Acquiring photorealistic global illumination effects for massively complex scenes have been a hard problem to solve in an interactive manner. In particular, the importance of data locality has been well known for decades, as the bandwidth of storage devices has been a major bottleneck due to the incoherent ray samples. While ray batching techniques recover data locality to some extent, sorting the rays has been done only within a local cache in distributed memory systems such as commodity clusters, limiting the horizontal scalability of such systems to linear at most, and sublinear in practice. We propose a robust, scalable out-of-core global illumination framework that allows us to redistribute the workloads over the cluster, consequently improving the data locality in overall processes. By carefully designing the execution timing model, we present a novel linear programming (LP) based formulation of processing time to optimize the scheduling and planning redistribution of workload over the cluster, while maintaining fair load balance. Our method shows higher performance compared to existing methods in complex scenes consisting of millions of triangles, notably in terms of horizontal scalability.
그래픽스 분야는 지난 몇 십년 간 광선추적을 주제로 장족의 발전을 이루었으나, 인터랙티브 환경에서 높은 복잡도를 가진 장면을 대상으로 실사 전역조명 효과를 구현하는 것은 아직 난제에 속한다. 특히 그 구현에 있어 저장 장치로의 입출력 접근이 주요 병목현상을 일으키는 문제는 오랫동안 알려져 왔으며, 그 원인으로 지목되는 몬테 카를로 광선 추적법의 필수과정 중 하나인 무작위 광선 샘플링이 데이터 인접성을 감소시키는 효과는 이미 여러 연구에서 지적된 바이다. 이를 해결하기 위하여 많은 연구자들이 광선 집합 기법(ray batching)에 기반한 재배치 기법들을 제안하었으며, 이는 어느 정도 데이터 인접성을 복원하여 입출력 병목현상을 감소시키는 데 공헌하였다. 하지만 분산 메모리 클러스터 환경에서는 지금까지 제안된 기법들은 각 노드의 국지적 메모리 내에서만 적용이 되었으며, 이는 많은 렌더팜 (renderfarm) 에서 클러스터의 계산 효율을 증대시키기 위해 필수적인 수평적 확장성을 제한하는 요소가 되었다. 본 논문의 연구에서는 확장성을 증대시키는 아웃-오브-코어 전역조명 프레임워크를 제안한다. 본 논문이 제안하는 프레임워크는 각 노드가 작업을 다른 노드로 재분배할 수 있도록 허용하여 클러스터 상의 모든 프로세스의 전반적인 데이터 인접성을 증대시킨다. 또한 최적의 작업 스케쥴링 및 재분배를 위하여, 선형 프로그래밍에 기반한 독창적인 최적화 기법을 제안하여 클러스터의 부하 균형을 유지하는 한 편 총 작업 비용을 감소시킨다. 이를 검증하기 위하여 본 논문의 프레임워크와 기존 최신 연구에서 제안된 프레임워크에서 각각 수백만 개의 삼각형으로 구성된 높은 복잡도를 가진 장면을 렌더링하여 비교를 통해 성능과 확장성에 있어 본 연구의 프레임워크의 우수함을 증명한다.
