Bayesian compressive sensing (BCS) helps address ill-posed signal recovery problems using the Bayesian estimation framework. Gibbs sampling is a technique used in Bayesian estimation that iteratively draws samples from conditional posterior distributions, which is inherently sequential. In this work, we propose a two-stage parallel coefficient update scheme for wavelet-based BCS, where the first stage approximates the real distributions of the wavelet coefficients and the second stage computes the final estimate of the coefficients. While in the first stage, the parallel computing units share information with each other, in the second stage, the parallel units work independently. Even when the computing units share information, when the number of computing units is large, the process deviates from the sequential Gibbs sampler resulting in large reconstruction error. We propose two new coefficient re-computation schemes to reduce the reconstruction error at the cost of longer computation time. We also propose a new coefficient update scheme that updates coefficients in both stages based on data generated a few rounds ago. Such a scheme helps in relaxing the timing constraints for communication in the first stage and computations in the second stage. We design the corresponding parallel architecture and synthesize it in 7 nm technology node. For the system with 8 computing units, the proposed algorithm reduces the execution time up to 6.8× at maximum compared to the sequential implementation.

贝叶斯压缩感测（BCS）使用贝叶斯估计框架帮助解决不适定信号恢复问题。Gibbs采样是一种用于贝叶斯估计的技术，该技术从条件上的后验分布迭代地抽取样本，而条件后验分布本质上是顺序的。在这项工作中，我们提出了一种基于小波的BCS的两阶段并行系数更新方案，其中第一阶段近似小波系数的实际分布，第二阶段计算系数的最终估计。在第一阶段，并行计算单元彼此共享信息，在第二阶段，并行计算单元独立工作。即使当计算单元共享信息时，当计算单元的数量很大时，该过程与顺序Gibbs采样器不同，从而导致较大的重构误差。我们提出了两种新的系数重新计算方案，以减少重建误差，但需要更长的计算时间。我们还提出了一种新的系数更新方案，该方案可根据几轮前生成的数据在两个阶段更新系数。这样的方案有助于减轻第一阶段中的通信和第二阶段中的计算的时序约束。我们设计了相应的并行架构，并在7 nm技术节点中对其进行了合成。对于具有8个计算单元的系统，与顺序实现相比，该算法最多将执行时间最多减少6.8倍。我们提出了两种新的系数重新计算方案，以减少重建误差，但需要更长的计算时间。我们还提出了一种新的系数更新方案，该方案可根据几轮前生成的数据在两个阶段更新系数。这样的方案有助于减轻第一阶段中的通信和第二阶段中的计算的时序约束。我们设计了相应的并行架构，并在7 nm技术节点中对其进行了合成。对于具有8个计算单元的系统，与顺序实现相比，该算法最多将执行时间最多减少6.8倍。我们提出了两种新的系数重新计算方案，以减少重建误差，但需要更长的计算时间。我们还提出了一种新的系数更新方案，该方案可根据几轮前生成的数据在两个阶段更新系数。这样的方案有助于减轻第一阶段中的通信和第二阶段中的计算的时序约束。我们设计了相应的并行架构，并在7 nm技术节点中对其进行了合成。对于具有8个计算单元的系统，与顺序实现相比，该算法最多将执行时间最多减少6.8倍。这样的方案有助于减轻第一阶段中的通信和第二阶段中的计算的时序约束。我们设计了相应的并行架构，并在7 nm技术节点中对其进行了合成。对于具有8个计算单元的系统，与顺序实现相比，该算法最多将执行时间最多减少6.8倍。这样的方案有助于减轻第一阶段中的通信和第二阶段中的计算的时序约束。我们设计了相应的并行架构，并在7 nm技术节点中对其进行了合成。对于具有8个计算单元的系统，与顺序实现相比，该算法最多将执行时间最多减少6.8倍。