3D生成扩散模型在医学图像合成，特别是高保真3D MRI生成中展现出巨大潜力。然而，这类模型的部署受到高昂GPU资源需求的严重制约。以Med-DDPM为代表的扩散模型，每个样本需要执行数百次U-Net评估，且内核行为高度异质，导致计算效率低下。为了深入理解这一瓶颈，来自研究团队对Med-DDPM在NVIDIA三代GPU架构上进行了全面的性能分析，涵盖内核级运行时分解、指令混合特征、内存系统利用率、线程束级活动以及分析器优先级评分估计。
研究发现，训练过程主要由cuDNN卷积和隐式GEMM内核主导。这些内核在内存访问模式、张量布局转换以及Tensor Core利用率方面存在显著的低效问题。具体而言，不规则的内存访问模式导致带宽利用率不足，频繁的张量布局转换增加了额外开销，而Tensor Core作为专用的矩阵乘法加速单元，其利用率仅为1.45倍，远未发挥全部潜力。
针对这些问题，研究团队提出了两种架构感知优化策略：启用TF32 Tensor Core和采用3D channels-last内存布局。TF32 Tensor Core通过降低精度但保持与FP32相近的动态范围，显著加速了卷积和矩阵运算。Channels-last布局则通过优化数据在内存中的排列方式，减少了数据重排的开销。实验结果表明，这些优化在NVIDIA A100 GPU上实现了惊人的性能提升：SM周期减少高达100倍，动态指令减少100倍，Tensor Core利用率从1.45倍跃升至9.98倍，每周期指令数（IPC）提高了7%。更为重要的是，这些优化完全不影响合成质量，实现了效率与精度的完美平衡。
该研究不仅为Med-DDPM的高效部署提供了具体指导，也为其他3D生成扩散模型的性能优化提供了可借鉴的方法。随着GPU架构的持续演进，类似的自适应优化策略将在医学成像和生成式AI领域发挥越来越重要的作用。