基于GPU的光子映射并行化算法

doi:10.3724/SP.J.1087.2012.01939

计算机应用 ›› 2012, Vol. 32 ›› Issue (07): 1939-1942.DOI: 10.3724/SP.J.1087.2012.01939

基于GPU的光子映射并行化算法

贺怀清,孙希栋

中国民航大学计算机科学与技术学院，天津300300

收稿日期:2012-01-09 修回日期:2012-03-14 发布日期:2012-07-05 出版日期:2012-07-01
通讯作者: 孙希栋
作者简介:贺怀清（1969-），女，吉林白山人，教授，博士，CCF会员，主要研究方向：图形图像与可视化、民航相关信息可视化分析、民航简化商务相关标准、语音识别；孙希栋（1986-），男，河北唐山人，硕士研究生，主要研究方向：图形图像与可视化。
基金资助:
国家自然科学基金资助项目（60774041）;天津市应用基础及前沿技术研究计划项目（10JCYBJC00900）;中央高校基本科研业务费中国民航大学专项（ZXH2009C001）

Photon mapping parallel algorithm based on graphic processing unit

HE Huai-qing,SUN Xi-dong

School of Computer Science and Technology, Civil Aviation University of China, Tianjin 300300, China

Received:2012-01-09 Revised:2012-03-14 Online:2012-07-05 Published:2012-07-01
Contact: SUN Xi-dong

摘要/Abstract

摘要： 针对串行情况下光子映射算法速度慢的问题，对光子映射算法并行化进行可行性分析，充分利用图像处理器(GPU)的统一设备计算架构(CUDA)的并行和计算能力，实现光子映射算法的并行化。同时针对算法中光子发射追踪阶段生成GPU线程数与光子数相同的方法的不足以及平均分配方法所造成的资源浪费等，提出线程之间协同工作的方法并采用动态平衡处理，使光子渲染速度提升了将近一倍。实验结果证明了多线程间协同工作及动态平衡相结合方法的有效性。

关键词: 光子映射, 并行, 渲染, 统一设备计算架构, 图像处理器

Abstract: To solve the slow rendering speed issue of serial photon mapping algorithm, the feasibility of parallelizing the algorithm was analyzed. The parallelism and computing capability of the Compute Unified Device Architecture (CUDA) on Graphic Processing Unit (GPU) were fully utilized to realize a parallel photon mapping algorithm. As for the shortage of generating the same number of GPU threads as the photon number in the photon emission and tracing step, and the waste of resources of the average allocation method, a new cooperation way that all the threads be processed with dynamic balance was then proposed. The new method nearly doubled the rendering speed. The experimental results prove the effectiveness of the proposed method.

Key words: photon mapping, parallel, rendering, Compute Unified Device Architecture (CUDA), Graphic Processing Unit (GPU)

中图分类号:

TP399

贺怀清孙希栋. 基于GPU的光子映射并行化算法[J]. 计算机应用, 2012, 32(07): 1939-1942.

HE Huai-qing SUN Xi-dong. Photon mapping parallel algorithm based on graphic processing unit[J]. Journal of Computer Applications, 2012, 32(07): 1939-1942.

参考文献

［1］ PADRON E J, AMOR M, BOO M, et al. High performance global illumination on multi-core architectures ［C］// Proceedings of the17th Euromicro International Conference on Parallel Distributed and Network-based Processing. Washington, DC: IEEE Computer Society, 2009: 93-100.

［2］ WANG RIWEI, ZHANG HUA, DENG YUEFAN, et al. Efficient parallel radiosity for terascale applications ［C］// 2008 International Conference on Computer Science and Software Engineering. Washington, DC: IEEE Computer Society, 2008: 1074-1077.

［3］ BUDGE B C, ANDERSON J C, GARTH C, et al. A straightforward CUDA implementation for interactive ray-tracing ［C］// IEEE Symposium on Parallel and Distributed Processing. Piscataway: IEEE, 2008: 178-178.

［4］ FABIANOWSKI B, DINGLIANA J. Interactive global photon mapping ［J］. Computer Graphics Forum, 2009, 28(4):1151-1159.

［5］ NVidia Inc. NVIDIA CUDA C programming guide ［EB/OL］. ［2011-10-20］. http://developer.download.nvidia.com/compute/DevZone/docs/html/C/doc/CUDA_C_Programming_Guide.pdf.

