CN111402353A - 一种基于自适应虚拟化绘制流水线的云-端绘制计算框架 - Google Patents

一种基于自适应虚拟化绘制流水线的云-端绘制计算框架 Download PDF

Info

Publication number
CN111402353A
CN111402353A CN202010166658.5A CN202010166658A CN111402353A CN 111402353 A CN111402353 A CN 111402353A CN 202010166658 A CN202010166658 A CN 202010166658A CN 111402353 A CN111402353 A CN 111402353A
Authority
CN
China
Prior art keywords
cloud
rendering
computing
resources
distribution scheme
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010166658.5A
Other languages
English (en)
Other versions
CN111402353B (zh
Inventor
鲍虎军
王锐
兰威举
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010166658.5A priority Critical patent/CN111402353B/zh
Publication of CN111402353A publication Critical patent/CN111402353A/zh
Application granted granted Critical
Publication of CN111402353B publication Critical patent/CN111402353B/zh
Priority to US17/627,677 priority patent/US11989797B2/en
Priority to PCT/CN2021/070527 priority patent/WO2021179780A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种基于自适应虚拟化绘制流水线的云‑端绘制计算框架，包括以下步骤：定义绘制流水线，包括定义绘制资源、绘制算法以及绘制算法与绘制资源的读写关系；根据框架用户自行定义的优化目标和预算，实时从包含各绘制资源分配到云或终端计算的云‑端计算分布方案集中优选最优的云‑端计算分布方案；依据该云‑端计算分布方案，云上和/或终端执行相应的绘制算法，获得绘制结果。该绘制计算框架可以自适应地选择云‑端结合绘制时的云‑端计算分布方案，并可以随着优化参数的变化动态调整。

