동심원 퍼뮤테이션 소스 코드

초록

본 논문은 기존 퍼뮤테이션 소스 코드를 다수의 초기 코드워드로 확장하여, 서로 다른 반경을 갖는 동심 구들에 코드워드를 배치하는 “동심원 퍼뮤테이션 코드(CPC)”를 제안한다. 동일한 구성(composition)을 공유하도록 설계하면 설계 차원을 K(구성의 종류 수)로 낮출 수 있으며, 이를 저차원 벡터 양자화 문제로 변환한다. 또한, 형태‑이득 벡터 양자화의 이득‑종속 형태 코드북을 이용한 최적 레이트 할당 방식을 제시해 설계 복잡성을 크게 감소시킨다. 실험 결과, 적은 추가 복잡도로 전통 퍼뮤테이션 코드보다 넓은 레이트‑왜곡(convex hull) 영역을 확보함을 보여준다.

상세 분석

퍼뮤테이션 코드는 초기 코드워드의 원소들을 순열함으로써 전체 코드북을 구성하고, 입력 벡터의 성분을 정렬한 뒤 같은 순서의 원소에 매핑하는 O(n log n) 복잡도의 인코딩을 제공한다. 기존 연구에서는 단일 구 위에 모든 코드워드를 배치했으며, 이는 고차원에서 엔트로피 제약 스칼라 양자화(ECSQ)와 동일한 성능 한계에 머물렀다. 논문은 이러한 한계를 극복하기 위해 여러 초기 코드워드를 사용해 코드북을 여러 동심 구의 합집합으로 확장한다. 이때 각 구는 동일한 “구성”(즉, 각 원소가 몇 번 반복되는지 정의하는 정수 파티션)을 가질 수 있다.

핵심 이론은 동일한 구성을 공유하는 경우 전체 설계 문제를 K‑차원 벡터 양자화(VQ) 문제로 축소한다는 것이다. 구체적으로, 각 구의 초기 코드워드에 포함된 값 µ_{j,i} 를 √n_i 로 스케일링한 벡터 μ_j 로 변환하고, 입력 벡터의 정렬된 성분들의 평균을 √n_i 로 가중합한 ξ 라는 K‑차원 랜덤 벡터를 정의한다. 그러면 전체 왜곡 최소화는 ξ에 대한 J‑점 최적 VQ와 동등해지며, Lloyd‑Max 알고리즘을 이용해 μ_j 를 구하고 다시 원래 차원으로 복원하면 된다. 이 접근법은 설계 공간을 크게 축소하고, 기존에 필요했던 모든 가능한 정수 파티션 탐색을 피한다.

구성이 서로 다를 경우에는 각 구마다 다른 파티션을 사용해야 하므로 설계 복잡도가 급증한다. 이를 완화하기 위해 논문은 “형태‑이득(shape‑gain) 벡터 양자화” 프레임워크를 차용한다. 이 프레임워크에서는 이득(gain) 레벨에 따라 형태(shape) 코드북을 다르게 할당하고, 전체 비트 예산을 이득과 형태에 최적 배분한다. 결과적으로 각 구의 크기(M_j)와 선택 확률(p_j)을 레이트 할당 최적화 문제로 모델링하고, 이를 통해 다중 구의 비율을 효율적으로 결정한다.

복잡도 측면에서, 인코딩 단계는 여전히 정렬 O(n log n)과 각 초기 코드워드에 대한 재배열 O(J n) 정도만 추가되며, J을 O(log n) 이하로 제한하면 기존 퍼뮤테이션 코드와 동일한 수준이다. 설계 단계는 저차원 VQ 학습과 레이트 할당 최적화로 구성되며, 이는 차원 K가 보통 35 정도이므로 실용적인 시간 안에 수행 가능하다. 실험에서는 J=3,4 정도의 구를 사용했을 때 전통 단일 구 코드에 비해 0.30.5 dB 정도의 MSE 개선을 확인했으며, 특히 중간 레이트 영역에서 convex hull이 크게 확장되는 효과가 두드러졌다.