Distributed Deterministic Edge Coloring using Bounded Neighborhood Independence
We study the {edge-coloring} problem in the message-passing model of distributed computing . This is one of the most fundamental and well-studied problems in this area. Currently, the best-known deterministic algorithms for (2Delta -1)-edge-coloring requires O(Delta) + log-star n time \cite{PR01} , where Delta is the maximum degree of the input graph. Also, recent results of \cite{BE10} for vertex-coloring imply that one can get an O(Delta)-edge-coloring in O(Delta^{epsilon} \cdot \log n) time, and an O(Delta^{1 + epsilon})-edge-coloring in O(log Delta log n) time, for an arbitrarily small con…
2010-10-12 cs.DC
A Fast Deterministic Algorithm for $(Δ+1)$-edge coloring in CONGEST
CISPA Helmholtz Center for Information Security(CISPA 赫尔姆霍兹信息安全中心);Telecom SudParis(电信南巴黎学院)
针对CONGEST模型,提出首个确定性poly(Δ, log n)轮的(Δ+1)-边着色算法,其n依赖关系Õ(log⁵n)与LOCAL模型最优值一致,填补了该模型下的研究空白。
2026-08-20 cs.DC
Improved Distributed Degree Splitting and Edge Coloring
度分裂问题需要将图的边着色为红色或蓝色,使得每个节点在每种颜色下具有几乎相同数量的边,直到一个小的添加剂差异。该问题的有向变体需要定向边,使得每个节点具有几乎相同数量的传入和传出边,再次达到小的添加剂差异。我们为这两种变体提出了确定性分布式算法,这些算法改进了Ghaffari和Su [SODA'17]提出的对应算法:我们的算法显着更简单,更快,并且具有更小的差异。这也导致了一个更快,更简单的确定性算法的$(2+o(1))Δ$ -边着色,改进的Ghaffari和苏。
2019-01-03 cs.DC cs.DS
Decentralized Distributed Graph Coloring II: degree+1-Coloring Virtual Graphs
本文首次系统研究虚拟图着色,发现恒定拥塞度的虚拟图可近乎普通图速度着色,并给出 $O(\log^4\log n)$ 轮的 deg+1 着色算法。
2024-08-20 cs.DC cs.DS
Fast Coloring Despite Congested Relays
针对CONGEST中局部归约通信代价高的问题,提出一种距离-2着色的O(log^6 log n)轮随机算法,实现了指数级改进。
2023-08-02 cs.DC cs.DS
Graph Coloring Algorithms for Muti-core and Massively Multithreaded Architectures
我们探讨了架构和算法设计的背景下,共享内存平台和一个特定的图形问题的科学和高性能计算,距离-1图着色的核心重要性之间的相互作用。我们介绍了两种不同的多线程启发式算法的规定,NP难,问题。第一种算法依赖于推测和迭代,适合于任何共享内存系统。第二种算法使用了Cray的基本原理,并针对非传统的、大规模多线程的Cray XMT系统。我们研究了Cray XMT和两个多核系统,Sun Niagara 2和Intel Nehalem的算法的性能。这三个系统共同代表了一系列多线程功能和内存结构。作为测试平台,我们使用精心选择的综合生成的大规模图形,以覆盖广泛的输入类型。实验结果表明,该算法具有可扩展的运行时性能,并且使用的颜色数量与底层串行算法几乎相同,这在实践中是有效的。该研究为在众核体系结构上设计高性能的非规则问题算法提供了参考。
2012-05-16 cs.DC
Faster Distributed $Δ$-Coloring via a Reduction to MIS