Description

一种基于自适应虚拟化绘制流水线的云-端绘制计算框架
技术领域
本发明属于实时绘制领域，尤其涉及一种基于自适应虚拟化绘制流水线的绘制计算框架。
背景技术
随着移动设备的普及及其计算能力的提高，在移动设备上实时绘制真实感图像的需求也逐步提高，然而相比于PC，移动设备的计算能力仍然不足以支撑复杂的真实感绘制算法。解决这个问题的一个方法就是把云上强大的计算能力利用起来。如CN1856819B《通过分布式应用程序的图形数据的网络传输的系统和方法》提出了一个在强计算能力的服务器上完成绘制操作再把结果压缩传输到端的方法。然而如何在保持端上低延迟、高帧率的同时保证较高的图像质量将是这个方法的一大挑战。CN101971625B《用于压缩流动互动式视频的系统和方法》花了大篇幅说明低延迟的重要性，如“对于缓慢的非正式游戏或慢动作角色扮演游戏而言，100毫秒的延时可能是可以容忍的，但在快动作游戏中，超过70毫秒或80毫秒的延时可引起用户在游戏中更拙劣地表现，且因此不可接受”。该专利于是提出了一种基于传统视频编码改进出来的流式传输(视频串流)方法试图解决该问题。由于近几年虚拟现实头盔的流行，人们要求更低的延迟来降低因画面反馈不及时导致的眩晕感。于是有工作指出，可以在端上通过重投影对画面进行预测来实现快速响应。然而这些都是建立在“网络上传输的是绘制的最终结果”的前提下。实际上，现在的图形程序都有复杂的绘制流水线，绘制流水线的很多中间结果也可以通过网络传输。于是除了云上要执行一部分绘制流水线，端上也要执行一部分绘制流水线，这样就将端上的计算能力也利用了起来。那么，选择不同的中间结果放到云上计算就能得到各种不同的云-端结合绘制方案。美国专利US6384821B1《Method and apparatus for delivering 3D graphics in a networkedenvironment using transparent video(利用透明视频在网络环境下呈现三维图形的装置与方法)》还提出了将一部分物体在服务器上绘制，一部分物体在端上绘制，最后将服务器上绘制的结果与端上绘制的结果混合(composite)得到最终结果的方案。
但是无论选用何种方案，都是开发人员基于一定的取舍事先做出的选择。而由于交互式图形绘制动态的特性，往往需要在程序执行的过程中实时调整选用的方案。通常的做法是，事先由人工设计几种较优方案，程序运行时再根据人工设计的特定的(ad hoc)选择方法对这几种方案进行选择、切换。而如何设计这些较优的方案、如何对方案进行选择就成为了一个待解决的问题。
发明内容
本发明的目的提供了一种基于自适应虚拟化绘制流水线的绘制计算框架，该绘制计算框架可以自适应地选择云-端结合绘制时的云-端计算分布方案，并可以随着优化参数的变化动态调整。
为实现上述发明目的，本发明提供的技术方案为：
一种基于自适应虚拟化绘制流水线的绘制计算框架，包括以下步骤：
定义绘制流水线，包括定义绘制资源、绘制算法以及绘制算法与绘制资源的读写关系，其中，绘制资源包括输入场景、中间计算结果以及最终画面资源；
根据框架用户自定义的优化目标和优化目标的预算，实时从包含各绘制资源分配到云或终端计算的云-端计算分布方案集中优选最优的云-端计算分布方案；
依据该云-端计算分布方案，云上和/或终端执行相应的绘制算法，获得绘制结果。
在该框架下，用户针对不同输入场景和对象用框架提供的绘制语言描述绘制算法来实现不同的效果，框架将在考虑不同的优化目标的前提下，进行整体全局的自动优化，优化的结果再转换为当前硬件支持的绘制过程，该绘制过程最终在云或端的图形硬件上运行，获得最终的结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于自适应虚拟化绘制流水线的绘制计算框架的整体流程；
图2～图4是本发明实施例提供的一组绘制流水线示例；
图5是本发明中对应于图2绘制流水线的描述语言示例。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1是本发明实施例提供的基于自适应虚拟化绘制流水线的绘制计算框架的整体流程。参见图1，实施例提供的基于自适应虚拟化绘制流水线的绘制计算框架的流程如下所示：
