Representación en Tiempo Real de Modelos Masivos

Créditos
6
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
CS
Este curso introducirá las diversas técnicas que permiten la visualización interactiva y la manipulación de objetos y escenas muy complejos. Si bien ha habido un salto en la potencia del hardware de gráficos, es posible generar conjuntos de datos más complejos a través de los avances en el modelado 3D, simulación y captura de datos. Por lo tanto, la necesidad de tratar estos modelos masivos surge en campos tales como la visualización científica, CAD, el patrimonio cultural, motores de videojuegos y otros. Los estudiantes estarán expuestos a una representación jerárquica de escenas, la simplificación de modelos y algortimos de visibilidad. Como resultado, se obtendrá una visión global del problema y un amplio conocimiento de las soluciones actuales.

Horas semanales

Teoría
2
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
5

Objetivos

  1. Uso de modelos geométricos jerárquicos para la visualización de modelos muy grandes.
    Competencias relacionadas: CEE1.1, CG3, CTR5, CTR6,
  2. Algoritmos para la simplificación de mallas de triángulos.
    Competencias relacionadas: CEE1.1, CG3, CTR5, CTR6,
  3. Algoritmos de cálculo de visibilidad
    Competencias relacionadas: CEE1.1, CG3, CTR5, CTR6,
  4. Navegación en entornos complejos
    Competencias relacionadas: CEE1.1, CG3, CB8, CB9, CTR5, CTR6,

Contenidos

  1. Modelos geométricos jerárquicos
    Algoritmos de subdivisión del espacio (regular grids, octrees, BSP trees, Kd-trees), subdivisión de la escena (BVHs) y estructuras de datos basados ​​en memoria externa.
  2. Estructuras de representación de mallas
    Estructuras de representación de mallas triangulares y poligonales: Independent face set, Indexed face set, Adjacency lists, Winged edge, Half edge, Corner table.
  3. Simplificación de mallas de triángulos
    Introducción a los conceptos, operadores básicos y las métricas de error usados ​​en simplificación de geometría y topología. Su aplicación a la simplificación con conservación de la apariencia y simplificación de modelos gigantes en memoria externa.
  4. Nivel de detalle
    Introducción a la idea de nivel de detalle a nivel de objeto y su aplicación a escenas compuestas de múltiples modelos (time critical rendering). Tipos de estrategias: discretas, continuas, y dependientes de la vista. Prevención de popping.
  5. Cálculo de visibilidad
    Introducción a los conceptos básicos y algoritmos para el cálculo de visibilidad, incluyendo preprocesamiento de visibilidad, visibilidad desde punto y región, y el cálculo de la visibilidad usando la GPU. Compresión de PVS.
  6. Navegación interactiva en entornos complejos
    Cómo estructurar modelos gigantes para la visualización en memoria externa de escenas de gran tamaño. El uso de visualización dependiente de la vista. Algoritmos para la detección de colisiones en modelos muy grandes.

Actividades

Actividad Acto evaluativo


Modelos geométricos jerárquicos


Objetivos: 1
Contenidos:
Teoría
12h
Problemas
0h
Laboratorio
6h
Aprendizaje dirigido
0h
Aprendizaje autónomo
27h

Algoritmos de simplificación de mallas de triángulos


Objetivos: 2
Teoría
8h
Problemas
0h
Laboratorio
4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
18h

Algoritmos para el cálculo de la visibilidad


Objetivos: 3
Contenidos:
Teoría
8h
Problemas
0h
Laboratorio
4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
18h

Navegación interactiva en entornos complejos


Objetivos: 4
Contenidos:
Teoría
8h
Problemas
0h
Laboratorio
4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
18h

Presentación

Each student has to prepare the corresponding presentation and a supporting document, which have to sent to the course coordinator before the session.
Objetivos: 1 2 3 4
Semana: 15
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Problemas

Conjunto de problemas planteados durante el curso destinados a evaluar la adquisición de conocimientos del estudiante a lo largo del curso.

Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
9h

Metodología docente

Este curso está estructurado en tres tipos de sesiones:

* Sesiones T (teoría): presentación dada por el profesor correspondiente. El profesor pedirá a los alumnos que hagan algunos ejercicios breves sobre los temas tratados en estas sesiones.

* Sesiones D (discusión): sesiones llevadas a cabo por el profesor, en las que algunos alumnos resolverán ejercicios o presentarán artículos previamente distribuidos. Cada estudiante tiene que preparar la presentación correspondiente y un documento de apoyo, que deben enviarse al coordinador del curso antes de su sesión D.

* Sesiones L (laboratorio): en estas sesiones los alumnos tendrán que resolver problemas prácticos programando algunos de los algoritmos presentados en las sesiones de teoría.

Método de evaluación

La calificación final se calcula como:

    FinalQualification = 0,25 * ShortExercises + 0,25 * DPresentation + 0,5 * LabQualification

donde:

* ShortExercises representa los problemas cortos que el instructor pedirá durante las sesiones T.

* DPresentation es la presentación que los estudiantes realizarán sobre un paper seleccionado de una lista.

* LabQualification será la calificación obtenida por los alumnos en las sesiones de L.

Bibliografía

Básico

Complementario

  • Massive model visualization techniques: course notes. - David Kasik, Andreas Dietrich, Enrico Gobbetti, Fabio Marton, Dinesh Manocha, Philipp Slusallek, Abe Stephens, and Sung-Eui Yoon, ACM SIGGRAPH 2008 classes (SIGGRAPH '08), 2008.