CISPA Helmholtz Center for Information Security(CISPA 亥姆霍兹信息安全中心)
本文通过将$\Delta$-着色问题归约到MIS问题,在LOCAL模型中实现了与$(\Delta+1)$-着色相同的$\tilde{O}(\log^{5/3} n)$轮确定性复杂度,并改进了随机化及有界度图上的复杂度界。
2025-10-18 cs.DC cs.DS
Fast Distributed Brooks' Theorem
本文给出了一个随机$Δ$ -着色算法,该算法在$\text{poly} \log \log n$轮中运行,其中$n$是输入图的节点数,$Δ$是输入图的最大度.这意味着随机$Δ$ -着色是一个罕见的分布式着色问题,其上界和下界在同一个球场,$\text{poly}\log\log n$,给定已知的$Ω(\log_Δ\log n)$下界[Brandt等人,STOC '16]。我们的主要技术贡献是一个恒定的时间减少到一个恒定数量的$(\text{deg}+1)$列表着色实例,$Δ= ω(\log^4 n)$,从而在一个$\text{poly} \log\log n$轮CONGEST算法,这样的图。这种减少是独立的其他设置的兴趣,包括提供一个新的证明布鲁克斯定理的高度图,并导致一个恒定轮拥塞团算法在这样的图。当$Δ=ω(\log^{21} n)$时,我们的算法甚至在$O(\log^* n)$轮中运行,这表明$Ω(\log_Δ\log n)$下限中的基数是不可避免的。以前,所有考虑的设置的最佳递归算法使用对数轮数。我们的结果是第一个$Δ$ -染色非常度图的CONGEST算法。
2022-11-14 cs.DC cs.DS
Fast Distributed Vertex Splitting with Applications
我们提出了${\rm poly\log\log n}$轮随机分布式算法来计算顶点分裂,一个分区的顶点到$k$部分,使一个节点的度$d(u)$有$\approx d(u)/k$邻居在每个部分的图。我们的技术可以被看作是第一个进展,一般${\rm poly\log\log n}$轮算法的Lovász局部引理。作为我们结果的主要应用,我们得到了一个随机的${\rm poly\log\log n}$ -轮CONGEST算法,用于$(1+ε)Δ$ -边着色$n$ -节点图的足够大的常数最大度$Δ$,对于任何$ε>0$ .此外,我们的结果提高了计算缺陷着色和某些紧列表着色问题。所有的结果都以指数方式提高了最先进的轮复杂度,即使在Round-Model中也是如此。
2022-08-17 cs.DC cs.DS
Coloring Fast with Broadcasts
本文提出一种基于广播的(Δ+1)-着色分布式算法,每节点每轮仅发送O(log n)比特消息,达到O(log^3 log n)轮复杂度,与更强的CONGEST模型最新成果相当,并可在流式低内存弱模型下实现。
2023-04-19 cs.DC cs.DS
LH*TH: New fast Scalable Distributed Data Structures (SDDS)
1993年提出的可扩展分布式数据结构(SDDS)成为多机数据管理的基础。本文提出了一种基于Trie哈希的LH* 桶的组织方法,以提高不同访问请求的次数。
2014-12-14 cs.DC
Near-Optimal Distributed Degree+1 Coloring
我们提出了一种新的方法来随机分布图着色,这是更简单,更有效的比以前的。特别地,它允许我们解决$(\operatorname{deg}+1)$ -列表着色(D1 LC)问题,其中度$d_v$的每个节点$v$被分配$d_v+1$颜色的调色板,并且目标是使用这些调色板找到适当的着色。虽然对于$(Δ+1)$着色(其中$Δ$是最大度),存在快速随机化分布式$O(\log^3\log n)$轮算法(Chang,Li和Pettie [SIAM J. Comp. 2020]),但D1 LC问题没有已知的$o(\log n)$轮算法。我们给出了一个随机分布式算法D1 LC是合理的假设下的确定性问题的复杂性最优。使用Ghaffari和Kuhn [FOCS 2021]的最新确定性算法,我们的算法在$O(\log^3 \log n)$时间内运行,匹配$(Δ+1)$ -着色的最佳边界。此外,它还为$O(\log^* n)$轮中度为$Ω(\log^7 n)$的所有节点着色。一个关键的贡献是一个子程序,以产生松弛的D1 LC。当置于Assadi,Chen和Khanna [SODA 2019]以及Alon和Assadi [APPROX/RANDOM 2020]的框架中时,这几乎立即导致了D1 LC的调色板稀疏化定理,推广了以前的结果。这给出了三种不同模型中的D1 LC快速算法:MPC模型中的$O(1)$轮算法,每…