步骤1，采用资源显式表示的流水线描述语言来定义绘制流水线。具体定义绘制资源、绘制算法以及绘制算法与绘制资源的读写关系。
其中，绘制资源可以分为输入场景、中间计算结果以及最终画面资源这三类。输入场景是将要绘制的源数据。最终画面资源是绘制的最终结果，一般用于显示到屏幕上，如颜色贴图。中间计算结果是指执行绘制算法得到的不是输入场景或最终画面资源的计算结果，如实例(instance)数量。
以图2所示的一条绘制流水线，采用如图5所示的资源显式表示的流水线描述语言进行定义，具体定义如下内容：
(a)绘制算法([EFFECT])：准备渲染队列、计算instance数量、PBS着色绘制、呈现绘制结果；
(b)绘制资源([RESOURCE])：输入场景渲染队列、中间计算结果instance数量、最终画面颜色贴图；
(c)绘制算法与绘制资源之间的关系([GRAPH])：绘制算法可以从绘制资源读取数据，也可以向绘制资源写入数据。如绘制算法计算instance数量将计算结果写到绘制资源instance数量中，而绘制算法PBS着色绘制从绘制资源instance数量中读取数据。
步骤2，根据框架用户自定义的优化目标和优化目标的预算，实时从包含各绘制资源分配到云或终端计算的云-端计算分布方案集中优选最优的云-端计算分布方案。
框架用户指的是将本方法/思想实际应用于软件中的程序员/工程师。框架用户并不是从预先设定好的几种优化目标中选择/组合出想要的优化情况，而是需要设计出所需的优化目标，并能够向框架提供量化指标以及优化的方向。框架用户可以根据画面质量、终端计算能力(也就是终端运行帧率)以及网络传输带宽定义优化目标。如用数字0～1表示画面质量，0表示高质量，1表示低质量，0～1之间的实数表示画质劣化程度，数值越小越优。又如网络传输延迟就是一般意义上的网络传输延迟，取值范围0～正无穷，数值越小越优。又如终端计算能力可以用FPS表示，0表示计算能力极弱，数值越大表示计算能力越强，数值越大越优。显而易见地，终端运行帧率的优化方向为数值越大越好，网络传输延迟的优化方向为数值越小越好。
框架用户还需定义优化目标的预算(budget)，即优化目标所期待满足的阈值。可以只设置一个优化目标的预算，也可以设置多个优化目标的预算，还可以按照一定的优先级依次考虑画面质量、终端运行帧率、终端内存消耗以及网络传输延迟等一系列优化目标的预算，当有多个云-端计算分布方案满足所有预算时或是没有任何一个云-端计算分布方案满足所有预算时，优先级将影响最优方案的选择。此外，定义的预算在实际的优化过程中可以随时改变。
在确定优化目标和预算后，即可以实时根据优化目标从包含各绘制资源分配到云或终端计算的云-端计算分布方案集中优选最优的云-端计算分布方案，具体包括：
(a)对绘制流水线表示的每个绘制资源，枚举选择是否在云上计算，所有绘制资源是否在云上计算的分布情况形成一个云-端计算分布方案，组成云-端计算分布方案集；
(b)根据绘制算法与绘制资源的读写关系，从云-端计算分布方案集中剔除无效云-端计算分布方案；
(c)根据优化目标从剩余云-端计算分布方案中选出满足帕累托最优的所有配置，得到一系列较优的云-端计算分布方案；
(d)运行时根据优化目标的预算从一系列较优的云-端计算分布方案中选出一个最优的云-端计算分布方案。
实施例中，云-端计算分布方案是通过枚举的方式生成的，每个云-端计算分布方案中包含了一个绘制流水线的所有绘制资源的分布情况。若绘制流水线包含n个绘制资源，这经过枚举后总计形成2n个云-端计算分布方案，每个云-端计算分布方案中包含了n个绘制资源的分布情况。
为方便说明，图2～图4示例性地列出了三种云-端计算分布方案。图中矩形表示绘制算法，椭圆表示绘制资源，灰色背景表示该绘制算法或绘制资源将由云上计算。图2所示云-端计算分布方案中包括渲染队列、instance数量以及颜色贴图的所有绘制资源完全在终端上计算。图3所示的云-端计算分布方案中绘制资源instance数量由云上计算，剩余绘制资源渲染队列和颜色贴图在终端上计算。所以绘制算法计算instance数量将分配到云上执行。图4所示的云-端计算分布方案中绘制资源颜色贴图、渲染队列和instance数量都将分配给云上计算，所以绘制算法准备渲染队列、计算instance数量以及PBS着色绘制将分配到云上执行。
