OctMesh: 손실 없는 삼각형 메시 압축을 위한 통합 Octree 계층 구조 프레임워크

손실 없는(Lossless) 삼각형 메시 압축은 정점 위치와 연결성(connectivity)을 모두 보존해야 합니다. Octree는 학습된 포인트 클라우드 지오메트리 코딩과 점진적 개선(progressive refinement)을 지원하지만, 이를 메시로 확장하려면 호환되는 연결성 표현이 필요합니다. 복셀의 여덟 가지 점유 결정(occupancy decisions)과는 달리, 부모 엣지(parent edge)는 다양한 자식 연결(child connections)로 발전할 수 있어, 엣지 개선을 간결한 예측 사전(prediction prior)으로 모델링하기 어렵게 만듭니다. 우리는 지오메트리와 연결성을 공유된 Octree 계층 구조에서 코딩하는 학습 프레임워크인 OctMesh를 제안합니다. 이의 핵심 관찰은 Octree 풀링이 한 자식 또는 두 개부터 여덟 개의 자식을 가진 부모를 생성한다는 것입니다. 이후 자식 엣지들은 그 끝점(endpoint) 부모들의 유형과 끝점들이 공통된 부모를 공유하는지에 따라 그룹화됩니다. 각 후보 그룹은 단 하나의 부모에서 온 자식들로 구성되거나, 두 개의 연결된 부모에서 온 자식들을 포함합니다. 결과적으로 네 가지 범주가 정의되며, 이들은 작고 고정된 형태의 예측 작업(prediction tasks)을 정의합니다: 부모 그래프에 의해 유일하게 결정되는 연결성은 비트 없이 상속되고, 세 개의 신경망 예측기(neural predictors)가 나머지 후보들에 대한 확률을 추정합니다. 이러한 확률은 실제 엣지 심볼의 산술 코딩(arithmetic coding)을 안내합니다. 부모 내 연결성에 대한 이진화된 예측은 서로 다른 부모 간의 연결성을 예측하는 데 맥락(context)을 제공합니다. 그래프 인식형 부모 특징 추출기(graph-aware parent feature extractor)는 국소 지오메트리, 부모 연결성 및 전역 형태를 결합합니다. 연결성 모델은 거친 수준(coarse levels)에서 전용 가중치(dedicated weights)를 사용하고 미세 수준(fine levels)에서는 가중치를 공유합니다. 잔여 엣지(Residual edges)와 가장 미세한 수준의 면 선택 페이로드(face-selection payload)가 재구성을 완성합니다. 8개의 MPEG V-DMC 테스트 시퀀스에서 가져온 256 프레임에 대해, OctMesh는 평균 7.033 비트/면으로 최고 수준의 정점 좌표, 엣지 및 무방향 면 세트를 손실 없이 복구하며, 이는 V-Mesh보다 12.8% 낮은 수치입니다. 동일한 계층적 표현은 9단계에 걸친 점진적인 정점 및 엣지 개선을 지원합니다.