+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ {reportConfig.title}
+{reportConfig.subtitle}
+ + +
+
+ -
+
- 新增三大能力：ElasticTransform（保持 H 一致）、程序化合成与一键管线（GDS→PNG→质检→配置写回）、三源混采训练（真实/程序合成/扩散合成，验证集仅真实）。已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% 显存节省目标。 +
- 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。 +
+
+
+
+
+
+ -
+
- 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）。
+ - 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）。
+
+
+
+
+
+
+
+
+
+ 3.1 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）
+要点：ResNet34 在 CPU 场景下具备稳健的“速度—FPN 额外开销”折中；EfficientNet-B0 单尺度很快但 FPN 代价显著。
+
+
+
+
+
+
+
+
+
+
+ 3.5 GPU 细分（含注意力，A100，512×512，runs=5）
+要点：GPU 环境下注意力对耗时影响较小；ResNet34 仍是单尺度与 FPN 的最佳选择。
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ 3.6 对标方法与 JSON 结构（方法论补充）
+速度提升（speedup_percent）：
+显存节省（memory_saving_percent）：
+精度保障：匹配数不显著下降（例如 FPN_matches ≥ SW_matches × 0.95）。
+
+
+
+
+
+
+
+
+
+
+ 3.7 复现实验命令（便携）
+
+
+ -
+
- 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。
+
+
+
+
+
+
+
+
+
+
+
+ 训练收敛更稳
+Elastic + 程序合成；对非刚性扰动更鲁棒，收敛更平稳。
+
+
+ 泛化能力增强
+风格域与结构多样性扩大，减少过拟合风险。
+
+
+ 工程复现性提升
+一键管线、配置写回、TB 导出，标准化流程，复现更强。
+
+
+ 推理经济性提升
+FPN 相对滑窗 ≥30% 提速与 ≥20% 显存节省。
+
+
+
+
+
+
+
+
+ 一键命令（含扩散目录）
+
+
+
+
+
+
+