tut. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
| Títol variant: |
CUDA-based development of an AI-driven compression technique |
| Títol variant: |
Desarrollo en CUDA de una técnica de compresión basada en IA |
| Data: |
2026 |
| Resum: |
La Reversible Regression Network (R2-Net) és un model de predicció intra-bloc basat en DPCM que, tot i eliminar la transmissió de paràmetres, imposa una dependència causal estricta que provoca GPU Starvation. Aquest treball proposa dues estratègies per superar aquest coll d'ampolla: el mètode Wavefront, que explota el paral·lelisme diagonal preservant les dependències causals, i el mètode Parallel, que les elimina per vectoritzar la imatge sencera. Implementades sobre CPU i GPU mitjançant CUDA i CuPy, s'assoleix un speedup màxim de 583. 8x. Finalment, s'analitza l'impacte de la precisió numèrica, demostrant que float32 duplica el rendiment amb una pèrdua de qualitat imperceptible, mentre que el mètode Parallel penalitza la compressibilitat teòrica en trencar la correlació espacial. |
| Resum: |
The Reversible Regression Network (R2-Net) is an intra-block prediction model based on DPCM that eliminates parameter transmission but imposes a strict causal dependency between blocks, causing GPU Starvation. This work proposes two strategies to overcome this bottleneck: the Wavefront method, which exploits diagonal parallelism while preserving causal dependencies, and the Parallel method, which removes them to vectorize the entire image. Implemented on CPU and GPU via CUDA and CuPy, a maximum speedup of 583. 8x is achieved. Finally, the impact of numerical precision is analyzed, showing that float32 doubles throughput with negligible quality loss, while the Parallel method penalizes theoretical compressibility by breaking spatial correlation between blocks. |
| Resum: |
La Reversible Regression Network (R2-Net) es un modelo de predicción intra-bloque basado en DPCM que, a pesar de eliminar la transmisión de parámetros, impone una estricta dependencia causal que provoca GPU Starvation. Este trabajo propone dos estrategias para superar este cuello de botella: el método Wavefront, que explota el paralelismo diagonal preservando las dependencias causales, y el método Parallel, que las elimina para vectorizar la imagen entera. Implementadas sobre CPU y GPU mediante CUDA y CuPy, se logra un speedup máximo de 583. 8x. Finalmente, se analiza el impacto de la precisión numérica, demostrando que float32 duplica el rendimiento con una pérdida de calidad imperceptible, mientras que el método Parallel penaliza la compresibilidad teórica al romper la correlación espacial. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Català |
| Titulació: |
Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau |
| Àrea temàtica: |
Menció Tecnologies de la Informació |
| Matèria: |
Compressió d'imatges ;
R2-Net ;
DPCM ;
CUDA ;
Wavefront ;
Paral·lelisme ;
Speedup ;
Entropia ;
Image compression ;
Parallelism ;
Entropy ;
Compresión de imágenes ;
Paralelismo ;
Entropía |
visitant ::
identificació