2021-12-01 cs.DC cs.DS
A Hybrid Graph Coloring Algorithm for GPUs
图算法主要分为拓扑驱动和数据驱动两大类。数据驱动的方法维护一个活动节点的工作列表,这些节点上的工作必须完成。拓扑驱动的方法扫描整个图以找到活动节点。杂交是一种优化技术,其中在每次迭代中,基于工作列表大小以拓扑驱动或数据驱动的方式进行计算。在混合实现中,需要在拓扑驱动和数据驱动方法之间切换。通常,工作列表仅在算法的数据驱动部分中维护,而在拓扑驱动部分中丢弃。我们提出了一个变种的杂交,其中一个工作列表是保持在整个算法的所有迭代,仍然显示它比这两个,拓扑驱动和数据驱动的方法更快。我们考虑一个图着色算法称为IPGC(迭代并行图着色),并实现了一个混合版本相同的图域特定的语言称为IrGL。我们在NVIDIA GPU上的一套10个大型图形上观察到2.13倍的IPGC数据驱动实现的平均加速。
2019-12-03 cs.DC
List Defective Colorings: Distributed Algorithms and Applications
University of Freiburg(弗赖堡大学)
本文提出列表缺陷着色这一新着色变体,扩展分布式列表着色算法,得到CONGEST模型中首个时间复杂度匹配LOCAL模型最优值的确定性$(\boldsymbol{\text{Δ}}+1)$着色算法。
2026-08-05 cs.DC cs.DS
Faster Distributed $Δ$-Coloring via Ruling Subgraphs
本文提出了一种基于ruling子图族的确定性$O(\log n \log^* n)$轮和随机化$O(\log \log n \log^* n)$轮分布式$Δ$-染色算法,几乎匹配了已知下界,解决了常数度图上$Δ$-染色复杂度的长期开放问题。
2025-03-06 cs.DC cs.DS
Greed is Good: Optimistic Algorithms for Bipartite-Graph Partial Coloring on Multicore Architectures
在并行计算中,有效的图着色产生着色任务、数据点等的无锁处理,而不需要昂贵的同步机制。然而,着色不是免费的,开销可能很大。具体地,对于在科学计算和数值优化领域内具有各种用例的二分图部分着色(BGPC)和距离2图着色(D2 GC)问题,对于许多现实生活中的图,着色开销可以是单个线程的分钟数量级。在这项工作中,我们提出了共享内存架构上的偶图部分着色的并行算法。与现有的共享内存BGPC算法相比,所提出的算法采用更贪婪和更乐观的技术,产生更好的并行着色性能。特别是,在16个核心上,所提出的算法的执行速度比ColPack库中的对应算法快4倍以上,据我们所知,ColPack库是多核架构中唯一公开可用的着色库。除了BGPC,所提出的技术来设计并行的距离-2图着色算法和类似的性能改善已被观察到。最后,我们提出了两个无成本的平衡算法BGPC,可以减少偏度和不平衡的颜色集的基数(几乎)免费。该算法也可以用于D2 GC问题,一般来说,它们可能会产生更好的基于颜色的并行化性能,特别是在众核架构上。
2017-01-10 cs.DC cs.DS
Distributed Algorithms for Near-Equitable Coloring
Weizmann Institute of Science(魏茨曼科学研究所)
针对分布式网络中的近均衡图着色问题,本文提出一组对应不同权衡点的快速随机分布式算法,并分析其在串行、CONGEST及CC模型中的时间复杂度。
2026-08-05 cs.DC cs.DS
Distributed $(Δ+1)$-Coloring in Graphs of Bounded Neighborhood Independence
University of Freiburg(弗赖堡大学)
研究在边界独立性为θ的图中,改进了(Δ+1)着色的确定性复杂度,证明在θ为Δ的对数多项式范围内,可在准多项对数时间内完成。
2026-09-03 cs.CC cs.DC cs.DM
Stark: Fast and Scalable Strassen's Matrix Multiplication using Apache Spark
本文在Strassen矩阵乘法算法的基础上,在Apache Spark平台上提出了一种新的快速、高可扩展的分布式矩阵乘法算法Stark。Stark在分布式环境中保留了Strassen的7乘法方案,从而实现了更快的执行速度。它基于两个新的思想:建立一个计算的递归树,树的每一层对应于弹性分布式数据集(RDD)形式的分布式矩阵块的划分和组合;它并行处理每个除法和合并步骤,并通过智能标记其中的矩阵块来记忆子矩阵。据我们所知,Stark是Strassen在Spark平台上的第一个实现。我们的实验表明,斯塔克具有很强的可扩展性,随着矩阵大小的增加,使我们能够乘以两个(16384 × 16384)矩阵与28%和36%的挂钟时间分别比马林和MLLib,国家的最先进的矩阵乘法方法的基础上火花。
