가상현실 기기의 지연시간이 유발하는 멀미는 가상현실 대중화에 큰 걸림돌이었다. 이 지연시간을 단축하기 위하여 대부분의 HMD 기기들은 PC와 HMD의 영상 전송에 유선 케이블을 사용하고 있다. 그러나 유선 케이블은 공간상의 제약을 주어 사용자의 몰입을 방해하고 불편함을 느끼게 한다. 사용자가 가상현실에서 느끼는 몰입감을 극대화 하기 위해서는 무선 영상 전송 시스템이 필요하다. 그러나 무선 영상 전송 시스템은 유선 케이블에 비하여 영상이 전송되는데 더 긴 시간이 소모되어 지연시간이 늘어나게 된다. 이렇게 늘어난 지연시간은 사용자가 경험하는 가상현실 멀미에 악영향을 준다. 늘어난 지연시간은 예측 알고리즘을 통하여 줄일 수 있으나 긴 지연시간에 대한 예측 알고리즘은 떨림 현상을 야기한다. 이러한 떨림 현상이 사용자의 가상현실 멀미에 어떠한 영향을 미치는지에 대한 연구는 이루어지지 않았다. 본 논문에서는 예측으로 인하여 발생하는 떨림 현상이 사용자의 가상현실 멀미를 심화시키는 것을 실험을 통해 증명했다. 앞으로의 예측 알고리즘은 떨림 현상 또한 고려하여 설계되어야 한다.

젖은 헤어 또는 동물의 털 시뮬레이션에서 응집력과 강성(stiffness)을 처리하는 것은 어려운 문제이다. 격렬한 움직임을 갖는 헤어나 털이 물에 젖게 되면 끝이 뭉치고 빳빳해지는 현상이 나타나게 되는데, 이는 달리는 동물이나 헤드뱅잉 하는 장면 등에서 쉽게 관찰 할 수 있다. 기존의 방법들은 정해진 시뮬레이션 시나리오에서 이 문제를 해결하려고 했지만 여전히 젖은 헤어의 특징을 묘사하기 위한 일반적인 방법이 존재하지 않는다. 이 문제를 해결하기 위해 우리는 응집력과 강성에 대한 새로운 모델링 방법을 제안한다. 기존 연구들은 물이 모발에 흡수되는 현상을 모델링 하는데 초점을 맞춘 반면, 우리는 젖은 모발의 움직임을 사실적으로 표현하는데 집중한다. 젖은 헤어는 마른 헤어와는 다르게 인접한 모발들끼리 응집력이 작용하여 서로 뭉치는 형태를 띄며, 물의 포화도가 높아질수록 빳빳해지는 독특한 물리적 특성이 나타난다. 제안된 기법의 핵심은 SPH (smoothed particle hydrodynamics) 기반의 표면 장력 모델을 확장하여 응집력을 표현하고, 강성 제약을 두어 모발의 탄성력을 조절하는 것이다. 우리 기법은 젖은 모발이 격렬한 움직임에서도 응집력을 잘 유지할 수 있도록 도와주며, 물의 포화도에 따른 모발의 빳빳함을 표현하여 사실적인 젖은 헤어 시뮬레이션 결과를 보여준다.

미시적인 관점에서 물표면 주위에 위치한 물 입자와 공기 입자는 끊임없이 서로 상호작용을 한다. 이러한 상호작용은 대량의 작은 물 입자들이 엷게 흩날리는 상황이 표현되는 폭포나 바다에서 명확하게 나타난다. 즉, 엷게 퍼진 작은 물 입자들로 인해 물과 공기사이의 표면경계가 불분명해지며 이 부분에서 공기와 물 입자간의 상호작용으로 인해 급격한 와류현상이 나타나게 된다. 그러나 기존 입자 기반 물 시뮬레이션에서는 유동에 의해 나타나는 자기와류 (self-trubulent)에만 집중하였고, 자유표면 근처에서 공기에 의해 표현되는 부차적인 와류 현상에 대해서는 고려하지 못했다. 유체표면의 움직임에 집중된 모델링으로 인해 대량의 작은 물 입자들이 엷게 흩날리는 장면을 사실적으로 연출하기에는 한계가 있다. 우리는 1) 물 표면에서 공기의 역할을 담당하는 공기 입자 층을 적응적으로 생성하고, 2) 물과 공기를 서로 다른 상 (phase)으로 모델링하여 자유표면 근처에서 발생하는 와류를 사실적으로 표현하는 기법을 제안한다. 결과적으로, 우리는 공기에 의해 표현되는 와류를 입자기반 프레임워크에서 효율적으로 다루어 계산속도 및 결과측면에서 기존기법보다 개선된 결과를 얻었다.

본 논문은 입자 기반 대규모 유체 시뮬레이션의 가속화 기법을 새롭게 제안한다. 전통적인 입자 기반 유체 시뮬레이션은 SPH(Smoothed Particle Hydrodynamics)기법[1]을 통해 인접 입자와 물리량을 상호작용하는 방식으로 이루어졌다. 이러한 방식은 잔잔한 표면이나 유체 내부와 같이 입자의 움직임이 적은 부분에서는 연산량에 비해 가시적인 변화를 보이지 않는다는 특성이 있다. 이러한 현상은 입자의 개수가 많아질수록 두드러지게 나타난다. 기존 연구에서는 유체의 각 부분을 적응적으로 나눔으로써 낭비되는 연산량을 줄이려는 시도를 했다. 본 논문은 대규모 시뮬레이션에 적합한 입자 기반 유체 시뮬레이션 기법을 제안한다. 시뮬레이션에서 사용되는 모든 입자를 유체 움직임의 기준이 되는 샘플링 입자와 샘플링 입자에 의해 움직임이 결정되는 보간 입자로 분류하고 샘플링 입자에 의해 생성되는 삼각형 맵과 무게중심 좌표계를 이용한 보간 방법을 통해 연산 시간을 단축하는 기법을 제안한다. 우리의 기법은 입자의 개수가 많을수록 더욱 효율적이며 유체 표면의 세밀한 움직임 또한 표현하는 것이 가능하다.

