基于CUB/CudaSDK无性能损耗地并行排序图像分块

问题背景 #

将图像按参数tile_x、tile_y划分为网格分块（例如tile_x=2、tile_y=2时分为2×2网格），分块尺寸通常在32×32到256×256之间，单CUDA Block无法处理这类规模的分块。需要为每个分块生成无法放入共享内存的大尺寸直方图，优先考虑排序/压缩类实现方案。

现有方案的局限性 #

• 使用CUDA Thrust的多数组并行排序方案时，必须执行两次排序操作，性能损耗极大，无法满足效率需求。
• CUB的设备排序及直方图实现，暂不支持多段数据的同时排序，无法直接适配多图像分块的并行处理场景。

理想解决方案方向 #

优先寻求以下两类方案：

1. 支持多段数据并行排序的cub::DeviceRadixSort::SortKeys实现，能够同时处理多个图像分块的排序需求，进而基于排序结果生成直方图。
2. 无需手动实现带解耦回溯的基数排序的底层原语，且为非单Block级的直方图/排序方案，确保能高效处理大尺寸分块的计算任务。

内容的提问来源于stack exchange，提问作者Krupip