Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.

一、背景信息（必填）
新增图模式算子 Col2ImV2（col2im/fold 计算），将按滑窗展开排列的列数据重排组合为图像张量：输入 3-D (n, ckHkW, ho*wo)，输出 4-D (n, c, outH, outW)，重叠滑窗位置的值累加到同一输出像素，未被任何滑窗覆盖的位置补零。

解决的问题：

兼容性：该算子兼容 ONNX Col2Im（opset 18），功能与 PyTorch torch.nn.functional.fold（torch._C._nn.col2im）完全相同。老芯片（910b/910_93）上无独立 kernel，图编译时被 Col2ImV2FusionPass（FORBIDDEN_CLOSE）无条件改写为 Reshape + Col2im 由 v1 算子执行；ascend950 无融合 pass 机制，融合路径不可用，ONNX 模型中的 Col2Im 节点在 950 上无法编译执行，必须开发本体 kernel。
动态 shape：融合方案需在编译期对通道维做除法构造 Reshape，无法支持动态 shape 图；本体 kernel 通过 cIm = idx/(outHoutW) 合并 nc 通道线性化索引，直接消费 3-D 输入，无需前置 Reshape，天然支持动态 shape。
二、价值/作用（必填）
打通 ONNX Col2Im 在 950 的图编译通路：ONNX 插件 col2imv2_plugin 将 ai.onnx::18::Col2Im 解析为图内 Col2ImV2 节点，本体 kernel 落地后该类模型可直接在 950 上编译运行。
典型应用场景：窗口注意力（Swin 类网络 window reverse）、可变形卷积、图像分块处理流水线（unfold→transform→fold 的 overlap-add 重建）、扩散模型中 patch 重组等 im2col 逆变换场景。
确定性实现：输出 centric 固定顺序累加，无 atomicAdd，结果可复现；重叠累加采用 fp32 提升累加（对齐 GPU col2im_device 语义），兼顾数值精度与跨平台一致性。
三、设计方案（必填）
3.1 使能方式
图模式调用（GEIR）：唯一入口。ONNX 模型经 ONNX 插件解析为 Col2ImV2 节点 → 图编译 → kernel 执行
无 aclnn 接口：PyTorch col2im 在 torch_npu 中走 Col2im（v1）aclops 通路（op-plugin Col2imKernelNpu.cpp），不经 Col2ImV2，无 PyTorch 适配需求
无 TF 通路
3.2 总体设计
3.2.1 算子支持的数据类型
参数 类型 dtype format
x（输入） Tensor，3-D (n, ckHkW, ho*wo) float32 / float16 ND
output_size（输入） const Tensor，长度 2，值依赖 int32 ND
kernel_size（输入） const Tensor，长度 2，值依赖 int32 ND
y（输出） Tensor，4-D (n, c, outH, outW)，dtype 与 x 相同 float32 / float16 ND
dilation / padding / stride（属性） REQUIRED ListInt，长度 2 — —
dtype 组合严格按 canndev REG_OP(Col2ImV2) 原型（transformation_ops.h:959），共 2 组，不增强 bf16。InferDataType：y.dtype = x.dtype。

3.2.2 host侧设计
Infershape（rt2.0）：任一输入 unknown rank → 输出 unknown rank；unknown shape → c 维 -1 传递；读取 output_size/kernel_size const 值（InputsDataDependency({1,2})），推导 y = (x[0], x[1]/(kH*kW), outH, outW)，含除零保护
Tiling：完整输入校验（dtype/shape/attr 值域/跨参数整除与 howo 一致性）；两步法核数划分 + PER_CORE_MIN=1024 抬升（小 shape 收敛核数）；INT32_MAX 值域防护（outHW/totalLength）；单一场景 TilingKey；TilingInputsDataDependency({1,2})；外部输入校验日志使用 OP_LOGE_FOR_ 系列
原型：op_graph/col2_im_v2_proto.h 独立 REG_OP（3 个 REQUIRED_ATTR），与 canndev 完全一致
3.2.3 kernel侧设计
SIMT 单 kernel、输出 centric、Grid-Stride 并行：

// 伪代码（每线程处理一个输出元素 idx，输出 centric）
colH = (outH + 2padH - dilH(kH-1) - 1) / strideH + 1 // VF 内自算，复用 stride 快除
colW = 同理
for idx in grid_stride(totalLength): // ncoutHoutW 个输出元素
wIm = idx % outW + padW
hIm = idx / outW % outH + padH // UintDiv 快除（4 组 magic/shift，Process 预计算）
cIm = idx / (outHoutW) // nc 合并通道，直接消费 3-D 输入
acc = 0.0f // fp32 提升累加器
for hK in [0, kH): // kernel offset 字典序正推
if hIm < hKdilH: continue // 防无符号下溢
hCol = (hIm - hKdilH) / strideH
if 不整除 or hCol >= colH: continue
for wK in [0, kW): // 同理
acc += x[((cImkH + hK)kW + wK)howo + hColwo + wCol] // uint64 偏移防溢出
y[idx] = static_cast<D_T>(acc) // 写回单次舍入

关键特性：每线程独占一个输出元素，无 atomicAdd、确定性可复现；重叠累加为 fp32 提升累加 + 写回单次舍入（GPU col2im_device 语义）；1024 线程编译期常量；空 batch（n=0）短路。

3.3 支持硬件
Ascend 950PR / 950DT（AICore AddConfig("ascend950")，arch35 tiling + SIMT kernel）
README 声明同步支持 Atlas A2 / Atlas A3 系列产品
3.4 算子约束限制
dtype：仅 float32/float16，不支持 bf16/整型（严格按 REG_OP 原型）
format：仅 ND，无 NC1HWC0 语义
rank：x 仅 3-D，y 仅 4-D；output_size/kernel_size 仅 1-D 长度 2 的 const tensor（值依赖输入，编译期必须已知）
跨参数约束：x.dim(1) 必须被 kHkW 整除；x.dim(2) 必须等于 howo（ho=(outH+2padH-dilH(kH-1)-1)//strideH+1）
值域：dilation/stride 元素 >0，padding 元素 ≥0，output_size/kernel_size 元素 >0；totalLength 等派生量 ≤ INT32_MAX
数值语义说明：重叠累加为 fp32 提升累加（GPU col2im_device 语义），与 CPU 版 col2im（逐 dtype 逐步舍入）在 fp16 高重叠场景存在 ~1 ULP 级偏差，数学等价
无 aclnn/aclfop 接口，仅图模式调用；不支持广播语义（本算子无广播需求）
💡 备注（选填）

测试情况：TTK 上板（Ascend950PR）黑盒 84 + 白盒 297 = 381 条用例；三方 golden 为 torch F.fold（含 spec 注册，tolerance 浮点 cross_check / 整型 binary_equal）
关联 MR：cann/ops-cv!1397（分支 add_col2_im_v2）
交付件：SE/MDE 文档、spec.yaml、黑盒/白盒用例、UT（host 6 + kernel 2）、GEIR example、README 齐全