論文の概要: TorchMorph: CUDA-accelerated Morphological Transforms

• arxiv url: http://arxiv.org/abs/2608.24738v1
• Date: Tue, 25 Aug 2026 15:46:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.083859
• Title: TorchMorph: CUDA-accelerated Morphological Transforms
• Title（参考訳）: TorchMorph:CUDAによる形態変化の促進
• Abstract要約: PyTorch上に構築されたGPUビジョンライブラリは、演算子の狭いサブセットをカバーする。 TorchMorphは、二項形態学、グレースケール形態学、および正確な近似距離変換をカバーする作用素を公開する。 バッチ実行は、グレースケール形態上のscipy.ndimageのスループットの最大1.1e3倍に達する。
• 参考スコア（独自算出の注目度）: 4.910415354181461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Morphological transforms are long-standing tools for shape and mask processing, but the de facto reference implementation in the Python ecosystem, i.e. scipy.ndimage, is CPU-only, single-array, and therefore unusable inside a GPU training loop without an expensive device-to-host round trip. GPU vision libraries built on PyTorch cover a narrow subset of these operators, typically restricted to two spatial dimensions and flat structuring elements. We present TorchMorph, a lightweight PyTorch extension that closes this gap. TorchMorph exposes 22 public operators covering binary morphology, greyscale morphology, exact and approximate distance transforms, and entropy-regularised optimal transport, all implemented as fused CUDA kernels that operate directly on (B, C, Spatial...) CUDA tensors with up to eight spatial dimensions. The API deliberately mirrors scipy.ndimage argument-for-argument, including border modes, structuring-element origins and pre-allocated outputs, so that existing pipelines port with a change of import. We describe the layered architecture and the kernel designs behind each operator family. Against single-threaded CPU references, batched execution reaches up to 1.1e3 times the throughput of scipy.ndimage on greyscale morphology and up to 350x on exact Euclidean distance transforms, while the Sinkhorn solver runs up to 42x faster than POT. Binary and chamfer operators reproduce their SciPy counterparts exactly, and every float-valued operator agrees with the CPU reference to within 1.8e-6 absolute error. TorchMorph is released under the MIT licence at https://intcomp.github.io/tm.
• Abstract（参考訳）: 形態変換は形状とマスク処理のための長年のツールであるが、Pythonエコシステムにおける事実上の参照実装であるscipy.ndimageはCPUのみの単一アレイであるため、高価なデバイス間ラウンドトリップなしでGPUトレーニングループ内では使用できない。 PyTorch上に構築されたGPUビジョンライブラリは、これらの演算子の狭い部分集合をカバーする。 私たちは、このギャップを埋める軽量なPyTorch拡張であるTorchMorphを紹介します。 TorchMorphは22の公開作用素を公開し、二乗形態、グレースケール形態、正確かつ近似的な距離変換、エントロピー規則化された最適輸送を、(B、C、Spatial...)CUDAテンソル上で最大8次元まで動く融合CUDAカーネルとして実装した。 このAPIは故意にscipy.ndimage argument-for-argumentを反映しており、境界モード、構造化要素の起源、事前割り当てされた出力を含むため、既存のパイプラインはインポートの変更とともにポートされる。 各演算子ファミリーの背後にある階層構造とカーネル設計について述べる。 シングルスレッドのCPU参照に対して、バッチ実行は、グレースケールのモルフォロジー上でのscipy.ndimageのスループットの最大1.1e3倍、ユークリッド距離変換で最大350倍に達する。 バイナリ演算子とシャムファー演算子はSciPy演算子を正確に再現し、フロート値演算子はすべて1.8e-6絶対誤差のCPU参照に一致する。 TorchMorphはMITライセンス下でhttps://intcomp.github.io/tm.comで公開されている。

