WO2021182937A1 - 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 - Google Patents

포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 Download PDF

Info

Publication number
WO2021182937A1
WO2021182937A1 PCT/KR2021/095003 KR2021095003W WO2021182937A1 WO 2021182937 A1 WO2021182937 A1 WO 2021182937A1 KR 2021095003 W KR2021095003 W KR 2021095003W WO 2021182937 A1 WO2021182937 A1 WO 2021182937A1
Authority
WO
WIPO (PCT)
Prior art keywords
point cloud
points
geometry
data
cloud data
Prior art date
Application number
PCT/KR2021/095003
Other languages
English (en)
French (fr)
Inventor
오현묵
오세진
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to US17/909,598 priority Critical patent/US20230171431A1/en
Publication of WO2021182937A1 publication Critical patent/WO2021182937A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/119—Adaptive subdivision aspects, e.g. subdivision of a picture into rectangular or non-rectangular coding blocks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/61—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding in combination with predictive coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/96—Tree coding, e.g. quad-tree coding

Definitions

  • Embodiments relate to a method and apparatus for processing point cloud content.
  • the point cloud content is content expressed as a point cloud, which is a set of points (points) belonging to a coordinate system representing a three-dimensional space.
  • Point cloud content can express three-dimensional media, and provides various services such as VR (Virtual Reality), AR (Augmented Reality), MR (Mixed Reality), and autonomous driving service. used to provide However, tens of thousands to hundreds of thousands of point data are needed to express point cloud content. Therefore, a method for efficiently processing a large amount of point data is required.
  • Embodiments provide an apparatus and method for efficiently processing point cloud data.
  • Embodiments provide a point cloud data processing method and apparatus for solving latency and encoding/decoding complexity.
  • a method for transmitting point cloud data includes encoding point cloud data; and/or transmitting a bitstream including point cloud data and signaling information; may include.
  • the encoding according to the embodiments may include encoding geometry data and encoding attribute data.
  • Encoding the geometry data may include: grouping the points into a plurality of groups; predicting geometric data of points by using a plurality of grouped groups to determine a parent-child relationship between the points; and/or generating residual information based on the geometric data of the predicted points; may include.
  • the grouping according to the embodiments may generate a plurality of retained groups based on a Level of Detail.
  • the level of detail represents a set of points spaced apart by a distance shorter than a sampling distance corresponding to each level
  • the retain group represents, for each level, the level of detail of the current level and the level of the next level. Indicates groups of points corresponding to differences in orb detail.
  • the parent of a point in the retain group of the first level is one of the points included in the retain group of the first level, or the parent ( parent) is one of the points included in the retain group of the second level, which is the upper level of the first level, or the parent of the points in the retain group of the first level is the LOD group of the first level It may be one of the points contained within.
  • the predicting according to the embodiments may predict the geometric data of the points using a prediction tree indicating a parent-child relationship between the points.
  • signaling information may include information indicating a method of performing grouping and information indicating a method of performing prediction.
  • a method for receiving point cloud data includes receiving a bitstream including point cloud data and signaling information; decoding the point cloud data; and/or rendering the point cloud data; may include.
  • the decoding according to the embodiments may include decoding geometry data and decoding attribute data, and the signaling information is a method of performing grouping of points. It may include information indicating information and information indicating a method of performing prediction.
  • decoding the geometry data may include: searching for related data of points based on information indicating a method for performing grouping to determine a parent-child relationship between points; and/or predicting the geometric data of the points based on the method of performing the prediction; may include.
  • the predicting according to the embodiments may predict geometric data of points using a prediction tree representing a parent-child relationship.
  • the apparatus and method according to the embodiments may process point cloud data with high efficiency.
  • the apparatus and method according to the embodiments may provide a high quality point cloud service.
  • the apparatus and method according to the embodiments may provide point cloud content for providing universal services such as a VR service and an autonomous driving service.
  • FIG. 1 shows an example of a point cloud content providing system according to embodiments.
  • FIG. 2 is a block diagram illustrating an operation of providing point cloud content according to embodiments.
  • FIG 3 shows an example of a point cloud video capture process according to embodiments.
  • FIG. 4 shows an example of a point cloud encoder according to embodiments.
  • FIG. 5 shows an example of a voxel according to embodiments.
  • FIG. 6 shows an example of an octree and an occupancy code according to embodiments.
  • FIG. 7 shows an example of a neighbor node pattern according to embodiments.
  • FIG. 10 shows an example of a point cloud decoder according to embodiments.
  • FIG. 11 shows an example of a point cloud decoder according to embodiments.
  • FIG. 13 is an example of a receiving apparatus according to embodiments.
  • FIG. 14 shows an example of a structure capable of interworking with a method/device for transmitting and receiving point cloud data according to embodiments.
  • FIG. 15 illustrates a point cloud data transmission/reception system according to embodiments.
  • 16 illustrates an encoder of an apparatus for transmitting point cloud data according to embodiments.
  • FIG. 17 illustrates a decoder of an apparatus for receiving point cloud data according to embodiments.
  • FIG. 18 shows a part of an encoder of an apparatus for transmitting point cloud data according to embodiments.
  • FIG. 19 shows a part of a decoder of an apparatus for receiving point cloud data according to embodiments.
  • 20 illustrates a process of encoding geometry data of point cloud data according to embodiments.
  • 21 illustrates a process of decoding geometry data of point cloud data according to embodiments.
  • 22 illustrates a method of grouping points in a prediction group unit according to embodiments.
  • 25 illustrates a method of grouping points according to embodiments.
  • 26 shows a prediction tree according to embodiments.
  • FIG. 27 illustrates a process of transforming/inversely transforming geometry information and/or residual information by a point cloud transmitting apparatus and a receiving apparatus according to embodiments.
  • FIG. 28 shows an example of a bitstream structure of point cloud data according to embodiments.
  • GPS 29 illustrates a Geometry Parameter Set (GPS) according to embodiments.
  • GSH Geometry Slice Header
  • SPS sequence parameter set
  • GPS geometry parameter set
  • APS attribute parameter set
  • 32 is a flowchart illustrating a process of encoding point cloud data by an apparatus for transmitting point cloud data according to embodiments.
  • 33 is a flowchart of a method for transmitting point cloud data according to embodiments.
  • 34 is a flowchart of a method for receiving point cloud data according to embodiments.
  • FIG. 1 shows an example of a point cloud content providing system according to embodiments.
  • the point cloud content providing system shown in FIG. 1 may include a transmission device 10000 and a reception device 10004 .
  • the transmitting device 10000 and the receiving device 10004 are capable of wired/wireless communication in order to transmit/receive point cloud data.
  • the transmission device 10000 may secure, process, and transmit a point cloud video (or point cloud content).
  • the transmission device 10000 may be a fixed station, a base transceiver system (BTS), a network, an Ariticial Intelligence (AI) device and/or system, a robot, an AR/VR/XR device and/or a server and the like.
  • BTS base transceiver system
  • AI Ariticial Intelligence
  • robot an AR/VR/XR device and/or a server and the like.
  • the transmission device 10000 uses a radio access technology (eg, 5G NR (New RAT), LTE (Long Term Evolution)) to perform communication with a base station and/or other wireless devices; It may include robots, vehicles, AR/VR/XR devices, mobile devices, home appliances, Internet of Things (IoT) devices, AI devices/servers, and the like.
  • a radio access technology eg, 5G NR (New RAT), LTE (Long Term Evolution)
  • 5G NR New RAT
  • LTE Long Term Evolution
  • IoT Internet of Things
  • Transmission device 10000 is a point cloud video acquisition unit (Point Cloud Video Acquisition, 10001), a point cloud video encoder (Point Cloud Video Encoder, 10002) and / or a transmitter (Transmitter (or Communication module), 10003) ) contains
  • the point cloud video acquisition unit 10001 acquires the point cloud video through processing such as capturing, synthesizing, or generating.
  • the point cloud video is point cloud content expressed as a point cloud that is a set of points located in a three-dimensional space, and may be referred to as point cloud video data or the like.
  • a point cloud video according to embodiments may include one or more frames. One frame represents a still image/picture. Accordingly, the point cloud video may include a point cloud image/frame/picture, and may be referred to as any one of a point cloud image, a frame, and a picture.
  • the point cloud video encoder 10002 encodes the obtained point cloud video data.
  • the point cloud video encoder 10002 may encode point cloud video data based on point cloud compression coding.
  • Point cloud compression coding may include Geometry-based Point Cloud Compression (G-PCC) coding and/or Video based Point Cloud Compression (V-PCC) coding or next-generation coding.
  • G-PCC Geometry-based Point Cloud Compression
  • V-PCC Video based Point Cloud Compression
  • the point cloud video encoder 10002 may output a bitstream including encoded point cloud video data.
  • the bitstream may include not only the encoded point cloud video data, but also signaling information related to encoding of the point cloud video data.
  • the transmitter 10003 transmits a bitstream including encoded point cloud video data.
  • the bitstream according to the embodiments is encapsulated into a file or segment (eg, a streaming segment) and transmitted through various networks such as a broadcasting network and/or a broadband network.
  • the transmission device 10000 may include an encapsulation unit (or encapsulation module) that performs an encapsulation operation.
  • the encapsulation unit may be included in the transmitter 10003 .
  • the file or segment may be transmitted to the receiving device 10004 through a network or stored in a digital storage medium (eg, USB, SD, CD, DVD, Blu-ray, HDD, SSD, etc.).
  • the transmitter 10003 may communicate with the receiving device 10004 (or a receiver 10005) through wired/wireless communication through networks such as 4G, 5G, and 6G. Also, the transmitter 10003 may perform a necessary data processing operation according to a network system (eg, a communication network system such as 4G, 5G, or 6G). Also, the transmission device 10000 may transmit encapsulated data according to an on demand method.
  • a network system eg, a communication network system such as 4G, 5G, or 6G.
  • the transmission device 10000 may transmit encapsulated data according to an on demand method.
  • the receiving apparatus 10004 includes a receiver (Receiver, 10005), a point cloud video decoder (Point Cloud Decoder, 10006), and/or a renderer (Renderer, 10007).
  • the receiving device 10004 uses a radio access technology (eg, 5G NR (New RAT), LTE (Long Term Evolution)) to communicate with a base station and/or other wireless devices, a device, a robot , vehicles, AR/VR/XR devices, mobile devices, home appliances, Internet of Things (IoT) devices, AI devices/servers, and the like.
  • 5G NR New RAT
  • LTE Long Term Evolution
  • the receiver 10005 receives a bitstream including point cloud video data or a file/segment in which the bitstream is encapsulated from a network or a storage medium.
  • the receiver 10005 may perform a necessary data processing operation according to a network system (eg, a communication network system such as 4G, 5G, or 6G).
  • the receiver 10005 may output a bitstream by decapsulating the received file/segment.
  • the receiver 10005 may include a decapsulation unit (or a decapsulation module) for performing a decapsulation operation.
  • the decapsulation unit may be implemented as an element (or component) separate from the receiver 10005 .
  • the point cloud video decoder 10006 decodes a bitstream including point cloud video data.
  • the point cloud video decoder 10006 may decode the point cloud video data according to an encoded manner (eg, a reverse process of the operation of the point cloud video encoder 10002 ). Accordingly, the point cloud video decoder 10006 may decode the point cloud video data by performing point cloud decompression coding, which is a reverse process of the point cloud compression.
  • Point cloud decompression coding includes G-PCC coding.
  • the renderer 10007 renders the decoded point cloud video data.
  • the renderer 10007 may output point cloud content by rendering audio data as well as point cloud video data.
  • the renderer 10007 may include a display for displaying the point cloud content.
  • the display may not be included in the renderer 10007 and may be implemented as a separate device or component.
  • the feedback information is information for reflecting the interactivity with the user who consumes the point cloud content, and includes user information (eg, head orientation information, viewport information, etc.).
  • user information eg, head orientation information, viewport information, etc.
  • the feedback information is provided by the content transmitting side (eg, the transmission device 10000) and/or the service provider can be passed on to According to embodiments, the feedback information may be used by the receiving device 10004 as well as the transmitting device 10000 or may not be provided.
  • the head orientation information is information about the user's head position, direction, angle, movement, and the like.
  • the receiving apparatus 10004 may calculate viewport information based on head orientation information.
  • the viewport information is information about the area of the point cloud video that the user is looking at.
  • a viewpoint is a point at which a user is watching a point cloud video, and may mean a central point of the viewport area. That is, the viewport is an area centered on a viewpoint, and the size and shape of the area may be determined by a Field Of View (FOV).
  • FOV Field Of View
  • the reception device 10004 may extract viewport information based on a vertical or horizontal FOV supported by the device in addition to the head orientation information.
  • the receiving device 10004 checks the user's point cloud consumption method, the point cloud video area the user gazes at, the gaze time, and the like by performing a gaze analysis or the like.
  • the receiving device 10004 may transmit feedback information including the result of the gaze analysis to the transmitting device 10000 .
  • Feedback information may be obtained during rendering and/or display.
  • Feedback information may be secured by one or more sensors included in the receiving device 10004 .
  • the feedback information may be secured by the renderer 10007 or a separate external element (or device, component, etc.).
  • a dotted line in FIG. 1 shows a process of transferring feedback information secured by the renderer 10007 .
  • the point cloud content providing system may process (encode/decode) the point cloud data based on the feedback information. Accordingly, the point cloud video data decoder 10006 may perform a decoding operation based on the feedback information. Also, the receiving device 10004 may transmit feedback information to the transmitting device 10000 . The transmitting device 10000 (or the point cloud video data encoder 10002 ) may perform an encoding operation based on the feedback information. Therefore, the point cloud content providing system does not process (encode / decode) all point cloud data, but efficiently processes necessary data (for example, point cloud data corresponding to the user's head position) based on the feedback information, and the user can provide point cloud content to
  • the transmitting apparatus 10000 may be referred to as an encoder, a transmitting device, a transmitter, or the like, and the receiving apparatus 10004 may be referred to as a decoder, a receiving device, a receiver, or the like.
  • Point cloud data (processed in a series of acquisition/encoding/transmission/decoding/rendering) processed in the point cloud content providing system of FIG. 1 according to embodiments may be referred to as point cloud content data or point cloud video data.
  • the point cloud content data may be used as a concept including metadata or signaling information related to the point cloud data.
  • the elements of the point cloud content providing system shown in FIG. 1 may be implemented by hardware, software, a processor and/or a combination thereof.
  • FIG. 2 is a block diagram illustrating an operation of providing point cloud content according to embodiments.
  • the block diagram of FIG. 2 shows the operation of the point cloud content providing system described in FIG. 1 .
  • the point cloud content providing system may process point cloud data based on point cloud compression coding (eg, G-PCC).
  • point cloud compression coding eg, G-PCC
  • the point cloud content providing system may acquire a point cloud video (20000).
  • a point cloud video is expressed as a point cloud belonging to a coordinate system representing a three-dimensional space.
  • a point cloud video according to embodiments may include a Ply (Polygon File format or the Stanford Triangle format) file.
  • the acquired point cloud video may include one or more Ply files.
  • the Ply file contains point cloud data such as the point's geometry and/or attributes. Geometry includes positions of points.
  • the position of each point may be expressed by parameters (eg, values of each of the X-axis, Y-axis, and Z-axis) representing a three-dimensional coordinate system (eg, a coordinate system including XYZ axes).
  • the attribute includes attributes of points (eg, texture information of each point, color (YCbCr or RGB), reflectance (r), transparency, etc.).
  • a point has one or more attributes (or properties).
  • one point may have one attribute of color, or two attributes of color and reflectance.
  • the geometry may be referred to as positions, geometry information, geometry data, and the like, and the attribute may be referred to as attributes, attribute information, attribute data, and the like.
  • the point cloud content providing system receives points from information (eg, depth information, color information, etc.) related to the point cloud video acquisition process. Cloud data can be obtained.
  • the point cloud content providing system may encode the point cloud data (20001).
  • the point cloud content providing system may encode point cloud data based on point cloud compression coding.
  • the point cloud data may include the geometry and attributes of the point.
  • the point cloud content providing system may output a geometry bitstream by performing geometry encoding for encoding the geometry.
  • the point cloud content providing system may output an attribute bitstream by performing attribute encoding for encoding the attribute.
  • the point cloud content providing system may perform attribute encoding based on geometry encoding.
  • the geometry bitstream and the attribute bitstream according to the embodiments may be multiplexed and output as one bitstream.
  • the bitstream according to embodiments may further include signaling information related to geometry encoding and attribute encoding.
  • the point cloud content providing system may transmit the encoded point cloud data (20002).
  • the encoded point cloud data may be expressed as a geometry bitstream and an attribute bitstream.
  • the encoded point cloud data may be transmitted in the form of a bitstream together with signaling information related to encoding of the point cloud data (eg, signaling information related to geometry encoding and attribute encoding).
  • the point cloud content providing system may encapsulate the bitstream for transmitting the encoded point cloud data and transmit it in the form of a file or segment.
  • the point cloud content providing system (eg, the receiving device 10004 or the receiver 10005) according to the embodiments may receive a bitstream including the encoded point cloud data. Also, the point cloud content providing system (eg, the receiving device 10004 or the receiver 10005) may demultiplex the bitstream.
  • the point cloud content providing system may decode the encoded point cloud data (for example, a geometry bitstream, an attribute bitstream) transmitted as a bitstream. have.
  • the point cloud content providing system (for example, the receiving device 10004 or the point cloud video decoder 10005) may decode the point cloud video data based on signaling information related to encoding of the point cloud video data included in the bitstream. have.
  • the point cloud content providing system (eg, the receiving device 10004 or the point cloud video decoder 10005) may decode the geometry bitstream to restore positions (geometry) of the points.
  • the point cloud content providing system may restore attributes of points by decoding an attribute bitstream based on the restored geometry.
  • the point cloud content providing system (eg, the receiving device 10004 or the point cloud video decoder 10005) may reconstruct the point cloud video based on positions and decoded attributes according to the reconstructed geometry.
  • the point cloud content providing system may render the decoded point cloud data (20004).
  • the point cloud content providing system may render the geometry and attributes decoded through the decoding process according to various rendering methods according to the rendering method.
  • the points of the point cloud content may be rendered as a vertex having a certain thickness, a cube having a specific minimum size centered at the vertex position, or a circle centered at the vertex position. All or part of the rendered point cloud content is provided to the user through a display (eg, VR/AR display, general display, etc.).
  • the point cloud content providing system (eg, the receiving device 10004) according to embodiments may secure feedback information (20005).
  • the point cloud content providing system may encode and/or decode the point cloud data based on the feedback information. Since the operation of the feedback information and point cloud content providing system according to the embodiments is the same as the feedback information and operation described with reference to FIG. 1 , a detailed description thereof will be omitted.
  • FIG 3 shows an example of a point cloud video capture process according to embodiments.
  • FIG. 3 shows an example of a point cloud video capture process of the point cloud content providing system described with reference to FIGS. 1 to 2 .
  • the point cloud content is an object located in various three-dimensional spaces (eg, a three-dimensional space representing a real environment, a three-dimensional space representing a virtual environment, etc.) and/or a point cloud video representing the environment (images and/or videos) are included.
  • one or more cameras eg, an infrared camera capable of securing depth information, color information corresponding to depth information
  • Point cloud video can be captured using an RGB camera that can extract
  • the point cloud content providing system according to the embodiments may extract a shape of a geometry composed of points in a three-dimensional space from depth information, and extract an attribute of each point from color information to secure point cloud data.
  • An image and/or an image according to embodiments may be captured based on at least one of an inward-facing method and an outward-facing method.
  • the left side of FIG. 3 shows an inward-pacing scheme.
  • the inward-pacing method refers to a method in which one or more cameras (or camera sensors) located surrounding the central object capture the central object.
  • the inward-facing method provides a 360-degree image of a point cloud content that provides a 360-degree image of a core object to the user (for example, a 360-degree image of an object (e.g., a core object such as a character, player, object, actor, etc.) to the user.
  • VR/AR content for example, a 360-degree image of an object (e.g., a core object such as a character, player, object, actor, etc.)
  • the right side of FIG. 3 shows an outward-pacing scheme.
  • the outward-pacing method refers to a method in which one or more cameras (or camera sensors) positioned surrounding the central object capture the environment of the central object rather than the central object.
  • the outward-pacing method may be used to generate point cloud content (eg, content representing an external environment that may be provided to a user of an autonomous vehicle) for providing a surrounding environment that appears from the user's point of view.
  • point cloud content eg, content representing an external environment that may be provided to a user of an autonomous vehicle
  • the point cloud content may be generated based on a capture operation of one or more cameras.
  • the point cloud content providing system may perform calibration of one or more cameras in order to set a global coordinate system before a capture operation.
  • the point cloud content providing system may generate the point cloud content by synthesizing the image and/or image captured by the above-described capture method and an arbitrary image and/or image.
  • the point cloud content providing system may not perform the capture operation described with reference to FIG. 3 when generating point cloud content representing a virtual space.
  • the point cloud content providing system according to the embodiments may perform post-processing on the captured image and/or the image. That is, the point cloud content providing system removes an unwanted area (for example, a background), recognizes a space where captured images and/or images are connected, and fills in a spatial hole if there is one. can
  • the point cloud content providing system may generate one point cloud content by performing coordinate system transformation on points of the point cloud video obtained from each camera.
  • the point cloud content providing system may perform coordinate system transformation of points based on the position coordinates of each camera. Accordingly, the point cloud content providing system may generate content representing one wide range and may generate point cloud content having a high density of points.
  • FIG. 4 shows an example of a point cloud encoder according to embodiments.
  • the point cloud encoder controls point cloud data (eg, positions of points and/or attributes) and perform an encoding operation.
  • point cloud data e.g, positions of points and/or attributes
  • the point cloud content providing system may not be able to stream the corresponding content in real time. Accordingly, the point cloud content providing system may reconfigure the point cloud content based on a maximum target bitrate in order to provide it according to a network environment.
  • the point cloud encoder may perform geometry encoding and attribute encoding. Geometry encoding is performed before attribute encoding.
  • the point cloud encoder may include a coordinate system transformation unit (Transformation Coordinates, 40000), a quantization unit (Quantize and Remove Points (Voxelize), 40001), an octree analysis unit (Analyze Octree, 40002), and a surface appropriation analysis unit ( Analyze Surface Approximation (40003), Arithmetic Encode (40004), Reconstruct Geometry (40005), Color Transformer (Transform Colors, 40006), Attribute Transformer (Transfer Attributes, 40007), RAHT Transform a unit 40008, an LOD generator (Generated LOD, 40009), a lifting transform unit (Lifting) 40010, a coefficient quantization unit (Quantize Coefficients, 40011) and/or an arithmetic encoder (Arithmetic Encode, 40012).
  • a coordinate system transformation unit Transformation Coordinates, 40000
  • a quantization unit Quantization and Remove Points (Voxelize)
  • the coordinate system transformation unit 40000, the quantization unit 40001, the octree analysis unit 40002, the surface approximation analysis unit 40003, the arithmetic encoder 40004, and the geometry reconstruction unit 40005 perform geometry encoding. can do.
  • Geometry encoding according to embodiments may include octree geometry coding, direct coding, trisoup geometry encoding, and entropy encoding. Direct coding and trisup geometry encoding are applied selectively or in combination. Also, the geometry encoding is not limited to the above example.
  • the coordinate system conversion unit 40000 receives the positions and converts them into a coordinate system.
  • the positions may be converted into position information in a three-dimensional space (eg, a three-dimensional space expressed in an XYZ coordinate system, etc.).
  • Location information in a 3D space according to embodiments may be referred to as geometry information.
  • the quantizer 40001 quantizes the geometry. For example, the quantizer 40001 may quantize the points based on the minimum position values of all points (eg, the minimum values on each axis with respect to the X-axis, Y-axis, and Z-axis). The quantization unit 40001 multiplies the difference between the minimum position value and the position value of each point by a preset quatization scale value, and then performs a quantization operation to find the nearest integer value by rounding or rounding it down. Accordingly, one or more points may have the same quantized position (or position value). The quantizer 40001 according to embodiments performs voxelization based on quantized positions to reconstruct quantized points.
  • the quantizer 40001 performs voxelization based on quantized positions to reconstruct quantized points.
  • a minimum unit including 2D image/video information is a pixel, and points of point cloud content (or 3D point cloud video) according to embodiments may be included in one or more voxels.
  • the quantizer 40001 may match groups of points in a 3D space to voxels.
  • one voxel may include only one point.
  • one voxel may include one or more points.
  • a position of a center point of a corresponding voxel may be set based on positions of one or more points included in one voxel.
  • attributes of all positions included in one voxel may be combined and assigned to a corresponding voxel.
  • the octree analyzer 40002 performs octree geometry coding (or octree coding) to represent voxels in an octree structure.
  • the octree structure represents points matched to voxels based on the octal tree structure.
  • the surface approximation analyzer 40003 may analyze and approximate the octree.
  • Octree analysis and approximation is a process of analyzing to voxelize a region including a plurality of points in order to efficiently provide octree and voxelization.
  • the arithmetic encoder 40004 entropy encodes the octree and/or the approximated octree.
  • the encoding method includes an arithmetic encoding method.
  • the encoding results in a geometry bitstream.
  • Color transform unit 40006, attribute transform unit 40007, RAHT transform unit 40008, LOD generating unit 40009, lifting transform unit 40010, coefficient quantization unit 40011 and/or arithmetic encoder 40012 performs attribute encoding.
  • one point may have one or more attributes. Attribute encoding according to embodiments is equally applied to attributes of one point. However, when one attribute (eg, color) includes one or more elements, independent attribute encoding is applied to each element.
  • Attribute encoding may include color transform coding, attribute transform coding, region adaptive hierarchical transform (RAHT) coding, interpolaration-based hierarchical nearest-neighbor prediction-Prediction Transform coding, and interpolation-based hierarchical nearest -neighbor prediction with an update/lifting step (Lifting Transform)) may include coding.
  • RAHT region adaptive hierarchical transform
  • coding interpolaration-based hierarchical nearest-neighbor prediction-Prediction Transform coding
  • Lifting Transform interpolation-based hierarchical nearest -neighbor prediction with an update/lifting step
  • attribute encoding is not limited to the above-described example.
  • the color conversion unit 40006 performs color conversion coding for converting color values (or textures) included in attributes.
  • the color conversion unit 40006 may convert the format of color information (eg, convert from RGB to YCbCr).
  • the operation of the color converter 40006 according to embodiments may be optionally applied according to color values included in the attributes.
  • the geometry reconstruction unit 40005 reconstructs (decompresses) an octree and/or an approximated octree.
  • the geometry reconstruction unit 40005 reconstructs an octree/voxel based on a result of analyzing the distribution of points.
  • the reconstructed octree/voxel may be referred to as a reconstructed geometry (or a reconstructed geometry).
  • the attribute transform unit 40007 performs an attribute transform that transforms attributes based on positions where geometry encoding has not been performed and/or a reconstructed geometry. As described above, since the attributes are dependent on the geometry, the attribute conversion unit 40007 may transform the attributes based on the reconstructed geometry information. For example, the attribute conversion unit 40007 may convert an attribute of a point at the position based on the position value of the point included in the voxel. As described above, when the position of the center point of a corresponding voxel is set based on the positions of one or more points included in one voxel, the attribute conversion unit 40007 converts attributes of the one or more points. When the tri-soup geometry encoding is performed, the attribute conversion unit 40007 may convert the attributes based on the tri-soup geometry encoding.
  • the attribute conversion unit 40007 is an average value of attributes or attribute values (eg, color or reflectance of each point) of neighboring points within a specific position/radius from the position (or position value) of the center point of each voxel. can be calculated to perform attribute transformation.
  • the attribute conversion unit 40007 may apply a weight according to the distance from the center point to each point when calculating the average value.
  • each voxel has a position and a computed attribute (or attribute value).
  • the attribute transform unit 40007 may search for neighboring points existing within a specific position/radius from the position of the center point of each voxel based on the K-D tree or the Morton code.
  • the K-D tree is a binary search tree and supports a data structure that can manage points based on location so that Nearest Neighbor Search-NNS is possible quickly.
  • the Molton code represents a coordinate value (eg (x, y, z)) representing the three-dimensional position of all points as a bit value, and is generated by mixing the bits. For example, if the coordinate value indicating the position of the point is (5, 9, 1), the bit value of the coordinate value is (0101, 1001, 0001).
  • the attribute transform unit 40007 may align the points based on the Molton code value and perform a shortest neighbor search (NNS) through a depth-first traversal process. After the attribute transform operation, when the nearest neighbor search (NNS) is required in another transform process for attribute coding, a K-D tree or a Molton code is used.
  • NSS shortest neighbor search
  • the converted attributes are input to the RAHT conversion unit 40008 and/or the LOD generation unit 40009.
  • the RAHT converter 40008 performs RAHT coding for predicting attribute information based on the reconstructed geometry information.
  • the RAHT transform unit 40008 may predict attribute information of a node at an upper level of the octree based on attribute information associated with a node at a lower level of the octree.
  • the LOD generator 40009 generates a level of detail (LOD) to perform predictive transform coding.
  • LOD level of detail
  • the LOD according to the embodiments indicates the detail of the point cloud content, and the smaller the LOD value, the lower the detail of the point cloud content, and the larger the LOD value, the higher the detail of the point cloud content. Points may be classified according to LOD.
  • the lifting transform unit 40010 performs lifting transform coding that transforms the attributes of the point cloud based on weights. As described above, lifting transform coding may be selectively applied.
  • the coefficient quantizer 40011 quantizes the attribute-coded attributes based on the coefficients.
  • the arithmetic encoder 40012 encodes the quantized attributes based on arithmetic coding.
  • the elements of the point cloud encoder of FIG. 4 are hardware including one or more processors or integrated circuits configured to communicate with one or more memories included in the point cloud providing device. , software, firmware, or a combination thereof.
  • the one or more processors may perform at least any one or more of the operations and/or functions of the elements of the point cloud encoder of FIG. 4 described above.
  • the one or more processors may also operate or execute a set of software programs and/or instructions for performing the operations and/or functions of the elements of the point cloud encoder of FIG. 4 .
  • One or more memories may include high speed random access memory, non-volatile memory (eg, one or more magnetic disk storage devices, flash memory devices, or other non-volatile solid state memory). memory devices (such as solid-state memory devices).
  • FIG. 5 shows an example of a voxel according to embodiments.
  • voxel 5 is an octree structure that recursively subdivides a bounding box defined by two poles (0,0,0) and (2 d , 2 d , 2 d ).
  • An example of a voxel generated through One voxel includes at least one or more points.
  • a voxel may estimate spatial coordinates from a positional relationship with a voxel group.
  • voxels have attributes (such as color or reflectance) like pixels of a 2D image/image.
  • a detailed description of the voxel is the same as that described with reference to FIG. 4 and thus will be omitted.
  • FIG. 6 shows an example of an octree and an occupancy code according to embodiments.
  • the point cloud content providing system (point cloud video encoder 10002) or point cloud encoder (eg, octree analysis unit 40002) efficiently manages the area and/or position of voxels.
  • point cloud video encoder 10002 or point cloud encoder eg, octree analysis unit 40002
  • octree geometry coding or octree coding based on octree structure is performed.
  • FIG. 6 shows the octree structure.
  • the three-dimensional space of the point cloud content according to the embodiments is expressed by axes (eg, X-axis, Y-axis, and Z-axis) of the coordinate system.
  • the octree structure is created by recursive subdividing a cubic axis-aligned bounding box defined by two poles (0,0,0) and (2 d , 2 d , 2 d ). . 2d may be set as a value constituting the smallest bounding box surrounding all points of the point cloud content (or point cloud video).
  • d represents the depth of the octree.
  • the value of d is determined according to the following equation. In the following equation (x int n , y int n , z int n ) represents positions (or position values) of quantized points.
  • the entire 3D space may be divided into eight spaces according to the division.
  • Each divided space is represented by a cube with six faces.
  • each of the eight spaces is again divided based on the axes of the coordinate system (eg, X-axis, Y-axis, and Z-axis). Therefore, each space is further divided into 8 small spaces.
  • the divided small space is also expressed as a cube with six faces. This division method is applied until a leaf node of the octree becomes a voxel.
  • the lower part of FIG. 6 shows the occupanci code of the octree.
  • An occupancy code of an octree is generated to indicate whether each of eight divided spaces generated by dividing one space includes at least one point. Accordingly, one occupanci code is expressed by eight child nodes. Each child node represents the occupancies of the divided space, and each child node has a value of 1 bit. Therefore, the occupanci code is expressed as an 8-bit code. That is, if at least one point is included in the space corresponding to the child node, the corresponding node has a value of 1. If the space corresponding to the child node does not contain a point (empty), the node has a value of 0. Since the occupanci code shown in FIG.
  • a point cloud encoder (eg, arithmetic encoder 40004 ) according to embodiments may entropy encode the occupanci code. In addition, to increase the compression efficiency, the point cloud encoder can intra/inter-code the occupanci code.
  • the receiving apparatus (eg, the receiving apparatus 10004 or the point cloud video decoder 10006) according to the embodiments reconstructs an octree based on the occupanci code.
  • the point cloud encoder (eg, the point cloud encoder of FIG. 4 , or the octree analyzer 40002) according to embodiments may perform voxelization and octree coding to store positions of points.
  • the points in the 3D space are not always evenly distributed, there may be a specific area where there are not many points. Therefore, it is inefficient to perform voxelization on the entire 3D space. For example, if there are few points in a specific area, it is not necessary to perform voxelization up to the corresponding area.
  • the point cloud encoder does not perform voxelization on the above-described specific region (or a node other than a leaf node of an octree), but directly codes positions of points included in the specific region. ) can be done. Coordinates of direct coding points according to embodiments are called direct coding mode (DCM).
  • DCM direct coding mode
  • the point cloud encoder according to the embodiments may perform trisoup geometry encoding for reconstructing positions of points in a specific region (or node) based on a voxel based on a surface model.
  • Tri-Soop geometry encoding is a geometry encoding that expresses the representation of an object as a series of triangle meshes.
  • the point cloud decoder can generate a point cloud from the mesh surface.
  • Direct coding and trisup geometry encoding according to embodiments may be selectively performed. Also, direct coding and trisup geometry encoding according to embodiments may be performed in combination with octree geometry coding (or octree coding).
  • the option to use a direct mode for applying direct coding must be activated, and a node to which direct coding is to be applied is not a leaf node, but is below a threshold within a specific node. points must exist. In addition, the number of whole points to be subjected to direct coding should not exceed a preset limit value. If the above condition is satisfied, the point cloud encoder (or the arithmetic encoder 40004 ) according to embodiments may entropy-code positions (or position values) of points.
  • the point cloud encoder (for example, the surface appropriation analyzer 40003) according to the embodiments determines a specific level of the octree (when the level is smaller than the depth d of the octree), and from that level, a node using the surface model It is possible to perform tri-soup geometry encoding that reconstructs the position of a point in a region based on voxels (tri-soup mode).
  • the point cloud encoder according to the embodiments may designate a level to which tri-soup geometry encoding is to be applied. For example, if the specified level is equal to the depth of the octree, the point cloud encoder will not operate in trichop mode.
  • the point cloud encoder may operate in the tri-soup mode only when the designated level is smaller than the depth value of the octree.
  • a three-dimensional cube region of nodes of a specified level according to embodiments is called a block.
  • One block may include one or more voxels.
  • a block or voxel may correspond to a brick.
  • the geometry is represented as a surface.
  • a surface according to embodiments may intersect each edge of the block at most once.
  • a vertex existing along an edge is detected when there is at least one occupied voxel adjacent to the edge among all blocks sharing the edge.
  • An ocupided voxel means a voxel including a point. The position of the vertex detected along the edge is the average position along the edge of all voxels of all voxels adjacent to the edge among all blocks sharing the edge.
  • the point cloud encoder When a vertex is detected, the point cloud encoder according to the embodiments entropy-codes the starting point (x, y, z) of the edge, the direction vectors ( ⁇ x, ⁇ y, ⁇ z) of the edge, and the vertex position values (relative position values within the edge).
  • the point cloud encoder eg, the geometry reconstruction unit 40005
  • the point cloud encoder performs triangle reconstruction, up-sampling, and voxelization processes. to create a reconstructed geometry (reconstructed geometry).
  • Vertices located at the edge of a block determine the surface that passes through the block.
  • the surface according to embodiments is a non-planar polygon.
  • the triangle reconstruction process reconstructs the surface represented by a triangle based on the starting point of the edge, the direction vector of the edge, and the position value of the vertex.
  • the triangle reconstruction process is as follows. 1 Calculate the centroid value of each vertex, 2 perform a square on the values obtained by subtracting the center value from each vertex value, and obtain the sum of all the values.
  • the minimum value of the added values is obtained, and the projection process is performed along the axis with the minimum value. For example, if the x element is the minimum, each vertex is projected on the x-axis with respect to the center of the block and projected on the (y, z) plane. If the projected value on the (y, z) plane is (ai, bi), the ⁇ value is obtained through atan2(bi, ai), and the vertices are aligned based on the ⁇ value.
  • the table below shows combinations of vertices for generating a triangle according to the number of vertices. Vertices are sorted in order from 1 to n.
  • the table below shows that for four vertices, two triangles can be formed according to a combination of vertices.
  • the first triangle may be composed of 1st, 2nd, and 3rd vertices among the aligned vertices
  • the second triangle may be composed of 3rd, 4th, and 1st vertices among the aligned vertices. .
  • the upsampling process is performed to voxelize the triangle by adding points along the edge of the triangle. Create additional points based on the upsampling factor and the width of the block. The additional points are called refined vertices.
  • the point cloud encoder may voxel the refined vertices. Also, the point cloud encoder may perform attribute encoding based on the voxelized position (or position value).
  • FIG. 7 shows an example of a neighbor node pattern according to embodiments.
  • the point cloud encoder may perform entropy coding based on context adaptive arithmetic coding.
  • the point cloud content providing system or the point cloud encoder directly transmits the occupanci code.
  • Entropy coding is possible.
  • the point cloud content providing system or point cloud encoder performs entropy encoding (intra-encoding) based on the occupancies of the current node and the occupancies of neighboring nodes, or entropy encoding (inter-encoding) based on the occupancies of the previous frame. ) can be done.
  • a frame according to embodiments means a set of point cloud videos generated at the same time.
  • a point cloud encoder determines occupancy of neighboring nodes of each node of an octree and obtains a value of a neighbor pattern.
  • the neighbor node pattern is used to infer the occupancies pattern of the corresponding node.
  • the left side of FIG. 7 shows a cube corresponding to a node (a cube located in the center) and six cubes (neighbor nodes) sharing at least one face with the cube.
  • the nodes shown in the figure are nodes of the same depth (depth).
  • the numbers shown in the figure represent the weights (1, 2, 4, 8, 16, 32, etc.) associated with each of the six nodes. Each weight is sequentially assigned according to the positions of neighboring nodes.
  • the right side of FIG. 7 shows the neighboring node pattern values.
  • the neighbor node pattern value is the sum of values multiplied by the weights of the ocupided neighbor nodes (neighbor nodes with points). Therefore, the neighbor node pattern values range from 0 to 63. When the value of the neighbor node pattern is 0, it indicates that there is no node (ocupid node) having a point among the neighboring nodes of the corresponding node. When the neighbor node pattern value is 63, it indicates that all of the neighbor nodes are ocupid nodes. As shown in the figure, since neighboring nodes to which weights 1, 2, 4, and 8 are assigned are ocupided nodes, the neighboring node pattern value is 15, which is the sum of 1, 2, 4, and 8.
  • the point cloud encoder may perform coding according to the value of the neighboring node pattern (for example, if the value of the neighboring node pattern is 63, 64 types of coding are performed). According to embodiments, the point cloud encoder may reduce coding complexity by changing the neighbor node pattern value (eg, based on a table that changes 64 to 10 or 6).
  • the encoded geometry is reconstructed (decompressed).
  • the geometry reconstruction operation may include changing the arrangement of the direct coded points (eg, placing the direct coded points in front of the point cloud data).
  • the geometry reconstruction process is triangular reconstruction, upsampling, and voxelization. Since the attribute is dependent on the geometry, the attribute encoding is performed based on the reconstructed geometry.
  • the point cloud encoder may reorganize the points by LOD.
  • the figure shows the point cloud content corresponding to the LOD.
  • the left side of the drawing shows the original point cloud content.
  • the second figure from the left of the figure shows the distribution of the points of the lowest LOD, and the rightmost figure of the figure shows the distribution of the points of the highest LOD. That is, the points of the lowest LOD are sparsely distributed, and the points of the highest LOD are densely distributed. That is, as the LOD increases according to the direction of the arrow indicated at the bottom of the drawing, the interval (or distance) between the points becomes shorter.
  • the point cloud content providing system or the point cloud encoder (for example, the point cloud video encoder 10002, the point cloud encoder of FIG. 4, or the LOD generator 40009) generates an LOD. can do.
  • the LOD is created by reorganizing the points into a set of refinement levels according to a set LOD distance value (or set of Euclidean Distance).
  • the LOD generation process is performed not only in the point cloud encoder but also in the point cloud decoder.
  • FIG. 9 shows examples (P0 to P9) of points of point cloud content distributed in a three-dimensional space.
  • the original order of FIG. 9 indicates the order of points P0 to P9 before LOD generation.
  • the LOD based order of FIG. 9 indicates the order of points according to the LOD generation. Points are rearranged by LOD. Also, the high LOD includes points belonging to the low LOD.
  • LOD0 includes P0, P5, P4 and P2.
  • LOD1 includes the points of LOD0 and P1, P6 and P3.
  • LOD2 includes points of LOD0, points of LOD1, and P9, P8 and P7.
  • the point cloud encoder may perform predictive transform coding, lifting transform coding, and RAHT transform coding selectively or in combination.
  • a point cloud encoder may generate predictors for points and perform predictive transform coding to set a predictive attribute (or predictive attribute value) of each point. That is, N predictors may be generated for N points.
  • the prediction attribute (or attribute value) is a weight calculated based on the distance to each neighboring point in the attributes (or attribute values, for example, color, reflectance, etc.) of neighboring points set in the predictor of each point (or a weight value) is set as the average value of the multiplied value.
  • the point cloud encoder for example, the coefficient quantization unit 40011 according to the embodiments subtracts the predicted attribute (attribute value) from the attribute (attribute value) of each point (residuals, residual attribute, residual attribute value, attribute quantization and inverse quantization can be performed on the prediction residual value, etc.
  • the quantization process is shown in the following table.
  • the point cloud encoder (eg, the arithmetic encoder 40012 ) may entropy-code the quantized and dequantized residual values as described above when there are neighboring points to the predictor of each point.
  • the point cloud encoder (eg, the arithmetic encoder 40012 ) according to embodiments may entropy-code attributes of a corresponding point without performing the above-described process if there are no neighboring points in the predictor of each point.
  • the point cloud encoder (for example, the lifting transform unit 40010) according to the embodiments generates a predictor of each point, sets the LOD calculated in the predictor and registers neighboring points, and according to the distance to the neighboring points
  • Lifting transform coding can be performed by setting weights.
  • Lifting transform coding according to embodiments is similar to the aforementioned predictive transform coding, but is different in that a weight is accumulated and applied to an attribute value.
  • a process of accumulatively applying a weight to an attribute value according to the embodiments is as follows.
  • the weights calculated for all predictors are additionally multiplied by the weights stored in the QW corresponding to the predictor index, and the calculated weights are cumulatively added to the update weight array as the indices of neighboring nodes.
  • the value obtained by multiplying the calculated weight by the attribute value of the index of the neighbor node is accumulated and summed.
  • predictive attribute values are calculated by additionally multiplying the attribute values updated through the lift update process by the weights updated through the lift prediction process (stored in QW).
  • a point cloud encoder eg, the coefficient quantization unit 40011
  • a point cloud encoder eg, arithmetic encoder 40012
  • entropy codes the quantized attribute values.
  • the point cloud encoder (for example, the RAHT transform unit 40008) according to the embodiments may perform RAHT transform coding for estimating the attributes of the nodes of the higher level by using the attributes associated with the nodes at the lower level of the octree.
  • RAHT transform coding is an example of attribute intra coding with octree backward scan.
  • the point cloud encoder according to the embodiments scans the entire area from the voxel, and repeats the merging process up to the root node while merging the voxels into a larger block at each step.
  • the merging process according to the embodiments is performed only for the ocupid node. A merging process is not performed on an empty node, and a merging process is performed on a node immediately above the empty node.
  • the following equation represents the RAHT transformation matrix. denotes the average attribute value of voxels in level l. Is Wow can be calculated from Wow weight of class am.
  • the root node is the last class is created as follows,
  • the gDC value is also quantized and entropy-coded like the high-pass coefficient.
  • FIG. 10 shows an example of a point cloud decoder according to embodiments.
  • the point cloud decoder shown in FIG. 10 is an example of the point cloud video decoder 10006 described in FIG. 1 , and may perform the same or similar operations to the operation of the point cloud video decoder 10006 described in FIG. 1 .
  • the point cloud decoder may receive a geometry bitstream and an attribute bitstream included in one or more bitstreams.
  • the point cloud decoder includes a geometry decoder and an attribute decoder.
  • the geometry decoder outputs decoded geometry by performing geometry decoding on the geometry bitstream.
  • the attribute decoder outputs decoded attributes by performing attribute decoding based on the decoded geometry and the attribute bitstream.
  • the decoded geometry and decoded attributes are used to reconstruct the point cloud content (decoded point cloud).
  • FIG. 11 shows an example of a point cloud decoder according to embodiments.
  • the point cloud decoder shown in FIG. 11 is an example of the point cloud decoder described with reference to FIG. 10 , and may perform a decoding operation that is a reverse process of the encoding operation of the point cloud encoder described with reference to FIGS. 1 to 9 .
  • the point cloud decoder may perform geometry decoding and attribute decoding. Geometry decoding is performed before attribute decoding.
  • a point cloud decoder may include an arithmetic decoder 11000, a synthesize octree 11001, a synthesize surface approximation 11002, and a reconstruct geometry , 11003), inverse transform coordinates (11004), arithmetic decoder (11005), inverse quantize (11006), RAHT transform unit (11007), LOD generator (generate LOD, 11008) ), an inverse lifting unit (Inverse lifting, 11009), and / or color inverse transform unit (inverse transform colors, 11010).
  • the arithmetic decoder 11000 , the octree synthesizer 11001 , the surface opproximation synthesizer 11002 , the geometry reconstruction unit 11003 , and the coordinate system inverse transformation unit 11004 may perform geometry decoding.
  • Geometry decoding according to embodiments may include direct coding and trisoup geometry decoding. Direct coding and trisup geometry decoding are optionally applied. Also, the geometry decoding is not limited to the above example, and is performed as a reverse process of the geometry encoding described with reference to FIGS. 1 to 9 .
  • the arithmetic decoder 11000 decodes the received geometry bitstream based on arithmetic coding.
  • the operation of the arithmetic decoder 11000 corresponds to the reverse process of the arithmetic encoder 40004 .
  • the octree synthesizing unit 11001 may generate an octree by obtaining an ocupancy code from a decoded geometry bitstream (or information about a geometry secured as a result of decoding).
  • a detailed description of the occupanci code is the same as described with reference to FIGS. 1 to 9 .
  • the surface op-proximation synthesizing unit 11002 may synthesize a surface based on the decoded geometry and/or the generated octree when the tri-top geometry encoding is applied.
  • the geometry reconstruction unit 11003 may reconstruct a geometry based on the surface and/or the decoded geometry. As described with reference to FIGS. 1 to 9 , direct coding and tri-soup geometry encoding are selectively applied. Accordingly, the geometry reconstruction unit 11003 directly brings and adds position information of points to which direct coding is applied. In addition, when tri-soup geometry encoding is applied, the geometry reconstruction unit 11003 may perform a reconstruction operation of the geometry reconstruction unit 40005, for example, triangle reconstruction, up-sampling, and voxelization to restore the geometry. have. Specific details are the same as those described with reference to FIG. 6 and thus will be omitted.
  • the reconstructed geometry may include a point cloud picture or frame that does not include attributes.
  • the coordinate system inverse transform unit 11004 may obtain positions of points by transforming the coordinate system based on the restored geometry.
  • the arithmetic decoder 11005, the inverse quantization unit 11006, the RAHT transform unit 11007, the LOD generation unit 11008, the inverse lifting unit 11009, and/or the color inverse transform unit 11010 are the attributes described with reference to FIG. decoding can be performed.
  • Attribute decoding according to embodiments includes Region Adaptive Hierarchical Transform (RAHT) decoding, Interpolaration-based hierarchical nearest-neighbor prediction-Prediction Transform decoding, and interpolation-based hierarchical nearest-neighbor prediction with an update/lifting step (Lifting Transform)) decoding may be included.
  • RAHT Region Adaptive Hierarchical Transform
  • Interpolaration-based hierarchical nearest-neighbor prediction-Prediction Transform decoding Interpolaration-based hierarchical nearest-neighbor prediction-Prediction Transform decoding
  • interpolation-based hierarchical nearest-neighbor prediction with an update/lifting step (Lifting Transform)) decoding may be included.
  • the arithmetic decoder 11005 decodes an attribute bitstream by arithmetic coding.
  • the inverse quantization unit 11006 inverse quantizes the decoded attribute bitstream or information about the attribute secured as a result of decoding, and outputs inverse quantized attributes (or attribute values). Inverse quantization may be selectively applied based on attribute encoding of the point cloud encoder.
  • the RAHT transformation unit 11007, the LOD generation unit 11008, and/or the inverse lifting unit 11009 may process the reconstructed geometry and dequantized attributes. As described above, the RAHT converting unit 11007, the LOD generating unit 11008 and/or the inverse lifting unit 11009 may selectively perform a corresponding decoding operation according to the encoding of the point cloud encoder.
  • the color inverse transform unit 11010 performs inverse transform coding for inverse transforming color values (or textures) included in decoded attributes.
  • the operation of the color inverse transform unit 11010 may be selectively performed based on the operation of the color transform unit 40006 of the point cloud encoder.
  • the elements of the point cloud decoder of FIG. 11 are not shown in the figure, hardware including one or more processors or integrated circuits configured to communicate with one or more memories included in the point cloud providing apparatus , software, firmware, or a combination thereof.
  • One or more processors may perform at least any one or more of the operations and/or functions of the elements of the point cloud decoder of FIG. 11 described above.
  • the one or more processors may operate or execute a set of software programs and/or instructions for performing operations and/or functions of the elements of the point cloud decoder of FIG. 11 .
  • the transmission device shown in FIG. 12 is an example of the transmission device 10000 of FIG. 1 (or the point cloud encoder of FIG. 4 ).
  • the transmitting apparatus shown in FIG. 12 may perform at least any one or more of the same or similar operations and methods to the operations and encoding methods of the point cloud encoder described with reference to FIGS. 1 to 9 .
  • the transmission apparatus includes a data input unit 12000 , a quantization processing unit 12001 , a voxelization processing unit 12002 , an occupancy code generation unit 12003 , a surface model processing unit 12004 , and an intra/ Inter-coding processing unit 12005, arithmetic coder 12006, metadata processing unit 12007, color conversion processing unit 12008, attribute conversion processing unit (or attribute conversion processing unit) 12009, prediction/lifting/RAHT conversion It may include a processing unit 12010 , an arithmetic coder 12011 , and/or a transmission processing unit 12012 .
  • the data input unit 12000 receives or acquires point cloud data.
  • the data input unit 12000 may perform the same or similar operation and/or acquisition method to the operation and/or acquisition method of the point cloud video acquisition unit 10001 (or the acquisition process 20000 described in FIG. 2 ).
  • the coder 12006 performs geometry encoding. Since the geometry encoding according to the embodiments is the same as or similar to the geometry encoding described with reference to FIGS. 1 to 9 , a detailed description thereof will be omitted.
  • the quantization processing unit 12001 quantizes a geometry (eg, a position value of points or a position value).
  • the operation and/or quantization of the quantization processing unit 12001 is the same as or similar to the operation and/or quantization of the quantization unit 40001 described with reference to FIG. 4 .
  • a detailed description is the same as that described with reference to FIGS. 1 to 9 .
  • the voxelization processing unit 12002 voxelizes position values of quantized points.
  • the voxelization processing unit 12002 may perform the same or similar operations and/or processes as those of the quantization unit 40001 described with reference to FIG. 4 and/or the voxelization process. A detailed description is the same as that described with reference to FIGS. 1 to 9 .
  • the octree occupancy code generator 12003 performs octree coding on the positions of voxelized points based on the octree structure.
  • the octree occupancy code generator 12003 may generate an occupanci code.
  • the octree occupancy code generator 12003 may perform the same or similar operations and/or methods to those of the point cloud encoder (or the octree analyzer 40002) described with reference to FIGS. 4 and 6 . A detailed description is the same as that described with reference to FIGS. 1 to 9 .
  • the surface model processing unit 12004 may perform tri-supply geometry encoding for reconstructing positions of points in a specific region (or node) based on a voxel based on a surface model.
  • the fore surface model processing unit 12004 may perform the same or similar operations and/or methods to those of the point cloud encoder (eg, the surface appropriation analyzer 40003) described with reference to FIG. 4 .
  • a detailed description is the same as that described with reference to FIGS. 1 to 9 .
  • the intra/inter coding processing unit 12005 may perform intra/inter coding of point cloud data.
  • the intra/inter coding processing unit 12005 may perform the same or similar coding to the intra/inter coding described with reference to FIG. 7 . A detailed description is the same as that described with reference to FIG. 7 .
  • the intra/inter coding processing unit 12005 may be included in the arithmetic coder 12006 .
  • the arithmetic coder 12006 entropy encodes an octree and/or an approximated octree of point cloud data.
  • the encoding method includes an arithmetic encoding method.
  • the arithmetic coder 12006 performs the same or similar operations and/or methods as the operations and/or methods of the arithmetic encoder 40004 .
  • the metadata processing unit 12007 processes metadata related to point cloud data, for example, a setting value, and provides it to necessary processing such as geometry encoding and/or attribute encoding. Also, the metadata processing unit 12007 according to embodiments may generate and/or process signaling information related to geometry encoding and/or attribute encoding. Signaling information according to embodiments may be encoded separately from geometry encoding and/or attribute encoding. Also, signaling information according to embodiments may be interleaved.
  • the color conversion processing unit 12008, the attribute conversion processing unit 12009, the prediction/lifting/RAHT conversion processing unit 12010, and the arithmetic coder 12011 perform attribute encoding. Since the attribute encoding according to the embodiments is the same as or similar to the attribute encoding described with reference to FIGS. 1 to 9 , a detailed description thereof will be omitted.
  • the color conversion processing unit 12008 performs color conversion coding for converting color values included in the attributes.
  • the color conversion processing unit 12008 may perform color conversion coding based on the reconstructed geometry.
  • the description of the reconstructed geometry is the same as that described with reference to FIGS. 1 to 9 .
  • the same or similar operation and/or method to the operation and/or method of the color conversion unit 40006 described with reference to FIG. 4 is performed. A detailed description will be omitted.
  • the attribute transformation processing unit 12009 performs an attribute transformation for transforming attributes based on positions where geometry encoding has not been performed and/or a reconstructed geometry.
  • the attribute transformation processing unit 12009 performs the same or similar operations and/or methods as those of the attribute transformation unit 40007 described in FIG. 4 . A detailed description will be omitted.
  • the prediction/lifting/RAHT transform processing unit 12010 may code the transformed attributes by any one or a combination of RAHT coding, predictive transform coding, and lifting transform coding.
  • the prediction/lifting/RAHT transformation processing unit 12010 performs at least one or more of the same or similar operations to the operations of the RAHT transformation unit 40008, the LOD generation unit 40009, and the lifting transformation unit 40010 described with reference to FIG. 4 . do.
  • the descriptions of predictive transform coding, lifting transform coding, and RAHT transform coding are the same as those described with reference to FIGS. 1 to 9 , a detailed description thereof will be omitted.
  • the arithmetic coder 12011 may encode coded attributes based on arithmetic coding.
  • the arithmetic coder 12011 performs the same or similar operations and/or methods to the operations and/or methods of the arithmetic encoder 400012 .
  • the transmission processing unit 12012 transmits each bitstream including the encoded geometry and/or encoded attribute and metadata information, or converts the encoded geometry and/or the encoded attribute and metadata information into one It can be transmitted by composing it as a bitstream.
  • the bitstream may include one or more sub-bitstreams.
  • the bitstream according to the embodiments is a sequence parameter set (SPS) for signaling of a sequence level, a geometry parameter set (GPS) for signaling of a geometry information coding, an attribute parameter set (APS) for signaling of an attribute information coding, a tile Signaling information including a Tile Parameter Set (TPS) for level signaling and slice data may be included.
  • SPS sequence parameter set
  • GPS geometry parameter set
  • APS attribute parameter set
  • TPS Tile Parameter Set
  • Slice data may include information about one or more slices.
  • One slice according to embodiments may include one geometry bitstream (Geom0 0 ) and one or more attribute bitstreams (Attr0 0 , Attr1 0 ).
  • a slice refers to a series of syntax elements representing all or a part of a coded point cloud frame.
  • the TPS may include information about each tile (eg, coordinate value information and height/size information of a bounding box, etc.) for one or more tiles.
  • a geometry bitstream may include a header and a payload.
  • the header of the geometry bitstream according to the embodiments may include identification information (geom_ parameter_set_id), a tile identifier (geom_tile_id), a slice identifier (geom_slice_id) of a parameter set included in GPS, and information about data included in a payload, etc.
  • the metadata processing unit 12007 may generate and/or process signaling information and transmit it to the transmission processing unit 12012 .
  • elements performing geometry encoding and elements performing attribute encoding may share data/information with each other as dotted lines are processed.
  • the transmission processing unit 12012 may perform the same or similar operation and/or transmission method to the operation and/or transmission method of the transmitter 10003 . Since the detailed description is the same as that described with reference to FIGS. 1 to 2 , a detailed description thereof will be omitted.
  • FIG. 13 is an example of a receiving apparatus according to embodiments.
  • the reception apparatus shown in FIG. 13 is an example of the reception apparatus 10004 of FIG. 1 (or the point cloud decoder of FIGS. 10 and 11 ).
  • the receiving apparatus shown in FIG. 13 may perform at least any one or more of the same or similar operations and methods to the operations and decoding methods of the point cloud decoder described with reference to FIGS. 1 to 11 .
  • the reception apparatus includes a reception unit 13000 , a reception processing unit 13001 , an arithmetic decoder 13002 , an Occupancy code-based octree reconstruction processing unit 13003 , and a surface model processing unit (triangle reconstruction). , up-sampling, voxelization) 13004, inverse quantization processing unit 13005, metadata parser 13006, arithmetic decoder 13007, inverse quantization processing unit 13008, prediction It may include a /lifting/RAHT inverse transformation processing unit 13009 , an inverse color transformation processing unit 13010 , and/or a renderer 13011 .
  • Each component of decoding according to embodiments may perform a reverse process of a component of encoding according to embodiments.
  • the receiver 13000 receives point cloud data.
  • the receiver 13000 may perform the same or similar operation and/or reception method as the operation and/or reception method of the receiver 10005 of FIG. 1 . A detailed description will be omitted.
  • the reception processing unit 13001 may acquire a geometry bitstream and/or an attribute bitstream from the received data.
  • the reception processing unit 13001 may be included in the reception unit 13000 .
  • the arithmetic decoder 13002, the occupancy code-based octree reconstruction processing unit 13003, the surface model processing unit 13004, and the inverse quantization processing unit 13005 may perform geometry decoding. Since the geometry decoding according to the embodiments is the same as or similar to the geometry decoding described with reference to FIGS. 1 to 10 , a detailed description thereof will be omitted.
  • the arithmetic decoder 13002 may decode a geometry bitstream based on arithmetic coding.
  • the arithmetic decoder 13002 performs the same or similar operations and/or coding to the operations and/or coding of the arithmetic decoder 11000 .
  • the ocupancy code-based octree reconstruction processing unit 13003 may reconstruct the octopus by obtaining an occupanci code from a decoded geometry bitstream (or information about a geometry secured as a result of decoding).
  • the occupancy code-based octree reconstruction processing unit 13003 performs the same or similar operations and/or methods as those of the octree synthesis unit 11001 and/or the octree generation method.
  • the surface model processing unit 13004 may decode a trichop geometry based on the surface model method and reconstruct the geometry related thereto (eg, triangle reconstruction, up-sampling, voxelization) based on the surface model method when trisuple geometry encoding is applied. can be performed.
  • the surface model processing unit 13004 performs the same or similar operations to the operations of the surface op-proximation synthesis unit 11002 and/or the geometry reconstruction unit 11003 .
  • the inverse quantization processing unit 13005 may inverse quantize the decoded geometry.
  • the metadata parser 13006 may parse metadata included in the received point cloud data, for example, a setting value.
  • the metadata parser 13006 may pass the metadata to geometry decoding and/or attribute decoding. A detailed description of the metadata is the same as that described with reference to FIG. 12 , and thus will be omitted.
  • the arithmetic decoder 13007 , the inverse quantization processing unit 13008 , the prediction/lifting/RAHT inverse transformation processing unit 13009 , and the color inverse transformation processing unit 13010 perform attribute decoding. Since the attribute decoding is the same as or similar to the attribute decoding described with reference to FIGS. 1 to 10 , a detailed description thereof will be omitted.
  • the arithmetic decoder 13007 may decode the attribute bitstream by arithmetic coding.
  • the arithmetic decoder 13007 may perform decoding of the attribute bitstream based on the reconstructed geometry.
  • the arithmetic decoder 13007 performs the same or similar operation and/or coding to the operation and/or coding of the arithmetic decoder 11005 .
  • the inverse quantization processing unit 13008 may inverse quantize the decoded attribute bitstream.
  • the inverse quantization processing unit 13008 performs the same or similar operations and/or methods to those of the inverse quantization unit 11006 and/or the inverse quantization method.
  • the prediction/lifting/RAHT inverse transform processing unit 13009 may process the reconstructed geometry and inverse quantized attributes.
  • the prediction/lifting/RAHT inverse transform processing unit 13009 performs the same or similar operations and/or decodings as the operations and/or decodings of the RAHT transform unit 11007, the LOD generation unit 11008 and/or the inverse lifting unit 11009 and/or At least any one or more of the decodings are performed.
  • the color inverse transform processing unit 13010 according to embodiments performs inverse transform coding for inverse transforming color values (or textures) included in decoded attributes.
  • the color inverse transform processing unit 13010 performs the same or similar operation and/or inverse transform coding to the operation and/or inverse transform coding of the color inverse transform unit 11010 .
  • the renderer 13011 may render point cloud data.
  • FIG. 14 shows an example of a structure capable of interworking with a method/device for transmitting and receiving point cloud data according to embodiments.
  • the structure of FIG. 14 includes at least one or more of a server 1460 , a robot 1410 , an autonomous vehicle 1420 , an XR device 1430 , a smartphone 1440 , a home appliance 1450 , and/or an HMD 1470 .
  • a configuration connected to the cloud network 1410 is shown.
  • the robot 1410 , the autonomous vehicle 1420 , the XR device 1430 , the smart phone 1440 , or the home appliance 1450 are referred to as devices.
  • the XR device 1430 may correspond to a point cloud data (PCC) device according to embodiments or may be linked with the PCC device.
  • PCC point cloud data
  • the cloud network 1400 may constitute a part of the cloud computing infrastructure or may refer to a network existing in the cloud computing infrastructure.
  • the cloud network 1400 may be configured using a 3G network, a 4G or Long Term Evolution (LTE) network, or a 5G network.
  • LTE Long Term Evolution
  • the server 1460 includes at least one of a robot 1410 , an autonomous vehicle 1420 , an XR device 1430 , a smartphone 1440 , a home appliance 1450 and/or an HMD 1470 , and a cloud network 1400 . It is connected through and may help at least a part of the processing of the connected devices 1410 to 1470 .
  • a Head-Mount Display (HMD) 1470 represents one of the types in which an XR device and/or a PCC device according to embodiments may be implemented.
  • the HMD-type device according to the embodiments includes a communication unit, a control unit, a memory unit, an I/O unit, a sensor unit, and a power supply unit.
  • the devices 1410 to 1450 shown in FIG. 14 may be linked/coupled with the point cloud data transmission/reception device according to the above-described embodiments.
  • XR / PCC device 1430 is PCC and / or XR (AR + VR) technology is applied, HMD (Head-Mount Display), HUD (Head-Up Display) provided in the vehicle, television, mobile phone, smart phone, It may be implemented as a computer, a wearable device, a home appliance, a digital signage, a vehicle, a stationary robot, or a mobile robot.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • the XR/PCC device 1430 analyzes three-dimensional point cloud data or image data acquired through various sensors or from an external device to generate position data and attribute data for three-dimensional points in the surrounding space or real objects. Information can be obtained and the XR object to be output can be rendered and output. For example, the XR/PCC apparatus 1430 may output an XR object including additional information on the recognized object to correspond to the recognized object.
  • the XR/PCC device 1430 may be implemented as a mobile phone 1440 or the like to which PCC technology is applied.
  • the mobile phone 1440 may decode and display the point cloud content based on the PCC technology.
  • the autonomous vehicle 1420 may be implemented as a mobile robot, a vehicle, an unmanned aerial vehicle, etc. by applying PCC technology and XR technology.
  • the autonomous driving vehicle 1420 to which the XR/PCC technology is applied may mean an autonomous driving vehicle equipped with a means for providing an XR image or an autonomous driving vehicle subject to control/interaction within the XR image.
  • the autonomous driving vehicle 1420 that is the target of control/interaction within the XR image may be distinguished from the XR device 1430 and may be interlocked with each other.
  • the autonomous vehicle 1420 having means for providing an XR/PCC image may obtain sensor information from sensors including a camera, and output an XR/PCC image generated based on the acquired sensor information.
  • the autonomous vehicle 1420 may provide an XR/PCC object corresponding to a real object or an object in a screen to a passenger by outputting an XR/PCC image with a HUD.
  • the XR/PCC object when the XR/PCC object is output to the HUD, at least a portion of the XR/PCC object may be output to overlap the real object to which the passenger's gaze is directed.
  • the XR/PCC object when the XR/PCC object is output to a display provided inside the autonomous vehicle, at least a part of the XR/PCC object may be output to overlap the object in the screen.
  • the autonomous vehicle 1220 may output XR/PCC objects corresponding to objects such as a lane, other vehicles, traffic lights, traffic signs, two-wheeled vehicles, pedestrians, and buildings.
  • VR Virtual Reality
  • AR Augmented Reality
  • MR Magnetic Reality
  • PCC Point Cloud Compression
  • VR technology is a display technology that provides objects or backgrounds in the real world only as CG images.
  • AR technology refers to a technology that shows a virtual CG image on top of an actual object image.
  • the MR technology is similar to the AR technology described above in that it shows the virtual objects by mixing and combining them in the real world.
  • AR technology the distinction between real objects and virtual objects made of CG images is clear, and virtual objects are used in a form that complements real objects, whereas in MR technology, virtual objects are regarded as having the same characteristics as real objects. distinct from technology. More specifically, for example, a hologram service to which the aforementioned MR technology is applied.
  • VR, AR, and MR technologies are sometimes called XR (extended reality) technologies rather than clearly distinguishing them. Accordingly, embodiments of the present invention are applicable to all of VR, AR, MR, and XR technologies. For these technologies, encoding/decoding based on PCC, V-PCC, and G-PCC technologies may be applied.
  • the PCC method/apparatus according to the embodiments may be applied to a vehicle providing an autonomous driving service.
  • a vehicle providing an autonomous driving service is connected to a PCC device for wired/wireless communication.
  • the point cloud data (PCC) transceiver receives/processes AR/VR/PCC service-related content data that can be provided together with the autonomous driving service when connected to a vehicle to enable wired/wireless communication, can be sent to
  • the point cloud transceiver may receive/process AR/VR/PCC service-related content data according to a user input signal input through the user interface device and provide it to the user.
  • a vehicle or a user interface device may receive a user input signal.
  • a user input signal according to embodiments may include a signal indicating an autonomous driving service.
  • FIG. 15 illustrates a point cloud data transmission/reception system according to embodiments.
  • FIG. 15 illustrates an operation in which the point cloud data transmission apparatus acquires, encodes, and transmits point cloud data, and a process in which the point cloud data reception apparatus decodes the point cloud data in a bitstream form, according to embodiments.
  • the point cloud data transmission apparatus includes a point cloud data acquisition unit, a sub-sampling/down-scaling unit 15001 , encoders 15002 and 15003 , and/or storage 15004 for transmission.
  • the point cloud data acquisition unit performs, for example, the point cloud video acquisition 10001 of FIG. 1 , the acquisition unit 20000 of FIG. 2 , and the operations of FIG. 3 .
  • the point cloud data acquisition unit acquires geometry data indicating positions of points of the point cloud data and attribute data indicating attributes of the points.
  • the geometry data may be referred to as a source geometry (15000a), and the attribute data may be referred to as a source attribute (15000b).
  • the sub-sampling/down-scaling unit 15001 may sub-sample or down-scale geometric data, for example.
  • the sub-sampling or down-scaled geometry data may be referred to as partial geometry data, and the sub-sampling or down-scaled attribute data may be referred to as partial attribute data.
  • the encoders 15002 and 15003 may mean, for example, a first encoder 15002 that encodes all of the geometry data 15000a and the attribute data 15000b, and is It may mean the second encoder 15003 that encodes sub-sampling or down-scaled partial geometry data and/or partial attribute data by .
  • the encoders 15002 and 15003 refer to the point cloud video encoder 10002 of FIG. 1 and the encoding unit 20001 of FIG. 2 .
  • the encoders 15002 and 15003 may include some or all of the components shown in FIGS. 4 and 12 .
  • the encoder 15002 includes the geometry data for all points and the attribute data for all points. to generate a complete PCC bitstream.
  • the encoder 15003 when the second encoder 15003 encodes only partial geometry data and/or partial attribute data, the encoder 15003 includes the geometry data for some points and the attribute data for some points PartialPCC including Generates a bitstream (Partial PCC bitstream).
  • An apparatus for transmitting point cloud data may include only the first encoder, may include only the second encoder, and may include an encoder capable of selectively performing the first encoder and the second encoder.
  • the storage for transmission 15004 stores the encoded geometry data and/or the encoded attribute data according to the embodiments in order to transmit them in the form of a bitstream or a file.
  • the storage for transmission 15004 may, for example, perform operations of the transmitter 10003 of FIG. 1 , the transmitter 20002 of FIG. 2 , and the transmission processor 12012 of FIG. 12 .
  • the point cloud data receiving apparatus includes a storage 15004 for reception, and decoders 15006a and 15006b.
  • Storage 15004 for reception includes a bitstream (or file) including point cloud data according to embodiments.
  • the bitstream (or file) may include, for example, a complete PCC bitstream (Complete PCC bitstream, 15005a) or a partial PCC bitstream (Partial PCC bitstream, 15005b).
  • the decoders 15006a and 15006b may mean, for example, a first decoder 15006a that decodes the entire PCC bitstream, and may mean a second decoder 150006b that decodes the partial PCC bitstream 15005b. have.
  • the first decoder 15006a decodes a complete PCC bitstream, and generates all of the geometry data 15007a and attribute data 15007b of all points of the point cloud data.
  • the second decoder 15006b decodes a Partial PCC bitstream to generate geometry data 15008a and attribute data 15008b of some points of the point cloud data.
  • An apparatus for receiving point cloud data may include only the first decoder, may include only the second decoder, or may include a decoder capable of selectively performing the first decoder and the second decoder.
  • the point cloud data transmission apparatus When the point cloud data transmission apparatus according to the embodiments encodes the point cloud data, a predictive coding technique for performing prediction on some or all points by providing information on points around a specific point can be applied. If the prediction-based compression method (predictive coding) is performed, the decoding speed of the receiving device may be increased. However, when decoding a part of the given information, the point cloud of some area can be obtained, but since the meaning of the area is not given, it is difficult to express meaningful information to be rendered to the user by the receiving device. .
  • the receiving apparatus when the receiving apparatus according to the embodiments receives and decodes all point cloud data like the first decoder, unnecessary delay may occur in processing the point cloud data due to the performance or transmission environment of the receiver, in this case the data It can lead to a lot of time wasted in receiving and recovering the whole.
  • the transmitting device may transmit only a part of the transmitted data by compressing/transmitting the point cloud data in semantic units, and the receiving device according to the embodiments may decode only some data, but information about the entire data , which can provide excellent performance in terms of time complexity and space complexity, and is data efficient.
  • reception device may achieve a scalable point cloud representation by selectively selecting points as much as the details of desired content (eg, based on LOD).
  • the point cloud data transmission apparatus may perform encoding at a high speed in an environment requiring low delay characteristics.
  • the transmitting device performs encoding based on the prediction unit group and transmits only the unit information required by the receiving device, thereby enabling the receiving device to adaptively decode in the transmission/reception environment and low delay. It is possible to provide a coding method suitable for the environment. In addition, such a configuration may enable scalable decoding in the receiving device.
  • a transmitting device compresses/transmits point cloud data in semantic units, and a receiving device decodes and processes it, and an apparatus therefor are disclosed. That is, in the following, the transmission device uses a prediction-based compression technique (predictive coding) to reduce the time required for encoding (low delay characteristic), and can reproduce a low-density point cloud even with some point cloud data, and low-latency
  • a prediction-based compression technique predictive coding
  • a point cloud data encoding method suitable for this required transmission environment is disclosed.
  • a method of compressing the location information (geometric data) of points of the point cloud data will be described, but the following content is also applicable to the attribute information (attribute data) of the point cloud or a general prediction-based compression method.
  • 16 illustrates an encoder of an apparatus for transmitting point cloud data according to embodiments.
  • the encoder of the point cloud data transmission apparatus shown in FIG. 16 may be referred to as a prediction-based encoder, a prediction-based scalable point cloud encoder, a scalable encoder, or the like.
  • the encoder of the point cloud data transmission apparatus shown in FIG. 16 may mean the point cloud video encoder 10002 of FIG. 1 and the encoding unit 20001 of FIG. 2 , and the components of FIG. 4 also include the components of 12 . can do.
  • the encoder of the point cloud data transmission apparatus shown in FIG. 16 may refer to the first encoder 15002 and/or the second encoder 15003 shown in FIG. 15 .
  • the encoder of the point cloud data transmission apparatus shown in FIG. 16 includes the robot 1710, the autonomous-driving vehicle 1720, the XR device 1730, the smartphone 1740, the home appliance 1750, and the AI server 1760 of FIG. ), may be included in the HMD 1770 .
  • the point cloud data transmission apparatus includes a geometry quantization voxelization unit 16000, an attribute recoloring unit 16001, an LOD generation unit 16002, a geometry encoding unit 16003a, an attribute encoding unit 16003b, and a bitstream interleaving unit 16004. includes
  • the geometry quantization voxelizer 16000 receives geometry data of the point cloud data obtained according to embodiments, and quantizes and/or voxelizes them.
  • the geometry quantization voxelization unit 16000 may be performed, for example, in the point cloud video encoder 10002 of FIG. 1 and the encoding unit 20001 of FIG. 2 , and the quantization and point removal unit (voxelization unit) of FIG. 4 ( 40001) operation can be performed.
  • the geometry quantization voxelizer 16000 performs the operations shown in FIGS. 5 to 6 .
  • the geometry quantization voxelization unit 16000 may refer to the quantization processing unit 12001 and/or the voxelization processing unit 12002 of FIG. 12 .
  • the attribute recoloring unit 16001 receives attribute data of the point cloud data obtained according to embodiments and performs color conversion on them.
  • the attribute recoloring unit 16001 may be performed, for example, in the point cloud video encoder 10002 of FIG. 1 and the encoding unit 20001 of FIG. 2 , the color conversion unit 40006 of FIG. 4 , and the attribute conversion unit (40007) operation may be performed.
  • the LOD generator 16002 constructs a level-of-detail (LOD) of points by using geometry data and/or attribute data according to embodiments.
  • the LOD generating unit 16002 classifies the points according to the LOD, and generates an LOD group and/or a refined group.
  • a refined group according to embodiments may be referred to as a retained group.
  • the level of detail represents a set of points spaced apart by a distance shorter than a sampling distance corresponding to each LOD level. That is, the LOD group L(k) includes a set of points spaced apart by a distance shorter than the sampling distance corresponding to the level of the LOD group.
  • the LOD group of level 4 is a set of points other than points having a distance between points less than 10.
  • LOD group L(2) of level 2 includes all the points of LOD group L(1) of level 1
  • LOD group L(3) of level 3 includes points of LOD group L(2) of level 2 all points
  • LOD group L(k) of level k includes all points of LOD group L(k-1) of level k-1.
  • the LOD indicates the detail of the point cloud content, and the smaller the LOD value, the lower the detail of the point cloud content, and the larger the LOD value, the higher the detail of the point cloud content. Points may be classified according to LOD.
  • Retained group (R(k), or refined group) is, for each level, groups of points corresponding to the difference between the level of detail of the current level and the level of detail of the next level. indicates.
  • a retain group can be defined as follows. backslash ( ) means the difference operator.
  • the point cloud data transmitting apparatus and/or the receiving apparatus may generate the LOD in various ways.
  • a method for the LOD generating unit 16002 to generate a level-of-detail (LOD) will be described in detail with reference to FIG. 23 .
  • the geometry encoding unit 16003a encodes some or all of the geometry data according to embodiments.
  • the geometry encoding unit 16003a may encode all of the geometry data (full geometry encoding), or may encode only a portion (partial geometry encoding).
  • Geometry encoding unit 16003a Encoding may be performed only on specific LOD groups generated by the LOD generating unit 16002, specific retain groups, or a new set of geometry data generated therefrom.
  • the geometry encoding unit 16003a may perform prediction-based encoding (prediction-based point cloud compression method). For example, the geometry encoding unit 16003a may group geometry data of the point cloud data into a plurality of groups (eg, a retain group, an LOD group, etc.). The geometry encoding unit 16003a may perform prediction on the geometry data based on a plurality of grouped groups.
  • prediction-based encoding prediction-based point cloud compression method. For example, the geometry encoding unit 16003a may group geometry data of the point cloud data into a plurality of groups (eg, a retain group, an LOD group, etc.).
  • the geometry encoding unit 16003a may perform prediction on the geometry data based on a plurality of grouped groups.
  • a grouped group that is, a prediction group, is a group consisting of one or more points belonging to point cloud data to be compressed, and has a certain relationship between data existing in each group.
  • Prediction-based encoding performs compression and/or encoding by using one or more prediction groups, and each group is 1) independent of each other, 2) some data of one group is included in another group, or , 3) can be defined to have a relationship in which one group is included in another group. For example, when there is point cloud data divided by LoD unit, a retained data group can be set as a prediction group.
  • the geometry encoding unit 16003a predicts geometry information of points.
  • the geometry encoding unit 16003a predicts the geometry information of the second point from the geometry information of the first point.
  • the first point and the second point may be, for example, a parent-child relationship, and the geometry encoding unit 16003a establishes such a parent-child relationship for all points in a prediction tree (prediction tree). ) can be created.
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the geometry encoding unit 16003a predicts geometry information of all points based on a prediction method.
  • the prediction method may be performed, for example, by multiplying, adding, or subtracting a constant constant or the like from the parent of a specific point.
  • the geometry encoding unit 16003a may generate a prediction error by comparing each point predicted based on the prediction method with the original geometry data.
  • a prediction error may mean a difference between the predicted geometry information of each point and the actual original geometry information. Such a prediction error may be referred to as residual information.
  • the geometry encoding unit 16003a may convert geometry information of a specific point and residual information of each point.
  • the attribute encoding unit 16003b encodes some or all of the attribute data according to embodiments.
  • the attribute encoding unit 16003b may encode all of the attribute data (full attribute encoding), or may encode only a part (partial attribute encoding).
  • the attribute encoding unit 16003b may encode only the specific LOD groups generated by the LOD generation unit 16002, specific retained groups, or a new set of attribute data generated therefrom.
  • the attribute encoding unit 16003b may reconstruct the geometry data encoded by the geometry encoding unit 16003a and encode the attribute data based on the reconstructed geometry data.
  • the attribute encoding unit 16003b may be included in the point cloud encoder 10002 of FIG. 1 and the encoding unit 20001 of FIG. 2 , the geometry reconstruction unit 40005 of FIG. 4 , the color conversion unit 50006 , and the attribute conversion unit (40007), the coefficient quantization unit 40011, and the arithmetic encoding unit 40012 may be performed.
  • the attribute encoding unit 16003b may perform the operation of the color conversion processing unit 12008, the attribute conversion processing unit 12009, and the arithmetic coder unit 12011 of FIG. 12 .
  • the bitstream interleaving unit 16004 interleaves the geometry data encoded by the geometry encoding unit 16003a and the attribute data encoded by the attribute encoding unit 16003b to generate an output bitstream.
  • the bitstream interleaving unit 16004 converts encoded data into a bitstream for each grouped group (eg, an LOD group, a retained group) according to embodiments and outputs the converted data.
  • the point cloud data transmitting apparatus may encode the point cloud data in consideration of scalable decoding of the receiving apparatus.
  • the geometry encoding unit 16003a uses prediction-based point cloud compression for geometry data according to embodiments, the geometry encoding unit 16003a uses the generated LOD to perform prediction-based attribute data compression in parallel. can be processed with
  • the attribute encoding unit 16003b when the common_grouping_method_flag is 1, the attribute encoding unit 16003b according to the embodiments performs an attribute based on group (eg, LOD group, etc.) information used for coding the geometry information. Data can be compressed. That is, the attribute encoding unit 16003b according to the embodiments may compress the attribute data using the LOD group generated by the LOD generating unit 16002 .
  • group eg, LOD group, etc.
  • the bitstream interleaving unit 16004 performs coding of geometry data and coding of attribute data in units of each LOD, and configures a bitstream in units of retained groups (eg, retained slices, retained slices). and interleaving geometry and attribute bitstreams in units of LODs.
  • Rk-G and Rk-A For example, let's define geometry and attribute slices in units of a retained group of level k as Rk-G and Rk-A. If the bitstream interleaving unit 16004 transmits the point cloud data corresponding to the LOD of level n to the receiving device, R0-G, R0-A, R1-G, R1-A, ... , Rn-G, Rn-A may be transmitted to the receiving device by interleaving the geometry bitstream and the attribute bitstream.
  • the device for receiving point cloud data may selectively use only a bitstream corresponding to a characteristic retained group.
  • the receiving device may achieve a scalable point cloud representation by selectively selecting the LOD as much as the detail of the desired content.
  • the receiving device is R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, Rendering can be performed by receiving up to R3-A and decoding them.
  • the point cloud data transmission apparatus may perform encoding at a high speed in an environment requiring low delay characteristics.
  • the transmitting device performs encoding based on the prediction unit group and transmits only the unit information required by the receiving device, thereby enabling the receiving device to adaptively decode in the transmission/reception environment and low delay. It is possible to provide a coding method suitable for the environment. In addition, such a configuration may enable scalable decoding in the receiving device.
  • FIG. 17 illustrates a decoder of an apparatus for receiving point cloud data according to embodiments.
  • the decoder of the point cloud data receiving apparatus shown in FIG. 17 may be referred to as a prediction-based decoder, a prediction-based scalable point cloud decoder, and a scalable decoder.
  • the decoder of the point cloud data receiving apparatus shown in FIG. 17 may mean/include the point cloud video decoder 10006 of FIG. 1 , the decoding unit 20003 of FIG. 2 , the components shown in FIG. 11 , and the components shown in FIG. 13 . have.
  • the decoder of the point cloud data receiving apparatus shown in FIG. 17 includes the robot 1710, the autonomous-driving vehicle 1720, the XR device 1730, the smartphone 1740, the home appliance 1750, and the AI server 1760 of FIG. ), may be included in the HMD 1770 .
  • the decoder of the device for receiving point cloud data may refer to the first decoder 15006a and/or the second decoder 15006b shown in FIG. 15 .
  • the point cloud data receiving apparatus includes, for example, an LOD selection unit 17000 , a geometry decoding unit 17001 , and/or an attribute decoding unit 17002 .
  • the LOD selection unit 17000 receives a bitstream including point cloud data.
  • a bitstream may mean, for example, an interleaved bitstream generated by the bitstream interleaving unit 16004 described with reference to FIG. 16 .
  • the interleaved bitstream may include, for example, only point cloud data corresponding to an LOD of level n. That is, the interleaved bitstream is R0-G, R0-A, R1-G, R1-A, ... , Rn-G, Rn-A may include a geometry bitstream and an attribute bitstream in the order.
