Dit project heeft als doel om differentieel programmeren (DP) te verbeteren om beeldverwerkings- en computervisiealgoritmes efficiënt om te zetten naar heterogene hardware (bestaande uit CPU, GPU en FPGA) en edge-apparaten. DP zal hiervoor uitgebreid worden met technieken zoals verwachtingspropagatie en variationele benaderingen, waardoor gedistribueerd rekenen en gradiëntberekeningen mogelijk worden gemaakt op cloud- en edge-platformen. De mogelijkheden van hybriede FPGA-GPU systemen voor real-time videobewerking en het gebruik van benaderende rekenmethoden op edge-apparaten worden ook verkend, met een nadruk op het verminderen van energieverbruik en het verbeteren van de latentie (namelijk, verminderen en stabiliseren). Het overkoepelende doel is om gedistribueerde inferentie en training te ondersteunen voor zowel neurale netwerken als hybride AI-beeldverwerkingsalgoritmen op diverse hardware-architecturen.