Efficient Color Data Compression Techniques for 3D Mesh and Point Cloud Coding

Abstract

그래픽 응용 프로그램에서 삼차원 객체는 다각형 메쉬(Mesh) 뿐만 아니라 객체 표면에서 감지된 점 세트로 표현할 수 있다. 텍스처 매핑(Texture Mapping)은 폴리곤 메쉬 (Polygon Mesh)를 기반한 응용 프로그램에서 결과의 시각적 품질을 향상시킬 때 많이 사용한다. 이러한 응용 프로그램은 처리 및 렌더링을 위해 복잡한 계산 루틴으로 인한 많은 양의 데이터를 저장할 공간 및 전송 작업이 필요하다. 텍스처 압축은 텍스처 매핑의 효율성을 향상시키는 가장 중요한 방법 중 하나이다. 빠른 텍스처 매핑을 위해서는 압축 효율과 계산 복잡성 간의 효과적인 균형을 확인해야한다. 이미지 프로세싱에 이용되는 종래의 압축 방법은 높은 압축 효율을 제공하면서 높은 복잡성을 가져온다. 따라서 Ericsson Texture Compression1 (ETC1)과 같은 복잡성이 낮은 방법은 실시간 렌더링 응용 프로그램에서 자주 사용한다. 이러한 방법은 낮은 복잡도를 달성할 수 있지만 압축 효율은 여전히 JPEG 보다 낮다. 한편, 최근의 포인트 클라우드를 기반한 응용 프로그램은 포인트를 기반한 상호 작용 기능이 필요하기 때문에 포인트 클라우드 압축이 3D 메시 압축보다 매력적이다. 또한 이러한 응용프로그램은 엄청난 양의 포인트 클라우드 데이터 때문에 많은 저장 공간과 전송 대역폭을 필요로 한다. 클라우드의 각 지점에는 좌표를 나타내는 지오메트리(geometry) 데이터 또는 색상, 법선 및 반사도와 같은 속성데이터가 포함되어 있다. 일반적으로 지오메트리 데이터와 속성 데이터는 독립적으로 압축된다. 이 논문은 색상 속성 데이터 압축에 중점을 두었다. 이 논문은 효율적인 삼차원 메시 및 포인트 클라우드 코딩을 위해 인접한 색상 데이터 사이의 공간 중복성을 활용했다. 삼차원 그래픽 응용프로그램은 대용량의 데이터를 저장 및 전송을 필요로 한다. 메쉬 기반 응용프로그램에서 가장 많은 저장공간의 소비가 텍스처 이미지다. 텍스처는 텍스처 매핑 방법을 사용하여 필요한 세부 정보를 제공함으로써 표면에 매핑 되는 이차 이미지다. 따라서 텍스처 압축 알고리즘은 고속 텍스처 매핑에 종종 채택된다. 본 논문에서는 블록 매칭 과정을 기반으로 두 가지 텍스처 압축 방법을 제안한다. 두 가지 방법은 JPEG 보다 낮은 복잡도를 유지하면서 ETC1 보다 우수한 압축 성능을 얻기 위해 블록 간의 공간 중복을 줄인다. 효율적인 포인트 클라우드 코딩을 위해 인접 컬러 데이터 간의 공간 중복성 감소를 기반으로 두 가지 색상 속성 데이터 압축 방법을 제안한다. 한 가지 방법은 기존의 방법을 사용하고 다른 하나는 K-means 클러스터링 방법을 사용하여 컬러 팔레트를 구성한다. 제안된 방법과 기존의 압축 방법을 비교하여 제안된 방법의 성능에 대한 기대가 확인되었다.; 3D objects can be represented by not only polygonal meshes but also a set of points sensed on the object surface in graphic applications. Texture mapping is widely used to enhance the visual quality of results in the polygonal mesh-based applications. These applications often require a huge amount of data for storage and transmission due to the complex computation routines for processing and rendering. Texture compression is one of the most important methods to improve the efficiency of texture mapping. For fast texture mapping, it is necessary to identify an effective trade-off between compression efficiency and computational complexity. The conventional compression methods utilized for image processing (e.g., JPEG) provide high compression efficiency while resulting in high complexity. Thus, low complexity methods such as Ericsson Texture Compression1 (ETC1) are often used in real-time rendering applications. Although these methods can achieve low complexity, the compression efficiency is still lower than that of JPEG. Meanwhile, recent point cloud-based applications demand more point-based interactivity, which makes point cloud compression becomes more attractive than 3D mesh compression. These applications also demand large storage space and transmission bandwidths due to the massive amount of point cloud data. Each point in a cloud has the geometry data to indicate the coordinates of it and one or more attribute(s) associated to it such as color, normal and reflectance. Generally, the geometry data and the attribute data are compressed independently. This dissertation focuses on the color attribute data compression. This dissertation exploits the spatial redundancy among adjacent color data for efficient 3D mesh and point cloud coding. 3D graphic applications often require a huge amount of data for storage and transmission. One of the biggest consumers of storage in the mesh-based applications is the texture images. Textures are 2D images that are mapped on surfaces by using texture mapping method in order to give them the required details. Thus, texture compression algorithms are often adopted for fast texture mapping. In this dissertation, two texture compression methods are proposed based on a block matching process. The two methods reduce the spatial redundancy between blocks in order to achieve the better compression performance than ETC1 while maintaining complexity that is lower than that of JPEG. For efficient point cloud coding, two color attribute data compression methods are proposed based on the reduction of the spatial redundancy among adjacent color data. One method uses the conventional methods and another one constructs a color palette by using K-means clustering method. Through comparisons among the proposed methods and existing compression methods, the expectations on the performance of the proposed methods are confirmed.