Prediction-based load balancing and resolution tuning for interactive volume raycasting

ما یک رویکرد یکپارچه برای پیش بینی عملکرد واقعی در زمان ریکاستینگ را ارائه می دهیم که ما برای تعادل بار و تنظیم رزولوشن نمونه ها استفاده می کنیم. در رندر حجم، استفاده از تکنیک های شتاب مانند فضای خالی فشرده سازی و خاتمه فایشی اولیه، می تواند باعث تغییرات قابل توجهی در عملکرد رندر شود که کاربران تنظیم پیکربندی دوربین یا عملکرد انتقال را تعیین می کنند. این تغییرات در زمان رندر ممکن است اثرات ناخوشایند مانند حرکت حرکات غیرمجاز یا ناگهانی کاهش پاسخ در هنگام اکتشاف تعاملی. برای جلوگیری از این اثرات، ما یک رویکرد یکپارچه برای سازگاری پارامترهای رندر با نیازهای عملکرد پیشنهاد می کنیم. ما ارزیابی داده های مربوط به عملکرد را در پرواز می سنجیم، برای آن ما یک تکنیک جدید برای پیش بینی تأثیر فوری خام اولیه را پیشنهاد می کنیم. بر اساس این داده ها، یک مدل ترکیبی را برای رسیدن به پیش بینی های دقیق با حداقل ریز محاسبات معرفی می کنیم. مدل ترکیبی ما شامل جنبه هایی از مدل سازی عملکرد تحلیلی و یادگیری ماشین است که هدف آن ترکیبی از نقاط قوت مربوطه است. ما قابلیت استفاده از مدل پیش بینی ما را برای دو مورد مختلف استفاده نشان می دهد: (1) به طور پویا چگالی نمونه گیری در فضای شی و / یا تصویر را هدایت می کند و (2) به طور پویا توزیع حجم کار در میان چندین دستگاه محاسباتی موازی مختلف. رویکرد ما اجازه می دهد تا به طور قابل اعتماد از الزامات عملکرد مانند نرخ فریم تعریف شده توسط کاربر، حتی در صورت تغییرات ناگهانی بزرگ به عملکرد انتقال و یا جهت دوربین.