光线跟踪加速算法在异构多核平台上的设计与实现

论文摘要

随着多核技术的发展,越来越多的研究人员开始关注和着手多核技术的研究与应用。在多核技术中,多核处理器和众核处理器（GPU可以看作众核处理器的一种）越来越受到研究人员的关注和利用。随着GPU计算能力和可编程能力的提高,已经成为高性价比的并行计算协处理器,特别适于密集的、高并行的通用计算。研究人员开始把各种基于CPU的密集计算引入到GPU上,利用GPU巨大的运算能力来加速计算过程。在计算机图形中,光线跟踪算法作为生成真实感图像的重要方法,广泛应用在电影娱乐等行业。由于光线跟踪本身具有高度并行化的条件,因此,利用GPU加速光线跟踪算法已成为一种趋势。本文首先分别在CPU、GPU以及异构多核三种平台上构建光线跟踪算法的加速结构KD-tree,并证明异构多核平台更加适合构建KD-tree加速结构。其次在异构多核平台上实现完全重建动态光线跟踪算法以及分析其适应范围。最后提出两种动态光线跟踪算法以及分析其适应范围。本文的主要内容如下:1)研究了光线跟踪的基本原理和流程,选择合适的加速结构,在支持CUDA的GPU上构建了光线跟踪模型系统。2)分别在CPU、GPU以及异构多核三种平台上构建加速结构KD-tree;通过测试不同静态三维场景,证明在异构多核平台构建的KD-tree的效果最好。3)在研究并实现了完全重建动态光线跟踪算法之后,提出了部分重建动态光线跟踪和光线坐标变换动态光线跟踪算法。并对这三种动态光线跟踪算法的优缺点和在异构多核平台上实现的性能进行了分析比较。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 光线跟踪的研究现状
• 1.1.1 CPU 光线跟踪器
• 1.1.2 GPU 光线跟踪器
• 1.1.3 专用硬件上的光线跟踪器
• 1.1.4 静态和动态光线跟踪算法
• 1.1.5 光线跟踪算法目前存在的问题
• 1.2 本文的研究内容
• 1.2.1 本文的研究工作
• 1.2.2 章节安排
• 第二章 基于GPU 的光线跟踪模型系统
• 2.1 基于GPU 的CUDA 架构介绍
• 2.2 光线跟踪原理
• 2.3 光线跟踪模型系统框架设计
• 2.3.1 模型系统
• 2.3.2 模型系统的数据流
• 2.4 基于GPU 的光线跟踪算法流程
• 2.4.1 测试场景数据的准备
• 2.4.2 初始光线的生成
• 2.4.3 光线跟踪中的加速结构KD-tree
• 2.4.4 光线在KD-tree 中的遍历与求交
• 2.4.5 阴影探测
• 2.4.6 像素颜色贡献值的计算
• 第三章 在异构多核平台下构建KD-tree 加速结构
• 3.1 KD-tree 的介绍
• 3.1.1 KD-tree
• 3.1.2 传统KD-tree 的创建
• 3.2 基于GPU 构建KD-tree
• 3.2.1 基于SIMD 的前缀和（All prefix sum）算法
• 3.2.2 基于SIMD 的紧凑（compact）算法
• 3.2.3 基于SIMD 的归约简（reduction）算法
• 3.2.4 KD-tree 的创建
• 3.3 在异构多核平台下构建KD-tree
• 3.3.1 在CPU 上创建KD-tree 上层部分
• 3.3.2 在GPU 上创建KD-tree 下层部分
• 3.4 实验环境与结果分析
• 3.4.1 实验环境
• 3.4.2 实验结果分析
• 第四章 在异构多核平台下动态光线跟踪算法实现
• 4.1 完全重建动态光线跟踪
• 4.1.1 算法流程
• 4.1.2 目前存在的问题
• 4.2 部分重建动态光线跟踪
• 4.2.1 算法流程
• 4.2.2 目前存在的问题
• 4.3 光线坐标变换动态光线跟踪
• 4.3.1 三维空间的坐标变换
• 4.3.2 算法流程
• 4.3.3 目前存在的问题
• 4.4 三种动态光线跟踪算法实验结果分析以及效果图
• 第五章 总结与展望
• 5.1 研究工作总结
• 5.2 下一步研究计划
• 致谢
• 参考文献