  • the LOD selector 17000 may select a detail criterion for performing decoding by the receiving apparatus according to embodiments. For example, when the reception environment of the reception device is not good, the LOD selection unit 17000 may select only the LOD of a low level. For example, when the reception environment of the reception device is good, the LOD selector 17000 may select only a low level LOD.
  • reception bitstreams R0-G, R0-A, R1-G, R1-A, ... , Rn-G, Rn-A, only R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, R3-A can be received and decoded.
  • the point cloud data decoder according to the embodiments may be referred to as performing partial geometry decoding.
  • reception bitstreams R0-G, R0-A, R1-G, R1-A, . . . , Rn-G, Rn-A can all be received and decoded.
  • the point cloud data decoder according to the embodiments may be referred to as performing full geometry decoding.
  • the LOD selector 17000 may receive only the bitstream corresponding to the LOD level 3 because the reception environment of the reception apparatus is good but the encoding environment of the transmission apparatus is not good.
  • the received bitstream may receive all of R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, and R3-A and decode all of them.
  • the transmission device transmits a bitstream corresponding to LOD level 3, but the reception device receives only a bitstream corresponding to LOD level 2.
  • the received bitstream can receive only R0-G, R0-A, R1-G, R1-A, R2-G, and R2-A and decode them.
  • the geometry decoding unit 17001 decodes and reconstructs the geometry bitstream (eg, R0-G, R1-G, R2-G, etc.) in the bitstream received by the LOD selection unit 17000 according to the embodiments. Creates reconstructed geometry data.
  • the geometry bitstream eg, R0-G, R1-G, R2-G, etc.
  • the attribute decoding unit 17002 decodes and reconstructs the attribute bitstream (eg, R0-A, R1-A, R2-A, etc.) in the bitstream received by the LOD selection unit 17000 according to the embodiments. Generates reconstructed attribute data.
  • the attribute decoding unit 17002 may decode an attribute bitstream based on reconstructed geometry data.
  • the receiving device may achieve a scalable point cloud representation by selectively selecting the LOD as much as the detail of the desired content.
  • the receiving device is R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, Rendering can be performed by receiving up to R3-A and decoding them.
  • the point cloud data receiving apparatus may perform decoding at a high speed in an environment requiring low delay characteristics.
  • the reception device performs decoding based on the prediction unit group, and can perform decoding adaptively to the transmission/reception environment.
  • Point cloud data transmission/reception method / apparatus may increase the compression efficiency of prediction-based point cloud coding, extend prediction-based point cloud coding, and provide low-delay and scalable effects.
  • FIG. 18 shows a part of an encoder of an apparatus for transmitting point cloud data according to embodiments.
  • the encoder of the point cloud data transmission apparatus shown in FIG. 18 may be called a prediction-based geometry encoder, a prediction-based scalable point cloud geometry encoder, a scalable geometry encoder, and the like.
  • the encoder of the point cloud data transmission apparatus shown in FIG. 18 may mean/include the point cloud video encoder 10002 of FIG. 1 , the decoding unit 20001 of FIG. 2 , and the components shown in FIG. 12 .
  • the encoder of the point cloud data transmission apparatus shown in FIG. 18 includes the robot 1710, the autonomous-driving vehicle 1720, the XR device 1730, the smartphone 1740, the home appliance 1750, and the AI server 1760 of FIG. ), may be included in the HMD 1770 .
  • the prediction-based geometry encoder shown in FIG. 18 may include a geometry quantization voxelizer 16000 , an LOD generator 16002 , and a geometry encoding unit 16003a of FIG. 16 .
  • a prediction-based geometry encoder includes a point cloud data grouping unit 18000, a group-based prediction unit 18001, a group-based quantization unit 18002, an inverse quantization unit 18003, and a transform unit 18004. , an entry-py coding unit 18005 may be included.
  • the point cloud data grouping unit 18000 may perform an operation (grouping) of grouping location (geometry) information of point cloud data in units of prediction groups.
  • the group-based prediction unit 18001 uses a retained group (or a refined group) according to embodiments defined when dividing point cloud data based on LOD as a prediction group. Can be used.
  • the total number of prediction groups (eg, the number of retained groups) according to embodiments may be signaled through number_prediction_groups (num_pred_groups).
  • the group-based prediction unit 18001 performs a prediction process for each point grouped by the point cloud data grouping unit 18000 .
  • the prediction process generates a prediction tree by searching the parent, which is the related data of each point for each group, and predicts the geometry information of each point based on the prediction tree based on the prediction method (predict)
  • the prediction process generates residual information for each group (or for all) from the predicted geometry information of each point and the actual geometry information (original data).
  • Detailed information on a prediction group used for prediction may be signaled through group_reference_mode (group_ref_mod), number_reference_groups (num_ref_groups), and reference_index (ref_index) signaling information, and the prediction method ) may be signaled to the receiving device through prediction_method, prediction_param_A (pred_param_a), and prediction_param_B (pred_param_b) information.
  • group_reference_mode group_ref_mod
  • number_reference_groups number_reference_groups
  • ref_index reference_index
  • the group-based quantization unit 18002 quantizes prediction-related information generated by prediction for each group.
  • the transform unit 18004 transforms the quantized geometry data.
  • the entropy coding unit 18005 entropy-codes the transformed geometry data.
  • the quantization unit 18002 refers to the quantization and point removal unit (voxelization unit) 40001 of FIG. 4 , the quantization processing unit 12001 and the voxelization processing unit 12002 of FIG. 12 .
  • the transform unit 18004 may perform the operation of the coordinate transform unit 40000 of FIG. 4 .
  • the operation of the surface model processing unit 12004 of FIG. 12 may be performed.
  • the entropy coding unit 18005 may refer to the arithmetic coding unit 40004 of FIG. 4 and the arithmetic coding unit 12006 of FIG. 12 .
  • the receiving device may achieve a scalable point cloud representation by selectively selecting the LOD as much as the detail of desired content.
  • the receiving device is R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, Rendering can be performed by receiving up to R3-A and decoding them.
  • the point cloud data transmission apparatus may perform encoding at a high speed in an environment requiring low delay characteristics.
  • the transmitting device performs encoding based on the prediction unit group and transmits only the unit information required by the receiving device, thereby enabling the receiving device to adaptively decode in the transmission/reception environment and low delay. It is possible to provide a coding method suitable for the environment. In addition, such a configuration may enable scalable decoding in the receiving device.
  • FIG. 19 shows a part of a decoder of an apparatus for receiving point cloud data according to embodiments.
  • the decoder of the point cloud data receiving apparatus shown in FIG. 19 may be referred to as a prediction-based geometry decoder, a prediction-based scalable point cloud geometry decoder, a scalable geometry decoder, and the like.
  • the decoder of the point cloud data receiving apparatus shown in FIG. 19 may mean/include the point cloud video decoder 10006 of FIG. 1 , the decoding unit 20003 of FIG. 2 , the components shown in FIG. 11 , and the components shown in FIG. 13 . have.
  • the decoder of the point cloud data receiving apparatus shown in FIG. 19 includes the robot 1710, the autonomous-driving vehicle 1720, the XR device 1730, the smartphone 1740, the home appliance 1750, and the AI server 1760 of FIG. ), may be included in the HMD 1770 .
  • the prediction-based geometry decoder shown in FIG. 18 may include the LOD selection unit 17000, the geometry decoding unit 17001, and the attribute decoding unit 17002 of FIG. 17 .
  • a prediction-based geometry decoder may include an entropy decoding unit 1900 , an inverse quantization unit 1900 , an inverse transform unit 19002 , and a prediction/reconstruction unit 19003 .
  • the receiver restores the signal in the reverse order of the transmitter.
  • the entropy decoding unit 19000 entropy-decodes the received bitstream.
  • the received bitstream may refer to geometry data among the received bitstreams transmitted by the transmitting device and selected by the LOD selection unit 17000 of the receiving device described with reference to FIG. 17 .
  • the geometry data may include, for example, geometry information of points corresponding to an LOD group of a specific level, or may include geometry information of all points.
  • the geometry data may also include geometry information of a specific point, and may include residual information on location information about the remaining points. That is, the geometry data includes the geometry information of the first point, the residual information for generating the geometry information of the second point (residual information of the positions of the first point and the second point), and the geometry information of the third point. It may include residual information (residual information of the positions of the second point and the third point), and the like.
  • the geometry data may be received, for example, for each retained group. As shown in FIG. 17 , the geometry data may be received in an order such as R0-G, R1-G, R2-G, and R3-G for each level.
  • the geometry data received by the entropy decoding unit 19000 may be geometry data for all points.
  • the geometric data is R0-G, R1-G, R2-G, R3-G, ... , in the RL-G order.
  • the geometry data received by the entropy decoding unit 19000 may be geometry data for some points. For example, when only level 3 LOD exists, geometry data exists in the order R0-G, R1-G, R2-G, R3-G.
  • the inverse quantization unit 19001 performs inverse quantization on the entropy-decoded received bitstream.
  • the inverse transform unit 19002 may perform inverse transform on the inverse quantized geometry data.
  • the prediction/reconstruction unit 19003 may predict geometry information of points and reconstruct them based on the inversely transformed geometry data.
  • the prediction/reconstruction unit 19003 generates a prediction tree by determining (searching) a parent-child relationship between points in the geometry data in the received bitstream.
  • the prediction/reconstruction unit 19003 includes a prediction tree and prediction method information (eg, pred_method) applied to each point and related parameters (prediction_parameter_A(pred_param_a), prediction_param_a).
  • B (pred_param_b) information, etc.) is used to calculate and predict the geometry information of each point.
  • the prediction/reconstruction unit 19003 may supplement the geometry information by receiving residual information about each point in the received bitstream, and adding or subtracting the residual information to the predicted geometry information of each point.
  • the prediction/reconstruction unit 19003 predicts geometry information of all points (or points corresponding to a specific LOD level) using the position information of a specific point included in the geometry data and residual information on other points. and/or reconfigure.
  • the inversely transformed geometry data is R0-G, R1-G, R2-G, R3-G, ... , in the RL-G order.
  • R0-G includes geometry information on a specific point (or points), and includes residual information on geometry information of points other than the specific point(s) among points corresponding to R0-G.
  • the prediction/reconstruction unit 19003 predicts geometry information of other points from the geometry information of a specific point based on prediction methods, and adds or subtracts residual information to the predicted geometry information, thereby geometric information of all points to reconstruct R1-G, R2-G may be performed similarly.
  • the receiving device includes group_reference_mode (group_ref_mod), number_reference_groups (num_ref_groups), and reference_index (ref_index) delivered from the transmitting device. Prediction is performed through a group candidate for performing prediction based on the prediction, and prediction is performed on the candidate through prediction_method, prediction_param_A (pred_param_a), and prediction_param_B (pred_param_b) information. , the geometric information of the points is restored through the restored residual information (residual) value.
  • the execution time can be significantly reduced compared to the transmitter, and when the prediction process can also be omitted, the execution time can be further reduced.
  • 20 illustrates a process of encoding geometry data of point cloud data according to embodiments.
  • FIG. 20 illustrates a prediction-based geometry encoding operation.
  • the operation shown in FIG. 20 means the prediction-based geometry encoder shown in FIG. 18 , the point cloud data encoder shown in FIG. 16 , and the transmitter terminals 15001 to 15004 shown in FIG. 15 .
  • the encoding operation of the point cloud data transmission apparatus shown in FIG. 20 is the robot 1710, self-driving car 1720, XR device 1730, smartphone 1740, home appliance 1750, AI server of FIG. 1760) and HMD 1770.
  • the prediction-based geometry encoding operation includes grouping data (20000), searching for related data (20001), selecting a prediction mode (20002), generating residual information (20003), transforming quantization step (20004) and/or entropy coding step 20005 .
  • the obtained point cloud data is grouped according to embodiments by a specific method.
  • one or more prediction unit groups may be generated using a grouping method according to the distance between points, and various grouping methods may be used.
  • a method of generating a prediction group includes a method of generating an LOD group based on the distance of points as a prediction unit group, a method of generating an LOD group based on octree sampling as a prediction unit group, and a method of generating a prediction unit group based on region There may be a method of generating a prediction unit group with points.
  • a method of generating such a prediction unit group may be signaled to the receiving device (eg, geometry_pred_grouping_method information).
  • information indicating a method of determining a candidate of a prediction unit group used for prediction eg, group_reference_mode information
  • a prediction unit used for prediction Information indicating the number of groups (eg, number_reference_groups (num_ref_groups)
  • information indicating the index (identifier) of the prediction unit group used for prediction eg, reference_index information
  • the grouped point cloud data is searched for related data for each group. That is, in the step of searching for related data ( 20001 ), a parent is found for each of the points in the prediction unit group generated in the step of grouping the data ( 20000 ).
  • the parent of a specific point refers to a point that is a reference for performing prediction on a specific point.
  • the geometry information of the second point is predicted based on the geometry information of the first point. Accordingly, the geometry information of the second point may be calculated by adding or subtracting the residual information for the second point to the geometry information of the first point.
  • the step of searching for related data refers to a process of searching for a point corresponding to a parent with respect to each point. That is, a point having a high correlation with the current point is found and a parent-child relationship is established.
  • a method of searching for a point corresponding to a parent is a method of searching in an input order of points, a method of searching in a time stamp order, a method of searching in a Morton code order of points, LiDAR
  • a method of searching in an order according to the size of a radius from the central axis, a method of searching in an order according to a horizontal angle from the LiDAR central axis, a method of searching in an order according to a vertical angle of the LiDAR, etc. can be defined. .
  • the step of searching for related data may use a method of arranging data in an adjacent order.
  • data of points may be sorted using a nearest neighbor search method for this purpose, or may be sorted in Morton code order.
  • the step of searching for related data ( 20001 ) may establish a predictive relationship (ie, a parent-child relationship) between each point.
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • sorting may be performed using an acquisition characteristic of data.
  • data can be acquired in the shape of a cylinder through rotation about the central axis.
  • the parent-child relationship (adjacent relationship) is a distance to at least one of the points (eg, a distance away from a central axis), the points in the data in the form of a cylinder. in the order of an elevation angle to (e.g., height away from a central axis, etc.) or an azimuth angle to the points (e.g., an azimuth angle away from a central axis, etc.) It can be determined by searching for the points.
  • the step of searching for related data may further include arranging the points in order to search for the points in this way.
  • the order of data through alignment according to the distance from the central axis (radius), the angle in the height direction (eg, elevation), and the angle in the horizontal direction (azimuth) can be determined.
  • the central axis may be, for example, a central axis of a bounding box including point cloud data, or may mean a position at which a specific point is located.
  • a relationship between the current point and the parent-child of the related data may be determined.
  • the parent of the parent has a grand parent relationship with respect to the corresponding point, that is, the child (child, child).
  • all points are connected through a child-parent relationship, and each point can be referred to as a vertex.
  • a method of searching for a point corresponding to a parent is signaled to a receiving device for each point or each group or all point cloud data (eg, related_data_).
  • search_method correlated_data_search_method information
  • a parent-child relationship may be established, and one or more prediction trees in which a parent-child relationship is set for all points may be generated. have.
  • the prediction tree may mean, for example, a tree shown or described in FIGS. 23 to 26 .
  • the prediction mode selection step 20002 selects a method for predicting points in prediction unit groups in which geometry information of the corresponding points is predicted from geometry information of parents. That is, an optimal prediction method is found using the parent and the parent-related points.
  • the predicted method may be signaled by prediction_method information.
  • the prediction mode selection step 20002 calculates prediction geometry information for each point after selecting a prediction method (prediction mode).
  • the prediction method can be as follows.
  • V’(p) (a-1) * V(p-1) + a * V(p-2) + 2b
  • V’(p) V(p-1) + a * V(p-2) - a * V(p-3) + b
  • V'(p) V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V( p-4) + 3b
  • V(p) is the p-th point (vertex) among the points
  • V(p-1) is the parent of V(p)
  • V(p-2) is V(p-1). ), that is, it can be defined as a grand parent of V(p).
  • a and b may be delivered to the receiving device by information (pred_param_a, pred_param_b) signaled by the transmitting device.
  • V'(p) means predicted geometry information for point p. Details related to this will be described with reference to FIG. 26 .
  • the residual information generation step 20003 generates residual information for each point based on the prediction geometry information of each point generated by the prediction mode selection step 20002 and the actual geometry information of the corresponding points. Residual information may subtract or add prediction geometry information of a point predicted by the prediction mode selection step 20002 to geometry information of an actual point. That is, residual information means a difference between the original data and the predicted data.
  • a method of calculating residual information for each predicted method for the point p may be as follows. (E means residual information of the corresponding point p)
  • Residual information for each point may be included in a bitstream and delivered to a receiving device.
  • the transform quantization step 20004 and/or entropy coding step 20005 transforms and/or quantizes the geometry information for a specific point and/or residual information for the remaining points according to embodiments, and entropy-codes them.
  • the encoder of the point cloud data transmission apparatus may include a first point (current point) and a second point (adjacent point) among points for point cloud data based on a plurality of grouped groups (prediction groups). point) can be set as an adjacency relationship.
  • the encoder of the point cloud data transmission apparatus may generate a predicted value for the first point (current point) based on the first point (current point) and the second point (adjacent point).
  • the second point may be a point corresponding to a parent node (parent) of the first point.
  • the encoder of the point cloud data transmission apparatus may predict the geometry data for all points (except the node corresponding to the root node) of the point cloud data, but may predict the geometry data only for some points. .
  • the encoder may search for a neighbor relationship for all points of the point cloud data (except a node corresponding to a root node) and predict geometric data.
  • the encoder may search for adjacency relationships only for some points and predict geometric data.
  • the receiving device may achieve a scalable point cloud representation by selectively selecting the LOD as much as the detail of desired content.
  • the receiving device is R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, Rendering can be performed by receiving up to R3-A and decoding them.
  • the point cloud data transmission apparatus may perform encoding at a high speed in an environment requiring low delay characteristics.
  • the transmitting device performs encoding based on the prediction unit group and transmits only the unit information required by the receiving device, thereby enabling the receiving device to adaptively decode in the transmission/reception environment and low delay. It is possible to provide a coding method suitable for the environment. In addition, such a configuration may enable scalable decoding in the receiving device.
  • 21 illustrates a process of decoding geometry data of point cloud data according to embodiments.
  • FIG. 21 shows a prediction-based geometry decoding operation.
  • the operations shown in FIG. 21 mean the prediction-based geometry decoder shown in FIG. 19 , the point cloud data decoder shown in FIG. 17 , and the receiving device terminals 15004 to 15006 shown in FIG. 15 .
  • the decoding operation of the point cloud data receiving apparatus shown in FIG. 21 is the robot 1710, self-driving car 1720, XR device 1730, smartphone 1740, home appliance 1750, AI server of FIG. 1760) and HMD 1770.
  • a prediction-based geometry decoding operation includes entropy decoding (21000), inverse quantization and transforming (21001), searching for associated data (21002), performing prediction (21003) and/or point cloud and reconstructing the data (21004).
  • the entropy decoding operation 21000 entropy-decodes the encoded geometry data included in the received bitstream according to the embodiments.
  • the entropy decoding step 21000 includes the point cloud video decoder 10006 of FIG. 1 , the decoding unit 20003 of FIG. 2 , the geometry decoder of FIG. 10 , the arithmetic decoder unit 11000 of FIG. 11 , Aris of FIG. 13 .
  • the operations of the matic decoder 13002 , the decoders 15006a and 15006b of FIG. 15 , and the geometry coding unit 16003a of FIGS. 16 and 17 may be performed.
  • the entropy decoding operation 21000 may be performed by the entropy decoding unit 19000 of FIG. 19 . That is, the received bitstream is entropy-decoded.
  • the received bitstream may include, for example, geometry information of points up to a specific level of an LOD group, or may include geometry information of all points.
  • the received bitstream may also include geometry information of a specific point, and may include residual information on location information for the remaining points.
  • Inverse quantizing and transforming 21001 inverse quantizing and/or inverse transforming the received bitstream.
  • the step of inverse quantization and transforming 21001 may include encoding included in the received bitstream based on mode information (eg, quant_mode information) in which the encoded geometry data included in the received bitstream was quantized. It is possible to inverse quantize the obtained geometric data.
  • the step 21001 of inverse quantization and inverse transformation is performed on a flag (eg, transform_enable_flag) indicating whether the point cloud data transmission apparatus according to the embodiments has transformed geometric data. Based on the inverse transformation can be performed.
  • a parent of a specific point in the received bitstream is searched for.
  • a parent of a specific point is searched for based on grouping information and/or information related to a related data searching method.
  • the grouping information is, for example, signaling a method of generating a prediction unit group to a receiving device (eg, geometry_pred_grouping_method information), information indicating a method of determining a candidate of the prediction unit group (eg, geometry_pred_grouping_method information)
  • group_reference_mode group_ref_mode
  • information indicating the number of prediction unit groups used for prediction eg, number_reference_groups (num_ref_groups), prediction unit group used for prediction
  • It may mean information indicating an index (identifier) (eg, reference_index information).
  • the parent of a specific point refers to a point that is a reference for performing prediction on a specific point.
  • the geometry information of the second point is predicted based on the geometry information of the first point. Accordingly, the geometry information of the second point may be calculated by adding or subtracting the residual information for the second point to the geometry information of the first point.
  • the step of searching for related data ( 20001 ) refers to a process of searching for a point corresponding to a parent with respect to each point. That is, a point having a high correlation with the current point is found and a parent-child relationship is established.
  • a method of searching for a point corresponding to a parent may be the same as described in the step of searching for related data ( 20001 ) of FIG. 20 .
  • a parent-child relationship may be established, and one or more prediction trees in which a parent-child relationship is set for all points may be generated. have.
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the prediction tree may mean, for example, a tree shown or described in FIGS. 23 to 26 .
  • prediction may be performed by adding or subtracting residual information from the parent of the corresponding point to geometric information of each point. have.
  • performing prediction 21003 may include residual information about the first point's geometry information and the second point's geometry information. By receiving or generating and adding or subtracting them, the geometric information of the first point is recovered.
  • step of performing prediction first, geometry information of a root node of a prediction tree is received.
  • Performing prediction 21003 receives residual information about the child node(s) of the root node.
  • the geometry information of the child node(s) is restored by performing a prediction operation such as adding or subtracting residual information about the child node(s) to the geometry information of the root node.
  • Performing the prediction 21003 receives residual information about the child node (grandchild node)(s) for the child nodes.
  • the geometry information of the grandchild node(s) is restored by performing a prediction operation such as adding or subtracting the geometric information of the restored child nodes and residual information about the grandchild node(s).
  • a prediction operation such as adding or subtracting the geometric information of the restored child nodes and residual information about the grandchild node(s).
  • the prediction step 21003 by repeating this process, it is possible to reconstruct up to the geometry information on the leaf node.
  • Performing the prediction may perform the prediction operation based on the prediction method according to the embodiments.
  • a prediction operation to be performed may be determined based on prediction_method information.
  • the prediction method can be as follows.
  • V’(p) (a-1) * V(p-1) + a * V(p-2) + 2b
  • V’(p) V(p-1) + a * V(p-2) - a * V(p-3) + b
  • V'(p) V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V( p-4) + 3b
  • the step of reconstructing the point cloud data 21004 reconstructs the geometry data of the point cloud data according to embodiments.
  • the step of reconstructing the point cloud data ( 21004 ) for example, by adding or subtracting the received residual information to the predicted geometry information of each point, the geometry information close to the actual original may be reconstructed.
  • Residual information may have the following relationship with geometry information of each predicted point.
  • the decoder of the point cloud data transmission apparatus may predict the geometry data for all points (except the node corresponding to the root node) of the point cloud data, but may predict the geometry data only for some points. .
  • the decoder may search for a neighbor relationship for all points of the point cloud data (except a node corresponding to a root node) and predict geometric data.
  • the decoder may search for an adjacency relationship for only some points and predict the geometry data.
  • the point cloud data transmission/reception method / apparatus can increase the compression efficiency of prediction-based point cloud coding and extend prediction-based point cloud coding by generating and transmitting residual information based on this method, It can provide low-latency and scalable effects.
  • 22 illustrates a method of grouping points in a prediction group unit according to embodiments.
  • the grouping method shown in FIG. 22 may be performed, for example, in the data grouping step 20000 of FIG. 20 , the point cloud data grouping unit 18000 of FIG. 18 , the LOD generating unit 16002 of FIG. 16 , This may be performed by the geometry encoder 15003 of FIG. 15 .
  • the grouping method shown in FIG. 22 may, for example, be performed in the step 21003 of predicting the geometric data of FIG. 21 , the prediction/reconstruction unit 19003 of FIG. 19 , and the LOD generation unit 17000 of FIG. 17 . , may be performed by the decoder 15006 of FIG. 15 .
  • the point cloud data includes one or more points ( 2200 ). 22 , the point cloud data has an identifier for each point (eg, P1 to P9).
  • the point cloud data transmitting apparatus encodes geometric data including location information of each point and attribute data including attribute information of each point, and transmits the encoded data to the receiving apparatus.
  • the figure shown on the 2200 shows the distribution of points and the order in which the points are acquired (or sorted).
  • LOD 2201 indicates that the points are arranged in a level-of-detail (LOD) order, and grouping is performed in the LOD order.
  • LOD level-of-detail
  • the grouping operation shown in 2201 may be performed, for example, in the data grouping step 20000 of FIG. 20 , performed by the point cloud data grouping unit 18000 of FIG. 18 and the LOD generating unit 16002 of FIG. 16 .
  • the grouping operation shown in 2201 may be performed, for example, in the step 21003 of predicting the geometric data of FIG. 21 , the prediction/reconstruction unit 19003 of FIG. 19 , the LOD generation unit 17000 of FIG. 17 , This may be performed by the decoder 15006 of FIG. 15 .
  • the grouping operation shown in FIG. 22 configures a level-of-detail (LOD) of points using geometric data according to embodiments.
  • the grouping operation classifies the points according to the LOD to generate an LOD group and/or a refined group.
  • a refined group according to embodiments may be referred to as a retained group.
  • the level of detail represents a set of points spaced apart by a distance shorter than a sampling distance corresponding to each LOD level. That is, the LOD group L(k) includes a set of points spaced apart by a distance shorter than the sampling distance corresponding to the level of the LOD group.
  • the definition of the LOD group was described in FIG. 16 .
  • a retained data group which is a group of new data newly included to constitute the LOD, may be considered as each independent unit, and may be referred to as R0, R1, and R2 according to the level.
  • the retained group R(k) represents groups of points corresponding to a difference between the level of detail of the current level and the level of detail of the next level, for each level.
  • the LoD and retained data group may have the following relationship.
  • the LOD group according to the embodiments may be universally applied even when another LOD generating method (based on octree sampling) or a general group generating method is used.
  • level 22 is a level 0 retain group (R0, 2202a) generated as a level 0 LOD group, a level 1 retain group (R1) generated through the difference between the level 1 LOD group and the level 0 LOD group , 2202b) and the level 2 retain group R2 and 2202c generated through the difference between the level 2 LOD group and the level 1 LOD group.
  • the point cloud data transmitting apparatus and/or the receiving apparatus may generate the LOD in various ways.
  • the step of generating the LOD may operate, for example, as follows.
  • the grouping action is a set of distances (eg, manhattan L1 distance, manhattan L1 distance). Points according to a set of refinement levels , where a set of refinement levels may mean a retain group for each level).
  • l means the current level
  • L means the level of the maximum LOD (or the level of the maximum refinement set).
  • the set of distances may be set by the user or may be determined by the system.
  • the LOD group (LOD set) is generated using a distance (eg, Manhattan L1 distance) from which points are spaced, or a refined group, or retain group) can be created.
  • a distance eg, Manhattan L1 distance
  • the grouping operation may generate a retain group and/or an LOD group by, for example, the following operation.
  • the grouping operation may be performed by the transmitting apparatus according to the embodiments or may be performed in the receiving apparatus.
  • a level-of-detail level l (LOD_l) is created by taking the union of a set of refinement levels (R_0, R_1, R_2, ..., R_l) that are less than or equal to the corresponding level.
  • the point cloud data transmission/reception method / apparatus can increase the compression efficiency of prediction-based point cloud coding and extend prediction-based point cloud coding by generating and transmitting residual information based on this method, It can provide low-latency and scalable effects.
  • FIG. 23 shows an operation of performing grouping according to embodiments and determining a parent-child relationship between points based on geometry information of points in grouped prediction unit groups.
  • the operation shown in FIG. 23 may be performed, for example, in the step 20001 of searching for related data of FIG. 20 , the group-based prediction unit 18001 of FIG. 18 , the geometry encoding unit 16003a of FIG. 16 , and FIG. 15 may be performed by the geometry encoder 15003 .
  • the operation shown in FIG. 23 may be performed, for example, in the step 21002 or the step 21003 of predicting the associated data of FIG. 21 , the prediction/reconstruction unit 19003 of FIG. 19, and LOD generation of FIG. 17 .
  • This may be performed by the unit 17000 or the geometry decoding unit 17001 , the decoder 15006 of FIG. 15 .
  • the point cloud data transmission apparatus maintains a parent-child relationship between points based on geometry information of points in the grouped prediction unit groups, and retains the group according to the embodiments. group) can be determined separately.
  • the retained data group is a set of data newly included in each LOD group, and there is no data shared between each retained data group. Accordingly, the encoder according to the embodiments may perform prediction between points in the retained data group.
  • FIG. 23 determines the parent-child relationship of points in the retain group of level k based on only the points in the retain group of level k. Referring to FIG. 23 , a line connected by a line indicates a parent-child relationship.
  • a method of grouping points based on the distribution of points shown in FIG. 23 will be described.
  • a method of grouping points is, for example, a step 23000 of linking a parent-child relationship of points in a retain group for level 0, a method for level k-1 (k>1).
  • Linking the parent-child relationship of points in the retain group ( 23001 ), linking the parent-child relationship of the points in the retain group for level k ( 23002 ) may include.
  • the encoder may determine P5 as a root node.
  • P5 may be determined as the root node because it is the fastest point in the input order, it may be determined as the root node because it is the fastest in the Morton code order, and it may be determined as the root node because it is the fastest in the time order. have.
  • P5 may be determined as a parent.
  • P0 may be determined as a parent.
  • P4 may be determined as a parent.
  • the encoder first determines the parent/child relationship for which point among P0, P2, and P4 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • the encoder may determine P1 as a root node. Similarly, P1 may be determined as the root node because it is the fastest point in the input order, may be determined as the root node because it is the fastest in the Morton code order, and may be determined as the root node because it is the fastest in the time order.
  • P1 may be determined as a parent.
  • P6 may be determined as a parent.
  • the encoder first determines the parent/child relationship for which point among P6 and P3 and determines the parent/child relationship for which point later, ie, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • the encoder may determine P7 as a root node. Similarly, P7 may be determined as the root node because it is the fastest point in input order, may be determined as the root node because it is the fastest in Morton code order, and may be determined as the root node because it is the fastest in time order.
  • P7 may be determined as a parent.
  • P8 may be determined as a parent.
  • the encoder first determines the parent/child relationship for which point among P8 and P9 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • the encoder according to the embodiments may perform the above operation in the same manner with respect to level 2 or higher. If there is no point (node) for which the parent-child relationship is not determined in the retain group, a point in the retain group of the next level is searched for.
  • the encoder may determine the parent-child relationship for all or some of the points. That is, the encoder generates a tree including the points and the root node for which the parent-child relationship is determined, and performs a prediction operation according to embodiments based on the generated tree.
  • the generated tree may be called, for example, a predictive tree.
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the encoder performs prediction using a retained data group and encodes it based on the method shown in FIG. 23, thereby ensuring independence between each group, thereby minimizing data loss have.
  • FIG. 24 shows an operation of performing grouping according to embodiments and determining a parent-child relationship between points based on geometry information of points in the grouped prediction unit groups.
  • the operation shown in FIG. 24 may be performed, for example, in the step 20001 of searching for related data of FIG. 20 , the group-based prediction unit 18001 of FIG. 18 , the geometry encoding unit 16003a of FIG. 16 , and FIG. 15 may be performed by the geometry encoder 15003 .
  • the operation shown in FIG. 24 may be performed, for example, in the step 21002 or the step 21003 of predicting the associated data of FIG. 21 , the prediction/reconstruction unit 19003 of FIG. 19, and LOD generation of FIG. 17 .
  • This may be performed by the unit 17000 or the geometry decoding unit 17001 , the decoder 15006 of FIG. 15 .
  • Point cloud data transmission apparatus the parent-child relationship of points in a retained group of a specific level, points in a retained group for a level of a certain range can be determined based on
  • FIG. 24 determines the parent-child relationship of points in the retain group of level k based on only the points in the retain group of level k-1.
  • a method of grouping points based on the distribution of points shown in FIG. 24 will be described.
  • a method of grouping points is, for example, a step 24000 of linking parent-child relationships of points in a retain group for level 0, a method for level k-1 (k>1).
  • Linking the parent-child relationship of points in the retain group (24001), linking the parent-child relationship of the points in the retain group for level k (24002) may include.
  • the encoder may determine P5 as a root node.
  • P5 may be determined as the root node because it is the fastest point in the input order, it may be determined as the root node because it is the fastest in the Morton code order, and it may be determined as the root node because it is the fastest in the time order. have.
  • P5 may be determined as a parent.
  • P0 may be determined as a parent.
  • P4 may be determined as a parent.
  • the encoder first determines the parent/child relationship for which point among P0, P2, and P4 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • step 24001 the encoder according to the embodiments keeps P5 as a root node, and parent of points in the retain group for level 1, the previous level (ie, level 0) ) can be searched within the points in the retain group for
  • P1 among the points in the retain group for level 1 is close to P0 among the points P0, P2, P4, and P5 in the retain group for level 0, so that P0 is parented. can be decided with
  • the encoder first determines the parent/child relationship for which point among P1, P6, and P3 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • step 2402 the encoder according to the embodiments keeps P5 as a root node and parent of points in the retain group for level 2 to the previous level (ie, level 1). ) can be searched within the points in the retain group for
  • P6 may be determined as a parent. .
  • the encoder first determines the parent/child relationship for which point among P7, P8, and P9 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • the encoder according to the embodiments may perform the above operation in the same manner with respect to level 2 or higher. If there is no point (node) for which the parent-child relationship is not determined in the retain group, a point in the retain group of the next level is searched for.
  • the encoder may determine the parent-child relationship for all or some of the points. That is, the encoder generates a tree including the points and the root node for which the parent-child relationship is determined, and performs a prediction operation according to embodiments based on the generated tree.
  • the generated tree may be called, for example, a predictive tree.
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the encoder may perform prediction with reference to points in a retain group of a previous level as shown in FIG. 24 , but prediction with reference to points in a retain group of a different level than the previous level can also be performed.
  • the referenced group may 1) use a preset group (eg, refer only to the immediately preceding group) 2) may use n consecutive immediately preceding groups (eg, retain three consecutive immediately preceding groups)
  • An encoder may generate signaling information indicating a group, here the n value) or 3) an arbitrary group may be used (eg, the index of the referenced group may be delivered as 0, 3, or 4). ).
  • the encoder Based on the method shown in FIG. 24, the encoder according to the embodiments performs prediction and encoding with reference to a retained data group of a different level, thereby increasing prediction efficiency for points at a relatively long distance. encoding efficiency can be increased because prediction can be performed with one root node. That is, since the encoder predicts by sharing a root node, compression efficiency may be increased by predicting based on relatively adjacent points.
  • 25 illustrates a method of grouping points according to embodiments.
  • FIG. 25 illustrates an operation of performing grouping according to embodiments and determining a parent-child relationship between points based on geometry information of points in the grouped prediction unit groups.
  • the operation shown in FIG. 25 may be performed, for example, in the step 20001 of searching for related data of FIG. 20 , the group-based prediction unit 18001 of FIG. 18 , the geometry encoding unit 16003a of FIG. 16 , and FIG. 15 may be performed by the geometry encoder 15003 .
  • the operation shown in FIG. 25 may be performed, for example, in the step 21002 or the step 21003 of predicting the associated data of FIG. 21 , the prediction/reconstruction unit 19003 of FIG. 19, and LOD generation of FIG. 17 .
  • This may be performed by the unit 17000 or the geometry decoding unit 17001 , the decoder 15006 of FIG. 15 .
  • An apparatus for transmitting point cloud data may determine a parent-child relationship of points in a retain group of a specific level based on points in the LOD group for the corresponding level.
  • FIG. 25 shows the parent-child relationship of points in a retain group of level k within an LOD group of level k (ie, the union of retain groups of levels 0 through k). Decisions are made based on the points.
  • a method of grouping points based on the distribution of points shown in FIG. 25 will be described.
  • a method of grouping points is, for example, a step 25000 of linking a parent-child relationship of points in a retain group for level 0, a method for level k-1 (k>1).
  • Linking the parent-child relationship of points in the retain group (25001), linking the parent-child relationship of the points in the retain group for level k (25002) may include.
  • the encoder may determine P5 as a root node.
  • P5 may be determined as the root node because it is the fastest point in the input order, it may be determined as the root node because it is the fastest in the Morton code order, and it may be determined as the root node because it is the fastest in the time order. have.
  • P5 may be determined as a parent.
  • P0 may be determined as a parent.
  • P4 may be determined as a parent.
  • the encoder first determines the parent/child relationship for which point among P0, P2, and P4 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • the encoder keeps P5 as a root node, and sets the parent of points in the retain group for level 2 to the current level (ie, level 1). ) can be searched within the points in the LOD group for
  • P1 among the points in the retain group for level 1 is close to P0 among the points P0, P1, P2, P3, P4, P5, and P6 in the LOD group for level 1, It can be determined by runt (parent).
  • P3 and P6 of the points in the retain group for level 1 are close to P4 of the points P0, P1, P2, P3, P4, P5, and P6 in the LOD group for level 1, and therefore parent P4, respectively (parent) can be determined.
  • the encoder first determines the parent/child relationship for which point among P1, P6, and P3 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • the encoder keeps P5 as a root node, and sets the parent of points in the retain group for level 2 to the current level (ie, level 2). ) can be searched within the points in the LOD group for
  • P2 may be determined as a parent.
  • P6 may be determined as a parent.
  • P5 may be determined as a parent.
  • the encoder first determines the parent/child relationship for which point among P7, P8, and P9 and determines the parent/child relationship for which point later, that is, the order may be determined according to various methods. (e.g. input order, Morton code order, time order, etc.)
  • the encoder according to the embodiments may perform the above operation in the same manner with respect to level 2 or higher. If there is no point (node) for which the parent-child relationship is not determined in the retain group, a point in the retain group of the next level is searched for.
  • the encoder may determine the parent-child relationship for all or some of the points. That is, the encoder generates a tree including the points and the root node for which the parent-child relationship is determined, and performs a prediction operation according to embodiments based on the generated tree.
  • the generated tree may be called, for example, a predictive tree.
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the encoder may generate signaling information indicating that the entire LOD is used for the prediction operation and transmit it to the receiving device.
  • the point cloud data transmission/reception method / apparatus can increase the compression efficiency of prediction-based point cloud coding and extend prediction-based point cloud coding by generating and transmitting residual information based on this method, It can provide low-latency and scalable effects.
  • 26 shows a prediction tree according to embodiments.
  • the prediction tree according to the embodiments shown in FIG. 26 may mean a prediction tree generated by the encoder according to the embodiments in FIGS. 23 to 25 .
  • a prediction tree according to the embodiments shown in FIG. 26 means a tree generated by determining a parent-child relationship between points in the related data search step 20001 shown in FIG. 20 .
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the encoder predicts the geometry information of each point by using the prediction tree shown in FIG. 26 .
  • the prediction tree includes a plurality of nodes corresponding to the plurality of points in order to reconstruct the geometric data of the points.
  • the node includes, for example, a root node 26000 having no parent, and a node having a parent.
  • a node having a parent node is called a child node (child node, 26001, 26002a, 26002b, etc.) of the corresponding parent (parent) node.
  • a node having a parent node but no child nodes is called a leaf node (26001).
  • a root node (26000) refers to a node that does not have a parent.
  • a point cloud data transmission apparatus (encoder) according to embodiments transmits geometry information of a point corresponding to a root node.
  • the root node 26000 may be one or plural. For example, as shown in FIG. 23 , when a prediction group is generated using only points existing in each retain group, the prediction tree has as many root nodes as the number of retain groups. In the case of FIG. 23, since P5, P1, and P7 correspond to the root node, the encoder encodes and transmits the geometry information of P5, P1, and P7. 24 and 25 , since the root node is P5, the encoder encodes and transmits the geometry information for P5.
  • a child node means a node having a parent.
  • the node 26001 points to is a child node of the root node 26000 .
  • a specific node may have one child node, but may also have multiple child nodes.
  • the node 26002a points to has three child nodes.
  • the node pointed to by 26002b has two child nodes.
  • P4 has three child nodes P2, P3, and P6.
  • the point cloud data transmission apparatus may predict geometry information of each point based on a prediction method for each point using the generated prediction tree.
  • the prediction method may be as follows.
  • V’(p) (a-1) * V(p-1) + a * V(p-2) + 2b
  • V’(p) V(p-1) + a * V(p-2) - a * V(p-3) + b
  • V'(p) V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V( p-4) + 3b
  • V(p) is the p-th point (vertex) among the points, V(p-1) is the parent of V(p), V(p-2) is V(p-1) It can be defined as the parent of , that is, the grand parent of V(p). Also, a and b may be delivered to the receiving device by information (pred_param_a, pred_param_b) signaled by the transmitting device. V'(p) means predicted geometry information for point p.
  • the encoder of the point cloud data transmission apparatus may include a first point (current point) and a second point among points for point cloud data based on a plurality of grouped groups (prediction groups). Two points (adjacent points) can be set as an adjacency relationship.
  • the encoder of the point cloud data transmission apparatus may generate a predicted value for the first point (current point) based on the first point (current point) and the second point (adjacent point).
  • the second point may be a point corresponding to a parent node (parent) of the first point.
  • the encoder of the point cloud data transmission apparatus may predict the geometry data for all points (except the node corresponding to the root node) of the point cloud data, but may predict the geometry data only for some points. .
  • the encoder may search for a neighbor relationship for all points of the point cloud data (except a node corresponding to a root node) and predict geometric data.
  • the encoder may search for adjacency relationships only for some points and predict geometric data.
  • the point cloud data transmission apparatus may further generate and transmit residual information for reconstructing or supplementing geometric information of nodes 26001, 26002a, 26002b, 26003, etc. other than the root node.
  • the encoder may generate a difference between the predicted geometry information of each point and the actual geometry information, that is, residual information, quantize and transform it, and transmit it to the receiving device.
  • Residual information refers to the difference between the original data and the predicted data.
  • a method of calculating residual information for each predicted method (prediction method) with respect to the point p may be as follows. (E means residual information of the corresponding point p)
  • Res(p) represents residual information for a node p other than the root node.
  • residual information for each prediction method may be determined as follows.
  • a device for transmitting point cloud data that is, a device for receiving geometry information on a root node, information indicating a prediction method for each point (pred_method), and/or residual information on each point can be sent to
  • the transmitting apparatus quantizes and/or transforms the geometry information on the root node and the residual information on each point, and transmits the quantized and/or transformed information to the receiving apparatus.
  • the point cloud data receiving apparatus receives geometry information on the root node 26000 and residual information on nodes other than the root node (eg, 26001 ).
  • the receiving device (decoder) generates a prediction tree by establishing a parent-child relationship for all points.
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the receiving apparatus (decoder) predicts geometry information of all points by using the generated prediction tree.
  • the receiving device (decoder) may perform an operation such as adding or subtracting residual information for each point to the geometry information of all predicted points in order to reduce the difference between the geometry information of all predicted points and the actual geometry information. .
  • the encoder applies the preset prediction method to a certain unit (eg, a slice unit, a coding block unit, a frame unit, a unit of N points) etc.) can be used and/or signaled, and 2) a method for minimizing an error at every point can also be provided as signaling information. Also, the encoder may 1) use/signal a predetermined value for the prediction coefficients a and b, or 2) signal a method for minimizing an error at every point.
  • a certain unit eg, a slice unit, a coding block unit, a frame unit, a unit of N points
  • the encoder may 1) use/signal a predetermined value for the prediction coefficients a and b, or 2) signal a method for minimizing an error at every point.
  • the encoder according to the embodiments may increase coding efficiency by transferring a prediction error with respect to the predicted value with respect to the current data.
  • the point cloud data transmission/reception method / apparatus can increase the compression efficiency of prediction-based point cloud coding and extend prediction-based point cloud coding by generating and transmitting residual information based on this method, It can provide low-latency and scalable effects.
  • FIG. 27 illustrates a process of transforming/inversely transforming geometry information and/or residual information by a point cloud transmitting apparatus and a receiving apparatus according to embodiments.
  • the apparatus for transmitting point cloud data may remove redundant information between residual information through a transformation operation.
  • a transform operation according to embodiments may mean a lifting transform.
  • FIG. 27(A) illustrates an operation in which the point cloud data transmission apparatus according to embodiments converts residual information of geometric data of points.
  • the residual information may mean, for example, the residual information generated in the residual generation step 20003 of FIG. 20 and the residual information generated in FIG. 26 .
  • the operation of transforming the residual information includes an operation of splitting the residual information, an operation of predicting the residual information, and an operation of updating the residual information.
  • the operation of transforming the residual information removes duplicated data in the residual information according to embodiments.
  • the transmitting apparatus according to the embodiments may generate a corrected first component D(0) and a corrected second component L′(0) for one point after removing duplicate data in the residual information.
  • Split receives residual information and separates it into a first component H(N) and a second component L(N).
  • the split may be divided into a first component and a second component, for example, by sampling residual information that is input data.
  • the first component may be referred to as a high frequency component and the second component may be referred to as a low frequency component.
  • Prediction receives a second component L(N) generated separately in a split operation, and generates a prediction component P(N) for correcting a first component H(N) based on the second component do.
  • the operation of predicting may generate a corrected first component D(N) by subtracting the generated prediction component P(N) from the first component H(N).
  • the corrected first component D(N) may be transmitted or signaled to the receiving device.
  • Update generates an update component U(N) for supplementing/correcting the second component L(N).
  • the update component U(N) means, for example, a component for supplementing/correcting the second component L(N).
  • Update generates a corrected second component L'(N) by adding an update component U(N), which is a corrected first component, to the second component L(N).
  • the transmitting apparatus may perform the operation of transforming the residual information, that is, the operation of splitting the residual information, the operation of predicting, and the updating only once, but a plurality of times. (eg, N times).
  • the transmitting apparatus may split, predict, and update the corrected second component L′(N) again.
  • FIG. 27B illustrates an operation of inversely transforming, by the point cloud data receiving apparatus according to embodiments, residual information of geometric data of points.
  • the corrected first component D(0) and the corrected second component L'(0) are components for generating residual information for the point.
  • the operation of inverse transforming the residual information receives a corrected first component D(0) and a corrected second component L'(0).
  • the operation of inversely transforming the residual information may include an update operation, a prediction operation, and/or a merge operation.
  • Update receives the corrected first component D(0) and generates an update component for reconstructing/deriving the second component from the corrected second component L′(0).
  • Update generates the second component L(0) by subtracting the corrected second component L′(0)dp and the generated update component.
  • Prediction receives the second component L(0) and generates a prediction component for reconstructing/predicting the first component from the corrected first component D(0). Prediction produces a first component H(0) by adding the generated prediction component to the corrected first component D(0).
  • Merge may receive the first component H(0) and the second component L(0), and combine them to reconstruct residual information.
  • the point cloud data transmission apparatus may further remove duplicate data in the residual information according to the embodiments due to this configuration. Accordingly, since the transmitting apparatus transmits residual information from which duplicate data is removed, encoding efficiency may be increased, and unnecessary delay and processing burden of the receiving apparatus may be reduced.
  • the point cloud data receiving apparatus receives duplicate data in the residual information according to the embodiments due to this configuration. Accordingly, since the receiving device receives residual information from which duplicate data is removed, decoding efficiency may be increased, and the receiving device may provide point cloud content to the user adaptively to the decoding environment of the receiving device.
  • a point cloud data transmitting apparatus performs quantization of residual information (residual, Res(p)) for points and/or residual information transformed according to FIG. 27(A) to a receiving apparatus can be transmitted In environments where data loss is acceptable, normalization can further reduce data.
  • different quantization values may be applied according to groups.
  • a quantization weight may be applied differently according to the number of times the corresponding prediction group is referenced.
  • the quantization weight Q( ) may be defined to be inversely proportional to the number of references of the corresponding prediction group.
  • Quant[x] FLOOR[ Res(p) / Q(referred number of prediction group) ]
  • x represents a value obtained by quantization of points included in the corresponding prediction group
  • Res(p) represents residual information of points in the prediction group
  • Q (referred number of prediction group) represents the quantization weight for the corresponding prediction group. it means.
  • a quantization weight Q( ) may be differently applied according to the number of points referenced in the encoding process based on the prediction method.
  • the quantization weight may be defined to be inversely proportional to the reference number of points.
  • Quant[x] FLOOR[ Res(p) / Q(referred number of vertex) ]
  • x denotes a value obtained by quantizing a point included in the prediction group
  • Res(p) denotes residual information of a point in the prediction group
  • Q referred number of vertex
  • a quantization weight Q( ) may be applied according to an order in which vertices are coded from a root node.
  • the quantization weight is the vertex distance. can be defined to be proportional to
  • Quant[x] FLOOR[ Res(p) / Q(vertex distance from root) ]
  • a quantization weight Q( ) may be differently applied according to the number of child nodes.
  • the quantization weight may be defined to be inversely proportional to the number of child nodes.
  • Quant[x] FLOOR[ Res(p) / Q(number of children) ]
  • One or more of the quantization weights described above may be used in combination.
  • the point cloud data transmission apparatus may provide fast encoding in an environment in which loss of geometry data is permitted and improve encoding efficiency due to such a transformation and/or quantization operation.
  • FIG. 28 shows an example of a bitstream structure of point cloud data according to embodiments.
  • bitstream structure 28000 of point cloud data shown in FIG. 28 is the transmitter 10003 of FIG. 1 , the transmission unit 18002 of FIG. 2 , the transmission processing unit 12012 of FIG. 12 , and FIG. It may be generated by the bitstream combiner 16014 of 16 and the bitstream combiner 17000 of FIG. 17 .
  • the parameters (metadata, signaling information, etc. can be variously called) according to the embodiments may be generated in the process of the transmitter according to the embodiments to be described later, and may be transmitted to the receiver according to the embodiments and used in the reconfiguration process. have.
  • the parameters according to the embodiments may be generated by the metadata processing unit (or metadata generator) of the transmitting apparatus according to the embodiments to be described later, and may be obtained from the metadata parser of the receiving apparatus according to the embodiments. .
  • the bitstream structure 28000 of the point cloud data shown in FIG. 28 is the receiver 10005 of FIG. 1 , the decoding unit 18003 of FIG. 2 , the receiving unit 13000 of FIG. 13 , and FIG. 35 of the receiving apparatus according to the embodiments. It may be a bitstream received by the receiving unit 35000 of The bitstream structure 28000 of the point cloud data shown in FIG. 28 may mean the geometry and attribute bitstream 36001 for each slice of FIG. 36 .
  • a part or all of the bitstream structure 28000 according to the embodiments shown in FIG. 38 may be generated by the XR device 1430 of FIG. 14 .
  • a brick described in this figure may correspond to a slice, and vice versa.
  • a brick may be referred to as a slice.
  • An apparatus for transmitting point cloud data may transmit a bitstream 28000 having a bitstream structure as shown in FIG. 31 .
  • the bitstream 28000 of the point cloud data is SPS (Sequential Parameter Set, 28001), GPS (Geometry Parameter Set, 28002), APS (Attribute Parameter Set, 28003), TPS (Tile Parameter Set, 28004) and one or more It may include slices (slice 0, slice 1 ... n, 28004).
  • the bitstream 28000 of the point cloud data may include one or more tiles.
  • a tile according to embodiments may be a group of slices including one or more slices.
  • the bitstream 28000 provides a tile or a slice so that the point cloud data can be divided into regions and processed.
  • Each region of the bitstream 28000 according to embodiments may have different importance levels. Accordingly, when the point cloud data is divided into tiles, different filters (encoding methods) and different filter units may be applied to each tile. When the point cloud is divided into slices, different filters and different filter units may be applied to each slice.
  • the point cloud data transmission apparatus transmits the point cloud data according to the structure of the bitstream 28000 as shown in FIG. 31, so that different encoding operations can be applied according to importance, and the quality is It can provide a way to use a good coding method in an important area.
  • the point cloud data receiving apparatus does not use a complex decoding (filtering) method for the entire point cloud data according to the processing capacity of the receiving apparatus, but by area (divided into tiles or slices) By allowing different filtering (decoding methods) to be applied, it is possible to guarantee better image quality in areas important to the user and appropriate latency on the system.
  • SPS Sequence Parameter Set, 28001
  • SPS Sequence Parameter Set, 28001
  • SPS Sequence Parameter Set, 28001
  • It is a syntax structure that contains the syntax elements that are (A syntax structure containing syntax elements that apply to zero or more entire CVSs as determined by the content of a syntax element found in the PPS referred to by a syntax element found in each slice segment header.)
  • SPS is a point according to embodiments It may include sequence information of the cloud data bitstream.
  • a Geometry Parameter Set (GPS) 28002 may mean a syntax structure including syntax elements to which zero or more total geometries (or coded geometries) are applied.
  • the GPS 28002 may include information on a method of encoding attribute (attribute) information of point cloud data included in one or more slices 28004.
  • the GPS 28002 may include SPS identifier information indicating which SPS 28001-related geometric parameters are included according to embodiments, and GPS identifier information for identifying the corresponding GPS.
  • An Attribute Parameter Set (APS) 28003 may mean a syntax structure including syntax elements to which zero or more all attributes (or coded attributes) are applied.
  • the APS 28003 may include information on a method of encoding attribute (attribute) information of the point cloud data included in one or more slices 28004.
  • the APS 28003 may include SPS identifier information indicating which SPS 28001 and related geometry parameters are included according to embodiments, and GPS identifier information for identifying the corresponding APS.
  • a Tile Parameter Set (TPS) 28004 may mean a syntax structure including syntax elements to which zero or more entire tiles (or coded tiles) are applied.
  • the tile inventory includes information about zero or more tiles included in the point cloud data bitstream according to embodiments.
  • the tile inventory may be referred to as a tile parameter set (TPS) according to embodiments.
  • the Tile Parameter Set (TPS) 28004 may include identifier information for identifying one or more tiles and information indicating a range of one or more tiles (ie, a bounding box of the tile).
  • Information indicating a range of one or more tiles includes coordinate information of a point that is a reference of a bounding box indicated by the corresponding tile (eg, Tile(n).tile_bounding_box_xyz0) and Information (eg, Tile(n).tile_boudning_box_whd) about the width, height, and depth of the corresponding bounding box may be included.
  • the tile inventory may include information indicating a bounding box for each of the tiles. For example, when each tile is represented by 0 to n by identifier information of the tiles, information indicating the bounding box of each tile is Tile(0).tile_bounding_box_xyz0, Tile(0).tile_bounding_box_whd, Tile(1).tile_bounding_box_xyz0 , Tile(1).tile_bounding_box_whd ... It can be expressed as
  • a slice 28004 may mean a unit for encoding the point cloud data by an apparatus for transmitting point cloud data according to embodiments.
  • a slice 28004 according to embodiments may mean a unit including one geometry bitstream (Geom00, 28004a) and one or more attribute bitstreams (Attr00, Attr10, 28004b, 28004b).
  • a slice is a geometry slice (Geometry Slice, Geom, 28004a) indicating the geometry information of the point cloud data included in the slice and one or more attribute slices indicating the attribute information of the point cloud data included in the slice. (Attribute Slice, Attr, 28004b, 28004c) may be included.
  • a geometry slice (Geometry Slice, Geom, 28004a) is a geometry slice data (Geometry Slice Data, Geom_slice_data, 28004a-2) including geometry information of point cloud data and a geometry slice header including information about the geometry slice data (Geometry Slice) Header, Geom_slice_header, GSH, 28004a-1).
  • the geometry slice header 28004a-1 includes information about the geometry slice data 28004a-2 in the corresponding slice.
  • the geometry slice header 28004a-1 includes a geometry parameter set identifier (geom_geom_parameter_set_id) for identifying which GPS 28002 indicates the geometry information of the corresponding slice, and a geometry slice identifier for identifying the corresponding geometry slice.
  • (geom_slice_id) geometry box origin information indicating the box origin of the corresponding geometry slice data (geomBoxOrigin), information indicating the lock scale of the geometry slice (geom_box_log2_scale), information related to the number of points of the corresponding geometry slice (geom_num_points), etc.
  • the header of the geometry bitstream according to the embodiments includes information (geom_tile_id) for identifying a tile including the corresponding geometry bitstream. ) may be further included.
  • Attribute Slice (Attribute Slice, Attr, 28004b, 28004c) is attribute slice data (Attribute Slice Data, Attr_slice_data) including attribute information of point cloud data and attribute slice header (Attribute Slice Header, Attr_slice_header, ASH, 33005c).
  • parameters necessary for point cloud encoding may be newly defined as a parameter set and header information of a point cloud. For example, it can be added to attribute parameter set RBSP syntax when encoding attribute information, and tile_header syntax when performing tile-based encoding.
  • information related to compression according to a prediction group may be defined in the aforementioned various parameter sets and/or a geometry slice header.
  • Compression-related information may be defined in a corresponding or separate location according to an application or a system, so that an application range, an application method, etc. can be used differently.
  • Compression-related information may be defined in an attribute parameter set and/or an attribute slice header.
  • attribute coding It provides an effect that can be linked with the attribute coding) method or applied to attribute coding.
  • information related to compression according to embodiments may be included in a sequence parameter set (SPS) and a tile parameter set. Since information related to compression according to embodiments is included in the SPS or the TPS, the transmitting apparatus may provide geometry scalability.
  • SPS sequence parameter set
  • TPS tile parameter set
  • syntax element defined below can be applied not only to the current point cloud data stream but also to a plurality of point cloud data streams, it may be delivered through a parameter set of a higher concept.
  • the signaling information according to the embodiments may be generated in the compression (encoding) process of the prediction-based scalable point cloud compression transmission apparatus/method, and may be used in the decoding process of the prediction-based scalable point cloud compression reception apparatus/method.
  • GPS 29 illustrates a Geometry Parameter Set (GPS) according to embodiments.
  • the Geometry Parameter Set (GPS) shown in FIG. 29 means the geometry parameter set (Geometry Parameter Set, 27002) described in FIG. 28 .
  • a Geometry Parameter Set (GPS) may include, for example, information related to the compression described with reference to FIG. 28, and signaling information shown in FIG. 20 (eg, group_reference_mode, number_reference_group). (num_ref_groups), correlated_data_search_method (correlated_data_search_method, etc.).
  • a Geometry Parameter Set includes, for example, a GPS_geometry_prediction_flag (gps_geometry_prediction_flag).
  • GPS_geometry_prediction_flag When the value of the GPS_geometry_prediction_flag (gps_geometry_prediction_flag) is 1, it indicates that the prediction-based point cloud encoding method according to the embodiments is used.
  • a parameter related to the prediction-based point cloud encoding method may indicate that it is transmitted through GPS or a geometry slice or a related parameter container. A value of 0 for this parameter indicates that prediction-based point cloud compression is not used and another compression method is used.
  • the GPS according to the embodiments further includes information on a geometry_pred_grouping_method and number_prediction_groups (num_pred_groups). . These parameters refer to information on the geometry_pred_grouping_method and number_prediction_groups (num_pred_groups) described in FIG. 18 .
  • the geometry_pred_grouping_method information may indicate a method of generating a prediction group according to embodiments. For example, if the value of this parameter is 0, the LOD is generated based on the distance of the points. If it is 1, the LOD is generated based on the octree sampling method. It can be divided into the case of creating a group, etc.
  • the number_prediction_groups (num_pred_groups) information may indicate the number of prediction groups used when prediction-based point cloud compression according to embodiments is used.
  • GPS includes number_reference_groups (num_ref_groups) information as many as the number of prediction groups indicated in number_prediction_groups (num_pred_groups).
  • the number_reference_groups (num_of_ref_groups) information indicates the number of other prediction groups used to predict geometry information of points in a specific prediction group when a plurality of prediction groups are used for prediction encoding. When the value of this parameter is 0, points in the corresponding prediction group (i-th prediction group) indicate that prediction is made only based on points existing in the corresponding prediction group (i-th prediction group).
  • the GPS determines the corresponding prediction group ( It further includes group_reference_mode (group_ref_mode) information indicating a method of defining a candidate group of a prediction group for use in the i-th prediction group).
  • the group_reference_mode (group_ref_mode) information is of points within the corresponding prediction group (i-th prediction group). A method of defining a candidate group of another prediction group used for prediction is shown.
  • the GPS further includes number_reference_groups (num_ref_groups) information indicating the number of consecutive immediately preceding prediction groups to be referenced.
  • the number_reference_groups (num_ref_groups) information indicates the number of immediately preceding prediction groups that are referenced and/or used to predict the geometry information of a point in the corresponding prediction group (i-th prediction group).
  • the value of this parameter may be 3 if prediction is performed based on the geometry information of points in the level 5 retain group, based on points in the immediately preceding three retain groups.
  • the encoder uses number_reference_groups (num_ref_groups) of discontinuous prediction groups.
  • the number_reference_groups (num_ref_groups) information indicates the number of other prediction groups that are referenced and/or used to predict the geometry information of a point in the corresponding prediction group (i-th prediction group). For example, if prediction is performed based on the geometry information of points in the retain group of level 5, and points in the retain group of level 1, level 2, and level 4, the value of this parameter can be 3 have.
  • the GPS further includes reference_index information, which is information for identifying other referenced prediction groups.
  • the reference_index information may indicate indexes of other prediction groups used to predict points in the corresponding prediction group (i-th prediction group).
  • group_ref_mode information when the value of group_ref_mode information is 2, it may indicate that all prediction groups are used to predict the corresponding prediction group (i-th prediction group). If a prediction group is defined based on LoD, it can be defined in the same meaning as using the current LoD.
  • GPS when the value of the GPS_geometry_prediction_flag (gps_geometry_prediction_flag) is 1, GPS according to embodiments includes correlated_data_search_method information, prediction_method, and prediction_param_A (pred_param_a). ), prediction_parameter_B (pred_param_b) may be further included. These parameters mean prediction_method (pred_method), prediction_parameter_A (pred_param_a), prediction_param_B (pred_param_b), etc. described with reference to FIG. 18 .
  • the related_data_search_method information indicates a method of finding a parent of each point. For example, when the value of this parameter is 0, in order to find the parent of the corresponding point, the points are traversed in the input order to find related data (adjacent points). For example, when the value of this parameter is 1, in order to find the parent of the corresponding point, the points are traversed in the order of time stamps to find related data (adjacent points).
  • this parameter is 2
  • the points are in morton code order, if 3, the radius size from the LiDAR central axis (and/or azimuth size and/or elevation size); If it is 4, it is searched in the order according to the horizontal angle from the LiDAR central axis, and if it is 5, it is searched in the order according to the vertical angle of the LiDAR.
  • the prediction_method, prediction_param_A (pred_param_a), and prediction_param_B (pred_param_b) information respectively mean a prediction method and related parameters when prediction-based point cloud compression is used.
  • the prediction_method When the prediction_method is signaled within the GPS, it indicates that the same prediction method is used for the frame currently referenced by the GPS.
  • prediction_method information When prediction_method information is signaled to a GSH (Geometry Slice Header), it may indicate that the same is used within a slice, and different methods may be signaled according to each vertex point.
  • GSH Global System for Microwave Header
  • V'(p) V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V( p-4) + 3b
  • GPS When the value of the GPS_geometry_prediction_flag (gps_geometry_prediction_flag) is 1, GPS according to embodiments includes transform_enable_flag and quantization_mode (qnant_mode) information.
  • the quantization_mode (qnant_mode) information indicates a method of determining a quantization weight according to embodiments. For example, if the value of this parameter is 0, quantization is not used; if the value of this parameter is 1, then a method of determining the quantization weight according to the number of times the group is referenced is used; if the value of this parameter is In the case of 2, the method of determining the quantization weight according to the number of times a vertex is referenced is used. In the case of 3, the method of determining the quantization weight according to the order in which vertices are coded from the root node is used. , may indicate that a method of determining a quantization weight according to the number of child nodes is used.
  • GSH Geometry Slice Header
  • a geometry slice bitstream includes a geometry slice header (GSH) and geometry slice data.
  • GSH geometry slice header
  • a geometry slice bitstream means a Geom of FIG. 28 .
  • the geometry slice bitstream may have the following syntax.
  • GSH shown in FIG. 30(A) means the geometry slice header 28005a-1 of FIG.
  • a geometry slice header includes a geometry_pred_grouping_method, number_reference_groups (num_of_ref_groups), group_reference_mode (group_ref_mode), and number_reference_ groups (num_ref_groups), reference_index (ref_index), related_data_search_method information, prediction_method, prediction_parameter_A (pred_param_a), prediction_parameter_B (pred_param_b), It may include transform_enable_flag and/or quantization_mode (qnant_mode) information.
  • GSH includes geometry_pred_grouping_method, number_reference_groups (num_of_ref_groups), group_reference_mode (group_ref_mode), number_reference_groups ( num_ref_groups), reference_index (ref_index), related_data_search_method information, prediction_method (pred_method), prediction_parameter_A (pred_param_a), prediction_parameter_B (pred_param_b), transformation_in Only some of the enable_flag (transform_enable_flag) and/or quantization_mode (qnant_mode) information may be included, or all of the information may be included.
  • GSH may further include GSH_numper_points (gsh_num_points) information.
  • the GSH_numper_points (gsh_num_points) information may indicate the number of points indicating a vertex in a slice.
  • FIG. 30(B) shows geometry slice data.
  • the geometry slice data shown in FIG. 30B means the geometry slice data 28005a-2 of FIG. 28 .
  • the geometry slice data according to the embodiments is as much as the number of points shown in the GSH_number_points (gsh_num_points) shown in FIG. 30(A). , child_count information, reference_groups_number (num_ref_groups) information, prediction_method (pred_method), prediction_param_A (pred_param_a), prediction_parameter_B (pred_param_b), one or more residuals It may include some or all of the value (residual) information.
  • Geometry slice data includes, for each point, reference_index (ref_index) information indicating the identifier of the referenced prediction groups by the number of referenced groups (the value of reference_groups_number (num_ref_groups) information) include
  • the child_count information indicates the number of child nodes (child) of a specific vertex (point, vertex).
  • SPS sequence parameter set
  • GPS geometry parameter set
  • APS attribute parameter set
  • the point cloud data transmission apparatus may encode attribute information by using grouped points (eg, prediction groups) to predict the geometry information. That is, the encoder according to the embodiments may encode the attribute information using the same prediction groups (LOD groups, retained groups) generated to encode the geometry information. Due to the configuration of the encoding, the encoder according to the embodiments can shorten the encoding time, and can access the attribute encoding and the geometry encoding in parallel, so that the encoding can be performed more efficiently.
  • grouped points eg, prediction groups
  • LOD groups retained groups
  • a sequence parameter set (SPS), a geometry parameter set (GPS), and/or an attribute parameter set according to the embodiments (APS) and the like may further include information related thereto.
  • a sequence parameter set (SPS, sequence_parameter_set()) shown in FIG. 31 may refer to the SPS 28001 described in FIG. 28 .
  • the geometry parameter set (GPS, geometry_parameter_set()) shown in FIGS. 29 and 31 may refer to the GPS 28002 described with reference to FIG. 28 .
  • APS (Attribute Parameter Set, attribute_parameter_set()) shown in FIG. 31 may refer to the APS 28003 described in FIG. 28 .
  • the SPS according to the embodiments may include a common_grouping_method_flag to help derive the above configuration and effects.
  • a common_grouping_method_flag of 1 may indicate that a grouping method according to the same embodiments is used when geometry information encoding and attribute information encoding are performed.
  • the value of the common_grouping_method_flag may be 1. Conversely, when the transmitting apparatus (encoder) according to the embodiments performs geometry encoding and/or attribute encoding based on different grouping methods, the value of the common_grouping_method_flag may be 0. .
  • the receiving apparatus (decoder) according to the embodiments performs geometry decoding and attribute decoding, based on the same grouping method, geometry information and/or attribute of points Decode the information.
  • the receiving apparatus (decoder) according to the embodiments performs geometry decoding and attribute decoding, based on other grouping methods, geometry information and/or attributes of points Decode the information.
  • the transmitting device (encoder) according to the embodiments encodes the geometry information and/or attribute information of points based on the same grouping method
  • the transmitting device (encoder) according to the embodiments is the SPS according to the embodiments.
  • a value of the common_grouping_method_flag may be set to 1, and information indicating the corresponding common grouping method (eg, common_prediction_grouping_method information) may be further included.
  • the SPS may further include information indicating a corresponding common grouping method (eg, common_pred_grouping_method information).
  • the transmitting device (encoder) according to the embodiments when the transmitting device (encoder) according to the embodiments encodes the geometry information and/or attribute information of points based on another grouping method, the transmitting device (encoder) according to the embodiments is the transmitting device (encoder) according to the embodiments.
  • the value of the common_grouping_method_flag of the SPS is set to 0.
  • the encoder according to the embodiments provides information indicating a grouping method (eg, geometry_pred_grouping_method) used to encode the geometry information in the GPS according to the embodiments, in the embodiments.
  • Information (eg, attribute_pred_grouping_method) indicating a grouping method used to encode attribute information may be included in the APS according to the APS.
  • the decoder When the receiving apparatus (decoder) according to the embodiments decodes the geometry information and/or attribute information of points based on another grouping method (that is, the value of the common_grouping_method_flag in the SPS is 1 ) may exist.
  • the decoder encodes the geometry information based on information indicating a grouping method used to encode the geometry information included in the GPS (eg, geometry_pred_grouping_method).
  • the decoder encodes the attribute information based on information indicating a grouping method used to encode the attribute information included in the APS (eg, attribute_pred_grouping_method).
  • encoder/decoder can encode/decode using LOD in attribute encoding/decoding like prediction lifting, and the same LOD used to encode geometry information can be used.
  • the overlapping execution time of the encoder/decoder can be shortened by signaling this at a sequence level, that is, the SPS.
  • each method can be signaled.
  • Common_pred_grouping_method information is, A method of generating a prediction group according to embodiments may be shown. For example, when this value is 0, it can be divided into a distance-based LoD generation method, when 1, an octree sampling-based LoD generation method, and when 2, a case in which a group is generated using region-based neighboring points, and the like.
  • Attribute_pred_grouping_method information may indicate a method of generating a prediction group used to encode attribute data. For example, if it is 0, it can be divided into a distance-based LoD generation method, if it is 1, it is an octree sampling-based LoD generation method, and if it is 2, it can be divided into a case where a group is generated using region-based neighboring points.
  • 32 is a flowchart illustrating a process of encoding point cloud data by an apparatus for transmitting point cloud data according to embodiments.
  • the step of encoding the point cloud data by the point cloud data transmission apparatus includes grouping the points into a plurality of groups (S3201), using the grouped plurality of groups, parent-child relationship between points Performing prediction (prediction) of the geometric data of the points by determining (S3202) and / or based on the geometric data of the predicted points, may include the step of generating residual information (S3203).
  • step S3201 the point cloud data transmission apparatus according to the embodiments groups geometry data of the point cloud data into a plurality of groups.
  • Step 3201 may be performed, for example, by the encoders 15002 and 15003 of FIG. 15 , the LOD generator 16002 of FIG. 16 , and the point cloud data grouping unit 18000 of FIG. 18 .
  • Step S3201 may refer to the data grouping 20000 operation of FIG. 20 .
  • step S3201 for example, signaling information (eg, pred_grouping_method, num_pred_groups, num_of_ref_groups, group_ref_mode, num_ref_groups, num_ref_groups, ref_index, etc. according to embodiments) required for a transmitting apparatus and/or a receiving apparatus to group the geometry data is performed.
  • signaling information eg, pred_grouping_method, num_pred_groups, num_of_ref_groups, group_ref_mode, num_ref_groups, num_ref_groups, ref_index, etc. according to embodiments
  • a plurality of retained groups may be generated based on a level of detail.
  • the level of detail may mean a set of points spaced apart by a distance shorter than a sampling distance corresponding to each level.
  • the retained group may mean groups of points corresponding to a difference between the level of detail of the current level and the level of detail of the next level.
  • the plurality of groups according to the embodiments may mean, for example, LOD (level-of-detail) groups and/or retained groups according to the embodiments shown in FIG. 22 .
  • step S3202 the point cloud data transmission apparatus determines a parent-child relationship between points by using a plurality of grouped groups, and predicts geometric data of the points.
  • Step S3202 may be performed, for example, by the encoders 15002 and 15003 of FIG. 15 , the geometry coding 16003a of FIG. 16 , and the group-based prediction unit 18001 of FIG. 18 .
  • the operation of determining the parent-child relationship may generate signaling information related thereto (eg, correlated_data_search_method according to embodiments, etc.).
  • the parent-child relationship may be variously referred to as an adjacency relationship, a parent-child relationship, or the like.
  • the operation of predicting the geometric data of points may generate a prediction tree according to embodiments using a plurality of groups. That is, the predicting operation predicts the geometric data of the points using a prediction tree indicating a parent-child relationship between the points.
  • An operation in which the transmitting apparatus generates a prediction tree may be performed, for example, based on operations shown in FIGS. 23 to 25 .
  • the parent of a point in the retain group of the first level may be one of the points included in the retain group of the first level.
  • the parent of the points in the retain group of the first level may be one of the points included in the retain group of the second level, which is a higher level of the first level. have.
  • the parent of points in the retain group of the first level may be one of the points included in the LOD group of the first level.
  • the transmitting apparatus according to the embodiments may signal the information indicating the method of performing grouping to the receiving apparatus as described above, and the receiving apparatus may receive information indicating the method of performing the grouping, and the prediction tree according to the embodiments create
  • Step S3203 is a step of generating residual information based on geometric data of predicted points. Step S3203 may be performed, for example, by the encoders 15002 and 15003 of FIG. 15 , the geometry coding 16003a of FIG. 16 , and the group-based prediction unit 18001 of FIG. 18 . Step S3203 performs, for example, the operation of step 20003 of generating the residual information of FIG. 20 .
  • step S3203 residual information of each point may be generated using a prediction tree according to the embodiments shown in FIG. 26 .
  • the residual information may mean a difference between the predicted geometry data of each point and the geometry data of the actual point, generated in step S3202 of the transmitting device.
  • the point cloud data transmission apparatus may quantize and/or transform residual information of each point generated by S3203.
  • 33 is a flowchart of a method for transmitting point cloud data according to embodiments.
  • a method of transmitting point cloud data may include encoding the point cloud data ( S3300 ) and/or transmitting a bitstream including the point cloud data and signaling information ( S3301 ).
  • step S3300 the point cloud data is encoded.
  • step S3300 is, for example, the point cloud video encoder 10002 of FIG. 1 , the encoding unit 20001 of FIG. 2 , the configurations shown in FIGS. 4 and 12 , the encoders 15002 and 15003 of FIG. 15 , and FIG. It may mean/contain the configurations shown in 16 .
  • Encoding the point cloud data ( S3300 ) may perform some or all of the operations shown in FIGS. 18 to 27 .
  • the encoding of the point cloud data ( S3300 ) may generate some or all of the signaling information (parameters) shown in FIGS. 28 to 31 .
  • Encoding the point cloud data ( S3300 ) may include, for example, encoding geometry data and/or encoding attribute data.
  • the encoding of the geometry data may perform some or all of the operations shown in FIG. 32 .
  • encoding the geometry data may include grouping points into a plurality of groups; predicting geometric data of points by using a plurality of grouped groups to determine a parent-child relationship between the points; and/or generating residual information based on the geometric data of the predicted points; may include.
  • the grouping may generate a plurality of retained groups based on, for example, a Level of Detail.
  • the level of detail represents a set of points spaced apart by a distance shorter than a sampling distance corresponding to each level
  • the retain group represents, for each level, the level of detail of the current level and the level of the next level. Indicates groups of points corresponding to differences in orb detail.
  • the parent of a point in the retain group of the first level is one of the points included in the retain group of the first level, or a parent of the points in the retain group of the first level.
  • the runt is one of the points included in the retain group of the second level, which is a higher level of the first level, or the parent of the points in the retain group of the first level is the first level of the retain group. It may be one of the points included in the LOD group.
  • the signaling information may include information indicating a method of performing grouping and/or information indicating a method of performing prediction.
  • the geometric data of the points may be predicted using a prediction tree indicating a parent-child relationship between the points.
  • a bitstream including point cloud data and signaling information may be transmitted, or one or more files generated by encapsulating the corresponding bitstream may be transmitted.
  • the file may be, for example, a file of an ISOBMFF-based file format. That is, step S3301 according to the embodiments may include encapsulating the bitstream (point cloud data and signaling information) into a file prior to transmission.
  • Step S3301 is, for example, the transmitter 10003 of FIG. 1 , the transmission unit 20002 of FIG. 2 , the transmission processing unit 12012 of FIG. 12 , the storage 15004 of FIG. 15 , and the bitstream interleaving unit 16004 of FIG. 16 . ) can be carried out.
  • the bitstream may have, for example, the bitstream structure shown in FIG. 28 .
  • 34 is a flowchart of a method for receiving point cloud data according to embodiments.
  • a method for receiving point cloud data includes receiving a bitstream including point cloud data and signaling information (S3400), decoding the point cloud data (S3401), and/or rendering the point cloud data and (S3402).
  • Step S3400 is a step of receiving a bitstream including point cloud data and signaling information. Step S3400 may be performed, for example, by the receiver 10005 of FIG. 1 , the transmitter 20002 of FIG. 2 , the receiver 13000 of FIG. 13 , and the reception processor 13001 of FIG.
  • step S3400 a complete PCC bitstream (1505a) and/or a partial PCC bitstream (1505b) of FIG. 15 is received.
  • step S3400 the bitstream shown in FIG. 17, the output geometry bitstream shown in FIG. 18, the geometry bitstream shown in FIG. 19, and the bitstreams shown in FIGS. 20 and 21 are received.
  • the bitstream may, for example, follow the structure of FIG. 28 and include some or all of the parameters shown in FIGS. 29 to 31 as signaling information.
  • step S3401 the point cloud data is decoded.
  • Step S3401 may be performed in some or all of the point cloud video decoder 10006 of FIG. 1 , the decoding unit 20003 of FIG. 2 , the geometry decoder of FIG. 10 , and the components shown in FIGS. 11 and 13 .
  • Step S3401 may be performed in some/all of the decoders 15006a and 15006b of FIG. 15 and the components shown in FIGS. 17 and 19 .
  • step S3401 the operations shown in FIGS. 21 to 27 may be performed.
  • step S3402 the point cloud data is reconstructed and/or rendered.
  • Step S3402 is performed by the point cloud data receiving apparatus according to the embodiments.
  • Step S3402 may be performed, for example, by the renderer 10007 of FIG. 1 , the rendering unit 20004 of FIG. 2 , and the renderer 13011 of FIG. 13 .
  • Various components of the apparatus of the embodiments may be implemented by hardware, software, firmware, or a combination thereof.
  • Various components of the embodiments may be implemented with one chip, for example, one hardware circuit.
  • the components according to the embodiments may be implemented with separate chips.
  • at least one or more of the components of the device according to the embodiments may be composed of one or more processors capable of executing one or more programs, and the one or more programs may be implemented Any one or more of the operations/methods according to the examples may be performed or may include instructions for performing the operations/methods.
  • Executable instructions for performing the method/acts of the apparatus according to the embodiments may be stored in non-transitory CRM or other computer program products configured for execution by one or more processors, or one or more may be stored in temporary CRM or other computer program products configured for execution by processors.
  • the memory according to the embodiments may be used as a concept including not only a volatile memory (eg, RAM, etc.) but also a non-volatile memory, a flash memory, a PROM, and the like. Also, it may be implemented in the form of a carrier wave, such as transmission through the Internet.
  • the processor-readable recording medium is distributed in a computer system connected through a network, so that the processor-readable code can be stored and executed in a distributed manner.
  • first, second, etc. may be used to describe various elements of the embodiments. However, interpretation of various components according to the embodiments should not be limited by the above terms. These terms are only used to distinguish one component from another. it is only For example, the first user input signal may be referred to as a second user input signal. Similarly, the second user input signal may be referred to as a first user input signal. Use of these terms should be interpreted as not departing from the scope of the various embodiments. Although both the first user input signal and the second user input signal are user input signals, they do not mean the same user input signals unless the context clearly indicates otherwise.
  • the operations according to the embodiments described in this document may be performed by a transceiver including a memory and/or a processor according to the embodiments.
  • the memory may store programs for processing/controlling operations according to the embodiments, and the processor may control various operations described in this document.
  • the processor may be referred to as a controller or the like. Operations in embodiments may be performed by firmware, software, and/or a combination thereof, and the firmware, software, and/or a combination thereof may be stored in a processor or stored in a memory.
  • the transceiver device may include a transceiver for transmitting and receiving media data, a memory for storing instructions (program code, algorithm, flowchart and/or data) for a process according to embodiments, and a processor for controlling operations of the transmitting/receiving device.
  • a processor may be referred to as a controller or the like, and may correspond to, for example, hardware, software, and/or a combination thereof. Operations according to the above-described embodiments may be performed by a processor.
  • the processor may be implemented as an encoder/decoder or the like for the operation of the above-described embodiments.
  • the embodiments may be wholly or partially applied to a point cloud data transmission/reception device and system.
  • Embodiments may include variations/modifications without departing from the scope of the claims and the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

실시예들에 따른 포인트 클라우드 데이터 송신 방법은 포인트 클라우드 데이터를 인코딩하는 단계; 및/또는 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 전송하는 단계; 를 포함할 수 있다. 실시예들에 따른 포인트 클라우드 데이터 수신 방법은 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 수신하는 단계; 포인트 클라우드 데이터를 디코딩하는 단계; 및/또는 포인트 클라우드 데이터를 렌더링하는 단계; 를 포함할 수 있다.

Description

포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
실시예들은 포인트 클라우드 콘텐트(Point Cloud Content)를 처리하는 방법 및 장치에 대한 것이다.
포인트 클라우드 콘텐트는 3차원 공간을 표현하는 좌표계에 속한 점(포인트)들의 집합인 포인트 클라우드로 표현되는 콘텐트이다. 포인트 클라우드 콘텐트는3차원으로 이루어진 미디어를 표현할 수 있으며, VR (Virtual Reality, 가상현실), AR (Augmented Reality, 증강현실), MR (Mixed Reality, 혼합현실), 및 자율 주행 서비스 등의 다양한 서비스를 제공하기 위해 사용된다. 하지만 포인트 클라우드 콘텐트를 표현하기 위해서는 수만개에서 수십만개의 포인트 데이터가 필요하다. 따라서 방대한 양의 포인트 데이터를 효율적으로 처리하기 위한 방법이 요구된다.
실시예들은 포인트 클라우드 데이터를 효율적으로 처리하기 위한 장치 및 방법을 제공한다. 실시예들은 지연시간(latency) 및 인코딩/디코딩 복잡도를 해결하기 위한 포인트 클라우드 데이터 처리 방법 및 장치를 제공한다.
다만, 전술한 기술적 과제만으로 제한되는 것은 아니고, 기재된 전체 내용에 기초하여 당업자가 유추할 수 있는 다른 기술적 과제로 실시예들의 권리범위가 확장될 수 있다.
이러한 기술적 목적을 달성하기 위하여, 실시예들에 따른 포인트 클라우드 데이터 송신 방법은 포인트 클라우드 데이터를 인코딩하는 단계; 및/또는 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 전송하는 단계; 를 포함할 수 있다.
실시예들에 따른 인코딩하는 단계는, 지오메트리 데이터(geometry data)를 인코딩하는 단계 및 어트리뷰트 데이터(attribute data)를 인코딩하는 단계를 포함할 수 있다. 지오메트리 데이터를 인코딩하는 단계는 포인트들을 복수의 그룹들로 그룹핑하는 단계; 그룹핑된 복수의 그룹들을 이용하여, 포인트들 간 부모-자식 관계를 결정함으로써 포인트들의 지오메트리 데이터를 예측(prediction)하는 단계; 및/또는 예측된 포인트들의 지오메트리 데이터를 기반으로, 잔차 정보를 생성하는 단계; 를 포함할 수 있다.
나아가, 실시예들에 따른 그룹핑하는 단계는 레벨 오브 디테일(Level of Detail)에 기초하여 복수의 리테인드(retained) 그룹들을 생성할 수 있다. 여기서 레벨 오브 디테일은, 각 레벨에 대응하는 샘플링 거리(sampling distance)보다 짧은 거리만큼 이격된 포인트들의 집합을 나타내고, 리테인드 그룹은 각 레벨에 대하여, 현재 레벨의 레벨 오브 디테일과 다음 레벨의 레벨 오브 디테일의 차이에 해당하는 포인트들의 그룹들을 나타낸다.
나아가, 제 1 레벨의 리테인드 그룹 내의 포인트의 페런트(parent)는 제 1 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나, 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 제 1 레벨의 상위 레벨인 제 2 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나, 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 제 1 레벨의 LOD 그룹 내에 포함된 포인트들 중 하나일 수 있다.
나아가, 실시예들에 따른 예측하는 단계는 포인트들 간 부모-자식 관계를 나타내는 예측 트리(prediction tree)를 이용하여 포인트들의 지오메트리 데이터를 예측할 수 있다.
더 나아가, 실시예들에 따른 시그널링 정보는 그룹핑을 수행하는 방법을 나타내는 정보 및 예측을 수행하는 방법을 나타내는 정보를 포함할 수 있다.
이러한 기술적 목적을 달성하기 위하여, 실시예들에 따른 포인트 클라우드 데이터 수신 방법은 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 수신하는 단계; 포인트 클라우드 데이터를 디코딩하는 단계; 및/또는 포인트 클라우드 데이터를 렌더링하는 단계; 를 포함할 수 있다.
나아가, 실시예들에 따른 디코딩하는 단계는, 지오메트리 데이터(geometry data)를 디코딩하는 단계 및 어트리뷰트 데이터(attribute data)를 디코딩하는 단계를 포함할 수 있고, 시그널링 정보는 포인트들의 그룹핑을 수행하는 방법을 나타내는 정보 및 예측(prediction)을 수행하는 방법을 나타내는 정보를 포함할 수 있다.
더 나아가, 실시예들에 따른 지오메트리 데이터를 디코딩하는 단계는: 포인트들 간 부모-자식 관계를 결정하기 위해, 그룹핑을 수행하는 방법을 나타내는 정보에 기초하여, 포인트들의 연관 데이터를 탐색하는 단계; 및/또는 예측을 수행하는 방법에 기반하여, 포인트들의 지오메트리 데이터를 예측하는 단계; 를 포함할 수 있다.
더 나아가, 실시예들에 따른 예측하는 단계는 부모-자식 관계를 나타내는 예측 트리(prediction tree)를 이용하여 포인트들의 지오메트리 데이터를 예측할 수 있다.
실시예들에 따른 장치 및 방법은 높은 효율로 포인트 클라우드 데이터를 처리할 수 있다.
실시예들에 따른 장치 및 방법은 높은 퀄리티의 포인트 클라우드 서비스를 제공할 수 있다.
실시예들에 따른 장치 및 방법은 VR 서비스, 자율주행 서비스 등 범용적인 서비스를 제공하기 위한 포인트 클라우드 콘텐트를 제공할 수 있다.
도면은 실시예들을 더욱 이해하기 위해서 포함되며, 도면은 실시예들에 관련된 설명과 함께 실시예들을 나타낸다. 이하에서 설명하는 다양한 실시예들의 보다 나은 이해를 위하여, 하기 도면들에 걸쳐 유사한 참조 번호들이 대응하는 부분들을 포함하는 다음의 도면들과 관련하여 이하의 실시예들의 설명을 반드시 참조해야 한다.
도1은 실시예들에 따른 포인트 클라우드콘텐츠 제공 시스템의 예시를 나타낸다.
도 2는 실시예들에 따른 포인트 클라우드 콘텐트 제공 동작을 나타내는 블록도이다.
도 3은 실시예들에 따른 포인트 클라우드 비디오 캡쳐 과정의 예시를 나타낸다.
도 4는 실시예들에 따른 포인트 클라우드 인코더(Point Cloud Encoder)의 예시를 나타낸다.
도 5 는 실시예들에 따른 복셀의 예시를 나타낸다.
도 6은 실시예들에 따른 옥트리 및 오큐판시 코드 (occupancy code)의 예시를 나타낸다.
도 7은 실시예들에 따른 이웃 노드 패턴의 예시를 나타낸다.
도 8은 실시예들에 따른 LOD 별 포인트 구성의 예시를 나타낸다.
도 9는 실시예들에 따른 LOD 별 포인트 구성의 예시를 나타낸다.
도 10은 실시예들에 따른 포인트 클라우드 디코더(Point Cloud Decoder)의 예시를 나타낸다.
도 11은 실시예들에 따른 포인트 클라우드 디코더(Point Cloud Decoder)의 예시를 나타낸다.
도 12는 실시예들에 따른 전송 장치의 예시이다.
도 13은 실시예들에 따른 수신 장치의 예시이다.
도 14는 실시예들에 따른 포인트 클라우드 데이터 송수신 방법/장치와 연동 가능한 구조의 예시를 나타낸다.
도 15는 실시예들에 따른 포인트 클라우드 데이터 송수신 시스템을 나타낸다.
도 16은 실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더를 나타낸다.
도 17은 실시예들에 따른 포인트 클라우드 데이터 수신 장치의 디코더를 나타낸다.
도 18은 실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더의 일부를 나타낸다.
도 19는 실시예들에 따른 포인트 클라우드 데이터 수신 장치의 디코더의 일부를 나타낸다.
도 20은 실시예들에 따른 포인트 클라우드 데이터의 지오메트리 데이터(geometry data)를 인코딩하는 과정을 나타낸다.
도 21은 실시예들에 따른 포인트 클라우드 데이터의 지오메트리 데이터(geometry data)를 디코딩하는 과정을 나타낸다.
도 22은 실시예들에 따른 포인트들을 예측 그룹 단위로 그룹핑(grouping)하는 방법을 나타낸다.
도 23은 실시예들에 따른 포인트들을 그룹핑하는 방법을 나타낸다.
도 24은 실시예들에 따른 포인트들을 그룹핑하는 방법을 나타낸다.
도 25은 실시예들에 따른 포인트들을 그룹핑하는 방법을 나타낸다.
도 26은 실시예들에 따른 예측 트리를 나타낸다.
도 27은 실시예들에 따른 포인트 클라우드 송신 장치 및 수신 장치가 지오메트리 정보 및/또는 잔차(residual) 정보를 변환/역변환하는 과정을 나타낸다.
도 28은 실시예들에 따른 포인트 클라우드 데이터의 비트스트림 구조의 예시를 나타낸다.
도 29는 실시예들에 따른 GPS(Geometry Parameter Set)를 나타낸다.
도 30은 실시예들에 따른 GSH(Geometry Slice Header) 및 지오메트리 슬라이스 데이터를 나타낸다.
도 31은 실시예들에 따른 SPS(Sequence Parameter Set), GPS(Geometry Parameter Set), APS(Attribute Parameter Set)를 나타낸다.
도 32은 실시예들에 따른 포인트 클라우드 데이터 송신 장치가 포인트 클라우드 데이터를 인코딩하는 과정을 나타내는 흐름도이다.
도 33은 실시예들에 따른 포인트 클라우드 데이터 송신 방법의 흐름도이다.
도 34은 실시예들에 따른 포인트 클라우드 데이터 수신 방법의 흐름도이다.
실시예들의 바람직한 실시예에 대해 구체적으로 설명하며, 그 예는 첨부된 도면에 나타낸다. 첨부된 도면을 참조한 아래의 상세한 설명은 실시예들의 실시예에 따라 구현될 수 있는 실시예만을 나타내기보다는 실시예들의 바람직한 실시예를 설명하기 위한 것이다. 다음의 상세한 설명은 실시예들에 대한 철저한 이해를 제공하기 위해 세부 사항을 포함한다. 그러나 실시예들이 이러한 세부 사항 없이 실행될 수 있다는 것은 당업자에게 자명하다.
실시예들에서 사용되는 대부분의 용어는 해당 분야에서 널리 사용되는 일반적인 것들에서 선택되지만, 일부 용어는 출원인에 의해 임의로 선택되며 그 의미는 필요에 따라 다음 설명에서 자세히 서술한다. 따라서 실시예들은 용어의 단순한 명칭이나 의미가 아닌 용어의 의도된 의미에 근거하여 이해되어야 한다.
도 1은 실시예들에 따른 포인트 클라우드콘텐츠 제공 시스템의 예시를 나타낸다.
도 1에 도시된 포인트 클라우드 콘텐트 제공 시스템은 전송 장치(transmission device)(10000) 및 수신 장치(reception device)(10004)를 포함할 수 있다. 전송 장치(10000) 및 수신 장치(10004)는 포인트 클라우드 데이터를 송수신하기 위해 유무선 통신 가능하다.
. 실시예들에 따른 전송 장치(10000)는 포인트 클라우드 비디오(또는 포인트 클라우드 콘텐트)를 확보하고 처리하여 전송할 수 있다. 실시예들에 따라, 전송 장치(10000)는 고정국(fixed station), BTS(base transceiver system), 네트워크, AI(Ariticial Intelligence) 기기 및/또는 시스템, 로봇, AR/VR/XR 기기 및/또는 서버 등을 포함할 수 있다. 또한 실시예들에 따라 전송 장치(10000)는 무선 접속 기술(예, 5G NR(New RAT), LTE(Long Term Evolution))을 이용하여, 기지국 및/또는 다른 무선 기기와 통신을 수행하는 기기, 로봇, 차량, AR/VR/XR 기기, 휴대기기, 가전, IoT(Internet of Thing)기기, AI 기기/서버 등을 포함할 수 있다.
실시예들에 따른 전송 장치(10000)는 포인트 클라우드 비디오 획득부(Point Cloud Video Acquisition, 10001), 포인트 클라우드 비디오 인코더(Point Cloud Video Encoder, 10002) 및/또는 트랜스미터(Transmitter (or Communication module), 10003)를 포함한다
실시예들에 따른 포인트 클라우드 비디오 획득부(10001)는 캡쳐, 합성 또는 생성 등의 처리 과정을 통해 포인트 클라우드 비디오를 획득한다. 포인트 클라우드 비디오는 3차원 공간에 위치한 포인트들의 집합인 포인트 클라우드로 표현되는 포인트 클라우드 콘텐트로서, 포인트 클라우드 비디오 데이터 등으로 호칭될 수 있다. 실시예들에 따른 포인트 클라우드 비디오는 하나 또는 그 이상의 프레임들을 포함할 수 있다. 하나의 프레임은 정지 영상/픽쳐를 나타낸다. 따라서 포인트 클라우드 비디오는 포인트 클라우드 영상/프레임/픽처를 포함할 수 있으며, 포인트 클라우드 영상, 프레임 및 픽처 중 어느 하나로 호칭될 수 있다.
실시예들에 따른 포인트 클라우드 비디오 인코더(10002)는 확보된 포인트 클라우드 비디오 데이터를 인코딩한다. 포인트 클라우드 비디오 인코더(10002)는 포인트 클라우드 컴프레션(Point Cloud Compression) 코딩을 기반으로 포인트 클라우드 비디오 데이터를 인코딩할 수 있다. 실시예들에 따른 포인트 클라우드 컴프레션 코딩은 G-PCC(Geometry-based Point Cloud Compression) 코딩 및/또는 V-PCC(Video based Point Cloud Compression) 코딩 또는 차세대 코딩을 포함할 수 있다. 또한 실시예들에 따른 포인트 클라우드 컴프레션 코딩은 상술한 실시예에 국한되는 것은 아니다. 포인트 클라우드 비디오 인코더(10002)는 인코딩된 포인트 클라우드 비디오 데이터를 포함하는 비트스트림을 출력할 수 있다. 비트스트림은 인코딩된 포인트 클라우드 비디오 데이터뿐만 아니라, 포인트 클라우드 비디오 데이터의 인코딩과 관련된 시그널링 정보를 포함할 수 있다.
실시예들에 따른 트랜스미터(10003)는 인코딩된 포인트 클라우드 비디오 데이터를 포함하는 비트스트림을 전송한다. 실시예들에 따른 비트스트림은 파일 또는 세그먼트(예를 들면 스트리밍 세그먼트) 등으로 인캡슐레이션되어 방송망 및/또는 브로드밴드 망등의 다양한 네트워크를 통해 전송된다. 도면에 도시되지 않았으나, 전송 장치(10000)는 인캡슐레이션 동작을 수행하는 인캡슐레이션부(또는 인캡슐레이션 모듈)을 포함할 수 있다. 또한 실시예들에 따라 인캡슐레이션부는 트랜스미터(10003)에 포함될 수 있다. 실시예들에 따라 파일 또는 세그먼트는 네트워크를 통해 수신 장치(10004)로 전송되거나, 디지털 저장매체(예를 들면 USB, SD, CD, DVD, 블루레이, HDD, SSD 등)에 저장될 수 있다. 실시예들에 따른 트랜스미터(10003)는 수신 장치(10004) (또는 리시버(Receiver, 10005))와 4G, 5G, 6G 등의 네트워크를 통해 유/무선 통신 가능하다. 또한 트랜스미터(10003)는 네트워크 시스템(예를 들면 4G, 5G, 6G 등의 통신 네트워크 시스템)에 따라 필요한 데이터 처리 동작을 수행할 수 있다. 또한 전송 장치(10000)는 온 디맨드(On Demand) 방식에 따라 인캡슐레이션된 데이터를 전송할 수도 있다.
실시예들에 따른 수신 장치(10004)는 리시버(Receiver, 10005), 포인트 클라우드 비디오 디코더(Point Cloud Decoder, 10006) 및/또는 렌더러(Renderer, 10007)를 포함한다. 실시예들에 따라 수신 장치(10004)는 무선 접속 기술(예, 5G NR(New RAT), LTE(Long Term Evolution))을 이용하여, 기지국 및/또는 다른 무선 기기와 통신을 수행하는 기기, 로봇, 차량, AR/VR/XR 기기, 휴대기기, 가전, IoT(Internet of Thing)기기, AI 기기/서버 등을 포함할 수 있다.
실시예들에 따른 리시버(10005)는 포인트 클라우드 비디오 데이터를 포함하는 비트스트림 또는 비트스트림이 인캡슐레이션된 파일/세그먼트 등을 네트워크 또는 저장매체로부터 수신한다. 리시버(10005)는 네트워크 시스템(예를 들면 4G, 5G, 6G 등의 통신 네트워크 시스템)에 따라 필요한 데이터 처리 동작을 수행할 수 있다. 실시예들에 따른 리시버(10005)는 수신한 파일/세그먼트를 디캡슐레이션하여 비트스트림을 출력할수 있다. 또한 실시예들에 따라 리시버(10005)는 디캡슐레이션 동작을 수행하기 위한 디캡슐레이션부(또는 디캡슐레이션 모듈)을 포함할 수 있다. 또한 디캡슐레이션부는 리시버(10005)와 별개의 엘레멘트(또는 컴포넌트)로 구현될 수 있다.
포인트 클라우드 비디오 디코더(10006)는 포인트 클라우드 비디오 데이터를 포함하는 비트스트림을 디코딩한다. 포인트 클라우드 비디오 디코더(10006)는 포인트 클라우드 비디오 데이터가 인코딩된 방식에 따라 디코딩할 수 있다(예를 들면 포인트 클라우드 비디오 인코더(10002)의 동작의 역과정). 따라서 포인트 클라우드 비디오 디코더(10006)는 포인트 클라우드 컴프레션의 역과정인 포인트 클라우드 디컴프레션 코딩을 수행하여 포인트 클라우드 비디오 데이터를 디코딩할 수 있다. 포인트 클라우드 디컴프레션 코딩은 G-PCC 코딩을 포함한다.
렌더러(10007)는 디코딩된 포인트 클라우드 비디오 데이터를 렌더링한다. 렌더러(10007)는 포인트 클라우드 비디오 데이터 뿐만 아니라 오디오 데이터도 렌더링하여 포인트 클라우드 콘텐트를 출력할 수 있다. 실시예들에 따라 렌더러(10007)는 포인트 클라우드 콘텐트를 디스플레이하기 위한 디스플레이를 포함할 수 있다. 실시예들에 따라 디스플레이는 렌더러(10007)에 포함되지 않고 별도의 디바이스 또는 컴포넌트로 구현될 수 있다.
도면에 점선으로 표시된 화살표는 수신 장치(10004)에서 획득한 피드백 정보(feedback information)의 전송 경로를 나타낸다. 피드백 정보는 포인트 클라우드 컨텐트를 소비하는 사용자와의 인터랙티비를 반영하기 위한 정보로서, 사용자의 정보(예를 들면 헤드 오리엔테이션 정보), 뷰포트(Viewport) 정보 등)을 포함한다. 특히 포인트 클라우드 콘텐트가 사용자와의 상호작용이 필요한 서비스(예를 들면 자율주행 서비스 등)를 위한 콘텐트인 경우, 피드백 정보는 콘텐트 송신측(예를 들면 전송 장치(10000)) 및/또는 서비스 프로바이더에게 전달될 수 있다. 실시예들에 따라 피드백 정보는 전송 장치(10000) 뿐만 아니라 수신 장치(10004)에서도 사용될 수 있으며, 제공되지 않을 수도 있다.
실시예들에 따른 헤드 오리엔테이션 정보는 사용자의 머리 위치, 방향, 각도, 움직임 등에 대한 정보이다. 실시예들에 따른 수신 장치(10004)는 헤드 오리엔테이션 정보를 기반으로 뷰포트 정보를 계산할 수 있다. 뷰포트 정보는 사용자가 바라보고 있는 포인트 클라우드 비디오의 영역에 대한 정보이다. 시점(viewpoint)은 사용자가 포인트 클라우 비디오를 보고 있는 점으로 뷰포트 영역의 정중앙 지점을 의미할 수 있다. 즉, 뷰포트는 시점을 중심으로 한 영역으로서, 영역의 크기, 형태 등은 FOV(Field Of View) 에 의해 결정될 수 있다. 따라서 수신 장치(10004)는 헤드 오리엔테이션 정보 외에 장치가 지원하는 수직(vertical) 혹은 수평(horizontal) FOV 등을 기반으로 뷰포트 정보를 추출할 수 있다. 또한 수신 장치(10004)는 게이즈 분석 (Gaze Analysis) 등을 수행하여 사용자의 포인트 클라우드 소비 방식, 사용자가 응시하는 포인트 클라우 비디오 영역, 응시 시간 등을 확인한다. 실시예들에 따라 수신 장치(10004)는 게이즈 분석 결과를 포함하는 피드백 정보를 송신 장치(10000)로 전송할 수 있다. 실시예들에 따른 피드백 정보는 렌더링 및/또는 디스플레이 과정에서 획득될 수 있다. 실시예들에 따른 피드백 정보는 수신 장치(10004)에 포함된 하나 또는 그 이상의 센서들에 의해 확보될 수 있다. 또한 실시예들에 따라 피드백 정보는 렌더러(10007) 또는 별도의 외부 엘레멘트(또는 디바이스, 컴포넌트 등)에 의해 확보될 수 있다. 도1의 점선은 렌더러(10007)에서 확보한 피드백 정보의 전달 과정을 나타낸다. 포인트 클라우드 콘텐트 제공 시스템은 피드백 정보를 기반으로 포인트 클라우드 데이터를 처리(인코딩/디코딩)할 수 있다. 따라서 포인트 클라우드 비디오 데이터 디코더(10006)는 피드백 정보를 기반으로 디코딩 동작을 수행할 수 있다. 또한 수신 장치(10004)는 피드백 정보를 전송 장치(10000)로 전송할 수 있다. 전송 장치(10000)(또는 포인트 클라우드 비디오 데이터 인코더(10002))는 피드백 정보를 기반으로 인코딩 동작을 수행할 수 있다. 따라서 포인트 클라우드 콘텐트 제공 시스템은 모든 포인트 클라우드 데이터를 처리(인코딩/디코딩)하지 않고, 피드백 정보를 기반으로 필요한 데이터(예를 들면 사용자의 헤드 위치에 대응하는 포인트 클라우드 데이터)를 효율적으로 처리하고, 사용자에게 포인트 클라우드 콘텐트를 제공할 수 있다.
실시예들에 따라, 전송 장치(10000)는 인코더, 전송 디바이스, 전송기 등으로 호칭될 수 있으며, 수신 장치(10004)는 디코더, 수신 디바이스, 수신기 등으로 호칭될 수 있다.
실시예들에 따른 도 1 의 포인트 클라우드 콘텐트 제공 시스템에서 처리되는 (획득/인코딩/전송/디코딩/렌더링의 일련의 과정으로 처리되는) 포인트 클라우드 데이터는 포인트 클라우드 콘텐트 데이터 또는 포인트 클라우드 비디오 데이터라고 호칭할 수 있다. 실시예들에 따라 포인트 클라우드 콘텐트 데이터는 포인트 클라우드 데이터와 관련된 메타데이터 내지 시그널링 정보를 포함하는 개념으로 사용될 수 있다.
도 1에 도시된 포인트 클라우드 콘텐트 제공 시스템의 엘리먼트들은 하드웨어, 소프트웨어, 프로세서 및/또는 그것들의 결합등으로 구현될 수 있다.
도 2는 실시예들에 따른 포인트 클라우드 콘텐트 제공 동작을 나타내는 블록도이다.
도 2의 블록도는 도 1에서 설명한 포인트 클라우드 콘텐트 제공 시스템의 동작을 나타낸다. 상술한 바와 같이 포인트 클라우드 콘텐트 제공 시스템은 포인트 클라우드 컴프레션 코딩(예를 들면 G-PCC)을 기반으로 포인트 클라우드 데이터를 처리할 수 있다.
실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템(예를 들면 포인트 클라우드 전송 장치(10000) 또는 포인트 클라우드 비디오 획득부(10001))은 포인트 클라우드 비디오를 획득할 수 있다(20000). 포인트 클라우드 비디오는 3차원 공간을 표현하는 좌표계에 속한 포인트 클라우드로 표현된다. 실시예들에 따른 포인트 클라우드 비디오는 Ply (Polygon File format or the Stanford Triangle format) 파일을 포함할 수 있다. 포인트 클라우드 비디오가 하나 또는 그 이상의 프레임들을 갖는 경우, 획득한 포인트 클라우드 비디오는 하나 또는 그 이상의 Ply 파일들을 포함할 수 있다. Ply 파일은 포인트의 지오메트리(Geometry) 및/또는 어트리뷰트(Attribute)와 같은 포인트 클라우드 데이터를 포함한다. 지오메트리는 포인트들의 포지션들을 포함한다. 각 포인트의 포지션은 3차원 좌표계(예를 들면 XYZ축들로 이루어진 좌표계 등)를 나타내는 파라미터들(예를 들면 X축, Y축, Z축 각각의 값)로 표현될 수 있다. 어트리뷰트는 포인트들의 어트리뷰트들(예를 들면, 각 포인트의 텍스쳐 정보, 색상(YCbCr 또는 RGB), 반사율(r), 투명도 등)을 포함한다. 하나의 포인트는 하나 또는 그 이상의 어트리뷰트들(또는 속성들)을 가진다. 예를 들어 하나의 포인트는 하나의 색상인 어트리뷰트를 가질 수도 있고, 색상 및 반사율인 두 개의 어트리뷰트들을 가질 수도 있다. 실시예들에 따라, 지오메트리는 포지션들, 지오메트리 정보, 지오메트리 데이터 등으로 호칭 가능하며, 어트리뷰트는 어트리뷰트들, 어트리뷰트 정보, 어트리뷰트 데이터 등으로 호칭할 수 있다. 또한 포인트 클라우드 콘텐트 제공 시스템(예를 들면 포인트 클라우드 전송 장치(10000) 또는 포인트 클라우드 비디오 획득부(10001))은 포인트 클라우드 비디오의 획득 과정과 관련된 정보(예를 들면 깊이 정보, 색상 정보 등)으로부터 포인트 클라우드 데이터를 확보할 수 있다.
실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템(예를 들면 전송 장치(10000) 또는 포인트 클라우드 비디오 인코더(10002))은 포인트 클라우드 데이터를 인코딩할 수 있다(20001). 포인트 클라우드 콘텐트 제공 시스템은 포인트 클라우드 컴프레션 코딩을 기반으로 포인트 클라우드 데이터를 인코딩할 수 있다. 상술한 바와 같이 포인트 클라우드 데이터는 포인트의 지오메트리 및 어트리뷰트를 포함할 수 있다. 따라서 포인트 클라우드 콘텐트 제공 시스템은 지오메트리를 인코딩하는 지오메트리 인코딩을 수행하여 지오메트리 비트스트림을 출력할 수 있다. 포인트 클라우드 콘텐트 제공 시스템은 어트리뷰트를 인코딩하는 어트리뷰트 인코딩을 수행하여 어트리뷰트 비트스트림을 출력할 수 있다. 실시예들에 따라 포인트 클라우드 콘텐트 제공 시스템은 지오메트리 인코딩에 기초하여 어트리뷰트 인코딩을 수행할 수 있다. 실시예들에 따른 지오메트리 비트스트림 및 어트리뷰트 비트스트림은 멀티플렉싱되어 하나의 비트스트림으로 출력될 수 있다. 실시예들에 따른 비트스트림은 지오메트리 인코딩 및 어트리뷰트 인코딩과 관련된 시그널링 정보를 더 포함할 수 있다.
실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템(예를 들면 전송 장치(10000) 또는 트랜스미터(10003))는 인코딩된 포인트 클라우드 데이터를 전송할 수 있다(20002). 도1에서 설명한 바와 같이 인코딩된 포인트 클라우드 데이터는 지오메트리 비트스트림, 어트리뷰트 비트스트림으로 표현될 수 있다. 또한 인코딩된 포인트 클라우드 데이터는 포인트 클라우드 데이터의 인코딩과 관련된 시그널링 정보(예를 들면 지오메트리 인코딩 및 어트리뷰트 인코딩과 관련된 시그널링 정보)과 함께 비트스트림의 형태로 전송될 수 있다. 또한 포인트 클라우드 콘텐트 제공 시스템은 인코딩된 포인트 클라우드 데이터를 전송하는 비트스트림을 인캡슐레이션 하여 파일 또는 세그먼트의 형태로 전송할 수 있다.
실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 리시버(10005))은 인코딩된 포인트 클라우드 데이터를 포함하는 비트스트림을 수신할 수 있다. 또한 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 리시버(10005))은 비트스트림을 디멀티플렉싱할 수 있다.
포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 포인트 클라우드 비디오 디코더(10005))은 비트스트림으로 전송되는 인코딩된 포인트 클라우드 데이터(예를 들면 지오메트리 비트스트림, 어트리뷰트 비트스트림)을 디코딩할 수 있다. 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 포인트 클라우드 비디오 디코더(10005))은 비트스트림에 포함된 포인트 클라우드 비디오 데이터의 인코딩과 관련된 시그널링 정보를 기반으로 포인트 클라우드 비디오 데이터를 디코딩할 수 있다. 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 포인트 클라우드 비디오 디코더(10005))은 지오메트리 비트스트림을 디코딩하여 포인트들의 포지션들(지오메트리)을 복원할 수 있다. 포인트 클라우드 콘텐트 제공 시스템은 복원한 지오메트리를 기반으로 어트리뷰트 비트스트림을 디코딩하여 포인트들의 어트리뷰트들을 복원할 수 있다. 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 포인트 클라우드 비디오 디코더(10005))은 복원된 지오메트리에 따른 포지션들 및 디코딩된 어트리뷰트를 기반으로 포인트 클라우드 비디오를 복원할 수 있다.
실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 렌더러(10007))은 디코딩된 포인트 클라우드 데이터를 렌더링할 수 있다(20004). 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004) 또는 렌더러(10007))은 디코딩 과정을 통해 디코딩된 지오메트리 및 어트리뷰트들을 다양한 렌더링 방식에 따라 렌더링 방식에 따라 렌더링 할 수 있다. 포인트 클라우드 콘텐트의 포인트들은 일정 두께를 갖는 정점, 해당 정점 위치를 중앙으로 하는 특정 최소 크기를 갖는 정육면체, 또는 정점 위치를 중앙으로 하는 원 등으로 렌더링 될 수도 있다. 렌더링된 포인트 클라우드 콘텐트의 전부 또는 일부 영역은 디스플레이 (예를 들면 VR/AR 디스플레이, 일반 디스플레이 등)을 통해 사용자에게 제공된다.
실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템(예를 들면 수신 장치(10004))는 피드백 정보를 확보할 수 있다(20005). 포인트 클라우드 콘텐트 제공 시스템은 피드백 정보를 기반으로 포인트 클라우드 데이터를 인코딩 및/또는 디코딩할 수 있다. 실시예들에 따른 피드백 정보 및 포인트 클라우드 콘텐트 제공 시스템의 동작은 도 1에서 설명한 피드백 정보 및 동작과 동일하므로 구체적인 설명은 생략한다.
도 3은 실시예들에 따른 포인트 클라우드 비디오 캡쳐 과정의 예시를 나타낸다.
도 3은 도 1 내지 도 2에서 설명한 포인트 클라우드 콘텐트 제공 시스템의 포인트 클라우드 비디오 캡쳐 과정의 예시를 나타낸다.
포인트 클라우드 콘텐트는 다양한 3차원 공간(예를 들면 현실 환경을 나타내는 3차원 공간, 가상 환경을 나타내는3차원 공간 등)에 위치한 오브젝트(object) 및/또는 환경을 나타내는 포인트 클라우드 비디오(이미지들 및/또는 영상들)을 포함한다. 따라서 실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템은 포인트 클라우드 콘텐트를 생성하기 위하여 하나 또는 그 이상의 카메라(camera)들(예를 들면, 깊이 정보를 확보할 수 있는 적외선 카메라, 깊이 정보에 대응되는 색상 정보를 추출 할 수 있는 RGB 카메라 등), 프로젝터(예를 들면 깊이 정보를 확보하기 위한 적외선 패턴 프로젝터 등), 라이다(LiDAR)등을 사용하여 포인트 클라우드 비디오를 캡쳐할 수 있다. 실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템은 깊이 정보로부터 3차원 공간상의 포인트들로 구성된 지오메트리의 형태를 추출하고, 색상정보로부터 각 포인트의 어트리뷰트를 추출하여 포인트 클라우드 데이터를 확보할 수 있다. 실시예들에 따른 이미지 및/또는 영상은 인워드-페이싱(inward-facing) 방식 및 아웃워드-페이싱(outward-facing) 방식 중 적어도 어느 하나 이상을 기반으로 캡쳐될 수 있다.
도3의 왼쪽은 인워드-페이싱 방식을 나타낸다. 인워드-페이싱 방식은 중심 오브젝트를 둘러싸고 위치한 하나 또는 그 이상의 카메라들(또는 카메라 센서들)이 중심 오브젝트를 캡쳐하는 방식을 의미한다. 인워드-페이싱 방식은 핵심 객체에 대한 360도 이미지를 사용자에게 제공하는 포인트 클라우드 콘텐트(예를 들면 사용자에게 객체(예-캐릭터, 선수, 물건, 배우 등 핵심이 되는 객체)의 360도 이미지를 제공하는 VR/AR 콘텐트)를 생성하기 위해 사용될 수 있다.
도3의 오른쪽은 아웃워드-페이싱 방식을 나타낸다. 아웃워드-페이싱 방식은 중심 오브젝트를 둘러싸고 위치한 하나 또는 그 이상의 카메라들(또는 카메라 센서들)이 중심 오브젝트가 아닌 중심 오브젝트의 환경을 캡쳐하는 방식을 의미한다. 아웃워드-페이싱 방식은 사용자의 시점에서 나타나는 주변 환경을 제공하기 위한 포인트 클라우드 콘텐트(예를 들면자율 주행 차량의 사용자에게 제공될 수 있는 외부 환경을 나타내는 콘텐트)를 생성하기 위해 사용될 수 있다.
도면에 도시된 바와 같이, 포인트 클라우드 콘텐트는 하나 또는 그 이상의 카메라들의 캡쳐 동작을 기반으로 생성될 수 있다. 이 경우 각 카메라의 좌표계가 다를 수 있으므로 포인트 클라우드 콘텐트 제공 시스템은 캡쳐 동작 이전에 글로벌 공간 좌표계(global coordinate system)을 설정하기 위하여 하나 또는 그 이상의 카메라들의 캘리브레이션을 수행할 수 있다. 또한 포인트 클라우드 콘텐트 제공 시스템은 상술한 캡쳐 방식으로 캡쳐된 이미지 및/또는 영상과 임의의 이미지 및/또는 영상을 합성하여 포인트 클라우드 콘텐트를 생성할 수 있다. 또한 포인트 클라우드 콘텐트 제공 시스템은 가상 공간을 나타내는 포인트 클라우드 콘텐트를 생성하는 경우 도3에서 설명한 캡쳐 동작을 수행하지 않을 수 있다. 실시예들에 따른 포인트 클라우드 콘텐트 제공 시스템은 캡쳐한 이미지 및/또는 영상에 대해 후처리를 수행할 수 있다. 즉, 포인트 클라우드 콘텐트 제공 시스템은 원하지 않는 영역(예를 들면 배경)을 제거하거나, 캡쳐한 이미지들 및/또는 영상들이 연결된 공간을 인식하고, 구명(spatial hole)이 있는 경우 이를 메우는 동작을 수행할 수 있다.
또한 포인트 클라우드 콘텐트 제공 시스템은 각 카메라로부터 확보한 포인트 클라우드 비디오의 포인트들에 대하여 좌표계 변환을 수행하여 하나의 포인트 클라우드 콘텐트를 생성할 수 있다. 포인트 클라우드 콘텐트 제공 시스템은 각 카메라의 위치 좌표를 기준으로 포인트들의 좌표계 변환을 수행할 수 있다. 이에 따라, 포인트 클라우드 콘텐트 제공 시스템은 하나의 넓은 범위를 나타내는 콘텐트를 생성할 수도 있고, 포인트들의 밀도가 높은 포인트 클라우드 콘텐트를 생성할 수 있다.
도 4는 실시예들에 따른 포인트 클라우드 인코더(Point Cloud Encoder)의 예시를 나타낸다.
도 4는 도 1의 포인트 클라우드 비디오 인코더(10002)의 예시를 나타낸다. 포인트 클라우드 인코더는 네트워크의 상황 혹은 애플리케이션 등에 따라 포인트 클라우드 콘텐트의 질(예를 들어 무손실-lossless, 손실-lossy, near-lossless)을 조절하기 위하여 포인트 클라우드 데이터(예를 들면 포인트들의 포지션들 및/또는 어트리뷰트들)을 재구성하고 인코딩 동작을 수행한다. 포인트 클라우드 콘텐트의 전체 사이즈가 큰 경우(예를 들어 30 fps의 경우 60 Gbps인 포인트 클라우드 콘텐트) 포인트 클라우드 콘텐트 제공 시스템은 해당 콘텐트를 리얼 타임 스트리밍하지 못할 수 있다. 따라서 포인트 클라우드 콘텐트 제공 시스템은 네트워크 환경등에 맞춰 제공하기 위하여 최대 타깃 비트율(bitrate)을 기반으로 포인트 클라우드 콘텐트를 재구성할 수 있다.
도 1 내지 도2 에서 설명한 바와 같이 포인트 클라우드 인코더는 지오메트리 인코딩 및 어트리뷰트 인코딩을 수행할 수 있다. 지오메트리 인코딩은 어트리뷰트 인코딩보다 먼저 수행된다.
실시예들에 따른 포인트 클라우드 인코더는 좌표계 변환부(Transformation Coordinates, 40000), 양자화부(Quantize and Remove Points (Voxelize), 40001), 옥트리 분석부(Analyze Octree, 40002), 서페이스 어프록시메이션 분석부(Analyze Surface Approximation, 40003), 아리스메틱 인코더(Arithmetic Encode, 40004), 지오메트리 리컨스트럭션부(Reconstruct Geometry, 40005), 컬러 변환부(Transform Colors, 40006), 어트리뷰트 변환부(Transfer Attributes, 40007), RAHT 변환부(40008), LOD생성부(Generated LOD, 40009), 리프팅 변환부(Lifting)(40010), 계수 양자화부(Quantize Coefficients, 40011) 및/또는 아리스메틱 인코더(Arithmetic Encode, 40012)를 포함한다.
좌표계 변환부(40000), 양자화부(40001), 옥트리 분석부(40002), 서페이스 어프록시메이션 분석부(40003), 아리스메틱 인코더(40004), 및 지오메트리 리컨스트럭션부(40005)는 지오메트리 인코딩을 수행할 수 있다. 실시예들에 따른 지오메트리 인코딩은 옥트리 지오메트리 코딩, 다이렉트 코딩(direct coding), 트라이숩 지오메트리 인코딩(trisoup geometry encoding) 및 엔트로피 인코딩을 포함할 수 있다. 다이렉트 코딩 및 트라이숩 지오메트리 인코딩은 선택적으로 또는 조합으로 적용된다. 또한 지오메트리 인코딩은 위의 예시에 국한되지 않는다.
도면에 도시된 바와 같이, 실시예들에 따른 좌표계 변환부(40000)는 포지션들을 수신하여 좌표계(coordinate)로 변환한다. 예를 들어, 포지션들은 3차원 공간 (예를 들면XYZ 좌표계로 표현되는 3차원 공간 등)의 위치 정보로 변환될 수 있다. 실시예들에 따른 3차원 공간의 위치 정보는 지오메트리 정보로 지칭될 수 있다.
실시예들에 따른 양자화부(40001)는 지오메트리를 양자화한다. 예를 들어, 양자화부(40001)는 전체 포인트들의 최소 위치 값(예를 들면 X축, Y축, Z축 에 대하여 각축상의 최소 값)을 기반으로 포인트들을 양자화 할 수 있다. 양자화부(40001)는 최소 위치 값과 각 포인트의 위치 값의 차이에 기 설정된 양자 스케일(quatization scale) 값을 곱한 뒤, 내림 또는 올림을 수행하여 가장 가까운 정수 값을 찾는 양자화 동작을 수행한다. 따라서 하나 또는 그 이상의 포인트들은 동일한 양자화된 포지션 (또는 포지션 값)을 가질 수 있다. 실시예들에 따른 양자화부(40001)는 양자화된 포인트들을 재구성하기 위해 양자화된 포지션들을 기반으로 복셀화(voxelization)를 수행한다. 2차원 이미지/비디오 정보를 포함하는 최소 단위는 픽셀(pixel)과 같이, 실시예들에 따른 포인트 클라우드 콘텐트(또는 3차원 포인트 클라우드 비디오)의 포인트들은 하나 또는 그 이상의 복셀(voxel)들에 포함될 수 있다. 복셀은 볼륨(Volume)과 픽셀(Pixel)의 조합어로서, 3차원 공간을 표현하는 축들(예를 들면 X축, Y축, Z축)을 기반으로 3차원 공간을 유닛(unit=1.0) 단위로 나누었을 때 발생하는 3차원 큐빅 공간을 의미한다. 양자화부(40001)는 3차원 공간의 포인트들의 그룹들을 복셀들로 매칭할 수 있다. 실시예들에 따라 하나의 복셀은 하나의 포인트만 포함할 수 있다. 실시예들에 따라 하나의 복셀은 하나 또는 그 이상의 포인트들을 포함할 수 있다. 또한 하나의 복셀을 하나의 포인트로 표현하기 위하여, 하나의 복셀에 포함된 하나 또는 그 이상의 포인트들의 포지션들을 기반으로 해당 복셀의 중앙점(center)의 포지션을 설정할 수 있다. 이 경우 하나의 복셀에 포함된 모든 포지션들의 어트리뷰트들은 통합되어(combined) 해당 복셀에 할당될(assigned)수 있다.
실시예들에 따른 옥트리 분석부(40002)는 복셀을 옥트리(octree) 구조로 나타내기 위한 옥트리 지오메트리 코딩(또는 옥트리 코딩)을 수행한다. 옥트리 구조는 팔진 트리 구조에 기반하여 복셀에 매칭된 포인트들을 표현한다.
실시예들에 따른 서페이스 어프록시메이션 분석부(40003)는 옥트리를 분석하고, 근사화할 수 있다. 실시예들에 따른 옥트리 분석 및 근사화는 효율적으로 옥트리 및 복셀화를 제공하기 위해서 다수의 포인트들을 포함하는 영역에 대해 복셀화하기 위해 분석하는 과정이다.
실시예들에 따른 아리스메틱 인코더(40004)는 옥트리 및/또는 근사화된 옥트리를 엔트로피 인코딩한다. 예를 들어, 인코딩 방식은 아리스메틱(Arithmetic) 인코딩 방법을 포함한다. 인코딩의 결과로 지오메트리 비트스트림이 생성된다.
컬러 변환부(40006), 어트리뷰트 변환부(40007), RAHT 변환부(40008), LOD생성부(40009), 리프팅 변환부(40010), 계수 양자화부(40011) 및/또는 아리스메틱 인코더(40012)는 어트리뷰트 인코딩을 수행한다. 상술한 바와 같이 하나의 포인트는 하나 또는 그 이상의 어트리뷰트들을 가질 수 있다. 실시예들에 따른 어트리뷰트 인코딩은 하나의 포인트가 갖는 어트리뷰트들에 대해 동일하게 적용된다. 다만, 하나의 어트리뷰트(예를 들면 색상)이 하나 또는 그 이상의 요소들을 포함하는 경우, 각 요소마다 독립적인 어트리뷰트 인코딩이 적용된다. 실시예들에 따른 어트리뷰트 인코딩은 컬러 변환 코딩, 어트리뷰트 변환 코딩, RAHT(Region Adaptive Hierarchial Transform) 코딩, 예측 변환(Interpolaration-based hierarchical nearest-neighbour prediction-Prediction Transform) 코딩 및 리프팅 변환 (interpolation-based hierarchical nearest-neighbour prediction with an update/lifting step (Lifting Transform)) 코딩을 포함할 수 있다. 포인트 클라우드 콘텐트에 따라 상술한 RAHT 코딩, 예측 변환 코딩 및 리프팅 변환 코딩은 선택적으로 사용되거나, 하나 또는 그 이상의 코딩들의 조합이 사용될 수 있다. 또한 실시예들에 따른 어트리뷰트 인코딩은 상술한 예시에 국한되는 것은 아니다.
실시예들에 따른 컬러 변환부(40006)는 어트리뷰트들에 포함된 컬러 값(또는 텍스쳐)을 변환하는 컬러 변환 코딩을 수행한다. 예를 들어, 컬러 변환부(40006)는 색상 정보의 포맷을 변환(예를 들어 RGB에서 YCbCr로 변환)할 수 있다. 실시예들에 따른 컬러 변환부(40006)의 동작은 어트리뷰트들에 포함된 컬러값에 따라 옵셔널(optional)하게 적용될 수 있다.
실시예들에 따른 지오메트리 리컨스트럭션부(40005)는 옥트리 및/또는 근사화된 옥트리를 재구성(디컴프레션)한다. 지오메트리 리컨스트럭션부(40005)는 포인트들의 분포를 분석한 결과에 기반하여 옥트리/복셀을 재구성한다. 재구성된 옥트리/복셀은 재구성된 지오메트리(또는 복원된 지오메트리)로 호칭될 수 있다.
실시예들에 따른 어트리뷰트 변환부(40007)는 지오메트리 인코딩이 수행되지 않은 포지션들 및/또는 재구성된 지오메트리를 기반으로 어트리뷰트들을 변환하는 어트리뷰트 변환을 수행한다. 상술한 바와 같이 어트리뷰트들은 지오메트리에 종속되므로, 어트리뷰트 변환부(40007)는 재구성된 지오메트리 정보를 기반으로 어트리뷰트들을 변환할 수 있다. 예를 들어, 어트리뷰트 변환부(40007)는 복셀에 포함된 포인트의 포지션값을 기반으로 그 포지션의 포인트가 가지는 어트리뷰트를 변환할 수 있다. 상술한 바와 같이 하나의 복셀에 포함된 하나 또는 그 이상의 포인트들의 포지션들을 기반으로 해당 복셀의 중앙점의 포지션이 설정된 경우, 어트리뷰트 변환부(40007)는 하나 또는 그 이상의 포인트들의 어트리뷰트들을 변환한다. 트라이숩 지오메트리 인코딩이 수행된 경우, 어트리뷰트 변환부(40007)는 트라이숩 지오메트리 인코딩을 기반으로 어트리뷰트들을 변환할 수 있다.
어트리뷰트 변환부(40007)는 각 복셀의 중앙점의 포지션(또는 포지션 값)으로부터 특정 위치/반경 내에 이웃하고 있는 포인트들의 어트리뷰트들 또는 어트리뷰트 값들(예를 들면 각 포인트의 색상, 또는 반사율 등)의 평균값을 계산하여 어트리뷰트 변환을 수행할 수 있다. 어트리뷰트 변환부(40007)는 평균값 계산시 중앙점으로부터 각 포인트까지의 거리에 따른 가중치를 적용할 수 있다. 따라서 각 복셀은 포지션과 계산된 어트리뷰트(또는 어트리뷰트 값)을 갖게 된다.
어트리뷰트 변환부(40007)는 K-D 트리 또는 몰톤 코드를 기반으로 각 복셀의 중앙점의 포지션으로부터 특정 위치/반경 내에 존재하는 이웃 포인트들을 탐색할 수 있다. K-D 트리는 이진 탐색 트리(binary search tree)로 빠르게 최단 이웃점 탐색(Nearest Neighbor Search-NNS)이 가능하도록 point들을 위치 기반으로 관리할 수 있는 자료 구조를 지원한다. 몰튼 코드는 모든 포인트들의 3차원 포지션을 나타내는 좌표값(예를 들면 (x, y, z))을 비트값으로 나타내고, 비트들을 믹싱하여 생성된다. 예를 들어 포인트의 포지션을 나타내는 좌표값이 (5, 9, 1)일 경우 좌표값의 비트 값은 (0101, 1001, 0001)이다. 비트 값을z, y, x 순서로 비트 인덱스에 맞춰 믹싱하면 010001000111이다. 이 값을 10진수로 나타내면 1095이 된다. 즉, 좌표값이 (5, 9, 1)인 포인트의 몰톤 코드 값은 1095이다. 어트리뷰트 변환부(40007)는 몰튼 코드 값을 기준으로 포인트들을 정렬하고depth-first traversal 과정을 통해 최단 이웃점 탐색(NNS)을 할 수 있다. 어트리뷰트 변환 동작 이후, 어트리뷰트 코딩을 위한 다른 변환 과정에서도 최단 이웃점 탐색(NNS)이 필요한 경우, K-D 트리 또는 몰톤 코드가 활용된다.
도면에 도시된 바와 같이 변환된 어트리뷰트들은 RAHT 변환부(40008) 및/또는 LOD 생성부(40009)로 입력된다.
실시예들에 따른 RAHT 변환부(40008)는 재구성된 지오메트리 정보에 기반하여 어트리뷰트 정보를 예측하는 RAHT코딩을 수행한다. 예를 들어, RAHT 변환부(40008)는 옥트리의 하위 레벨에 있는 노드와 연관된 어트리뷰트 정보에 기반하여 옥트리의 상위 레벨에 있는 노드의 어트리뷰트 정보를 예측할 수 있다.
실시예들에 따른 LOD생성부(40009)는 예측 변환 코딩을 수행하기 위하여LOD(Level of Detail)를 생성한다. 실시예들에 따른 LOD는 포인트 클라우드 콘텐트의 디테일을 나타내는 정도로서, LOD 값이 작을 수록 포인트 클라우드 콘텐트의 디테일이 떨어지고, LOD 값이 클 수록 포인트 클라우드 콘텐트의 디테일이 높음을 나타낸다. 포인트들을 LOD에 따라 분류될 수 있다.
실시예들에 따른 리프팅 변환부(40010)는 포인트 클라우드의 어트리뷰트들을 가중치에 기반하여 변환하는 리프팅 변환 코딩을 수행한다. 상술한 바와 같이 리프팅 변환 코딩은 선택적으로 적용될 수 있다.
실시예들에 따른 계수 양자화부(40011)은 어트리뷰트 코딩된 어트리뷰트들을 계수에 기반하여 양자화한다.
실시예들에 따른 아리스메틱 인코더(40012)는 양자화된 어트리뷰트들을 아리스메틱 코딩 에 기반하여 인코딩한다.
도 4의 포인트 클라우드 인코더의 엘레멘트들은 도면에 도시되지 않았으나 포인트 클라우드 제공 장치에 포함된 하나 또는 그 이상의 메모리들과 통신가능하도록 설정된 하나 또는 그 이상의 프로세서들 또는 집적 회로들(integrated circuits)을 포함하는 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합으로 구현될 수 있다. 하나 또는 그 이상의 프로세서들은 상술한 도 4의 포인트 클라우드 인코더의 엘레멘트들의 동작들 및/또는 기능들 중 적어도 어느 하나 이상을 수행할 수 있다. 또한 하나 또는 그 이상의 프로세서들은 도 4의 포인트 클라우드 인코더의 엘레멘트들의 동작들 및/또는 기능들을 수행하기 위한 소프트웨어 프로그램들 및/또는 인스트럭션들의 세트를 동작하거나 실행할 수 있다. 실시예들에 따른 하나 또는 그 이상의 메모리들은 하이 스피드 랜덤 억세스 메모리를 포함할 수도 있고, 비휘발성 메모리(예를 들면 하나 또는 그 이상의 마그네틱 디스크 저장 디바이스들, 플래쉬 메모리 디바이스들, 또는 다른 비휘발성 솔리드 스테이트 메모리 디바이스들(Solid-state memory devices)등)를 포함할 수 있다.
도 5 는 실시예들에 따른 복셀의 예시를 나타낸다.
도 5는 X축, Y축, Z축의 3가지 축으로 구성된 좌표계로 표현되는 3차원 공간상에 위치한 복셀을 나타낸다. 도 4에서 설명한 바와 같이 포인트 클라우드 인코더(예를 들면 양자화부(40001) 등)은 복셀화를 수행할 수 있다. 복셀은 3차원 공간을 표현하는 축들(예를 들면 X축, Y축, Z축)을 기반으로 3차원 공간을 유닛(unit=1.0) 단위로 나누었을 때 발생하는 3차원 큐빅 공간을 의미한다. 도 5는 두 개의 극점들(0,0,0) 및 (2 d, 2 d, 2 d) 으로 정의되는 바운딩 박스(cubical axis-aligned bounding box)를 재귀적으로 분할(reculsive subdividing)하는 옥트리 구조를 통해 생성된 복셀의 예시를 나타낸다. 하나의 복셀은 적어도 하나 이상의 포인트를 포함한다. 복셀은 복셀군(voxel group)과의 포지션 관계로부터 공간 좌표를 추정 할 수 있다. 상술한 바와 같이 복셀은 2차원 이미지/영상의 픽셀과 마찬가지로 어트리뷰트(색상 또는 반사율 등)을 가진다. 복셀에 대한 구체적인 설명은 도 4에서 설명한 바와 동일하므로 생략한다.
도 6은 실시예들에 따른 옥트리 및 오큐판시 코드 (occupancy code)의 예시를 나타낸다.
도 1 내지 도 4에서 설명한 바와 같이 포인트 클라우드 콘텐트 제공 시스템(포인트 클라우드 비디오 인코더(10002)) 또는 포인트 클라우드 인코더(예를 들면 옥트리 분석부(40002))는 복셀의 영역 및/또는 포지션을 효율적으로 관리하기 위하여 옥트리 구조 기반의 옥트리 지오메트리 코딩(또는 옥트리 코딩)을 수행한다.
도 6의 상단은 옥트리 구조를 나타낸다. 실시예들에 따른 포인트 클라우드 콘텐트의 3차원 공간은 좌표계의 축들(예를 들면 X축, Y축, Z축)로 표현된다. 옥트리 구조는 두 개의 극점들(0,0,0) 및 (2 d, 2 d, 2 d) 으로 정의되는 바운딩 박스(cubical axis-aligned bounding box)를 재귀적으로 분할(reculsive subdividing)하여 생성된다. 2d는 포인트 클라우드 콘텐트(또는 포인트 클라우드 비디오)의 전체 포인트들을 감싸는 가장 작은 바운딩 박스를 구성하는 값으로 설정될 수 있다. d는 옥트리의 깊이(depth)를 나타낸다. d값은 다음의 식에 따라 결정된다. 하기 식에서 (x int n, y int n, z int n)는 양자화된 포인트들의 포지션들(또는 포지션 값들)을 나타낸다.
Figure PCTKR2021095003-appb-img-000001
도 6의 상단의 중간에 도시된 바와 같이, 분할에 따라 전체 3차원 공간은 8개의 공간들로 분할될 수 있다. 분할된 각 공간은 6개의 면들을 갖는 큐브로 표현된다. 도 6 상단의 오른쪽에 도시된 바와 같이 8개의 공간들 각각은 다시 좌표계의 축들(예를 들면 X축, Y축, Z축)을 기반으로 분할된다. 따라서 각 공간은 다시 8개의 작은 공간들로 분할된다. 분할된 작은 공간 역시 6개의 면들을 갖는 큐브로 표현된다. 이와 같은 분할 방식은 옥트리의 리프 노드(leaf node)가 복셀이 될 때까지 적용된다.
도 6의 하단은 옥트리의 오큐판시 코드를 나타낸다. 옥트리의 오큐판시 코드는 하나의 공간이 분할되어 발생되는 8개의 분할된 공간들 각각이 적어도 하나의 포인트를 포함하는지 여부를 나타내기 위해 생성된다. 따라서 하나의 오큐판시 코드는 8개의 자식 노드(child node)들로 표현된다. 각 자식 노드는 분할된 공간의 오큐판시를 나타내며, 자식 노드는 1비트의 값을 갖는다. 따라서 오큐판시 코드는 8 비트 코드로 표현된다. 즉, 자식 노드에 대응하는 공간에 적어도 하나의 포인트가 포함되어 있으면 해당 노드는 1값을 갖는다. 자식 노드에 대응하는 공간에 포인트가 포함되어 있지 않으면 (empty), 해당 노드는 0값을 갖는다. 도 6에 도시된 오큐판시 코드는 00100001이므로 8개의 자식 노드 중 3번째 자식 노드 및 8번째 자식 노드에 대응하는 공간들은 각각 적어도 하나의 포인트를 포함함을 나타낸다. 도면에 도시된 바와 같이 3번째 자식 노드 및 8번째 자식 노드는 각각 8개의 자식 노드를 가지며, 각 자식 노드는 8비트의 오큐판시 코드로 표현된다. 도면은 3번째 자식 노드의 오큐판시 코드가 10000111이고, 8번째 자식 노드의 오큐판시 코드가 01001111임을 나타낸다. 실시예들에 따른 포인트 클라우드 인코더(예를 들면 아리스메틱 인코더(40004))는 오큐판시 코드를 엔트로피 인코딩할 수 있다. 또한 압축 효율을 높이기 위해 포인트 클라우드 인코더는 오큐판시 코드를 인트라/인터 코딩할 수 있다. 실시예들에 따른 수신 장치(예를 들면 수신 장치(10004) 또는 포인트 클라우드 비디오 디코더(10006))는 오큐판시 코드를 기반으로 옥트리를 재구성한다.
실시예들에 따른 포인트 클라우드 인코더(예를 들면 도 4의 포인트 클라우드 인코더, 또는 옥트리 분석부(40002))는 포인트들의 포지션들을 저장하기 위해 복셀화 및 옥트리 코딩을 수행할 수 있다. 하지만 3차원 공간 내 포인트들이 언제나 고르게 분포하는 것은 아니므로, 포인트들이 많이 존재하지 않는 특정 영역이 존재할 수 있다. 따라서 3차원 공간 전체에 대해 복셀화를 수행하는 것은 비효율 적이다. 예를 들어 특정 영역에 포인트가 거의 존재하지 않는다면, 해당 영역까지 복셀화를 수행할 필요가 없다.
따라서 실시예들에 따른 포인트 클라우드 인코더는 상술한 특정 영역(또는 옥트리의 리프 노드를 제외한 노드)에 대해서는 복셀화를 수행하지 않고, 특정 영역에 포함된 포인트들의 포지션을 직접 코딩하는 다이렉트 코딩(Direct coding)을 수행할 수 있다. 실시예들에 따른 다이렉트 코딩 포인트의 좌표들은 다이렉트 코딩 모드(Direct Coding Mode, DCM)으로 호칭된다. 또한 실시예들에 따른 포인트 클라우드 인코더는 표면 모델(surface model)을 기반으로 특정 영역(또는 노드)내의 포인트들의 포지션들을 복셀 기반으로 재구성하는 트라이숩 지오메트리 인코딩(Trisoup geometry encoding)을 수행할 수 있다. 트라이숩 지오메트리 인코딩은 오브젝트의 표현을 삼각형 메쉬(triangle mesh)의 시리즈로 표현하는 지오메트리 인코딩이다. 따라서 포인트 클라우드 디코더는 메쉬 표면으로부터 포인트 클라우드를 생성할 수 있다. 실시예들에 따른 다이렉트 코딩 및 트라이숩 지오메트리 인코딩은 선택적으로 수행될 수 있다. 또한 실시예들에 따른 다이렉트 코딩 및 트라이숩 지오메트리 인코딩은 옥트리 지오메트리 코딩(또는 옥트리 코딩)과 결합되어 수행될 수 있다.
다이렉트 코딩(Direct coding)을 수행하기 위해서는 다이렉트 코딩을 적용하기 위한 직접 모드(direct mode) 사용 옵션이 활성화 되어 있어야 하며, 다이렉트 코딩을 적용할 노드는 리프 노드가 아니고, 특정 노드 내에 한계치(threshold) 이하의 포인트들이 존재해야 한다. 또한 다이텍트 코딩의 대상이 되는 전채 포인트들의 개수는 기설정된 한계값을 넘어서는 안된다. 위의 조건이 만족되면, 실시예들에 따른 포인트 클라우드 인코더(또는 아리스메틱 인코더(40004))는 포인트들의 포지션들(또는 포지션 값들)을 엔트로피 코딩할 수 있다.
실시예들에 따른 포인트 클라우드 인코더(예를 들면 서페이스 어프록시메이션 분석부(40003))는 옥트리의 특정 레벨(레벨은 옥트리의 깊이 d보다는 작은 경우)을 정하고, 그 레벨부터는 표면 모델을 사용하여 노드 영역내의 포인트의 포지션을 복셀 기반으로 재구성하는 트라이숩 지오메트리 인코딩을 수행할 수 있다(트라이숩 모드). 실시예들에 따른 포인트 클라우드 인코더는 트라이숩 지오메트리 인코딩을 적용할 레벨을 지정할 수 있다. 예를 들어, 지정된 레벨이 옥트리의 깊이와 같으면 포인트 클라우드 인코더는 트라이숩 모드로 동작하지 않는다. 즉, 실시예들에 따른 포인트 클라우드 인코더는 지정된 레벨이 옥트리의 깊이값 보다 작은 경우에만 트라이숩 모드로 동작할 수 있다. 실시예들에 따른 지정된 레벨의 노드들의 3차원 정육면체 영역을 블록(block)이라 호칭한다. 하나의 블록은 하나 또는 그 이상의 복셀들을 포함할 수 있다. 블록 또는 복셀은 브릭(brick)에 대응될 수도 있다. 각 블록 내에서 지오메트리는 표면(surface)으로 표현된다. 실시예들에 따른 표면은 최대 한번 블록의 각 엣지(edge, 모서리)와 교차할 수 있다.
하나의 블록은 12개의 엣지들을 가지므로, 하나의 블록 내 적어도 12개의 교차점들이 존재한다. 각 교차점은 버텍스(vertex, 정점 또는 꼭지점)라 호칭된다. 엣지를 따라 존재하는 버텍스은 해당 엣지를 공유하는 모든 블록들 중 그 엣지에 인접한 적어도 하나의 오큐파이드 복셀(occupied voxel)이 있는 경우 감지된다. 실시예들에 따른 오큐파이드 복셀은 포인트를 포함하는 복셀을 의미한다. 엣지를 따라 검출된 버텍스의 포지션은 해당 엣지를 공유하는 모든 블록들 중 해당 엣지에 인접한 모든 복셀들의 엣지에 따른 평균 포지션(the average position along the edge of all voxels)이다.
버텍스가 검출되면 실시예들에 따른 포인트 클라우드 인코더는 엣지의 시작점(x, y, z), 엣지의 방향벡터(Δx, Δy, Δz), 버텍스 위치 값 (엣지 내의 상대적 위치 값)들을 엔트로피코딩할 수 있다. 트라이숩 지오메트리 인코딩이 적용된 경우, 실시예들에 따른 포인트 클라우드 인코더(예를 들면 지오메트리 리컨스트럭션부(40005))는 삼각형 재구성(triangle reconstruction), 업-샘플링(up-sampling), 복셀화 과정을 수행하여 복원된 지오메트리(재구성된 지오메트리)를 생성할 수 있다.
블록의 엣지에 위치한 버텍스들은 블록을 통과하는 표면(surface)를 결정한다. 실시예들에 따른 표면은 비평면 다각형이다. 삼각형 재구성 과정은 엣지의 시작점, 엣지의 방향 벡터와 버텍스의 위치값을 기반으로 삼각형으로 나타내는 표면을 재구성한다. 삼각형 재구성 과정은 다음과 같다. ①각 버텍스들의 중심(centroid)값을 계산하고, ②각 버텍스값에서 중심 값을 뺀 값들에 ③ 자승을 수행하고 그 값을 모두 더한 값을 구한다.
Figure PCTKR2021095003-appb-img-000002
더해진 값의 최소값을 구하고, 최소값이 있는 축에 따라서 프로젝션 (Projection, 투영) 과정을 수행한다. 예를 들어 x 요소(element)가 최소인 경우, 각 버텍스를 블록의 중심을 기준으로 x축으로 프로젝션 시키고, (y, z) 평면으로 프로젝션 시킨다. (y, z)평면으로 프로젝션 시키면 나오는 값이 (ai, bi)라면 atan2(bi, ai)를 통해 θ값을 구하고, θ값을 기준으로 버텍스들(vertices)을 정렬한다. 하기의 표는 버텍스들의 개수에 따라 삼각형을 생성하기 위한 버텍스들의 조합을 나타낸다. 버텍스들은 1부터 n까지의 순서로 정렬된다. 하기 표는4개의 버텍스들에 대하여, 버텍스들의 조합에 따라 두 개의 삼각형들이 구성될 수 있음을 나타낸다. 첫번째 삼각형은 정렬된 버텍스들 중 1, 2, 3번째 버텍스들로 구성되고, 두번째 삼각형은 정렬된 버텍스들 중 3, 4, 1번째 버텍스들로 구성될 수 있다. .
표2-1. Triangles formed from vertices ordered 1,…,n
n triangles
3 (1,2,3)
4 (1,2,3), (3,4,1)
5 (1,2,3), (3,4,5), (5,1,3)
6 (1,2,3), (3,4,5), (5,6,1), (1,3,5)
7 (1,2,3), (3,4,5), (5,6,7), (7,1,3), (3,5,7)
8 (1,2,3), (3,4,5), (5,6,7), (7,8,1), (1,3,5), (5,7,1)
9 (1,2,3), (3,4,5), (5,6,7), (7,8,9), (9,1,3), (3,5,7), (7,9,3)
10 (1,2,3), (3,4,5), (5,6,7), (7,8,9), (9,10,1), (1,3,5), (5,7,9), (9,1,5)
11 (1,2,3), (3,4,5), (5,6,7), (7,8,9), (9,10,11), (11,1,3), (3,5,7), (7,9,11), (11,3,7)
12 (1,2,3), (3,4,5), (5,6,7), (7,8,9), (9,10,11), (11,12,1), (1,3,5), (5,7,9), (9,11,1), (1,5,9)
업샘플링 과정은 삼각형의 엣지를 따라서 중간에 점들을 추가하여 복셀화 하기 위해서 수행된다. 업샘플링 요소 값(upsampling factor)과 블록의 너비를 기준으로 추가 점들을 생성한다. 추가점은 리파인드 버텍스(refined vertice)라고 호칭된다. 실시예들에 따른 포인트 클라우드 인코더는 리파인드 버텍스들을 복셀화할 수 있다. 또한 포인트 클라우드 인코더는 복셀화 된 포지션(또는 포지션 값)을 기반으로 어트리뷰트 인코딩을 수행할 수 있다.
도 7은 실시예들에 따른 이웃 노드 패턴의 예시를 나타낸다.
포인트 클라우드 비디오의 압축 효율을 증가시키기 위하여 실시예들에 따른 포인트 클라우드 인코더는 콘텍스트 어탭티브 아리스메틱 (context adaptive arithmetic) 코딩을 기반으로 엔트로피 코딩을 수행할 수 있다.
도 1 내지 도 6에서 설명한 바와 같이 포인트 클라우드 콘텐트 제공 시스템 또는 포인트 클라우드 인코더(예를 들면 포인트 클라우드 비디오 인코더(10002), 도 4의 포인트 클라우드 인코더 또는 아리스메틱 인코더(40004))는 오큐판시 코드를 곧바로 엔트로피 코딩할 수 있다. 또한 포인트 클라우드 콘텐트 제공 시스템 또는 포인트 클라우드 인코더는 현재 노드의 오큐판시 코드와 이웃 노드들의 오큐판시를 기반으로 엔트로피 인코딩(인트라 인코딩)을 수행하거나, 이전 프레임의 오큐판시 코드를 기반으로 엔트로피 인코딩(인터 인코딩)을 수행할 수 있다. 실시예들에 따른 프레임은 동일한 시간에 생성된 포인트 클라우드 비디오의 집합을 의미한다. 실시예들에 따른 인트라 인코딩/인터 인코딩의 압축 효율은 참조하는 이웃 노드들의 개수에 따라 달라질 수 있다. 비트가 커지면 복잡해지지만 한쪽으로 치우치게 만들어서 압축 효율이 높아질 수 있다. 예를 들어 3-bit context를 가지면, 2의 3승인 = 8가지 방법으로 코딩 해야 한다. 나누어 코딩을 하는 부분은 구현의 복잡도에 영향을 준다. 따라서 압축의 효율과 복잡도의 적정 수준을 맞출 필요가 있다.
도7은 이웃 노드들의 오큐판시를 기반으로 오큐판시 패턴을 구하는 과정을 나타낸다. 실시예들에 따른 포인트 클라우드 인코더는 옥트리의 각 노드의 이웃 노드들의 오큐판시(occupancy)를 판단하고 이웃 노드 패턴(neighbor pattern) 값을 구한다. 이웃 노드 패턴은 해당 노드의 오큐판시 패턴을 추론하기 위해 사용된다. 도7의 왼쪽은 노드에 대응하는 큐브(가운데 위치한 큐브) 및 해당 큐브와 적어도 하나의 면을 공유하는 6개의 큐브들(이웃 노드들)을 나타낸다. 도면에 도시된 노드들은 같은 뎁스(깊이)의 노드들이다. 도면에 도시된 숫자는 6개의 노드들 각각과 연관된 가중치들(1, 2, 4, 8, 16, 32, 등)을 나타낸다. 각 가중치는 이웃 노드들의 위치에 따라 순차적으로 부여된다.
도 7의 오른쪽은 이웃 노드 패턴 값을 나타낸다. 이웃 노드 패턴 값은 오큐파이드 이웃 노드(포인트를 갖는 이웃 노드)의 가중치가 곱해진 값들의 합이다. 따라서 이웃 노드 패턴 값은 0에서 63까지의 값을 갖는다. 이웃 노드 패턴 값이 0 인 경우, 해당 노드의 이웃 노드 중 포인트를 갖는 노드(오큐파이드 노드)가 없음을 나타낸다. 이웃 노드 패턴 값이 63인 경우, 이웃 노드들이 전부 오큐파이드 노드들임을 나타낸다. 도면에 도시된 바와 같이 가중치1, 2, 4, 8가 부여된 이웃 노드들은 오큐파이드 노드들이므로, 이웃 노드 패턴 값은 1, 2, 4, 8을 더한 값인 15이다. 포인트 클라우드 인코더는 이웃 노드 패턴 값에 따라 코딩을 수행할 수 있다(예를 들어 이웃 노드 패턴 값이 63인 경우, 64가지의 코딩을 수행). 실시예들에 따라 포인트 클라우드 인코더는 이웃 노드 패턴 값을 변경 (예를 들면 64를 10 또는 6으로 변경하는 테이블을 기반으로) 하여 코딩의 복잡도를 줄일 수 있다.
도 8은 실시예들에 따른 LOD 별 포인트 구성의 예시를 나타낸다.
도 1 내지 도 7에서 설명한 바와 같이, 어트리뷰트 인코딩이 수행되기 전 인코딩된 지오메트리는 재구성(디컴프레션) 된다. 다이렉트 코딩이 적용된 경우, 지오메트리 재구성 동작은 다이렉트 코딩된 포인트들의 배치를 변경하는 것을 포함할 수 있다(예를 들면 다이렉트 코딩된 포인트들을 포인트 클라우드 데이터의 앞쪽에 배치). 트라이숩 지오메트리 인코딩이 적용된 경우, 지오메트리 재구성 과정은 삼각형 재구성, 업샘플링, 복셀화 과정을 어트리뷰트는 지오메트리에 종속되므로, 어트리뷰트 인코딩은 재구성된 지오메트리를 기반으로 수행된다.
포인트 클라우드 인코더(예를 들면 LOD 생성부(40009))는 포인트들을 LOD별로 분류(reorganization)할 수 있다. 도면은 LOD에 대응하는 포인트 클라우드 콘텐트를 나타낸다. 도면의 왼쪽은 오리지널 포인트 클라우드 콘텐트를 나타낸다. 도면의 왼쪽에서 두번째 그림은 가장 낮은 LOD의 포인트들의 분포를 나타내며, 도면의 가장 오른쪽 그림은 가장 높은 LOD의 포인트들의 분포를 나타낸다. 즉, 가장 낮은 LOD의 포인트들은 드문드문(sparse) 분포하며, 가장 높은 LOD의 포인트들은 촘촘히 분포한다. 즉, 도면 하단에 표시된 화살표 방향에 따라 LOD가 증가할수록 포인트들 간의 간격(또는 거리)는 더 짧아진다.
도 9는 실시예들에 따른 LOD 별 포인트 구성의 예시를 나타낸다.
도 1 내지 도 8에서 설명한 바와 같이 포인트 클라우드 콘텐트 제공 시스템, 또는 포인트 클라우드 인코더(예를 들면 포인트 클라우드 비디오 인코더(10002), 도 4의 포인트 클라우드 인코더, 또는 LOD 생성부(40009))는 LOD를 생성할 수 있다. LOD는 포인트들을 설정된 LOD 거리 값(또는 유클리이디언 디스턴스(Euclidean Distance)의 세트)에 따라 리파인먼트 레벨들(refinement levels)의 세트로 재정열(reorganize)하여 생성된다. LOD 생성 과정은 포인트 클라우드 인코더뿐만 아니라 포인트 클라우드 디코더에서도 수행된다.
도 9의 상단은 3차원 공간에 분포된 포인트 클라우드 콘텐트의 포인트들의 예시(P0내지 P9)를 나타낸다. 도 9의 오리지널 오더(Original order)는 LOD 생성전 포인트들 P0내지 P9의 순서를 나타낸다. 도 9의 LOD 기반 오더 (LOD based order)는 LOD 생성에 따른 포인트들의 순서를 나타낸다. 포인트들은 LOD별 재정열된다. 또한 높은 LOD는 낮은 LOD에 속한 포인트들을 포함한다. 도 9에 도시된 바와 같이 LOD0는 P0, P5, P4 및 P2를 포함한다. LOD1은 LOD0의 포인트들과 P1, P6 및 P3를 포함한다. LOD2는 LOD0의 포인트들, LOD1의 포인트들 및 P9, P8 및 P7을 포함한다.
도 4에서 설명한 바와 같이 실시예들에 따른 포인트 클라우드 인코더는 예측 변환 코딩, 리프팅 변환 코딩 및 RAHT 변환 코딩을 선택적으로 또는 조합하여 수행할 수 있다.
실시예들에 따른 포인트 클라우드 인코더는 포인트들에 대한 예측기(predictor)를 생성하여 각 포인트의 예측 어트리뷰트(또는 예측 어트리뷰트값)을 설정하기 위한 예측 변환 코딩을 수행할 수 있다. 즉, N개의 포인트들에 대하여 N개의 예측기들이 생성될 수 있다. 실시예들에 따른 예측기는 각 포인트의 LOD 값과 LOD별 설정된 거리 내에 존재하는 이웃 포인트들에 대한 인덱싱 정보 및 이웃 포인트들까지의 거리 값을 기반으로 가중치(=1/거리) 값을 계산하할 수 있다.
실시예들에 따른 예측 어트리뷰트(또는 어트리뷰트값)은 각 포인트의 예측기에 설정된 이웃 포인트들의 어트리뷰트들(또는 어트리뷰트 값들, 예를 들면 색상, 반사율 등)에 각 이웃 포인트까지의 거리를 기반으로 계산된 가중치(또는 가중치값)을 곱한 값의 평균값으로 설정된다. 실시예들에 따른 포인트 클라우드 인코더(예를 들면 계수 양자화부(40011)는 각 포인트의 어트리뷰트(어트리뷰트 값)에서 예측 어트리뷰트(어트리뷰트값)을 뺀 잔여값들(residuals, 잔여 어트리뷰트, 잔여 어트리뷰트값, 어트리뷰트 예측 잔여값 등으로 호칭할 수 있다)을 양자화(quatization) 및 역양자화(inverse quantization)할 수 있다. 양자화 과정은 다음의 표에 나타난 바와 같다.
표. Attribute prediction residuals quantization pseudo code
int PCCQuantization(int value, int quantStep) {
if( value >=0) {
return floor(value / quantStep + 1.0 / 3.0);
} else {
return -floor(-value / quantStep + 1.0 / 3.0);
}
}
표. Attribute prediction residuals inverse quantization pseudo code
int PCCInverseQuantization(int value, int quantStep) {
if( quantStep ==0) {
return value;
} else {
return value * quantStep;
}
}
실시예들에 따른 포인트 클라우드 인코더(예를 들면 아리스메틱 인코더(40012))는 각 포인트의 예측기에 이웃한 포인트들이 있는 경우, 상술한 바와 같이 양자화 및 역양자화된 잔여값을 엔트로피 코딩 할 수 있다. 실시예들에 따른 포인트 클라우드 인코더(예를 들면 아리스메틱 인코더(40012))는 각 포인트의 예측기에 이웃한 포인트들이 없으면 상술한 과정을 수행하지 않고 해당 포인트의 어트리뷰트들을 엔트로피 코딩할 수 있다.
실시예들에 따른 포인트 클라우드 인코더 (예를 들면 리프팅 변환부(40010))는 각 포인트의 예측기를 생성하고, 예측기에 계산된 LOD를 설정 및 이웃 포인트들을 등록하고, 이웃 포인트들까지의 거리에 따른 가중치를 설정하여 리프팅 변환 코딩을 수행할 수 있다. 실시예들에 따른 리프팅 변환 코딩은 상술한 예측 변환 코딩과 유사하나, 어트리뷰트값에 가중치를 누적 적용한다는 점에서 차이가 있다. 실시예들에 따른 어트리뷰트값에 가중치를 누적 적용하는 과정은 다음과 같다.
1) 각 포인트의 가중치 값을 저장하는 배열 QW(QuantizationWieght)를 생성한다. QW의 모든 요소들의 초기값은 1.0이다. 예측기에 등록된 이웃 노드의 예측기 인덱스의 QW 값에 현재 포인트의 예측기의 가중치를 곱한 값을 더한다.
2) 리프트 예측 과정: 예측된 어트리뷰트 값을 계산하기 위하여 포인트의 어트리뷰트 값에 가중치를 곱한 값을 기존 어트리뷰트값에서 뺀다.
3) 업데이트웨이트(updateweight) 및 업데이트(update)라는 임시 배열들을 생성하고 임시 배열들을 0으로 초기화한다.
4) 모든 예측기에 대해서 계산된 가중치에 예측기 인덱스에 해당하는 QW에 저장된 가중치를 추가로 곱해서 산출된 가중치를 업데이트웨이트 배열에 이웃 노드의 인덱스로 누적으로 합산한다. 업데이트 배열에는 이웃 노드의 인덱스의 어트리뷰트 값에 산출된 가중치를 곱한 값을 누적 합산한다.
5) 리프트 업데이트 과정: 모든 예측기에 대해서 업데이트 배열의 어트리뷰트 값을 예측기 인덱스의 업데이트웨이트 배열의 가중치 값으로 나누고, 나눈 값에 다시 기존 어트리뷰트 값을 더한다.
6) 모든 예측기에 대해서, 리프트 업데이트 과정을 통해 업데이트된 어트리뷰트 값에 리프트 예측 과정을 통해 업데이트 된(QW에 저장된) 가중치를 추가로 곱하여 예측 어트리뷰트 값을 산출한다. 실시예들에 따른 포인트 클라우드 인코더(예를 들면 계수 양자화부(40011))는 예측 어트리뷰트 값을 양자화한다. 또한 포인트 클라우드 인코더(예를 들면 아리스메틱 인코더(40012))는 양자화된 어트리뷰트 값을 엔트로피 코딩한다.
실시예들에 따른 포인트 클라우드 인코더(예를 들면 RAHT 변환부(40008))는 옥트리의 하위 레벨에 있는 노드와 연관된 어트리뷰트를 사용하여 상위 레벨의 노드들의 어트리뷰트를 에측하는 RAHT 변환 코딩을 수행할 수 있다. RAHT 변환 코딩은 옥트리 백워드 스캔을 통한 어트리뷰트 인트라 코딩의 예시이다. 실시예들에 따른 포인트 클라우드 인코더는 복셀에서 전체 영역으로 스캔하고, 각 스텝에서 복셀을 더 큰 블록으로 합치면서 루트 노드까지의 병합 과정을 반복수행한다. 실시예들에 따른 병합 과정은 오큐파이드 노드에 대해서만 수행된다. 엠티 노드(empty node)에 대해서는 병합 과정이 수행되지 않으며, 엠티 노드의 바로 상위 노드에 대해 병합 과정이 수행된다.
하기의 식은 RAHT 변환 행렬을 나타낸다.
Figure PCTKR2021095003-appb-img-000003
는 레벨 l에서의 복셀들의 평균 어트리뷰트 값을 나타낸다.
Figure PCTKR2021095003-appb-img-000004
는
Figure PCTKR2021095003-appb-img-000005
와
Figure PCTKR2021095003-appb-img-000006
로부터 계산될 수 있다.
Figure PCTKR2021095003-appb-img-000007
와
Figure PCTKR2021095003-appb-img-000008
의 가중치
Figure PCTKR2021095003-appb-img-000009
과
Figure PCTKR2021095003-appb-img-000010
이다.
Figure PCTKR2021095003-appb-img-000011
Figure PCTKR2021095003-appb-img-000012
는 로-패스(low-pass) 값으로, 다음 상위 레벨에서의 병합 과정에서 사용된다.
Figure PCTKR2021095003-appb-img-000013
은 하이패스 계수(high-pass coefficients)이며, 각 스텝에서의 하이패스 계수들은 양자화되어 엔트로피 코딩 된다(예를 들면 아리스메틱 인코더(400012)의 인코딩). 가중치는
Figure PCTKR2021095003-appb-img-000014
로 계산된다. 루트 노드는 마지막
Figure PCTKR2021095003-appb-img-000015
과
Figure PCTKR2021095003-appb-img-000016
을 통해서 다음과 같이 생성된다.,
Figure PCTKR2021095003-appb-img-000017
gDC값 또한 하이패스 계수와 같이 양자화되어 엔트로피 코딩된다.
도 10은 실시예들에 따른 포인트 클라우드 디코더(Point Cloud Decoder)의 예시를 나타낸다.
도 10에 도시된 포인트 클라우드 디코더는 도 1에서 설명한 포인트 클라우드 비디오 디코더(10006) 예시로서, 도 1에서 설명한 포인트 클라우드 비디오 디코더(10006)의 동작 등과 동일 또는 유사한 동작을 수행할 수 있다. 도면이 도시된 바와 같이 포인트 클라우드 디코더는 하나 또는 그 이상의 비트스트림(bitstream)들에 포함된 지오메트리 비트스트림(geometry bitstream) 및 어트리뷰트 비트스트림(attribute bitstream)을 수신할 수 있다. 포인트 클라우드 디코더는 지오메트리 디코더(geometry decoder)및 어트리뷰트 디코더(attribute decoder)를 포함한다. 지오메트리 디코더는 지오메트리 비트스트림에 대해 지오메트리 디코딩을 수행하여 디코딩된 지오메트리(decoded geometry)를 출력한다. 어트리뷰트 디코더는 디코딩된 지오메트리 및 어트리뷰트 비트스트림을 기반으로 어트리뷰트 디코딩을 수행하여 디코딩된 어트리뷰트들(decoded attributes)을 출력한다. 디코딩된 지오메트리 및 디코딩된 어트리뷰트들은 포인트 클라우드 콘텐트를 복원(decoded point cloud)하는데 사용된다.
도 11은 실시예들에 따른 포인트 클라우드 디코더(Point Cloud Decoder)의 예시를 나타낸다.
도 11에 도시된 포인트 클라우드 디코더는 도 10에서 설명한 포인트 클라우드 디코더의 예시로서, 도 1 내지 도 9에서 설명한 포인트 클라우드 인코더의 인코딩 동작의 역과정인 디코딩 동작을 수행할 수 있다.
도 1 및 도 10에서 설명한 바와 같이 포인트 클라우드 디코더는 지오메트리 디코딩 및 어트리뷰트 디코딩을 수행할 수 있다. 지오메트리 디코딩은 어트리뷰트 디코딩보다 먼저 수행된다.
실시예들에 따른 포인트 클라우드 디코더는 아리스메틱 디코더(arithmetic decode, 11000), 옥트리 합성부(synthesize octree, 11001), 서페이스 오프록시메이션 합성부(synthesize surface approximation, 11002), 지오메트리 리컨스트럭션부(reconstruct geometry, 11003), 좌표계 역변환부(inverse transform coordinates, 11004), 아리스메틱 디코더(arithmetic decode, 11005), 역양자화부(inverse quantize, 11006), RAHT변환부(11007), LOD생성부(generate LOD, 11008), 인버스 리프팅부(Inverse lifting, 11009), 및/또는 컬러 역변환부(inverse transform colors, 11010)를 포함한다.
아리스메틱 디코더(11000), 옥트리 합성부(11001), 서페이스 오프록시메이션 합성부(11002), 지오메트리 리컨스럭션부(11003), 좌표계 역변환부(11004)는 지오메트리 디코딩을 수행할 수 있다. 실시예들에 따른 지오메트리 디코딩은 다이렉트 코딩(direct coding) 및 트라이숩 지오메트리 디코딩(trisoup geometry decoding)을 포함할 수 있다. 다이렉트 코딩 및 트라이숩 지오메트리 디코딩은 선택적으로 적용된다. 또한 지오메트리 디코딩은 위의 예시에 국한되지 않으며, 도 1 내지 도 9에서 설명한 지오메트리 인코딩의 역과정으로 수행된다.
실시예들에 따른 아리스메틱 디코더(11000)는 수신한 지오메트리 비트스트림을 아리스메틱 코딩을 기반으로 디코딩한다. 아리스메틱 디코더(11000)의 동작은 아리스메틱 인코더(40004)의 역과정에 대응한다.
실시예들에 따른 옥트리 합성부(11001)는 디코딩된 지오메트리 비트스트림으로부터 (또는 디코딩 결과 확보된 지오메트리에 관한 정보)로부터 오큐판시 코드를 획득하여 옥트리를 생성할 수 있다. 오큐판시 코드에 대한 구체적인 설명은 도 1 내지 도 9에서 설명한 바와 같다.
실시예들에 따른 서페이스 오프록시메이션 합성부(11002)는 트라이숩 지오메트리 인코딩이 적용된 경우, 디코딩된 지오메트리 및/또는 생성된 옥트리에 기반하여 서페이스를 합성할 수 있다.
실시예들에 따른 지오메트리 리컨스트럭션부(11003)는 서페이스 및 또는 디코딩된 지오메트리에 기반하여 지오메트리를 재생성할 수 있다. 도 1 내지 도 9에서 설명한 바와 같이, 다이렉트 코딩 및 트라이숩 지오메트리 인코딩은 선택적으로 적용된다. 따라서 지오메트리 리컨스트럭션부(11003)는 다이렉트 코딩이 적용된 포인트들의 포지션 정보들을 직접 가져와서 추가한다. 또한, 트라이숩 지오메트리 인코딩이 적용된 경우, 지오메트리 리컨스트럭션부(11003)는 지오메트리 리컨스트럭션부(40005)의 재구성 동작, 예를 들면 삼각형 재구성, 업-샘플링, 복셀화 동작을 수행하여 지오메트리를 복원할 수 있다. 구체적인 내용은 도 6에서 설명한 바와 동일하므로 생략한다. 복원된 지오메트리는 어트리뷰트들을 포함하지 않는 포인트 클라우드 픽쳐 또는 프레임을 포함할 수 있다.
실시예들에 따른 좌표계 역변환부(11004)는 복원된 지오메트리를 기반으로 좌표계를 변환하여 포인트들의 포지션들을 획득할 수 있다.
아리스메틱 디코더(11005), 역양자화부(11006), RAHT 변환부(11007), LOD생성부(11008), 인버스 리프팅부(11009), 및/또는 컬러 역변환부(11010)는 도 10에서 설명한 어트리뷰트 디코딩을 수행할 수 있다. 실시예들에 따른 어트리뷰트 디코딩은 RAHT(Region Adaptive Hierarchial Transform) 디코딩, 예측 변환(Interpolaration-based hierarchical nearest-neighbour prediction-Prediction Transform) 디코딩 및 리프팅 변환 (interpolation-based hierarchical nearest-neighbour prediction with an update/lifting step (Lifting Transform)) 디코딩을 포함할 수 있다. 상술한 3가지의 디코딩들은 선택적으로 사용되거나, 하나 또는 그 이상의 디코딩들의 조합이 사용될 수 있다. 또한 실시예들에 따른 어트리뷰트 디코딩은 상술한 예시에 국한되는 것은 아니다.
실시예들에 따른 아리스메틱 디코더(11005)는 어트리뷰트 비트스트림을 아리스메틱 코딩으로 디코딩한다.
실시예들에 따른 역양자화부(11006)는 디코딩된 어트리뷰트 비트스트림 또는 디코딩 결과 확보한 어트리뷰트에 대한 정보를 역양자화(inverse quantization)하고 역양자화된 어트리뷰트들(또는 어트리뷰트 값들)을 출력한다. 역양자화는 포인트 클라우드 인코더의 어트리뷰트 인코딩에 기반하여 선택적으로 적용될 수 있다.
실시예들에 따라 RAHT 변환부(11007), LOD생성부(11008) 및/또는 인버스 리프팅부(11009)는 재구성된 지오메트리 및 역양자화된 어트리뷰트들을 처리할 수 있다. 상술한 바와 같이 RAHT 변환부(11007), LOD생성부(11008) 및/또는 인버스 리프팅부(11009)는 포인트 클라우드 인코더의 인코딩에 따라 그에 대응하는 디코딩 동작을 선택적으로 수행할 수 있다.
실시예들에 따른 컬러 역변환부(11010)는 디코딩된 어트리뷰트들에 포함된 컬러 값(또는 텍스쳐)을 역변환하기 위한 역변환 코딩을 수행한다. 컬러 역변환부(11010)의 동작은 포인트 클라우드 인코더의 컬러 변환부(40006)의 동작에 기반하여 선택적으로 수행될 수 있다.
도 11의 포인트 클라우드 디코더의 엘레멘트들은 도면에 도시되지 않았으나 포인트 클라우드 제공 장치에 포함된 하나 또는 그 이상의 메모리들과 통신가능하도록 설정된 하나 또는 그 이상의 프로세서들 또는 집적 회로들(integrated circuits)을 포함하는 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합으로 구현될 수 있다. 하나 또는 그 이상의 프로세서들은 상술한 도 11의 포인트 클라우드 디코더의 엘레멘트들의 동작들 및/또는 기능들 중 적어도 어느 하나 이상을 수행할 수 있다. 또한 하나 또는 그 이상의 프로세서들은 도11의 포인트 클라우드 디코더의 엘레멘트들의 동작들 및/또는 기능들을 수행하기 위한 소프트웨어 프로그램들 및/또는 인스트럭션들의 세트를 동작하거나 실행할 수 있다.
도 12는 실시예들에 따른 전송 장치의 예시이다.
도 12에 도시된 전송 장치는 도 1의 전송장치(10000) (또는 도 4의 포인트 클라우드 인코더)의 예시이다. 도 12에 도시된 전송 장치는 도 1 내지 도 9에서 설명한 포인트 클라우드 인코더의 동작들 및 인코딩 방법들과 동일 또는 유사한 동작들 및 방법들 중 적어도 어느 하나 이상을 수행할 수 있다. 실시예들에 따른 전송 장치는 데이터 입력부(12000), 양자화 처리부(12001), 복셀화 처리부(12002), 옥트리 오큐판시 코드 (Occupancy code) 생성부(12003), 표면 모델 처리부(12004), 인트라/인터 코딩 처리부(12005), 아리스메틱 (Arithmetic) 코더(12006), 메타데이터 처리부(12007), 색상 변환 처리부(12008), 어트리뷰트 변환 처리부(또는 속성 변환 처리부)(12009), 예측/리프팅/RAHT 변환 처리부(12010), 아리스메틱 (Arithmetic) 코더(12011) 및/또는 전송 처리부(12012)를 포함할 수 있다.
실시예들에 따른 데이터 입력부(12000)는 포인트 클라우드 데이터를 수신 또는 획득한다. 데이터 입력부(12000)는 포인트 클라우드 비디오 획득부(10001)의 동작 및/또는 획득 방법(또는 도2에서 설명한 획득과정(20000))과 동일 또는 유사한 동작 및/또는 획득 방법을 수행할 수 있다.
데이터 입력부(12000), 양자화 처리부(12001), 복셀화 처리부(12002), 옥트리 오큐판시 코드 (Occupancy code) 생성부(12003), 표면 모델 처리부(12004), 인트라/인터 코딩 처리부(12005), Arithmetic 코더(12006)는 지오메트리 인코딩을 수행한다. 실시예들에 따른 지오메트리 인코딩은 도 1 내지 도 9에서 설명한 지오메트리 인코딩과 동일 또는 유사하므로 구체적인 설명은 생략한다.
실시예들에 따른 양자화 처리부(12001)는 지오메트리(예를 들면 포인트들의 위치값, 또는 포지션값)을 양자화한다. 양자화 처리부(12001)의 동작 및/또는 양자화는 도 4에서 설명한 양자화부(40001)의 동작 및/또는 양자화와 동일 또는 유사하다. 구체적인 설명은 도 1 내지 도 9에서 설명한 바와 동일하다.
실시예들에 따른 복셀화 처리부(12002)는 양자화된 포인트들의 포지션 값을 복셀화한다. 복셀화 처리부(120002)는 도 4에서 설명한 양자화부(40001)의 동작 및/또는 복셀화 과정과 동일 또는 유사한 동작 및/또는 과정을 수행할 수 있다. 구체적인 설명은 도 1 내지 도 9에서 설명한 바와 동일하다.
실시예들에 따른 옥트리 오큐판시 코드 생성부(12003)는 복셀화된 포인트들의 포지션들을 옥트리 구조를 기반으로 옥트리 코딩을 수행한다. 옥트리 오큐판시 코드 생성부(12003)는 오큐판시 코드를 생성할 수 있다. 옥트리 오큐판시 코드 생성부(12003)는 도 4 및 도 6에서 설명한 포인트 클라우드 인코더 (또는 옥트리 분석부(40002))의 동작 및/또는 방법과 동일 또는 유사한 동작 및/또는 방법을 수행할 수 있다. 구체적인 설명은 도 1 내지 도 9에서 설명한 바와 동일하다.
실시예들에 따른 표면 모델 처리부(12004)는 표면 모델(surface model)을 기반으로 특정 영역(또는 노드)내의 포인트들의 포지션들을 복셀 기반으로 재구성하는 트라이숩 지오메트리 인코딩을 수행할 수 있다. 포면 모델 처리부(12004)는 도 4 에서 설명한 포인트 클라우드 인코더(예를 들면 서페이스 어프록시메이션 분석부(40003))의 동작 및/또는 방법과 동일 또는 유사한 동작 및/또는 방법을 수행할 수 있다. 구체적인 설명은 도 1 내지 도 9에서 설명한 바와 동일하다.
실시예들에 따른 인트라/인터 코딩 처리부(12005)는 포인트 클라우드 데이터를 인트라/인터 코딩할 수 있다. 인트라/인터 코딩 처리부(12005)는 도 7에서 설명한 인트라/인터 코딩과 동일 또는 유사한 코딩을 수행할 수 있다. 구체적인 설명은 도 7에서 설명한 바와 동일하다. 실시예들에 따라 인트라/인터 코딩 처리부(12005)는 아리스메틱 코더(12006)에 포함될 수 있다.
실시예들에 따른 아리스메틱 코더(12006)는 포인트 클라우드 데이터의 옥트리 및/또는 근사화된 옥트리를 엔트로피 인코딩한다. 예를 들어, 인코딩 방식은 아리스메틱(Arithmetic) 인코딩 방법을 포함한다. . 아리스메틱 코더(12006)는 아리스메틱 인코더(40004)의 동작 및/또는 방법과 동일 또는 유사한 동작 및/또는 방법을 수행한다.
실시예들에 따른 메타데이터 처리부(12007)는 포인트 클라우드 데이터에 관한 메타데이터, 예를 들어 설정 값 등을 처리하여 지오메트리 인코딩 및/또는 어트리뷰트 인코딩 등 필요한 처리 과정에 제공한다. 또한 실시예들에 따른 메타데이터 처리부(12007)는 지오메트리 인코딩 및/또는 어트리뷰트 인코딩과 관련된 시그널링 정보를 생성 및/또는 처리할 수 있다. 실시예들에 따른 시그널링 정보는 지오메트리 인코딩 및/또는 어트리뷰트 인코딩과 별도로 인코딩처리될 수 있다. 또한 실시예들에 따른 시그널링 정보는 인터리빙 될 수도 있다.
색상 변환 처리부(12008), 어트리뷰트 변환 처리부(12009), 예측/리프팅/RAHT 변환 처리부(12010), 아리스메틱 (Arithmetic) 코더(12011)는 어트리뷰트 인코딩을 수행한다. 실시예들에 따른 어트리뷰트 인코딩은 도 1 내지 도 9에서 설명한 어트리뷰트 인코딩과 동일 또는 유사하므로 구체적인 설명은 생략한다.
실시예들에 따른 색상 변환 처리부(12008)는 어트리뷰트들에 포함된 색상값을 변환하는 색상 변환 코딩을 수행한다. 색상 변환 처리부(12008)는 재구성된 지오메트리를 기반으로 색상 변환 코딩을 수행할 수 있다. 재구성된 지오메트리에 대한 설명은 도 1 내지 도 9에서 설명한 바와 동일하다. 또한 도 4에서 설명한 컬러 변환부(40006)의 동작 및/또는 방법과 동일 또는 유사한 동작 및/또는 방법을 수행한다. 구체적인 설명은 생략한다.
실시예들에 따른 어트리뷰트 변환 처리부(12009)는 지오메트리 인코딩이 수행되지 않은 포지션들 및/또는 재구성된 지오메트리를 기반으로 어트리뷰트들을 변환하는 어트리뷰트 변환을 수행한다. 어트리뷰트 변환 처리부(12009)는 도 4에 설명한 어트리뷰트 변환부(40007)의 동작 및/또는 방법과 동일 또는 유사한 동작 및/또는 방법을 수행한다. 구체적인 설명은 생략한다. 실시예들에 따른 예측/리프팅/RAHT 변환 처리부(12010)는 변환된 어트리뷰트들을 RAHT 코딩, 예측 변환 코딩 및 리프팅 변환 코딩 중 어느 하나 또는 조합하여 코딩할 수 있다. 예측/리프팅/RAHT 변환 처리부(12010)는 도 4에서 설명한 RAHT 변환부(40008), LOD 생성부(40009) 및 리프팅 변환부(40010)의 동작들과 동일 또는 유사한 동작들 중 적어도 하나 이상을 수행한다. 또한 예측 변환 코딩, 리프팅 변환 코딩 및 RAHT 변환 코딩에 대한 설명은 도 1 내지 도 9에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
실시예들에 따른 아리스메틱 코더(12011)는 코딩된 어트리뷰트들을 아리스메틱 코딩에 기반하여 인코딩할 수 있다. 아리스메틱 코더(12011)는 아리스메틱 인코더(400012)의 동작 및/또는 방법과 동일 또는 유사한 동작 및/또는 방법을 수행한다.
실시예들에 따른 전송 처리부(12012)는 인코딩된 지오메트리 및/또는 인코딩된 어트리뷰트, 메타 데이터 정보를 포함하는 각 비트스트림을 전송하거나, 인코딩된 지오메트리 및/또는 인코딩된 어트리뷰트, 메타 데이터 정보를 하나의 비트스트림으로 구성하여 전송할 수 있다. 실시예들에 따른 인코딩된 지오메트리 및/또는 인코딩된 어트리뷰트, 메타 데이터 정보가 하나의 비트스트림으로 구성되는 경우, 비트스트림은 하나 또는 그 이상의 서브 비트스트림들을 포함할 수 있다. 실시예들에 따른 비트스트림은 시퀀스 레벨의 시그널링을 위한 SPS (Sequence Parameter Set), 지오메트리 정보 코딩의 시그널링을 위한 GPS(Geometry Parameter Set), 어트리뷰트 정보 코딩의 시그널링을 위한 APS(Attribute Parameter Set), 타일 레벨의 시그널링을 위한 TPS (Tile Parameter Set)를 포함하는 시그널링 정보 및 슬라이스 데이터를 포함할 수 있다. 슬라이스 데이터는 하나 또는 그 이상의 슬라이스들에 대한 정보를 포함할 수 있다. 실시예들에 따른 하나의 슬라이스는 하나의 지오메트리 비트스트림(Geom0 0) 및 하나 또는 그 이상의 어트리뷰트 비트스트림들(Attr0 0, Attr1 0)을 포함할 수 있다.
슬라이스(slice)란, 코딩된 포인트 클라우드 프레임의 전체 또는 일부를 나타내는 신택스 엘리먼트의 시리즈를 말한다.
실시예들에 따른 TPS는 하나 또는 그 이상의 타일들에 대하여 각 타일에 관한 정보(예를 들면 bounding box의 좌표값 정보 및 높이/크기 정보 등)을 포함할 수 있다. 지오메트리 비트스트림은 헤더와 페이로드를 포함할 수 있다. 실시예들에 따른 지오메트리 비트스트림의 헤더는 GPS에 포함된 파라미터 세트의 식별 정보(geom_ parameter_set_id), 타일 식별자(geom_tile_id), 슬라이스 식별자(geom_slice_id) 및 페이로드에 포함된 데이터에 관한 정보 등을 포함할 수 있다. 상술한 바와 같이 실시예들에 따른 메타데이터 처리부(12007)는 시그널링 정보를 생성 및/또는 처리하여 전송 처리부(12012)로 전송할 수 있다. 실시예들에 따라, 지오메트리 인코딩을 수행하는 엘레멘트들 및 어트리뷰트 인코딩을 수행하는 엘레멘트들은 점선 처리된 바와 같이 상호 데이터/정보를 공유할 수 있다. 실시예들에 따른 전송 처리부(12012)는 트랜스미터(10003)의 동작 및/또는 전송 방법과 동일 또는 유사한 동작 및/또는 전송 방법을 수행할 수 있다. 구체적인 설명은 도 1 내지 도 2에서 설명한 바와 동일하므로 생략한다.
도 13은 실시예들에 따른 수신 장치의 예시이다.
도 13에 도시된 수신 장치는 도 1의 수신장치(10004) (또는 도 10 및 도 11의 포인트 클라우드 디코더)의 예시이다. 도 13에 도시된 수신 장치는 도 1 내지 도 11에서 설명한 포인트 클라우드 디코더의 동작들 및 디코딩 방법들과 동일 또는 유사한 동작들 및 방법들 중 적어도 어느 하나 이상을 수행할 수 있다.
실시예들에 따른 수신 장치는 수신부(13000), 수신 처리부(13001), 아리스메틱 (arithmetic) 디코더(13002), 오큐판시 코드 (Occupancy code) 기반 옥트리 재구성 처리부(13003), 표면 모델 처리부(삼각형 재구성, 업-샘플링, 복셀화)(13004), 인버스(inverse) 양자화 처리부(13005), 메타데이터 파서(13006), 아리스메틱 (arithmetic) 디코더(13007), 인버스(inverse)양자화 처리부(13008), 예측/리프팅/RAHT 역변환 처리부(13009), 색상 역변환 처리부(13010) 및/또는 렌더러(13011)를 포함할 수 있다. 실시예들에 따른 디코딩의 각 구성요소는 실시예들에 따른 인코딩의 구성요소의 역과정을 수행할 수 있다.
실시예들에 따른 수신부(13000)는 포인트 클라우드 데이터를 수신한다. 수신부(13000)는 도 1의 리시버(10005)의 동작 및/또는 수신 방법과 동일 또는 유사한 동작 및/또는 수신 방법을 수행할 수 있다. 구체적인 설명은 생략한다.
실시예들에 따른 수신 처리부(13001)는 수신한 데이터로부터 지오메트리 비트스트림 및/또는 어트리뷰트 비트스트림을 획득할 수 있다. 수신 처리부(13001)는 수신부(13000)에 포함될 수 있다.
아리스메틱 디코더(13002), 오큐판시 코드 기반 옥트리 재구성 처리부(13003), 표면 모델 처리부(13004) 및 인버스 양자화 처리부(13005)는 지오메트리 디코딩을 수행할 수 있다. 실시예들에 따른 지오메트리 디코딩은 도 1 내지 도 10에서 설명한 지오메트리 디코딩과 동일 또는 유사하므로 구체적인 설명은 생략한다.
실시예들에 따른 아리스메틱 디코더(13002)는 지오메트리 비트스트림을 아리스메틱 코딩을 기반으로 디코딩할 수 있다. 아리스메틱 디코더(13002)는 아리스메틱 디코더(11000)의 동작 및/또는 코딩과 동일 또는 유사한 동작 및/또는 코딩을 수행한다.
실시예들에 따른 오큐판시 코드 기반 옥트리 재구성 처리부(13003)는 디코딩된 지오메트리 비트스트림으로부터 (또는 디코딩 결과 확보된 지오메트리에 관한 정보)로부터 오큐판시 코드를 획득하여 옥트리를 재구성할 수 있다. 오큐판시 코드 기반 옥트리 재구성 처리부(13003)는 옥트리 합성부(11001)의 동작 및/또는 옥트리 생성 방법과 동일 또는 유사한 동작 및/또는 방법을 수행한다. 실시예들에 따른 표면 모델 처리부(13004)는 트라이숩 지오메트리 인코딩이 적용된 경우, 표면 모델 방식에 기반하여 트라이숩 지오메트리 디코딩 및 이와 관련된 지오메트리 리컨스트럭션(예를 들면 삼각형 재구성, 업-샘플링, 복셀화)을 수행할 수 있다. 표면 모델 처리부(13004)는 서페이스 오프록시메이션 합성부(11002) 및/또는 지오메트리 리컨스트럭션부(11003)의 동작과 동일 또는 유사한 동작을 수행한다.
실시예들에 따른 인버스 양자화 처리부(13005)는 디코딩된 지오메트리를 인버스 양자화할 수 있다.
실시예들에 따른 메타데이터 파서(13006)는 수신한 포인트 클라우드 데이터에 포함된 메타데이터, 예를 들어 설정 값 등을 파싱할 수 있다. 메타데이터 파서(13006)는 메타데이터를 지오메트리 디코딩 및/또는 어트리뷰트 디코딩에 전달할 수 있다. 메타데이터에 대한 구체적인 설명은 도 12에서 설명한 바와 동일하므로 생략한다.
아리스메틱 디코더(13007), 인버스 양자화 처리부(13008), 예측/리프팅/RAHT 역변환 처리부(13009) 및 색상 역변환 처리부(13010)는 어트리뷰트 디코딩을 수행한다. 어트리뷰트 디코딩는 도 1 내지 도 10에서 설명한 어트리뷰트 디코딩과 동일 또는 유사하므로 구체적인 설명은 생략한다.
실시예들에 따른 아리스메틱 디코더(13007)는 어트리뷰트 비트스트림을 아리스메틱 코딩으로 디코딩할 수 있다. 아리스메틱 디코더(13007)는 재구성된 지오메트리를 기반으로 어트리뷰트 비트스트림의 디코딩을 수행할 수 있다. 아리스메틱 디코더(13007)는 아리스메틱 디코더(11005)의 동작 및/또는 코딩과 동일 또는 유사한 동작 및/또는 코딩을 수행한다.
실시예들에 따른 인버스 양자화 처리부(13008)는 디코딩된 어트리뷰트 비트스트림을 인버스 양자화할 수 있다. 인버스 양자화 처리부(13008)는 역양자화부(11006)의 동작 및/또는 역양자화 방법과 동일 또는 유사한 동작 및/또는 방법을 수행한다.
실시예들에 따른 예측/리프팅/RAHT 역변환 처리부(13009)는 재구성된 지오메트리 및 역양자화된 어트리뷰트들을 처리할 수 있다. 예측/리프팅/RAHT 역변환 처리부(13009)는 RAHT 변환부(11007), LOD생성부(11008) 및/또는 인버스 리프팅부(11009)의 동작들 및/또는 디코딩들과 동일 또는 유사한 동작들 및/또는 디코딩들 중 적어도 어느 하나 이상을 수행한다. 실시예들에 따른 색상 역변환 처리부(13010)는 디코딩된 어트리뷰트들에 포함된 컬러 값(또는 텍스쳐)을 역변환하기 위한 역변환 코딩을 수행한다. 색상 역변환 처리부(13010)는 컬러 역변환부(11010)의 동작 및/또는 역변환 코딩과 동일 또는 유사한 동작 및/또는 역변환 코딩을 수행한다. 실시예들에 따른 렌더러(13011)는 포인트 클라우드 데이터를 렌더링할 수 있다.
도 14는 실시예들에 따른 포인트 클라우드 데이터 송수신 방법/장치와 연동 가능한 구조의 예시를 나타낸다.
도 14의 구조는 서버(1460), 로봇(1410), 자율 주행 차량(1420), XR 장치(1430), 스마트폰(1440), 가전(1450) 및/또는 HMD(1470) 중에서 적어도 하나 이상이 클라우드 네트워크(1410)와 연결된 구성을 나타낸다. 로봇(1410), 자율 주행 차량(1420), XR 장치(1430), 스마트폰(1440) 또는 가전(1450) 등은 장치라 호칭된다. 또한, XR 장치(1430)는 실시예들에 따른 포인트 클라우드 데이터 (PCC) 장치에 대응되거나 PCC장치와 연동될 수 있다.
클라우드 네트워크(1400)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(1400)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
서버(1460)는 로봇(1410), 자율 주행 차량(1420), XR 장치(1430), 스마트폰(1440), 가전(1450) 및/또는 HMD(1470) 중에서 적어도 하나 이상과 클라우드 네트워크(1400)을 통하여 연결되고, 연결된 장치들(1410 내지 1470)의 프로세싱을 적어도 일부를 도울 수 있다.
HMD (Head-Mount Display)(1470)는 실시예들에 따른 XR 디바이스 및/또는 PCC 디바이스가 구현될 수 있는 타입 중 하나를 나타낸다. 실시예들에 따른HMD 타입의 디바이스는, 커뮤니케이션 유닛, 컨트롤 유닛, 메모리 유닛, I/O 유닛, 센서 유닛, 그리고 파워 공급 유닛 등을 포함한다.
이하에서는, 상술한 기술이 적용되는 장치(1410 내지 1450)의 다양한 실시 예들을 설명한다. 여기서, 도 14에 도시된 장치(1410 내지 1450)는 상술한 실시예들에 따른 포인트 클라우드 데이터 송수신 장치와 연동/결합될 수 있다.
<PCC+XR>
XR/PCC 장치(1430)는 PCC 및/또는 XR(AR+VR) 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수도 있다.
XR/PCC 장치(1430)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 어트리뷰트 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR/PCC 장치(1430)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
<PCC+XR+모바일폰>
XR/PCC 장치(1430)는 PCC기술이 적용되어 모바일폰(1440) 등으로 구현될 수 있다.
모바일폰(1440)은 PCC 기술에 기반하여 포인트 클라우드 콘텐츠를 디코딩하고, 디스플레이할 수 있다.
<PCC+자율주행+XR>
자율 주행 차량(1420)은 PCC 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR/PCC 기술이 적용된 자율 주행 차량(1420)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(1420)은 XR 장치(1430)와 구분되며 서로 연동될 수 있다.
XR/PCC영상을 제공하는 수단을 구비한 자율 주행 차량(1420)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR/PCC 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(1420)은 HUD를 구비하여 XR/PCC 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR/PCC 객체를 제공할 수 있다.
이때, XR/PCC 객체가 HUD에 출력되는 경우에는 XR/PCC 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR/PCC 객체가 자율 주행 차량의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR/PCC 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(1220)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR/PCC 객체들을 출력할 수 있다.
실시예들에 의한 VR (Virtual Reality) 기술, AR (Augmented Reality) 기술, MR (Mixed Reality) 기술 및/또는 PCC(Point Cloud Compression)기술은, 다양한 디바이스에 적용 가능하다.
즉, VR 기술은, 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하는 디스플레이 기술이다. 반면, AR 기술은, 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 보여 주는 기술을 의미한다. 나아가, MR 기술은, 현실세계에 가상 객체들을 섞고 결합시켜서 보여준다는 점에서 전술한 AR 기술과 유사하다. 그러나, AR 기술에서는 현실 객체와 CG 영상으로 만들어진 가상 객체의 구별이 뚜렷하고, 현실 객체를 보완하는 형태로 가상 객체를 사용하는 반면, MR 기술에서는 가상 객체가 현실 객체와 동등한 성격으로 간주된다는 점에서 AR 기술과는 구별이 된다. 보다 구체적으로 예를 들면, 전술한 MR 기술이 적용된 것이 홀로그램 서비스 이다.
다만, 최근에는 VR, AR, MR 기술을 명확히 구별하기 보다는 XR (extended Reality) 기술로 부르기도 한다. 따라서, 본 발명의 실시예들은 VR, AR, MR, XR 기술 모두에 적용 가능하다. 이러한 기술은 PCC, V-PCC, G-PCC 기술 기반 인코딩/디코딩이 적용될 수 있다.
실시예들에 따른 PCC방법/장치는 자율 주행 서비스를 제공하는 차량에 적용될 수 있다.
자율 주행 서비스를 제공하는 차량은 PCC 디바이스와 유/무선 통신이 가능하도록 연결된다.
실시예들에 따른 포인트 클라우드 데이터 (PCC) 송수신 장치는 차량과 유/무선 통신이 가능하도록 연결된 경우, 자율 주행 서비스와 함께 제공할 수 있는 AR/VR/PCC 서비스 관련 콘텐트 데이터를 수신/처리하여 차량에 전송할 수 있다. 또한 포인트 클라우드 데이터 송수신 장치 차량에 탑재된 경우, 포인트 클라우드 송수신 장치는 사용자 인터페이스 장치를 통해 입력된 사용자 입력 신호에 따라 AR/VR/PCC 서비스 관련 콘텐트 데이터를 수신/처리하여 사용자에게 제공할 수 있다. 실시예들에 따른 차량 또는 사용자 인터페이스 장치는 사용자 입력 신호를 수신할 수 있다. 실시예들에 따른 사용자 입력 신호는 자율 주행 서비스를 지시하는 신호를 포함할 수 있다.
도 15는 실시예들에 따른 포인트 클라우드 데이터 송수신 시스템을 나타낸다.
도 15는 실시예들에 따른 포인트 클라우드 데이터 송신 장치가 포인트 클라우드 데이터를 획득, 인코딩 및 전송하는 동작과, 포인트 클라우드 데이터 수신 장치가 포인트 클라우드 데이터를 비트스트림 형태로 디코딩하는 과정을 나타낸다.
포인트 클라우드 데이터 송신 장치는 포인트 클라우드 데이터 획득부, 서브-샘플링/다운-스케일링부(15001), 인코더(15002, 15003) 및/또는 전송을 위한 스토리지(15004)를 포함한다.
포인트 클라우드 데이터 획득부는 예를 들어 도 1의 포인트 클라우드 비디오 애퀴지션(10001), 도 2의 획득부(20000), 도 3의 동작을 수행한다. 포인트 클라우드 데이터 획득부는 포인트 클라우드 데이터의 포인트들의 위치를 나타내는 지오메트리 데이터(geometry data), 포인트들의 속성을 나타내는 어트리뷰트 데이터(attribute data)를 획득한다. 지오메트리 데이터(geometry data)는 소스 지오메트리(source geometry, 15000a), 어트리뷰트 데이터(attribute data)는 소스 어트리뷰트(source attribute, 15000b)라고 호칭될 수 있다.
서브-샘플링/다운-스케일링부(15001) 예를 들어, 지오메트리 데이터를 서브-샘플링 또는 다운 스케일링할 수 있다.
서브-샘플링 또는 다운-스케일링된 지오메트리 데이터는 파셜 지오메트리 데이터(partial geometry data)로, 서브-샘플링 또는 다운-스케일링된 어트리뷰트 데이터는 파셜 어트리뷰트 데이터(partial attribute data)로 호칭될 수 있다.
인코더(15002, 15003)는 예를 들어, 지오메트리 데이터(15000a) 및 어트리뷰트 데이터(15000b) 전부를 인코딩하는 제 1 인코더(15002)를 의미할 수도 있고, 서브-샘플리/다운 스케일링부(15001)에 의해 서브-샘플링 또는 다운-스케일링된 파셜 지오메트리 데이터 및/또는 파셜 어트리뷰트 데이터를 인코딩하는 제 2 인코더(15003)를 의미할 수도 있다.
실시예들에 따른 인코더(15002, 15003)는, 도 1의 포인트 클라우드 비디오 인코더(10002), 도 2의 인코딩부(20001)를 의미한다. 인코더(15002, 15003)는 도 4, 도 12에 나타난 구성요소 일부 또는 전부를 포함할 수 있다.
예를 들어, 제 1 인코더(15002)가 지오메트리 데이터(15000a) 및 어트리뷰트 데이터(15000b) 전부를 인코딩하는 경우, 인코더(15002)는 전체 포인트들에 대한 지오메트리 데이터 및 전체 포인트들에 대한 어트리뷰트 데이터를 포함하는 전체 PCC 비트스트림(Complete PCC bitstream)을 생성한다.
예를 들어, 제 2 인코더(15003)가 파셜 지오메트리 데이터 및/또는 파셜 어트리뷰트 데이터만을 인코딩하는 경우, 인코더(15003)는 일부 포인트들에 대한 지오메트리 데이터 및 일부 포인트들에 대한 어트리뷰트 데이터를 포함하는 파셜PCC 비트스트림(Partial PCC bitstream)을 생성한다.
실시예들에 다른 포인트 클라우드 데이터 송신 장치는 제 1 인코더만을 포함할 수도 있고, 제 2 인코더만을 포함할 수도 있고, 제 1 인코더 및 제 2 인코더를 선택적으로 수행할 수 있는 인코더를 포함할 수도 있다.
전송을 위한 스토리지(15004)는 실시예들에 따른 인코딩된 지오메트리 데이터 및/또는 인코딩된 어트리뷰트 데이터를 비트스트림(bitstream) 또는 파일(file) 형태로 전송하기 위해 이들을 저장한다. 전송을 위한 스토리지(15004)는 예를 들어, 도 1의 트랜스미터(10003), 도 2의 전송부(20002), 도 12의 전송 처리부(12012)의 동작을 수행할 수 있다.
포인트 클라우드 데이터 수신 장치는 수신을 위한 스토리지(15004), 디코더(15006a, 15006b)를 포함한다.
수신을 위한 스토리지(15004)는 실시예들에 따른 포인트 클라우드 데이터를 포함하는 비트스트림(또는 파일)을 포함한다. 비트스트림(또는 파일)은 예를 들어, 전체 PCC 비트스트림(Complete PCC bitstream, 15005a)를 포함할 수도 있고, 파셜PCC 비트스트림(Partial PCC bitstream, 15005b)을 포함할 수도 있다.
디코더(15006a, 15006b)는 예를 들어, 전체 PCC 비트스트림을 디코딩하는 제 1 디코더(15006a)를 의미할 수도 있고, 파셜 PCC 비트스트림(15005b)을 디코딩하는 제 2 디코더(15006b)를 의미할 수도 있다.
예를 들어, 제 1 디코더(15006a)는 전체 PCC 비트스트림(Complete PCC bitstream)을 디코딩하여, 포인트 클라우드 데이터의 모든 포인트들의 지오메트리 데이터(15007a) 및 어트리뷰트 데이터(15007b) 전부를 생성한다.
예를 들어, 제 2 디코더(15006b)는 파셜PCC 비트스트림(Partial PCC bitstream)을 디코딩하여, 포인트 클라우드 데이터의 일부 포인트들의 지오메트리 데이터(15008a) 및 어트리뷰트 데이터(15008b) 생성한다.
실시예들에 다른 포인트 클라우드 데이터 수신 장치는 제 1 디코더만을 포함할 수도 있고, 제 2 디코더만을 포함할 수도 있고, 제 1 디코더 및 제 2 디코더를 선택적으로 수행할 수 있는 디코더를 포함할 수도 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는 포인트 클라우드 데이터를 인코딩할 때, 특정 포인트의 주변의 포인트에 대한 정보를 제공함으로써, 일부 또는 전부 포인트들에 대한 예측을 수행하는 예측 코딩(predictive coding) 기법을 적용할 수 있다. 예측 기반 압축 방법(예측 코딩)을 수행하면 수신 장치의 디코딩 속도가 빨라질 수 있다. 하지만, 주어진 정보의 일부를 디코딩 하는 경우 일부 영역의 포인트 클라우드는 획득할 수 있지만, 그 영역에 대한 의미가 부여되어 있지 않기 때문에, 수신 장치에서 사용자에게 렌더링되는데 의미있는 정보를 표현하기 어렵다는 단점이 있다.
또한, 실시예들에 따른 수신 장치는, 제 1 디코더와 같이 모든 포인트 클라우드 데이터를 수신하여 디코딩하는 경우, 수신기의 성능 혹은 전송 환경으로 인해 포인트 클라우드 데이터 처리 시 불필요한 지연이 발생할 수 있고, 이 경우 데이터 전체를 수신하고 복원하는 데 많은 시간적 낭비를 초래할 수 있다.
따라서, 실시예들에 따른 송신 장치는 포인트 클라우드 데이터를 의미 단위로 압축/전송함으로써, 전송되는 데이터 중 일부만을 전송할 수 있고, 실시예들에 따른 수신 장치는 일부 데이터만 디코딩 하더라도 데이터 전체에 대한 정보를 획득할 수 있어 시간복잡도(time complexity) 및 공간복잡도(space complexity) 측면에서 뛰어난 성능을 제공할 수 있고, 데이터 효율적이다.
또한, 실시예들에 따른 수신 장치는 원하는 컨텐츠의 디테일만큼 포인트들을 선별적으로 선택함으로써 (예를 들어, LOD 기반) 스케일러블 포인트 클라우드 레프리젠테이션(scalable point cloud representation)을 이룰 수 있다.
또한, 이러한 구성으로 인해 실시예들에 따른 포인트 클라우드 데이터 송신 장치는 저지연(low delay)성이 요구되는 환경에 대해 빠른 속도로 인코딩을 수행할 수 있다. 뿐만 아니라, 송신 장치는 예측 단위 그룹에 기반하여 인코딩을 수행하고, 수신 장치가 필요로 하는 단위 정보만을 전달함으로써, 수신 장치로 하여금 송수신 환경에 적응적으로 디코딩이 가능하도록 하고 저지연(low delay) 환경에 적합한 코딩 방법을 제공할 수 있다. 또한 이러한 구성은 수신 장치에서 스케일러블 디코딩(scalable decoding)이 가능하게 할 수 있다.
이하에서는 송신 장치가 포인트 클라우드 데이터를 의미 단위로 압축/전송하고, 수신 장치가 이를 디코딩 및 처리하는 방법 및 이를 위한 장치를 개시한다. 즉 이하에서는, 송신 장치가 예측 기반 압축 기법(예측 코딩)을 사용하여 인코딩에 소요되는 시간을 줄이고 (low delay 특성), 일부의 포인트 클라우드 데이터로도 저밀도의 포인트 클라우드를 재현할 수 있으며, 저지연이 요구되는 전송 환경에 적합한 포인트 클라우드 데이터 인코딩 방법을 개시한다. 이하에서는 포인트 클라우드 데이터의 포인트들의 위치 정보(지오메트리 데이터)를 압축하는 방법을 설명하지만, 이하의 내용은 포인트 클라우드의 속성 정보(어트리뷰트 데이터) 또는 일반 예측 기반 압축 방법에서도 적용이 가능하다.
도 16은 실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더를 나타낸다.
도 16에 나타난 포인트 클라우드 데이터 송신 장치의 인코더는 예측(prediction) 기반 인코더, 예측 기반 스케일러블 포인트 클라우드 인코더, 스케일러블 인코더 등으로 호칭할 수 있다.
도 16에 나타난 포인트 클라우드 데이터 송신 장치의 인코더는 도 1의 포인트 클라우드 비디오 인코더(10002), 도 2의 인코딩부(20001)를 의미할 수 있고, 도 4의 구성요소들도 12의 구성요소들을 포함할 수 있다. 도 16에 나타난 포인트 클라우드 데이터 송신 장치의 인코더는 도 15에 나타난 제 1 인코더(15002) 및/또는 제 2 인코더(15003)을 의미할 수 있다.
도 16에 나타난 포인트 클라우드 데이터 송신 장치의 인코더는 도 14의 로봇(1710), 자율-주행 자동차(1720), XR 디바이스(1730), 스마트폰(1740), 가전제품(1750), AI 서버(1760), HMD(1770) 내에 포함될 수 있다.
포인트 클라우드 데이터 송신 장치는 지오메트리 양자화 복셀화부(16000), 어트리뷰트 리컬러링부(16001), LOD 생성부(16002), 지오메트리 인코딩부(16003a), 어트리뷰트 인코딩부(16003b), 비트스트림 인터리빙부(16004)를 포함한다.
지오메트리 양자화 복셀화부(16000)는 실시예들에 따른 획득된 포인트 클라우드 데이터의 지오메트리 데이터(geometry data)를 수신하여 이들을 양자화(quantization) 및/또는 복셀화(voxelization)한다. 지오메트리 양자화 복셀화부(16000)는 예를 들어, 도 1의 포인트 클라우드 비디오 인코더(10002), 도 2의 인코딩부(20001)에서 수행될 수 있으며, 도 4의 양자화 및 포인트 제거부(복셀화부) (40001) 동작을 수행할 수 있다. 지오메트리 양자화 복셀화부(16000)는 도 5 내지 도 6에 나타난 동작을 수행한다. 지오메트리 양자화 복셀화부(16000)는 도 12의 양자화 처리부(12001) 및/또는 복셀화 처리부(12002)를 의미할 수 있다.
어트리뷰트 리컬러링부(16001)는 실시예들에 따른 획득된 포인트 클라우드 데이터의 어트리뷰트 데이터(attribute data)를 수신하여 이들을 색상 변환 처리한다. 어트리뷰트 리컬러링부(16001)는 예를 들어, 도 1의 포인트 클라우드 비디오 인코더(10002), 도 2의 인코딩부(20001)에서 수행될 수 있으며, 도 4의 색상 변환부(40006), 속성 변환부(40007) 동작을 수행할 수 있다.
LOD 생성부(16002)는 실시예들에 따른 지오메트리 데이터 및/또는 어트리뷰트 데이터를 이용하여 포인트들의 레벨-오브-디테일(Level Of Detail, LOD)을 구성한다. LOD 생성부(16002)는 포인트들을 LOD에 따라 분류하여, LOD 그룹 및/또는 리파인드 그룹(refined group)을 생성한다. 실시예들에 따른 리파인드 그룹(refined group)은 리테인드 그룹(retained group)이라고 호칭할 수도 있다.
레벨 오브 디테일(LOD)이란, 각 LOD 레벨(LOD level)에 대응하는 샘플링 거리(sampling distance)보다 짧은 거리만큼 이격된 포인트들의 집합을 나타낸다. 즉, LOD 그룹 L(k)는 해당 LOD 그룹의 레벨에 대응하는 샘플링 거리보다 짧은 거리만큼 이격된 포인트들의 집합을 포함한다.
예를 들어, 레벨 4의 LOD 그룹 L(4) 이 10의 샘플링 거리를 가진다고 가정하면, 레벨이 4인 LOD 그룹은 포인트들 간의 거리가 10 미만인 포인트들을 제외한 나머지 포인트들의 집합이다.
LOD의 레벨이 높으면 높을수록 샘플링 거리는 짧아진다. 따라서, 레벨 2의 LOD 그룹 L(2)은 레벨 1의 LOD 그룹 L(1)의 포인트들을 모두 포함하고, 레벨 3의 LOD 그룹L(3)은 레벨 2의 LOD 그룹 L(2)의 포인트들을 모두 포함하고, 레벨 k의 LOD 그룹L(k)은 레벨 k-1의 LOD 그룹 L(k-1)의 포인트들을 모두 포함한다.
즉, LOD는 포인트 클라우드 콘텐트의 디테일을 나타내는 정도로서, LOD 값이 작을 수록 포인트 클라우드 콘텐트의 디테일이 떨어지고, LOD 값이 클 수록 포인트 클라우드 콘텐트의 디테일이 높음을 나타낸다. 포인트들을 LOD에 따라 분류될 수 있다.
리테인드 그룹(Retained group, R(k), 또는 리파인드 그룹(refined group))은 각 레벨에 대하여, 현재 레벨의 레벨 오브 디테일과 다음 레벨의 레벨 오브 디테일의 차이에 해당하는 포인트들의 그룹들을 나타낸다. 리테인드 그룹은 다음과 같이 정의할 수 있다. 백슬레쉬(
Figure PCTKR2021095003-appb-img-000018
)는 차(difference) 연산자를 의미한다.
Figure PCTKR2021095003-appb-img-000019
실시예들에 따른 포인트 클라우드 데이터 송신 장치 및/또는 수신 장치는 다양한 방법으로 LOD를 생성할 수 있다. LOD 생성부(16002)가 레벨-오브-디테일(LOD)을 생성하는 방법은 도 23에서 자세히 설명한다.
지오메트리 인코딩부(16003a)는 실시예들에 따른 지오메트리 데이터 일부 또는 전부를 인코딩한다. 지오메트리 인코딩부(16003a)는 지오메트리 데이터 전부를 인코딩(풀 지오메트리 인코딩)할 수도 있고, 일부만 인코딩(파셜 지오메트리 인코딩)할 수도 있다. 지오메트리 인코딩부(16003a) LOD 생성부(16002)에 의해 생성된 특정 LOD 그룹들, 특정 리테인드 그룹들 또는 이들로부터 생성된 새로운 세트의 지오메트리 데이터에 대하여만 인코딩을 수행할 수도 있다.
지오메트리 인코딩부(16003a)는 예측(prediction) 기반 인코딩(예측 기반 포인트 클라우드 압축 방법)을 수행할 수 있다. 예를 들어, 지오메트리 인코딩부(16003a)는 포인트 클라우드 데이터의 지오메트리 데이터(geometry data)를 복수의 그룹들(예를 들어, 리테인드 그룹, LOD 그룹 등)로 그룹핑할 수 있다. 지오메트리 인코딩부(16003a)는 지오메트리 데이터를 그룹핑된 복수의 그룹들에 기반하여 예측(prediction)을 수행할 수 있다.
그룹핑된 그룹 즉, 예측 그룹(prediction group)은 압축 대상이 되는 포인트 클라우드 데이터에 속하는 하나 이상의 포인트로 구성된 그룹으로써, 각 그룹 내에 존재하는 데이터 사이에 일정 관련성을 갖는다. 실시예들에 따른 예측 기반 인코딩은 하나 이상의 예측 그룹을 이용하여 압축 및/또는 인코딩을 수행하게 되며, 각 그룹은 1) 서로에 대해 독립적이거나, 2) 한 그룹의 일부 데이터가 다른 그룹에 포함되거나, 3) 하나의 그룹이 다른 그룹에 포함되는 관계를 갖도록 정의할 수 있다. 예를 들어 LoD 단위로 구분된 포인트 클라우드 데이터가 있을 때 리테인드 데이터 그룹을 예측 그룹으로 설정할 수 있다.
지오메트리 인코딩부(16003a)는 포인트들의 지오메트리 정보를 예측(prediction)한다. 지오메트리 인코딩부(16003a)는 제 1 포인트의 지오메트리 정보로부터 제 2 포인트의 지오메트리 정보를 예측한다. 제 1 포인트와 제 2 포인트는 예를 들어, 부모-자식(parent-child) 관계일 수 있고, 지오메트리 인코딩부(16003a)는 모든 포인트들에 대하여 이러한 부모-자식 관계를 설정함으로써 예측 트리(prediction tree)를 생성할 수 있다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
지오메트리 인코딩부(16003a)는 모든 포인트들의 지오메트리 정보를 예측 방법(prediction method)에 기초하여 예측한다. 예측 방법은 예를 들어, 특정 포인트의 페런트(parent)로부터 일정 상수 등을 곱하거나 더하거나 뺌으로써 수행될 수 있다.
지오메트리 인코딩부(16003a)는 이러한 예측 방법에 기초하여 예측된 각 포인트들을, 원본 지오메트리 데이터와 비교하여, 예측 오차(prediction error)를 생성할 수 있다. 예측 오차(prediction error)는, 예측된 각 포인트들의 지오메트리 정보와 실제 원본 지오메트리 정보의 차이를 의미할 수 있다. 이러한 예측 오차를, 잔차(residual) 정보라고 할 수 있다.
지오메트리 인코딩부(16003a)는 특정 포인트의 지오메트리 정보 및 각 포인트에 대한 잔차 정보를 변환할 수 있다.
어트리뷰트 인코딩부(16003b)는 실시예들에 따른 어트리뷰트 데이터 일부 또는 전부를 인코딩한다. 어트리뷰트 인코딩부(16003b)는 어트리뷰트 데이터 전부를 인코딩(풀 어트리뷰트 인코딩)할 수도 있고, 일부만 인코딩(파셜 어트리뷰트 인코딩)할 수도 있다. 어트리뷰트 인코딩부(16003b)는 LOD 생성부(16002)에 의해 생성된 특정 LOD 그룹들, 특정 리테인드 그룹들 또는 이들로부터 생성된 새로운 세트의 어트리뷰트 데이터에 대하여만 인코딩을 수행할 수도 있다.
어트리뷰트 인코딩부(16003b)는 지오메트리 인코딩부(16003a)에 의해 인코딩된 지오메트리 데이터를 재구성(reconstruct)하여 재구성된 지오메트리 데이터를 기반으로 어트리뷰트 데이터를 인코딩할 수 있다. 어트리뷰트 인코딩부(16003b)는 도 1의 포인트 클라우드 인코더(10002), 도 2의 인코딩부(20001) 내에 포함될 수 있으며, 도 4의 지오메트리 재구성부(40005), 색상 변환부(50006), 어트리뷰트 변환부(40007), 계수 양자화부(40011), 아리스메틱 부호화부(40012) 동작을 수행할 수 있다. 어트리뷰트 인코딩부(16003b)는 도 12의 색상 변환 처리부(12008), 속성 변환 처리부(12009), 아리스메틱 코더부(12011) 동작을 수행할 수 있다.
비트스트림 인터리빙부(16004)는 지오메트리 인코딩부(16003a)에 의해 인코딩된 지오메트리 데이터 및 어트리뷰트 인코딩부(16003b)에 의해 인코딩된 어트리뷰트 데이터를 인터리빙하여 출력 비트스트림(output bitstream)을 생성한다. 비트스트림 인터리빙부(16004)는 실시예들에 따른 그룹핑된 그룹들 별로 (예를 들어, LOD 그룹, 리테인드 그룹) 인코딩된 데이터를 비트스트림으로 변환하여 출력한다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 수신 장치의 스케일러블 디코딩(scalable decoding)을 고려하여 포인트 클라우드 데이터를 인코딩할 수 있다.
지오메트리 인코딩부(16003a)가 실시예들에 따른 지오메트리 데이터에 대하여 예측(prediction) 기반 포인트 클라우드 압축을 사용하는 경우, 지오메트리 인코딩부(16003a)는 생성된 LOD를 이용하여 예측 기반 어트리뷰트 데이터 압축과 병렬적으로 처리할 수 있다.
예를 들어 커먼_그루핑_방법_플래그(common_grouping_method_flag) 가 1인 경우 실시예들에 따른 어트리뷰트 인코딩부(16003b)는 지오메트리 정보 코딩에 사용되는 그룹(예를 들어, LOD 그룹 등) 정보를 기반으로 어트리뷰트 데이터의 압축을 수행할 수 있다. 즉, 실시예들에 따른 어트리뷰트 인코딩부(16003b)는 LOD 생성부(16002)에 의해 생성된 LOD 그룹 등을 이용하여 어트리뷰트 데이터를 압축할 수 있다.
비트스트림 인터리빙부(16004)는 각 LOD 단위로 지오메트리 데이터의 코딩 및, 어트리뷰트 데이터의 코딩을 수행한 후, 리테인드 그룹 단위로 비트스트림을 구성(예를 들어 리테인드 슬라이스, retained slice)할 수 있고, 지오메트리 및 어트리뷰트 비트스트림을 LOD 단위로 인터리빙할 수 있다.
예를 들어, 레벨 k의 리테인드 그룹(retained group) 단위의 지오메트리 및 어트리뷰트 슬라이스를 Rk-G, Rk-A 라고 정의하자. 비트스트림 인터리빙부(16004)가 레벨이 n인 LOD에 해당하는 포인트 클라우드 데이터를 수신 장치로 전송한다면, R0-G, R0-A, R1-G, R1-A, … , Rn-G, Rn-A 순서로 지오메트리 비트스트림과 어트리뷰트 비트스트림을 인터리빙(interleaving)하여 수신 장치로 전달할 수 있다.
다른 예로, 실시예들에 따른 포인트 클라우드 데이터 수신 장치는 특성 리테인드 그룹(retained group)에 해당하는 비트스트림만을 선별적으로 사용할 수도 있다.
이러한 비트스트림 인터리빙부(16004)의 동작으로 인해, 실시예들에 따른 수신 장치는 원하는 컨텐츠의 디테일만큼 LOD를 선별적으로 선택함으로써 스케일러블 포인트 클라우드 레프리젠테이션(scalable point cloud representation)을 이룰 수 있다. 예를 들어, 수신 장치의 수신 환경상 LOD 레벨 3까지만 디코딩을 하는 경우라면, 수신 장치는 R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, R3-A 까지만 수신하고 이들을 디코딩하여 렌더링을 수행할 수 있다.
또한, 이러한 구성으로 인해 실시예들에 따른 포인트 클라우드 데이터 송신 장치는 저지연(low delay)성이 요구되는 환경에 대해 빠른 속도로 인코딩을 수행할 수 있다. 뿐만 아니라, 송신 장치는 예측 단위 그룹에 기반하여 인코딩을 수행하고, 수신 장치가 필요로 하는 단위 정보만을 전달함으로써, 수신 장치로 하여금 송수신 환경에 적응적으로 디코딩이 가능하도록 하고 저지연(low delay) 환경에 적합한 코딩 방법을 제공할 수 있다. 또한 이러한 구성은 수신 장치에서 스케일러블 디코딩(scalable decoding)이 가능하게 할 수 있다.
도 17은 실시예들에 따른 포인트 클라우드 데이터 수신 장치의 디코더를 나타낸다.
도 17에 나타난 포인트 클라우드 데이터 수신 장치의 디코더는 예측(prediction) 기반 디코더, 예측 기반 스케일러블 포인트 클라우드 디코더, 스케일러블 디코더로 호칭할 수 있다.
도 17에 나타난 포인트 클라우드 데이터 수신 장치의 디코더는 도 1의 포인트 클라우드 비디오 디코더(10006), 도 2의 디코딩부(20003), 도 11에 나타난 구성들, 도 13에 나타난 구성들을 의미/포함할 수 있다.
도 17에 나타난 포인트 클라우드 데이터 수신 장치의 디코더는 도 14의 로봇(1710), 자율-주행 자동차(1720), XR 디바이스(1730), 스마트폰(1740), 가전제품(1750), AI 서버(1760), HMD(1770) 내에 포함될 수 있다.
도 17에 나타난 실시예들에 따른 포인트 클라우드 데이터 수신 장치의 디코더는 도 15에 나타난 제 1 디코더(15006a), 및/또는 제 2 디코더(15006b)를 의미할 수 있다.
포인트 클라우드 데이터 수신 장치는 예를 들어, LOD 선택부(17000), 지오메트리 디코딩부(17001) 및/또는 어트리뷰트 디코딩부(17002)를 포함한다.
LOD 선택부(17000)는, 포인트 클라우드 데이터를 포함하는 비트스트림을 수신한다. 비트스트림(bitstream)은 예를 들어, 도 16에서 설명한 비트스트림 인터리빙부(16004)가 생성한 인터리빙된 비트스트림을 의미할 수 있다. 인터리빙된 비트스트림은 예를 들어 레벨이 n인 LOD에 해당하는 포인트 클라우드 데이터만을 포함할 수 있다. 즉, 인터리빙된 비트스트림은 R0-G, R0-A, R1-G, R1-A, … , Rn-G, Rn-A 순서로 지오메트리 비트스트림 및 어트리뷰트 비트스트림을 포함할 수 있다.
LOD 선택부(17000)는 실시예들에 따른 수신 장치가 디코딩을 수행하기 위한 디테일의 기준을 선택할 수 있다. 예를 들어, LOD 선택부(17000)는 수신 장치의 수신 환경이 좋지 못할 경우, 저 레벨(low level)의 LOD만큼 선택할 수 있다. 예를 들어, LOD 선택부(17000)는 수신 장치의 수신 환경이 양호한 경우, 고 레벨(low level)의 LOD만큼 선택할 수 있다.
예를 들어, 수신 장치의 수신 환경이 좋지 못하여, LOD 선택부(17000)가 LOD 레벨 3만큼만 디코딩을 수행한다면, 수신 비트스트림 R0-G, R0-A, R1-G, R1-A, … , Rn-G, Rn-A 중 R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, R3-A 까지만 수신하고 이들을 디코딩할 수 있다. 이 경우, 실시예들에 따른 포인트 클라우드 데이터 디코더는 파셜 지오메트리 디코딩(partial geometry decoding)을 수행한다고 호칭할 수 있다.
예를 들어, 수신 장치의 수신 환경이 양호하여, LOD 선택부(17000)가 LOD 레벨 3만큼만 디코딩을 수행한다면, 수신 비트스트림 R0-G, R0-A, R1-G, R1-A, … , Rn-G, Rn-A 전부를 수신하고 이들을 디코딩할 수 있다. 이 경우, 실시예들에 따른 포인트 클라우드 데이터 디코더는 풀 지오메트리 디코딩(full geometry decoding)을 수행한다고 호칭할 수 있다.
다만 실시예들에 따르면, 수신 장치의 수신 환경이 양호하지만 송신 장치의 인코딩 환경이 좋지 못하여, LOD 선택부(17000)가 LOD 레벨 3만큼에 해당하는 비트스트림만 수신할 수 있다. 이 경우, 수신 비트스트림은 R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, R3-A 전부를 수신하고 이들을 모두 디코딩할 수 있다.
반대로, 수신 장치의 수신 환경도 좋지 못하고 송신 장치의 인코딩 환경도 좋지 못하여, 송신 장치는 LOD 레벨 3만큼에 해당하는 비트스트림을 전송하였으나, 수신 장치는 LOD 레벨 2만큼에 해당하는 비트스트림만 수신할 수 있다. 이 경우, 수신 비트스트림은 R0-G, R0-A, R1-G, R1-A, R2-G, R2-A까지만 수신하고 이들을 디코딩할 수 있다.
지오메트리 디코딩부(17001)는 실시예들에 따른 LOD 선택부(17000)에 의해 수신한 비트스트림 내의 지오메트리 비트스트림 (예를 들어, R0-G, R1-G, R2-G 등)을 디코딩하여 재구성된 지오메트리 데이터(reconstructed geometry data)를 생성한다.
어트리뷰트 디코딩부(17002)는 실시예들에 따른 LOD 선택부(17000)에 의해 수신한 비트스트림 내의 어트리뷰트 비트스트림 (예를 들어, R0-A, R1-A, R2-A 등)을 디코딩하여 재구성된 어트리뷰트 데이터(reconstructed attribute data)를 생성한다. 어트리뷰트 디코딩부(17002)는 재구성된 지오메트리 데이터(reconstructed geometry data)에 기반하여 어트리뷰트 비트스트림을 디코딩할 수 있다.
실시예들에 따른 수신 장치는 원하는 컨텐츠의 디테일만큼 LOD를 선별적으로 선택함으로써 스케일러블 포인트 클라우드 레프리젠테이션(scalable point cloud representation)을 이룰 수 있다. 예를 들어, 수신 장치의 수신 환경상 LOD 레벨 3까지만 디코딩을 하는 경우라면, 수신 장치는 R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, R3-A 까지만 수신하고 이들을 디코딩하여 렌더링을 수행할 수 있다.
또한, 이러한 구성으로 인해 실시예들에 따른 포인트 클라우드 데이터 수신 장치는 저지연(low delay)성이 요구되는 환경에 대해 빠른 속도로 디코딩을 수행할 수 있다. 뿐만 아니라, 수신 장치는 예측 단위 그룹에 기반하여 디코딩을 수행하고, 송수신 환경에 적응적으로 디코딩이 가능하다.
또한 이러한 구성으로 인해 실시예들에 따른 포인트 클라우드 데이터 수신 장치는, LoD 기반 위치 정보 예측 코딩을 수행하는 경우 수신부에서 LOD를 별도로 생성하는 과정이 생략될 수 있기 때문에, 위치 정보 예측 기반 디코딩 시간이 줄어들 뿐만 아니라 속성 정보 예측 기반 디코딩 시간도 줄어들 수 있다. 실시예들에 따른 포인트 클라우드 데이터 송수신 방법/장치는 예측 기반 포인트 클라우드 코딩의 압축 효율을 증가시키고, 예측 기반 포인트 클라우드 코딩을 확장할 수 있고, 저지연 및 스케일러블 효과를 제공할 수 있다.
도 18은 실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더의 일부를 나타낸다.
도 18에 나타난 포인트 클라우드 데이터 송신 장치의 인코더는 예측(prediction) 기반 지오메트리 인코더, 예측 기반 스케일러블 포인트 클라우드 지오메트리 인코더, 스케일러블 지오메트리 인코더 등으로 호칭할 수 있다.
도 18에 나타난 포인트 클라우드 데이터 송신 장치의 인코더는 도 1의 포인트 클라우드 비디오 인코더(10002), 도 2의 디코딩부(20001), 도 12에 나타난 구성들을 의미/포함할 수 있다.
도 18에 나타난 포인트 클라우드 데이터 송신 장치의 인코더는 도 14의 로봇(1710), 자율-주행 자동차(1720), XR 디바이스(1730), 스마트폰(1740), 가전제품(1750), AI 서버(1760), HMD(1770) 내에 포함될 수 있다.
도 18에 나타난 예측(prediction) 기반 지오메트리 인코더는 도 16의 지오메트리 양자화 복셀화부(16000), LOD 생성부(16002), 지오메트리 인코딩부(16003a)를 포함할 수 있다.
실시예들에 따른 예측(prediction) 기반 지오메트리 인코더는 포인트 클라우드 데이터 그룹핑부(18000), 그룹 기반 예측부(18001), 그룹 기반 양자화부(18002), 역양자화부(18003), 변환부(18004), 엔트리피 코딩부(18005)를 포함할 수 있다.
포인트 클라우드 데이터 그룹핑부(18000)는, 포인트 클라우드 데이터의 위치(지오메트리) 정보를 예측 그룹 단위로 묶어주는 동작(그룹핑)을 수행할 수 있다. 그룹 기반 예측부(18001)는, 예를 들어 LOD를 기반으로 포인트 클라우드 데이터를 나눌 때 정의하는 실시예들에 따른 리테인드 그룹(retained group, 또는 리파인드 그룹(refined group))을 예측 그룹으로 사용할 수 있다. 실시예들에 따른 전체 예측 그룹의 수(예를 들어, 리테인드 그룹의 수)는 넘버_프리딕션_그룹들(num_pred_groups)를 통해 시그널링될 수 있다.
실시예들에 따른 그룹핑 동작은 도 22 내지 도 25에 자세히 설명한다.
그룹 기반 예측부(18001)는, 포인트 클라우드 데이터 그룹핑부(18000)에 의해 그룹핑된 포인트들 별로 예측 동작(prediction process)을 수행한다. 예측 동작(prediction process)은 그룹 별로 각 포인트의 연관 데이터인 페런트(parent)를 탐색하여 예측 트리(prediction tree)를 생성하고, 예측 트리를 기반으로 각 포인트의 지오메트리 정보를 예측 방법에 기초하여 예측(predict)한다. 예측 동작(prediction process)은 예측된 각 포인트의 지오메트리 정보와, 실제 지오메트리 정보(원본 데이터)로부터 잔차(residual) 정보를 그룹 별로 (또는 전체에 대하여) 생성한다.
예측에 사용되는 예측 그룹에 대한 자세한 정보는 그룹_레퍼런스_모드(group_ref_mod), 넘버_레퍼런스_그룹들(num_ref_groups), 레퍼런스_인덱스(ref_index) 시그널링 정보를 통해 시그널링될 수 있으며, 예측 방법(prediction method)에 따라 예측을 수행하는데 필요한 파라미터는 예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b) 정보를 통해 수신 장치로 시그널링될 수 있다. 예측을 수행하는 방법은 도 26에 자세히 설명한다.
그룹 기반 양자화부(18002)는, 그룹 별로 예측되어 생성된 예측 관련 정보들을 양자화한다. 변환부(18004)는, 양자화된 지오메트리 데이터를 변환한다. 엔트로피 코딩부(18005)는 변환된 지오메트리 데이터를 엔트로피 코딩(entropy coding)한다. 양자화부(18002)는 도 4의 양자화 및 포인트 제거부(복셀화부) (40001), 도 12의 양자화 처리부(12001), 복셀화 처리부(12002)를 의미한다. 변환부(18004)는, 도 4의 좌표 변환부(40000) 동작 수행할 수 있다. 도 12의 표면 모델 처리부(12004) 동작을 수행할 수 있다. 엔트로피 코딩부(18005)는 도 4의 아리스메틱 코딩부(40004), 도 12의 아리스메틱 코딩부(12006)를 의미할 수 있다.
이러한 동작으로 인해, 실시예들에 따른 수신 장치는 원하는 컨텐츠의 디테일만큼 LOD를 선별적으로 선택함으로써 스케일러블 포인트 클라우드 레프리젠테이션(scalable point cloud representation)을 이룰 수 있다. 예를 들어, 수신 장치의 수신 환경상 LOD 레벨 3까지만 디코딩을 하는 경우라면, 수신 장치는 R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, R3-A 까지만 수신하고 이들을 디코딩하여 렌더링을 수행할 수 있다.
또한, 이러한 구성으로 인해 실시예들에 따른 포인트 클라우드 데이터 송신 장치는 저지연(low delay)성이 요구되는 환경에 대해 빠른 속도로 인코딩을 수행할 수 있다. 뿐만 아니라, 송신 장치는 예측 단위 그룹에 기반하여 인코딩을 수행하고, 수신 장치가 필요로 하는 단위 정보만을 전달함으로써, 수신 장치로 하여금 송수신 환경에 적응적으로 디코딩이 가능하도록 하고 저지연(low delay) 환경에 적합한 코딩 방법을 제공할 수 있다. 또한 이러한 구성은 수신 장치에서 스케일러블 디코딩(scalable decoding)이 가능하게 할 수 있다.
도 19는 실시예들에 따른 포인트 클라우드 데이터 수신 장치의 디코더의 일부를 나타낸다.
도 19에 나타난 포인트 클라우드 데이터 수신 장치의 디코더는 예측(prediction) 기반 지오메트리 디코더, 예측 기반 스케일러블 포인트 클라우드 지오메트리 디코더, 스케일러블 지오메트리 디코더 등으로 호칭할 수 있다.
도 19에 나타난 포인트 클라우드 데이터 수신 장치의 디코더는 도 1의 포인트 클라우드 비디오 디코더(10006), 도 2의 디코딩부(20003), 도 11에 나타난 구성들, 도 13에 나타난 구성들을 의미/포함할 수 있다.
도 19에 나타난 포인트 클라우드 데이터 수신 장치의 디코더는 도 14의 로봇(1710), 자율-주행 자동차(1720), XR 디바이스(1730), 스마트폰(1740), 가전제품(1750), AI 서버(1760), HMD(1770) 내에 포함될 수 있다.
도 18에 나타난 예측(prediction) 기반 지오메트리 디코더는 도 17의 LOD 선택부(17000), 지오메트리 디코딩부(17001), 어트리뷰트 디코딩부(17002)를 포함할 수 있다.
실시예들에 따른 예측(prediction) 기반 지오메트리 디코더는 엔트로피 디코딩부(19000), 역양자화부(19001), 역변환부(19002), 예측/재구성부(19003)를 포함할 수 있다. 수신부에서는 송신부의 수행순서의 역으로 신호를 복원한다.
엔트로피 디코딩부(19000)는 수신된 비트스트림을 엔트로피 디코딩한다. 수신된 비트스트림은 도 17에서 설명한, 송신 장치에 의해 전송되고 수신 장치의 LOD 선택부(17000)에 의해 선택된 수신된 비트스트림 중 지오메트리 데이터를 의미할 수 있다.
지오메트리 데이터는 예를 들어, 특정 레벨의 LOD 그룹까지에 해당하는 포인트들의 지오메트리 정보를 포함할 수도 있고, 모든 포인트들의 지오메트리 정보를 포함할 수도 있다. 지오메트리 데이터는 또한, 특정 포인트의 지오메트리 정보를 포함하고, 나머지 포인트들에 대한 위치 정보에 대한 잔차 정보를 포함할 수 있다. 즉, 지오메트리 데이터는 제 1 포인트의 지오메트리 정보와, 제 2 포인트의 지오메트리 정보를 생성하기 위한 잔차 정보(제 1 포인트와 제 2 포인트의 위치의 잔차 정보), 제 3 포인트의 지오메트리 정보를 생성하기 위한 잔차 정보(제 2 포인트와 제 3 포인트의 위치의 잔차 정보) 등을 포함할 수 있다.
지오메트리 데이터는 예를 들어, 리테인드 그룹(retained group) 별로 수신할 수 있다. 도 17에서 나타난 바와 같이 지오메트리 데이터는 레벨 별로 R0-G, R1-G, R2-G, R3-G와 같은 순서로 수신될 수 있다.
엔트로피 디코딩부(19000)가 수신하는 지오메트리 데이터는 모든 포인트들에 대한 지오메트리 데이터일 수 있다. 이 경우 지오메트리 데이터는 R0-G, R1-G, R2-G, R3-G, … , RL-G 순서로 존재한다.
엔트로피 디코딩부(19000)가 수신하는 지오메트리 데이터는 일부 포인트들에 대한 지오메트리 데이터일 수 있다. 예를 들어, 레벨 3 LOD까지만 존재하는 경우, 지오메트리 데이터는 R0-G, R1-G, R2-G, R3-G 순서로 존재한다.
역양자화부(19001)는 엔트로피 디코딩된 수신 비트스트림에 대하여 역양자화를 수행한다. 역변환부(19002)는 역양자화된 지오메트리 데이터에 대하여 역변환을 수행할 수 있다.
예측/재구성부(19003)는 역변환된 지오메트리 데이터를 기반으로, 포인트들의 지오메트리 정보를 예측(prediction)하고 이들을 재구성(reconstruction)할 수 있다.
예측/재구성부(19003)는 수신된 비트스트림 내 지오메트리 데이터 내의 포인트들 간의 부모-자식(parent-child) 관계를 결정(탐색)함으로써 예측 트리(prediction tree)를 생성한다. 예측/재구성부(19003)는 예측 트리(prediction tree)와 각 포인트들에 적용되는 예측 방법 정보(예를 들어, pred_method)와 이와 관련된 파라미터들(예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b) 정보 등)을 이용하여, 각 포인트들의 지오메트리 정보를 계산하여 예측(predict)한다.
예측/재구성부(19003)는 수신된 비트스트림 내 각 포인트들에 대한 잔차 정보를 수신하고, 예측된 각 포인트들의 지오메트리 정보에 잔차 정보 더하거나 뺌으로써, 지오메트리 정보를 보완할 수 있다.
즉, 예측/재구성부(19003)는 지오메트리 데이터 내에 포함된 특정 포인트의 위치 정보와 다른 포인트들에 대한 잔차 정보를 이용하여 모든 포인트들(또는 특정 LOD 레벨에 해당하는 포인트들)의 지오메트리 정보를 예측 및/또는 재구성할 수 있다.
예를 들어, 지오메트리 데이터가 모든 포인트들에 대한 지오메트리 데이터인 경우 역변환된 지오메트리 데이터는 R0-G, R1-G, R2-G, R3-G, … , RL-G 순서로 존재한다.
R0-G는 특정 포인트(또는 포인트들)에 대한 지오메트리 정보를 포함하고, R0-G에 해당하는 포인트들 중 특정 포인트(들)을 제외한 나머지 포인트들의 지오메트리 정보에 대한 잔차 정보를 포함한다. 예측/재구성부(19003)는 특정 포인트의 지오메트리 정보로부터, 다른 포인트들의 지오메트리 정보를 예측 방법(prediction method)들에 기초하여 예측하고, 예측된 지오메트리 정보에 잔차 정보를 더하거나 뺌으로써 모든 포인트들의 지오메트리 정보를 재구성한다. R1-G, R2-G도 마찬가지로 수행될 수 있다.
실시예들에 따른 수신 장치는 (또는 예측/재구성부(19003)는) 송신 장치에서 전달된 그룹_레퍼런스_모드(group_ref_mod), 넘버_레퍼런스_그룹들(num_ref_groups), 레퍼런스_인덱스(ref_index)에 기초하여 예측을 수행하기 위한 그룹 후보를 통해 예측을 수행하며, 후보에 대해 예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b) 정보를 통해 예측을 수행하며, 복원된 잔차 정보(residual)값을 통해 포인트들의 지오메트리 정보를 복원한다.
이러한 구성으로 인해, 수신부에서는 예측 그룹 정보 생성 과정을 수행하지 않기 때문에 송신부에 비해 수행 시간이 크게 단축될 수 있으며, 예측 과정 또한 생략 가능한 경우 수행 시간 단축이 더 커질 수 있다.
예측/재구성부(19003)가 포인트들의 지오메트리 정보를 예측하는 방법은 도 26에서 자세히 설명한다.
도 20은 실시예들에 따른 포인트 클라우드 데이터의 지오메트리 데이터(geometry data)를 인코딩하는 과정을 나타낸다.
도 20은 예측(prediction) 기반 지오메트리 인코딩 동작을 나타낸다. 도 20에 나타난 동작은 도 18에 나타난 예측(prediction) 기반 지오메트리 인코더, 도 16에 나타난 포인트 클라우드 데이터 인코더, 도 15에 나타난 송신 장치단(15001 내지 15004)를 의미한다.
도 20에 나타난 포인트 클라우드 데이터 송신 장치의 인코딩 동작은 도 14의 로봇(1710), 자율-주행 자동차(1720), XR 디바이스(1730), 스마트폰(1740), 가전제품(1750), AI 서버(1760), HMD(1770) 내에서 수행될 수 있다.
예측(prediction) 기반 지오메트리 인코딩 동작은, 데이터를 그룹핑하는 단계(20000), 연관 데이터 탐색하는 단계(20001), 예측 모드 선택 단계(20002), 잔차 정보 생성 단계(20003), 변환 양자화 단계(20004) 및/또는 엔트로피 코딩 단계(20005)를 포함한다.
데이터를 그룹핑하는 단계(20000)는 획득한 포인트 클라우드 데이터를 특정 방법에 의해 실시예들에 따른 그룹핑(grouping)을 수행한다.
데이터를 그룹핑하는 단계(20000)는 포인트들 간의 거리에 따른 그룹핑 방법을 사용하여 하나 또는 그 이상의 예측 단위 그룹들을 생성할 수 있으며, 다양한 그룹핑 방법을 사용할 수도 있다. 예를 들어, 예측 그룹을 생성하는 방법은, 포인트들의 거리에 기반한 LOD그룹을 예측 단위 그룹으로 생성하는 방법, 옥트리 샘플링(octree sampling)에 기반한 LOD 그룹을 예측 단위 그룹으로 생성하는 방법, 지역 기반 인접 포인트로 예측 단위 그룹을 생성하는 방법 등이 있을 수 있다. 데이터를 그룹핑하는 단계(20000)는 이러한 예측 단위 그룹을 생성하는 방법을 수신 장치에게 시그널링(예를 들어, 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method) 정보)할 수 있다.
데이터를 그룹핑하는 단계(20000)는 예측(prediction)에 사용되는 예측 단위 그룹의 후보를 결정하는 방법을 나타내는 정보(예를 들어, 그룹_레퍼런스_모드(group_ref_mode) 정보), 예측에 사용되는 예측 단위 그룹의 수를 나타내는 정보(예를 들어, 넘버_레퍼런스_그룹들(num_ref_groups), 예측에 사용되는 예측 단위 그룹의 인덱스(식별자)를 나타내는 정보(예를 들어, 레퍼런스_인덱스(ref_index) 정보)를 더 시그널링할 수 있다.
연관 데이터 탐색하는 단계(20001)는 그룹핑된 포인트 클라우드 데이터를, 그룹 별로 연관 데이터를 탐색한다. 즉, 연관 데이터 탐색하는 단계(20001)는 데이터를 그룹핑하는 단계(20000)에서 생성된 예측 단위 그룹 내의 포인트들 각각에 대하여 페런트(parent)를 찾는다.
특정 포인트의 페런트(parent)란, 특정 포인트가 예측을 수행하는데 기준이 되는 포인트를 의미한다. 예를 들어, 제 1 포인트가 제 2 포인트의 페런트인 경우, 제 2 포인트의 지오메트리 정보는 제 1 포인트의 지오메트리 정보에 기반하여 예측된다. 따라서, 제 2 포인트의 지오메트리 정보는, 제 1 포인트의 지오메트리 정보에 제 2 포인트를 위한 잔차 정보를 더하거나 뺌으로써 계산될 수 있다.
연관 데이터 탐색하는 단계(20001)는 각 포인트에 대하여 페런트(parent)에 해당하는 포인트를 탐색하는 과정을 의미한다. 즉, 현재 포인트와 상관도가 높은 포인트를 찾아 부모-자식 관계(parent-child 관계)를 맺어준다. 페런트(parent)에 해당하는 포인트를 탐색하는 방법은 포인트들의 입력 순서로 탐색하는 방법, 타임 스탬프(time stamp) 순서로 탐색하는 방법, 포인트들의 몰톤 코드(Morton code) 순서로 탐색하는 방법, LiDAR 중심의 축으로부터의 반지름의 크기에 따른 순서로 탐색하는 방법, LiDAR 중심 축으로부터의 수평방향 각도에 따른 순서로 탐색하는 방법, LiDAR 의 수직 방향 각도에 따른 순서로 탐색하는 방법 등이 정의될 수 있다.
연관 데이터 탐색하는 단계(20001)는 예측 기반 포인트 클라우드 압축에서 압축 효율을 높이기 위하여 압축 대상과 유사한 포인트를 찾는다. 특정 포인트가, 높은 유사도를 가지는 다른 포인트와 부모-자식 관계를 가지기 위해, 연관 데이터 탐색하는 단계(20001)는 데이터를 인접한 순서대로 정렬하는 방법을 사용할 수 있다. 예를 들어, 연관 데이터 탐색하는 단계(20001)는 이를 위해 가장 가까운 네이버 탐색(nearest neighbor search) 방법을 사용하여 포인트들의 데이터를 정렬할 수도 있고, 몰톤 코드 순서(Morton code order)로 정렬할 수 있다. 이러한 정렬 방법을 이용하여, 연관 데이터 탐색하는 단계(20001)는 각 포인트 간 예측 관계(즉, 부모-자식 관계)를 맺어줄 수 있다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
연관 데이터 탐색하는 단계(20001)는 데이터의 획득 특성을 이용하여 정렬을 수행할 수 있다. 예를 들어 LiDAR 데이터의 경우 중심축을 기준으로 회전을 통해 실린더(cylinder) 모양으로 데이터를 획득할 수 있다. 여기서, 실시예들에 따른 부모-자식 관계(인접 관계)는 실린더(cylinder) 형태의 데이터에서, 적어도 하나의 상기 포인트들에 대한 거리(예를 들어, 중심 축으로부터 이격된 거리), 상기 포인트들에 대한 엘리베이션(elevation) 각도 (예를 들어, 중심 축을 기준으로 떨어진 높이 등) 또는 상기 포인트들에 대한 아지무스(azimuth) 각도 (예를 들어, 중심 축을 기준으로 떨어진 아지무스 각도 등)의 순서로 상기 포인트들을 탐색함으로써 결정될 수 있다. 연관 데이터 탐색하는 단계(20001)는 포인트들을 이와 같은 방법으로 탐색을 하기 위해, 포인트들을 정렬하는 단계를 더 포함할 수 있다. 연관 데이터 탐색하는 단계(20001)는 중심축으로부터의 거리(radius), 높이 방향으로의 각도 (예를 들어, 엘리베이션(elevation)), 수평 방향으로의 각도 (azimuth)에 따른 정렬을 통해 데이터의 순서를 정할 수 있다. 중심 축은 예를 들어, 포인트 클라우드 데이터를 포함하는 바운딩 박스의 중심 축일 수도 있고, 특정 포인트가 위치하는 위치를 의미할 수도 있다.
현재 포인트의 인접 포인트(연관 데이터)가 결정되면, 현재 포인트와 연관 데이터의 부모-자식(child-parent)의 관계를 결정할 수 있다. 이 때, 부모(페런트, parent)의 부모는 해당 포인트 즉 자식(차일드, child)에 대해 그랜드 페런트(grand parent) 관계를 갖게 된다. 인접 포인트를 설정하는 과정을 거치는 경우 모든 포인트들이 child-parent의 관계를 통해 연결되며 이 때 각각의 포인트를 버텍스(vertex)라고 칭할 수 있다.
연관 데이터 탐색하는 단계(20001)는 페런트(parent)에 해당하는 포인트를 탐색하는 방법을 각 포인트별로 또는 각 그룹 별로 또는 전체 포인트 클라우드 데이터에 대하여 수신 장치로 시그널링(예를 들어, 연관_데이터_탐색_방법(correlated_data_search_method) 정보)할 수 있다.
연관 데이터 탐색하는 단계(20001)는, 모든 포인트들에 대하여, 부모-자식 관계를 설정할 수 있고, 모든 포인트들에 대하여 부모-자식 관계가 설정된 하나 또는 그 이상의 예측 트리(prediction tree)를 생성할 수 있다.
예측 트리(prediction tree)는 예를 들어, 도 23 내지 26에서 나타난 또는 설명하는 트리를 의미할 수 있다.
예측 모드 선택 단계(20002)는, 예측 단위 그룹들 내의 포인트들이, 해당 포인트들의 지오메트리 정보가 페런트(parent)들의 지오메트리 정보로부터 예측되는 방법을 선택한다. 즉, 페런트 및 페런트와 관계된 포인트를 이용하여 최적의 예측 방법을 찾는다. 예측되는 방법은 예측_방법(pred_method) 정보에 의해 시그널링될 수 있다. 예측 모드 선택 단계(20002)는, 예측되는 방법(예측 모드)를 선택한 후 각 포인트들에 대하여 예측 지오메트리 정보를 계산한다. 예측되는 방법은 다음과 같을 수 있다.
1) 제 1 방법(pred_method = 0): V’(p) = a * V(p-1) + b
2) 제 2 방법(pred_method = 1): V’(p) = (a+1) * V(p-1) - a * V(p-2) + b
3) 제 3 방법(pred_method = 2): V’(p) = (a-1) * V(p-1) + a * V(p-2) + 2b
4) 제 4 방법(pred_method = 3): V’(p) = V(p-1) + a * V(p-2) - a * V(p-3) + b
5) 제 5 방법(pred_method = 4): V’(p) = (a-1) * V(p-1) + (a-1) * V(p-2) + a * V(p-3) + 3b
6) 제 6 방법(pred_method = 5): V’(p) = V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V(p-4) + 3b
7) 제 7 방법(pred_method = 6): V’(p) = (a+2) * V(p-1) - (2a + 1) * V(p-2) + a * V(p-3) + b
여기서 V(p)는 포인트들 중 p번째 포인트(벌텍스, vertex)이고, V(p-1)은 V(p)의 페런트(parent), V(p-2)를 V(p-1)의 페런트 즉, V(p)의 그랜드 페런트(grand parent)로 정의할 수 있다. 또한, a 및 b는 송신 장치에 의해 시그널링되는 정보(pred_param_a, pred_param_b)에 의해 수신 장치로 전달될 수 있다. V’(p)는 포인트 p에 대한 예측된 지오메트리 정보를 의미한다. 이와 관련 자세한 사항은 도 26에서 설명한다.
잔차 정보 생성 단계(20003)는 예측 모드 선택 단계(20002)에 의해 생성된 각 포인트들의 예측 지오메트리 정보와 해당 포인트들의 실제 지오메트리 정보에 기반하여, 각 포인트들에 대한 잔차 정보(residual)를 생성한다. 잔차 정보(residual)는 실제 포인트의 지오메트리 정보에 예측 모드 선택 단계(20002)에 의해 예측된 포인트의 예측 지오메트리 정보를 빼거나 더할 수 있다. 즉, 잔차 정보(residual)는 원본 데이터와 예측된 데이터 사이의 차이를 의미한다.
포인트 p에 대하여 예측되는 방법 별로 잔차 정보를 계산하는 방법은 다음과 같을 수 있다. (E는 해당 포인트 p의 잔차 정보를 의미한다)
1) 제 1 방법(pred_method = 0): E = [V(p) - a * V(p-1) - b]
2) 제 2 방법(pred_method = 1): E = { [ V(p)-V(p-1) ] - a * [ V(p-1) - V(p-2) ] - b}
3) 제 3 방법(pred_method = 2): E = {[ V(p) + V(p-1) ]/2 - a * [ V(p-1) + V(p-2) ]/2 - b}
4) 제 4 방법(pred_method = 3): E = { [ V(p)-V(p-1) ] - a * [ V(p-2) - V(p-3) ] - b}
5) 제 5 방법(pred_method = 4): E = {[ V(p)+V(p-1) +V(p-2)]/3 - a * [ V(p-1) + V(p-2) + V(p-3) ]/3 - b},
6) 제 6 방법(pred_method = 5): E = {[ V(p)+V(p-1) +V(p-2)]/3 - a’ * [ V(p-2) + V(p-3) + V(p-4)]/3 - b’}
7) 제 7 방법(pred_method = 6): E = {[ V(p)-2V(p-1)+V(p-2)] -a * [ V(p-1)-2V(p-2)+V(p-3) ] - b}
실시예들에 따른 각 포인트에 대한 잔차 정보는 비트스트림 내에 포함되어 수신 장치로 전달될 수 있다.
변환 양자화 단계(20004) 및/또는 엔트로피 코딩 단계(20005)는 실시예들에 따른 특정 포인트에 대한 지오메트리 정보 및/또는 나머지 포인트들에 대한 잔차 정보를 변환 및/또는 양자화하고, 이들을 엔트로피 코딩한다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더는, 그룹핑된 복수의 그룹들(예측 그룹들)에 기초하여, 포인트 클라우드 데이터에 대한 포인트들 중 제 1 포인트(현재 포인트)와 제 2 포인트(인접 포인트)를 인접 관계로 설정할 수 있다. 예를 들어, 실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더는, 제 1 포인트(현재 포인트) 및 제 2 포인트(인접 포인트)에 기초하여, 제 1 포인트(현재 포인트)에 대한 예측값을 생성할 수 있다. 여기서 제 2 포인트는 제 1 포인트의 부모 노드(페런트)에 대응하는 포인트일 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더는, 포인트 클라우드 데이터의 모든 포인트들(루트 노드에 대응하는 노드 제외)에 대하여 지오메트리 데이터를 예측할 수도 있지만, 일부 포인트들에 대해서만 지오메트리 데이터를 예측할 수 있다. 예를 들어, 로슬리스(lossless) 데이터의 경우 인코더는, 포인트 클라우드 데이터의 모든 포인트들(루트 노드에 대응하는 노드 제외)에 대하여 인접 관계를 탐색하고 지오메트리 데이터를 예측할 수 있다. 예를 들어, 로시(lossy) 데이터의 경우 인코더는 일부 포인트들에 대해서만 인접 관계를 탐색하고 지오메트리 데이터를 예측할 수 있다.
이러한 동작으로 인해, 실시예들에 따른 수신 장치는 원하는 컨텐츠의 디테일만큼 LOD를 선별적으로 선택함으로써 스케일러블 포인트 클라우드 레프리젠테이션(scalable point cloud representation)을 이룰 수 있다. 예를 들어, 수신 장치의 수신 환경상 LOD 레벨 3까지만 디코딩을 하는 경우라면, 수신 장치는 R0-G, R0-A, R1-G, R1-A, R2-G, R2-A, R3-G, R3-A 까지만 수신하고 이들을 디코딩하여 렌더링을 수행할 수 있다.
또한, 이러한 구성으로 인해 실시예들에 따른 포인트 클라우드 데이터 송신 장치는 저지연(low delay)성이 요구되는 환경에 대해 빠른 속도로 인코딩을 수행할 수 있다. 뿐만 아니라, 송신 장치는 예측 단위 그룹에 기반하여 인코딩을 수행하고, 수신 장치가 필요로 하는 단위 정보만을 전달함으로써, 수신 장치로 하여금 송수신 환경에 적응적으로 디코딩이 가능하도록 하고 저지연(low delay) 환경에 적합한 코딩 방법을 제공할 수 있다. 또한 이러한 구성은 수신 장치에서 스케일러블 디코딩(scalable decoding)이 가능하게 할 수 있다.
도 21은 실시예들에 따른 포인트 클라우드 데이터의 지오메트리 데이터(geometry data)를 디코딩하는 과정을 나타낸다.
도 21은 예측(prediction) 기반 지오메트리 디코딩 동작을 나타낸다. 도 21에 나타난 동작은 도 19에 나타난 예측(prediction) 기반 지오메트리 디코더, 도 17에 나타난 포인트 클라우드 데이터 디코더, 도 15에 나타난 수신 장치단(15004 내지 15006)를 의미한다.
도 21에 나타난 포인트 클라우드 데이터 수신 장치의 디코딩 동작은 도 14의 로봇(1710), 자율-주행 자동차(1720), XR 디바이스(1730), 스마트폰(1740), 가전제품(1750), AI 서버(1760), HMD(1770) 내에서 수행될 수 있다.
예측(prediction) 기반 지오메트리 디코딩 동작은, 엔트로피 디코딩하는 단계(21000), 역양자화 및 변환하는 단계(21001), 연관 데이터 탐색하는 단계(21002), 예측을 수행하는 단계(21003) 및/또는 포인트 클라우드 데이터를 재구성하는 단계(21004)를 포함한다.
엔트로피 디코딩하는 단계(21000)는, 실시예들에 따른 수신 비트스트림 내 포함된 인코딩된 지오메트리 데이터를 엔트로피 디코딩한다. 엔트로피 디코딩하는 단계(21000)는, 도 1의 포인트 클라우드 비디오 디코더(10006), 도 2의 디코딩부(20003), 도 10의 지오메트리 디코더, 도 11의 아리스메틱 디코더부(11000), 도 13의 아리스메틱 디코더(13002), 도 15의 디코더(15006a, 15006b), 도 16, 17의 지오메트리 코딩부(16003a) 동작을 수행할 수 있다.
엔트로피 디코딩하는 단계(21000)는, 도 19의 엔트로피 디코딩부(19000)의 동작을 수행할 수 있다. 즉, 수신된 비트스트림을 엔트로피 디코딩한다. 수신된 비트스트림은 예를 들어, 특정 레벨의 LOD 그룹까지에 해당하는 포인트들의 지오메트리 정보를 포함할 수도 있고, 모든 포인트들의 지오메트리 정보를 포함할 수도 있다. 수신된 비트스트림은 또한, 특정 포인트의 지오메트리 정보를 포함하고, 나머지 포인트들에 대한 위치 정보에 대한 잔차 정보를 포함할 수 있다.
역양자화 및 변환하는 단계(21001)는, 수신된 비트스트림을 역양자화 및/또는 역변환한다. 역양자화 및 변환하는 단계(21001)는, 수신 비트스트림 내 포함된 인코딩된 지오메트리 데이터가 양자화된 모드 정보(예를 들어, 양자화_모드(quant_mode) 정보)에 기초하여, 수신 비트스트림 내 포함된 인코딩된 지오메트리 데이터를 역양자화할 수 있다. 역양자화 및 역변환하는 단계(21001)는, 실시예들에 따른 포인트 클라우드 데이터 전송 장치가 지오메트리 데이터를 변환(transform)하였는지 여부를 나타내는 플래그(예를 들어, 변환_인에이블_플래그(transform_enable_flag))에 기초하여 역변환을 수행할 수 있다.
역양자화 및 변환하는 단계(21001)는, 수신된 비트스트림으로부터 각 포인트에 대한 예측 에러인 잔차(residual) 정보를 복원한다.
양자화_모드(quant_mode) 정보 및 변환_인에이블_플래그(transform_enable_flag)에 대한 설명은 도 29에 개시하였다.
연관 데이터 탐색하는 단계(21002)는, 수신된 비트스트림 내에서 특정 포인트의 페런트(parent)를 탐색한다. 연관 데이터 탐색하는 단계(21002)는, 그룹핑 정보 및/또는 연관 데이터 탐색 방법과 관련된 정보를 기반으로 특정 포인트의 페런트를 탐색한다. 그룹핑 정보는 예를 들어, 예측 단위 그룹을 생성하는 방법을 수신 장치에게 시그널링(예를 들어, 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method) 정보), 예측 단위 그룹의 후보를 결정하는 방법을 나타내는 정보(예를 들어, 그룹_레퍼런스_모드(group_ref_mode) 정보), 예측에 사용되는 예측 단위 그룹의 수를 나타내는 정보(예를 들어, 넘버_레퍼런스_그룹들(num_ref_groups), 예측에 사용되는 예측 단위 그룹의 인덱스(식별자)를 나타내는 정보(예를 들어, 레퍼런스_인덱스(ref_index) 정보)를 의미할 수 있다.
특정 포인트의 페런트(parent)란, 특정 포인트가 예측을 수행하는데 기준이 되는 포인트를 의미한다. 예를 들어, 제 1 포인트가 제 2 포인트의 페런트인 경우, 제 2 포인트의 지오메트리 정보는 제 1 포인트의 지오메트리 정보에 기반하여 예측된다. 따라서, 제 2 포인트의 지오메트리 정보는, 제 1 포인트의 지오메트리 정보에 제 2 포인트를 위한 잔차 정보를 더하거나 뺌으로써 계산될 수 있다.
연관 데이터 탐색하는 단계(20001)는 각 포인트에 대하여 페런트(parent)에 해당하는 포인트를 탐색하는 과정을 의미한다. 즉, 현재 포인트와 상관도가 높은 포인트를 찾아 부모-자식 관계(parent-child 관계)를 맺어준다. 페런트(parent)에 해당하는 포인트를 탐색하는 방법은 도 20의 연관 데이터 탐색하는 단계(20001)에서 설명한 바와 동일할 수 있다.
연관 데이터 탐색하는 단계(20001)는, 모든 포인트들에 대하여, 부모-자식 관계를 설정할 수 있고, 모든 포인트들에 대하여 부모-자식 관계가 설정된 하나 또는 그 이상의 예측 트리(prediction tree)를 생성할 수 있다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
예측 트리(prediction tree)는 예를 들어, 도 23 내지 26에서 나타난 또는 설명하는 트리를 의미할 수 있다.
예측을 수행하는 단계(21003)는, 모든 포인트들(또는 예측 트리 내의 노드들)에 대하여, 각 포인트의 지오메트리 정보를 해당 포인트의 페런트(parent)로부터 잔차 정보를 더하거나 뺌으로써 예측을 수행할 수 있다.
예를 들어, 제 1 포인트의 페런트(parent)가 제 2 포인트인 경우, 예측을 수행하는 단계(21003)는 제 1 포인트의 지오메트리 정보에 대한 잔차(residual) 정보 및 제 2 포인트의 지오메트리 정보를 수신 또는 생성하고, 이들을 더하거나 뺌으로써, 제 1 포인트의 지오메트리 정보를 복원한다.
즉, 예측을 수행하는 단계(21003)는 먼저 예측 트리(prediction tree)의 루트 노드(root node)의 지오메트리 정보를 수신한다. 예측을 수행하는 단계(21003)는 루트 노드의 자식 노드(들)에 대한 잔차(residual) 정보를 수신한다. 예측을 수행하는 단계(21003)는, 루트 노드의 지오메트리 정보에 자식 노드(들)에 대한 잔차 정보를 더하거나 빼는 등 예측 연산을 수행함으로써 자식 노드(들)의 지오메트리 정보를 복원한다.
예측을 수행하는 단계(21003)는 자식 노드들에 대한 자식 노드(손자 노드)(들)에 대한 잔차(residual) 정보를 수신한다. 예측을 수행하는 단계(21003)는 복원된 자식 노드들의 지오메트리 정보와, 손자 노드(들)에 대한 잔차 정보를 더하거나 빼는 등 예측 연산을 수행함으로써, 손자 노드(들)의 지오메트리 정보를 복원한다. 예측을 수행하는 단계(21003)는 이러한 과정을 반복하여, 리프 노드(leaf node)에 대한 지오메트리 정보까지 복원할 수 있다.
예측을 수행하는 단계(21003)는, 실시예들에 따른 예측되는 방법에 기초하여 이러한 예측 연산을 수행할 수 있다. 실시예들에 따른 예측을 수행하는 단계(21003)는, 예측_방법(pred_method) 정보에 기초하여, 수행할 예측 연산을 결정할 수 있다. 예측되는 방법은 다음과 같을 수 있다.
1) 제 1 방법(pred_method = 0): V’(p) = a * V(p-1) + b
2) 제 2 방법(pred_method = 1): V’(p) = (a+1) * V(p-1) - a * V(p-2) + b
3) 제 3 방법(pred_method = 2): V’(p) = (a-1) * V(p-1) + a * V(p-2) + 2b
4) 제 4 방법(pred_method = 3): V’(p) = V(p-1) + a * V(p-2) - a * V(p-3) + b
5) 제 5 방법(pred_method = 4): V’(p) = (a-1) * V(p-1) + (a-1) * V(p-2) + a * V(p-3) + 3b
6) 제 6 방법(pred_method = 5): V’(p) = V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V(p-4) + 3b
7) 제 7 방법(pred_method = 6): V’(p) = (a+2) * V(p-1) - (2a + 1) * V(p-2) + a * V(p-3) + b
포인트 클라우드 데이터를 재구성하는 단계(21004)는, 실시예들에 따른 포인트 클라우드 데이터의 지오메트리 데이터를 재구성한다. 포인트 클라우드 데이터를 재구성하는 단계(21004)는 예를 들어, 예측된 각 포인트들의 지오메트리 정보에 수신된 잔차 정보를 더하거나 빼서 실제 원본과 가까운 지오메트리 정보를 재구성할 수 있다.
실시예들에 따른 잔차 정보는, 예측된 각 포인트들의 지오메트리 정보와 다음과 같은 관계를 가질 수 있다.
1) 제 1 방법(pred_method = 0): E = [V(p) - a * V(p-1) - b]
2) 제 2 방법(pred_method = 1): E = { [ V(p)-V(p-1) ] - a * [ V(p-1) - V(p-2) ] - b}
3) 제 3 방법(pred_method = 2): E = {[ V(p) + V(p-1) ]/2 - a * [ V(p-1) + V(p-2) ]/2 - b}
4) 제 4 방법(pred_method = 3): E = { [ V(p)-V(p-1) ] - a * [ V(p-2) - V(p-3) ] - b}
5) 제 5 방법(pred_method = 4): E = {[ V(p)+V(p-1) +V(p-2)]/3 - a * [ V(p-1) + V(p-2) + V(p-3) ]/3 - b},
6) 제 6 방법(pred_method = 5): E = {[ V(p)+V(p-1) +V(p-2)]/3 - a’ * [ V(p-2) + V(p-3) + V(p-4)]/3 - b’}
7) 제 7 방법(pred_method = 6): E = {[ V(p)-2V(p-1)+V(p-2)] -a * [ V(p-1)-2V(p-2)+V(p-3) ] - b}
실시예들에 따른 포인트 클라우드 데이터 송신 장치의 디코더는, 포인트 클라우드 데이터의 모든 포인트들(루트 노드에 대응하는 노드 제외)에 대하여 지오메트리 데이터를 예측할 수도 있지만, 일부 포인트들에 대해서만 지오메트리 데이터를 예측할 수 있다. 예를 들어, 로슬리스(lossless) 데이터의 경우 디코더는, 포인트 클라우드 데이터의 모든 포인트들(루트 노드에 대응하는 노드 제외)에 대하여 인접 관계를 탐색하고 지오메트리 데이터를 예측할 수 있다. 예를 들어, 로시(lossy) 데이터의 경우 디코더는 일부 포인트들에 대해서만 인접 관계를 탐색하고 지오메트리 데이터를 예측할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송수신 방법/장치는 이러한 방법에 기초하여, 잔차 정보를 생성하여 전송함으로써, 예측 기반 포인트 클라우드 코딩의 압축 효율을 증가시키고, 예측 기반 포인트 클라우드 코딩을 확장할 수 있고, 저지연 및 스케일러블 효과를 제공할 수 있다.
도 22은 실시예들에 따른 포인트들을 예측 그룹 단위로 그룹핑(grouping)하는 방법을 나타낸다.
도 22에 나타난 그룹핑하는 방법은 예를 들어, 도 20의 데이터 그룹핑하는 단계(20000)에서 수행될 수 있으며, 도 18의 포인트 클라우드 데이터 그룹핑부(18000), 도 16의 LOD 생성부(16002), 도 15의 지오메트리 인코더(15003)에 의해 수행될 수 있다.
도 22에 나타난 그룹핑하는 방법은 예를 들어, 도 21의 지오메트리 데이터를 예측하는 단계(21003)에서 수행될 수 있으며, 도 19의 예측/재구성부(19003), 도 17의 LOD 생성부(17000), 도 15의 디코더(15006)에 의해 수행될 수 있다.
포인트 클라우드 데이터는 하나 또는 그 이상의 포인트들을 포함한다(2200). 도 22에 나타난 바와 같이, 포인트 클라우드 데이터는 각 포인트 별로 식별자를 가진다 (예를 들어, P1 내지 P9). 포인트 클라우드 데이터 송신 장치는 각 포인트들의 위치 정보를 포함하는 지오메트리 데이터와 각 포인트들의 속성 정보를 포함하는 어트리뷰트 데이터를 인코딩하여 수신 장치로 전송한다.
2200에 나타난 그림은 포인트들의 분포와 포인트들의 획득(또는 정렬) 순서를 나타낸다.
2201은 포인트들을 레벨-오브-디테일(Level Of Detail, LOD) 순서로 정렬하여, LOD 순서로 그룹핑을 수행한 것을 나타낸다.
2201에 나타난 그룹핑하는 동작은 예를 들어, 도 20의 데이터 그룹핑하는 단계(20000)에서 수행될 수 있으며, 도 18의 포인트 클라우드 데이터 그룹핑부(18000), 도 16의 LOD 생성부(16002)에서 수행될 수 있다. 2201에 나타난 그룹핑하는 동작은 예를 들어, 도 21의 지오메트리 데이터를 예측하는 단계(21003)에서 수행될 수 있으며, 도 19의 예측/재구성부(19003), 도 17의 LOD 생성부(17000), 도 15의 디코더(15006)에 의해 수행될 수 있다.
도 22에 나타난 그룹핑하는 동작은 실시예들에 따른 지오메트리 데이터를 이용하여 포인트들의 레벨-오브-디테일(Level Of Detail, LOD)을 구성한다. 그룹핑하는 동작은 포인트들을 LOD에 따라 분류하여, LOD 그룹 및/또는 리파인드 그룹(refined group)을 생성한다. 실시예들에 따른 리파인드 그룹(refined group)은 리테인드 그룹(retained group)이라고 호칭할 수도 있다.
레벨 오브 디테일(LOD)이란, 각 LOD 레벨(LOD level)에 대응하는 샘플링 거리(sampling distance)보다 짧은 거리만큼 이격된 포인트들의 집합을 나타낸다. 즉, LOD 그룹 L(k)는 해당 LOD 그룹의 레벨에 대응하는 샘플링 거리보다 짧은 거리만큼 이격된 포인트들의 집합을 포함한다. LOD 그룹에 대한 정의는 도 16에서 설명하였다.
포인트 사이의 거리가 가장 먼 그룹이 LoD0, 중간 거리를 갖는 포인트 그룹이 LoD1, 모든 포인트를 포함하여 포인트 사이의 거리가 가장 좁은 (detail이 높은) 그룹이 LoD2 를 구성한다. LOD를 구성하기 위해 새롭게 포함되는 신규 데이터들의 그룹인 리테인드 데이터 그룹(리테인드 그룹)을 각각의 독립된 단위로 생각할 수 있으며, 레벨에 따라 R0, R1, R2 라고 지칭할 수 있다.
리테인드 그룹(Retained group, R(k))은 각 레벨에 대하여, 현재 레벨의 레벨 오브 디테일과 다음 레벨의 레벨 오브 디테일의 차이에 해당하는 포인트들의 그룹들을 나타낸다.
전체 포인트 클라우드 데이터의 집합을 N이라고 할 때 LoD 및 리테인드 데이터 그룹은 다음과 같은 관계를 가질 수 있다.
Figure PCTKR2021095003-appb-img-000020
실시예들에 따른 LOD 그룹은 다른 LOD 생성 방법(octree sampling 기반) 혹은 일반적인 그룹 생성 방법을 사용하는 경우에도 보편적으로 적용될 수 있다.
도 22에는 레벨 0의 LOD 그룹으로 생성된 레벨 0의 리테인드 그룹(R0, 2202a), 레벨 1의 LOD 그룹과 레벨 0의 LOD 그룹의 차를 통해 생성된 레벨 1의 리테인드 그룹(R1, 2202b) 및 레벨 2의 LOD 그룹과 레벨 1의 LOD 그룹의 차를 통해 생성된 레벨 2의 리테인드 그룹(R2, 2202c)를 나타낸다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치 및/또는 수신 장치는 다양한 방법으로 LOD를 생성할 수 있다. LOD를 생성하는 단계는 예를 들어 다음과 같이 동작할 수 있다.
예를 들어, 그룹핑하는 동작은 거리(예를 들어, 맨하탄 L1 거리, manhattan L1 distance)의 세트
Figure PCTKR2021095003-appb-img-000021
에 따라 포인트들을 리파인먼트 레벨들의 세트(a set of refinement levels
Figure PCTKR2021095003-appb-img-000022
, 여기서 리파인먼트 레벨들의 세트는 각 레벨에 대한 리테인드 그룹을 의미할 수 있다)들을 재구성할 수 있다. 여기서 l은 현재 레벨(current level)을 의미하고, L은 최대 LOD의 레벨 (또는 최대 리파인컨트 세트의 레벨)을 의미한다. 거리(맨하탄 거리)의 세트는 사용자에 의해 설정될 수도 있고, 시스템에 의해 결정될 수 있다.
즉, 레벨-오브-디테일(LOD)을 생성하는 단계는 포인트들이 이격된 거리(예를 들어, 맨하탄 L1거리)를 이용하여 LOD 그룹(LOD 세트)를 생성하거나, 리파인드 그룹(refined group, 또는 리테인드 그룹)을 생성할 수 있다.
거리
Figure PCTKR2021095003-appb-img-000023
는 예를 들어, 다음과 같은 조건을 가진다.
1)
Figure PCTKR2021095003-appb-img-000024
일 것.
2)
Figure PCTKR2021095003-appb-img-000025
일 것.
그룹핑하는 동작은, 예를 들어 다음과 같은 동작에 의해 리테인드 그룹 및/또는 LOD 그룹을 생성할 수 있다. 그룹핑하는 동작은 실시예들에 따른 송신 장치에 의해서 수행될 수도 있고, 수신 장치 내에서 수행될 수도 있다.
1) 먼저, 모든 포인트들이 방문되지 않은(non-visited) 상태로 마크(mark)되고, 방문된 포인트들(visited points)의 세트 (예를 들어 V로 정의)를 공집합으로 정의한다.
2) 다음 알고리즘이 반복적으로 수행된다(The algorithm proceeds iteratively). l번째 반복(iteration)에서, 리파인먼트 레벨
Figure PCTKR2021095003-appb-img-000026
은 다음과 같이 생성된다.
2-1) 해당 알고리즘이 모든 포인트들에 대하여 반복된다.
2-2) 현재 포인트가 방문(visit)되었으면, 해당 포인트는 무시한다.
2-3) 현재 포인트가 방문되지 않았으면(not visited), V 세트에 현재 포인트의 최소 거리 D가 계산된다.
2-4) 만약, D가
Figure PCTKR2021095003-appb-img-000027
보다 작다면, 해당 포인트는 무시된다.
2-5) 만약, D가
Figure PCTKR2021095003-appb-img-000028
보다 크거나 같다면, 해당 포인트는 방문된 상태(visited)로 마크(mark)되고, 리파인먼트 레벨 세트
Figure PCTKR2021095003-appb-img-000029
와 V에 동시에 추가된다.
2-6) 이 과정은 모든 포인트들이 순회(traversed)될 때까지 반복된다.
3) 레벨-오브-디테일 레벨 l (LOD_l)은 해당 레벨보다 작거나 같은 리파인먼트 레벨들의 세트(R_0, R_1, R_2, … , R_l)의 합집합을 취함으로써 생성된다.
4) 이 과정은 모든 LOD가 생성되거나, 모든 버텍스들(vertices)들이 방문될 때까지 반복된다.
실시예들에 따른 포인트 클라우드 데이터 송수신 방법/장치는 이러한 방법에 기초하여, 잔차 정보를 생성하여 전송함으로써, 예측 기반 포인트 클라우드 코딩의 압축 효율을 증가시키고, 예측 기반 포인트 클라우드 코딩을 확장할 수 있고, 저지연 및 스케일러블 효과를 제공할 수 있다.
도 23은 실시예들에 따른 포인트들을 그룹핑하는 방법을 나타낸다.
구체적으로, 도 23은 실시예들에 따른 그룹핑을 수행하고, 그룹핑된 예측 단위 그룹들 내의 포인트들의 지오메트리 정보에 기반하여 포인트 간 부모-자식(parent-child) 관계를 결정하는 동작을 나타낸다.
도 23에 나타난 동작은 예를 들어, 도 20의 연관 데이터 탐색하는 단계(20001)에서 수행될 수 있으며, 도 18의 그룹-기반 예측부(18001), 도 16의 지오메트리 인코딩부(16003a), 도 15의 지오메트리 인코더(15003)에 의해 수행될 수 있다.
도 23에 나타난 동작은 예를 들어, 도 21의 연관 데이터 탐색하는 단계(21002) 또는 예측하는 단계(21003)에서 수행될 수 있으며, 도 19의 예측/재구성부(19003), 도 17의 LOD 생성부(17000) 또는 지오메트리 디코딩부(17001), 도 15의 디코더(15006)에 의해 수행될 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 그룹핑된 예측 단위 그룹들 내의 포인트들의 지오메트리 정보에 기반하여 포인트 간 부모-자식(parent-child) 관계를, 실시예들에 따른 리테인드 그룹(retained group) 별로 별도로 결정할 수 있다.
리테인드 데이터 그룹은 각각의 LOD 그룹에 신규로 포함되는 데이터의 집합인데, 각각의 리테인드 데이터 그룹 간에는 공유하는 데이터가 없다는 특징이 있다. 따라서 실시예들에 따른 인코더는 리테인드 데이터 그룹 내의 포인트들 간 예측을 수행할 수 있다.
도 23는 레벨 k의 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를, 레벨 k의 리테인드 그룹 내의 포인트들만에 기초하여 결정한다. 도 23을 참조하면, 선으로 연결된 것은 부모-자식(parent-child)의 관계를 나타낸다.
도 23에 나타난 포인트들의 분포에 기초하여 포인트들을 그룹핑하는 방법을 설명한다. 포인트들을 그룹핑하는 방법은 예를 들어, 레벨 0에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(23000), 레벨 k-1(k>1)에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(23001), 레벨 k에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(23002)를 포함할 수 있다.
23000 단계에서, 실시예들에 따른 인코더는, P5를 루트 노드(root node)로 결정할 수 있다. P5는 예를 들어, 입력 순서로 가장 빠른 포인트이기 때문에 루트 노드로 결정될 수도 있고, 몰톤 코드(Morton code) 순서로 가장 빠르기 때문에 루트 노드로 결정될 수도 있고, 시간 순서 상 가장 빠르기 때문에 루트 노드로 결정될 수도 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P0는, 동 그룹 내의 포인트들 P5, P4, P2 중 P5와 가까우므로, P5를 페런트(parent)로 결정할 수 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P4는, 동 그룹 내의 포인트들 P5, P0, P2 중 P0와 가까우므로, P0를 페런트(parent)로 결정할 수 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P2는, 동 그룹 내의 포인트들 P5, P4, P0 중 P4와 가까우므로, P4를 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P0, P2, P4 중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
23001 단계에서, 실시예들에 따른 인코더는, P1를 루트 노드(root node)로 결정할 수 있다. P1는 마찬가지로, 입력 순서로 가장 빠른 포인트이기 때문에 루트 노드로 결정될 수도 있고, 몰톤 코드(Morton code) 순서로 가장 빠르기 때문에 루트 노드로 결정될 수도 있고, 시간 순서 상 가장 빠르기 때문에 루트 노드로 결정될 수도 있다.
레벨 1에 대한 리테인드 그룹 내의 포인트들 중 P6는, 동 그룹 내의 포인트들 P1, P3 중 P1과 가까우므로, P1를 페런트(parent)로 결정할 수 있다.
레벨 1에 대한 리테인드 그룹 내의 포인트들 중 P3는, 동 그룹 내의 포인트들 P1, P6 중 P6와 가까우므로, P6를 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P6, P3중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
23002 단계에서, 실시예들에 따른 인코더는, P7을 루트 노드(root node)로 결정할 수 있다. P7은 마찬가지로, 입력 순서로 가장 빠른 포인트이기 때문에 루트 노드로 결정될 수도 있고, 몰톤 코드(Morton code) 순서로 가장 빠르기 때문에 루트 노드로 결정될 수도 있고, 시간 순서 상 가장 빠르기 때문에 루트 노드로 결정될 수도 있다.
레벨 2에 대한 리테인드 그룹 내의 포인트들 중 P8은, 동 그룹 내의 포인트들 P7, P9 중 P7과 가까우므로, P7를 페런트(parent)로 결정할 수 있다.
레벨 2에 대한 리테인드 그룹 내의 포인트들 중 P9은, 동 그룹 내의 포인트들 P7, P8 중 P8 와 가까우므로, P8 을 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P8, P9중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
실시예들에 따른 인코더는 위와 같은 동작을 레벨 2 이상의 레벨에 대하여도 동일하게 수행할 수 있다. 해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
이러한 과정으로 실시예들에 따른 인코더는, 포인트들 전부 또는 일부에 대하여 부모-자식 관계를 결정할 수 있다. 즉, 인코더는 부모-자식 관계가 결정된 포인트들 및 루트 노드를 포함하는 트리(tree)를 생성하고, 생성된 트리(tree)에 기초하여 실시예들에 따른 예측 동작을 수행한다. 생성된 트리는 예를 들어, 예측 트리(predictive tree)라고 호칭할 수도 있다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
실시예들에 따른 인코더가, 도 23에 나타난 방법에 기반하여, 리테인드 데이터 그룹을 사용하여 예측(prediction)을 수행하여 인코딩함으로써, 각 그룹 간 독립성을 보장할 수 있어 데이터 손실을 최소화할 수 있다.
도 24은 실시예들에 따른 포인트들을 그룹핑하는 방법을 나타낸다.
구체적으로, 도 24는 실시예들에 따른 그룹핑을 수행하고, 그룹핑된 예측 단위 그룹들 내의 포인트들의 지오메트리 정보에 기반하여 포인트 간 부모-자식(parent-child) 관계를 결정하는 동작을 나타낸다.
도 24에 나타난 동작은 예를 들어, 도 20의 연관 데이터 탐색하는 단계(20001)에서 수행될 수 있으며, 도 18의 그룹-기반 예측부(18001), 도 16의 지오메트리 인코딩부(16003a), 도 15의 지오메트리 인코더(15003)에 의해 수행될 수 있다.
도 24에 나타난 동작은 예를 들어, 도 21의 연관 데이터 탐색하는 단계(21002) 또는 예측하는 단계(21003)에서 수행될 수 있으며, 도 19의 예측/재구성부(19003), 도 17의 LOD 생성부(17000) 또는 지오메트리 디코딩부(17001), 도 15의 디코더(15006)에 의해 수행될 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 특정 레벨의 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를, 일정 범위의 레벨에 대한 리테인드 그룹(retained group) 내의 포인트들에 기초하여 결정할 수 있다.
예를 들어, 도 24는 레벨 k의 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를, 레벨 k-1의 리테인드 그룹 내의 포인트들만에 기초하여 결정한다.
도 24에 나타난 포인트들의 분포에 기초하여 포인트들을 그룹핑하는 방법을 설명한다. 포인트들을 그룹핑하는 방법은 예를 들어, 레벨 0에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(24000), 레벨 k-1(k>1)에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(24001), 레벨 k에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(24002)를 포함할 수 있다.
24000단계에서, 실시예들에 따른 인코더는, P5를 루트 노드(root node)로 결정할 수 있다. P5는 예를 들어, 입력 순서로 가장 빠른 포인트이기 때문에 루트 노드로 결정될 수도 있고, 몰톤 코드(Morton code) 순서로 가장 빠르기 때문에 루트 노드로 결정될 수도 있고, 시간 순서 상 가장 빠르기 때문에 루트 노드로 결정될 수도 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P0는, 동 그룹 내의 포인트들 P5, P4, P2 중 P5와 가까우므로, P5를 페런트(parent)로 결정할 수 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P4는, 동 그룹 내의 포인트들 P5, P0, P2 중 P0와 가까우므로, P0를 페런트(parent)로 결정할 수 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P2는, 동 그룹 내의 포인트들 P5, P4, P0 중 P4와 가까우므로, P4를 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P0, P2, P4 중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
24001 단계에서, 실시예들에 따른 인코더는, P5를 계속 루트 노드(root node)로 유지하고, 레벨 1에 대한 리테인드 그룹 내의 포인트들의 페런트(parent)를, 이전 레벨(즉, 레벨 0)에 대한 리테인드 그룹 내의 포인트들 내에서 탐색할 수 있다.
예를 들어, 레벨 1에 대한 리테인드 그룹 내의 포인트들 중 P1는, 레벨 0에 대한 리테인드 그룹 내의 포인트들 P0, P2, P4, P5 중 P0과 가까우므로, P0을 페런트(parent)로 결정할 수 있다.
레벨 1에 대한 리테인드 그룹 내의 포인트들 중 P3 및 P6는, 레벨 0에 대한 리테인드 그룹 내의 포인트들 P0, P2, P4, P5 중 P4과 가까우므로, 각각 P4을 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P1, P6, P3중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
24002 단계에서, 실시예들에 따른 인코더는, P5를 계속 루트 노드(root node)로 유지하고, 레벨 2에 대한 리테인드 그룹 내의 포인트들의 페런트(parent)를, 이전 레벨(즉, 레벨 1)에 대한 리테인드 그룹 내의 포인트들 내에서 탐색할 수 있다.
예를 들어, 레벨 2에 대한 리테인드 그룹 내의 포인트들 중 P7은, 레벨 1에 대한 리테인드 그룹 내의 포인트들 P1, P3, P6 중 P3와 가까우므로, P3를 페런트(parent)로 결정할 수 있다.
레벨 2에 대한 리테인드 그룹 내의 포인트들 중 P8, P9는, 레벨 1에 대한 리테인드 그룹 내의 포인트들 P1, P3, P6 중 P6와 가까우므로, P6를 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P7, P8, P9중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
실시예들에 따른 인코더는 위와 같은 동작을 레벨 2 이상의 레벨에 대하여도 동일하게 수행할 수 있다. 해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
이러한 과정으로 실시예들에 따른 인코더는, 포인트들 전부 또는 일부에 대하여 부모-자식 관계를 결정할 수 있다. 즉, 인코더는 부모-자식 관계가 결정된 포인트들 및 루트 노드를 포함하는 트리(tree)를 생성하고, 생성된 트리(tree)에 기초하여 실시예들에 따른 예측 동작을 수행한다. 생성된 트리는 예를 들어, 예측 트리(predictive tree)라고 호칭할 수도 있다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
실시예들에 따른 인코더는, 도 24에 나타난 바와 같이 이전 레벨의 리테인드 그룹 내의 포인트들을 참조하여 예측을 수행할 수도 있으나, 이전 레벨이 아닌 다른 레벨의 리테인드 그룹 내의 포인트들을 참조하여 예측을 수행할 수도 있다.
예를 들어, 레벨 2에 대한 리테인드 그룹 내의 포인트들 P7, P8, P9의 페런트(parent)를 레벨 0에 대한 리테인드 그룹 내의 포인트들로 가질 수도 있다.
즉, 참조하는 그룹은 1) 기설정된 그룹을 사용할 수 있고 (예를 들어, 직전 그룹만을 참조) 2) n개의 연속된 직전 그룹을 사용할 수 있고 (예를 들어, 연속되는 3개의 직전 리테인드 그룹, 여기서 n값을 나타내는 시그널링 정보를 인코더가 생성할 수 있음) 또는, 3) 임의의 그룹을 사용할 수도 있다(예를 들어, 참조하는 그룹의 인덱스를 0, 3, 4 와 같이 전달할 수 있다.).
실시예들에 따른 인코더가, 도 24에 나타난 방법에 기반하여, 다른 레벨의 리테인드 데이터 그룹을 참조하여 예측(prediction)을 수행하여 인코딩함으로써, 상대적으로 먼 거리의 포인트들에 대한 예측 효율을 높일 수 있고, 하나의 루트(root) 노드로 예측을 수행할 수 있어 인코딩 효율을 높일 수 있다. 즉 인코더는 루트(root) 노드를 공유하여 예측함으로써, 상대적으로 인접한 포인트에 기반하여 예측함으로 인해 압축 효율이 증가할 수 있다.
도 25은 실시예들에 따른 포인트들을 그룹핑하는 방법을 나타낸다.
구체적으로, 도 25는 실시예들에 따른 그룹핑을 수행하고, 그룹핑된 예측 단위 그룹들 내의 포인트들의 지오메트리 정보에 기반하여 포인트 간 부모-자식(parent-child) 관계를 결정하는 동작을 나타낸다.
도 25에 나타난 동작은 예를 들어, 도 20의 연관 데이터 탐색하는 단계(20001)에서 수행될 수 있으며, 도 18의 그룹-기반 예측부(18001), 도 16의 지오메트리 인코딩부(16003a), 도 15의 지오메트리 인코더(15003)에 의해 수행될 수 있다.
도 25에 나타난 동작은 예를 들어, 도 21의 연관 데이터 탐색하는 단계(21002) 또는 예측하는 단계(21003)에서 수행될 수 있으며, 도 19의 예측/재구성부(19003), 도 17의 LOD 생성부(17000) 또는 지오메트리 디코딩부(17001), 도 15의 디코더(15006)에 의해 수행될 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 특정 레벨의 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를, 해당 레벨에 대한 LOD 그룹 내의 포인트들에 기초하여 결정할 수 있다.
예를 들어, 도 25는 레벨 k의 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를, 레벨 k의 LOD 그룹(즉, 레벨 0 내지 레벨 k의 리테인드 그룹들의 합집합) 내의 포인트들에 기초하여 결정한다.
도 25에 나타난 포인트들의 분포에 기초하여 포인트들을 그룹핑하는 방법을 설명한다. 포인트들을 그룹핑하는 방법은 예를 들어, 레벨 0에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(25000), 레벨 k-1(k>1)에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(25001), 레벨 k에 대한 리테인드 그룹 내의 포인트들의 부모-자식(parent-child) 관계를 연결하는 단계(25002)를 포함할 수 있다.
25000단계에서, 실시예들에 따른 인코더는, P5를 루트 노드(root node)로 결정할 수 있다. P5는 예를 들어, 입력 순서로 가장 빠른 포인트이기 때문에 루트 노드로 결정될 수도 있고, 몰톤 코드(Morton code) 순서로 가장 빠르기 때문에 루트 노드로 결정될 수도 있고, 시간 순서 상 가장 빠르기 때문에 루트 노드로 결정될 수도 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P0는, 동 그룹 내의 포인트들 P5, P4, P2 중 P5와 가까우므로, P5를 페런트(parent)로 결정할 수 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P4는, 동 그룹 내의 포인트들 P5, P0, P2 중 P0와 가까우므로, P0를 페런트(parent)로 결정할 수 있다.
레벨 0에 대한 리테인드 그룹 내의 포인트들 중 P2는, 동 그룹 내의 포인트들 P5, P4, P0 중 P4와 가까우므로, P4를 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P0, P2, P4 중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
25001 단계에서, 실시예들에 따른 인코더는, P5를 계속 루트 노드(root node)로 유지하고, 레벨 2에 대한 리테인드 그룹 내의 포인트들의 페런트(parent)를, 현재 레벨(즉, 레벨 1)에 대한 LOD 그룹 내의 포인트들 내에서 탐색할 수 있다.
예를 들어, 레벨 1에 대한 리테인드 그룹 내의 포인트들 중 P1는, 레벨 1에 대한 LOD 그룹 내의 포인트들 P0, P1, P2, P3, P4, P5, P6 중 P0와 가까우므로, P0을 페런트(parent)로 결정할 수 있다.
레벨 1에 대한 리테인드 그룹 내의 포인트들 중 P3 및 P6는, 레벨 1에 대한 LOD 그룹 내의 포인트들 P0, P1, P2, P3, P4, P5, P6 중 P4과 가까우므로, 각각 P4을 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P1, P6, P3중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
25002 단계에서, 실시예들에 따른 인코더는, P5를 계속 루트 노드(root node)로 유지하고, 레벨 2에 대한 리테인드 그룹 내의 포인트들의 페런트(parent)를, 현재 레벨(즉, 레벨 2)에 대한 LOD 그룹 내의 포인트들 내에서 탐색할 수 있다.
예를 들어, 레벨 2에 대한 리테인드 그룹 내의 포인트들 중 P7은, 레벨 2에 대한 LOD 그룹 내의 포인트들 P1 내지 P9 중 P2와 가까우므로, P2를 페런트(parent)로 결정할 수 있다.
레벨 2에 대한 리테인드 그룹 내의 포인트들 중 P8 는, 레벨 2에 대한 LOD그룹 내의 포인트들 P1 내지 P9 중 P6와 가까우므로, P6를 페런트(parent)로 결정할 수 있다.
레벨 2에 대한 리테인드 그룹 내의 포인트들 중 P9은, 레벨 2에 대한 LOD그룹 내의 포인트들 P1 내지 P9 중 P5와 가까우므로, P5를 페런트(parent)로 결정할 수 있다.
실시예들에 따른 인코더는 P7, P8, P9중 어느 포인트에 대한 부모/자식 관계를 먼저 결정하고 어느 포인트에 대한 부모/자식 관계를 나중에 결정할지 즉, 그 순서는 다양한 방법에 따라 결정될 수 있다. (예를 들어, 입력 순서, 몰톤 코드(Morton code) 순서, 시간 순서 등)
실시예들에 따른 인코더는 위와 같은 동작을 레벨 2 이상의 레벨에 대하여도 동일하게 수행할 수 있다. 해당 리테인드 그룹 내에서 부모-자식 관계가 결정되지 않은 포인트(노드)가 없으면, 다음 레벨의 리테인드 그룹 내의 포인트를 탐색한다.
이러한 과정으로 실시예들에 따른 인코더는, 포인트들 전부 또는 일부에 대하여 부모-자식 관계를 결정할 수 있다. 즉, 인코더는 부모-자식 관계가 결정된 포인트들 및 루트 노드를 포함하는 트리(tree)를 생성하고, 생성된 트리(tree)에 기초하여 실시예들에 따른 예측 동작을 수행한다. 생성된 트리는 예를 들어, 예측 트리(predictive tree)라고 호칭할 수도 있다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
실시예들에 따른 인코더는, 도 25에 나타난 예측 방법과 같이, LOD 전체가 예측 동작에 사용됨을 나타내는 시그널링 정보를 생성하여 수신 장치로 전달할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송수신 방법/장치는 이러한 방법에 기초하여, 잔차 정보를 생성하여 전송함으로써, 예측 기반 포인트 클라우드 코딩의 압축 효율을 증가시키고, 예측 기반 포인트 클라우드 코딩을 확장할 수 있고, 저지연 및 스케일러블 효과를 제공할 수 있다.
도 26은 실시예들에 따른 예측 트리를 나타낸다.
도 26에 나타난 실시예들에 따른 예측 트리는, 도 23 내지 도 25에서 실시예들에 따른 인코더가 생성한 예측 트리를 의미할 수 있다. 도 26에 나타난 실시예들에 따른 예측 트리(prediction tree)는, 도 20에 나타난 연관 데이터 탐색 단계(20001)에서 포인트들 간 부모-자식 관계가 결정되어 생성된 트리를 의미한다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
실시예들에 따른 인코더는 도 26에 나타난 예측 트리(prediction tree)를 이용하여, 각 포인트들의 지오메트리 정보를 예측(predict)한다.
예측 트리는 포인트의 지오메트리 데이터를 복원하기 위하여, 복수의 포인트들에 대응하는 복수의 노드(node)들을 포함한다. 노드는 예를 들어, 부모(parent)를 가지지 않는 루트 노드(root node, 26000), 부모를 가지는 노드가 있다. 페런트 노드를 가지는 노드는, 해당 페런트(부모) 노드의 자식 노드(child node, 26001, 26002a, 26002b 등)라고 호칭한다. 페런트 노드는 존재하지만, 자식 노드는 존재하지 않는 노드는 리프 노드(leaf node, 26001)라고 호칭한다.
루트 노드(root node, 26000)는 페런트(parent)를 가지지 않는 노드를 의미한다. 실시예들에 따른 포인트 클라우드 데이터 송신 장치(인코더)는 루트 노드에 해당하는 포인트의 지오메트리 정보를 전송한다.
루트 노드(26000)는 하나일 수도 있고 복수일 수도 있다. 예를 들어, 도 23과 같이, 예측 그룹을 각 리테인드 그룹 내에 존재하는 포인트만 이용하여 생성한 경우, 예측 트리는 리테인드 그룹의 수만큼 루트 노드(root node)를 가진다. 도 23의 경우 P5, P1 및 P7이 루트 노드에 해당하므로, 인코더는 P5, P1 및 P7의 지오메트리 정보를 인코딩하여 전송한다. 도 24 및 도 25의 경우 루트 노드는 P5이므로, 인코더는 P5에 대한 지오메트리 정보를 인코딩하여 전송한다.
자식 노드(child node, 26001 등)는 페런트(parent)를 가지는 노드를 의미한다. 예를 들어, 26001이 가리키는 노드는 루트 노드(26000)의 자식 노드이다. 특정 노드(루트 노드 포함)는 하나의 자식 노드를 가질 수도 있지만, 복수의 자식 노드를 가질 수도 있다. 예를 들어, 26002a가 가리키는 노드는 3개의 자식 노드를 갖는다. 예를 들어, 26002b가 가리키는 노드는 2개의 자식 노드를 갖는다. 예를 들어, 도 23을 참조하면, 모든 리프 노드가 아닌 노드는 하나의 자식 노드를 갖지만, 도 24에서 P4는 3개의 자식 노드 P2, P3, P6를 가진다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치(인코더)는, 생성된 예측 트리를 이용하여, 각 포인트들의 지오메트리 정보를 각 포인트들에 대한 예측 방법(prediction method)에 기초하여 예측(predict)할 수 있다. 예측 방법은 다음과 같을 수 있다.
1) 제 1 방법(pred_method = 0): V’(p) = a * V(p-1) + b
2) 제 2 방법(pred_method = 1): V’(p) = (a+1) * V(p-1) - a * V(p-2) + b
3) 제 3 방법(pred_method = 2): V’(p) = (a-1) * V(p-1) + a * V(p-2) + 2b
4) 제 4 방법(pred_method = 3): V’(p) = V(p-1) + a * V(p-2) - a * V(p-3) + b
5) 제 5 방법(pred_method = 4): V’(p) = (a-1) * V(p-1) + (a-1) * V(p-2) + a * V(p-3) + 3b
6) 제 6 방법(pred_method = 5): V’(p) = V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V(p-4) + 3b
7) 제 7 방법(pred_method = 6): V’(p) = (a+2) * V(p-1) - (2a + 1) * V(p-2) + a * V(p-3) + b
V(p)는 포인트들 중 p번째 포인트(벌텍스, vertex)이고, V(p-1)은 V(p)의 페런트(parent), V(p-2)를 V(p-1)의 페런트 즉, V(p)의 그랜드 페런트(grand parent)로 정의할 수 있다. 또한, a 및 b는 송신 장치에 의해 시그널링되는 정보(pred_param_a, pred_param_b)에 의해 수신 장치로 전달될 수 있다. V’(p)는 포인트 p에 대한 예측된 지오메트리 정보를 의미한다.
예를 들어, 실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더는, 그룹핑된 복수의 그룹들(예측 그룹들)에 기초하여, 포인트 클라우드 데이터에 대한 포인트들 중 제 1 포인트(현재 포인트)와 제 2 포인트(인접 포인트)를 인접 관계로 설정할 수 있다. 예를 들어, 실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더는, 제 1 포인트(현재 포인트) 및 제 2 포인트(인접 포인트)에 기초하여, 제 1 포인트(현재 포인트)에 대한 예측값을 생성할 수 있다. 여기서 제 2 포인트는 제 1 포인트의 부모 노드(페런트)에 대응하는 포인트일 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치의 인코더는, 포인트 클라우드 데이터의 모든 포인트들(루트 노드에 대응하는 노드 제외)에 대하여 지오메트리 데이터를 예측할 수도 있지만, 일부 포인트들에 대해서만 지오메트리 데이터를 예측할 수 있다. 예를 들어, 로슬리스(lossless) 데이터의 경우 인코더는, 포인트 클라우드 데이터의 모든 포인트들(루트 노드에 대응하는 노드 제외)에 대하여 인접 관계를 탐색하고 지오메트리 데이터를 예측할 수 있다. 예를 들어, 로시(lossy) 데이터의 경우 인코더는 일부 포인트들에 대해서만 인접 관계를 탐색하고 지오메트리 데이터를 예측할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치(인코더)는 루트 노드가 아닌 노드들(26001, 26002a, 26002b, 26003 등)의 지오메트리 정보를 재구성 또는 보완하기 위한 잔차 정보를 더 생성하여 전송할 수 있다.
예를 들어, 실시예들에 따른 인코더는, 예측된 각 포인트들의 지오메트리 정보와, 실제 지오메트리 정보의 차이 즉, 잔차 정보를 생성하여, 이를 양자화 및 변환하여 수신 장치로 전송할 수 있다. 잔차 정보(residual)는 원본 데이터와 예측된 데이터 사이의 차이를 의미한다. 포인트 p에 대하여 예측되는 방법(예측 방법) 별로 잔차 정보를 계산하는 방법은 다음과 같을 수 있다. (E는 해당 포인트 p의 잔차 정보를 의미한다)
Res(p) = E = V(p) - V’(p)
Res(p)는 루트 노드가 아닌 노드 p에 대한 잔차 정보를 나타낸다. 이를 참조하여, 예측 방법마다 잔차 정보는 다음과 같이 결정될 수 있다.
1) 제 1 방법(pred_method = 0): E = [V(p) - a * V(p-1) - b]
2) 제 2 방법(pred_method = 1): E = { [ V(p)-V(p-1) ] - a * [ V(p-1) - V(p-2) ] - b}
3) 제 3 방법(pred_method = 2): E = {[ V(p) + V(p-1) ]/2 - a * [ V(p-1) + V(p-2) ]/2 - b}
4) 제 4 방법(pred_method = 3): E = { [ V(p)-V(p-1) ] - a * [ V(p-2) - V(p-3) ] - b}
5) 제 5 방법(pred_method = 4): E = {[ V(p)+V(p-1) +V(p-2)]/3 - a * [ V(p-1) + V(p-2) + V(p-3) ]/3 - b},
6) 제 6 방법(pred_method = 5): E = {[ V(p)+V(p-1) +V(p-2)]/3 - a’ * [ V(p-2) + V(p-3) + V(p-4)]/3 - b’}
7) 제 7 방법(pred_method = 6): E = {[ V(p)-2V(p-1)+V(p-2)] -a * [ V(p-1)-2V(p-2)+V(p-3) ] - b}
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 즉 루트 노드(root node)에 대한 지오메트리 정보, 각 포인트들에 대한 예측 방법을 나타내는 정보 (pred_method) 및/또는 각 포인트들에 대한 잔차 정보를 수신 장치로 전송할 수 있다. 송신 장치는, 루트 노드(root node)에 대한 지오메트리 정보와 각 포인트들에 대한 잔차 정보를 양자화 및/또는 변환하여 수신 장치로 전송한다.
실시예들에 따른 포인트 클라우드 데이터 수신 장치(디코더)는, 루트 노드(26000)에 대한 지오메트리 정보를 수신하고, 루트 노드가 아닌 노드들(예를 들어, 26001)에 대한 잔차 정보를 수신한다. 수신 장치(디코더)는 모든 포인트들에 대하여, 부모-자식 관계를 설정하여 예측 트리(prediction tree)를 생성한다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다. 수신 장치(디코더)는, 생성된 예측 트리(prediction tree)을 이용하여, 모든 포인트들의 지오메트리 정보를 예측(predict)한다. 수신 장치(디코더)는, 예측된 모든 포인트들의 지오메트리 정보와 실제 지오메트리 정보의 차이를 줄이기 위하여, 예측된 모든 포인트들의 지오메트리 정보에 각 포인트들에 대한 잔차 정보를 더하거나 빼는 등의 연산을 수행할 수 있다.
위와 같은 다양한 예측 방법에 대해, 실시예들에 따른 인코더는 1) 기설정된 예측 방법을 일정 단위 (예를 들어, 슬라이스(slice) 단위, 코딩 블록 단위, 프레임(frame) 단위, N개 포인트의 단위 등)로 사용 및/또는 시그널링 할 수 있고, 2) 매 포인트 마다 에러가 최소화되는 방법에 대해서도 시그널링 정보로 제공할 수 있다. 또한 인코더는 예측 계수 a, b 에 대해서도 1) 미리 정해진 값을 사용/시그널링하거나 2), 매 포인트 마다 에러가 최소화 되는 방법에 대해 시그널링 할 수 있다.
따라서, 실시예들에 따른 인코더는 예측된 값에 대해 현재 데이터와의 예측 에러를 전달함으로써 코딩 효율을 높일 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송수신 방법/장치는 이러한 방법에 기초하여, 잔차 정보를 생성하여 전송함으로써, 예측 기반 포인트 클라우드 코딩의 압축 효율을 증가시키고, 예측 기반 포인트 클라우드 코딩을 확장할 수 있고, 저지연 및 스케일러블 효과를 제공할 수 있다.
도 27은 실시예들에 따른 포인트 클라우드 송신 장치 및 수신 장치가 지오메트리 정보 및/또는 잔차(residual) 정보를 변환/역변환하는 과정을 나타낸다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 변환 동작을 통해 잔차 정보 간의 중복된 정보를 제거할 수 있다. 실시예들에 따른 변환 동작은 리프팅 변환(lifting transform)을 의미할 수 있다.
도 27(A)는 실시예들에 따른 포인트 클라우드 데이터 송신 장치가, 포인트들의 지오메트리 데이터의 잔차 정보를 변환하는 동작을 나타낸다.
잔차 정보는, 예를 들어 도 20의 잔차 생성 단계(20003)에서 생성된 잔차 정보, 도 26에서 생성된 잔차 정보를 의미할 수 있다.
잔차 정보를 변환하는 동작은 잔차 정보를 스플릿(Split)하는 동작, 프리딕션(Prediction)하는 동작, 업데이트(Update)하는 동작을 포함한다. 잔차 정보를 변환하는 동작은, 실시예들에 따른 잔차 정보 내에서 중복된 데이터를 제거한다. 실시예들에 따른 송신 장치는 하나의 포인트에 대하여, 잔차 정보 내 중복된 데이터를 제거한 후 보정된 제 1 성분 D(0) 및 보정된 제 2 성분 L’(0)을 생성할 수 있다.
스플릿(Split)은, 잔차 정보를 수신하고 이를 제 1 성분H(N), 및 제 2 성분L(N)으로 분리한다. 스플릿은 예를 들어, 입력 데이터인 잔차 정보를 샘플링(sampling)함으로써 제 1 성분 및 제 2 성분으로 분리할 수 있다. 실시예들에 따르면, 제 1 성분은 고주파 성분, 제 2 성분은 저주파 성분으로 호칭될 수도 있다.
프리딕션(Prediction)은, 스플릿 동작에서 분리되어 생성된 제 2 성분L(N)을 수신하고, 제 2 성분에 기초하여 제 1 성분 H(N)을 보정하기 위한 예측 성분 P(N)을 생성한다. 프리딕션(Prediction)하는 동작은, 제 1 성분 H(N)에서, 생성된 예측 성분 P(N)을 뺌으로써 보정된 제 1 성분 D(N)을 생성할 수 있다. 보정된 제 1 성분 D(N)은 수신 장치로 송신 또는 시그널링될 수 있다.
업데이트(Update)는, 제 2 성분 L(N)을 보완/보정하기 위한 업데이트 성분 U(N)을 생성한다. 업데이트 성분 U(N)은 예를 들어, 제 2 성분 L(N)을 보완/보정하기 위한 성분을 의미한다. 업데이트(Update)는, 제 2 성분 L(N)에서, 보정된 제 1 성분인 업데이트 성분 U(N)을 더함으로써, 보정된 제 2 성분 L’(N)을 생성한다.
실시예들에 따른 송신 장치는, 잔차 정보를 변환하는 동작 즉, 잔차 정보를 스플릿(Split)하는 동작, 프리딕션(Prediction)하는 동작, 업데이트(Update)을 한 번씩만 수행할 수도 있지만, 복수 회(예를 들어, N회)에 걸쳐 수행할 수도 있다.
예를 들어, 실시예들에 따른 송신 장치는, 보정된 제 2 성분 L’(N)을 다시 스플릿(Split)하고, 프리딕션(Prediction)하고, 업데이트(Update)할 수 있다.
도 27(B)는 실시예들에 따른 포인트 클라우드 데이터 수신 장치가, 포인트들의 지오메트리 데이터의 잔차 정보를 역변환하는 동작을 나타낸다.
보정된 제 1 성분 D(0) 및 보정된 제 2 성분 L’(0)은 포인트에 대한 잔차 정보를 생성하기 위한 성분들이다.
잔차 정보를 역변환하는 동작은 보정된 제 1 성분 D(0) 및 보정된 제 2 성분 L’(0)을 수신한다. 잔차 정보를 역변환하는 동작은 업데이트(Update) 동작, 프리딕션(Prediction) 동작 및/또는 머지(Merge) 동작을 포함할 수 있다.
업데이트(Update)는 보정된 제 1 성분 D(0)을 수신하고, 보정된 제 2 성분 L’(0)으로부터 제 2 성분을 재구성/도출하기 위한 업데이트 성분을 생성한다. 업데이트(Update)는 보정된 제 2 성분 L’(0)dp, 생성된 업데이트 성분을 뺌으로써 제 2 성분 L(0)을 생성한다.
프리딕션(Prediction)은 제 2 성분 L(0)을 수신하고, 보정된 제 1 성분 D(0)으로부터 제 1 성분을 재구성/예측하기 위한 예측 성분을 생성한다. 프리딕션은 보정된 제 1 성분 D(0)에 생성된 예측 성분을 더함으로써 제 1 성분 H(0)을 생성한다.
머지(Merge)는 제 1 성분H(0) 및 제 2 성분 L(0)를 수신하고, 이들을 결합하여 잔차 정보를 복원할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 이러한 구성으로 인해 실시예들에 따른 잔차 정보 내의 중복된 데이터를 더 제거할 수 있다. 따라서, 송신 장치는, 중복된 데이터가 제거된 잔차 정보를 송신하므로 인코딩 효율을 높일 수 있고, 수신 장치의 불필요한 딜레이와 처리 부담을 줄일 수 있다.
실시예들에 따른 포인트 클라우드 데이터 수신 장치는, 이러한 구성으로 인해 실시예들에 따른 잔차 정보 내의 중복된 데이터를 수신한다. 따라서, 수신 장치는, 중복된 데이터가 제거된 잔차 정보를 수신하므로 디코딩 효율을 높일 수 있고, 수신 장치의 디코딩 환경에 적응적(adaptive)으로 사용자에게 포인트 클라우드 컨텐츠를 제공할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치(인코더)는 포인트들에 대한 잔차 정보(residual, Res(p)) 및/또는 도 27(A)에 따라 변환된 잔차 정보 양자화(quantization)하여 수신 장치로 전송할 수 있다. 데이터 손실이 허용되는 환경인 경우 정규화를 통해 데이터를 더 줄일 수 있다. 여기서, 그룹에 따라 서로 다른 양자화(quantization) 값을 적용할 수 있다.
예를 들어, 많이 참조되는 데이터에 대해서는 작은 정규화 값을 적용함으로써, 예측으로 인해 발생하는 에러를 최소화할 수 있다. 예를 들어, 예측 그룹 간의 참조가 가능한 경우 해당 예측 그룹이 참조되는 회수에 따라 양자화 가중치(quantization weight)를 다르게 적용할 수 있다. 이 때, 양자화 가중치 Q()는 해당 예측 그룹의 참조 회수에 반비례하도록 정의할 수 있다.
Quant[x] = FLOOR[ Res(p) / Q(referred number of prediction group) ]
x는 해당 예측 그룹 내에 포함된 포인트를 양자화(quantization)한 값을 나타내고, Res(p)는 예측 그룹 내의 포인트의 잔차 정보를, Q(referred number of prediction group)는 해당 예측 그룹에 대한 양자화 가중치를 의미한다.
다른 예로써, 예측 방법에 기반한 인코딩 과정에서 포인트가 참조되는 수에 따라 양자화 가중치(quantization weight Q())를 다르게 적용할 수 있다. 이 때, 양자화 가중치(quantization weight)는 포인트의 참조 회수에 반비례하도록 정의할 수 있다.
Quant[x] = FLOOR[ Res(p) / Q(referred number of vertex) ]
x는 해당 예측 그룹 내에 포함된 포인트를 양자화(quantization)한 값을 나타내고, Res(p)는 예측 그룹 내의 포인트의 잔차 정보를, Q(referred number of vertex)는 해당 포인트에 대한 양자화 가중치를 의미한다.
다른 예로써, 버텍스(vertex)가 루트 노드(root node)로부터 코딩되는 순서에 따라 양자화 가중치(quantization weight Q())를 적용할 수 있다. 이 때, 현재 버텍스로부터 루트 노드(혹은 일정 기준이 되는 버텍스) 까지의 부모-자식(parent-child) 관계의 수를 버텍스 거리(vertex distance)라고 정의할 때, 양자화 가중치(quantization weight)는 버텍스 거리에 비례하도록 정의할 수 있다.
Quant[x] = FLOOR[ Res(p) / Q(vertex distance from root) ]
다른 예로써, 자식 노드(child node)의 숫자에 따라 양자화 가중치(quantization weight Q())를 다르게 적용할 수 있다. 이 경우 양자화 가중치(quantization weight)는 자식 노드의 수에 반비례하도록 정의할 수 있다.
Quant[x] = FLOOR[ Res(p) / Q(number of children) ]
위에서 기술된 양자화 가중치(quantization weight)는 하나 이상을 복합적으로 사용할 수도 있다.
실시예들에 따른 실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 이러한 변환 및/또는 양자화 동작으로 인해, 지오메트리 데이터 손실이 허용되는 환경에서 빠른 인코딩을 제공하고, 인코딩 효율을 향상시킬 수 있다.
도 28은 실시예들에 따른 포인트 클라우드 데이터의 비트스트림 구조의 예시를 나타낸다.
도 28은 실시예들에 따른 포인트 클라우드 데이터의 비트스트림 구조(28000)의 예시이다. 도 28에 나타난 포인트 클라우드 데이터의 비트스트림 구조(28000)는 실시예들에 따른 송신 장치의 도 1의 트랜스미터(10003), 도 2의 전송부(18002), 도 12의 전송 처리부(12012), 도 16의 비트스트림 결합부(16014), 도 17의 비트스트림 결합부(17000)에서 생성될 수 있다.
