ParKD (Parallel k-D Tree Construction,并行 K-D 树)。
k-D树是用于射线的充分研究的加速度数据结构跟踪。它用于组织场景中的图元以允许高效执行光线和图元之间的交叉操作。使用贪心算法可以获得最高质量的k- D树基于表面积启发式（SAH）的成本优化。而高质量使得光线跟踪时间非常快，这是一个关键的缺点是k- D树建设时间仍然昂贵。这个成本对于渲染动态场景是不合理的未来的视觉计算应用在新兴的多核系统上。因此，许多工作集中于更快的并行k- D树建造性能以牺牲近似或忽略SAH计算，其产生降级的k- D树渲染时间。在本文中，我们提出新的，更快的多核算法用于建立精确的SAH优化的kd树。我们最好的算法使得在较差的缓存性能和之间进行权衡更高的并行性，在16个内核上提供高达7X的加速，使用两种不同类型的并行模型，不降级树质量和渲染时间。