2018-11-22 cs.DC
Scalable, Fast Cloud Computing with Execution Templates
大规模云数据分析应用程序通常是CPU受限的。这些周期中的大多数都被浪费了:用C++编写的基准测试比Naiad和Spark等框架快10-51倍。然而,从这些框架调用更快的实现只能看到适度的(3- 5倍)加速,因为它们的控制平面不能足够快地调度工作。本文介绍了执行模板,一个控制平面抽象的CPU绑定的云应用程序,如机器学习。执行模板利用高度重复的控制流将调度决策缓存为{ \it模板}。节点实例化这些模板,而不是在每次循环执行时重新调度数十万个任务。控制器的模板指定了所有工作节点上的执行,并将其划分为每个工作节点的模板。为了确保模板正确执行,控制器动态地修补模板以匹配程序控制流。我们已经在Nimbus(一个C++云计算框架)中实现了执行模板。在Nimbus中运行,分析基准可以比Naiad和Spark快16-43倍。Nimbus的控制平面可以扩展到多达100个节点(800个核心)上运行这些更快的基准测试。
2016-06-06 cs.DC
Towards a Scalable In Situ Fast Fourier Transform
本文旨在将快速傅里叶变换(FFT)应用于科学原位处理链以分析频谱数据,在 SENSEI 基础设施中实现了多维数据的 FFT 端点,并验证了其在多阶段原位工作流中的有效性。
2024-02-02 cs.DC
BigFCM: Fast, Precise and Scalable FCM on Hadoop
聚类在大数据挖掘中扮演着重要的角色,它既是一种建模技术,也是许多数据采掘过程实现中的预处理步骤。模糊聚类比非模糊方法提供了更大的灵活性,它允许每个数据记录在某种程度上属于多个聚类。然而,模糊聚类的一个严重挑战是缺乏可扩展性。地球科学、生物学和网络等新兴领域的海量数据集确实需要高性能的并行和分布式计算来解决现实世界的问题。虽然一些聚类方法已经被改进以在大数据平台上执行,但它们的执行时间对于大数据集来说会大大增加。提出并设计了一种基于Hadoop分布式数据平台的可扩展模糊C均值聚类算法BigFCM。基于map-reduce编程模型,它利用了几种机制,包括一个有效的缓存设计,以实现几个数量级的执行时间减少。在多千兆字节数据集上的广泛评估表明,BigFCM是可扩展的,同时它保留了聚类的质量。
2016-05-10 cs.DC
Sublogarithmic Distributed Vertex Coloring with Optimal Number of Colors
Aalto University(阿尔托大学);Reykjavik University(雷克雅未克大学);TU Graz(格拉茨工业大学)
本文提出一种分布式LOCAL算法,能够在亚对数轮次内完成Δ-k着色,优于现有方法,并在Δ较大时进一步提升效率。
2026-04-01 cs.DC cs.DS
An Optimal Distributed $(Δ+1)$-Coloring Algorithm?
顶点着色是分布式计算中研究的经典对称破缺问题之一。本文给出了随机${\sf LOCAL}$模型在$O(\mathsf{Det}_{\scriptscriptstyle d}(\text{poly} \log n))$时间内$(Δ+1)$ -列表着色的一个新算法,其中$\mathsf{Det}_{\scriptscriptstyle d}(n')$是$n'$ -顶点图上$(\text{deg}+1)$ -列表着色的确定性复杂度. (In对于这个问题,每个$v$都有一个大小为$\text{deg}(v)+1$的调色板。)这改进了Harris、Schneider和Su [STOC'16,JACM'18]的具有复杂度$O(\sqrt{\log Δ} + \log\log n + \mathsf{Det}_{\scriptscriptstyle d}(\text{poly} \log n))$的先前随机化算法,并且对于$Δ$的某些范围,比Fraigniaud、Heinrich和Kosowski [FOCS'16]以及Barenboim、Elkin和Goldenberg [PODC'18]的具有复杂度$O(\sqrt{Δ\log Δ}\log^\ast Δ+ \log^* n)$的最知名的确定性算法快得多。我们的算法“似乎是”最优的,鉴于$Ω(\mathsf{Det}(\text{poly} …
2019-03-11 cs.DC cs.DS
