WO2021246837A1 - 포인트 클라우드 데이터 처리 디바이스 및 처리 방법 - Google Patents

포인트 클라우드 데이터 처리 디바이스 및 처리 방법 Download PDF

Info

Publication number
WO2021246837A1
WO2021246837A1 PCT/KR2021/007076 KR2021007076W WO2021246837A1 WO 2021246837 A1 WO2021246837 A1 WO 2021246837A1 KR 2021007076 W KR2021007076 W KR 2021007076W WO 2021246837 A1 WO2021246837 A1 WO 2021246837A1
Authority
WO
WIPO (PCT)
Prior art keywords
point cloud
geometry
points
prediction tree
attribute
Prior art date
Application number
PCT/KR2021/007076
Other languages
English (en)
French (fr)
Inventor
허혜정
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 US18/008,310 priority Critical patent/US20230209099A1/en
Publication of WO2021246837A1 publication Critical patent/WO2021246837A1/ko

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90Methods 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
    • H04N19/96Tree coding, e.g. quad-tree coding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00Image coding
    • G06T9/40Tree coding, e.g. quadtree, octree
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/174Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a slice, e.g. a line of blocks or a group of blocks
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/597Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/70Methods 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

Definitions

  • the embodiments provide a user with various services such as VR (Virtual Reality), AR (Augmented Reality), MR (Mixed Reality), and autonomous driving service. Content) is provided.
  • VR Virtual Reality
  • AR Augmented Reality
  • MR Mated Reality
  • autonomous driving service 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 processing point cloud data performed by a device including one or more processors and one or more memories connected to the one or more processors is point cloud data.
  • encoding the geometry of and encoding attributes of the point cloud data based on the encoded geometry.
  • a geometry according to embodiments indicates positions of points of point cloud data, and an attribute according to embodiments indicates at least one of a color and reflectance of the points.
  • a device for processing point cloud data includes one or more processors for processing the point cloud data and one or more memories connected to the one or more processors.
  • One or more processors according to embodiments perform a processing method comprising encoding a geometry of the point cloud data and encoding an attribute of the point cloud data based on the encoded geometry.
  • a geometry according to embodiments indicates positions of points of point cloud data, and an attribute according to embodiments indicates at least one of a color and reflectance of the points.
  • a method of processing point cloud data performed by a device including one or more processors and one or more memories connected to the one or more processors is decoding a geometry of the point cloud data and decoding an attribute of the point cloud data based on the decoded geometry.
  • Geometry according to embodiments indicates positions of points of the point cloud data, and an attribute indicates at least one of a color and reflectance of the points.
  • a device for processing point cloud data including one or more processors for processing point cloud data and one or more memories connected to the one or more processors.
  • One or more processors according to embodiments perform a processing method comprising decoding a geometry of the point cloud data and decoding an attribute of the point cloud data based on the decoded geometry.
  • the geometry according to the embodiments indicates the positions of the points of the points of the point cloud data, and the attribute indicates at least one of a color and a reflectance of the points.
  • 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 illustrates 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 illustrates an example of a structure capable of interworking with a method/device for transmitting and receiving point cloud data according to embodiments.
  • 15 is an example of a block diagram of a point cloud data processing apparatus according to embodiments.
  • 16 is a flowchart illustrating a point cloud data processing method according to embodiments.
  • FIG 17 shows the configuration of a bitstream according to embodiments.
  • 18 is an example of a syntax structure of signaling information related to a prediction tree.
  • 19 is an example of a syntax structure of signaling information related to a prediction tree.
  • 20 is an example of a syntax structure of signaling information related to a prediction tree.
  • 21 is an example of a syntax structure of signaling information related to a prediction tree.
  • FIG. 22 is an example of a block diagram of a point cloud data processing apparatus according to embodiments.
  • FIG. 23 is a flowchart illustrating a point cloud data processing method according to embodiments.
  • 25 is an example of a point cloud data processing method 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 transmitting 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
  • the transmission device 10000 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; 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 an 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, 6G, etc.). 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, 6G, etc.
  • the transmission device 10000 may transmit encapsulated data according to an on demand method.
  • the receiving device 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 or a robot , vehicles, AR/VR/XR devices, portable 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 reception 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 on, 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 transmitting the 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 transmission 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, etc.
  • 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.
  • the 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 an 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 reception device 10004) according to the embodiments may secure the 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 and 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
  • 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 user with a 360-degree image of a core object (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. It can be used to create VR/AR content).
  • 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 the 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 (eg, 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 secured 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), Transform Colors (40006), Attribute Transformer (Transfer Attributes, 40007), RAHT Transform It includes 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 approxy 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, 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 3D space may be referred to as geometry information.
  • the quantizer 40001 quantizes the geometry.
  • the quantization unit 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 performs a quantization operation to find the nearest integer value by multiplying the difference between the minimum position value and the position value of each point by a preset quatization scale value, and then rounding down or rounding it up. 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.
  • 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 the 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 appropriation 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 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 converter 40006 may convert the format of color information (eg, convert 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 to which geometry encoding has not been performed and/or a reconstructed geometry. As described above, since the attributes are dependent on the geometry, the attribute transform 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 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 of each point, reflectance, etc.) of neighboring points within a specific position/radius from the position (or position value) of the central 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 conversion 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)) indicating a 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 transformation operation, if the nearest neighbor search (NNS) is required in another transformation 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 higher 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 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 operate or execute a set of software programs and/or instructions for performing operations and/or functions of the elements of the point cloud encoder of FIG. 4 .
  • One or more memories in accordance with embodiments 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 devices (such as solid-state memory devices).
  • FIG. 5 illustrates 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
  • octree geometry coding (or octree coding) based on the octree structure is performed.
  • FIG. 6 shows the octree structure.
  • the three-dimensional space of the point cloud content 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 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 the quantized points.
  • the entire 3D space may be divided into eight spaces according to the division.
  • Each divided space is expressed as 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 occupancy code of the octree.
  • the occupancy code of the octree is generated to indicate whether each of the eight divided spaces generated by dividing one space includes at least one point.
  • one occupanci code is expressed by eight child nodes.
  • Each child node represents an 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 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, there is no need 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). Also, 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.
  • Triangle 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.
  • 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 less than a threshold within a specific node. points must exist. In addition, the number of whole points to be subjected to direct coding must not exceed a preset limit value. If the above condition is satisfied, the point cloud encoder (or the arithmetic encoder 40004 ) according to the 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, which reconstructs the position of a point in a region based on voxels (tri-soup mode).
  • the point cloud encoder 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 tri-soup mode.
  • the point cloud encoder may operate in the tri-soup mode only when the specified 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 on 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 of each vertex, 2 perform the square on the values obtained by subtracting the centroid 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 value that comes out when projecting 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.
  • 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 neighbor pattern value.
  • 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 (neighboring nodes) that share 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 neighbor node pattern value 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 neighboring 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 (eg, when the value of the neighboring node pattern is 63, 64 types of coding are performed). According to embodiments, the point cloud encoder may change the neighbor node pattern value (eg, based on a table that changes 64 to 10 or 6) to reduce coding complexity.
  • 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).
  • tri-soap geometry encoding is applied, the geometry reconstruction process is triangular reconstruction, upsampling, and voxelization. Since the attribute is dependent on the geometry, 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 figure shows the original point cloud content.
  • the second figure from the left of the figure shows the distribution of points with the lowest LOD, and the rightmost figure of the figure shows the distribution of points with the highest LOD. That is, the points of the lowest LOD are sparsely distributed, and the points of the highest LOD are tightly 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.
  • the point cloud encoder may generate predictors for points and perform predictive transform coding to set prediction attributes (or prediction attribute values) 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 the weight value) is set as the average value of the multiplied value.
  • the point cloud encoder eg, the coefficient quantization unit 40011
  • the quantization process is shown in the following table.
  • the point cloud encoder (eg, the arithmetic encoder 40012) according to the embodiments may entropy-code the quantized and dequantized residual values as described above when there are points adjacent to the predictor of each point.
  • the point cloud encoder according to the examples (eg, the arithmetic encoder 40012) may entropy-code the attributes of each point without performing the above-described process if there are no neighboring points in the predictor of each point.
  • a point cloud encoder (eg, lifting transform unit 40010) generates a predictor of each point, sets an LOD calculated in the predictor, registers neighboring points, and weights according to distances to neighboring points
  • Lifting transform coding can be performed by setting .Lifting transform coding according to embodiments is similar to the aforementioned predictive transform coding, except that a weight is accumulated and applied to an attribute value. The process of cumulatively applying weights to values 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 indexes 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.
  • a predicted attribute value is calculated by additionally multiplying an attribute value updated through the lift update process by a weight 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 nodes of a higher level by using an attribute associated with a node at a 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 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.
  • g lx, y, and z represent the average attribute values of voxels in level l.
  • g lx, y, z can be calculated from g l+1 2x, y, z and g l+1 2x+1, y, z.
  • g l-1 x, y, z are low-pass values, which are used in the merging process at the next higher level.
  • h l-1 x, y, and z are high-pass coefficients, and the high-pass coefficients in each step are quantized and entropy-coded (eg, encoding of the arithmetic encoder 400012 ).
  • the root node is created as follows through the last g 1 0, 0, 0 and g 1 0, 0, 1 ,
  • 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) ), 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 synthesizer 11001 may generate an octree by obtaining an occupanci 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 a decoded geometry and/or a generated octree when trisupe 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-soap 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 generator 11008, the inverse lifting unit 11009, and/or the inverse color 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 on 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 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 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 or a position value of points).
  • 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 to 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 occult 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 voxels 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 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 to 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 in 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 in FIGS. 1 to 9 , detailed descriptions 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 includes a sequence parameter set (SPS) for sequence-level signaling, a geometry parameter set (GPS) for signaling of geometry information coding, an attribute parameter set (APS) for signaling of attribute information coding, and 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 (Geom00) and one or more attribute bitstreams (Attr00, Attr10).
  • 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 on 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 line processing.
  • 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 receiving device shown in FIG. 13 is an example of the receiving device 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 to 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 occupancy 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 to 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 a geometry related thereto (eg, triangle reconstruction, up-sampling, voxelization) based on the surface model method, when trisoop geometry encoding is applied. can be performed.
  • the surface model processing unit 13004 performs the same or similar operations to those 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 inverse color 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 an 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 operations and/or coding to the operations 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 illustrates 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 driving vehicle 1420 , the XR device 1430 , the smartphone 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 a 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 driving 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 the screen to the occupant 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 portion 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 a real object image.
  • MR technology is similar to the aforementioned AR technology in that it shows virtual objects by mixing and combining them in the real world.
  • real objects and virtual objects made of CG images are 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.
  • encoding/decoding based on PCC, V-PCC, and G-PCC technology 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 to enable 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.
  • the geometry (or referred to as geometry information) of point cloud data indicates positions (eg, positions, etc.) of points.
  • the positions of the points are expressed by parameters on a coordinate system representing a three-dimensional space (eg, parameters (x, y, z) of three axes representing space, an X-axis, a Y-axis, and a Z-axis).
  • Attributes indicate the color (RGB, YUV, etc.) and/or reflectance of the points.
  • attributes are encoded based on the encoded geometry.
  • Point cloud data processing apparatus may perform low-latency coding according to the content characteristics of the point cloud data. For example, if the point cloud data is real-time captured data from LiDAR or 3D map data transmitted in real-time, the point cloud data processing device processes the point cloud data to minimize delay and have high compression efficiency. need to be dealt with
  • geometry encoding 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, geometry encoding according to embodiments may include predictive tree encoding (or predictive geometry coding).
  • Predictive tree coding is performed by defining a prediction structure for point cloud data.
  • This structure is represented by a predictive tree having a vertex associated with each point of the point cloud data.
  • the prediction tree may include a root vertex and a leaf vertex, and vertices below the root vertex may have at least one child, and the depth increases in the direction of the leaf vertex.
  • Each vertex can be predicted from parent nodes in the prediction tree.
  • there are various predictors eg no prediction, delta prediction, linear prediction
  • a parallelogram predictor e.g., a parallelogram predictor, etc.
  • a predictive tree is encoded by traversing the tree in depth order and encoding the number of children at each vertex.
  • points are rearranged according to a criterion (eg, a Morton code, etc.).
  • the prediction tree may be generated based on a Kd tree (Kdtree, or Kdtree data structure).
  • Kdtree Kdtree data structure
  • a Kd tree structure is used to track potential predictors.
  • the first Kd tree is empty. Points are visited repeatedly in the order selected. K-nearest neighbors in the Kd tree of the current point are determined according to various criteria, and one of them is selected as a predictor. Once a predictor is selected, the current vertex is added to the children of the vertices associated with the predictor.
  • Predictive tree coding may be performed using a coding algorithm.
  • the octree geometry coding is a method of scanning and coding all points in a breadth-first method.
  • Predictive tree coding according to embodiments is a depth-first scheme.
  • the point cloud data processing apparatus (for example, the point cloud data transmission apparatus described in FIGS. 1, 11, 14 and 15) according to the embodiments aligns the points by performing predictive tree coding, and scans the points step by step to generate a prediction tree, generate a prediction value through the geometry between a parent node and a child node in the generated tree structure, and entropy-code a residual value to output a geometry bitstream.
  • Predictive tree coding does not perform step-by-step scanning of all points, so there is no need to wait for all point cloud data to be captured. Suitable for data content.
  • the depth-first method may increase the residual value compared to the breadth-first method for analyzing the entire point cloud data, and accordingly, the bitstream size may increase.
  • the sort order of the points has a great influence on predictive tree generation. That is, not the points having a close actual distance are set as parent and child nodes of the prediction tree, but adjacently arranged points among the sorted points may be set as parent and child nodes. Since the distance between points may be affected by the characteristics of the content of the point cloud data, that is, the density in the 3D space, it is necessary to consider the characteristics of the content when aligning the points.
  • the point cloud data processing apparatus may adaptively rearrange the order of points according to content characteristics of the point cloud data.
  • the point cloud data transmission apparatus generates signaling information related to the prediction tree, and transmits the bitstream including the same to the point cloud data reception apparatus (eg, as described in FIGS. 1, 13, 14 and 16 ). point cloud data receiving device).
  • the point cloud decoder (for example, the point cloud decoder described in FIGS. 1, 13-14, and 16) according to the embodiments decodes the prediction tree coding of the point cloud data processing apparatus based on the signaling information related to the prediction tree. A decoding operation can be performed.
  • 15 is an example of a block diagram of a point cloud data processing apparatus according to embodiments.
  • Point cloud data processing apparatus 1500 is one or more processors (One or more processors) 1510 and one or more processors electrically and communicatively coupled with one or more One or more memories 1520 are included.
  • processors 1510 may be configured as one or more physically separated hardware processes, a combination of software/hardware, or a single hardware processor.
  • processors 1520 may be electrically and communicatively coupled with.
  • one block is represented in the drawing for convenience, one or more memories 1520 may be configured as one or more physically separated memories or one memory.
  • One or more memories according to embodiments may store one or more programs for processing point cloud data.
  • One or more processors 1510 receive the point cloud data (eg, captured LiDAR data, 3D map data transmitted in real time, etc.), and Geometry encoding for encoding the geometry is performed, and attribute encoding for encoding the attribute based on the encoded geometry is performed. Geometry encoding and attribute encoding according to embodiments may be performed using a coding algorithm.
  • One or more processors 1510 may include processors that respectively perform geometry encoding and attribute encoding.
  • the geometry encoding of the one or more processors 1510 may be performed by the coordinate system transformation unit 40000, the quantization unit 40001, the octree analysis unit 40002, and the surface approxiation analysis unit 40003 described with reference to FIG. 4 . ), the arithmetic encoder 40004, and any one or more of the operations of the geometry reconstruction unit 40005, the data input unit 12000 described with reference to FIG. It may include any one or more of operations of the code (occupancy code) generator 12003 , the surface model processor 12004 , the intra/inter coding processor 12005 , and the arithmetic coder 12006 .
  • the attribute encoding of the one or more processors 1510 includes the color conversion unit 40006, the attribute conversion unit 40007, the RAHT conversion unit 40008, the LOD generation unit 40009, described with reference to FIG. 4 .
  • At least one of the elements of the point cloud encoder described in FIG. 4 and the elements of the transmission device described in FIG. 12 may correspond to at least one process of one or more processors 1510 .
  • the encoded geometry is output as the geometry bitstream described with reference to FIGS. 1 to 14
  • the encoded attribute is output as the attribute bitstream described with reference to FIGS. 1 to 14
  • the geometry bitstream and the attribute bitstream may be multiplexed into one bitstream and output.
  • 16 is a flowchart illustrating a point cloud data processing method according to embodiments.
  • the flowchart 1600 of FIG. 16 shows an example of a data processing method of the point cloud data processing apparatus 1500 described with reference to FIG. 15 .
  • the flowchart 1600 is expressed based on the elements of the point cloud data processing apparatus described with reference to FIG. 15 .
  • the at least one element described in FIG. 16 may correspond to the elements of the at least one processor described in FIG. 15, the transmission device 10000 described in FIG. 1, the point cloud encoder 10002 described in FIG. 4, and the transmission device described in FIG. 12. and the name or function is not limited to this example.
  • the data input unit of the point cloud data processing apparatus receives point cloud data (geometry, attributes, and signaling information (or parameters)) ( 1601 ).
  • the coordinate system transformation unit (eg, the coordinate system transformation unit 40000 described in FIG. 4 ) of the point cloud data processing apparatus may receive the positions and change to the coordinate system ( 1602 ). Since the operation of the coordinate system transformation unit is the same as that described with reference to FIG. 4 , a detailed description thereof will be omitted.
  • the geometry information transformation quantization processing unit (eg, the quantization unit 40001 of FIG. 4 and the quantization processing unit 12001 of FIG. 12 ) quantizes the geometry ( 1603 ). Since the operation of the quantization processing unit is the same as that described with reference to FIGS. 4 and 12 , a detailed description thereof will be omitted.
  • the space division unit may divide the space in which the point cloud data is distributed into tiles, slices, and the like ( 1604 ).
  • the geometry encoder 1610 performs the geometry encoding described with reference to FIGS. 1 to 14 .
  • the geometry encoder 1610 and the elements of the geometry encoder 1610 may include the processor, the hardware encoder, software, and a combination of hardware and software described with reference to FIG. 15 .
  • the voxelization processing unit (eg, the quantization unit 40001 of FIG. 4 and the voxelization processing unit 12002 of FIG. 12 ) included in the geometry encoder 1610 reconstructs the quantized points based on the quantized positions. Perform voxelization (1611). Since the operation of the voxelization processing unit is the same as that described with reference to FIGS. 4 and 12 , a detailed description thereof will be omitted.
  • the geometry encoder 1610 determines a geometry coding (geometry encoding) type ( 1612 ).
  • geometry coding includes octree geometry coding, prediction tree coding, and trisoup geometry encoding. If the geometry coding indicates octree geometry coding, the octree generator generates an octree and performs octree geometry coding (1613-1). When the geometry coding indicates prediction tree coding, the prediction tree generator generates a prediction tree and performs prediction tree coding (1613-2). If the geometry coding indicates the trisop geometry coding, the trisupe generating unit generates an octree and performs trisoop geometry coding (1613-3).
  • the prediction determiner may select an optimal prediction mode by performing Rate Distortion Optimization (RDO) based on the generated prediction tree, and may generate a prediction value based on the selected optimal prediction mode ( 1614 ).
  • the geometry position reconstruction unit eg, the geometry reconstruction unit 40005 in FIG. 4
  • the geometry position reconstruction unit reconstructs the processed geometry in at least one of octree geometry coding, prediction tree encoding, and trisup geometry coding, Outputs the restored geometry (1614). Since the operation of the geometry position reconstruction unit is the same as that described with reference to FIGS. 4 and 12 , a detailed description thereof will be omitted.
  • the entropy encoder entropy (eg, the arithmetic coder 12006 described with reference to FIG. 12 ) entropy-codes a residual value from a predicted value to output a geometry bitstream. Since the operation of the entropy encoder is the same as that described with reference to FIGS. 4 and 12 , a detailed description thereof will be omitted.
  • the entropy encoder may be included in the geometry encoder 1610 .
  • the reconstructed geometry is transmitted to the attribute encoder 1630 .
  • the attribute encoding unit 1630 performs the attribute encoding described with reference to FIGS. 1 to 14 .
  • the attribute encoder 1630 may include the processor, the hardware encoder, software, a combination of hardware and software, etc. described with reference to FIG. 15 .
  • the encoded attribute is output in the form of a bitstream.
  • the point cloud data processing apparatus may align the points to generate a prediction tree and perform prediction tree coding.
  • Predictive tree coding may be applied at a sequence, tile, and slice level corresponding to the entire point cloud data.
  • a point cloud data processing apparatus aligns points according to criteria (eg, Morton code, azimuth, etc.) and generates a kd tree to generate a prediction tree.
  • the point cloud data processing apparatus aligns the points in consideration of the characteristics of the content and generates the prediction tree when performing prediction tree coding.
  • the point cloud data processing apparatus may calculate the points based on various criteria such as Morton code, radius, azimuth, elevation, LiDAR sensor ID or captured time sequence. can be sorted by The criteria according to the embodiments are changed according to the characteristics of the content. For example, it is more efficient to generate a prediction tree by aligning content in the form of spinning data captured by LiDAR equipment based on azimuth. This sorting method is transmitted to the point cloud data receiving device through signaling information.
  • criteria such as Morton code, radius, azimuth, elevation, LiDAR sensor ID or captured time sequence.
  • the criteria according to the embodiments are changed according to the characteristics of the content. For example, it is more efficient to generate a prediction tree by aligning content in the form of spinning data captured by LiDAR equipment based on azimuth. This sorting method is transmitted to the point cloud data receiving device through signaling information.
  • a prediction tree according to embodiments is generated by at least one or more prediction tree generating methods.
  • a prediction tree generation pseudo code representing a prediction tree generation method is used to express a coding algorithm used for geometry encoding and geometry decoding.
  • information related to a prediction tree generating method according to embodiments is transmitted to the point cloud data receiving apparatus through signaling information related to a prediction tree included in a bitstream.
  • the prediction tree generation pseudocode indicating the sorted order-based prediction tree generation method is expressed as follows.
  • Points[] represents an array of all points
  • pointCount Indicates the total number of points.
  • KDTree (kd tree): Represents the kd tree used for neighbor node search.
  • P Points[i]: Indicates the i-th point that is sequentially sorted and input.
  • the predicted result of the point P corresponds to any one of a result predicted from a parent node, a result predicted from a grandparent and a parent node, and a result predicted from a great-grandparent, grandparent, and a parent node.
  • the prediction tree may set a point having the most influence as a root node and may be generated based on the influence.
  • Influence according to embodiments may be determined based on a degree to which other points are selected as neighboring points, similarity to colors registered as neighboring points, and the like.
  • a prediction tree generation pseudocode indicating a method of generating a prediction tree based on distance-based influence according to embodiments is expressed as follows.
  • Points[] represents an array of all points
  • pointCount Indicates the total number of points.
  • second_sorted_indexes[] represents an index array of points finally sorted according to the above-described pseudo code.
  • KDTree (kd tree): Represents the kd tree used for neighbor node search.
  • max_distance the maximum distance that can be a parent node
  • P Points[i]: Indicates the i-th point that is sequentially sorted and input.
  • the predicted result of the point P corresponds to any one of a result predicted from a parent node, a result predicted from a grandparent and a parent node, and a result predicted from a great-grandparent, grandparent, and a parent node.
  • Influence according to embodiments may be determined according to the number of child nodes of a node to which the target point corresponds. That is, the greater the number of child nodes, the higher the influence is considered. If there are two or more points having the same number of child nodes, the earliest point in the index order of the points may be selected, or a point with high influence may be selected in consideration of attribute similarity between the node and child nodes.
  • the prediction tree generation pseudocode is expressed as follows.
  • the node with the largest number of child nodes is selected as the root node.
  • the point cloud data processing apparatus registers three or more child nodes according to the prediction tree generation pseudo code indicating the above-described distance-based influence-based prediction tree generation method, and three or more child nodes with high influence based on the number of child nodes Child nodes can be optionally registered.
  • the prediction tree according to the embodiments is generated by determining a point having a high influence as a root node, points having a small residual value (residual value) are highly likely to be selected as neighboring nodes. Accordingly, since the residual value is reduced, the size of the bitstream is reduced.
  • Influence according to embodiments may be determined based on attribute similarity between points.
  • Pseudocode for generating a prediction tree based on influence based on attribute similarity is as follows.
  • the average value can be calculated as an absolute average value or a weighted average value by applying the distance between nodes as a weight
  • Influence according to embodiments may be determined according to attribute similarity between a node and child nodes of the node. That is, the influence is considered as the difference between the attribute of a node and the average (or weighted average) attribute value of the child nodes is smaller and higher.
  • the point cloud processing apparatus may generate a prediction tree by considering the distance-based influence as well.
  • the pseudocode for generating a prediction tree based on attribute similarity is as follows.
  • the node with the smallest difference between the node's attribute (eg, color) and the average value of the child node's attributes is selected as the root node.
  • the node with the largest number of child nodes is selected as the root node.
  • the point cloud data processing apparatus registers three or more child nodes according to the prediction tree generation pseudocode indicating the above-described distance-based influence-based prediction tree generation method, and selects three child nodes with high influence based on attribute similarity. can be registered as
  • the prediction tree according to the embodiments is constructed from points having a high influence, points having a small residual value are more likely to be selected as neighboring nodes, thereby reducing the bitstream size.
  • Attribute similarity may be measured based on at least one or more of a Euclidian color distance measurement method, a Correlated Color Temperature (CCT) measurement method, and a CIE94 (color difference model) measurement method. have.
  • CCT Correlated Color Temperature
  • CIE94 color difference model
  • a method of measuring the Euclidean color distance according to the embodiments is expressed by the following equation.
  • the color distance is the RGB value of two points (for example, R1, G1, B1, which is the RGB value of the first point, R2, G2, B2, which is the RGB value of the second point) is measured based on the difference between
  • the reflectance distance is measured based on the difference between the RGB values of the two points.
  • Equation X, Y, and Z represent CIE tristimulus values, and RGB represents RBG values.
  • (x,y) represents colorimeter chromaticity coordinates.
  • CCT is calculated by changing RGB values to CIE (XYZ) values and normalizing them to chromatic values.
  • the constants included in the equation are elements in the correlation matrix.
  • CCT is determined using the absolute error value less than 2 degree Kelvin and Mc Camy's formula for a specific (x,y) as shown in the following equation.
  • the CIE94 (color difference model) measuring method according to the embodiments is expressed by the following equation.
  • E94 represents the distance matrix delta E of the CIE94 model.
  • Parameters L, a and b represent the colors C1 and C2, respectively, as parameters of the CIELAB color space.
  • Hab corresponds to the arithmetic mean of the code lengths of identical chroma circles of two colors.
  • a prediction tree may be generated by registering an N-th point (eg, a point corresponding to a central index value) as a root node based on the order of the sorted points, and traversing the points in right-left order.
  • N-th point eg, a point corresponding to a central index value
  • a prediction tree creation pseudo code indicating a method of generating a prediction tree with the central position criterion corresponding to the central index value or the N-th position criterion is expressed as follows.
  • ctrIdx Indicates the central index of the sorted points, or the Nth index.
  • prevIdx Indicates the previous index.
  • pointCount Indicates the total number of points.
  • ctrIdx pointCount/2, indicates a point corresponding to a central index (half of the total number of points) or an arbitrary N-th index.
  • prevIdx ctrIdx: Indicates that the previous index is the central index or any Nth index.
  • the predicted result of the point P corresponds to any one of a result predicted from a parent node, a result predicted from a grandparent and a parent node, a result predicted from a great-grandparent, a grandparent, and a parent node. Since the order entered into the Kd tree spreads in both directions of the sorted points, the probability of finding closer points is high. Accordingly, it is possible to reduce the size of the bitstream by reducing the residual value.
  • the point cloud data transmission apparatus eg, the point cloud data processing apparatus of FIG. 15
  • the geometry encoder 1610 or the prediction tree generator
  • the point cloud data transmission apparatus may receive information on an arrangement method of points (eg, Morton code order, Radius order, etc.) and sort the points.
  • the point cloud data transmission apparatus may receive information on the above-described prediction tree generation method, and generate a prediction tree using a coding algorithm (eg, the above-described prediction tree generation pseudo code) according to the input information.
  • the prediction tree generation method includes the above-described sorted order-based prediction tree generation method, distance-based influence-based prediction tree generation method, attribute similarity-based influence-based prediction tree generation method, and the N-th position or center position in the sorted order. It corresponds to at least one of the reference prediction tree generation methods.
  • the prediction tree generation method may be selected based on content characteristics of point cloud data, a service type, and the like.
  • the point cloud data transmission apparatus receives a maximum distance value (eg, max_distance) that can become a parent node when a prediction tree is generated using a distance-based influence-based prediction tree generation method.
  • the point cloud data transmission apparatus may search for a neighboring prediction point for selecting a parent node, and register only points having a distance from the searched points smaller than a maximum distance value as child nodes.
  • the point cloud data transmission apparatus may analyze content to automatically set or calculate a maximum distance value.
  • the point cloud data transmission apparatus may receive information related to an attribute similarity measurement method (eg, a Euclidean color distance measurement method, a CCT measurement method, a CIE94 measurement method, etc.) and calculate the attribute similarity.
  • the point cloud data transmission apparatus may measure attribute similarity when generating a prediction tree based on at least one of a distance-based influence-based prediction tree generation method and an attribute similarity-based influence-based prediction tree generation method .
  • the prediction tree generation unit when the prediction tree generation unit generates the prediction tree by the method of generating the prediction tree based on the N-th position or the central position in the sorted order, information related to the N value is input.
  • the point cloud data transmission apparatus generates signaling information related to the prediction tree, and transmits the bitstream including the same to the point cloud data reception apparatus (eg, as described in FIGS. 1, 13, 14 and 16 ). point cloud data receiving device).
  • the point cloud decoder (for example, the point cloud decoder described in FIGS. 1, 13-14, and 16) according to the embodiments decodes the prediction tree coding of the point cloud data processing apparatus based on the signaling information related to the prediction tree. Prediction tree decoding (or prediction tree geometry decoding), which is a decoding operation, may be performed.
  • FIG 17 shows the configuration of a bitstream according to embodiments.
  • the point cloud data processing apparatus may transmit the encoded point cloud data in the form of a bitstream.
  • a bitstream is a sequence of bits that forms a representation of point cloud data (or point cloud frame).
  • Point cloud data (or point cloud frame) may be divided into tiles and slices.
  • Point cloud data may be partitioned into multiple slices and encoded within a bitstream.
  • One slice is a set of points and is expressed as a series of syntax elements representing all or part of encoded point cloud data.
  • One slice may or may not have a dependency on other slices.
  • one slice includes one geometry data unit, and may or may not have one or more attribute data units (zero attribute data unit).
  • the attribute data unit is based on the geometry data unit within the same slice. That is, the point cloud data receiving device (for example, the receiving device 10004 or the point cloud video decoder 10006) may process attribute data based on the decoded geometry data. Therefore, within a slice, a geometry data unit must appear before the associated attribute data units. Data units within a slice are necessarily contiguous, and the order between slices is not specified.
  • a tile is a rectangular cuboid (three-dimensional) within a bounding box (eg, the bounding box described in FIG. 5).
  • a bounding box may contain one or more tiles.
  • One tile may completely or partially overlap another tile.
  • One tile may include one or more slices.
  • the point cloud data processing apparatus may provide high-quality point cloud content by processing data corresponding to a tile according to importance. That is, the point cloud data processing apparatus according to the embodiments may perform a point cloud compression coding process with data corresponding to an area important to the user ⁇ better compression efficiency and appropriate latency.
  • a bitstream includes signaling information and a plurality of slices (slice 0, ..., slice n).
  • signaling information appears before slices in the bitstream.
  • the point cloud data receiving apparatus may first secure signaling information and sequentially or selectively process a plurality of slices based on the signaling information.
  • slice 0 (slice0) includes one geometry data unit (Geom0 0 ) and two attribute data units (Attr0 0 , Attr1 0 ). Also, geometry data units appear before attribute data units within the same slice.
  • the point cloud data receiving apparatus first processes (decodes) the geometry data unit (or geometry data), and processes the attribute data unit (or attribute data) based on the processed geometry data.
  • the signaling information according to the embodiments may be referred to as signaling data, metadata, or the like, and is not limited to examples.
  • the signaling information according to the embodiments is generated by the point cloud data transmission device (for example, the metadata processing unit 12007 described in FIG. 12), and the point cloud data reception device (for example, the metadata parser described in FIG. 13) 13006), etc.) can be parsed and used for decoding.
  • the signaling information includes a sequence parameter set (SPS), a geometry parameter set (GPS), and one or more attribute parameter sets (APS).
  • SPS is encoding information for the entire sequence, such as profile and level, and may include comprehensive information (sequence level) for the entire sequence, such as picture resolution and video format.
  • GPS is information about geometry encoding applied to geometry included in a sequence (bitstream).
  • the GPS may include information on an octree (eg, the octree described in FIG. 6 ), information on an octree depth, and the like.
  • APS is information on attribute encoding applied to attributes included in a sequence (bitstream). As shown in the figure, the bitstream includes one or more APSs (eg, APS0, APS1.. shown in the figure) according to an identifier for identifying an attribute.
  • the signaling information according to embodiments may further include information about a tile (eg, tile inventory).
  • the information about the tile may include information about a tile identifier, a tile size, and the like.
  • the signaling information according to the embodiments is information of a sequence, that is, a bitstream level, and is applied to a corresponding bitstream.
  • the signaling information has a syntax structure including a syntax element and a descriptor for describing it. A pseudo code may be used to describe the syntax.
  • the point cloud receiving device e.g., the receiving device 10004 of FIG. 1, the point cloud decoder of FIGS. 10 and 11, and the receiving device of FIG. 13
  • the geometry data unit and the attribute data unit include a geometry header and an attribute header, respectively.
  • the geometry header and the attribute header according to the embodiments have the above-described syntax structure as signaling information applied at a corresponding slice level.
  • a geometry header includes information (or signaling information) for processing a corresponding geometry data unit. Therefore, the geometry header appears first in the corresponding geometry data unit.
  • the point cloud receiving apparatus may process the geometry data unit by first parsing the geometry header.
  • the geometry header has a relationship with the GPS including information on the entire geometry. Accordingly, the geometry header includes information specifying gps_geom_parameter_set_id included in GPS. Also, the geometry header includes tile information (eg, tile_id) related to the slice to which the geometry data unit belongs, and a tile identifier.
  • the attribute header includes information (or signaling information) for processing the corresponding attribute data unit. Therefore, the attribute header appears first in the corresponding attribute data unit.
  • the point cloud receiving apparatus may process the attribute data unit by first parsing the attribute header.
  • the attribute header has a relationship with the APS including information on all attributes. Accordingly, the attribute header includes information specifying aps_attr_parameter_set_id included in the APS.
  • the attribute header includes information specifying a slice identifier included in the geometry header in order to determine the geometry data unit associated with the corresponding attribute data unit.
  • the signaling information in the bitstream includes signaling information related to the prediction tree (eg, an alignment method of points, a prediction tree information on a creation method, etc.) may be further included.
  • the signaling information related to the prediction tree may be included in the signaling information (eg, SPS, APS, etc.) at the sequence level, or included in the slice level (eg, attribute header, etc.), the SEI message, or the like.
  • a point cloud reception apparatus eg, the reception apparatus 10004 of FIG. 1 , the point cloud decoder of FIGS. 10 and 11 , the reception apparatus of FIG.
  • prediction tree decoding which is a decoding process of prediction tree coding, may be performed.
  • the point cloud receiving apparatus performs prediction tree decoding on the point cloud data corresponding to the sequence of the bitstream based on the signaling information related to the prediction tree.
  • the point cloud receiving apparatus performs prediction tree decoding on the point cloud data corresponding to the tile based on the signaling information related to the prediction tree.
  • the point cloud receiving apparatus When the signaling information related to the prediction tree is signaled at the slice level, the point cloud receiving apparatus performs prediction tree decoding on the point cloud data corresponding to the slice based on the signaling information related to the prediction tree. Accordingly, the point cloud receiving apparatus may perform prediction tree decoding on all or a partial area (eg, tile, slice, etc.) of the point cloud data based on signaling information.
  • 18 is an example of a syntax structure of signaling information related to a prediction tree.
  • profile_idc Indicates a profile that the current bitstream follows.
  • profile_compatibility_flags Indicates whether there is a profile compatible with the profile that the bitstream follows.
  • sps_num_attribute_sets Indicates the number of encoded attributes included in the bitstream. The value of sps_num_attribute_sets is included in the range from 0 to 63.
  • attribute_dimension[ i ] Indicates the number of components of the i-th attribute.
  • attribute_instance_id[ i ] Indicates the instance id of the i-th attribute.
  • pred_geom_tree_sorting_type Indicates a sorting method of points to be applied when generating a prediction geometry tree in a corresponding sequence.
  • pred_geom_tree_sorting_type may have a value from 0 to 6, and each value indicates the following sorting method.
  • pred_geom_tree_sorting_type is changeable and is not limited to the above example.
  • pred_geom_tree_sorting_type If the value of pred_geom_tree_sorting_type is greater than 0, the syntax of the SPS further includes pred_geom_tree_sorting_ascending_flag.
  • pred_geom_tree_sorting_ascending_flag Indicates whether to sort in ascending order (true) or descending order (false) when points are first sorted when generating a prediction tree (or called a prediction geometry tree) in the corresponding sequence.
  • pred_geom_tree_sorting_ascending_flag When the value of pred_geom_tree_sorting_ascending_flag is true, it indicates that points are sorted in ascending order when generating the prediction tree, and when the value of pred_geom_tree_sorting_ascending_flag is false, it indicates that the points are sorted in descending order when generating the prediction tree.
  • the value of pred_geom_tree_sorting_ascending_flag is not limited to this example and can be changed.
  • pred_geom_tree_build_method Indicates a method of generating a prediction tree (or a prediction geometry tree) in a corresponding sequence.
  • pred_geom_tree_build_method may have a value from 0 to 4, and each value indicates a prediction tree generation method.
  • pred_geom_tree_build_method can be changed and is not limited to the above example.
  • a detailed description of a method for generating a prediction tree according to embodiments is the same as described with reference to FIGS. 15 to 16 , and thus will be omitted.
  • pred_geom_tree_build_method indicates a method for generating a prediction tree based on distance-based influence or a method for generating a prediction tree based on attribute similarity-based influence
  • the syntax of the SPS further includes neighbor_attr_different_method.
  • neighbor_attr_different_method Indicates the attribute similarity measurement method to be applied in the corresponding sequence.
  • neighbor_attr_different_method has values from 1 to 3, and each value indicates the following measurement method.
  • pred_geom_tree_build_method indicates a method for generating a prediction tree based on the zigzag direction based on the Nth position in the sorted order
  • the syntax of the SPS includes pred_geom_tree_N_idx.
  • pred_geom_tree_N_idx Indicates the location (eg, Nth index) of the root node to be applied in the corresponding sequence.
  • the SPS syntax according to the embodiments is not limited to the above example, and may further include additional elements or may not include some elements shown in the figure for efficiency of signaling. Some elements may be signaled through signaling information other than SPS (eg, APS, attribute header, etc.) or an attribute data unit.
  • 19 is an example of a syntax structure of signaling information related to a prediction tree.
  • the syntax of GPS includes the following elements.
  • gps_geom_parameter_set_id Indicates an identifier of GPS for reference in other syntax elements.
  • the value of gps_geom_parameter_set_id is included in the range from 0 to 15.
  • gps_seq_parameter_set_id Specifies sps_seq_parameter_set_id for the active SPS.
  • the value of gps_seq_parameter_set_id is included in the range from 0 to 15.
  • the syntax of GPS further includes signaling information related to the prediction tree described with reference to FIG. 18 .
  • a description of the signaling information related to the prediction tree is the same as that described with reference to FIG. 18, and thus will be omitted.
  • the GPS syntax according to the embodiments is not limited to the above example, and may further include additional elements or may not include some elements shown in the figure for efficiency of signaling. Some elements may be signaled through other signaling information other than GPS (eg, APS, attribute header, etc.) or an attribute data unit.
  • 20 is an example of a syntax structure of signaling information related to a prediction tree.
  • the syntax of the tile parameter set includes the following elements.
  • num_tiles Indicates the number of tiles signaled for the bitstream. If this information does not exist, the number of tiles is 0.
  • tile_bounding_box_offset_x[ i ] indicates the x-axis offset of the i-th tile in the Cartesian coordinates. If this information does not exist, the offset of the 0th tile, tile_bounding_box_offset_x[ 0 ] is inferred as sps_bounding_box_offset_x indicating the x-axis offset of the sequence level bounding box.
  • tile_bounding_box_offset_y[ i ] Indicates the y-axis offset of the i-th tile in the Cartesian coordinates. If this information does not exist, the offset of the 0th tile, tile_bounding_box_offset_y[ 0 ], is inferred as sps_bounding_box_offset_y indicating the y-axis offset of the sequence level bounding box.
  • the syntax of the tile parameter set further includes signaling information related to the prediction tree described with reference to FIG. 18 .
  • a description of the signaling information related to the prediction tree is the same as that described with reference to FIG. 18, and thus will be omitted.
  • signaling information related to the prediction tree included in the syntax of the tile parameter set is signaled for each tile.
  • the point cloud data receiving apparatus eg, the point cloud data receiving apparatus described with reference to FIGS. 1, 13, 14 and 16
  • the syntax of the tile parameter set according to the embodiments is not limited to the above example, and may further include additional elements or may not include some elements illustrated in the figure for efficiency of signaling. Some elements may be signaled through other signaling information (eg, APS, attribute header, etc.) or an attribute data unit other than a tile parameter set.
  • Some elements may be signaled through other signaling information (eg, APS, attribute header, etc.) or an attribute data unit other than a tile parameter set.
  • 21 is an example of a syntax structure of signaling information related to a prediction tree.
  • FIG. 21 illustrates an example in which signaling information related to a prediction tree is included in a geometry slice header of a slice level as a syntax structure of a geometry slice header.
  • the syntax of the geometry slice header includes the following elements.
  • gsh_geometry_parameter_set_id Specifies the value of gps_geom_parameter_set_id of the active GPS.
  • gsh_tile_id Indicates the value of the ID (tile_id) of the tile referenced by the geometry slice header. The value of gsh_tile_id falls within the range from 0 to any value.
  • gsh_slice_id Identifies the slice header for reference in other syntaxes.
  • the value of gsh_slice_id is Included within the range from 0 to any value.
  • the syntax of the geometry slice header further includes signaling information related to the prediction tree described with reference to FIG. 18 .
  • a description of the signaling information related to the prediction tree is the same as that described with reference to FIG. 18, and thus will be omitted.
  • signaling information related to the prediction tree included in the syntax of the geometry slice header is signaled for each geometry slice.
  • the point cloud data receiving apparatus eg, the point cloud data receiving apparatus described with reference to FIGS. 1, 13, 14 and 16
  • the syntax of the geometry slice header according to the embodiments is not limited to the above example, and may further include additional elements or may not include some elements shown in the drawings for efficiency of signaling. Some elements may be signaled through other signaling information (eg, an attribute header, etc.) or an attribute data unit other than the geometry slice header.
  • FIG. 22 is an example of a block diagram of a point cloud data processing apparatus according to embodiments.
  • the point cloud data processing device 2400 shown in FIG. 22 is an example of the receiving device 10004 described in FIG. 1 , the point cloud decoder described in FIGS. 10 to 11 , and the receiving device described in FIG. 13 .
  • the point cloud data processing apparatus 2400 shown in FIG. 22 performs a decoding operation corresponding to the operation of the point cloud data processing apparatus 1500 described in FIG. 15 .
  • Point cloud data processing apparatus 2400 according to embodiments is electrically and communicatively coupled with one or more processors (One or more processors) 2410 and one or more processors.
  • One or more memories 2420 are included.
  • processors 2410 may be configured as one or more physically separated hardware processes, a combination of software/hardware, or a single hardware processor.
  • processors 2420 may be electrically and communicatively coupled with.
  • memories 2420 may be configured as one or more physically separated memories or one memory.
  • One or more memories according to embodiments may store one or more programs for processing point cloud data.
  • One or more processors 2410 receive the bitstream described with reference to FIGS. 1 to 21 , and secure signaling information (SPS, GPS, APS, etc.) included in the bitstream. In addition, the one or more processors 2410 perform geometry decoding for decoding a geometry (or a geometry bitstream), and decode an attribute (or an attribute bitstream) included in the bitstream based on the decoded geometry. Attribute decoding for Geometry decoding according to the embodiments corresponds to the geometry encoding described with reference to FIGS. 1 to 23 , and attribute decoding according to the embodiments corresponds to the attribute encoding described with reference to FIGS. 1 to 23 .
  • Geometry decoding and attribute decoding may be performed in units of the entire sequence, tiles, or slices according to a level at which signaling information is signaled. Also, geometry decoding and attribute decoding may be performed using a coding algorithm (eg, the coding algorithm described with reference to FIGS. 15 to 16 ).
  • One or more processors 2410 may include processors that respectively perform geometry decoding and attribute decoding.
  • the geometry decoding of the one or more processors 2410 includes the arithmetic decoder 11000, the octree synthesis unit 11001, the surface op-proximation synthesis unit 11002, and the geometry reconstruction described with reference to FIG. 11 . It may include any one or more of operations of the section unit 11003 and the coordinate system inverse transform unit 11004 .
  • Attribute decoding of the one or more processors 2410 according to the embodiments includes the arithmetic decoder 11005, the inverse quantization unit 11006, the RAHT transform unit 11007, the LOD generator 11008 described with reference to FIG.
  • any one or more of the operations of the inverse lifting unit 11009 and/or the color inverse transform unit 11010, the color conversion processing unit 12008, the attribute conversion processing unit 12009, and the prediction/lifting/RAHT conversion processing unit 12010 described with reference to FIG. 12 . ) and an operation of the arithmetic coder 12011 may include any one or more.
  • one or more processors 2410 may perform prediction tree decoding based on the above-described prediction tree generation pseudo code.
  • At least one of the elements of the point cloud encoder described with reference to FIGS. 10 to 11 and the elements of the receiving device described with reference to FIG. 13 may correspond to at least one process of one or more processors 1510 .
  • the decoded geometry and decoded attributes are not shown in the figure but are passed to the renderer.
  • the content of the point cloud data may be displayed on the display unit based on the rendered geometry and attributes.
  • FIG. 23 is a flowchart illustrating a method of processing point cloud data according to embodiments.
  • the flowchart 2500 of FIG. 23 shows an example of a data processing method of the point cloud data processing apparatus 2400 described with reference to FIG. 22 .
  • the flowchart 2500 is expressed based on the elements of the point cloud data processing apparatus described with reference to FIG. 22 .
  • the at least one element described in FIG. 23 is at least one element described in FIG. 22 , the receiving device 10004 described in FIG. 1 , the point cloud decoder described in FIGS. 10 to 11 , and the receiving device described in FIG. 13 . It can correspond to the element of , and the name or function is not limited to this example.
  • the point cloud data processing apparatus may process a geometry bitstream and an attribute bitstream, respectively. 1 to 22, the geometry bitstream and the attribute bitstream may be multiplexed into one bitstream and transmitted/received.
  • the point cloud data processing apparatus eg, the reception processing unit 130010
  • the point cloud data processing apparatus eg, the metadata parser 13006
  • the point cloud data processing apparatus may simultaneously process the geometry bitstream and the attribute bitstream, or process the geometry bitstream first, and then process the attribute bitstream based on the restored geometry.
  • the geometry decoding unit 2510 of the point cloud data processing apparatus may decode (decode) the geometry bitstream.
  • the geometry decoding unit 2510 performs the geometry decoding described with reference to FIGS. 1 to 22 .
  • the geometry decoding unit 2510 and the elements of the geometry decoding unit 2510 may include the processor, the hardware encoder, software, and a combination of hardware and software described with reference to FIG. 22 .
  • the geometry entropy decoder (eg, the arithmetic decoder 11000 of FIG. 11 , the arithmetic decoder 13002 of FIG. 13 ) included in the geometry decoding unit 2510 performs arithmetic coding on the geometry in the geometry bitstream. based on decoding (2511). Since the operation of the geometry entropy decoder is the same as that described with reference to FIGS. 11 and 13 , a detailed description thereof will be omitted.
  • the geometry decoder 2510 may check the geometry coding type applied to the geometry based on the signaling information described with reference to FIGS. 19 to 22 ( 2512 ).
  • geometry coding includes octree geometry coding, predictive tree coding, and trisoup geometry encoding. If the geometry coding type indicates octree geometry coding, the octree reconstruction unit performs octree-based coding (decoding), which is a decoding process of the octree geometry coding (2513-1). If the geometry coding type indicates prediction tree coding, the prediction tree reconstruction unit is shown in Fig. The prediction tree described with reference to FIGS. 15 to 22 is generated and prediction tree coding (decoding) is performed (2513-2).
  • the prediction tree reconstruction unit performs prediction tree decoding (or prediction tree geometry decoding), which is a decoding process of prediction tree coding.
  • the prediction tree reconstructor may perform the same operation as the operation of the prediction tree generator described with reference to FIG. 16 .
  • the prediction tree reconstruction unit aligns the points using the coding algorithm described in FIGS. 15 to 16 based on the signaling information related to the prediction tree described with reference to FIGS. 17 to 21 , and generates a prediction tree according to the prediction tree generation method
  • prediction tree decoding can be performed.
  • the signaling information related to the prediction tree and the description of the prediction tree generation are the same as those described with reference to FIGS. 15 to 22 , and thus will be omitted.
  • the name of prediction tree decoding according to embodiments is not limited to this example.
  • the geometry position reconstruction unit (eg, the geometry reconstruction unit 11003 described with reference to FIG. 11 ) according to embodiments reconstructs a geometry position. Since the operation of the geometry position reconstruction is the same as described with reference to FIGS. 10 -11 and 13 , a detailed description thereof will be omitted.
  • the geometry predictor outputs a reconstructed geometry by performing predictive coding on the reconstructed geometry ( 2515 ).
  • the restored geometry is transmitted to the attribute decoder 2520 .
  • the geometry transform inverse quantization processing unit (eg, the inverse quantization processing unit 13005 described with reference to FIG. 13 ) inversely quantizes the geometry. Since the operation of the geometry transform inverse quantization processor is the same as that described with reference to FIGS. 10-11 and 13 , a detailed description thereof will be omitted.
  • the coordinate system inverse transform unit (eg, the coordinate system inverse transform unit 11004 described with reference to FIG. 11 ) may obtain positions of points by transforming the coordinate system of the geometry. Since the operation of the coordinate system inverse transform unit is the same as described with reference to FIGS. 10-11 and 13 , a detailed description thereof will be omitted.
  • the attribute decoding unit 2520 performs the attribute decoding described with reference to FIGS. 1 to 22 .
  • the attribute decoder 2520 may include the processor, hardware encoder, software, a combination of hardware and software, etc. described with reference to FIG. 22 . Since attribute decoding is the same as described with reference to FIGS. 1, 10-11, and 13 , a detailed description thereof will be omitted.
  • the inverse color transform processing unit eg, the inverse color transform unit 11010 of FIG. 11 ) performs inverse transform coding to inversely transform color values (or textures) included in decoded attributes.
  • the color inverse transform processing unit may be included in the attribute decoding unit 2520 . Since the operation of the inverse color conversion processing unit is the same as that described with reference to FIGS. 10-11 and 13 , a detailed description thereof will be omitted.
  • the order of operation/processing of the point cloud data processing apparatus shown in the flowchart 2500 of FIG. 23 may be changed, and is not limited to this example.
  • the flowchart 2600 of FIG. 24 shows a processing method of a device for processing point cloud data (eg, the point cloud data processing apparatus 1500 of FIG. 15 ).
  • a device includes one or more processors for processing point cloud data and one or more memories connected to the one or more processors.
  • a device may encode the geometry of the point cloud data ( 2610 ). Geometry represents the location of points in the point cloud data.
  • the encoding of the geometry according to the embodiments may be performed based on any one of an octree, a prediction tree, and a tri-top structure. Since the method of encoding the geometry according to the embodiments is the same as the geometry encoding described with reference to FIGS. 1 to 23 , a detailed description thereof will be omitted.
  • the device may encode an attribute of the point cloud data based on the decoded geometry ( 2620 ).
  • the attribute indicates at least any one or more of reflectance and color of points. Since the method for encoding the attribute according to the embodiments is the same as the attribute encoding described with reference to FIGS. 1 to 23 , a detailed description thereof will be omitted.
  • the encoded geometry and encoded attributes are output as a bitstream (eg, the bitstream described in FIG. 19).
  • the bitstream according to the embodiments includes the signaling information described with reference to FIGS. 17 to 21 .
  • the signaling information may include information related to a prediction tree.
  • the information related to the prediction tree according to the embodiments includes type information indicating the sorting type of points (eg, pred_geom_tree_sorting_type described in FIGS. 18 to 21 ) and information indicating a method for generating the prediction tree (eg, FIGS. 18 to 21 ). 21 , pred_geom_tree_building_method) may be included.
  • Information indicating a method for generating a prediction tree includes a method of generating a prediction tree based on the order in which the points are sorted as described in FIG.
  • a method of generating a prediction tree based on the distance-based influence between points and the Among the methods of generating a prediction tree based on influence based on attribute similarity, a method of generating a prediction tree based on the Nth position in the order in which the points are sorted, and a method of generating a prediction tree based on the central position in the order in which the points are sorted, corresponds to at least one.
  • the information related to the prediction tree according to the embodiments is the sequence level of the non-stream, as described in FIGS. 18 to 21, according to the level to which the prediction tree generation-based geometry coding (or prediction tree geometry coding) described in FIG.
  • the signal may be signaled at at least one of a tile level and a slice level. Since the contents of the bitstream and signaling information according to the embodiments are the same as those described with reference to FIGS. 17 to 21 , a detailed description thereof will be omitted.
  • the order of the point cloud data processing method shown in the flowchart 2600 of FIG. 24 may be changed and is not limited to this example.
  • 25 is an example of a point cloud data processing method according to embodiments.
  • the flowchart 2700 of FIG. 25 shows a processing method of a device for processing point cloud data (eg, the point cloud data processing apparatus 2200 of FIG. 15 ).
  • a device includes one or more processors for processing point cloud data and one or more memories connected to the one or more processors.
  • the device decodes the geometry of the point cloud data ( 2710 ). Geometry represents the location of points in the point cloud data.
  • the decoding of the geometry according to the embodiments may be performed based on any one of an octree, a prediction tree, and a tri-top structure. Since the method of decoding the geometry according to the embodiments is the same as the geometry decoding described with reference to FIGS. 1 to 23 , a detailed description thereof will be omitted.
  • the device decodes an attribute of the point cloud data based on the decoded geometry ( 2720 ).
  • the attribute indicates at least any one or more of reflectance and color of points. Since the method for decoding the attribute according to the embodiments is the same as the attribute decoding described with reference to FIGS. 1 to 23 , a detailed description thereof will be omitted.
  • Point cloud data is received in the form of a bitstream described with reference to FIG. 17, and the bitstream includes signaling information.
  • the information related to the prediction tree according to the embodiments includes type information indicating the sorting type of points (eg, pred_geom_tree_sorting_type described in FIGS. 18 to 21 ) and information indicating a method for generating the prediction tree (eg, FIGS. 18 to 21 ). 21 , pred_geom_tree_building_method) may be included.
  • Information indicating a method for generating a prediction tree includes a method of generating a prediction tree based on the order in which the points are sorted as described in FIG.
  • a method of generating a prediction tree based on the distance-based influence between points and the Among the methods of generating a prediction tree based on influence based on attribute similarity, a method of generating a prediction tree based on the Nth position in the order in which the points are sorted, and a method of generating a prediction tree based on the central position in the order in which the points are sorted, corresponds to at least one.
  • the information related to the prediction tree according to the embodiments is the sequence level of the non-stream as described in FIGS. 18 to 21 according to the level to which the prediction tree generation-based geometry coding (or prediction tree geometry coding) described in FIG. 16 is applied,
  • the signal may be signaled at at least one of a tile level and a slice level.
  • the components of the point cloud data processing apparatus according to the embodiments described with reference to FIGS. 1 to 25 may be implemented as hardware, software, firmware, or a combination thereof including one or more processors coupled with a memory.
  • Components of the device according to the embodiments may be implemented as one chip, for example, one hardware circuit.
  • each of the components of the point cloud data processing apparatus according to the embodiments may be implemented as separate chips.
  • at least one of the components of the point cloud data processing apparatus according to the embodiments may consist of one or more processors capable of executing one or more programs, and the one or more programs are shown in FIG. 1 to 25 may perform any one or more of the operations/methods of the point cloud data processing apparatus described with reference to FIGS. 25 , or may include instructions for performing the operations.
  • the point cloud data transmission method according to the embodiments may be performed by the point cloud data transmission apparatus or components included in the point cloud data transmission apparatus according to the embodiments.
  • the method for receiving point cloud data according to embodiments may be performed by the device for receiving point cloud data or components included in the device for receiving point cloud data according to embodiments.
  • Various components of the apparatus according to the embodiments may be configured 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 volatile memory (eg, RAM, etc.) but also non-volatile memory, flash memory, 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 components 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.

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 처리 방법은 포인트 클라우드 데이터를 인코드하여 전송할 수 있다. 실시예들에 따른 포인트 클라우드 데이터 처리 방법은 포인트 클라우드 데이터를 수신하고 디코드할 수 있다.

Description

포인트 클라우드 데이터 처리 디바이스 및 처리 방법
실시예들은 사용자에게 VR (Virtual Reality, 가상현실), AR (Augmented Reality, 증강현실), MR (Mixed Reality, 혼합현실), 및 자율 주행 서비스 등의 다양한 서비스를 제공하기 위하여 포인트 클라우드 콘텐트(Point Cloud Content)를 제공하는 방안을 제공한다.
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, 상술한 기술적 과제만으로 제한되는 것은 아니고, 기재된 전체 내용에 기초하여 당업자가 유추할 수 있는 다른 기술적 과제로 실시예들의 권리범위가 확장될 수 있다.
따라서 효율적으로 포인트 클라우드 데이터를 처리하기 위하여 하나 또는 그 이상의 프로세서들 및 상기 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함하는 디바이스에 의해 수행되는 포인트 클라우드 데이터를 처리하는 방법은 포인트 클라우드 데이터의 지오메트리를 인코딩하는 단계 및 인코드된 지오메트리를 기반으로 포인트 클라우드 데이터의 어트리뷰트를 인코딩하는 단계를 포함한다. 실시예들에 따른 지오메트리는 포인트 클라우드 데이터의 포인트들의 위치를 나타내고, 실시예들에 따른 어트리뷰트는 포인트들의 색상 및 반사율 중 적어도 하나 이상을 나타낸다.
실시예들에 따른 포인트 클라우드 데이터를 처리하는 디바이스로서, 디바이스는 포인트 클라우드 데이터를 처리하는 하나 또는 그 이상의 프로세서들 및 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함한다. 실시예들에 따른 하나 또는 그 이상의 프로세서들은, 포인트 클라우드 데이터의 지오메트리를 인코딩하는 단계 및 인코드된 지오메트리를 기반으로 포인트 클라우드 데이터의 어트리뷰트를 인코딩하는 단계를 포함하는 처리 방법을 수행한다. 실시예들에 따른 지오메트리는 포인트 클라우드 데이터의 포인트들의 위치를 나타내고, 실시예들에 따른 어트리뷰트는 포인트들의 색상 및 반사율 중 적어도 하나 이상을 나타낸다.
실시예들에 따른 하나 또는 그 이상의 프로세서들 및 상기 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함하는 디바이스에 의해 수행되는 포인트 클라우드 데이터를 처리하는 방법은 포인트 클라우드 데이터의 지오메트리를 디코딩하는 단계 및 디코드된 지오메트리를 기반으로 포인트 클라우드 데이터의 어트리뷰트를 디코딩하는 단계를 포함한다. 실시예들에 따른 지오메트리는 상기 포인트 클라우드 데이터의 포인트들의 위치를 나타내고, 어트리뷰트는 포인트들의 색상 및 반사율 중 적어도 어느 하나를 나타낸다.
포인트 클라우드 데이터를 처리하는 디바이스로서, 디바이스는 포인트 클라우드 데이터를 처리하는 하나 또는 그 이상의 프로세서들 및 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함한다. 실시예들에 따른 하나 또는 그 이상의 프로세서들은 포인트 클라우드 데이터의 지오메트리를 디코딩하는 단계 및 디코드된 지오메트리를 기반으로 포인트 클라우드 데이터의 어트리뷰트를 디코딩하는 단계를 포함하는 처리 방법을 수행한다. 실시예들에 따른 지오메트리는 상기 포인트 클라우드 데이터의 포인트들의 포인트들의 위치를 나타내고, 어트리뷰트는 포인트들의 색상 및 반사율 중 적어도 어느 하나를 나타낸다.
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.
도 1은 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 처리 장치의 블록도의 예시이다.
도 16은 실시예들에 따른 포인트 클라우드 데이터 처리 방법을 나타내는 플로우 차트이다.
도 17은 실시예들에 따른 비트스트림의 구성을 나타낸다.
도 18은 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 19는 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 20은 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 21은 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 22는 실시예들에 따른 포인트 클라우드 데이터 처리 장치의 블록도의 예시이다.
도 23는 실시예들에 따른 포인트 클라우드 데이터 처리 방법을 나타내는 플로우 차트이다.
도 24는 실시예들에 따른 포인트 클라우드 데이터 처리 방법의 예시이다.
도 25는 실시예들에 따른 포인트 클라우드 데이터 처리 방법의 예시이다.
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.
도1은 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 (2d, 2d, 2d) 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 (2d, 2d,2d) 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 (xint n, yint n, zint n)는 양자화된 포인를들의 포지션들(또는 포지션 값들)을 나타낸다.
d =Ceil(Log2(Max(x_n^int,y_n^int,z_n^int,n=1,…,N)+1))
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 PCTKR2021007076-appb-img-000001
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. gl x, y, z 는 레벨 l에서의 복셀들의 평균 어트리뷰트 값을 나타낸다. gl x, y, z 는 gl+1 2x, y, z와 gl+1 2x+1, y, z로부터 계산될 수 있다. gl 2x, y, z 와 gl 2x+1, y, z 의 가중치를 w1=w l 2x, y, z 과 w2=w l 2x+1, y, z 이다.
Figure PCTKR2021007076-appb-img-000002
gl-1 x, y, z는 로-패스(low-pass) 값으로, 다음 상위 레벨에서의 병합 과정에서 사용된다. hl-1 x, y, z은 하이패스 계수(high-pass coefficients)이며, 각 스텝에서의 하이패스 계수들은 양자화되어 엔트로피 코딩 된다(예를 들면 아리스메틱 인코더(400012)의 인코딩). 가중치는 w l-1 x, y, z=w l 2x, y, z+w l 2x+1, y, z로 계산된다. 루트 노드는 마지막 g1 0, 0, 0 과 g1 0, 0, 1을 통해서 다음과 같이 생성된다.,
Figure PCTKR2021007076-appb-img-000003
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(Geom00) 및 하나 또는 그 이상의 어트리뷰트 비트스트림들(Attr00, Attr10)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.
이하에서는 지오메트리 정보를 효과적으로 압축하기 위한 지오메트리 인코딩 동작을 설명한다.
도 1 내지 도 14에서 설명한 바와 같이 실시예들에 따른 포인트 클라우드 데이터의 지오메트리 (또는 지오메트리 정보라 호칭한다)는 포인트들의 포지션(예를 들면 위치 등)을 나타낸다. 포인트들의 포지션은 3차원 공간을 나타내는 좌표계상의 파라미터들(예를 들면 공간을 나타내는 3개의 축, X축, Y축 및 Z축의 파라미터들 (x,y,z))로 표현된다. 어트리뷰트는 포인트들의 색상(RGB, YUV등) 및/또는 반사율 등을 나타낸다. 도 1 내지 도 14에서 설명한 바와 같이 어트리뷰트는 인코드된 지오메트리를 기반으로 인코딩된다.
실시예들에 따른 포인트 클라우드 데이터 처리 장치는 포인트 클라우드 데이터의 콘텐트 특성에 따라 저지연 (low-latency) 코딩을 수행할 수 있다. 예를 들면 포인트 클라우드 데이터가 LiDAR 로부터 실시간으로 캡쳐된 데이터 이거나 실시간으로 전송된 3차원 맵 데이터(3D Map Data)인 경우, 포인트 클라우드 데이터 처리 장치는 지연을 최소화하고 높은 압축 효율을 갖도록 포인트 클라우드 데이터를 처리할 필요가 있다.
도 4에서 설명한 바와 같이 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 실시예들에 따른 지오메트리 인코딩은 예측 트리 (predictive tree) 인코딩(또는 예측 지오메트리 코딩(predictive geometry coding))을 포함할 수 있다.
실시예들에 따른 예측 트리 코딩은 포인트 클라우드 데이터에 대해 예측 구조(prediction structure)를 정의하여 수행된다. 이러한 구조는 포인트 클라우드 데이터의 각 포인트와 연관된 꼭지점을 갖는 예측 트리(predictive tree)로 표현된다. 예측 트리는 루트 꼭지점(root vertex) 및 리프 꼭지점(leaf vertex)를 포함할 수 있으며, 루트 꼭지점 이하의 꼭지점들은 적어도 하나 이상의 자식을 가질 수 있으며, 리프 꼭지점 방향으로 깊이(depth)가 증가한다. 각 꼭지점은 예측 트리내의 부모 노드들로부터 예측할 수 있다. 각 꼭지점에는, 해당 꼭지점의 부모(parent), 조부모 (grand-parent), 증조부모(grand-grandparent)의 위치들을 기반으로 다양한 예측기(예를 들면 예측 없음, 델타 예측(delta prediction), 리니어 예측(linear prediction), 평행사변형(parallelogram predictor)등)가 사용될 수 있다. 예측 트리는 깊이 순서로 트리를 순회하고 각 꼭지점에서 자식수를 인코딩하여 인코드된다. 실시예들에 따른 예측 트리를 구성하기 위하여 포인트들은 기준(예를 들면 몰톤 코드 등)에 따라 재정렬된다. 예측 트리는 Kd트리(Kdtree, 또는 Kd트리 데이터 구조(Kdtree data structure))를 기반으로 생성될 수 있다. Kd트리 구조는 잠재적 예측 변수를 추적하기 위해 사용된다. 가장 처음 Kd트리는 비어있다. 포인트들은 선택된 순서대로 반복적으로 방문된다. 다양한 기준들에 따라 현재 포인트의 Kd트리 내에서 K-최근접 이웃들이 결정되고, 이중 하나가 예측기(Predictor)로 선택된다. 한번 예측기가 선택되면 현재 꼭지점은 예측기와 연관된 꼭지점의 자식에 추가된다. 이후 현재 꼭지점을 기반으로 다음 예측기가 생성되고, 예측된 위치들은 kdtree에 추가된다. 이러한 과정은 모든 포인트들을 순회(traverse)할 때까지 반복된다. 이 과정의 마지막에서 예측 트리 구조가 결정된다. 실시예들에 따른 예측 트리 코딩은 코딩 알고리즘을 사용하여 수행될 수 있다.
도 6내지 도 8에서 설명한 바와 같이 옥트리 지오메트리 코딩은 너비 우선 (breadth-first) 방식으로 전체 포인트들을 스캐닝하여 코딩하는 방식이다. 실시예들에 따른 예측 트리 코딩은 깊이 우선 (depth-first) 방식이다. 실시예들에 따른 포인트 클라우드 데이터 처리 장치(예를 들면 도 1, 도 11, 도 14 및 도 15에서 설명한 포인트 클라우드 데이터 전송장치)는 예측 트리 코딩을 수행하여 포인트들을 정렬하고, 단계적으로 포인트들을 스캐닝하여 예측 트리를 생성하고, 생성된 트리 구조에서 부모 노드와 자식 노드 간의 지오메트리를 통해 예측 값을 생성하고 잔차값(residual)을 엔트로피 코딩하여 지오메트리 비트스트림을 출력할 수 있다. 예측 트리 코딩은 전체 포인트들에 대한 단계적인 스캐닝을 수행하지 않으므로 모든 포인트 클라우드 데이터가 캡쳐되기를 기다릴 필요가 없고, 점차적으로(progressive) 캡쳐된 포인트 클라우드 데이터를 인코딩할 수 있어 저지연 처리가 필요한 포인트 클라우드 데이터 콘텐트에 적합하다.
그러나 깊이 우선 방식은 포인트 클라우드 데이터 전체를 분석하는 너비 우선 방식에 비하여 잔차값이 커질 수 있고, 그에 따라 비트스트림 사이즈가 커질 수 있다. 또한 예측 트리 코딩은 정렬된 포인트들을 기반으로 수행되므로, 포인트들의 정렬 순서가 예측 트리 생성에 큰 영향을 미친다. 즉, 실제 거리가 가까운 포인트들이 예측 트리의 부모, 자식 노드로 설정되는 것이 아니라, 정렬된 포인트들 중 인접하게 배열된 포인트들이 부모, 자식 노드로 설정될 수 있다. 포인트들간의 거리는 포인트 클라우드 데이터의 콘텐트의 특성, 즉 3차원 공간상에서의 밀집도 등에 의해 영향을 받을 수 있으므로, 포인트들을 정렬할 때 콘텐트의 특성을 고려할 필요가 있다.
따라서 실시예들에 따른 포인트 클라우드 데이터 처리 장치는 예측 트리 코딩을 수행함에 있어서, 포인트 클라우드 데이터의 콘텐트 특성에 따라 적응적(adaptive)으로 포인트들의 순서를 재정렬할 수 있다. 또한 실시예들에 따른 포인트 클라우드 데이터 전송 장치는 예측 트리와 관련된 시그널링 정보를 생성하고, 이를 포함하는 비트스트림을 포인트 클라우드 데이터 수신 장치(예를 들면 도 1, 도 13, 도 14 및 도 16에서 설명한 포인트 클라우드 데이터 수신 장치)로 전송할 수 있다. 실시예들에 따른 포인트 클라우드 디코더(예를 들면 도 1, 도 13-도 14 및 도 16에서 설명한 포인트 클라우드 디코더)는 예측 트리와 관련된 시그널링 정보를 기반으로 포인트 클라우드 데이터 처리 장치의 예측 트리 코딩의 복호화 과정 (decoding operation)을 수행할 수 있다.
도 15는 실시예들에 따른 포인트 클라우드 데이터 처리 장치의 블록도의 예시이다.
도 15에 도시된 포인트 클라우드 데이터 처리 장치(1500)은 도 1에서 설명한 전송 장치(10000), 도 4에서 설명한 포인트 클라우드 인코더(10002), 도 12에서 설명한 전송 장치의 예시이다. 실시예들에 따른 포인트 클라우드 데이터 처리 장치(1500)는 하나 또는 그 이상의 프로세서들(One or more processors)(1510) 및 하나 또는 그 이상의 프로세서들과 전기적, 통신적으로 연결된(coupled with) 하나 또는 그 이상의 메모리들(One or more memories)(1520)을 포함한다. 도면에는 편의를 위해 하나의 블록으로 표현되어 있으나 하나 또는 그 이상의 프로세서들(1510)은 물리적으로 분리된 하나 또는 그 이상의 하드웨어 프로세스들로 구성되거나, 소프트웨어/하드웨어의 결합 또는 하나의 하드웨어 프로세서로 구성될 수 있다. 실시예들에 따른 하나 또는 그 이상의 프로세서들(1520)은 전기적, 통신적으로 연결(coupled with)될 수 있다. 또한 도면에는 편의를 위해 하나의 블록으로 표현되어 있으나 하나 또는 그 이상의 메모리들(1520)은 물리적으로 분리된 하나 또는 그 이상의 메모리들 또는 하나의 메모리로 구성될 수 있다. 실시예들에 따른 하나 또는 그 이상의 메모리들은 포인트 클라우드 데이터 처리를 위한 하나 또는 그 이상의 프로그램들을 저장할 수 있다.
실시예들에 따른 하나 또는 그 이상의 프로세서들(1510)은 포인트 클라우드 데이터(예를 들면 캡쳐된 LiDAR데이터, 실시간으로 전송된 3차원 맵 데이터(3D Map Data) 등)를 입력 받고, 포인트 클라우드 데이터의 지오메트리를 인코딩하기 위한 지오메트리 인코딩을 수행하고, 인코드된 지오메트리를 기반으로 어트리뷰트를 인코딩하기 위한 어트리뷰트 인코딩을 수행한다. 실시예들에 따른 지오메트리 인코딩 및 어트리뷰트 인코딩은 코딩 알고리즘을 사용하여 수행될 수 있다.
실시예들에 따른 하나 또는 그 이상의 프로세서들(1510)은 지오메트리 인코딩 및 어트리뷰트 인코딩을 각각 수행하는 프로세서들을 포함할 수 있다.
실시예들에 따른 하나 또는 그 이상의 프로세서들(1510)의 지오메트리 인코딩은 도 4에서 설명한 좌표계 변환부(40000), 양자화부(40001), 옥트리 분석부(40002), 서페이스 어프록시메이션 분석부(40003), 아리스메틱 인코더(40004), 및 지오메트리 리컨스트럭션부(40005)의 동작 중 어느 하나 이상, 도 12에서 설명한 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)의 동작 중 어느 하나 이상을 포함할 수 있다.
실시예들에 따른 하나 또는 그 이상의 프로세서들(1510)의 어트리뷰트 인코딩은 도 4에서 설명한 컬러 변환부(40006), 어트리뷰트 변환부(40007), RAHT 변환부(40008), LOD생성부(40009), 리프팅 변환부(40010), 계수 양자화부(40011) 및/또는 아리스메틱 인코더(40012)의 동작 중 어느 하나 이상, 도 12에서 설명한 색상 변환 처리부(12008), 어트리뷰트 변환 처리부(12009), 예측/리프팅/RAHT 변환 처리부(12010), 아리스메틱 (Arithmetic) 코더(12011)의 동작 중 어느 하나 이상을 포함할 수 있다.
도 4에서 설명한 포인트 클라우드 인코더의 엘레멘트들 및 도 12에서 설명한 전송 장치의 엘레멘트들 중 적어도 하나 이상은 하나 또는 그 이상의 프로세서들(1510)의 적어도 하나의 프로세스에 대응할 수 있다.
인코드된 지오메트리는 도 1 내지 도 14에서 설명한 지오메트리 비트스트림으로 출력되고, 인코드된 어트리뷰트는 도 1 내지 도 14에서 설명한 어트리뷰트 비트스트림으로 출력된다. 지오메트리 비트스트림 및 어트리뷰트 비트스트림은 하나의 비트스트림으로 멀티플렉스되어 출력될 수 있다.
도 16은 실시예들에 따른 포인트 클라우드 데이터 처리 방법을 나타내는 플로우 차트이다.
도 16의 플로우 차트(1600)는 도 15에서 설명한 포인트 클라우드 데이터 처리 장치(1500)의 데이터 처리 방법의 예시를 나타낸다. 편의를 위하여 플로우 차트(1600)는 도 15에서 설명한 포인트 클라우드 데이터 처리 장치의 엘레멘트를 중심으로 표현된다. 도 16에 기재된 적어도 하나의 엘레멘트는 도 15에서 설명한 적어도 하나의 프로세서, 도 1에서 설명한 전송 장치(10000), 도 4에서 설명한 포인트 클라우드 인코더(10002), 도 12에서 설명한 전송 장치의 엘레멘트에 대응할 수 있고, 명칭이나 기능은 본 예시에 국한되지 않는다.
포인트 클라우드 데이터 처리 장치의 데이터 입력부는 포인트 클라우드 데이터(지오메트리, 어트리뷰트, 시그널링 정보(또는 파라미터들))을 입력받는다(1601).
포인트 클라우드 데이터 처리 장치의 좌표계 변환부(예를 들면 도 4에서 설명한 좌표계 변환부(40000))는 포지션들을 수신하여 좌표계로 변화할 수 있다(1602). 좌표계 변환부의 동작은 도 4에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
지오메트리 정보 변환 양자화 처리부(예를 들면 도 4의 양자화부(40001), 도 12의 양자화 처리부(12001))는 지오메트리를 양자화한다(1603). 양자화 처리부의 동작은 도 4 및 도 12에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
공간 분할부는 포인트 클라우드 데이처가 분포된 공간을 타일(tile), 슬라이스(slice)등으로 분할할 수 있다(1604).
지오메트리 부호화부(1610)는 도 1 내지 도 14에서 설명한 지오메트리 인코딩을 수행한다. 지오메트리 부호화부(1610) 및 지오메트리 부호화부(1610)의 엘레멘트들은 도 15에서 설명한 프로세서, 하드웨어 인코더, 소프트웨어, 하드웨어 및 소프트웨어의 조합 등으로 구성될 수 있다.
지오메트리 부호화부(1610)에 포함된 복셀화 처리부(예를 들면 도 4의 양자화부(40001), 도 12의 복셀화 처리부(12002))는 양자화된 포인트들을 재구성하기 위해 양자화된 포지션들을 기반으로 복셀화(voxelization)를 수행한다(1611). 복셀화 처리부의 동작은 도 4 및 도 12에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
지오메트리 부호화부(1610)는 지오메트리 코딩 (지오메트리 인코딩) 타입을 판단한다(1612). 도 15에서 설명한 바와 같이 지오메트리 코딩은 옥트리 지오메트리 코딩, 예측 트리 코딩, 트라이숩 지오메트리 인코딩(trisoup geometry encoding) 을 포함한다. 지오메트리 코딩이 옥트리 지오메트리 코딩을 나타내면, 옥트리 생성부는 옥트리를 생성하여 옥트리 지오메트리 코딩을 수행한다(1613-1). 지오메트리 코딩이 예측 트리 코딩을 나타내면, 예측 트리 생성부는 예측 트리를 생성하여 예측 트리 코딩을 수행한다(1613-2). 지오메트리 코딩이 트라이숩 지오메트리 코딩을 나타내면, 트라이숩 생성부는 옥트리를 생성하여 트라이숩 지오메트리 코딩을 수행한다(1613-3). 예측 결정부는 생성된 예측 트리를 기반으로 RDO(Rate Distortion Optimization)를 수행하여 최적의 예측 모드를 선택할 수 있고, 선택된 최적의 예측 모드를 기반으로 예측값을 생성할 수 있다(1614). 실시예들에 따른 지오메트리 위치 재구성부(예를 들면 도 4의 지오메트리 리컨스트럭션부(40005))는 옥트리 지오메트리 코딩, 에측 트리 인코딩 및 트라이숩 지오메트리 코딩 중 적어도 하나의 방식으로 처리된 지오메트리를 재구성하고, 복원 지오메트리를 출력한다(1614). 지오메트리 위치 재구성부의 동작은 도 4 및 도 12에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
엔트로피 부호화부는 엔트로피(예를 들면 도 12에서 설명한 아리스메틱 코더(12006))는 예측된 값과의 잔차값을 엔트로피 코딩하여 지오메트리 비트스트림을 출력한다. 엔트로피 부호화부의 동작은 도 4 및 도 12에서 설명한 바와 동일하므로 구체적인 설명은 생략한다. 엔트로피 부호화부는 지오메트리 부호화부(1610)에 포함될 수 있다.
복원된 지오메트리는 어트리뷰트 부호화부(1630)으로 전달된다. 어트리뷰트 부호화부(1630)는 도 1 내지 도 14에서 설명한 어트리뷰트 인코딩을 수행한다. 어트리뷰트 부호화부(1630)는 도 15에서 설명한 프로세서, 하드웨어 인코더, 소프트웨어, 하드웨어 및 소프트웨어의 조합 등으로 구성될 수 있다.
어트리뷰트 인코딩은 도 1 내지 도 14에서 설명한 바와 동일하므로 구체적인 설명은 생략한다. 인코드된 어트리뷰트는 비트스트림 형태로 출력된다.
도 15 내지 도 16에서 설명한 바와 같이 포인트 클라우드 데이터 처리 장치(또는 예측 결정부)는 포인트들을 정렬하여 예측 트리를 생성하고 예측 트리 코딩을 수행할 수 있다. 예측 트리 코딩은 포인트 클라우드 데이터 전체에 대응하는 시퀀스, 타일(tile), 슬라이스(slice) 레벨에서 적용될 수 있다. 실시예들에 따른 포인트 클라우드 데이터 처리 장치는 포인트들을 기준(예를 들면 몰톤 코드, azimuth 등)에 따라 정렬하고 kd트리를 생성하여 예측 트리를 생성한다.
그러나 콘텐트의 특성에 따라 포인트들의 밀집도(density)가 일정하지 않으므로 동일한 아지무스 또는 동일한 라디우스(radius, 반지름) 상에 실제로 더 가까운 포인트들이 존재할 수 있다. 즉, 콘텐트의 특성을 고려하지 않고 하나의 기준으로만 포인트를 정렬하면 예측 트리를 구성하기 위한 최적의 포인트들의 순서를 확보하지 못할 수 있다. 또한 예측 트리를 기반으로 확보된 잔차값이 커지면 비트스트림의 사이즈가 커지므로 효율적인 압축을 저해한다.
따라서 실시예들에 따른 포인트 클라우드 데이터 처리 장치는 예측 트리 코딩을 수행함에 있어서 콘텐트의 특성을 고려하여 포인트들을 정렬하고 예측 트리를 생성한다.
실시예들에 따른 포인트 클라우드 데이터 처리 장치는 포인트들을 몰톤 코드(Morton code), 라디우스(radius), 아지무스(azimuth), 엘러베이션(elevation), LiDAR 센서 ID 또는 캡쳐된 시간 순서 등의 다양한 기준으로 정렬할 수 있다. 실시예들에 따른 기준은 콘텐트의 특성에 따라 변경된다. 예를 들어 LiDAR 장비로 캡쳐된 스피닝 데이터 (spinning data) 형태를 갖는 콘텐트는 아지무스 기반으로 정렬하여 예측 트리를 생성하는 것이 보다 효율적이다. 이러한 정렬 방법은 시그널링 정보를 통해 포인트 클라우드 데이터 수신 장치로 전송된다.
실시예들에 따른 예측 트리는 적어도 하나 또는 그 이상의 예측 트리 생성 방법으로 생성된다. 예측 트리 생성 방법을 표현하는 예측 트리 생성 의사 코드(pseudo code)는 지오메트리 인코딩 및 지오메트리 디코딩에 사용되는 코딩 알고리즘을 표현하기 위해 사용된다. 또한 실시예들에 따른 예측 트리 생성 방법과 관련된 정보는 비트스트림에 포함된 예측 트리와 관련된 시그널링 정보를 통해 포인트 클라우드 데이터 수신 장치로 전송된다.
포인트들이 정렬된 순서를 기반으로 예측 트리를 생성하는 경우, 실시예들에 따른 정렬된 순서 기반 예측 트리 생성 방법을 나타내는 예측 트리 생성 의사코드는 다음과 같이 표현된다.
Points[]: 모든 포인트들의 배열을 나타낸다
pointCount: 전체 포인트 개수를 나타낸다.
KDTree(kd 트리): 이웃 노드 검색을 위해 사용하는 kd 트리를 나타낸다.
1. for (i=0; I < pointCount; i++) {
A. P = Points[i]: 순차적으로 정렬되어 입력되는 i번째 포인트를 나타낸다.
B. 포인트 P와 가까운 이웃을 kd 트리 에서 검색한다.
C. 검색 결과가 없으면 포인트 P를 kd 트리에 노드로 등록한다.
D. 검색 결과가 있으면, kd 트리의 해당 노드와 연결된 원본(original) 노드의 자식(child)이 몇 개인지 체크하고, 3개 이하이면, 해당 원본 노드의 자식으로 등록하고, 3개 이상이면 다음 가까운 노드를 체크하고 3개 이하이면 해당 노드를 자식으로 등록 한다.
E. 포인트 P의 예측된(predicted) 결과(3개, 자기 자신 제외)들을 Kd트리의 노드로 등록 한다.
2. }
과정 E에서 포인트 P의 예측된 결과는 부모 노드로부터 예측된 결과, 조부모 및 부모 노드로부터 예측된 결과, 증조부모, 조부모, 및 부모 노드로부터 예측 된 결과 중 어느 하나에 대응한다.
실시예들에 따른 예측 트리는 영향을 가장 많이 주는 포인트를 루트 노드로 설정하고, 영향력을 기반으로 생성될 수 있다. 실시예들에 따른 영향력은 다른 포인트들의 이웃 포인트로 선택된 정도, 이웃 포인트로 등록된 색상과의 유사성 등을 기반으로 결정될 수 있다.
실시예들에 따른 거리 기준 영향력 기반 예측 트리 생성 방법을 나타내는 예측 트리 생성 의사코드는 다음과 같이 표현된다.
Points[] : 모든 포인트들의 배열을 나타낸다
pointCount: 전체 포인트 개수를 나타낸다.
second_sorted_indexes[] : 상술한 의사코드에 따라 최종 정렬된 포인트의 인덱스 배열을 나타낸다.
KDTree(kd 트리): 이웃 노드 검색을 위해 사용하는 kd 트리를 나타낸다.
max_distance : 부모 노드가 될 수 있는 최대 거리
1. for (i=0; I < pointCount; i++) {
A. P = Points[i]: 순차적으로 정렬되어 입력되는 i번째 포인트를 나타낸다.
B. 포인트 P와 가까운 이웃을 Kd트리에서 검색한다.
C. 검색 결과가 없으면 포인트 p를 Kd트리에 노드로 등록한다.
D. 검색 결과가 있으면,
i. 검색된 3개 포인트들과 대상 포인트간의 거리가 max_distance보다 작으면 연결된 node(original) 의 자식으로 등록한다.
E. P의 예측된(predicted) 결과(3개, 자기 자신 제외)들을 Kd트리의 노드로 등록 한다.
2. }
과정 E에서 포인트 P의 예측된 결과는 부모 노드로부터 예측된 결과, 조부모 및 부모 노드로부터 예측된 결과, 증조부모, 조부모, 및 부모 노드로부터 예측 된 결과 중 어느 하나에 대응한다.
실시예들에 따른 영향력은 대상 포인트가 대응하는 노드의 자식 노드(children nodes)의 개수에 따라 결정될 수 있다. 즉, 자식 노드들의 개수가 많을수록 영향력이 높은 것으로 간주된다. 동일한 개수의 자식 노드들을 갖는 포인트들이 둘 이상이면, 포인트들의 인덱스 순서상 빠른 포인트를 선택하거나, 노드와 자식 노드들과의 어트리뷰트 유사성을 고려하여 영향력이 높은 포인트를 선택할 수 있다.
자식 노드들의 개수를 기반으로 영향력을 결정하는 경우, 실시예들에 따른 예측 트리 생성 의사코드는 다음과 같이 표현된다.
1. 가장 자식 노드들의 개수가 많은 노드를 루트 노드(root node)로 선택한다.
2. 루트 노드로부터 자식 노드들의 개수가 많은 3개의 노드들을 자식 노드들로 등록한다.
3. 모든 노드들이 예측 트리에 등록 될 때까지 반복한다. (1단계로 순회)
즉, 포인트 클라우드 데이터 처리 장치는 상술한 거리 기준 영향력 기반 예측 트리 생성 방법을 나타내는 예측 트리 생성 의사코드에 따라 3개 또는 그 이상의 자식 노드들을 등록하고, 자식 노드들의 개수를 기반으로 영향력이 높은 3개의 자식 노드들을 선택적으로 등록할 수 있다.
실시예들에 따른 예측 트리는 영향력이 높은 포인트를 루트 노드로 결정하여 생성되므로 레지듀얼(residual) 값(잔차값)이 작은 포인트들이 이웃 노드로 선택될 가능성이 높다. 따라서 레지듀얼 값이 감소하므로 비트스트림의 사이즈가 줄어드는 효과가 있다.
실시예들에 따른 영향력은 포인트들간의 어트리뷰트 유사성을 기반으로 결정될 수 있다.
실시예들에 다른 어트리뷰트 유사성 기준 영향력 기반 예측 트리 생성 의사코드는 다음과 같다.
1. for (i=0; I < pointCount; i++) {
A. P = Points[i]: 순차적으로 입력되는 포인트를 나타낸다.
B. 포인트 P와 가까운 이웃을 Kd트리에서 검색한다.
C. 검색 결과가 없으면 포인트 p를 Kd트리에 노드로 등록한다.
D. 검색 결과가 있으면,
i. 검색된 3개 포인트들과 대상 포인트간의 거리가 max_distance보다 작으면 연결된 node(original) 의 자식으로 등록한다.
E. P의 예측된(predicted) 결과(3개, 자기 자신 제외)들을 Kd트리의 노드로 등록 한다.
2. }
3. for (i=0; I < pointCount; i++) {
i. P = Points[i]
ii. P와 연결된 노드의 자식 노드(children)들의 속성 평균값을 계산 (평균값은 절대 평균값 또는 노드사이의 거리를 weight로 적용한 가중치 기반 평균값으로 계산 가능)
4. }
실시예들에 따른 영향력은 노드와 해당 노드의 노드의 자식 노드들과의 어트리뷰트 유사성에 따라 결정될 수 있다. 즉, 영향력은 노드의 어트리뷰트와 자식 노드들의 평균(또는 가중치 기반 평균) 어트리뷰트 값과의 차이가 작을수록 높을수록 간주된다. 어트리뷰트 유사성이 높은 노드가 1개 이상인 경우, 실시예들에 따른 포인트 클라우드 처리 장치는 상술한 거리 기준 영향력을 함께 고려하여 예측 트리를 생성할 수 있다.
실시예들에 따른 어트리뷰트 유사성 기준 예측 트리 생성 의사코드는 다음과 같다.
1. 노드의 어트리뷰트(예를 들면 색상)과 자식 노드의 어트리뷰트 평균값의 차이가 가장 작은 노드를 루트 노드(root node)로 선택한다.
2. 어트리뷰트 차이값이 가장 작은 노드가 여러 개 존재하는 경우, 자식 노드들의 개수가 가장 많은 노드를 루트 노드로 선택한다.
3. 루트 노드부터 어트리뷰트 유사성이 높은 3개의 노드들을 자식 노드들로 등록한다.
4. 모든 노드들이 트리에 등록될때까지 1부터의 과정을 반복 수행한다.
즉, 포인트 클라우드 데이터 처리 장치는 상술한 거리 기준 영향력 기반 예측 트리 생성 방법을 나타내는 예측 트리 생성 의사코드에 따라 3개 또는 그 이상의 자식 노드들을 등록하고, 어트리뷰트 유사성 기준 영향력이 높은 3개의 자식 노드들을 선택적으로 등록할 수 있다.
실시예들에 따른 예측 트리는 영향력이 높은 포인트들로부터 구성되므로 레지듀얼 값이 작은 포인트들이 이웃 노드들로 선택될 가능성이 높아 비트스트림 사이즈를 줄일 수 있다.
실시예들에 따른 어트리뷰트 유사성은 유클리디언 컬러 디스턴스(Euclidian color distance) 측정 방법, CCT (Correlated Color Temperature, 색온도) 측정 방법, CIE94 (색차모델) 측정 방법 중 적어도 어느 하나 이상을 기반으로 측정될 수 있다.
실시예들에 따른 유클리디언 컬러 디스턴스를 측정하는 방법은 다음의 수학식으로 표현된다.
Figure PCTKR2021007076-appb-img-000004
위에 기재된 바와 같이 어트리뷰트가 컬러를 나타내면, 컬러 디스턴스(color distance)는 두 포인트들의 RGB 값(예를 들면 제 1 포인트의 RGB 값인 R1, G1, B1, 제 2 포인트의 RGB 값인 R2, G2, B2)의 차이를 기반으로 측정된다.
Figure PCTKR2021007076-appb-img-000005
위에 기재된 바와 같이 어트리뷰트가 반사율을 나타내면, 반사율 디스턴스(reflectance 는 두 포인트들의 RGB 값의 차이를 기반으로 측정된다.
실시예들에 따른 CCT 측정 방법은 다음의 수학식으로 표현된다.
Figure PCTKR2021007076-appb-img-000006
수학식에서 X, Y, Z는 CIE 삼차극치값들(tristimulus values)을 나타내고, RGB는 RBG 값을 나타낸다. (x,y)는 색도계 색도(colorimeter chromaticity) 좌표를 나타낸다. CCT는 RGB 값을 CIE(XYZ)값으로 변경하고, 색채(chromatic)값으로 정규화하여 계산된다. 수학식에 포함된 상수는 코릴레이션 매트릭스 내의 엘레멘트들이다. CCT는 아래의 수학식과 같이 특정 (x,y) 에 대해 2도 켈빈(2 degree Kelvin) 미만인 절대 오차 값과 Mc Camy's formular를 사용하여 결정된다.
Figure PCTKR2021007076-appb-img-000007
실시예들에 따른 CIE94 (색차모델) 측정 방법은 다음의 수학식으로 표현된다.
Figure PCTKR2021007076-appb-img-000008
여기서 E94 는 CIE94 모델의 디스턴스 메트릭스 델타 E를 나타낸다. 파라미터 L, a 및 b는 CIELAB 컬러 스페이스의 파라미터들로서 각 컬러C1, C2를 나타낸다. Hab는 두 색상의 동일한 크로마 원들의 코드 길이의 산술 평균에 대응한다.
실시예들에 따른 예측 트리는 정렬된 포인트들의 순서를 기반으로 N번째 포인트(예를 들면 중앙 인덱스 값에 대응하는 포인트)를 루트 노드로 등록하고, 오른쪽 왼쪽 순으로 포인트들을 순회하여 생성될 수 있다. 중앙 인덱스 값에 대응하는 중앙 위치 기준 또는 N번째 위치 기준으로 예측 트리를 생성하는 방법을 나타내는 예측 트리 생성 의사 코드는 다음과 같이 표현된다.
ctrIdx: 정렬된 포인트들의 중앙 인덱스, 또는 N번째 인덱스를 나타낸다.
prevIdx: 이전 인덱스를 나타낸다.
pointCount: 전체 포인트 개수를 나타낸다.
1. ctrIdx = pointCount/2, 중앙 인덱스 (전체 포인트들의 개수의 절반) 또는 임의의 N번째 인덱스에 대응하는 포인트를 나타낸다.
2. direction = 중앙 인덱스의 오른쪽 방향으로 순회를 시작한다.
3. prevIdx = ctrIdx: 이전 인덱스는 중앙 인덱스 또는 임의의 N번째 인덱스임을 나타낸다.
4. for (i=ctrIdx; (i>=0) && (i < pointCount); ) {
A. P = Points[i]: ctrIdx 에 대응하는 i 번째 포인트를 나타낸다. i는 0보다 크거나 같고, 전체 포인트의 개수보다 작다.
B. 포인트 P와 가까운 이웃을 Kd트리에서 검색한다.
C. 검색 결과가 없으면 포인트 p를 Kd트리에 노드로 등록한다.
D. 검색 결과가 있으면, kd 트리의 해당 노드와 연결된 원본(original) 노드의 자식(child)이 몇 개인지 체크하고, 3개 이하이면, 해당 원본 노드의 자식으로 등록하고, 3개 이상이면 다음 가까운 노드를 체크하고 3개 이하이면 해당 노드를 자식으로 등록 한다.
E. 포인트 P의 예측된(predicted) 결과(3개, 자기 자신 제외)들을 Kd트리의 노드로 등록 한다.
F. If direction = 오른쪽:
1. direction = 왼쪽: 왼쪽으로 순회한다, i = prevIdx -1
G. else
1. direction = 오른쪽: 오른쪽으로 순회한다, i = prevIdx +1
H. prevIdx = i
5. }
포인트 P의 예측된 결과는 부모 노드로부터 예측된 결과, 조부모 및 부모 노드로부터 예측된 결과, 증조부모, 조부모, 및 부모 노드로부터 예측 된 결과 중 어느 하나에 대응한다. Kd트리에 입력되는 순서는 정렬된 포인트들의 양방향으로 퍼지므로, 더 가까운 포인트들을 찾을 확률이 높다. 따라서 잔차값을 줄여 비트스트림의 사이즈를 줄일 수 있다.
실시예들에 따른 포인트 클라우드 데이터 전송 장치(예를 들면 도 15의 포인트 클라우드 데이터 처리 장치) 지오메트리 부호화부(1610)(또는 예측 트리 생성부)는 비트스트림의 전체 시퀀스(비트스트림을 통해 전송되는 포인트들) 및/또는 타일, 슬라이스 등의 일부 포인트 클라우드에 대하여 예측 트리와 관련된 시그널링 정보를 입력 받고 예측 트리 코딩(또는 예측 트리 지오메트리 코딩)을 수행할 수 있다. 예를 들어 포인트 클라우드 데이터 전송 장치는 포인트들의 정렬 방법(예를 들면 몰톤 코드 순서, 라디우스 순서 등)에 대한 정보를 입력 받고 포인트들을 정렬할 수 있다. 또한 포인트 클라우드 데이터 전송 장치는 상술한 예측 트리 생성 방법에 대한 정보를 입력 받고, 입력된 정보에 따라 코딩 알고리즘(예를 들면 상술한 예측 트리 생성 의사코드)를 사용하여 예측 트리를 생성할 수 있다. 실시예들에 따른 예측 트리 생성 방법은 상술한 정렬된 순서 기반 예측 트리 생성 방법, 거리 기준 영향력 기반 예측 트리 생성 방법, 어트리뷰트 유사성 기준 영향력 기반 예측 트리 생성 방법, 정렬된 순서에서 N 번째 위치 또는 중앙 위치 기준 예측 트리 생성 방법 중 적어도 어느 하나에 대응한다. 예측 트리 생성 방법은 포인트 클라우드 데이터의 콘텐트 특성, 서비스 타입 등을 기반으로 선택될 수 있다. 실시예들에 따른 포인트 클라우드 데이터 전송 장치는 거리 기준 영향력 기반 예측 트리 생성 방법으로 예측 트리를 생성하는 경우, 부모 노드가 될 수 있는 최대 거리 값(예를 들면 max_distance)를 입력 받는다. 포인트 클라우드 데이터 전송 장치는 부모 노드 선택을 위한 이웃 예측 포인트를 검색하고, 검색된 포인트들과의 거리가 최대 거리 값보다 작은 포인트들만을 자식 노드로 등록할 수 있다. 실시예들에 따른 포인트 클라우드 데이터 전송 장치는 콘텐트를 분석하여 최대 거리 값을 자동으로 설정 또는 계산할 수 있다.
포인트 클라우드 데이터 전송 장치는 어트리뷰트 유사성 측정 방법(예를 들면 유클리디언 컬러 디스턴스 측정 방법, CCT 측정 방법, CIE94 측정 방법 등)과 관련된 정보를 입력 받고 어트리뷰트 유사성을 계산할 수 있다. 실시예들에 따른 포인트 클라우드 데이터 전송 장치는 거리 기준 영향력 기반 예측 트리 생성 방법 및 어트리뷰트 유사성 기준 영향력 기반 예측 트리 생성 방법 중 적어도 어느 하나를 기반으로 예측 트리를 생성하는 경우, 어트리뷰트 유사성을 측정할 수 있다.
포인트 클라우드 데이터 전송 장치는 예측 트리 생성부는 정렬된 순서에서 N 번째 위치 또는 중앙 위치 기준 예측 트리 생성 방법으로 예측 트리를 생성하는 경우, N값과 관련된 정보를 입력 받는다.
또한 실시예들에 따른 포인트 클라우드 데이터 전송 장치는 예측 트리와 관련된 시그널링 정보를 생성하고, 이를 포함하는 비트스트림을 포인트 클라우드 데이터 수신 장치(예를 들면 도 1, 도 13, 도 14 및 도 16에서 설명한 포인트 클라우드 데이터 수신 장치)로 전송할 수 있다. 실시예들에 따른 포인트 클라우드 디코더(예를 들면 도 1, 도 13-도 14 및 도 16에서 설명한 포인트 클라우드 디코더)는 예측 트리와 관련된 시그널링 정보를 기반으로 포인트 클라우드 데이터 처리 장치의 예측 트리 코딩의 복호화 과정 (decoding operation)인 예측 트리 디코딩(또는 예측 트리 지오메트리 디코딩)을 수행할 수 있다.
도 17은 실시예들에 따른 비트스트림의 구성을 나타낸다.
포인트 클라우드 데이터 처리 장치(예를 들면 도 1, 도 12 및 도 14에서 설명한 전송 장치)는 부호화된 포인트 클라우드 데이터를 비트스트림의 형태로 전송할 수 있다. 비트스트림은 포인트 클라우드 데이터(또는 포인트 클라우드 프레임)의 표현을 형성하는 비트들의 시퀀스이다.
포인트 클라우드 데이터(또는 포인트 클라우드 프레임)은 타일들 및 슬라이스들로 분할될 수 있다.
포인트 클라우드 데이터는 멀티플 슬라이스들(multiple slices)로 분할(partition)될 수 있으며, 비트스트림 내에서 인코드된다. 하나의 슬라이스는 포인트들의 집합으로, 인코드된 포인트 클라우드 데이터의 전체 또는 부분을 나타내는 신텍스 엘레먼트의 시리즈들로 표현된다. 하나의 슬라이스들은 다른 슬라이스들에 대하여 의존성을 가질 수도 있고 가지지 않을 수도 있다. 또한 하나의 슬라이스는 하나의 지오메트리 데이터 유닛(geometry data unit)을 포함하며, 하나 이상의 어트리뷰트 데이터 유닛(attribute data unit)들을 가질 수도 있고, 가지지 않을 수도 있다(zero attribute data unit). 상술한 바와 같이 어트리뷰트 인코딩은 지오메트리 인코딩을 기반으로 수행되므로 어트리뷰트 데이터 유닛은 동일한 슬라이스 내의 지오메트리 데이터 유닛에 기반한다. 즉, 포인트 클라우드 데이터 수신 장치(예를 들면 예를 들면 수신 장치(10004) 또는 포인트 클라우드 비디오 디코더(10006))는 디코드된 지오메트리 데이터를 기반으로 어트리뷰트 데이터를 처리할 수 있다. 따라서 슬라이스 내에서 지오메트리 데이터 유닛은 반드시 연관된 어트리뷰트 데이터 유닛들보다 먼저 나타난다. 슬라이스 내의 데이터 유닛들은 반드시 연속적이며, 슬라이스들간의 순서는 특정되지 않는다.
타일(tile)은 바운딩 박스(예를 들면 도 5에서 설명한 바운딩 박스)내의 직사각형 직육면체(3차원)이다. 바운딩 박스는 하나 또는 그 이상의 타일들을 포함할 수 있다. 하나의 타일은 다른 타일과 전부 또는 일부 오버랩될 수 있다. 하나의 타일은 하나 또는 그 이상의 슬라이스들을 포함할 수 있다.
따라서 포인트 클라우드 데이터 처리 장치는 중요도에 따라 타일에 대응하는 데이터를 처리하여 고품질의 포인트 클라우드 콘텐트를 제공할 수 있다. 즉, 실시예들에 따른 포인트 클라우드 데이터 처리 장치는 사용자에게 중요한 영역에 대응하는 데이터¸ 더 좋은 압축 효율과 적절한 레이턴시를 갖는 포인트 클라우드 컴프레션 코딩 처리할 수 있다.
실시예들에 따른 비트스트림은 시그널링 정보 및 복수 개의 슬라이스들 (slice 0, …, slice n)을 포함한다. 도면에 도시된 바와 같이 시그널링 정보는 비트스트림 내에서 슬라이스들보다 먼저 나타난다. 따라서 포인트 클라우드 데이터 수신 장치는 시그널링 정보를 먼저 확보하고, 시그널링 정보를 기반으로 복수개의 슬라이스들을 순차적으로 또는 선택적으로 처리할 수 있다. 도면에 도시된 바와 같이 슬라이스 0(slice0)는 하나의 지오메트리 데이터 유닛(Geom00) 및 두 개의 어트리뷰트 데이터 유닛들(Attr00, Attr10)을 포함한다. 또한 지오메트리 데이터 유닛은 동일한 슬라이스 내에서 어트리뷰트 데이터 유닛보다 먼저 나타난다. 따라서 포인트 클라우드 데이터 수신 장치는 지오메트리 데이터 유닛(또는 지오메트리 데이터)를 먼저 처리(디코드)하고, 처리된 지오메트리 데이터를 기반으로 어트리뷰트 데이터 유닛(또는 어트리뷰트 데이터)를 처리한다. 실시예들에 따른 시그널링 정보는 시그널링 데이터, 메타데이터 등으로 호칭 가능하며, 예시에 국한되지 않는다. 또한 실시예들에 따른 시그널링 정보는 포인트 클라우드 데이터 전송 장치 (예를 들면 도 12에서 설명한 메타데이터 처리부(12007))에서 생성되고, 포인트 클라우드 데이터 수신 장치(예를 들면 도 13에서 설명한 메타데이터 파서(13006)등)에서 파싱되어 디코딩에 사용될 수 있다.
실시예들에 따른 시그널링 정보는 SPS(Sequence Parameter Set), GPS (Geometry Parameter set) 및 하나 또는 그 이상의 APS(Attribute Parameter Set)들을 포함한다. SPS는 프로파일, 레벨 등 시퀀스 전체에 대한 인코딩 정보로서, 픽처 해상도, 비디오 포멧 등 시퀀스 전체에 대한 포괄적인 정보(시퀀스 레벨)를 포함할 수 있다. GPS는 시퀀스(비트스트림) 내에 포함된 지오메트리에 적용된 지오메트리 인코딩에 대한 정보이다. GPS는 옥트리 (예를 들면 도 6에서 설명한 옥트리)에 대한 정보, 옥트리 뎁스에 대한 정보 등을 포함할 수 있다. APS는 시퀀스(비트스트림)내 포함된 어트리뷰트에 적용된 어트리뷰트 인코딩에 대한 정보이다. 도면에 도시된 바와 같이 비트스트림은 어트리뷰트를 식별하는 식별자에 따라 하나 또는 그 이상의 APS(예를 들면 도면에 도시된 APS0, APS1..)를 포함한다.
실시예들에 따른 시그널링 정보는 타일에 대한 정보(예를 들면 tile inventory)를 더 포함할 수 있다. 타일에 대한 정보는 타일 식별자, 타일 크기 등에 대한 정보를 포함할 수 있다. 실시예들에 따른 시그널링 정보는 시퀀스, 즉 비트스트림 레벨의 정보로서, 해당 비트스트림에 적용된다. 또한 시그널링 정보는 신택스 엘레멘트 (syntax element) 및 이를 설명하는 디스크립터(Descriptor)를 포함하는 신택스 구조를 갖는다. 신택스를 설명하기 위하여 수도 코드 (pseudo code)가 사용될 수 있다. 또한 포인트 클라우드 수신 장치(예를 들면 도 1의 수신 장치(10004), 도 10 및 도 11의 포인트 클라우드 디코더, 도 13의 수신 장치)는 신택스 내에서 나타나는 신택스 엘레멘트를 순차적으로 파싱하여 처리할 수 있다.
도면에 도시되지 않았으나 실시예들에 따른 지오메트리 데이터 유닛 및 어트리뷰트 데이터 유닛은 각각 지오메트리 헤더 및 어트리뷰트 헤더를 포함한다. 실시예들에 따른 지오메트리 헤더 및 어트리뷰트 헤더는 해당 슬라이스 레벨에서 적용되는 시그널링 정보로서 상술한 신택스 구조를 갖는다.
실시예들에 따른 지오메트리 헤더는 해당 지오메트리 데이터 유닛을 처리하기 위한 정보(또는 시그널링 정보)를 포함한다. 따라서 지오메트리 헤더는 해당 지오메트리 데이터 유닛 내에서 가장 먼저 나타난다. 포인트 클라우드 수신 장치는 지오메트리 헤더를 먼저 파싱하여 지오메트리 데이터 유닛을 처리할 수 있다. 지오메트리 헤더는 전체 지오메트리에 대한 정보를 포함하는 GPS와 연관관계를 갖는다. 따라서 지오메트리 헤더는 GPS에 포함된 gps_geom_parameter_set_id를 특정하는 정보를 포함한다. 또한 지오메트리 헤더는 지오메트리 데이터 유닛이 속한 슬라이스와 관련된 타일 정보(예를 들면 tile_id), 타일 식별자 등을 포함한다.
실시예들에 따른 어트리뷰트 헤더는 해당 어트리뷰트 데이터 유닛을 처리하기 위한 정보(또는 시그널링 정보)를 포함한다. 따라서 어트리뷰트 헤더는 해당 어트리뷰트 데이터 유닛 내에서 가장 먼저 나타난다. 포인트 클라우드 수신 장치는 어트리뷰트 헤더를 먼저 파싱하여 어트리뷰트 데이터 유닛을 처리할 수 있다. 어트리뷰트 헤더는 전체 어트리뷰트에 대한 정보를 포함하는 APS와 연관관계를 갖는다. 따라서 어트리뷰트 헤더는 APS에 포함된 aps_attr_parameter_set_id를 특정하는 정보를 포함한다. 상술한 바와 같이 어트리뷰트 디코딩은 지오메트리 디코딩에 기반하므로, 어트리뷰트 헤더는 해당 어트리뷰트 데이터 유닛과 연관된 지오메트리 데이터 유닛을 확정하기 위하여, 지오메트리 헤더 내 포함된 슬라이스 식별자를 특정하는 정보 등을 포함한다.
포인트 클라우드 전송 장치가 도 15 내지 도 16에서 설명한 예측 트리 생성 방법에 기반하여 예측 트리 코딩을 수행하는 경우, 비트스트림 내 시그널링 정보는 예측 트리와 관련된 시그널링 정보(예를 들면 포인트들의 정렬 방법, 예측 트리 생성 방법에 대한 정보 등)를 더 포함할 수 있다. 실시예들에 따른 예측 트리와 관련된 시그널링 정보는 시퀀스 레벨의 시그널링 정보(예를 들면 SPS, APS 등)에 포함되거나, 슬라이스 레벨(예를 들면 어트리뷰트 헤더 등), SEI message 등에 포함될 수 있다. 실시예들에 따른 포인트 클라우드 수신 장치(예를 들면 도 1의 수신 장치(10004), 도 10 및 도 11의 포인트 클라우드 디코더, 도 13의 수신 장치)는 비트스트림을 수신하고, 예측 트리와 관련된 시그널링 정보를 기반으로 예측 트리 코딩의 복호화 과정인 예측 트리 디코딩을 수행할 수 있다. 구체적으로 포인트 클라우드 수신 장치는 예측 트리와 관련된 시그널링 정보가 시퀀스 레벨에서 시그널되면, 비트스트림의 시퀀스에 대응하는 포인트 클라우드 데이터에 대하여 예측 트리와 관련된 시그널링 정보를 기반으로 예측 트리 디코딩을 수행한다. 포인트 클라우드 수신 장치는 예측 트리와 관련된 시그널링 정보가 타일 레벨에서 시그널되면, 타일에 대응하는 포인트 클라우드 데이터에 대하여 예측 트리와 관련된 시그널링 정보를 기반으로 예측 트리 디코딩을 수행한다. 포인트 클라우드 수신 장치는 예측 트리와 관련된 시그널링 정보가 슬라이스 레벨에서 시그널되면, 슬라이스에 대응하는 포인트 클라우드 데이터에 대하여 예측 트리와 관련된 시그널링 정보를 기반으로 예측 트리 디코딩을 수행한다. 따라서 포인트 클라우드 수신 장치는 포인트 클라우드 데이터 전체 또는 일부 영역(예를 들면 타일, 슬라이스 등)에 대해 시그널링 정보를 기반으로 예측 트리 디코딩을 수행할 수 있다.
도 18은 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 18은 SPS의 신택스 구조로서, 예측 트리와 관련된 시그널링 정보가 시퀀스 레벨의 SPS에 포함된 예시를 나타낸다.
profile_idc: 현재 비트스트림이 따르는 프로필(profile)을 나타낸다.
profile_compatibility_flags: 비트스트림이 따르는 프로필과의 호환성이 있는 프로필이 있는지 여부를 나타낸다.
sps_num_attribute_sets: 비트스트림에 포함된 인코드된 어트리뷰트들의 개수를 나타낸다. sps_num_attribute_sets의 값은 0부터 63까지의 범위 내에 포함된다.
attribute_dimension[ i ]: i번째 어트리뷰트의 컴포넌트들의 개수를 나타낸다.
attribute_instance_id[ i ]: i번째 어트리뷰트의 인스턴스 아이디(instance id)를 나타낸다.
pred_geom_tree_sorting_type: 해당 시퀀스에서 예측 지오메트리 트리 생성시 적용할 포인트들의 정렬 방법을 나타낸다. pred_geom_tree_sorting_type는 0부터 6까지의 값을 가질 수 있으며, 각 값은 다음의 정렬 방법을 나타낸다.
0= 정렬 안 함
1= 몰톤 코드(Morton code) 순서로 정렬
2= 라디우스 (radius) 순서로 정렬
3= 아지무스 (azimuth) 순서로 정렬
4= 엘러베이션(elevation) 순서로 정렬
5= 센서 ID 순서로 정렬
6= 캡처된 시간 순서로 정렬
pred_geom_tree_sorting_type의 값은 변경가능하며 위 예시에 국한되지 않는다.
pred_geom_tree_sorting_type의 값이 0 보다 크면, SPS의 신택스는pred_geom_tree_sorting_ascending_flag를 더 포함한다.
pred_geom_tree_sorting_ascending_flag: 해당 시퀀스에서 예측 트리(또는 예측 지오메트리 트리로 호칭) 생성시 포인트를 먼저 정렬하는 경우 오름차순으로 정렬할지(true) 내림차순으로 정렬할지(false)에 대해 나타낸다. pred_geom_tree_sorting_ascending_flag의 값이 참(true)이면 예측 트리 생성시 포인트들이 오름차순으로 정렬됨을 나타내고, pred_geom_tree_sorting_ascending_flag의 값이 거짓(false)이면 예측 트리 생성시 내림차순으로 정렬됨을 나타낸다. pred_geom_tree_sorting_ascending_flag의 값은 본 예시에 국한되지 않으며 변경가능하다.
pred_geom_tree_build_method: 해당 시퀀스에서의 예측 트리(또는 예측 지오메트리 트리) 생성 방법을 나타낸다.
pred_geom_tree_build_method 는 0부터 4까지의 값을 가질 수 있으며, 각 값은 예측 트리 생성 방법을 나타낸다.
0= 정렬된 순서 기반 예측 트리를 생성하는 방법
1= 거리 기준 영향력 기반으로 예측 트리를 생성하는 방법
2= 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법
3= 정렬된 순서에서 N번째 위치 기준 지그재그 방향 기반으로 예측 트리를 생성하는 방법
4= 정렬된 순서에서 중앙 위치 기준 지그재그 방향 기반으로 예측 트리를 생성하는 방법
pred_geom_tree_build_method의 값은 변경가능하며 위 예시에 국한되지 않는다. 실시예들에 따른 예측 트리 생성 방법에 대한 구체적인 설명은 도 15 내지 도 16에서 설명한 바와 동일하므로 생략한다.
pred_geom_tree_build_method가 거리 기준 영향력 기반으로 예측 트리를 생성하는 방법 또는 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법을 나타내면 SPS의 신택스는 neighbour_attr_different_method를 더 포함한다.
neighbour_attr_different_method: 해당 시퀀스에서 적용할 어트리뷰트 유사성 측정 방법을 나타낸다. neighbour_attr_different_method는 1부터 3까지의 값을 가지며, 각 값은 다음의 측정 방법을 나타낸다.
1= 유클리디언 컬러 디스턴스(Euclidian color distance) 측정 방법
2= CCT (Correlated Color Temperature, 색온도) 측정 방법
3= CIE94 (색차모델) 측정 방법
어트리뷰트 유사성 측정 방법은 상술한 수학식과 동일하므로 구체적인 설명은 생략한다.
pred_geom_tree_build_method가 정렬된 순서에서 N번째 위치 기준 지그재그 방향 기반으로 예측 트리를 생성하는 방법을 나타내면 SPS의 신택스는 pred_geom_tree_N_idx를 포함한다.
pred_geom_tree_N_idx: 해당 시퀀스에서 적용할 루트 (root) 노드의 위치(예를 들면 N번째 인덱스)를 나타낸다.
실시예들에 따른 SPS 신택스는 위 예시에 국한되지 않으며 추가적인 엘레멘트들을 더 포함하거나 시그널링의 효율성을 위해 도면에 도시된 일부 엘레멘트들을 포함하지 않을 수 있다. 일부 엘레멘트들은 SPS가 아닌 다른 시그널링 정보(예를 들면 APS, 어트리뷰트 헤더 등) 또는 어트리뷰트 데이터 유닛을 통해 시그널될 수 있다.
도 19는 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 19는 GPS의 신택스 구조로서, 예측 트리와 관련된 시그널링 정보가 시퀀스 레벨의 GPS에 포함된 예시를 나타낸다. GPS의 신택스는 다음의 엘레멘트를 포함한다.
gps_geom_parameter_set_id: 다른 신택스 엘레멘트에서 참조를 하기 위한 GPS의 식별자를 나타낸다. gps_geom_parameter_set_id의 값은 0부터 15 사이의 범위 내에 포함된다.
gps_seq_parameter_set_id: 액티브 SPS를 위한 sps_seq_parameter_set_id를 특정한다. gps_seq_parameter_set_id의 값은 0부터 15 사이의 범위 내에 포함된다.
GPS의 신택스는 도 18에서 설명한 예측 트리와 관련된 시그널링 정보를 더 포함한다. 예측 트리와 관련된 시그널링 정보에 대한 설명은 도 18에서 설명한 바와 동일하므로 생략한다. 실시예들에 따른 GPS신택스는 위 예시에 국한되지 않으며 추가적인 엘레멘트들을 더 포함하거나 시그널링의 효율성을 위해 도면에 도시된 일부 엘레멘트들을 포함하지 않을 수 있다. 일부 엘레멘트들은 GPS가 아닌 다른 시그널링 정보(예를 들면 APS, 어트리뷰트 헤더 등) 또는 어트리뷰트 데이터 유닛을 통해 시그널될 수 있다.
도 20은 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 20은 타일 파라미터 세트(TPS)의 신택스 구조로서, 예측 트리와 관련된 시그널링 정보가 타일 레벨의 타일 파라미터 세트에 포함된 예시를 나타낸다. 타일 파라미터 세트의 신택스는 다음의 엘레멘트들을 포함한다.
num_tiles: 비트스트림을 위해 시그널되는 타일들의 개수를 나타낸다. 이 정보가 존재하지 않는 경우, 타일의 개수는 0이다.
이하는 num_tiles가 지시하는 개수만큼의 타일들에 대하여 각 타일(i)별로 시그널되는 정보이다.
tile_bounding_box_offset_x[ i ]: 카티지언 좌표계(cartesian coordinates) 내의 i번째 타일의x 축 오프셋(offset)을 나타낸다. 이 정보가 존재하지 않으면 0번째 타일의 오프셋, tile_bounding_box_offset_x[ 0 ] 은 시퀀스 레벨의 바운딩 박스의 x 축 오프셋(offset)을 나타내는 sps_bounding_box_offset_x 로 추론된다.
tile_bounding_box_offset_y[ i ]: 카티지언 좌표계(cartesian coordinates) 내의 i번째 타일의y축 오프셋(offset)을 나타낸다. 이 정보가 존재하지 않으면 0번째 타일의 오프셋, tile_bounding_box_offset_y[ 0 ] 은 시퀀스 레벨의 바운딩 박스의 y 축 오프셋(offset)을 나타내는 sps_bounding_box_offset_y 로 추론된다.
타일 파라미터 세트의 신택스는 도 18에서 설명한 예측 트리와 관련된 시그널링 정보를 더 포함한다. 예측 트리와 관련된 시그널링 정보에 대한 설명은 도 18에서 설명한 바와 동일하므로 생략한다. 다만 타일 파라미터 세트의 신택스에 포함된 예측 트리와 관련된 시그널링 정보는 타일별로 시그널된다는 점에서 차이가 있다. 따라서 포인트 클라우드 데이터 수신 장치(예를 들면 도 1, 도 13, 도 14 및 도 16에서 설명한 포인트 클라우드 데이터 수신 장치)는 예측 트리와 관련된 시그널링 정보를 기반으로 타일별 예측 트리 디코딩을 수행할 수 있다.
실시예들에 따른 타일 파라미터 세트의 신택스는 위 예시에 국한되지 않으며 추가적인 엘레멘트들을 더 포함하거나 시그널링의 효율성을 위해 도면에 도시된 일부 엘레멘트들을 포함하지 않을 수 있다. 일부 엘레멘트들은 타일 파라미터 세트가 아닌 다른 시그널링 정보(예를 들면 APS, 어트리뷰트 헤더 등) 또는 어트리뷰트 데이터 유닛을 통해 시그널될 수 있다.
도 21은 예측 트리와 관련된 시그널링 정보의 신택스 구조의 예시이다.
도 21은 지오메트리 슬라이스 헤더의 신택스 구조로서, 예측 트리와 관련된 시그널링 정보가 슬라이스 레벨의 지오메트리 슬라이스 헤더에 포함된 예시를 나타낸다. 지오메트리 슬라이스 헤더의 신택스는 다음의 엘레멘트들을 포함한다.
gsh_geometry_parameter_set_id: 액티브 GPS의 gps_geom_parameter_set_id의 값을 특정한다.
gsh_tile_id: 지오메트리 슬라이스 헤더에 의해 참조되는 타일의 아이디(tile_id)의 값을 나타낸다. gsh_tile_id의 값은 0에서 임의의 값 사이의 범위 내에 포함된다.
gsh_slice_id: 다른 신택스들에서 참조를 하기 위한 슬라이스 헤더를 식별한다. gsh_slice_id의 값은 0에서 임의의 값 사이의 범위 내에 포함된다.
지오메트리 슬라이스 헤더의 신택스는 도 18에서 설명한 예측 트리와 관련된 시그널링 정보를 더 포함한다. 예측 트리와 관련된 시그널링 정보에 대한 설명은 도 18에서 설명한 바와 동일하므로 생략한다. 다만 지오메트리 슬라이스 헤더의 신택스에 포함된 예측 트리와 관련된 시그널링 정보는 지오메트리 슬라이스 별로 시그널된다는 점에서 차이가 있다. 따라서 포인트 클라우드 데이터 수신 장치(예를 들면 도 1, 도 13, 도 14 및 도 16에서 설명한 포인트 클라우드 데이터 수신 장치)는 예측 트리와 관련된 시그널링 정보를 기반으로 슬라이스별 예측 트리 디코딩을 수행할 수 있다.
실시예들에 따른 지오메트리 슬라이스 헤더의 신택스는 위 예시에 국한되지 않으며 추가적인 엘레멘트들을 더 포함하거나 시그널링의 효율성을 위해 도면에 도시된 일부 엘레멘트들을 포함하지 않을 수 있다. 일부 엘레멘트들은 지오메트리 슬라이스 헤더가 아닌 다른 시그널링 정보(예를 들면 어트리뷰트 헤더 등) 또는 어트리뷰트 데이터 유닛을 통해 시그널될 수 있다.
도 22는 실시예들에 따른 포인트 클라우드 데이터 처리 장치의 블록도의 예시이다.
도 22에 도시된 포인트 클라우드 데이터 처리 장치(2400)은 도 1에서 설명한 수신 장치(10004), 도 10내지 도 11에서 설명한 포인트 클라우드 디코더, 도 13에서 설명한 수신 장치의 예시이다. 도 22에 도시된 포인트 클라우드 데이터 처리 장치(2400)는 도 15에서 설명한 포인트 클라우드 데이터 처리 장치(1500)의 동작에 대응하는 디코딩 동작을 수행한다. 실시예들에 따른 포인트 클라우드 데이터 처리 장치(2400)는 하나 또는 그 이상의 프로세서들(One or more processors)(2410) 및 하나 또는 그 이상의 프로세서들과 전기적, 통신적으로 연결된(coupled with) 하나 또는 그 이상의 메모리들(One or more memories)(2420)을 포함한다. 도면에는 편의를 위해 하나의 블록으로 표현되어 있으나 하나 또는 그 이상의 프로세서들(2410)은 물리적으로 분리된 하나 또는 그 이상의 하드웨어 프로세스들로 구성되거나, 소프트웨어/하드웨어의 결합 또는 하나의 하드웨어 프로세서로 구성될 수 있다. 실시예들에 따른 하나 또는 그 이상의 프로세서들(2420)은 전기적, 통신적으로 연결(coupled with)될 수 있다. 또한 도면에는 편의를 위해 하나의 블록으로 표현되어 있으나 하나 또는 그 이상의 메모리들(2420)은 물리적으로 분리된 하나 또는 그 이상의 메모리들 또는 하나의 메모리로 구성될 수 있다. 실시예들에 따른 하나 또는 그 이상의 메모리들은 포인트 클라우드 데이터 처리를 위한 하나 또는 그 이상의 프로그램들을 저장할 수 있다.
실시예들에 따른 하나 또는 그 이상의 프로세서들(2410)은 도 1 내지 도 21에서 설명한 비트스트림을 수신하고, 비트스트림에 포함된 시그널링 정보(SPS, GPS, APS 등)를 확보한다. 또한 하나 또는 그 이상의 프로세서들(2410)은 지오메트리 (또는 지오메트리 비트스트림)을 디코딩하기 위한 지오메트리 디코딩을 수행하고, 디코드된 지오메트리를 기반으로 비트스트림에 포함된 어트리브튜(또는 어트리뷰트 비트스트림)을 디코딩하기 위한 어트리뷰트 디코딩을 수행한다. 실시예들에 따른 지오메트리 디코딩은 도 1 내지 도 23에서 설명한 지오메트리 인코딩에 대응하고, 실시예들에 따른 어트리뷰트 디코딩은 도 1 내지 도 23에서 설명한 어트리뷰트 인코딩에 대응한다. 실시예들에 따른 지오메트리 디코딩 및 어트리뷰트 디코딩은 시그널링 정보가 시그널되는 레벨에 따라 시퀀스 전체, 타일, 슬라이스 단위로 수행될 수 있다. 또한 지오메트리 디코딩 및 어트리뷰트 디코딩은 코딩 알고리즘(예를 들면 도 15내지 도 16에서 설명한 코딩 알고리즘 등)을 이용하여 수행될 수 있다.
실시예들에 따른 하나 또는 그 이상의 프로세서들(2410)은 지오메트리 디코딩 및 어트리뷰트 디코딩을 각각 수행하는 프로세서들을 포함할 수 있다.
실시예들에 따른 하나 또는 그 이상의 프로세서들(2410)의 지오메트리 디코딩은 도 11에서 설명한 아리스메틱 디코더(11000), 옥트리 합성부(11001), 서페이스 오프록시메이션 합성부(11002), 지오메트리 리컨스럭션부(11003), 좌표계 역변환부(11004)의 동작 중 어느 하나 이상을 포함할 수 있다. 실시예들에 따른 하나 또는 그 이상의 프로세서들(2410)의 어트리뷰트 디코딩은 도 11에서 설명한 아리스메틱 디코더(11005), 역양자화부(11006), RAHT 변환부(11007), LOD생성부(11008), 인버스 리프팅부(11009), 및/또는 컬러 역변환부(11010)의 동작 중 어느 하나 이상, 도 12에서 설명한 색상 변환 처리부(12008), 어트리뷰트 변환 처리부(12009), 예측/리프팅/RAHT 변환 처리부(12010), 아리스메틱 (Arithmetic) 코더(12011)의 동작 중 어느 하나 이상을 포함할 수 있다. 또한 실시예들에 따른 하나 또는 그 이상의 프로세서들(2410)은 상술한 예측 트리 생성 의사 코드를 기반으로 예측 트리 디코딩을 수행할 수 있다.