関連論文リスト

• A Scalable PyTorch Abstraction for Multi-GPU Gaussian Splatting [44.78530292755235]
  本稿では,高解像度化と高解像度化を実現するため,ガウススプラッティングのマルチGPU手法を提案する。 メモリとNVLinkを介してGPU間でパラメータとスプレイティング演算子を分散するPyTorchバックエンドを提案する。 我々は、街並みの細部が10億以上のガウスのスプラペットで構成され、現在の芸術の25倍以上の規模で街並みの再現を実演する。
  論文  参考訳（メタデータ） (2026-06-09T19:15:39Z)
• Litespark Inference on Consumer CPUs: Custom SIMD Kernels for Ternary Neural Networks [0.00815557531820863]
  Litespark-InferenceはHugging-Faceと直接統合され、9.2倍高速、52倍高速、14倍メモリ削減を実現している。 実装であるLitespark-Inferenceは、pipインストール可能で、Hugging-Faceと直接統合され、9.2倍高速なタイム・ツー・ファースト・トークン、52倍高いスループット、14倍のメモリ削減を実現しています。
  論文  参考訳（メタデータ） (2026-05-07T16:07:39Z)
• SoftDTW-CUDA-Torch: Memory-Efficient GPU-Accelerated Soft Dynamic Time Warping for PyTorch [11.845589863914851]
  我々は、GPU上でのSoft Dynamic Time Warpingを計算するためのオープンソースのPyTorchライブラリであるSoftdtw-cuda-torchを紹介する。 本実装は,既存のGPU実装であるSoftDTWの3つの重要な制限に対処する。 ライブラリは任意のシーケンス長、完全なPyTorchオートグレード統合、Soft-DTW Barycenterをサポートする。
  論文  参考訳（メタデータ） (2026-02-19T09:53:03Z)
• scipy.spatial.transform: Differentiable Framework-Agnostic 3D Transformations in Python [49.015684860172975]
  三次元剛体変換、すなわち回転と変換は、現代の微分可能な機械学習パイプラインの中心である。 SciPyのspace$.$diffモジュールは、厳格にテストされたPython実装である。 我々はSciPyの空間$.$transform機能を完全にオーバーホールし、Python配列APIを実装する任意の配列ライブラリと互換性を持たせる。
  論文  参考訳（メタデータ） (2025-11-22T18:52:34Z)
• depyf: Open the Opaque Box of PyTorch Compiler for Machine Learning Researchers [92.13613958373628]
  textttdepyfは、PyTorchコンパイラの内部動作を復号化するためのツールである。 textttdepyfは、PyTorchが生成したバイトコードを等価なソースコードに逆コンパイルする。
  論文  参考訳（メタデータ） (2024-03-14T16:17:14Z)
• Efficient and Generic 1D Dilated Convolution Layer for Deep Learning [52.899995651639436]
  幅広いパラメータをカバーする汎用的な1D畳み込み層の効率的な実装を紹介します。 特にIntel AVX-512とAVX-512 BFloat16命令を含むアーキテクチャ向けに最適化されている。 本稿では,最適化された1次元畳み込み層の性能を,実際のゲノミクスデータセットを用いたエンドツーエンドニューラルネットワークトレーニングで実証する。
  論文  参考訳（メタデータ） (2021-04-16T09:54:30Z)
• Hybrid Models for Learning to Branch [81.93868699246214]
  我々はCPUマシン上で効率的な分岐を行うための新しいハイブリッドアーキテクチャを提案する。 提案アーキテクチャは,GNNの表現力と分岐処理のための計算コストの低い多層パーセプトロン(MLP)を組み合わせる。
  論文  参考訳（メタデータ） (2020-06-26T21:03:45Z)
• Kernel Operations on the GPU, with Autodiff, without Memory Overflows [5.669790037378094]
  KeOpsライブラリは、数学的公式によってエントリが与えられるテンソルに対して、高速でメモリ効率のよいGPUサポートを提供する。 KeOpsは、カーネルおよび幾何学的アプリケーションのためのテンソル中心ライブラリの大きなボトルネックであるメモリ消費を緩和する。 KeOpsは、最適化されたC++/CUDAスキームと、Python(NumpyとPyTorch)、Matlab、Rのバインダーを組み合わせる。
  論文  参考訳（メタデータ） (2020-03-27T08:54:10Z)
• TorchIO: A Python library for efficient loading, preprocessing, augmentation and patch-based sampling of medical images in deep learning [68.8204255655161]
  我々はTorchIOというオープンソースのPythonライブラリを紹介し、ディープラーニングのための医療画像の効率的なロード、前処理、拡張、パッチベースのサンプリングを可能にする。 TorchIOはPyTorchのスタイルに従い、標準的な医用画像処理ライブラリを統合して、ニューラルネットワークのトレーニング中に画像を効率的に処理する。 Pythonを使わずに、画像ファイルに変換を適用できるコマンドラインインターフェースが含まれている。
  論文  参考訳（メタデータ） (2020-03-09T13:36:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。