EGPGV 2023 Best Paper Award for „Parallel Compositing of Volumetric Depth Images for Interactive Visualization of Distributed Volumes at High Frame Rates“

21. Juni 2023 /

VISUS-Forscher auf der EGPGV 2023 für ihre Publikation ausgezeichnet

Auf der diesjährigen Eurographics Symposium on Parallel Graphics and Visualization (EGPGV) haben Aryaman Gupta, Pietro Incardona, Anton Brock, Guido Reina (VISUS), Steffen Frey (ehemaliger VISUS-PostDoc, nun Universität Groningen, Niederlande), Stefan Gumold, Ulrik Günther und Ivo F. Sbalzarini den Best Paper Award für ihre Publikation "Parallel Compositing of Volumetric Depth Images for Interactive Visualization of Distributed Volumes at High Frame Rates" erhalten. Herzlichen Glückwunsch! Die EGPGV 2023 fand dieses Jahr am 12. Juni 2023 in Leipzig im Rahmen der EuroVis statt.

Abstract

We present a parallel compositing algorithm for Volumetric Depth Images (VDIs) of large three-dimensional volume data. Large distributed volume data are routinely produced in both numerical simulations and experiments, yet it remains challenging to visualize them at smooth, interactive frame rates. VDIs are view-dependent piecewise constant representations of volume data that offer a potential solution. They are more compact and less expensive to render than the original data. So far, however, there is no method for generating VDIs from distributed data. We propose an algorithm that enables this by sort-last parallel generation and compositing of VDIs with automatically chosen content-adaptive parameters. The resulting composited VDI can then be streamed for remote display, providing responsive visualization of large, distributed volume data.

Publikation

Visualisierung von volumetrischen Datensätzen aus numerischen Simulationen (forced isotropic turbulence und rotating stratified turbulence, 4096^3 Voxel).
VDI-Rendering bei 10°-Drehung um den Erzeugungspunkt, mit etwa der dreifachen Leistung des verteilten DVR. Offene Datensätze, bereitgestellt von der Johns Hopkins University.
Zum Seitenanfang