Due to advances of modeling techniques, massive models are easily generated these days. Such massive models can consist of hundreds of millions of primitives and thus use more than tens of gigabytes. This high memory requirement is likely to cause serious performance issues on visualization and rendering because of the heavy loads of data accesses. Moreover, it is not trivial to make the data access pattern of global illumination be coherent which aggravates the performance degradation. In this thesis, three directions to address the issues are proposed. To reduce the expensive data transmission from external drives, we propose two kinds of compressed representations of massive models as in-core and out-of-core representations. The proposed representations show significant performance benefits of various applications requiring random access. We further accelerate the performance by fully utilizing heterogeneous computing resources, CPU and GPU. We propose a novel framework which drastically reduces data transmission overhead between the heterogeneous resources. By using the framework, an interactive performance of rendering massive models with global illumination effects is achieved. Finally, we propose an optimization method which maximizes both rendering throughput and responsiveness. The rendering framework with the optimization robustly works with running machines of different performances. A user study is performed to show the benefit of the optimization.
모델링 기술의 발전으로 최근 대용량 모델이 많이 생성되고 있다. 이러한 대용량 모델은 수억 개의 요소로 이루어져 있으며 수십 기가바이트 이상의 공간을 차지하기에 이른다. 이는 높은 비용의 데이터 접근을 야기하고 결과적으로 가시화 또는 렌더링의 심각한 성능 저하를 일으킨다. 또한 전역 조명(global illumination)에서는 데이터 접근 패턴을 응집시키기(coherent) 쉽지 않아 이러한 성능 저하를 더욱 부추기게 된다. 본 논문에서는 이러한 고비용의 데이터 전송 시간을 줄이기 위해 메모리에 상주하는 형식과 외부 저장장치에 저장된 형식의 두 단계의 압축 데이터 형식을 제안한다. 제안된 형식은 임의 접근을 요구하는 다양한 응용프로그램의 성능을 두드러지게 향상시킨다. 또한 성능을 더욱 향상시키기 위해서 본 논문에서는 CPU와 GPU 같은 다른 형태의 연산 장치를 최대한 활용하는 새로운 프레임워크를 제안한다. 제안된 프레임워크는 다른 형태의 연산 장치 사이에 데이터 전송을 극적으로 줄인다. 그 결과 본 논문에서는 전역 조명 효과가 포함된 대용량 모델의 렌더링이 실시간으로 가능하게 된다. 끝으로 렌더링 처리량과 대화형 반응성을 동시에 최대화 시키는 최적화 방법을 제안한다. 제안된 방법은 컴퓨터의 성능에 적응하여 성능에 상관없이 작동한다. 이러한 최적화 기법의 효용을 보이기 위해 본 논문에서는 사용자 연구(user study)를 시행한다.
