累积
📈 性能对比
| 特性 | 原始模型 | 优化模型 |
|---|---|---|
| 曼哈顿几何合规性 | ❌ | ✅ |
| 边缘锐度 | 中等 | 优秀 |
| 训练稳定性 | 一般 | 优秀 |
| 生成质量 | 基础 | 优秀 |
| 后处理 | 无 | 有 |
| 质量评估 | 无 | 有 |
🔄 与现有管线集成
更新配置文件以使用优化的扩散数据：
synthetic:
enabled: true
ratio: 0.0 # 禁用程序化合成
diffusion:
enabled: true
png_dir: "outputs/diffusion_optimized/generated"
ratio: 0.3 # 扩散数据在训练中的比例
model_checkpoint: "outputs/diffusion_optimized/model/best_model.pth"
📚 技术原理
曼哈顿几何约束
IC版图具有以下几何特征：
- 所有线条都是水平或垂直的
- 角度只能是90°
- 结构具有高度的规则性
模型通过以下方式强制这些约束：
- 方向感知卷积核
- 角度偏差损失函数
- 几何保持后处理
多尺度结构损失
确保生成结果在不同尺度下都保持结构一致性：
- 原始分辨率：细节保持
- 2x下采样：中层结构
- 4x下采样：整体布局
🛠️ 开发者指南
添加新的损失函数
class CustomLoss(nn.Module):
def forward(self, pred, target):
# 实现自定义损失
return loss
# 在训练器中使用
self.custom_loss = CustomLoss()
自定义后处理
def custom_post_process(image):
# 实现自定义后处理逻辑
return processed_image
📄 许可证
本项目遵循与主项目相同的许可证。
🤝 贡献
欢迎提交问题报告和改进建议！
注意：这是针对特定IC版图生成任务的优化版本，对于一般的图像生成任务，请使用原始的扩散模型实现。