Out-of-core clustering of volumetric datasets

In this paper we present a novel method for dividing and clustering large volumetric scalar out-of-core datasets. This work is based on the Ordered Cluster Binary Tree (OCBT) structure created using a top-down or divisive clustering method. The OCBT structure allows fast and efficient sub volume queries to be made in combination with level of detail (LOD) queries of the tree. The initial partitioning of the large out-of-core dataset is done by using non-axis aligned planes calculated using Principal Component Analysis (PCA). A hybrid OCBT structure is also proposed where an in-core cluster binary tree is combined with a large out-of-core file.

MSV-Net:面向科学模拟面体混合数据的超分重建方法

高保真度的可视分析通常依赖大规模科学模拟产生的耦合几何模型的高分辨率网格数据,这对数据存储和流畅交互均提出了巨大挑战。提出了MSV-Net,一个面向大规模科学模拟面体混合数据的超分辨率重建方法。该网络为端到端的深度神经网络,通过多层非线性变换实现从低分辨数据到高分辨数据的混合绘制映射的联合学习;该网络舍弃了全连接层,不仅可以减少网络参数,而且能够提升网络的灵活性与可复用性。此外,构建了面向大规模电磁模拟应用的面体混合数据集MSV-Dataset,用于模型训练和验证。该数据集由采用不透明几何模型绘制耦合半透明体绘制的混合绘制的图像构成。与多种传统方法和深度学习方法进行了对比,定量分析结果显示,MOS绝对评价指标达到了4.1,重建准确率仅次于真实图像;基于混合数据绘制1500×1500分辨率的图像,采用直接绘制需要66.28 s,而采用MSV-Net则仅需要4.14 s,交互性能提升了约15倍。

利用Master-Slave-Collector模式的大规模数据集的并行体绘制

以内部网络和普通配置计算机为实验平台,研究大规模数据集的并行体绘制的实现方法,以提高绘制速度和算法效率。分别介绍并行可视化、Master-Slave-Collector模式、负载平衡、任务池和结果池等关键技术。在传统的Master-Slave模式基础上的改进模式Master-Slave-Collector,具有减少计算时间、实现负载平衡、提高绘制效率等优点。实验结果表明,该方法较好地解决了运算速度和内存空间这两大难题,效果良好,实时性强,在临床诊断和科学研究中发挥重要作用。