Martin, R. (2019):

Evaluation der Nutzung von Neuro-Evolutionären Algorithmen bei Level-Of-Detail Verfahren für 3D-Echtzeitvisualisierungen


When rendering complex 3D visualizations with numerous objects in real time, only a fixed amount of calculation time is available. Optimizations like using lower levels of datail for less important objects can help to keep calculation costs manageable. Different Level-Of-Detail algorithms are available. An adaptive approach described by Funkhouser and Séquin can ensure interactive frame rates. This approach performs an evaluation about the calculation cost and benefit of each object/Level-Of-Detail pair.
Within this thesis a new way of calculating the benefit for this algorithm is introduced. The factors described in the original paper are weighted dynamically by the outputs of an artificial neural network which is trained with a neuroevolutionary algorithm. For the learn process of the artificial neural network its perfomance is evaluated by comparing a calculated image based on the network outputs with an optimal image.
First fundamentals and related work on the topics of Level-Of-Detail algorithms, artificial neural networks and color models are shown. Later the concept of the new benefit formula and a basic implementation are described. Finally a comparison between the resulting and Funkhousers and Séquins algorithms is shown.



Um aufwändige 3D-Visualisierungen mit vielen Objekten in Echtzeit darstellen zu können, sind aufgrund begrenzter Rechenkapazität häufig Optimierungen notwendig. Eine mögliche Optimierung ist die Verwendung geringerer Detailstufen für Objekte, die nur in geringem Umfang zum Bildeindruck beitragen. Zur Auswahl, welche Detailstufe zu welchem Zeitpunkt verwendet werden soll, gibt es verschiedene Ansätze, wie z.B. einen adaptiven Ansatz für interaktive Anzeigezeiten von Funkhouser und Séquin. Dieses Verfahren wägt die Rechenkosten aller Objekt-Detailstufen-Kombinationen gegen den Bildeindrucks-Nutzen ab.
Ziel dieser Arbeit soll ist es, die Berechnung des Bildeindruck-Nutzen zu optimieren, um mit dem Algorithmus in der gegebenen Rechenzeit bessere Bilder erzeugen zu können. Dafür sollen die ursprünglich willkürlich gewählten Faktoren durch ein künstliches neuronales Netz gewichtet werden. Dieses wird durch einen evolutionären Algorithmus generiert. Dabei wird die Performanz eines neuronalen Netzes danach beurteilt, wie nah ein Bild, welches mit der vom Netz gegebenen Gewichtung erzeugt wird, an einem Originalbild liegt.
In der Arbeit werden Grundlagen der verschiedenen Aspekte dargestellt, die in der neuen Berechnungsmethode relevant sind. Anschließend werden Details einer beispielhaften Implementierung besprochen und abschließend mit dem bisherigen Algorithmus von Funkhouser und Séquin verglichen.




Last Change: Thu, 25 Mar 2021 14:37:56 +0100 - Viewed on: Wed, 17 Aug 2022 01:18:07 +0200
Copyright © MNM-Team http://www.mnm-team.org - Impressum / Legal Info  - Datenschutz / Privacy