본 논문에서는 이구아나의 저 품질 동작 포착 데이터를 이용하여 고 품질의 애니메이션을 시뮬레이션 하는 방법을 제안한다. 적은 수의 마커를 부착하여 포착한 이구아나의 동작 데이터는 실제 움직임을 정확히 표현하지 못하고, 이 데이터에 스킨 매시(Skinned Mesh)를 입히더라도 부족한 자유도 때문에 부자연스러운 움직임을 보인다. 위와 같은 문제를 해결하기 위하여 스킨 매시의 움직임을 근육과 몸체의 탄성력으로 모델링하는 연체 시뮬레이션(Soft Body Simulation)기법을 응용하여, 자연스럽고 유연한 움직임을 시뮬레이션 하는 과정을 본 논문은 소개한다. 이구아나의 다양한 이동 방법을 표현하기 위하여 동작 포착 데이터로부터 동작 그래프(Motion Graph)를 만들고, 이를 동작 생성시 상황에 적합한 동작을 선택하는데 활용한다. 지형 위에 사용자가 입력하는 좌표를 기초로 이구아나의 목표지점을 설정하고, 이를 바탕으로 그래프 경로를 계획한다. 그 결과 생성된 평지 위를 걷는 이구아나의 동작은 불규칙한 높이를 지닌 지형 위에서 적합한 동작으로 변형 된다. 이와 같이 지형에 적응된 동작은 연체 시뮬레이션 시 필요한 목표 근육길이를 계산하는데 활용된다. 마지막으로 연체 시뮬레이션 기업을 적용하여 다양한 상황에 대응 가능한 이구아나 물리 시뮬레이션을 구현하였다.

본 논문에서는 3차원상의 두 강체 사이의 침투깊이 (penetration depth)를 명시적으로 민코우스키 합 (explicit Minkowski sum)을 생성하는 방법 ($PD_e$)과 암시적으로 민코우스키 합 (implicit Minkowski sum)을 생성 하는 방법 ($PD_i$)을 이용하여 계산하는 알고리즘을 제안하고 이들의 성능을 비교한다. 3차원 강체들 간의 침투깊이를 구하는데 성능상에 큰 장애가 되는 것이 민코우스키 합의 생성이다. 본 논문의 알고리즘들은 우선 물체의 중심 차 (centroid difference)와 운동 일관성 (motion coherence)기법을 이용하여 침투깊이를 예측한다. 특히 $PD_e$는 추측된 침투깊이에 부분 민코우스키 합을 명시적으로 생성 혹은 갱신하여 침투깊이를 빠르게 구한다. 반면에 $PD_i$는 민코우스키 합을 명시적으로 생성하기보다는 민코우스키 합에 접하는 접평면만을 반복적으로 생성하여 국소적으로 최적화된 침투깊이를 계산한다. 본 연구의 알고리즘들을 수천 개의 삼각형으로 이루어진 강체를 이용해 실험한 결과 수 밀리초 (millisecond) 이내의 빠른 속도로 침투깊이를 계산할 수 있다는 것을 실험적으로 보인다.

심장 CT 혈관 조영 영상은 심혈관의 전체 해부학 구조를 3D 로 보여줄 뿐 아니라 병변의 정보를 제공하기 때문에 관상동맥 질환 진단 및 치료에 많이 사용되고 있다. 하지만 영상의 방대한 크기로 인해 수동으로 정보를 추출하는 데는 한계가 있어 자동으로 심혈관을 정확하게 추출하는 연구들이 활발히 진행되고 있다. 심혈관 자동 추출 알고리즘을 개발하는데 있어 심혈관의 시작점인 상행대동맥의 심문을 검출하는 방법은 필수적인 부분이다. 본 논문에서는 심혈관의 시작점인 심문을 분할하는 방법을 제안한다. 첫째, 상행대동맥의 크기와 위치를 고려한 허프변환으로 대동맥 초기영역을 검출한다. 둘째, 초기영역을 기반으로 탐색범위를 줄일 수 있도록 관심 볼륨 영역을 설정한다. 셋째, 지오데식 활성외곽선 모델을 기반으로 정제된 대동맥 영역을 검출한다. 마지막으로 검출된 대동맥 영역에서 심문을 분할한다. 제안방법의 평가를 위해 20 개의 심장 CT 혈관 조영 영상에서 전문가가 수동으로 표기한 시작점과 비교 분석하였다. 실험 결과 제안방법을 통해 시작점이 제대로 추출 됨을 확인할 수 있었다.

본 논문에서는 포인트 클라우드로 구성된 모델 내의 오류를 줄이고, 기하학적 형태를 복원하기 위한 사전 학습 방법을 제시한다. 이를 위해, 대상 모델과 유사한 형태 특징을 갖는 모델로부터 3차원 특징 정보를 추출하여 사전을 구성하고, 이를 통해 기하 복원을 수행한다. 본 연구에서 제시한 방법은 다음과 같이 세 단계로 구성된다. 첫째, 유사 모델로부터 기하 패치를 구성하는 단계, 둘째, 획득한 패치의 3차원 형태 특징을 학습하는 단계, 셋째, 학습된 사전을 이용하여 기하를 복원하는 단계이며, 최종적으로 원본 모델과 복원 결과의 오차를 계산하며, 복원 결과의 정확도를 확인한다.