Visualization of uncorrelated point data

Abstract

Sciences are the most common application context for computer-generated visualization. Researchers in these areas have to work with large datasets of many different types, but the one trait that is common to all is that in their raw form they exceed the cognitive abilities of human beings. Visualization not only aims at enabling users to quickly extract as much information as possible from datasets, but also at allowing the user to work at all with those that are too large and complex to be directly grasped by human cognition. In this work, the focus is on uncorrelated point data, or point clouds, which is sampled from real-world measurements or generated by computer simulations. Such datasets are gridless and exhibit no connectivity, and each point represents an entity of its own. To effectively work with such datasets, two main problems must be solved: on the one hand, a large number of complex primitives with potentially many attributes must be visualized, and on the other hand the interaction with the datasets must be designed in an intuitive way. This dissertation will present novel methods which allow the handling of large, point-based data sets of high dimensionality. The contribution for the rendering of hundreds of thousands of application-specific glyphs is a Graphics-Processing-Unit(GPU)-based solution that allows the exploration of datasets that exhibit a moderate number of dimensions, but an extremely large number of points. These approaches are proven to be working for molecular dynamics(MD) datasets as well as for 3D tensor fields. Factors critical for the performance of these algorithms are thoroughly analyzed, the main focus being on the fast rendering of these complex glyphs in high quality. To improve the visualization of datasets with many attributes and only a moderate number of points, methods for the interactive reduction of dimensionality and analysis of the influences of different dimensions as well as of different metrics will be presented. The rendering of the resulting data in 3D similarity space is also addressed. A GPU-based reduction of dimensions has been implemented that allows interactive tweaking of the reduction parameters while observing the results in real time. With the availability of a fast and responsive visualization, the missing component for a complete system is the human-computer interaction. The user must be able to navigate the information space and interact with a dataset, selecting or filtering the items that are of interest to him, inspecting the attributes of particular data points. Today, one must distinguish between the application context and the modality of different interaction approaches. Current research ranges from keyboard-and-mouse desktop interaction over different haptic interfaces (also including feedback) up to tracked interaction for virtual reality(VR) installations. In the context of this work, the problem of interacting with point-based datasets is tackled for two different situations. The first is the workstation-based analysis of clustering mechanics in thermodynamics simulations, the second a VR immersive navigation and interaction with point cloud datasets.

Eines der verbreitetsten Anwendungsgebiete für computergestützte Visualisierung ist die Wissenschaft. Forscher müssen mit Datensätzen unterschiedlicher Art arbeiten, die jedoch alle die gemeinsame Eigenschaft besitzen, dass sie in Rohform die kognitive Kapazität eines Menschen bei weitem übersteigen. Die Visualisierung versucht daher nicht nur, Benutzer zu befähigen, so schnell wie möglich sehr viel Informationen aus solchen Datensätzen zu extrahieren, sondern es dem Forscher überhaupt zu ermöglichen, mit Datenmengen umzugehen, die zu groß und komplex für die direkte Erfassung mit der menschlichen Sensorik sind. Diese Arbeit konzentriert sich auf unkorrelierte Punktdaten, oder auch Punktwolken, die in experimentell erfasst oder aus Computersimulationen gewonnen sind. Solche Datensätze sind gitterlos und enthalten keine Konnektivitätsinformationen, und jeder Punkt stellt eine Entität für sich dar. Um effektiv mit solchen Datensätzen arbeiten zu können, müssen hauptsächlich zwei Probleme gelöst werden: einerseits muss eine große Zahl komplexer Primitive mit einer potentiell hohen Anzahl von Attributen visualisiert werden, und andererseits muss die Interaktion mit diesen Objekten einfach und intuitiv sein. In dieser Dissertation werden neue Methoden präsentiert, die große, punktbasierte Datensätze mit hoher Dimensionalität handhabbar machen. Der Beitrag zum Rendering hunderttausender applikationsspezifischer Glyphen ist eine GPU-basierte Lösung, die die Exploration von Datensätzen mit einer moderaten Anzahl von Dimensionen, aber einer extremen Anzahl von Punkten, ermöglicht. Es wird gezeigt, dass dieser Ansatz sowohl für Molekulardynamikdatensätze, als auch für 3D-Tensorfelder sinnvoll ist. Performance-kritische Einflussfaktoren dieser Algorithmen werden ausführlich analysiert, mit dem Hauptaugenmerk auf dem schnellen Rendering der komplexen Glyphen in hoher Qualität. Um die Visualisierung von Datensätzen mit vielen Attributen und einer geringeren Anzahl von Datenpunkten zu verbessern, werden Methoden zur interaktiven Dimensionsreduktion und zur Analyse der Einflüsse unterschiedlicher Dimensionen und Metriken vorgestellt. Die Darstellung der resultierenden Daten in einem 3D-Ähnlichkeitsraum wird ebenfalls behandelt. Die interaktive Parametrierung der Reduktion wurde durch eine GPU-basierte Implementierung erreicht, die es erlaubt, die Auswirkung in Echtzeit zu begutachten. Mit der Verfügbarkeit einer schnellen Visualisierung fehlt als letzte Komponente zu einer durchgängigen Implementierung der Visualisierungspipeline die Mensch-Maschine-Interaktion. Der Nutzer muss in die Lage versetzt werden, im Informationsraum zu navigieren und mit dem Datensatz zu interagieren, indem er interessante Daten selektiert oder durch Filterung hervorhebt, und die Attribute spezieller Datenpunkte einsieht. Heutzutage muss der Anwendungskontext und die Modalität der unterschiedlichen Interaktionskonzepte unterschieden werden. Die Forschung geht hier von Tastatur-und-Maus- Interaktion auf dem Desktop über verschiedene haptische Interfaces (die mitunter eine Rückkopplung erlauben) bis zur Tracking-basierten Interaktion bei VR-Installationen. Im Kontext dieser Arbeit wird das Interaktionsproblem für zwei unterschiedliche Szenarien angegangen: das Erste ist die Workstation-basierte Analyse des Clustering-Verhaltens in Simulationen aus der Thermodynamik, das Zweite eine immersive Virtual-Reality-Navigation und Interaktion mit Punktwolkendatensätzen.