경량 초해상도 기반 포인트 클라우드 코딩 모델

초록

본 논문은 JPEG Pleno 학습 기반 포인트 클라우드 코딩 표준의 복잡성을 70 % 이상 감소시키면서도 압축 효율을 소폭 향상시키는 경량화된 기하학 코딩 모델을 제안한다. 핵심 아이디어는 압축 도메인에서 동작하는 초해상도(SR) 모듈을 도입하고, 잠재(latent) 채널 수를 크게 줄여 전체 파라미터 수를 감소시키는 것이다. 실험 결과, 제안 모델은 기존 JPEG PCC의 5개 코딩 모델과 2개 SR 모델을 대체하면서 동일하거나 약간 개선된 RD 성능을 보이며, 특히 리소스가 제한된 환경에서의 적용 가능성을 크게 높인다.

상세 분석

JPEG Pleno 학습 기반 포인트 클라우드 코딩(JPEG PCC) 표준은 현재 기하학 인코딩을 위해 5개의 별도 딥러닝 모델(각 5.1 M 파라미터)과, 다운샘플링 비율(SF) 2와 4에 대응하는 2개의 초해상도(SR) 모델(각 7.3 M 파라미터)을 사용한다. 이러한 설계는 압축 효율은 우수하지만, 파라미터 수가 총 40 M 이상에 달해 메모리와 연산량이 크게 요구된다. 논문은 두 가지 주요 축소 전략을 제시한다. 첫째, SR을 압축 도메인에서 수행하도록 전환한다. 기존에는 디코딩 후 복원된 점군에 대해 SR을 적용했으나, 압축된 잠재 표현에 직접 SR을 적용함으로써 디코더 측에서 별도의 피처 추출 과정을 생략하고, 연산 흐름을 단순화한다. 둘째, 잠재 채널 수를 대폭 감소시킨다. 기존 IRB(Inception‑Residual Block) 구조에서 채널 수를 4배 정도 축소하고, 다중 브랜치 설계(각 SF에 대응하는 3개의 브랜치)를 유지하면서도 파라미터를 70 % 절감한다. 모델 학습은 코딩 파트와 SR 파트를 공동 최적화하는 다단계 프로세스로 진행되며, JPEG PCC 표준에서 정의된 Top‑k 바이너리화 파라미터(k_C, k_S)를 그대로 활용한다. 실험에서는 JPEG PCC 공식 데이터셋(다양한 밀도와 형태의 정적 점군)에서 평균 비트레이트 대비 PSNR을 비교했을 때, 제안 모델이 기존 모델 대비 0.1 dB~0.3 dB 정도의 미세한 품질 향상을 보이며, 파라미터 수는 약 12 M 이하로 감소한다. 특히, 메모리 사용량이 2배 이상 절감되어 모바일·임베디드 디바이스에서 실시간 디코딩이 현실화될 가능성을 제시한다.