由于云上的绘制资源可以提供给终端使用，但是终端的绘制资源不可以提供给云使用，因此单纯由枚举产生的云-端计算分布方案中会存在一些无效的云-端计算分布方案，需要额外将这些无效的云-端计算分布方案剔除。具体地，根据绘制算法与绘制资源的读写关系进行判断，是否存在任意一个绘制算法，其写入了任意一个云上计算的绘制资源，却又读取了任意一个端上计算的绘制资源，若存在则该云-端计算分布方案无效，需要从云-端计算分布方案集中剔除。
以下示例性地给出了根据基于终端运行帧率以及网络传输延迟定义为的优化目标从剔除了无效方案后剩余的云-端计算分布方案集中选出的满足帕累托最优的所有配置，得到一系列较优的云-端计算分布方案。
假设在一般的终端上，在一般状况的网络环境下，图2所示的绘制流水线终端运行帧率能达到10FPS，网络传输延迟为0毫秒，图3所示的绘制流水线终端运行帧率能达到30FPS，网络传输延迟为10毫秒，图4所示的绘制流水线终端运行帧率能达到60FPS，网络传输延迟为200毫秒。假设框架的用户将终端运行帧率的预算设置为40FPS，网络传输延迟的预算设置为300毫秒，且优先优化网络传输延迟。
在一般的终端上、一般状况的网络环境下，只有图4所述绘制流水线满足所有预算，故其将被选为当前最优云-端计算分布方案。当网络环境恶化时，如图4所述绘制流水线的网络传输延迟达到500毫秒、图3所述绘制流水线的网络传输延迟达到100毫秒时，将不再有满足所有预算的云-端计算分布方案。此时，图2和图3所述绘制流水线都能满足网络传输延迟的预算，但都不能满足终端执行帧率的计算，因此取终端执行帧率最优的图3所述绘制流水线作为当前最优云-端计算分布方案。
在计算能力较强的终端上、一般状况的网络环境下，如图2所述绘制流水线的终端运行帧率能达到50FPS、图3所述绘制流水线的终端运行帧率能达到100FPS、图4所述绘制流水线的终端运行帧率能达到200FPS时，图2～4所述的绘制流水线都满足所有预算，且框架的用户设置为优先优化网络传输延迟，因此图2将被选为最优云-端计算分布方案。
S103，依据该云-端计算分布方案，云上和/或终端执行相应的绘制算法，获得绘制结果。
当云-端计算分布方案中所有绘制资源均在终端上执行时，如图2所示的绘制流水线，终端按照定义的绘制流水线执行相应绘制算法获得绘制结果。
当云-端计算分布方案中所有绘制资源一部分在云上执行，剩下在终端上执行时，则根据定义的绘制流水线云上执行相应的绘制算法获得计算结果，并将该计算结果传输至终端，终端根据接收的计算结果执行相应的绘制算法，获得绘制结果。如图3所示的绘制流水线，云上执行绘制算法计算instance数量，并将计算结果绘制资源instance数量输出至终端，终端按照绘制流水线，执行绘制算法准备渲染队列获得渲染队列，并根据instance数量调用渲染队列进行PBS着色绘制获得颜色贴图，并根据颜色贴图执行绘制算法呈现绘制结果获得绘制结果。
当云-端计算分布方案中所有绘制资源均在云上执行时，则根据定义的绘制流水线云上执行相应的绘制算法获得最终显示资源，终端直接对接收的最终显示资源进行显示。如图4所示的绘制流水线，云将计算结果最终显示资源颜色贴图传输至终端，终端直接执行绘制算法呈现绘制结果对颜色贴图进行显示。
在上述S101～S103的基础上，所述绘制计算框架还包括：
实时监测优化目标的变化情况，根据优化目标的变化情况动态更新优化目标，并根据新优化目标更新当前最优的云-端计算分布方案。
具体地，可以实时监测网络传输带宽情况，当网络传输延迟增大时，动态更新优化目标，并根据新优化目标更新当前最优的云-端计算分布方案。
例如，当前执行如图4所示的绘制流水线时，监测到网络传输延迟增大时，将当前绘制流水线切换到如图3所示的绘制流水线，以尽最大可能(best-effort)满足所有预算。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于自适应虚拟化绘制流水线的云-端绘制计算框架，包括以下步骤：