［6］陈皓,罗月童,刘晓平.基于MPI的光子映射算法并行化［C］// 全国第18届计算机技术与应用（CACIS）学术会议论文集.合肥:中国科技大学出版社,2007:1-4.

［7］ CZUCZOR S, SZIRMAY-KALOS L, SZCSI L, et al. Photon map gathering on the GPU ［C］// EUROGRAPHICS Symposium on Rendering. Oliver Deussen: ［s.n.］, 2005: 1-4.

［8］ ZHOU KUN, HOU QIMING, WANG RUI, et al. Real-time KD-tree construction on graphics hardware ［J］. ACM Transactions on Graphics, 2008, 27(5): 1-11.

［9］ WANG RUI, ZHOU KUN, PAN MINGHAO, et al. An efficient GPU-based approach for interactive global illumination ［J］. ACM Transactions on Graphics, 2009, 28(3): 1-8.

［10］林其选,王毅刚.光子映射在CUDA中的研究与实现［J］.计算机系统应用,2010,19(5):174-178.

［11］ HAVRAN V. Heuristic ray shooting algorithms ［D］. Prague: Czech Technical University in Prague, 2000.

［12］ SANDERS J, KANDROT E. CUDA by example: An introduction to general-purpose GPU programming ［M］. Boston: Addison-Wesley, 2010: 1-312.

[1]	孟慧玲, 王耀彬, 李凌, 杨洋, 王欣夷, 刘志勤. TACLeBench中内核程序循环级推测并行性分析[J]. 计算机应用, 2021, 41(9): 2652-2657.
[2]	王周恺, 张炯, 马维纲, 王怀军. 面向高速列车监测数据的并行解压缩算法[J]. 计算机应用, 2021, 41(9): 2586-2593.
[3]	张辰, 田甜, 杨秀婷, 巩敦卫. 基于占优关系的并行程序通信覆盖约减方法[J]. 计算机应用, 2021, 41(6): 1741-1747.
[4]	蒋林, 施佳琪, 李远成. 可重构结构下合成视点失真变化算法并行设计与实现[J]. 计算机应用, 2021, 41(6): 1734-1740.
[5]	陈争涛, 黄灿, 杨波, 赵立, 廖勇. 基于迁移学习的并行卷积神经网络牦牛脸识别算法[J]. 计算机应用, 2021, 41(5): 1332-1336.
[6]	解文博, 韦永壮, 刘争红. 基于CUDA的SKINNY加密算法并行实现与分析[J]. 计算机应用, 2021, 41(4): 1136-1141.
[7]	王晓峰, 蒋彭龙, 周辉, 赵雄波. 面向卷积神经网络的高并行度FPGA加速器设计[J]. 计算机应用, 2021, 41(3): 812-819.
[8]	杨先凤, 贵红军, 傅春常. 统一计算设备架构下的F-X域预测滤波并行算法[J]. 计算机应用, 2021, 41(2): 486-491.
[9]	韩艳茹, 尹梦晓, 覃子轩, 苏鹏, 杨锋. 图像和视频的低多边形渲染[J]. 计算机应用, 2021, 41(2): 504-510.
[10]	丛旌, 韦永壮, 刘争红. SM4密码算法的阶梯式相关能量分析[J]. 计算机应用, 2020, 40(7): 1977-1982.
[11]	顾军华, 王锋, 戚永军, 孙哲然, 田泽培, 张亚娟. 基于多尺度卷积特征融合的肺结节图像检索方法[J]. 计算机应用, 2020, 40(2): 561-565.
[12]	曾志阳, 陈燕, 王珂. 圆片下料并行遗传算法的设计与实现[J]. 计算机应用, 2020, 40(2): 392-397.
[13]	刘智翔, 刘慧超, 黄冬梅, 周丽萍, 苏诚. 多种任务调度混合的IB-LBM并行优化方法[J]. 计算机应用, 2020, 40(2): 386-391.
[14]	宋祥帅, 杨伏长, 谢江, 张武. Graphlet Degree Vector方法的优化与并行[J]. 计算机应用, 2020, 40(2): 398-403.
[15]	李翠, 陈庆奎. 基于DPDK并行通信的动态监控模型[J]. 计算机应用, 2020, 40(2): 335-341.

基于GPU的光子映射并行化算法

Photon mapping parallel algorithm based on graphic processing unit

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics