This is partially again due to the

This is partially again due to the fact that we introduce neighborhood dependencies which reduce the number of parallel
operations by a factor of approximately 6. On the other hand,
the uncompressed data require more memory bandwidth and
the transformation from local to global coordintes also slows
down the adaption. The reduction of the number of operations and thus decreasing performance for larger models
is due to the fact that fewer operations were performed in
parallel. The reason for this is that these models were not
pre-simplified and therefore contained many coplanar faces.
In our current implementation this blocks many collapses as
only those are performed that have a smaller error than all of
their neighbors. Although we broke the possible deadlock by
adding a small random number to the error, a more sophisticated solution would lead to more parallel collapses and thus
increase the split and collapse performance. In addition, the
frame rate drops to approximately 12 fps for meshes containing one million vertices when drastically changing the
approximation error. When the adaption finishes, the frame
rate however returns to 60 fps. In total, adaption and propagation scale almost linear in the number of cores.
The modeling performance of our approach is approximately on par with algorithm of Marinov et al. [MBK07]

Kết quả (Việt) 1:

Đây là một phần nữa do thực tế rằng chúng tôi giới thiệu phụ thuộc khu phố mà làm giảm số lượng các song songhoạt động của một nhân tố của xấp xỉ 6. Mặt kháccác dữ liệu không nén đòi hỏi nhiều băng thông bộ nhớ vàviệc chuyển đổi từ địa phương đến toàn cầu coordintes cũng chậmxuống thích nghi. Việc giảm số lượng các hoạt động và do đó làm giảm hiệu suất cho các mô hình lớn hơndo thực tế là ít hoạt động đã được thực hiện tạisong song. Lý do cho điều này là rằng các mô hình này đã khôngpre-đơn giản và do đó có nhiều khuôn mặt phẳng.Chúng tôi thực hiện hiện tại này khối sụp đổ nhiều nhưchỉ những người được thực hiện mà có một lỗi nhỏ hơn so với tất cảhàng xóm của họ. Mặc dù chúng tôi đã phá vỡ bế tắc có thể bởiThêm một số ngẫu nhiên ít lỗi, một giải pháp phức tạp hơn sẽ dẫn đến sụp đổ hơn song song và do đótăng sự chia rẽ và sụp đổ hiệu suất. Ngoài ra, cáctỷ lệ khung hình xuống đến khoảng 12 fps cho mắt lưới có chứa một triệu đỉnh khi thay đổi quyết liệt cácxấp xỉ lỗi. Khi kết thúc thích ứng, khung hìnhtỷ lệ Tuy nhiên trở về đến 60 khung hình/giây. Tổng cộng, thích ứng và tuyên truyền có quy mô gần như tuyến tính trong số các lõi.Hiệu suất mô hình của các phương pháp tiếp cận của chúng tôi là khoảng ngang bằng với thuật toán của Marinov et al. [MBK07]

Kết quả (Việt) 2:

Đây là một phần nữa do thực tế rằng chúng tôi giới thiệu phụ thuộc khu phố đó giảm số lượng song song
hoạt động của một yếu tố khoảng 6. Mặt khác,
các dữ liệu không nén đòi hỏi băng thông bộ nhớ hơn và
việc chuyển đổi từ địa phương tới coordintes toàn cầu cũng làm chậm
xuống sự thích ứng. Việc giảm số lượng các hoạt động và hiệu suất như vậy, giảm cho các mô hình lớn hơn
là do thực tế rằng các hoạt động ít được thực hiện tại
song song. Lý do cho điều này là các mô hình này được không
trước đơn giản hóa và do đó chứa đựng nhiều mặt đồng phẳng.
Trong thực hiện hiện nay của chúng tôi khối này nhiều sụp đổ như
chỉ có những người được thực hiện có một lỗi nhỏ hơn so với tất cả các
nước láng giềng của họ. Mặc dù chúng tôi đã phá vỡ thế bế tắc có thể bằng cách
bổ sung thêm một số ngẫu nhiên nhỏ để các lỗi, một giải pháp tinh vi hơn sẽ dẫn đến sự sụp đổ song song hơn và do đó
làm tăng sự chia rẽ và sụp đổ hiệu suất. Ngoài ra,
tỷ lệ khung hình giảm xuống còn khoảng 12 fps cho mắt lưới có chứa một triệu đỉnh khi thay đổi đáng kể
lỗi xấp xỉ. Khi thích ứng kết thúc, khung
tỷ lệ tuy nhiên trả tới 60 fps. Trong tổng số, thích ứng và tuyên truyền quy mô gần như tuyến tính trong số lượng lõi.
Việc thực hiện mô hình của phương pháp tiếp cận của chúng tôi là khoảng ngang bằng với thuật toán của Marinov et al. [MBK07]