定义绘制流水线，包括定义绘制资源、绘制算法以及绘制算法与绘制资源的读写关系，其中，绘制资源包括输入场景、中间计算结果以及最终画面资源；
根据框架用户自定义的优化目标和优化目标的预算，实时从包含各绘制资源分配到云或终端计算的云-端计算分布方案集中优选最优的云-端计算分布方案；
依据所述云-端计算分布方案，云上和/或终端执行相应的绘制算法，获得绘制结果。
2.如权利要求1所述的基于自适应虚拟化绘制流水线的绘制计算框架，其特征在于，所述实时从包含各绘制资源分配到云或终端计算的云-端计算分布方案集中优选最优的云-端计算分布方案包括：
对绘制流水线表示的每个绘制资源，枚举选择是否在云上计算，所有绘制资源是否在云上计算的分布情况形成一个云-端计算分布方案，组成云-端计算分布方案集；
根据绘制算法与绘制资源的读写关系，从云-端计算分布方案集中剔除无效云-端计算分布方案；
根据优化目标从剩余云-端计算分布方案中选出满足帕累托最优的所有配置，得到一系列较优的云-端计算分布方案；
运行时根据运行预算从一系列较优的云-端计算分布方案中选出一个最优的云-端计算分布方案。
3.如权利要求1所述的基于自适应虚拟化绘制流水线的云-端绘制计算框架，其特征在于，当云-端计算分布方案中所有绘制资源均在终端上执行时，终端按照定义的绘制流水线执行相应绘制算法获得绘制结果。
4.如权利要求1所述的基于自适应虚拟化绘制流水线的云-端绘制计算框架，其特征在于，当云-端计算分布方案中所有绘制资源一部分在云上执行，剩下在终端上执行时，则根据定义的绘制流水线云上执行相应的绘制算法获得计算结果，并将该计算结果传输至终端，终端根据接收的计算结果执行相应的绘制算法，获得绘制结果。
5.如权利要求1所述的基于自适应虚拟化绘制流水线的云-端绘制计算框架，其特征在于，当云-端计算分布方案中所有绘制资源均在云上执行时，则根据定义的绘制流水线云上执行相应的绘制算法获得最终显示资源，终端直接对接收的最终显示资源进行显示。
6.如权利要求4或5所述的基于自适应虚拟化绘制流水线的云-端绘制计算框架，其特征在于，云上执行相应的绘制算法获得计算结果通过压缩技术压缩后传输至终端。
7.如权利要求1～6任一项所述的基于自适应虚拟化绘制流水线的云-端绘制计算框架，其特征在于，所述绘制计算框架还包括：
实时监测优化目标的变化情况，根据优化目标的变化情况动态更新优化目标，并根据新优化目标更新当前最优的云-端计算分布方案。
8.如权利要求7所述的基于自适应虚拟化绘制流水线的云-端绘制计算框架，其特征在于，实时监测网络传输带宽情况，当网络传输延迟增大时，动态更新优化目标，并根据新优化目标更新当前最优的云-端计算分布方案。
CN202010166658.5A 2020-03-11 2020-03-11 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法 Active CN111402353B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010166658.5A CN111402353B (zh) 2020-03-11 2020-03-11 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法
US17/627,677 US11989797B2 (en) 2020-03-11 2021-01-06 Cloud-client rendering method based on adaptive virtualized rendering pipeline
PCT/CN2021/070527 WO2021179780A1 (zh) 2020-03-11 2021-01-06 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010166658.5A CN111402353B (zh) 2020-03-11 2020-03-11 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法

