6DoF 비디오 압축을 위한 점유맵 오류 보정 기법 및 신경망 기반 압축 성능분석 :

김동하

추천

검색

자료유형: 학위논문

저자정보: 김동하 (한국항공대학교, 한국항공대학교 일반대학원)

지도교수: 김재곤

발행연도: 2023

저작권: 한국항공대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (3)

2024

6DoF 비디오 압축을 위한 점유맵 오류 보정 기법 및 신경망 기반 압축 성능분석

김동하 방송과 미디어 2024.01 학술저널

2023

INR 기반의 6DoF 비디오 압축 성능분석

김동하 , 한규웅 , 정준영 외 2명 한국방송미디어공학회 학술발표대회 논문집 2023.06 학술대회자료

6DoF 비디오 압축을 위한 점유맵 오류 보정 기법 및 신경망 기반 압축 성능분석

김동하 항공전자정보공학과 2023.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

3차원 공간에서의 전방위(omnidirectional) 시점과 함께 움직임 시차(motion parallax)를 제공하는 6 자유도(Degree of Freedom: DoF)의 몰입형(immersive) 비디오는 메타버스 미디어의 핵심으로 더욱 주목받고 있다. MPEG(Moving Picture Experts Group)은 몰입형 비디오의 부호화를 위한 MIV(MPEG Immersive Video) 표준을 개발하였다. MIV는 제한된 3D공간의 여러 위치에서 획득한 다시점 비디오 및 깊이(Multiview plus Depth: MVD) 비디오의 시점간 중복성을 제거한 아틀라스(atlas)를 기존의 2D 코덱을 이용하여 압축한다.
또한, 최근 MPEG 비디오 그룹은 6DoF 비디오 부화화를 위한 신경망(neural network) 기반의 새로운 접근방법에 주목하고 있다. 즉, 암시적 신경 표현(Implicit Neural Representation: INR)을 이용하여 2D/3D 비디오를 신경망을 이용하여 표현하고 압축하는 암시적 시각 신경 표현(Implicit Neural Visual Representation: INVR)에 대한 표준화 가능성을 탐색하고 있다.
본 연구는 6DoF 몰입형 비디오의 효율적인 부호화를 위하여 시점간의 중복성 제거 후 유효 화소 여부를 나타내는 점유맵(occupancy map)의 오류 보정 기법을 제안한다. MIV의 참조 소프트웨어 코덱인 TMIV(Test Model for Immersive Video)는 점유 정보를 깊이(depth) 아틀라스에 내장하여 부호화 한다. 본 연구에서는 깊이 아틀라스 부호화 오류로 인한 점유 정보 오류를 보정하여 깊이값의 동적대역을 확대함으로써 부호화 효율을 개선하는 기법을 제시한다. 제안기법은 기존 TMIV 앵커(anchor) 대비 2.2%의 Bjøntegaard delta-rate(BD-rate)을 절감하는 부호화 이득을 얻었다.
또한, 본 연구에서는 6DoF 비디오를 표현하는 신경 방사 필드(Neural Radiance Field: NeRF) 모델을 신경망 압축 표준인 NNC(Neural Network Compression) 코덱을 사용하여 압축하고 그 성능을 TMIV의 성능과 비교 분석한다. 이를 바탕으로 신경망 기반의 새로운 6DoF 비디오 부호화에 대한 개선 방안을 제시한다. 즉, 6DoF 비디오를 모델링한 NeRF 모델을 구성하는 네트워크의 중요도에 따라서 압축 비트율을 차별적으로 할당하는 네트워크-적응적 비트할당 기법을 제시한다.

Immersive videos with 6 degrees of freedom (6DoF), which provide omnidirectional views and motion parallax in 3D space, are gaining increasing attention as a key component of metaverse media. The Moving Picture Experts Group (MPEG) has developed the MPEG Immersive Video (MIV) standard for immersive video coding. MIV generates an atlas by removing redundancies between multi-view plus depth (MVD) videos acquired at various locations in a 3D space, and compresses it using an existing 2D codec.
Furthermore, the MPEG Video group has recently shown interest in neural network-based approaches for 6DoF video compression. They exploring the potential standardization of Implicit Neural Representation (INR) for representing and compressing 2D/3D videos using neural networks, which is called as Implicit Neural Visual Representation (INVR).
This study proposes an error correction technique for occupancy maps, which indicate the presence of valid pixels, to achieve efficient encoding of 6DoF immersive videos by removing redundancies between views. The reference software codec for MIV, called Test Model for Immersive Video (TMIV), encodes occupancy information by embedding it in the depth atlas. In this research, a technique was presented to improve encoding efficiency by correcting occupancy information errors caused by depth atlas encoding and expanding the dynamic range of depth values. The proposed method achieved a 2.2% reduction in Bjøntegaard delta-rate (BD-rate) compared to the existing TMIV anchor.
Additionally, this study investigated the compression of 6DoF videos represented by the Neural Radiance Field (NeRF) model using the Neural Network Compression (NNC) codec, which is a standard for neural network compression, and compares and analyzes its performance with TMIV. Based on the results, an improvement approach for the new neural network-based 6DoF video encoding was explored. Specifically, a network-adaptive bit allocation method was presented, which assigns compression bit rates discriminatively based on the importance of networks that constitute the NeRF model representing the 6DoF video to be compressed.

제１장 서 론 1
1.1 연구 배경 1
1.2 논문의 구성 2
제２장 몰입형 비디오 부호화 기법 3
2.1 개요 3
2.2 TEST MODEL FOR IMMERSIVE VIDEO(TMIV) 4
2.2.1 TMIV부호화기 6
2.2.2 아틀라스(ATLAS) 생성 6
2.2.3 점유맵(OCCUPANCY MAP) 생성 10
제３장 점유맵 오류 보정 기법 11
3.1 개요 11
3.2 깊이 동적범위 확대 11
3.3 비대칭 임계값 점유맵 오류 보정 기법 14
3.4.1성능평가 실험 16
3.4.2깊이 동적범위 확대 성능평가 17
3.4.3 비대칭 임계값 점유맵 오류 보정 성능평가 18
제４장 MPEG INVR 22
4.1 개요 22
4.2 MPEG INVR 22
4.2.1 INR 23
4.2.2 NERF 24
4.2.3 NNC 27
제５장 신경망 기반 6DOF 비디오 압축 성능분석 28
5.1 개요 28
5.2 정적 NERF 모델 압축 28
5.2.1 정적 NERF 모델 압축 29
5.2.2 NERF 네트워크-적응적 비트할당 압축 기법 30
5.3.1 성능평가 31
5.3.2 실험조건 31
5.3.3 6DOF 비디오 부호화 성능 33
5.3.4 NERF 네크워크-적응적 비트할당 성능 36
제６장 결 론 39
참고문헌 40
SUMMARY 43

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)