실시예들에 따른 파라미터(메타데이터, 시그널링 정보 등 다양하게 호칭 가능함)는 후술하는 실시예들에 따른 송신기의 프로세스 상 생성될 수 있고, 실시예들에 따른 수신기에 전달되어 재구성 과정에 이용될 수 있다.
예를 들어, 실시예들에 따른 파라미터는 후술하는 실시예들에 따른 송신 장치의 메타데이터 처리부(또는 메타데이터 제너레이터)에서 생성되고, 실시예들에 따른 수신 장치의 메타데이터 파서에서 획득될 수 있다.
도 28에 나타난 포인트 클라우드 데이터의 비트스트림 구조(28000)는 실시예들에 따른 수신 장치의 도 1의 리시버(10005), 도 2의 디코딩부(18003), 도 13의 수신부(13000), 도 35의 수신부(35000)에서 수신하는 비트스트림일 수 있다. 도 28에 나타난 포인트 클라우드 데이터의 비트스트림 구조(28000)는 도 36의 슬라이스 별 지오메트리와 속성 비트스트림(36001)을 의미할 수 있다.
도38에 나타난 실시예들에 따른 비트스트림 구조(28000)의 일부 또는 전부는 도14의 XR디바이스(1430)에 의해 생성될 수 있다. 또한, 본 도면에서 설명하는 브릭(brick)은 슬라이스(slice)에 대응될 수 있고, 그 역도 성립할 수 있다. 본 문서에서 브릭은 슬라이스로 지칭될 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는 도 31에서 도시한 바에 따른 비트스트림 구조를 가지는 비트스트림(28000)을 전송할 수 있다. 포인트 클라우드 데이터의 비트스트림(28000)은 SPS(Sequential Parameter Set, 28001), GPS(Geometry Parameter Set, 28002), APS(Attribute Parameter Set, 28003), TPS(Tile Parameter Set, 28004) 및 하나 또는 그 이상의 슬라이스(slice)들(slice 0, slice 1 …n, 28004)을 포함할 수 있다. 포인트 클라우드 데이터의 비트스트림(28000)은 하나 또는 그 이상의 타일(tile)을 포함할 수 있다. 실시예들에 따른 타일(tile)은 하나 또는 그 이상의 슬라이스(slice)를 포함하는 슬라이스들의 그룹일 수 있다. 실시예들에 따른 비트스트림(28000)은 포인트 클라우드 데이터를 영역별로 나누어 처리할 수 있도록 타일, 또는 슬라이스를 제공한다. 실시예들에 따른 비트스트림(28000)의 각각의 영역은 서로 다른 중요도를 가질 수 있다. 따라서, 포인트 클라우드 데이터는 타일(Tile)로 나누어지는 경우, 각 타일별로 다른 필터(부호화 방법), 다른 필터 유닛을 적용할 수 있다. 포인트 클라우드는 슬라이스(Slice)로 나누어지는 경우, 각 슬라이스별로 다른 필터, 다른 필터 유닛을 적용할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 도 31과 같은 비트스트림(28000)의 구조에 따라 포인트 클라우드 데이터를 전송함으로써, 중요도에 따라서 다른 부호화 동작을 적용할 수 있게 하고, 품질(quality)이 좋은 부호화 방법을 중요한 영역에 사용할 수 있는 방안을 제공할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 수신 장치는, 수신 장치의 처리능력(capacity)에 따라서 포인트 클라우드 데이터 전체에 복잡한 복호화(필터링) 방법을 사용하는 대신 영역별로 (타일로 나누어지거나 슬라이스로 나누어진 영역) 서로 다른 필터링(복호화 방법)을 적용할 수 있게 함으로서 사용자에게 중요한 영역에 더 좋은 화질과 시스템 상으로 적절한 레이턴시(latency)을 보장할 수 있다.
SPS(Sequence Parameter Set, 28001)는 각각의 슬라이스 세그먼트 헤더(slice segment header)내의 신텍스 엘리먼트(syntax element)에 의해 참조되는 PPS 내의 신텍스 엘리먼트의 컨텐츠에 의해 결정되는 0개 또는 그 이상의 전체 CVS들에 적용되는 신텍스 엘리먼트들을 포함하는 신텍스 스트럭쳐이다. (A syntax structure containing syntax elements that apply to zero or more entire CVSs as determined by the content of a syntax element found in the PPS referred to by a syntax element found in each slice segment header.) SPS는 실시예들에 따른 포인트 클라우드 데이터 비트스트림의 시퀀스 정보를 포함할 수 있다.
GPS(Geometry Parameter Set, 28002)은 0개 또는 그 이상의 전체 지오메트리(또는 부호화된 지오메트리)가 적용되는 신텍스 엘리먼트들(syntax elements)을 포함하는 신텍스 스트럭처(syntax structure)를 의미할 수 있다. 실시예들에 따른 GPS(28002)는 하나 또는 그 이상의 슬라이스들(28004)에 포함된 포인트 클라우드 데이터의 어트리뷰트(속성) 정보를 인코딩하는 방법에 관한 정보를 포함할 수 있다. GPS(28002)는 실시예들에 따른 어떤 SPS(28001)와 관련된 지오메트리 파라미터를 포함하는지를 나타내는 SPS 식별자 정보, 해당 GPS를 식별하는 GPS 식별자 정보를 포함할 수 있다.
APS(Attribute Parameter Set, 28003)은 0개 또는 그 이상의 전체 어트리뷰트(또는 부호화된 어트리뷰트)가 적용되는 신텍스 엘리먼트들(syntax elements)을 포함하는 신텍스 스트럭처(syntax structure)를 의미할 수 있다. 실시예들에 따른 APS(28003)는 하나 또는 그 이상의 슬라이스들(28004)에 포함된 포인트 클라우드 데이터의 어트리뷰트(속성) 정보를 인코딩하는 방법에 관한 정보를 포함할 수 있다. APS(28003)는 실시예들에 따른 어떤 SPS(28001)와 관련된 지오메트리 파라미터를 포함하는지를 나타내는 SPS 식별자 정보, 해당 APS를 식별하는 GPS 식별자 정보를 포함할 수 있다.
TPS(Tile Parameter Set, 28004)는 0개 또는 그 이상의 전체 타일들(또는 부호화된 타일들)이 적용되는 신텍스 엘리먼트들(syntax elements)을 포함하는 신텍스 스트럭처(syntax structure)를 의미할 수 있다. 타일 인벤토리는 실시예들에 따른 포인트 클라우드 데이터 비트스트림에 포함된 0개 또는 그 이상의 타일(tile)들에 관한 정보를 포함한다. 타일 인벤토리는 실시예들에 따라 TPS(Tile Parameter Set)으로 호칭될 수도 있다.
TPS(Tile Parameter Set, 28004)는 하나 또는 그 이상의 타일(tile)들을 식별하는 식별자 정보 및 하나 또는 그 이상의 타일(tile)들의 범위(즉, 타일의 바운딩 박스)를 나타내는 정보를 포함할 수 있다. 하나 또는 그 이상의 타일(tile)들의 범위(즉, 타일의 바운딩 박스)를 나타내는 정보는, 해당 타일이 나타내는 바운딩 박스의 기준이 되는 점의 좌표 정보(예를 들어, Tile(n).tile_bounding_box_xyz0) 및 해당 바운딩 박스의 폭, 높이 및 깊이에 관한 정보(예를 들어, Tile(n).tile_boudning_box_whd)를 포함할 수 있다. 복수 개의 타일이 존재하는 경우, 타일 인벤토리는(Tile Inventory, 33004)는 타일들 각각에 대한 바운딩 박스를 나타내는 정보를 포함할 수 있다. 예를 들어, 각 타일들이 타일들의 식별자 정보에 의해 0 내지 n으로 표현되는 경우, 각 타일들의 바운딩 박스를 나타내는 정보는 Tile(0).tile_bounding_box_xyz0, Tile(0).tile_bounding_box_whd, Tile(1).tile_bounding_box_xyz0, Tile(1).tile_bounding_box_whd …등으로 표현될 수 있다.
슬라이스(slice, 28004)는 실시예들에 따른 포인트 클라우드 데이터의 송신 장치가 포인트 클라우드 데이터를 인코딩하기 위한 단위를 의미할 수 있다. 실시예들에 따른 슬라이스(28004)는 하나의 지오메트리 비트스트림(Geom00, 28004a) 및 하나 또는 그 이상의 어트리뷰트 비트스트림들(Attr00, Attr10, 28004b, 28004b)을 포함하는 단위를 의미할 수 있다.
슬라이스(slice, 28004)는 해당 슬라이스 내에 포함된 포인트 클라우드 데이터의 지오메트리 정보를 나타내는 지오메트리 슬라이스 (Geometry Slice, Geom, 28004a) 및 해당 슬라이스 내에 포함된 포인트 클라우드 데이터의 어트리뷰트 정보를 나타내는 하나 또는 그 이상의 어트리뷰트 슬라이스 (Attribute Slice, Attr, 28004b, 28004c)를 포함할 수 있다.
지오메트리 슬라이스 (Geometry Slice, Geom, 28004a)는 포인트 클라우드 데이터의 지오메트리 정보를 포함하는 지오메트리 슬라이스 데이터(Geometry Slice Data, Geom_slice_data, 28004a-2) 및 지오메트리 슬라이스 데이터에 관한 정보를 포함하는 지오메트리 슬라이스 헤더(Geometry Slice Header, Geom_slice_header, GSH, 28004a-1)를 포함한다.
지오메트리 슬라이스 헤더(28004a-1)는 해당 슬라이스 내의 지오메트리 슬라이스 데이터(28004a-2)에 관한 정보를 포함한다. 예를 들어, 지오메트리 슬라이스 헤더(28004a-1)는 어느 GPS(28002)가 해당 슬라이스의 지오메트리 정보를 나타내는지 여부를 식별하기 위한 지오메트리 파라미터 세트 식별자(geom_geom_parameter_set_id), 해당 지오메트리 슬라이스를 식별하기 위한 지오메트리 슬라이스 식별자(geom_slice_id), 해당 지오메트리 슬라이스 데이터의 박스 원점을 나타내는 지오메트리 박스 오리진 정보(geomBoxOrigin), 지오메트리 슬라이스의 로크 스케일을 나타내는 정보(geom_box_log2_scale), 해당 지오메트리 슬라이스의 포인트들의 개수와 관련된 정보(geom_num_points) 등을 포함할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 비트스트림이 하나 또는 그 이상의 타일(tile)을 포함하는 경우, 실시예들에 따른 지오메트리 비트스트림의 헤더는 해당 지오메트리 비트스트림을 포함하는 타일을 식별하기 위한 정보(geom_tile_id)를 더 포함할 수 있다.
어트리뷰트 슬라이스 (Attribute Slice, Attr, 28004b, 28004c)는 포인트 클라우드 데이터의 어트리뷰트 정보를 포함하는 어트리뷰트 슬라이스 데이터(Attribute Slice Data, Attr_slice_data) 및 어트리뷰트 슬라이스 데이터에 관한 정보를 포함하는 어트리뷰트 슬라이스 헤더(Attribute Slice Header, Attr_slice_header, ASH, 33005c)를 포함한다.
실시예들에 따르면, 포인트 클라우드 인코딩에 필요한 파라미터들은 포인트 클라우드(point cloud)의 파라미터 세트(parameter set) 및 헤더(header) 정보로 새로 정의될 수 있다. 예를 들어, 속성정보 부호화를 할 때에는 attribute parameter set RBSP syntax에, 타일 기반 부호화를 할 때에는 tile_header syntax 등에 추가할 수 있다.
실시예들에 따른, 예측 그룹에 따른 압축과 관련된 정보는 상술한 다양한 파라미터 세트(parameter set) 및/또는 지오메트리 슬라이스 헤더(geometry slice header) 등에 정의할 수 있다. 압축과 관련된 정보는 어플리케이션, 시스템에 따라 상응되는 위치 혹은 별도의 위치에 정의하여 적용 범위, 적용 방법 등을 다르게 사용할 수 있다.
압축과 관련된 정보는 어트리뷰트 파라미터 세트(attribute parameter set) 및/또는 어트리뷰트 슬라이스 헤더(attribute slice header)에 정의할 수도 있다.실시예들에 따른 압축과 관련된 정보가 APS, ASH에 포함됨으로써, 어트리뷰트 코딩(attribute coding) 방법과 연계하거나 어트리뷰트 코딩에 적용할 수 있는 효과를 제공한다.
또한, 실시예들에 따른 압축과 관련된 정보는 시퀀스 파라미터 세트(SPS, sequence parameter set), 타일 파라미터 세트(tile parameter set) 내에 포함될 수도 있다. 실시예들에 따른 압축과 관련된 정보가 SPS 또는 TPS에 포함됨으로써, 송신 장치는 지오메트리 스케일러블리티(geometry scalability)를 제공할 수 있다.
또한, 아래 정의된 syntax element가 현재 point cloud data stream 뿐 아니라 복수의 point cloud data stream에 적용될 수 있는 경우에는 상위 개념의 parameter set 등을 통해 전달할 수도 있다.
실시예들에 따른 시그널링 정보는 예측 기반 스케일러블 포인트 클라우드 압축 송신 장치/방법의 압축(인코딩)과정에서 생성되고, 예측 기반 스케일러블 포인트 클라우드 압축 수신 장치/방법의 디코딩 과정에서 사용될 수 있다.
도 29는 실시예들에 따른 GPS(Geometry Parameter Set)를 나타낸다.
도 29에 나타난 GPS(Geometry Parameter Set)는 도 28에서 설명한 지오메트리 파라미터 세트(Geometry Parameter Set, 27002)를 의미한다. GPS(Geometry Parameter Set)는 예를 들어, 도 28에서 설명한 압축과 관련된 정보를 포함할 수 있고, 도 20에 나타난 시그널링 정보(예를 들어, 그룹_참조_모드(group_reference_mode), 넘버_레퍼런스_그룹들(num_ref_groups), 연관_데이터_탐색_방법(correlated_data_search_method) 등)를 포함한다.
GPS(Geometry Parameter Set)는 예를 들어, GPS_지오메트리_예측_플래그(gps_geometry_prediction_flag)를 포함한다.
GPS_지오메트리_예측_플래그(gps_geometry_prediction_flag)의 값이 1인 경우 실시예들에 따른 예측 기반 포인트 클라우드 인코딩 방법이 사용됨을 나타낸다. 예측 기반 포인트 클라우드 인코딩 방법과 관련된 파라미터는 GPS 혹은 지오메트리 슬라이스(geometry slice) 혹은 관련 파라미터 컨테이너를 통해 전달됨을 알려줄 수 있다. 이 파라미터의 값이 0인 경우 예측 기반 포인트 클라우드 압축이 사용되지 않고 다른 압축 방법이 사용됨을 나타낸다.
GPS_지오메트리_예측_플래그(gps_geometry_prediction_flag)의 값이 1인 경우, 실시예들에 따른 GPS는 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method), 넘버_프리딕션_그룹들(num_pred_groups) 정보를 더 포함한다. 이 파라미터들은 도 18에서 설명한 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method), 넘버_프리딕션_그룹들(num_pred_groups) 정보를 의미한다.
지오메트리_예측_그룹핑_방법(geom_pred_grouping_method) 정보는 실시예들에 따른 예측 그룹을 생성하는 방법을 나타낼 수 있다. 예를 들어, 이 파라미터의 값이 0인 경우 포인트들의 거리에 기반하여 LOD를 생성 방법, 1인 경우 옥트리 샘플링(octree sampling) 방법에 기반하여 LOD를 생성하는 방법, 2인 경우 지역 기반 인접 포인트로 그룹을 생성하는 경우 등으로 구분할 수 있다.
넘버_프리딕션_그룹들(num_pred_groups) 정보는 실시예들에 따른 예측 기반 포인트 클라우드 압축이 사용되는 경우, 사용되는 예측 그룹들의 수를 나타낼 수 있다.
실시예들에 따른 GPS는 넘버_프리딕션_그룹들(num_pred_groups)에 나타난 예측 그룹들의 수만큼 넘버_레퍼런스_그룹들(num_ref_groups) 정보를 포함한다.
넘버_레퍼런스_그룹들(num_of_ref_groups) 정보는 복수의 예측 그룹들을 예측 인코딩에 사용하는 경우, 특정 예측 그룹 내의 포인트들의 지오메트리 정보를 예측하기 위하여 사용되는 다른 예측 그룹들의 수를 나타낸다. 이 파라미터의 값이 0인 경우, 해당 예측 그룹(i번째 예측 그룹) 내의 포인트들은 해당 예측 그룹(i번째 예측 그룹) 내에 존재하는 포인트들에 기초하여만 예측이 이루어 짐을 나타낸다.
만약, 넘버_레퍼런스_그룹들(num_of_ref_groups) 정보의 값이 0보다 크면, 즉 특정 예측 그룹 내의 포인트들의 지오메트리 정보를 예측하기 위하여 사용되는 다른 예측 그룹들의 수가 1개 이상이면, GPS는 해당 예측 그룹(i번째 예측 그룹)에서 사용하기 위한 예측 그룹의 후보 그룹을 정의하는 방법을 나타내는 정보인 그룹_레퍼런스_모드(group_ref_mode) 정보를 더 포함한다.
그룹_레퍼런스_모드(group_ref_mode) 정보는 해당 예측 그룹(i번째 예측 그룹) 내의 포인트의 예측을 위해 사용하는 다른 예측 그룹의 후보군을 정의하는 방법을 나타낸다.
예를 들어, 그룹_레퍼런스_모드(group_ref_mode) 정보의 값이 0인 경우, GPS는 참조하는 연속된 직전 예측 그룹들의 수를 나타내는 넘버_레퍼런스_그룹들(num_ref_groups) 정보를 더 포함한다. 여기서 넘버_레퍼런스_그룹들(num_ref_groups) 정보는 해당 예측 그룹 내(i번째 예측 그룹)의 포인트의 지오메트리 정보를 예측하는데 참조 및/또는 사용되는 직전 예측 그룹들의 수를 나타낸다. 예를 들어, 레벨 5의 리테인드 그룹 내의 포인트들의 지오메트리 정보를, 직전 3개의 리테인드 그룹 내의 포인트들에 기반하여 예측을 수행한다면 이 파라미터의 값은 3일 수 있다.
예를 들어, 그룹_레퍼런스_모드(group_ref_mode) 정보의 값이 1인 경우 인코더가 넘버_레퍼런스_그룹들(num_ref_groups)개의 불연속적인 예측 그룹을 사용함을 나타낼 수 있다. 여기서 넘버_레퍼런스_그룹들(num_ref_groups) 정보는 해당 예측 그룹(i번째 예측 그룹) 내의 포인트의 지오메트리 정보를 예측하는데 참조 및/또는 사용되는 다른 예측 그룹들의 수를 나타낸다. 예를 들어, 레벨 5의 리테인드 그룹 내의 포인트들의 지오메트리 정보를, 레벨 1, 레벨 2, 레벨 4의 리테인드 그룹 내의 포인트들에 기반하여 예측을 수행한다면, 이 파라미터의 값은 3일 수 있다.
예를 들어, 그룹_레퍼런스_모드(group_ref_mode) 정보의 값이 1인 경우, GPS는 참조되는 다른 예측 그룹들을 식별하기 위한 정보인 레퍼런스_인덱스(ref_index) 정보를 더 포함한다.
레퍼런스_인덱스(ref_index) 정보는 해당 예측 그룹(i번째 예측 그룹) 내의 포인트들을 예측하기 위해 사용되는 다른 예측 그룹들의 인덱스를 나타낼 수 있다.
예를 들어, 그룹_레퍼런스_모드(group_ref_mode) 정보의 값이 2인 경우, 해당 예측 그룹(i번째 예측 그룹)을 예측하기 위해, 모든 예측 그룹들을 사용함을 나타낼 수 있다. 만약 LoD 기반으로 예측 그룹을 정의하는 경우 현재 LoD를 사용하는 것과 같은 의미로 정의할 수 있다.
GPS_지오메트리_예측_플래그(gps_geometry_prediction_flag)의 값이 1인 경우, 실시예들에 따른 GPS는 연관_데이터_탐색_방법(correlated_data_search_method) 정보, 예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b)를 더 포함할 수 있다. 이 파라미터들은 도 18에서 설명한 예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b) 등을 의미한다.
연관_데이터_탐색_방법(correlated_data_search_method) 정보는 각 포인트의 페런트(parent)를 찾는 방법을 나타낸다. 예를 들어, 이 파라미터의 값이 0인 경우, 해당 포인트의 페런트를 찾기 위해 포인트들의 입력 순서대로 순회(traverse)하여 연관 데이터(인접 포인트)를 찾는다. 예를 들어, 이 파라미터의 값이 1인 경우, 해당 포인트의 페런트를 찾기 위해 포인트들의 타임 스탬프(time stamp) 순서대로 순회(traverse)하여 연관 데이터(인접 포인트)를 찾는다. 예를 들어, 이 파라미터의 값이 2인 경우 포인트들의 몰톤 코드(morton code) 순서로, 3인 경우 LiDAR 중심 축으로 부터의 radius 크기(및/또는 azimuth 크기 및/또는 elevation 크기)에 따른 순서, 4인 경우 LiDAR 중심 축으로 부터의 수평방향 각도에 따른 순서, 5인 경우 LiDAR 의 수직 방향 각도에 따른 순서로 찾는다.
예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b) 정보는 각각, 예측 기반 포인트 클라우드 압축이 사용되는 경우 예측 방법 및 관련 파라미터를 의미한다. 예측_방법(pred_method)가 GPS 내에서 시그널링 되는 경우에는 현재 GPS가 참조하는 프레임(frame)에 동일한 예측 방법(prediction method)이 사용됨을 나타낸다. 예측_방법(pred_method) 정보가 GSH(지오메트리 슬라이스 헤더)에 시그널링 되는 경우 슬라이스(slice) 내에서 동일하게 사용됨을 나타낼 수 있으며, 각각의 vertex 포인트에 따라 서로 다른 방법을 시그널링 할 수도 있다. 각각의 방법은 아래를 의미할 수 있다.
1) 제 1 방법(pred_method = 0): V'(p) = a * V(p-1) + b
2) 제 2 방법(pred_method = 1): V'(p) = (a+1) * V(p-1) - a * V(p-2) + b
3) 제 3 방법(pred_method = 2): V'(p) = (a-1) * V(p-1) + a * V(p-2) + 2b
4) 제 4 방법(pred_method = 3): V'(p) = V(p-1) + a * V(p-2) - a * V(p-3) + b
5) 제 5 방법(pred_method = 4): V'(p) = (a-1) * V(p-1) + (a-1) * V(p-2) + a * V(p-3) + 3b
6) 제 6 방법(pred_method = 5): V'(p) = V(p-1) + (a-1) * V(p-2) + a * V(p-3) + a * V(p-4) + 3b
7) 제 7 방법(pred_method = 6): V'(p) = (a+2) * V(p-1) - (2a + 1) * V(p-2) + a * V(p-3) + b
GPS_지오메트리_예측_플래그(gps_geometry_prediction_flag)의 값이 1인 경우, 실시예들에 따른 GPS는 변환_인에이블_플래그(transform_enable_flag), 양자화_모드(qnant_mode) 정보
변환_인에이블_플래그(transform_enable_flag)의 값이 1인 경우 도 27에 나타난 변환(transform) 방법이 사용됨을 나타낸다.
양자화_모드(qnant_mode) 정보는 실시예들에 따른 양자화 가중치(quantization weight)를 결정하는 방법을 나타낸다. 예를 들어 이 파라미터의 값이 0인 경우 양자화(quantization)가 사용되지 않음을, 이 파라미터의 값이 1인 경우 그룹이 참조되는 회수에 따라 양자화 가중치 를 정하는 방법을 사용함을, 이 파라미터의 값이 2인 경우 버텍스(vertex)가 참조되는 회수에 따라 양자화 가중치를 정하는 방법을 사용함을, 3인 경우 버텍스가 루트 노드로부터 코딩되는 순서에 따라 양자화 가중치를 정하는 방법을 사용함을, 이 파라미터의 값이 4인 경우 자식 노드의 숫자에 따라 양자화 가중치를 정하는 방법이 사용됨을 나타낼 수 있다.
도 30은 실시예들에 따른 GSH(Geometry Slice Header) 및 지오메트리 슬라이스 데이터를 나타낸다.
실시예들에 따른 지오메트리 슬라이스 비트스트림(geometry slice bitstream)은 GSH(Geometry Slice Header) 및 지오메트리 슬라이스 데이터(geometry slice data)를 포함한다. 지오메트리 슬라이스 비트스트림은 도 28의 Geom을 의미한다. 지오메트리 슬라이스 비트스트림은 아래와 같은 신텍스를 가질 수 있다.
general_geometry_slice_bitstream(　) { Descriptor
geometry_slice_header(　) 　
geometry_slice_data(　) 　
} 　
도 30(A)는 지오메트리 슬라이스 헤더(GSH, Geometry Slice Header)를 나타낸다. 도 30(A)에 나타난 GSH는 도 28의 지오메트리 슬라이스 헤더(28005a-1)를 의미한다.
실시예들에 따른 지오메트리 슬라이스 헤더(GSH, Geometry Slice Header)는 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method), 넘버_레퍼런스_그룹들(num_of_ref_groups), 그룹_레퍼런스_모드(group_ref_mode), 넘버_레퍼런스_그룹들(num_ref_groups), 레퍼런스_인덱스(ref_index), 연관_데이터_탐색_방법(correlated_data_search_method) 정보, 예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b), 변환_인에이블_플래그(transform_enable_flag) 및/또는 양자화_모드(qnant_mode) 정보를 포함할 수 있다.
실시예들에 따른 GSH는 도 29에 나타난 바에 따라 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method), 넘버_레퍼런스_그룹들(num_of_ref_groups), 그룹_레퍼런스_모드(group_ref_mode), 넘버_레퍼런스_그룹들(num_ref_groups), 레퍼런스_인덱스(ref_index), 연관_데이터_탐색_방법(correlated_data_search_method) 정보, 예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b), 변환_인에이블_플래그(transform_enable_flag) 및/또는 양자화_모드(qnant_mode) 정보 중 일부만 포함할 수도 있고, 전부 포함할 수도 있다.
실시예들에 따른 GSH는 GSH_넘퍼_포인트들(gsh_num_points) 정보를 더 포함할 수 있다.
GSH_넘퍼_포인트들(gsh_num_points) 정보는 슬라이스(slice) 내의 버텍스(vertex)를 의미하는 포인트들 수를 나타낼 수 있다.
도 30(B)는 지오메트리 슬라이스 데이터(geometry slice data)를 나타낸다. 도 30(B)에 나타난 지오메트리 슬라이스 데이터(geometry slice data)는 도 28의 지오메트리 슬라이스 데이터(28005a-2)를 의미한다.
실시예들에 따른 지오메트리 슬라이스 데이터는 GPS_지오메트리_예측_플래그(gps_geometry_prediction_flag)의 값이 1(true)이면, 도 30(A)에 나타난 GSH_넘버_포인트들(gsh_num_points)에 나타난 포인트들의 수만큼, 자식_수(children_count) 정보, 레퍼런스_그룹들_수(num_ref_groups) 정보, 예측_방법(pred_method), 예측_파라미터_A(pred_param_a), 예측_파라미터_B(pred_param_b), 하나 또는 그 이상의 잔차 값(residual) 정보의 일부 또는 전부를 포함할 수 있다.
실시예들에 따른 지오메트리 슬라이스 데이터는, 포인트 개별마다, 참조되는 그룹들의 수(레퍼런스_그룹들_수(num_ref_groups) 정보의 값)만큼 참조되는 예측 그룹들의 식별자를 나타내는 레퍼런스_인덱스(ref_index) 정보를 포함한다.
자식_수(children_count) 정보는 특정 버텍스(포인트, vertex)의 자식 노드(child)의 수를 나타낸다.
도 31은 실시예들에 따른 SPS(Sequence Parameter Set), GPS(Geometry Parameter Set), APS(Attribute Parameter Set)를 나타낸다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치(인코더)는, 지오메트리 정보를 예측하기 위해 그룹핑한 포인트들(예를 들어, 예측 그룹들)을 이용하여 어트리뷰트 정보를 인코딩할 수 있다. 즉, 실시예들에 따른 인코더는, 지오메트리 정보를 인코딩하는데 생성한 예측 그룹들(LOD 그룹들, 리테인드 그룹들)을 동일하게 이용하여 어트리뷰트 정보를 인코딩할 수 있다. 이러한 인코딩의 구성으로 인해, 실시예들에 따른 인코더는 인코딩 시간을 단축시킬 수 있고, 어트리뷰트 인코딩과 지오메트리 인코딩을 페럴렐하게 접근(parallel access)할 수 있어 더욱 효율적으로 인코딩할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는, 이러한 지오메트리 인코딩 및/또는 어트리뷰트 인코딩을 수행하기 위해, 실시예들에 따른 시퀀스 파라미터 세트(SPS), 지오메트리 파라미터 세트(GPS), 및/또는 어트리뷰트 파라미터 세트(APS) 등에 이와 관련된 정보를 더 포함할 수 있다.
도 31에 나타난 SPS(Sequence Parameter Set, sequence_parameter_set())는 도 28에서 설명한 SPS(28001)를 의미할 수 있다. 도 29, 31에 나타난 GPS(Geometry Parameter Set, geometry_parameter_set())는 도 28에서 설명한 GPS(28002)를 의미할 수 있다. 도 31에 나타난 APS(Attribute Parameter Set, attribute_parameter_set())는 도 28에서 설명한 APS(28003)를 의미할 수 있다.
실시예들에 따른 SPS는 위와 같은 구성 및 효과를 도출하는데 도움이 되도록, 공통_그룹핑_방법_플래그(common_grouping_method_flag)를 포함할 수 있다.
공통_그룹핑_방법_플래그(common_grouping_method_flag)가 1임은, 지오메트리 정보 인코딩과 어트리뷰트 정보 인코딩을 수행할 경우, 동일한 실시예들에 따른 그룹핑 방법을 사용함을 나타낼 수 있다.
즉, 실시예들에 따른 송신 장치(인코더)가, 동일한 그룹핑 방법에 기초하여 지오메트리 인코딩 및/또는 어트리뷰트 인코딩을 수행하는 경우, 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값은 1일 수 있다. 반대로, 실시예들에 따른 송신 장치(인코더)가, 서로 다른 그룹핑 방법에 기초하여 지오메트리 인코딩 및/또는 어트리뷰트 인코딩을 수행하는 경우, 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값은 0일 수 있다.
실시예들에 따른 수신 장치(디코더)는, 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값이 1인 경우, 지오메트리 디코딩 및 어트리뷰트 디코딩 시, 동일한 그룹핑 방법에 기초하여 포인트들의 지오메트리 정보 및/또는 어트리뷰트 정보를 디코딩한다.
실시예들에 따른 수신 장치(디코더)는, 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값이 0인 경우, 지오메트리 디코딩 및 어트리뷰트 디코딩 시, 다른 그룹핑 방법에 기초하여 포인트들의 지오메트리 정보 및/또는 어트리뷰트 정보를 디코딩한다.
실시예들에 따른 송신 장치(인코더)가, 동일한 그룹핑 방법에 기초하여 포인트들의 지오메트리 정보 및/또는 어트리뷰트 정보를 인코딩하는 경우, 실시예들에 따른 송신 장치(인코더)는 실시예들에 따른 SPS의 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값을 1로 하고, 해당 공통된 그룹핑 방법을 나타내는 정보(예를 들어, 공통_예측_그룹핑_방법(common_pred_grouping_method) 정보)를 더 포함할 수 있다.
실시예들에 따른 수신 장치(디코더)가, 동일한 그룹핑 방법에 기초하여 포인트들의 지오메트리 정보 및/또는 어트리뷰트 정보를 디코딩하는 경우(즉, 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값이 1인 경우), 실시예들에 따른 SPS는 해당 공통된 그룹핑 방법을 나타내는 정보(예를 들어, 공통_예측_그룹핑_방법(common_pred_grouping_method) 정보)를 더 포함할 수 있다.
반대로, 실시예들에 따른 송신 장치(인코더)가, 다른 그룹핑 방법에 기초하여 포인트들의 지오메트리 정보 및/또는 어트리뷰트 정보를 인코딩하는 경우, 실시예들에 따른 송신 장치(인코더)는 실시예들에 따른 SPS의 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값을 0로 한다. 그리고, 실시예들에 따른 인코더는 실시예들에 따른 GPS 내에 지오메트리 정보를 인코딩하는데 사용되는 그룹핑 방법을 나타내는 정보(예를 들어, 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method))를, 실시예들에 따른 APS 내에 어트리뷰트 정보를 인코딩하는데 사용되는 그룹핑 방법을 나타내는 정보(예를 들어, 어트리뷰트_예측_그룹핑_방법(attr_pred_grouping_method))를 포함시킬 수 있다.
실시예들에 따른 수신 장치(디코더)가, 다른 그룹핑 방법에 기초하여 포인트들의 지오메트리 정보 및/또는 어트리뷰트 정보를 디코딩하는 경우(즉, SPS 내의 공통_그룹핑_방법_플래그(common_grouping_method_flag)의 값이 1인 경우)가 있을 수 있다. 이 경우, 디코더는 GPS에 포함된 지오메트리 정보를 인코딩하는데 사용되는 그룹핑 방법을 나타내는 정보(예를 들어, 지오메트리_예측_그룹핑_방법(geom_pred_grouping_method))에 기초하여 지오메트리 정보를 인코딩한다. 또한, 이 경우, 디코더는 APS에 포함된 어트리뷰트 정보를 인코딩하는데 사용되는 그룹핑 방법을 나타내는 정보(예를 들어, 어트리뷰트_예측_그룹핑_방법(attr_pred_grouping_method))에 기초하여 어트리뷰트 정보를 인코딩한다.
예를 들어, 인코더/디코더는 프리딕션-리프팅(prediction lifting)과 같이 어트리뷰트 인코딩/디코딩에서 LOD를 이용하여 인코딩/디코딩할 수 있는데, 지오메트리 정보를 인코딩하는데 사용되는 LOD를 동일하게 사용할 수 있다. 이 경우 시퀀스 레벨(sequence level) 즉, SPS에서 이를 시그널링 해줌으로써 인코더/디코더의 중복되는 수행 시간을 단축할 수 있다. 반대로 위치와 속성에 대해서 서로 다른 그룹핑 방법을 사용하는 경우 각각의 방법을 시그널링 해줄 수 있다.
공통_예측_그룹핑_방법(common_pred_grouping_method) 정보는, 실시예들에 따른 예측 그룹을 생성하는 방법을 나타낼 수 있다. 예를 들어, 이 값이 0인 경우 거리 기반 LoD 생성 방법, 1인 경우 옥트리 샘플링(octree sampling) 기반 LoD 생성 방법, 2인 경우 지역 기반 인접 포인트로 그룹을 생성하는 경우 등으로 구분할 수 있다.
어트리뷰트_예측_그룹칭_방법(attr_pred_grouping_method) 정보는, 어트리뷰트 데이터를 인코딩하는데 사용되는 예측 그룹을 생성하는 방법을 나타낼 수 있다. 예를 들어, 0인 경우 거리 기반 LoD 생성 방법, 1인 경우 octree sampling 기반 LoD 생성 방법, 2인 경우 지역 기반 인접 포인트로 그룹을 생성하는 경우 등으로 구분할 수 있다.
도 32은 실시예들에 따른 포인트 클라우드 데이터 송신 장치가 포인트 클라우드 데이터를 인코딩하는 과정을 나타내는 흐름도이다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치가 포인트 클라우드 데이터를 인코딩하는 단계는, 포인트들을 복수의 그룹들로 그룹핑하는 단계(S3201), 그룹핑된 복수의 그룹들을 이용하여, 포인트들 간 부모-자식 관계를 결정함으로써 포인트들의 지오메트리 데이터를 예측(prediction)을 수행하는 단계(S3202) 및/또는 예측된 포인트들의 지오메트리 데이터를 기반으로, 잔차 정보를 생성하는 단계(S3203)를 포함할 수 있다.
S3201 단계는, 실시예들에 따른 포인트 클라우드 데이터 송신 장치가 포인트 클라우드 데이터의 지오메트리 데이터(geometry data)를 복수의 그룹들로 그룹핑(grouping)한다. 3201 단계는, 예를 들어, 도 15의 인코더(15002, 15003), 도 16의 LOD 생성부(16002), 도 18의 포인트 클라우드 데이터 그룹핑부(18000)에서 수행될 수 있다. S3201 단계는, 도 20의 데이터 그룹핑(20000) 동작을 의미할 수 있다.
S3201 단계는, 예를 들어, 지오메트리 데이터를 송신 장치 및/또는 수신 장치가 그룹핑하는데 필요한 시그널링 정보 (예를 들어, 실시예들에 따른 pred_grouping_method, num_pred_groups, num_of_ref_groups, group_ref_mode, num_ref_groups, num_ref_groups, ref_index 등)을 생성할 수 있다.
S3201 단계는, 즉 그룹핑하는 단계는 레벨 오브 디테일(Level of Detail)에 기초하여 복수의 리테인드(retained) 그룹들을 생성할 수 있다. 레벨 오브 디테일(LOD)은, 각 레벨에 대응하는 샘플링 거리(sampling distance)보다 짧은 거리만큼 이격된 포인트들의 집합을 의미할 수 있다. 또한, 리테인드 그룹은 각 레벨에 대하여, 현재 레벨의 레벨 오브 디테일과 다음 레벨의 레벨 오브 디테일의 차이에 해당하는 포인트들의 그룹들을 의미할 수 있다.
실시예들에 따른 복수의 그룹들은 예를 들어, 도 22에 나타난 실시예들에 따른 LOD(레벨-오브-디테일) 그룹들, 및/또는 리테인드 그룹(retained group)들을 의미할 수 있다.
S3202 단계는, 실시예들에 따른 포인트 클라우드 데이터 송신 장치가, 그룹핑된 복수의 그룹들을 이용하여, 포인트들 간 부모-자식 관계를 결정하고, 포인트들의 지오메트리 데이터를 예측(prediction)한다. S3202 단계는, 예를 들어, 도 15의 인코더(15002, 15003), 도 16의 지오메트리 코딩(16003a), 도 18의 그룹-기반 예측부(18001)에서 수행될 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치가 포인트들 간 부모-자식 관계를 결정하는 동작은, 도 20의 연관 데이터 탐색(20001) 동작을 의미할 수 있다. 부모-자식 관계를 결정하는 동작은, 이와 관련된 시그널링 정보(예를 들어, 실시예들에 따른 correlated_data_search_method 등)를 생성할 수 있다. 부모-자식 관계는, 인접 관계(adjacency relationship), 상-하위 노드 관계 등으로 다양하게 호칭될 수 있다.
포인트들의 지오메트리 데이터를 예측(prediction)하는 동작은, 복수의 그룹들을 이용하여 실시예들에 따른 예측 트리(prediction tree)를 생성할 수 있다. 즉, 예측하는 동작은 포인트들 간 부모-자식 관계를 나타내는 예측 트리(prediction tree)를 이용하여 포인트들의 지오메트리 데이터를 예측한다.
송신 장치가 예측 트리(prediction tree)를 생성하는 동작은 예를 들어, 도 23 내지 도 25에 나타난 동작에 기초하여 수행될 수 있다. 예를 들어, 도 23에 나타난 바와 같이, 제 1 레벨의 리테인드 그룹 내의 포인트의 페런트(parent)는 제 1 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나일 수 있다. 또한, 도 24에 나타난 바와 같이, 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 제 1 레벨의 상위 레벨인 제 2 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나일 수 있다. 또한, 도 25에 나타난 바와 같이, 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 제 1 레벨의 LOD 그룹 내에 포함된 포인트들 중 하나일 수 있다. 실시예들에 따른 송신 장치는 상술한 바와 같이 그룹핑을 수행하는 방법을 나타내는 정보를 수신 장치로 시그널링할 수 있고, 수신 장치는 그룹핑을 수행하는 방법을 나타내는 정보를 받아, 실시예들에 따른 예측 트리를 생성한다.
S3203 단계는, 예측된 포인트들의 지오메트리 데이터를 기반으로, 잔차 정보를 생성하는 단계이다. S3203 단계는, 예를 들어, 도 15의 인코더(15002, 15003), 도 16의 지오메트리 코딩(16003a), 도 18의 그룹-기반 예측부(18001)에서 수행될 수 있다. S3203 단계는, 예를 들어 도 20의 잔차 정보를 생성하는 단계(20003)의 동작을 수행한다.
S3203 단계는, 도 26에 나타난 실시예들에 따른 예측 트리(prediction tree)를 이용하여, 각 포인트들의 잔차 정보를 생성할 수 있다. 잔차 정보는, 송신 장치의 S3202 단계에 의해 생성된, 각 포인트들의 예측된 지오메트리 데이터와 실제 포인트의 지오메트리 데이터의 차이를 의미할 수 있다.
실시예들에 따른 포인트 클라우드 데이터 송신 장치는 S3203에 의해 생성된 각 포인트의 잔차 정보를 양자화 및/또는 변환할 수 있다.
도 33은 실시예들에 따른 포인트 클라우드 데이터 송신 방법의 흐름도이다.
실시예들에 따른 포인트 클라우드 데이터 송신 방법은, 포인트 클라우드 데이터를 인코딩하는 단계(S3300), 및/또는 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 전송하는 단계(S3301)를 포함할 수 있다.
S3300 단계는, 포인트 클라우드 데이터를 인코딩한다.
S3300 단계의 동작은 예를 들어, 도 1의 포인트 클라우드 비디오 인코더(10002), 도 2의 인코딩부(20001), 도 4, 도 12에 나타난 구성들, 도 15의 인코더(15002, 15003), 도 16에 나타난 구성들을 의미/포함할 수 있다. 포인트 클라우드 데이터를 인코딩하는 단계(S3300)는 도 18 내지 27에 나타난 동작 일부 또는 전부를 수행할 수 있다. 포인트 클라우드 데이터를 인코딩하는 단계(S3300)는 도 28 내지 도 31에 나타난 시그널링 정보(파라미터들) 일부 또는 전부를 생성할 수 있다.
포인트 클라우드 데이터를 인코딩하는 단계(S3300)는 예를 들어, 지오메트리 데이터(geometry data)를 인코딩하는 단계 및/또는 어트리뷰트 데이터(attribute data)를 인코딩하는 단계를 포함할 수 있다.
지오메트리 데이터를 인코딩하는 단계는 도 32에 나타난 동작들 일부 또는 전부를 수행할 수 있다. 예를 들어, 지오메트리 데이터를 인코딩하는 단계는 포인트들을 복수의 그룹들로 그룹핑하는 단계; 그룹핑된 복수의 그룹들을 이용하여, 포인트들 간 부모-자식 관계를 결정함으로써 포인트들의 지오메트리 데이터를 예측(prediction)하는 단계; 및/또는 예측된 포인트들의 지오메트리 데이터를 기반으로, 잔차 정보를 생성하는 단계; 를 포함할 수 있다.
그룹핑하는 단계는 예를 들어, 레벨 오브 디테일(Level of Detail)에 기초하여 복수의 리테인드(retained) 그룹들을 생성할 수 있다. 여기서 레벨 오브 디테일은, 각 레벨에 대응하는 샘플링 거리(sampling distance)보다 짧은 거리만큼 이격된 포인트들의 집합을 나타내고, 리테인드 그룹은 각 레벨에 대하여, 현재 레벨의 레벨 오브 디테일과 다음 레벨의 레벨 오브 디테일의 차이에 해당하는 포인트들의 그룹들을 나타낸다.
예를 들어, 제 1 레벨의 리테인드 그룹 내의 포인트의 페런트(parent)는 제 1 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나, 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 제 1 레벨의 상위 레벨인 제 2 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나, 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 제 1 레벨의 LOD 그룹 내에 포함된 포인트들 중 하나일 수 있다. 여기서 시그널링 정보는 그룹핑을 수행하는 방법을 나타내는 정보 및/또는 예측을 수행하는 방법을 나타내는 정보를 포함할 수 있다.
예측하는 단계는 포인트들 간 부모-자식 관계를 나타내는 예측 트리(prediction tree)를 이용하여 포인트들의 지오메트리 데이터를 예측할 수 있다.
S3301 단계는, 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 전송하거나, 해당 비트스트림이 인캡슐레이팅되어 생성된 하나 또는 그 이상의 파일(file)을 전송할 수 있다. 파일은 예를 들어, ISOBMFF 기반의 파일 포멧(format)의 파일일 수 있다. 즉, 실시예들에 따른 S3301 단계는, 전송하기 앞서 비트스트림(포인트 클라우드 데이터 및 시그널링 정보)를 파일로 인캡슐레이팅하는 단계를 포함할 수 있다.
S3301 단계는 예를 들어, 도 1의 트랜스미터(10003), 도 2의 전송부(20002), 도 12의 전송 처리부(12012), 도 15의 스토리지(15004), 도 16의 비트스트림 인터리빙부(16004)에서 수행될 수 있다. 비트스트림은 예를 들어, 도 28에 나타난 비트스트림 구조를 가질 수 있다.
도 34은 실시예들에 따른 포인트 클라우드 데이터 수신 방법의 흐름도이다.
실시예들에 따른 포인트 클라우드 데이터 수신 방법은, 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 수신하는 단계(S3400), 포인트 클라우드 데이터를 디코딩하는 단계(S3401), 및/또는 포인트 클라우드 데이터를 렌더링하는 단계(S3402)를 포함할 수 있다.
S3400 단계는, 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 수신하는 단계이다. S3400 단계는, 예를 들어 도 1의 리시버(10005), 도 2의 전송부(20002), 도 13의 수신부(13000), 수신 처리부(13001)에서 수행될 수 있다.
S3400 단계는, 도 15의 완전 PCC 비트스트림(complete PCC bitstream, 15005a) 및/또는 파셜 PCC 비트스트림(partial PCC bitstream, 15005b)를 수신한다. S3400 단계는, 도 17에 나타난 비트스트림(bitstream), 도 18에 나타난 출력 지오메트리 비트스트림(output geom. bitstream), 도 19의 지오메트리 비트스트림, 도 20, 21의 비트스트림을 수신한다. 비트스트림은 예를 들어, 도 28의 구조에 따를 수 있으며, 도 29 내지 도 31에 나타난 파라미터들 일부 또는 전부를 시그널링 정보로 포함할 수 있다.
S3401 단계는, 포인트 클라우드 데이터를 디코딩한다. S3401 단계는, 도 1의 포인트 클라우드 비디오 디코더(10006), 도 2의 디코딩부(20003), 도 10의 지오메트리 디코더, 도 11및 13에 나타난 구성들, 일부 또는 전부에서 수행될 수 있다. S3401 단계는, 도 15의 디코더(15006a, 15006b), 도 17, 19에 나타난 구성 일부/전부에서 수행될 수 있다. S3401 단계는, 도 21 내지 도 27에 나타난 동작들을 수행할 수 있다.
S3402 단계는, 포인트 클라우드 데이터를 재구성(reconstruct) 및/또는 렌더링(rendering)한다. S3402 단계는, 실시예들에 따른 포인트 클라우드 데이터 수신 장치가 수행한다. S3402 단계는 예를 들어 도 1의 렌더러(10007), 도 2의 렌더링부(20004), 도 13의 렌더러(13011)에서 수행될 수 있다.
실시예들은 방법 및/또는 장치 관점에서 설명되었으며, 방법의 설명 및 장치의 설명은 상호 보완하여 적용될 수 있다.
설명의 편의를 위하여 각 도면을 나누어 설명하였으나, 각 도면에 서술되어 있는 실시 예들을 병합하여 새로운 실시 예를 구현하도록 설계하는 것도 가능하다. 그리고, 통상의 기술자의 필요에 따라, 이전에 설명된 실시 예들을 실행하기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록 매체를 설계하는 것도 실시예들의 권리범위에 속한다. 실시예들에 따른 장치 및 방법은 상술한 바와 같이 설명된 실시 예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 실시 예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다. 실시예들의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 실시예들은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 실시예들의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 실시예들의 기술적 사상이나 전망으로부터 개별적으로 이해돼서는 안 될 것이다.
실시예들의 장치의 다양한 구성요소들은 하드웨어, 소프트웨어, 펌웨어 또는 그것들의 조합에 의해 수행될 수 있다. 실시예들의 다양한 구성요소들은 하나의 칩, 예를 들면 하나의 하드웨어 서킷으로 구현될 수 있다 실시예들에 따라, 실시예들에 따른 구성요소들은 각각 별도의 칩들로 구현될 수 있다. 실시예들에 따라, 실시예들에 따른 장치의 구성요소들 중 적어도 하나 이상은 하나 또는 그 이상의 프로그램들을 실행 할 수 있는 하나 또는 그 이상의 프로세서들로 구성될 수 있으며, 하나 또는 그 이상의 프로그램들은 실시예들에 따른 동작/방법들 중 어느 하나 또는 그 이상의 동작/방법들을 수행시키거나, 수행시키기 위한 인스트럭션들을 포함할 수 있다. 실시예들에 따른 장치의 방법/동작들을 수행하기 위한 실행 가능한 인스트럭션들은 하나 또는 그 이상의 프로세서들에 의해 실행되기 위해 구성된 일시적이지 않은 CRM 또는 다른 컴퓨터 프로그램 제품들에 저장될 수 있거나, 하나 또는 그 이상의 프로세서들에 의해 실행되기 위해 구성된 일시적인 CRM 또는 다른 컴퓨터 프로그램 제품들에 저장될 수 있다. 또한 실시예들에 따른 메모리는 휘발성 메모리(예를 들면 RAM 등)뿐 만 아니라 비휘발성 메모리, 플래쉬 메모리, PROM등을 전부 포함하는 개념으로 사용될 수 있다. 또한, 인터넷을 통한 전송 등과 같은 캐리어 웨이브의 형태로 구현되는 것도 포함될 수 있다. 또한, 프로세서가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이 문서에서 “/”와 “,”는 “및/또는”으로 해석된다. 예를 들어, “A/B”는 “A 및/또는 B”로 해석되고, “A, B”는 “A 및/또는 B”로 해석된다. 추가적으로, “A/B/C”는 “A, B 및/또는 C 중 적어도 하나”를 의미한다. 또한, “A, B, C”도 “A, B 및/또는 C 중 적어도 하나”를 의미한다. 추가적으로, 이 문서에서 “또는”는 “및/또는”으로 해석된다. 예를 들어, “A 또는 B”은, 1) “A” 만을 의미하고, 2) “B” 만을 의미하거나, 3) “A 및 B”를 의미할 수 있다. 달리 표현하면, 본 문서의 “또는”은 “추가적으로 또는 대체적으로(additionally or alternatively)”를 의미할 수 있다.
제1, 제2 등과 같은 용어는 실시예들의 다양한 구성요소들을 설명하기 위해 사용될 수 있다. 하지만 실시예들에 따른 다양한 구성요소들은 위 용어들에 의해 해석이 제한되어서는 안된다. 이러한 용어는 하나의 구성요소를 다른 구성요소와 구별하기 위해 사욛외는 것에 불과하다. 것에 불과하다. 예를 들어, 제1 사용자 인풋 시그널은 제2사용자 인풋 시그널로 지칭될 수 있다. 이와 유사하게, 제2사용자 인풋 시그널은 제1사용자 인풋시그널로 지칭될 수 있다. 이러한 용어의 사용은 다양한 실시예들의 범위 내에서 벗어나지 않는 것으로 해석되어야만 한다. 제1사용자 인풋 시그널 및 제2사용자 인풋 시그널은 모두 사용자 인풋 시그널들이지만, 문맥 상 명확하게 나타내지 않는 한 동일한 사용자 인풋 시그널들을 의미하지 않는다.
실시예들을 설명하기 위해 사용된 용어는 특정 실시예들을 설명하기 위한 목적으로 사용되고, 실시예들을 제한하기 위해서 의도되지 않는다. 실시예들의 설명 및 청구항에서 사용된 바와 같이, 문맥 상 명확하게 지칭하지 않는 한 단수는 복수를 포함하는 것으로 의도된다. 및/또는 표현은 용어 간의 모든 가능한 결합을 포함하는 의미로 사용된다. 포함한다 표현은 특징들, 수들, 단계들, 엘리먼트들, 및/또는 컴포넌트들이 존재하는 것을 설명하고, 추가적인 특징들, 수들, 단계들, 엘리먼트들, 및/또는 컴포넌트들을 포함하지 않는 것을 의미하지 않는다. 실시예들을 설명하기 위해 사용되는, ~인 경우, ~때 등의 조건 표현은 선택적인 경우로만 제한 해석되지 않는다. 특정 조건을 만족하는 때, 특정 조건에 대응하여 관련 동작을 수행하거나, 관련 정의가 해석되도록 의도되었다.
또한, 본 문서에서 설명하는 실시예들에 따른 동작은 실시예들에 따라서 메모리 및/또는 프로세서를 포함하는 송수신 장치에 의해 수행될 수 있다. 메모리는 실시예들에 따른 동작을 처리/제어하기 위한 프로그램들을 저장할 수 있고, 프로세서는 본 문서에서 설명한 다양한 동작을 제어할 수 있다. 프로세서는 컨트롤러 등으로 지칭가능하다. 실시예들에 동작들은 펌웨어, 소프트웨어, 및/또는 그것들의 조합에 의해 수행될 수 있고, 펌웨어, 소프트웨어, 및/또는 그것들의 조합은 프로세서에 저장되거나 메모리에 저장될 수 있다.
한편 , 상술한 실시예들에 따른 동작은 실시예들 따른 송신 장치 및/또는 수신 장치에 의해서 수행될 수 있다. 송수신 장치는 미디어 데이터를 송수신하는 송수신부, 실시예들에 따른 프로세스에 대한 인스트럭션(프로그램 코드, 알고리즘, flowchart 및/또는 데이터)을 저장하는 메모리, 송/수신 장치의 동작들을 제어하는 프로세서를 포함할 수 있다.
프로세서는 컨트롤러 등으로 지칭될 수 있고, 예를 들어, 하드웨어, 소프트웨어, 및/또는 그것들의 조합에 대응할 수 있다. 상술한 실시예들에 따른 동작은 프로세서에 의해 수행될 수 있다. 또한, 프로세서는 상술한 실시예들의 동작을 위한 인코더/디코더 등으로 구현될 수 있다.
상술한 바와 같이, 실시예들을 실시하기 위한 최선의 형태에서 관련 내용을 설명하였다.
상술한 바와 같이, 실시예들은 포인트 클라우드 데이터 송수신 장치 및 시스템에 전체적 또는 부분적으로 적용될 수 있다.
당업자는 실시예들의 범위 내에서 실시예들을 다양하게 변경 또는 변형할 수 있다.
실시예들은 변경/변형들을 포함할 수 있고, 변경/변형은 청구항들 및 그 와 동일한 것들의 범위를 벗어나지 않는다.