Publications (2)

Publication Number Publication Date
CN111402353A true CN111402353A (zh) 2020-07-10
CN111402353B CN111402353B (zh) 2020-12-25

Family

ID=71413249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010166658.5A Active CN111402353B (zh) 2020-03-11 2020-03-11 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法

Country Status (3)

Country Link
US (1) US11989797B2 (zh)
CN (1) CN111402353B (zh)
WO (1) WO2021179780A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021179780A1 (zh) * 2020-03-11 2021-09-16 浙江大学 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105050671A (zh) * 2012-12-21 2015-11-11 微软技术许可有限责任公司 等待时间敏感的游戏特征的客户端渲染
CN109240813A (zh) * 2018-08-21 2019-01-18 广东工业大学 一种移动云计算中的任务调度与任务迁移方法
CN109933735A (zh) * 2019-03-04 2019-06-25 三星电子（中国）研发中心 调度方法、网页渲染方法、网页显示方法及其设备
CN110020367A (zh) * 2017-12-15 2019-07-16 阿里巴巴集团控股有限公司 一种页面渲染方法及装置
US20190230567A1 (en) * 2016-04-29 2019-07-25 International Business Machines Corporation Convergence of cloud and mobile environments
CN110751712A (zh) * 2019-10-22 2020-02-04 中设数字技术股份有限公司 基于云平台的在线三维渲染技术及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3000232A4 (en) * 2013-05-23 2017-01-25 Kabushiki Kaisha Square Enix Holdings (also trading as Square Enix Holdings Co., Ltd) Dynamic allocation of rendering resources in a cloud gaming system
US11012694B2 (en) * 2018-05-01 2021-05-18 Nvidia Corporation Dynamically shifting video rendering tasks between a server and a client
US11395027B2 (en) * 2020-02-28 2022-07-19 Verizon Patent And Licensing Inc. Methods and systems for request-based graphics rendering at a multi-access server
CN111402353B (zh) * 2020-03-11 2020-12-25 浙江大学 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105050671A (zh) * 2012-12-21 2015-11-11 微软技术许可有限责任公司 等待时间敏感的游戏特征的客户端渲染
US20190230567A1 (en) * 2016-04-29 2019-07-25 International Business Machines Corporation Convergence of cloud and mobile environments
CN110020367A (zh) * 2017-12-15 2019-07-16 阿里巴巴集团控股有限公司 一种页面渲染方法及装置
CN109240813A (zh) * 2018-08-21 2019-01-18 广东工业大学 一种移动云计算中的任务调度与任务迁移方法
CN109933735A (zh) * 2019-03-04 2019-06-25 三星电子（中国）研发中心 调度方法、网页渲染方法、网页显示方法及其设备
CN110751712A (zh) * 2019-10-22 2020-02-04 中设数字技术股份有限公司 基于云平台的在线三维渲染技术及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
章子凯: "基于移动云计算的任务迁移研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021179780A1 (zh) * 2020-03-11 2021-09-16 浙江大学 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法

Also Published As

Publication number Publication date
WO2021179780A1 (zh) 2021-09-16
US20220261946A1 (en) 2022-08-18
US11989797B2 (en) 2024-05-21
CN111402353B (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
EP4192015A1 (en) Video encoding method, video decoding method, apparatus, electronic device, storage medium, and computer program product
US10306180B2 (en) Predictive virtual reality content streaming techniques
CN109966739B (zh) 一种优化游戏运行的方法及系统
WO2021180183A1 (zh) 图像处理方法和图像显示设备、存储介质和电子设备
US11731050B2 (en) Asset aware computing architecture for graphics processing
US20240029211A1 (en) History clamping for denoising dynamic ray-traced scenes using temporal accumulation
CN111402353B (zh) 一种基于自适应虚拟化绘制流水线的云-端绘制计算方法
US20240152393A1 (en) Task execution method and apparatus
CN116546228B (zh) 用于虚拟场景的推流方法、装置、设备及存储介质
US20230254214A1 (en) Control apparatus, virtual network assignment method and program
CN110858388A (zh) 一种增强视频画质的方法和装置
US10776984B2 (en) Compositor for decoupled rendering
CN115861510A (zh) 对象渲染方法、装置、电子设备、存储介质及程序产品
CN116173496A (zh) 一种图像帧的渲染方法及相关装置
CN115700482A (zh) 任务执行方法及装置
US20200151102A1 (en) Logic-executing ring buffer
US20240087207A1 (en) Depth analyzer and shading rate controller
Wen et al. GBooster: Towards Acceleration of GPU-Intensive Mobile Applications
US20220237032A1 (en) Method, device, and computer program product for deploying visual resource
CN117808938A (zh) 一种数字人驱动方法、设备和存储介质
CN117710180A (zh) 图像渲染方法及相关设备
CN116894897A (zh) 计算机图形处理方法以及系统
CN114042312A (zh) 一种角色皮肤绘制方法、系统、电子设备
CN116847100A (zh) 视频处理方法、装置、视频处理设备及存储介质
CN118159341A (zh) 一种图像帧的渲染方法及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant