YouTube UGC 데이터셋 비디오 압축 연구의 새로운 지평

초록

본 논문은 YouTube에서 수집한 대규모 사용자 생성 콘텐츠(UGC) 비디오 데이터셋을 소개합니다. 기존 압축 및 품질 평가 지표(PSNR, VMAF 등)가 원본이 완벽하다는 가정 하에 설계되어 UGC의 비-프리스틴(non-pristine) 특성에 적용 시 한계를 보이는 문제를 지적하며, 1500개의 20초 클립으로 구성된 이 데이터셋은 다양한 카테고리와 해상도를 포괄합니다. 또한, 인코딩 특징 기반의 새로운 샘플링 방법을 제안하고, 참조 없는 객관적 품질 지표를 활용한 UGC 품질 평가의 유망한 방향성을 제시합니다.

상세 분석

이 논문의 핵심 기술적 기여는 두 가지로 요약됩니다: 대표성을 갖춘 대규모 UGC 데이터셋 구축 방법론과, UGC에 특화된 품질 평가 패러다임에 대한 통찰입니다.

첫째, 데이터셋 샘플링 방법론에서 혁신을 보입니다. 기존 UGC 데이터셋이 메타데이터나 시각적 특징에 의존한 샘플링에 그친 반면, 본 연구는 실제 인코딩 파이프라인(FFmpeg H.264, 고정 QP)에서 추출한 로그를 기반으로 네 가지 복잡도(Complexity) 특징을 정의합니다: 공간적 복잡도(I-frame 비트레이트), 색상 복잡도(UV 채널 대 Y 채널 SSE 비율), 시간적 복잡도(P-frame 대 I-frame 비트레이트 비율), 그리고 청크 변동성(1초 구간별 비트레이트 표준편차). 이는 압축 효율성과 실제 처리 파이프라인에서의 품질 일관성 문제를 직접 반영한 실용적인 지표입니다. 4차원 특징 공간을 체계적으로 샘플링하여 최종 데이터셋이 원본 150만 개 비디오 풀의 분포를 89% 평균 커버리지로 잘 대표하도록 설계했습니다.

둘째, UGC 품질 평가의 근본적인 문제를 정확히 지적하고 해법의 방향을 제시합니다. 프리스틴(pristine) 원본을 전제로 하는 PSNR, SSIM, VMAF 등 참조 기반 지표는 원본에 이미 존재하는 노이즈, 블러, 아티팩트를 ‘오류’로 간주하여, 압축 후 시각적으로 유사하거나 오히려 개선된 경우에도 낮은 점수를 부여하는 모순을 발생시킵니다. 논문은 이를 ‘비-프리스틴 원본’과 ‘절대적 품질과 참조 품질의 불일치’라는 두 가지 근본적 한계로 분석합니다. 이에 대한 대안으로 아티팩트 지향적(Noise, Banding) 및 장면 왜곡 지향적(SLEEQ) 참조 없는(No-Reference) 지표를 독립적으로 적용하고, 압축 전후 점수 차이를 통해 품질 변화를 평가하는 방법론의 유효성을 시사합니다. 이는 단일 통합 점수를 추구하기보다, UGC의 다양한 결함 유형을 분리하여 평가하는 실용적 접근법을 열어줍니다.