Claims (20)

  1. 포인트 클라우드 데이터를 인코딩하는 단계; 및
    상기 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 전송하는 단계; 를 포함하는,
    포인트 클라우드 데이터 송신 방법.
  2. 제1항에 있어서, 상기 인코딩하는 단계는, 상기 포인트 클라우드 데이터에 대한 지오메트리 데이터(geometry data)를 인코딩하는 단계 및 상기 포인트 클라우드 데이터에 대한 어트리뷰트 데이터(attribute data)를 인코딩하는 단계를 포함하고,
    상기 지오메트리 데이터를 인코딩하는 단계는:
    상기 포인트 클라우드 데이터에 대한 포인트들을 복수의 그룹들로 그룹핑하는 단계;
    상기 그룹핑된 복수의 그룹들에 기초하여, 상기 포인트들 간 인접 관계를 결정함으로써 상기 포인트들의 지오메트리 데이터를 예측(prediction)하는 단계; 및
    상기 예측된 포인트들의 지오메트리 데이터를 기반으로, 잔차 정보를 생성하는 단계; 를 포함하는,
    포인트 클라우드 데이터 송신 방법.
  3. 제2항에 있어서, 상기 그룹핑하는 단계는 레벨 오브 디테일(Level of Detail)에 기초하여 복수의 리테인드(retained) 그룹들을 생성하고,
    여기서 레벨 오브 디테일은, 각 레벨에 대응하는 샘플링 거리(sampling distance)보다 짧은 거리만큼 이격된 포인트들의 집합을 나타내고,
    리테인드 그룹은 각 레벨에 대하여, 현재 레벨의 레벨 오브 디테일과 다음 레벨의 레벨 오브 디테일의 차이에 해당하는 포인트들의 그룹들을 나타내는,
    포인트 클라우드 데이터 송신 방법.
  4. 제3항에 있어서, 상기 예측하는 단계는 상기 포인트들 간 인접 관계를 나타내는 예측 트리(prediction tree)를 이용하여 상기 포인트들의 지오메트리 데이터를 예측하는,
    포인트 클라우드 데이터 송신 방법.
  5. 제3항에 있어서,
    제 1 레벨의 리테인드 그룹 내의 포인트의 페런트(parent)는 상기 제 1 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나,
    상기 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 상기 제 1 레벨의 상위 레벨인 제 2 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나,
    상기 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 상기 제 1 레벨의 LOD 그룹 내에 포함된 포인트들 중 하나인,
    포인트 클라우드 데이터 송신 방법.
  6. 제2항에 있어서, 상기 시그널링 정보는 상기 그룹핑을 수행하는 방법을 나타내는 정보 및 상기 예측을 수행하는 방법을 나타내는 정보를 포함하는,
    포인트 클라우드 데이터 송신 방법.
  7. 제2 항에 있어서, 상기 예측하는 단계는,
    적어도 하나의 상기 포인트들에 대한 거리, 상기 포인트들에 대한 엘리베이션(elevation) 각도 또는 상기 포인트들에 대한 아지무스(azimuth) 각도의 순서로 상기 포인트들을 탐색하여 상기 인접 관계를 결정하는,
    포인트 클라우드 데이터 송신 방법.
  8. 포인트 클라우드 데이터를 인코딩하는 인코더; 및
    상기 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 전송하는 트랜스미터; 를 포함하는,
    포인트 클라우드 데이터 송신 장치.
  9. 제8항에 있어서, 상기 인코더는 상기 포인트 클라우드 데이터에 대한 지오메트리 데이터(geometry data)를 인코딩하고, 상기 포인트 클라우드 데이터에 대한 어트리뷰트 데이터(attribute data)를 인코딩하고, 상기 인코더는:
    상기 포인트 클라우드 데이터에 대한 포인트들을 복수의 그룹들로 그룹핑하는 그룹핑부;
    상기 그룹핑된 복수의 그룹들에 기초하여, 상기 포인트들 간 인접 관계를 결정함으로써 상기 포인트들의 지오메트리 데이터를 예측(prediction)하고, 상기 예측된 포인트들의 지오메트리 데이터를 기반으로 잔차 정보를 생성하는 예측부; 를 포함하는,
    포인트 클라우드 데이터 송신 장치.
  10. 제9항에 있어서, 상기 그룹핑부는 레벨 오브 디테일(Level of Detail)에 기초하여 복수의 리테인드(retained) 그룹들을 생성하고,
    여기서 레벨 오브 디테일은, 각 레벨에 대응하는 샘플링 거리(sampling distance)보다 짧은 거리만큼 이격된 포인트들의 집합을 나타내고,
    리테인드 그룹은 각 레벨에 대하여, 현재 레벨의 레벨 오브 디테일과 다음 레벨의 레벨 오브 디테일의 차이에 해당하는 포인트들의 그룹들을 나타내는,
    포인트 클라우드 데이터 송신 장치.
  11. 제10항에 있어서, 상기 예측부는 상기 포인트들 간 인접 관계를 나타내는 예측 트리(prediction tree)를 이용하여 상기 포인트들의 지오메트리 데이터를 예측하는,
    포인트 클라우드 데이터 송신 장치.
  12. 제10항에 있어서,
    제 1 레벨의 리테인드 그룹 내의 포인트의 페런트(parent)는 상기 제 1 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나,
    상기 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 상기 제 1 레벨의 상위 레벨인 제 2 레벨의 리테인드 그룹 내에 포함된 포인트들 중 하나이거나,
    상기 제 1 레벨의 리테인드 그룹 내의 포인트들의 페런트(parent)는 상기 제 1 레벨의 LOD 그룹 내에 포함된 포인트들 중 하나인,
    포인트 클라우드 데이터 송신 장치.
  13. 제9항에 있어서, 상기 시그널링 정보는 상기 그룹핑을 수행하는 방법을 나타내는 정보 및 상기 예측을 수행하는 방법을 나타내는 정보를 포함하는,
    포인트 클라우드 데이터 송신 장치.
  14. 제9 항에 있어서, 상기 예측부는,
    적어도 하나의 상기 포인트들에 대한 거리, 상기 포인트들에 대한 엘리베이션(elevation) 각도 또는 상기 포인트들에 대한 아지무스(azimuth) 각도의 순서로 상기 포인트들을 탐색하여 상기 인접 관계를 결정하는,
    포인트 클라우드 데이터 송신 장치.
  15. 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 수신하는 단계;
    상기 포인트 클라우드 데이터를 디코딩하는 단계; 및
    상기 포인트 클라우드 데이터를 렌더링하는 단계; 를 포함하는,
    포인트 클라우드 데이터 수신 방법.
  16. 제15항에 있어서, 상기 디코딩하는 단계는, 상기 포인트 클라우드 데이터에 대한 지오메트리 데이터(geometry data)를 디코딩하는 단계 및 상기 포인트 클라우드 데이터에 대한 어트리뷰트 데이터(attribute data)를 디코딩하는 단계를 포함하고,
    상기 시그널링 정보는 상기 포인트 클라우드 데이터에 대한 포인트들의 그룹핑을 수행하는 방법을 나타내는 정보 및 예측(prediction)을 수행하는 방법을 나타내는 정보를 포함하고,
    상기 지오메트리 데이터를 디코딩하는 단계는 상기 예측을 수행하는 방법에 기초하여, 상기 포인트들의 지오메트리 데이터를 복원하는,
    포인트 클라우드 데이터 수신 방법.
  17. 제16항에 있어서, 상기 예측하는 단계는 상기 인접 관계를 나타내는 예측 트리(prediction tree)를 이용하여 상기 포인트들의 지오메트리 데이터를 예측하는,
    포인트 클라우드 데이터 수신 방법.
  18. 포인트 클라우드 데이터 및 시그널링 정보를 포함하는 비트스트림을 수신하는 수신부;
    상기 포인트 클라우드 데이터를 디코딩하는 디코더; 및
    상기 포인트 클라우드 데이터를 렌더링하는 렌더러; 를 포함하는,
    포인트 클라우드 데이터 수신 장치.
  19. 제18항에 있어서, 상기 디코더는, 상기 포인트 클라우드 데이터에 대한 지오메트리 데이터(geometry data)를 디코딩하는 단계 및 상기 포인트 클라우드 데이터에 대한 어트리뷰트 데이터(attribute data)를 디코딩하는 단계를 포함하고,
    상기 시그널링 정보는 상기 포인트 클라우드 데이터에 대한 포인트들의 그룹핑을 수행하는 방법을 나타내는 정보 및 예측(prediction)을 수행하는 방법을 나타내는 정보를 포함하고,
    상기 지오메트리 데이터를 디코딩하는 단계는 상기 예측을 수행하는 방법에 기초하여, 상기 포인트들의 지오메트리 데이터를 복원하는,
    포인트 클라우드 데이터 수신 장치.
  20. 제19항에 있어서, 상기 디코더는 상기 인접 관계를 나타내는 예측 트리(prediction tree)를 이용하여 상기 포인트들의 지오메트리 데이터를 예측하는,
    포인트 클라우드 데이터 수신 장치.
PCT/KR2021/095003 2020-03-11 2021-01-20 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 WO2021182937A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/909,598 US20230171431A1 (en) 2020-03-11 2021-01-20 Device for transmitting point cloud data, method for transmitting point cloud data, device for receiving point cloud data, and method for receiving point cloud data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200030181 2020-03-11
KR10-2020-0030181 2020-03-11

Publications (1)

Publication Number Publication Date
WO2021182937A1 true WO2021182937A1 (ko) 2021-09-16

Family

ID=77671015

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/095003 WO2021182937A1 (ko) 2020-03-11 2021-01-20 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법

Country Status (2)

Country Link
US (1) US20230171431A1 (ko)
WO (1) WO2021182937A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023075453A1 (ko) * 2021-10-27 2023-05-04 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2023080606A1 (ko) * 2021-11-03 2023-05-11 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2023241108A1 (zh) * 2022-06-17 2023-12-21 腾讯科技（深圳）有限公司 一种点云编码方法、点云解码方法及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016200114A1 (ko) * 2015-06-08 2016-12-15 삼성전자 주식회사 전자 장치 및 전자 장치에서의 전자 지도 표시 방법
US20190080483A1 (en) * 2017-09-14 2019-03-14 Apple Inc. Point Cloud Compression
US20190215532A1 (en) * 2016-07-08 2019-07-11 Vid Scale, Inc. 360-degree video coding using geometry projection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016200114A1 (ko) * 2015-06-08 2016-12-15 삼성전자 주식회사 전자 장치 및 전자 장치에서의 전자 지도 표시 방법
US20190215532A1 (en) * 2016-07-08 2019-07-11 Vid Scale, Inc. 360-degree video coding using geometry projection
US20190080483A1 (en) * 2017-09-14 2019-03-14 Apple Inc. Point Cloud Compression

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"PCC Test Model Category 2 v0", October 2017 (2017-10-01), pages 1 - 11, XP030023909, Retrieved from the Internet <URL:http://phenix.int-evry.fr/mpeg/doc_end_user/documents/120_Macau/wg11/w17248.zip w17248_TMC2v0-v2.docx> *
SCHWARZ SEBASTIAN; PREDA MARIUS; BARONCINI VITTORIO; BUDAGAVI MADHUKAR; CESAR PABLO; CHOU PHILIP A.; COHEN ROBERT A.; KRIVOKUCA MA: "Emerging MPEG Standards for Point Cloud Compression", IEEE JOURNAL ON EMERGING AND SELECTED TOPICS IN CIRCUITS AND SYSTEMS, IEEE, PISCATAWAY, NJ, USA, vol. 9, no. 1, 30 March 2019 (2019-03-30), Piscataway, NJ, USA, pages 133 - 148, XP011714044, ISSN: 2156-3357, DOI: 10.1109/JETCAS.2018.2885981 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023075453A1 (ko) * 2021-10-27 2023-05-04 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2023080606A1 (ko) * 2021-11-03 2023-05-11 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2023241108A1 (zh) * 2022-06-17 2023-12-21 腾讯科技（深圳）有限公司 一种点云编码方法、点云解码方法及相关设备

Also Published As

Publication number Publication date
US20230171431A1 (en) 2023-06-01

Similar Documents

Publication Publication Date Title
WO2021066312A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021141352A2 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021210764A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021049758A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2020189943A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021182937A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021210743A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021261840A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021215849A1 (ko) 포인트 클라우드 데이터 처리 장치 및 처리 방법
WO2021246843A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2022019713A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021141218A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2022050650A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2022015006A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021242064A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021206291A1 (ko) 포인트 클라우드 데이터 전송 장치, 전송 방법, 처리 장치 및 처리 방법
WO2022075753A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021045601A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021002665A1 (ko) 포인트 클라우드 데이터 처리 장치 및 방법
WO2022240128A1 (ko) 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 수신 방법 및 포인트 클라우드 데이터 수신 장치
WO2022186651A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021215811A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021141221A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021025392A1 (ko) 포인트 클라우드 데이터 처리 장치 및 방법
WO2023085719A1 (ko) 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 수신 방법 및 포인트 클라우드 데이터 수신 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21766954

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21766954

Country of ref document: EP

Kind code of ref document: A1