[论文解读] ScaleFree: Dynamic KDE for Multiscale Point Cloud Exploration in VR

Lixiang Zhao, Fuqi Xie+3 more|arXiv (Cornell University)|Jan 28, 2026

Computer Graphics and Visualization Techniques被引用 0

一句话总结

ScaleFree 提供一个GPU 加速、适应性 KDE，可在 VR 的多尺度点云中实时重新计算密度场，实现从全局到局部的流畅探索，以及更快的选择/导航任务。

ABSTRACT

We present ScaleFree, a GPU-accelerated adaptive Kernel Density Estimation (KDE) algorithm for scalable, interactive multiscale point cloud exploration. With this technique, we cater to the massive datasets and complex multiscale structures in advanced scientific computing, such as cosmological simulations with billions of particles. Effective exploration of such data requires a full 3D understanding of spatial structures, a capability for which immersive environments such as VR are particularly well suited. However, simultaneously supporting global multiscale context and fine-grained local detail remains a significant challenge. A key difficulty lies in dynamically generating continuous density fields from point clouds to facilitate the seamless scale transitions: while KDE is widely used, precomputed fields restrict the accuracy of interaction and omit fine-scale structures, while dynamic computation is often too costly for real-time VR interaction. We address this challenge by leveraging GPU acceleration with k-d-tree-based spatial queries and parallel reduction within a thread group for on-the-fly density estimation. With this approach, we can recalculate scalar fields dynamically as users shift their focus across scales. We demonstrate the benefits of adaptive density estimation through two data exploration tasks: adaptive selection and progressive navigation. Through performance experiments, we demonstrate that ScaleFree with GPU-parallel implementation achieves orders-of-magnitude speedups over sequential and multi-core CPU baselines. In a controlled experiment, we further confirm that our adaptive selection technique improves accuracy and efficiency in multiscale selection tasks.

研究动机与目标

• 通过提供可随用户尺度和焦点自适应的动态密度估计，推动并实现 VR 中对大规模多尺度点云的互动式探索。
• 通过在交互过程中实现实时重新计算，解决预计算单/多分辨率密度场的限制。
• 开发一个具备自适应带宽的 GPU 加速 KDE 流水线，支持在沉浸式环境中实现尺度之间的平滑切换。
• 在基于 CPU 的基线上评估性能提升，并评估在多尺度任务中的选择准确性与效率的影响。

提出的方法

• 对三维网格内的边界框使用带有限支持的自适应 Epanechnikov 核的改进 Breiman KDE 以估计密度。
• 在 CPU 上预处理以计算初始平滑长度并构建用于高效邻域查询的 k-d 树。
• 实现三个 GPU 内核（初步密度估计、适应性平滑长度更新、最终密度估计），在用户改变尺度时对密度进行即时重新计算。
• 采用基于 gather 的 GPU 策略以避免原子写入并加速密度评估。
• 在线程组内进行分层并行化约简，以计算自适应带宽更新的平均初步密度。
• 在重新计算后将最终密度从 GPU 传输回 CPU，以用于 VR 中的渲染/交互。

(a)

实验结果

研究问题

• RQ1 ScaleFree 是否能够提供适用于沉浸式 VR 探索的实时、即时 KDE 密度重新计算，覆盖任意尺度？
• RQ2 通过基于 GPU 的 KDE 的自适应带宽，是否提高了多尺度选择与导航的准确性与效率，相较于预计算的密度场？
• RQ3 与逐渐增大的数据集相比，ScaleFree 相对于基于 CPU 的基线在性能上有哪些提升？
• RQ4 动态 KDE 如何影响在 VR 中识别感兴趣区域和在全局与局部视图之间导航的用户工作流？

主要发现

• ScaleFree 相对于 CPU 基线实现了显著的加速，在报导的案例中加速比达到甚至超过 1000×（SC→ScaleFree 与 MC→ScaleFree）。
• 在 64×64×64 的网格上，ScaleFree 对 76k 点的执行时间为 0.042 s（≈20 FPS），在更大数据集上保持 0.119 s 和 0.309 s，支持在互动过程中几乎实时的密度重新计算。
• GPU 实现显著减少了密度重新计算时间，使 VR 的多尺度探索更加响应式，在焦点变化时密度能够更新。
• 在线生成的自适应平滑长度通过基于平均初步密度来本地调整核带宽，从而提高密度场的准确性。
• 一项对照研究表明，基于 ScaleFree 的选择比预计算的密度场技术更快且更准确，用户反馈工作负荷更低、对 ScaleFree 的偏好更高。

(b)