http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 권도완(Dowan Kwon) (검색결과 5 건)
- 무료
- 기관 내 무료
- 유료
-
MMTP 기반 360도 VR 미디어 스트리밍: QoE 중점 스케줄링 알고리즘
권도완(Dowan Kwon),김인실(Insil Kim),박광명(Gwangmyung Park),이민석(Minseok Lee),김규헌(Kyuheon Kim) 한국방송·미디어공학회 2023 한국방송공학회 학술발표대회 논문집 Vol.2023 No.6
코로나 이후로 인터넷망을 통하여 다양한 미디어 콘텐츠를 제공하는 각종 OTT 서비스와 증강 현실을 활용한 이른바 ‘메타버스’ 환경을 구성하여 진행되는 서비스들이 등장했다. 하지만 가상 현실을 이용한 엔터테인먼트는 여전히 성장에 어려움을 겪고 있다. 그 이유로는 VR 콘텐츠를 저지연으로 소화할 수 있는 송출 기술과 방대한 데이터를 처리할 수 있는 하드웨어의 기술적 부재가 장해물로 존재하기 때문이다. 이러한 결핍들은 사용자들로 하여금 멀미(Cyber Sickness)와 같은 불편함을 야기하여 서비스의 품질 저하로 이어지고 있다. 이에 본 논문에서는 VR(Virtual Reality) 미디어 콘텐츠를 서비스하는 기술에서 사용자가 느끼는 서비스 품질을 보다 향상시키기 위한 서비스 시스템 구조 및 미디어 송출 스케줄링 알고리즘을 제안 및 실험한다.
-
-
스무딩 기반 그룹화 기법을 통한 G-PCC RAHT 화면 내 압축 성능 향상
권도완(Kwon, Dowan),이성배(Rhee, Seongbae),김준식(Kim, Junsik),김규헌(Kim, Kyuheon) 한국방송·미디어공학회 2023 한국방송공학회 학술발표대회 논문집 Vol.2023 No.11
3D 포인트 클라우드 데이터 압축을 위한 G-PCC(Geometry based Point Cloud Compression)의 속성 정보 부호화는 RAHT(Region Adaptive Hierarchical Transform)와 예측/리프팅 변환으로 이루어져 있다. 이 중, RAHT는 기존 Haar Transform이 2차원상에서 DC 계수 하나와 여러 개의 AC 계수로 변환하는 것과 달리, 3차원상에서 RAHT 단위 노드라는 새로운 단위를 바탕으로 고해상도에서 저해상도의 계층적 Haar 변환을 진행하는 방법을 나타낸다. RAHT가 수행된 후 출력된 AC계수들은 양자화가 진행한 후 엔트로피 부호화가 이루어지는데, 현재 RAHT를 수행한 콘텐츠의 고주파 영역 표현율에 비해 압축이 효율적으로 수행되지 않는다. 이에 본 논문에서는 AC 계수들의 엔트로피 부호화 효율을 증가시키기 위하여 그룹화 기법을 제안하고자 하며, 해당 그룹화 기법은 RAHT 단위 노드 내에 있는 점들의 점유 정보를 이용하여 같은 평면을 이루거나 같은 선분을 이루는 포인트들을 묶은 후, 각 포인트의 속성값에 스무딩을 진행함으로써 RAHT 변환 이후 출력되는 AC 계수들의 분산도를 줄이는 방법을 나타낸다. 또한, 본 논문에서는 실험을 통해 제안하는 그룹화 기법을 통하여 기존 RAHT 기술 대비 동일한 PSNR 값을 유지한 상태에서 속성 비트스트림 크기를 줄임으로써, 압축 성능이 향상될 수 있음을 검증하고자 한다.