Accurate, Fast and Scalable Kernel Ridge Regression on Parallel and Distributed Systems
我们提出了两种新的方法来解决KRR的弱标度问题:平衡KRR(BKRR)和K-means KRR(KKRR)。这些方法考虑将输入数据集划分为p个不同部分的替代方法,生成p个不同的模型,然后从中选择最佳模型。与传统的实现相比,KKRR 2(KKRR的优化版本)将弱缩放效率从0.32%提高到38%,并且在使用相同的数据和相同的硬件(1536个处理器)的情况下获得591倍的加速比。BKRR 2(BKRR的优化版本)比当前最快的方法实现了更高的准确性,对于各种数据集使用更少的训练时间。对于只需要近似解的应用,BKRR 2将弱尺度效率提高到92%,实现了3505倍的加速比(理论加速比:4096倍)。
2018-05-01 cs.DC
SPIN: A Fast and Scalable Matrix Inversion Method in Apache Spark
大数据在诸如地球科学、社交网络、物理科学等领域中的增长导致了对高效且可扩展的线性代数运算(例如,矩阵求逆)的巨大需求。使用大数据平台进行高效和分布式矩阵求逆的现有方法依赖于基于LU分解的块递归算法。然而,这些算法是复杂的,需要大量的边计算,例如矩阵乘法,在各种级别的递归。在本文中,我们提出了一个不同的计划的基础上Strassen的矩阵求逆算法(在Strassen的原始文件在1969年提到),它使用少得多的操作,在每一级的递归。我们实现了所提出的算法,并通过大量的实验,表明它是更有效的比最先进的方法。此外,我们提供了一个详细的理论分析所提出的算法,并推导出理论上的运行时间密切配合的经验观察挂钟运行时间,从而解释了U形行为w.r.t.块大小。
2018-01-15 cs.DC
Graph Neural Networks as Ordering Heuristics for Parallel Graph Coloring
University of Bergen(卑尔根大学)
本文提出一种基于 GNN 的并行图着色排序启发式方法,结合监督与无监督训练,在着色质量、运行时间和并行扩展性上优于 LF 与 SL。
2024-08-09 cs.DC cs.LG
An Exponential Separation Between Randomized and Deterministic Complexity in the LOCAL Model
在过去的30年中,许多算法已经被设计用于对称破缺问题的模型,如最大匹配,MIS,顶点着色,边着色。对于大多数问题,最好的随机算法至少比最好的确定性算法快指数。在本文中,我们证明了这些指数差距是必要的,并建立了确定性和随机化的复杂性之间的联系,在ESTA模型。每个结果都有一个非常引人注目的信息:1。快速$Δ$ -树的着色需要随机位:基于Brandt等人最近的下界,本文证明了对任意$Δ\ge 3$,用最大度$Δ\ge 55$对树进行$Δ$着色的随机复杂性为$Θ(\log_Δ\log n)$,而确定复杂性为$Θ(\log_Δn)$。这也建立了$Δ$ -着色和$(Δ+1)$ -着色树的确定性复杂性之间的大分离。2.随机下界意味着确定性下界:我们证明,任何确定性算法的一个自然类的问题,在$O(1)+o(\log_Δn)$轮运行可以转换为运行在$O(\log^*n-\log^*Δ+1)$轮。如果变换后的算法违反了一个下限(甚至允许随机化),那么可以得出结论,该问题需要$Ω(\log_Δn)$时间确定性。3.确定性下界意味着随机下界:我们证明了任何自然问题的大小$n$的实例的随机复杂性至少是其确定性复杂性的大小$\sqrt{\log n}$的实例。这表明,任何问题的确定性$Ω(\log_Δn)$下限意味着随机$Ω(\log_Δ\log n)$下限。它还说明了图粉碎技术是必不可少的,以保证模型。
2016-04-06 cs.CC cs.DC cs.DS
Efficient Parallel $(Δ+1)$-Edge-Coloring
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文提出了一种更高效的并行(Δ+1)-边着色算法,时间复杂度更低且更简单。
2026-01-20 cs.DC cs.DM cs.DS
Adaptive Massively Parallel Coloring in Sparse Graphs
本文研究稀疏图中以 arboricity 为参数的顶点着色问题,提出在低空间 AMPC 模型下高效计算 Nash-Williams 定向的确定性算法,并以亚线性自适应查询实现常数或近常数时间的 poly α 和 O(α)-着色。
2024-05-02 cs.DC cs.DS
Taming Hybrid-Cloud Fast and Scalable Graph Analytics at Twitter