-
RAHT 노드 보간 기법을 통한 G-PCC 화면 간 속성값 예측 활성화와 압축 성능 향상
권도완(Kwon, Dowan),권준(Kwon, Joon),이성배(Rhee, Seongbae),김규헌(Kim, Kyuheon) 한국방송·미디어공학회 2024 한국방송미디어공학회 학술발표대회 논문집 Vol.2024 No.6
3차원 콘텐츠 시장의 확대에 따라 대표적인 3차원 콘텐츠인 포인트 클라우드의 수요 또한 높아지고 있다. 이에 포인트 클라우드의 저장과 전송을 용이하게 하고자 ISO/IEC 산하의 MPEG(Moving Picture Expert Group)에서는 포인트 클라우드 압축 기술의 표준화가 활발하다. 그 중, 포인트 클라우드의 3차원 기하학적 특성을 활용한 압축 기술인 Geometry-based Point Cloud Compression(G-PCC)은 MPEG에서 표준화 중인 대표적인 포인트 클라우드를 압축 기술이다. G-PCC는 최근까지도 LiDAR 센서로 획득한 콘텐츠에 화면 간 예측 방식을 적용한 속성값 압축 기술 고도화에 집중하고 있으며. 포인트 클라우드 프레임 공간상에 존재하는 속성값이 참조 프레임 공간상에서 동일하게 위치할 시 해당 속성값을 참조하는 방법을 채택하여 발전시키고 있다. 하지만 해당 방식은 콘텐츠의 특성에 의존적이기 때문에 참조를 통한 예측 발생 빈도 비율의 일관성을 보장할 수 없어 화면 간 예측 방식의 효과를 파악하기 어렵게 한다. 그뿐만 아니라, 앞서 언급한 화면 간 예측 적격 여부 타당성을 충족시키지 못한 속성값에 대해서 적절한 조치가 이루어지지 않아 압축 효율을 떨어뜨리고 있다. 이에 본 논문에서는 참조 프레임 공간상에서 현재 부호화하려는 속성값의 위치와 동일한 곳에 새로운 속성값을 보간하는 기술을 제안한다. 해당 기술을 통하여 콘텐츠별로 화면 간 예측을 사용할 시 기존 방식보다 높은 비율의 참조 횟수를 확인할 수 있으며, 함께 제안되는 아웃라이어 처리를 통하여 G-PCC의 압축 성능 향상을 확인할 수 있었다.
-
좌표 변환을 활용한 멀티스케일 AI 네트워크 기반 LiDAR 포인트 클라우드 압축
권준(Joon Kwon),권도완(Dowan Kwon),이성배(Seongbae Rhee),김규헌(Kyuheon Kim) 한국방송·미디어공학회 2024 한국방송미디어공학회 학술발표대회 논문집 Vol.2024 No.6
최근 자율주행, VR 등 3차원 포인트 클라우드 데이터를 활용하는 산업이 빠르게 발전하면서 방대한 포인트 클라우드 데이터 저장 및 전송을 위한 압축 기술의 필요성이 중요해지고 있다. 이에 국제 표준화 기구 MPEG(Moving Picture Experts Group)에서는 3차원 특성을 바탕으로 포인트 클라우드를 압축하는 G-PCC(Geometry-based Point Cloud Compression)기술과 포인트 클라우드를 2차원 평면으로 투영한 후 기존 비디오 코덱을 사용하는 V-PCC(Video-based Point Cloud Compression)기술이 표준화 및 개발되었으며, 최근에는 딥러닝 기법을 적용하여 포인트 클라우드를 압축하는 방식으로 확장되고 있다. 그 중 PCGCv2(Point Cloud Geometry Compression version 2)는 멀티스케일을 기반으로 AI 네트워크를 사용하는 모델로 Dense 포인트 클라우드 콘텐츠에 대해서는 기존 기술 대비 우수한 성능을 보여주고 있지만, LiDAR 센서를 통해 획득한 포인트 클라우드 콘텐츠에는 적용되지 못하였다. 이에 PCGCv2를 LiDAR 콘텐츠까지 확장하기 위해 본 논문에서는 원점을 기준으로 특정 각도에 따라 포인트를 획득하는 LiDAR 센서의 탐지 방식을 효율적으로 활용하기 위한 좌표 변환 방법을 제안한다. 제안된 방법은 입력으로 들어오는 포인트 클라우드 데이터를 기존 직교좌표계에서 구면 좌표계로 변환하여 기존 PCGCv2의 D1, D2 PSNR을 평균적으로 25dB만큼 증가시켰다.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