近年来,我们见证了Twitter对图形分析的需求激增,图形分析已成为Twitter大规模数据分析和机器学习的关键部分之一,用于推动参与度,提供最相关的内容,并促进更健康的对话。然而,图形分析的基础设施历来不是Twitter的投资领域,导致每个项目都需要很长的时间轴和巨大的工程工作来处理Twitter规模的图形。我们如何构建统一的图分析用户体验,以实现从数千到数千亿个顶点和边的各种图规模的现代数据分析?为了将快速和可扩展的图形分析能力带入生产,我们调查了Twitter在大规模图形分析方面面临的挑战,并提出了一个统一的图形分析平台,用于跨内部部署和云进行高效,可扩展和可靠的图形分析,以满足不同图形用例和具有挑战性的规模的要求。我们还对Twitter的生产级图用例在流行的图分析框架之间进行定量基准测试,以证明我们的解决方案。
2022-08-25 cs.DB cs.DC
Distributed Lovász Local Lemma under Bandwidth Limitations
针对带宽受限的CONGEST模型下Lovász局部引理(LLL)研究不足的问题,本文提出了多类LLL问题的高效分布式算法,并基于此设计的稀疏图、无三角形图着色算法比原有LOCAL模型算法快指数倍。
2024-05-12 cs.DC cs.DS
Fast algorithms for Vizing's theorem on bounded degree graphs
本文针对有界度图提出首个线性时间$(\Delta+1)$-边着色算法,并给出分布式LOCAL模型中的快速确定性及随机化算法,核心创新在于熵压缩方法的新应用。
2025-08-04 cs.DC cs.DM cs.DS
Fast 2D Convolutions and Cross-Correlations Using Scalable Architectures
Pontificia Universidad Católica del Perú(秘鲁天主教大学);University of New Mexico(新墨西哥大学);Oakland University(奥克兰大学)
该手稿描述了快速和可扩展的架构和相关算法计算卷积和互相关。基本思想是将2D卷积和互相关映射到变换域中的1D卷积和互相关的集合。这是通过使用离散周期拉东变换(DPRT)的一般内核和使用SVD-LU分解的低秩内核。该方法使用可扩展的架构,可以适应现代FPGA和Zynq-SOC设备。基于不同类型的可用资源,对于$P\times P$块,可以仅在高达$O(P^2)$时钟周期的$O(P)$时钟周期中计算2D卷积和互相关。因此,在性能与所需资源的数量和类型之间存在权衡。我们使用现代可编程器件(Virtex-7和Zynq-SOC)提供所提出的架构的实现。基于所需资源的数量和类型,我们表明,所提出的方法显着优于目前的方法。
2021-12-24 cs.AR cs.CV cs.DC
Fast and Scalable Computation of the Forward and Inverse Discrete Periodic Radon Transform
University of New Mexico(新墨西哥大学);Pontificia Universidad Católica del Perú(秘鲁天主教大学);Oakland University(奥克兰大学)
离散周期拉东变换(DPRT)已被广泛用于涉及从投影重建图像的应用中。本手稿介绍了一种快速和可扩展的方法,用于计算基于使用的正向和反向DPRT:(i)固定点加法器树的并行阵列,(ii)循环移位寄存器,以在为加法器树选择输入数据时消除对访问外部存储器组件的需要,(iii)DPRT计算的基于图像块的方法,其可以使所提出的体系结构适合于可用资源,以及(iv)在一个或几个时钟周期中计算的快速转置,其不依赖于输入图像的大小。因此,对于$N\times N$图像($N$素数),所提出的方法可以在每个时钟周期计算多达$N^{2}$的加法。与以前的方法相比,可扩展的方法为不同数量的计算资源提供了最快的已知实现。例如,对于$251\times 251$图像,对于比脉动实现所需的触发器大约少$25\%$的情况,我们得到可缩放DPRT的计算速度快36倍。对于最快的情况下,我们介绍了优化的架构,可以计算DPRT及其逆在$2N+\left\lceil \log_{2}N\right\rceil+1$和$2N+3\left\lceil \log_{2}N\right\rceil+B+2$周期分别,其中$B$是用于表示每个输入像素的位数。另一方面,可扩展DPRT方法需要比脉动实现更多的1位加法,并在速度和额外的1位加法之间进行权衡。所有提出的DPRT架构都是用VHDL实现的,并使用FPGA实现进行了验证。
2021-12-24 cs.AR cs.CV cs.DC