도 10 내지 도 11에서 설명한 포인트 클라우드 인코더의 엘레멘트들 및 도 13에서 설명한 수신 장치의 엘레멘트들 중 적어도 하나 이상은 하나 또는 그 이상의 프로세서들(1510)의 적어도 하나의 프로세스에 대응할 수 있다. 디코드된 지오메트리 및 디코드된 어트리뷰트는 도면에 도시되지 않았으나 렌더러로 전달된다. 포인트 클라우드 데이터의 콘텐트는 렌더링된 지오메트리 및 어트리뷰트를 기반으로 디스플레이부에서 디스플레이될 수 있다.
도 23은 실시예들에 따른 포인트 클라우드 데이터 처리 방법을 나타내는 플로우 차트이다.
도 23의 플로우 차트(2500)는 도 22에서 설명한 포인트 클라우드 데이터 처리 장치(2400)의 데이터 처리 방법의 예시를 나타낸다. 편의를 위하여 플로우 차트(2500)는 도 22에서 설명한 포인트 클라우드 데이터 처리 장치의 엘레멘트를 중심으로 표현된다. 도 23에 기재된 적어도 하나의 엘레멘트는 적어도 하나의 엘레멘트는 도 22에서 설명한 적어도 하나의 프로세서, 도 1에서 설명한 수신 장치(10004), 도 10내지 도 11에서 설명한 포인트 클라우드 디코더, 도 13에서 설명한 수신 장치의 엘레멘트에 대응할 수 있고, 명칭이나 기능은 본 예시에 국한되지 않는다.
포인트 클라우드 데이터 처리 장치는 지오메트리 비트스트림 및 어트리뷰트 비트스트림을 각각 처리할 수 있다. 도 1 내지 도 22에서 설명한 바와 같이 지오메트리 비트스트림 및 어트리뷰트 비트스트림은 하나의 비트스트림내에 멀티플렉스되어 전송/수신 될 수 있다. 포인트 클라우드 데이터 처리 장치(예를 들면 수신 처리부(130010))는 수신한 비트스림으로부터 지오메트리 비트스트림 및 어트리뷰트 비트스트림을 확보할 수 있다. 실시예들에 따른 포인트 클라우드 데이터 처리 장치(예를 들면 메타데이터 파서(13006))는 도 17 내지 도 21에서 설명한 비트스트림에 포함된 시그널링 정보를 확보할 수 있다. 포인트 클라우드 데이터 처리 장치는 지오메트리 비트스트림 및 어트리뷰트 비트스트림을 동시에 처리할 수도 있고, 지오메트리 비트스트림을 먼저 처리한 뒤, 복원된 지오메트리를 기반으로 어트리뷰트 비트스트림을 처리할 수 있다.
포인트 클라우드 데이터 처리 장치의 지오메트리 복호화부(2510)는 지오메트리 비트스트림을 디코딩(복호화)할 수 있다. 지오메트리 복호화부(2510)는 도 1 내지 도 22에서 설명한 지오메트리 디코딩을 수행한다. 지오메트리 복호화부(2510) 및 지오메트리 복호화부(2510)의 엘레멘트들은 도 22에서 설명한 프로세서, 하드웨어 인코더, 소프트웨어, 하드웨어 및 소프트웨어의 조합 등으로 구성될 수 있다.
지오메트리 복호화부(2510)에 포함된 지오메트리 엔트로피 디코더(예를 들면 도 11의 아리스메틱 디코더(11000), 도 13의 아리스메틱 (arithmetic) 디코더(13002))는 지오메트리 비트스트림 내 지오메트리를 아리스메틱 코딩을 기반으로 디코딩할 수 있다(2511). 지오메트리 엔트로피 디코더의 동작은 도 11 및 도 13에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
실시예들에 따른 지오메트리 복호화부(2510)는 도 19 내지 도 22에서 설명한 시그널링 정보를 기반으로 지오메트리에 적용된 지오메트리 코딩 타입을 확인할 수 있다(2512). 상술한 바와 같이 지오메트리 코딩은 옥트리 지오메트리 코딩, 예측 트리 코딩, 트라이숩 지오메트리 인코딩(trisoup geometry encoding) 을 포함한다. 지오메트리 코딩 타입이 옥트리 지오메트리 코딩을 나타내면, 옥트리 재구성부는 옥트리 지오메트리 코딩의 복호화 과정인 옥트리 기반의 코딩(디코딩)을 수행한다(2513-1), 지오메트리 코딩 타입이 에측 트리 코딩을 나타내면 예측 트리 재구성부는 도 15 내지 도 22에서 설명한 예측 트리를 생성하여 예측 트리 코딩(디코딩)을 수행한다(2513-2). 실시예들에 따른 예측 트리 재구성부는 예측 트리 코딩의 복호화 과정인 예측 트리 디코딩(또는 예측 트리 지오메트리 디코딩)을 수행한다. 실시예들에 따른 예측 트리 재구성부는 도 16에서 설명한 예측 트리 생성부의 동작과 동일한 동작을 수행할 수 있다. 예를 들어 예측 트리 재구성부는 도 17내지 도 21에서 설명한 예측 트리와 관련된 시그널링 정보를 기반으로 도 15 내지 도 16에서 설명한 코딩 알고리즘을 이용하여 포인트들을 정렬하고, 예측 트리 생성 방법에 따라 예측 트리를 생성하여 예측 트리 디코딩을 수행할 수 있다. 예측 트리와 관련된 시그널링 정보 및 예측 트리 생성에 관한 설명은 도 15 내지 도 22에서 설명한 바와 동일하므로 생략한다. 또한 실시예들에 따른 예측 트리 디코딩의 명칭은 본 예시에 국한되지 않는다.
실시예들에 따른 지오메트리 위치 재구성부(예를 들면 도 11에서 설명한 지오메트리 리컨스트럭션부(11003))는 지오메트리의 위치를 재구성한다. 지오메트리 위치 재구성의 동작은 도 10 -11 및 13에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
지오메트리 예측부는 위치가 재구성된 지오메트리에 대해 예측 코딩을 수행하여 복원 지오메트리를 출력한다(2515). 복원 지오메트리는 어트리뷰트 복호화부(2520)으로 전달된다.
지오메트리 변환 역양자화 처리부(예를 들면 도 13에서 설명한 인버스 양자화 처리부(13005))는 지오메트리를 역양자화한다. 지오메트레 변환 역양자화 처리부의 동작은 도 10-11 및 도 13에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
좌표계 역변환부(예를 들면 도 11에서 설명한 좌표계 역변환부(11004))는 지오메트리의 좌표계를 변환하여 포인트들의 포지션들을 획득할 수 있다. 좌표계 역변환부의 동작은 도 10-11 및 도 13에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
어트리뷰트 복호화부(2520)는 도 1 내지 도 22에서 설명한 어트리뷰트 디코딩을 수행한다. 어트리뷰트 복호화부(2520)는 도 22에서 설명한 프로세서, 하드웨어 인코더, 소프트웨어, 하드웨어 및 소프트웨어의 조합 등으로 구성될 수 있다. 어트리뷰트 디코딩은 도 1, 도 10-11 및 도 13 에서 설명한 바와 동일하므로 구체적인 설명은 생략한다. 색상 역변환 처리부(예를 들면 도 11의 컬러 역변환부(11010))는 디코딩된 어트리뷰트들에 포함된 컬러 값(또는 텍스쳐)을 역변환하기 위한 역변환 코딩을 수행한다. 색상 역변환 처리부는 어트리뷰트 복호화부(2520)에 포함될 수 있다. 색상 역변환 처리부의 동작은 도 10-11 및 도 13에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
도 23의 플로우 차트(2500)에 도시된 포인트 클라우드 데이터 처리 장치의 동작/처리의 순서는 변경될 수 있으며, 본 예시에 국한되지 않는다.
도 24는 실시예들에 따른 포인트 클라우드 데이터 처리 방법의 예시이다.
도 24의 플로우 차트(2600)는 포인트 클라우드 데이터를 처리하는 디바이스(예를 들면 도 15의 포인트 클라우드 데이터 처리 장치(1500))의 처리 방법을 나타낸다.
실시예들에 따른 디바이스는 포인트 클라우드 데이터를 처리하는 하나 또는 그 이상의 프로세서들 및 하나 또는 그 이상의 프로세서들와 연결된 하나 또는 그 이상의 메모리들을 포함한다.
실시예들에 따른 디바이스(또는 하나 또는 그 이상의 프로세서들)는 포인트 클라우드 데이터의 지오메트리를 인코딩할 수 있다(2610). 지오메트리는 포인트 클라우드 데이터의 포인트들의 위치를 나타낸다. 실시예들에 따른 지오메트리를 인코딩하는 단계는 옥트리, 예측 트리 및 트라이숩 구조 중 어느 하나를 기반으로 수행될 수 있다. 실시예들에 따른 지오메트리를 인코딩하는 방법은 도 1 내지 도 23에서 설명한 지오메트리 인코딩과 동일하므로 구체적인 설명은 생략한다.
실시예들에 따른 디바이스는 디코드된 지오메트리를 기반으로 포인트 클라우드 데이터의 어트리뷰트를 인코딩할 수 있다(2620). 어트리뷰트는 포인트들의 반사율 및 색상 중 적어도 어느 하나 이상을 나타낸다. 실시예들에 따른 어트리뷰트를 인코딩하는 방법은 도 1 내지 도 23에서 설명한 어트리뷰트 인코딩과 동일하므로 구체적인 설명은 생략한다.
인코드된 지오메트리 및 인코드된 어트리뷰트는 비트스트림(예를 들면 도 19에서 설명한 비트스트림)으로 출력된다. 실시예들에 따른 비트스트림은 도 17 내지 도 21에서 설명한 시그널링 정보를 포함한다.
실시예들에 따른 시그널링 정보는 예측 트리와 관련된 정보를 포함할 수 있다. 실시예들에 따른 예측 트리와 관련된 정보는 포인트들의 정렬 타입을 나타내는 타입 정보(예를 들면 도 18 내지 도 21에서 설명한 pred_geom_tree_sorting_type) 및 예측 트리를 생성하기 위한 방법을 나타내는 정보(예를 들면 도 18 내지 도 21에서 pred_geom_tree_building_method)를 포함할 수 있다. 예측 트리를 생성하기 위한 방법을 나타내는 정보는 도 16 에서 설명한 바와 같이 포인트들이 정렬된 순서를 기반으로 예측 트리를 생성하는 방법, 포인트들간의 거리 기준 영향력을 기반으로 예측 트리를 생성하는 방법, 포인트들의 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법, 포인트들이 정렬된 순서에서 N번째 위치를 기준으로 예측 트리를 생성하는 방법 및 포인트들이 정렬된 순서에서 중앙 위치를 기준으로 예측 트리를 생성하는 방법 중 적어도 하나에 대응한다. 실시예들에 따른 예측 트리와 관련된 정보는 도 16 에서 설명한 예측 트리 생성 기반의 지오메트리 코딩(또는 예측 트리 지오메트리 코딩)이 적용된 레벨에 따라, 도 18 내지 도 21에서 설명한 바와 같이 비스트림의 시퀀스 레벨, 타일 레벨 및 슬라이스 레벨 중 적어도 어느 하나의 레벨에서 시그널될 수 있다. 실시예들에 따른 비트스트림 및 시그널링 정보에 대한 내용은 도 1 7 내지 도 21에서 설명한 바와 동일하므로 구체적인 설명은 생략한다.
도 24의 플로우 차트(2600)에 도시된 포인트 클라우드 데이터 처리 방법의 순서는 변경될 수 있으며, 본 예시에 국한되지 않는다.
도 25는 실시예들에 따른 포인트 클라우드 데이터 처리 방법의 예시이다.
도 25의 플로우 차트(2700)는 포인트 클라우드 데이터를 처리하는 디바이스(예를 들면 도 15의 포인트 클라우드 데이터 처리 장치(2200))의 처리 방법을 나타낸다.
실시예들에 따른 디바이스는 포인트 클라우드 데이터를 처리하는 하나 또는 그 이상의 프로세서들 및 하나 또는 그 이상의 프로세서들와 연결된 하나 또는 그 이상의 메모리들을 포함한다.
실시예들에 따른 디바이스는 포인트 클라우드 데이터의 지오메트리를 디코딩한다(2710). 지오메트리는 포인트 클라우드 데이터의 포인트들의 위치를 나타낸다. 실시예들에 따른 지오메트리를 디코딩하는 단계는 옥트리, 예측 트리 및 트라이숩 구조 중 어느 하나를 기반으로 수행될 수 있다. 실시예들에 따른 지오메트리를 디코딩하는 방법은 도 1 내지 도 23에서 설명한 지오메트리 디코딩과 동일하므로 구체적인 설명은 생략한다.
실시예들에 따른 디바이스는 디코드된 지오메트리를 기반으로 포인트 클라우드 데이터의 어트리뷰트를 디코딩한다(2720). 어트리뷰트는 포인트들의 반사율 및 색상 중 적어도 어느 하나 이상을 나타낸다. 실시예들에 따른 어트리뷰트를 디코딩하는 방법은 도 1 내지 도 23에서 설명한 어트리뷰트 디코딩과 동일하므로 구체적인 설명은 생략한다.
실시예들에 따른 포인트 클라우드 데이터는 도 17에서 설명한 비트스트림 형태로 수신되고, 비트스트림은 시그널링 정보를 포함한다. 실시예들에 따른 예측 트리와 관련된 정보는 포인트들의 정렬 타입을 나타내는 타입 정보(예를 들면 도 18 내지 도 21에서 설명한 pred_geom_tree_sorting_type) 및 예측 트리를 생성하기 위한 방법을 나타내는 정보(예를 들면 도 18 내지 도 21에서 pred_geom_tree_building_method)를 포함할 수 있다. 예측 트리를 생성하기 위한 방법을 나타내는 정보는 도 16 에서 설명한 바와 같이 포인트들이 정렬된 순서를 기반으로 예측 트리를 생성하는 방법, 포인트들간의 거리 기준 영향력을 기반으로 예측 트리를 생성하는 방법, 포인트들의 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법, 포인트들이 정렬된 순서에서 N번째 위치를 기준으로 예측 트리를 생성하는 방법 및 포인트들이 정렬된 순서에서 중앙 위치를 기준으로 예측 트리를 생성하는 방법 중 적어도 하나에 대응한다. 실시예들에 따른 예측 트리와 관련된 정보는 도 16 에서 설명한 예측 트리 생성 기반의 지오메트리 코딩(또는 예측 트리 지오메트리 코딩)이 적용된 레벨에 따라, 도 18 내지 도 21에서 설명한 바와 같이 비스트림의 시퀀스 레벨, 타일 레벨 및 슬라이스 레벨 중 적어도 어느 하나의 레벨에서 시그널될 수 있다. 실시예들에 따른 비트스트림 및 시그널링 정보에 대한 내용은 도 1 7 내지 도 21에서 설명한 바와 동일하므로 구체적인 설명은 생략한다. 도 25의 플로우 차트(2700)에 도시된 포인트 클라우드 데이터 처리 방법의 순서는 변경될 수 있으며, 본 예시에 국한되지 않는다.
도 1 내지 도 25에서 설명한 실시예들에 따른 포인트 클라우드 데이터 처리 장치의 구성요소들은 메모리와 결합된 하나 또는 그 이상의 프로세서들을 포함하는 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 결합으로 구현될 수 있다. 실시예들에 따른 디바이스의 구성요소들은 하나의 칩, 예를 들면 하나의 하드웨어 서킷으로 구현될 수 있다. 또한 실시예들에 따른 포인트 클라우드 데이터 처리 장치의 구성요소들은 각각 별도의 칩들로 구현될 수 있다. 또한 실시예들에 따른 포인트 클라우드 데이터 처리 장치의 구성요소들은 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 도 1 내지 도 25에서 설명한 포인트 클라우드 데이터 처리 장치의 동작/방법들 중 어느 하나 또는 그 이상의 동작들을 수행시키거나, 수행하기 위한 인스트럭션들을 포함할 수 있다.
설명의 편의를 위하여 각 도면을 나누어 설명하였으나, 각 도면에 서술되어 있는 실시예들을 병합하여 새로운 실시예를 구현하도록 설계하는 것도 가능하다. 그리고, 통상의 기술자의 필요에 따라, 이전에 설명된 실시예들을 실행하기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록 매체를 설계하는 것도 실시예들의 권리범위에 속한다. 실시예들에 따른 장치 및 방법은 상술한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다. 실시예들의 바람직한 실시예에 대하여 도시하고 설명하였지만, 실시예들은 상술한 특정의 실시예에 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.
실시예들에 따른 장치 및 방법에 대한 설명은 서로 보완하여 적용될 수 있다. 예를 들어, 실시예들에 따른 포인트 클라우드 데이터 전송 방법은 실시예들에 따른 포인트 클라우드 데이터 전송 장치 또는 포인트 클라우드 데이터 전송 장치에 포함된 구성요소들에 의해 수행될 수 있다. 또한 실시예들에 따른 포인트 클라우드 데이터 수신 방법은 실시예들에 따른 포인트 클라우드 데이터 수신 장치 또는 포인트 클라우드 데이터 수신 장치에 포함된 구성요소들에 의해 수행될 수 있다.
실시예들에 따른 장치의 다양한 구성요소들은 하드웨어, 소프트웨어, 펌웨어 또는 그것들의 조합에 의해 구성될 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 의미하거나, 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.
발명의 실시를 위한 최선의 형태에서 구체적으로 설명되었다.
본 발명의 사상이나 범위를 벗어나지 않고 본 발명에서 다양한 변경 및 변형이 가능함은 당업자에게 자명하다. 따라서, 본 발명은 첨부된 청구항 및 그 동등 범위 내에서 제공되는 본 발명의 변경 및 변형을 포함하는 것으로 의도된다.

Claims (20)

  1. 포인트 클라우드 데이터를 처리하는 디바이스로서, 상기 디바이스는
    상기 포인트 클라우드 데이터를 처리하는 하나 또는 그 이상의 프로세서들 및 상기 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함하고, 상기 하나 또는 그 이상의 프로세서들은,
    상기 포인트 클라우드 데이터의 지오메트리를 인코딩하는 단계; 및
    상기 인코드된 지오메트리를 기반으로 상기 포인트 클라우드 데이터의 어트리뷰트를 인코딩하는 단계; 를 포함하는 처리 방법을 수행하고, 상기 지오메트리는 상기 포인트 클라우드 데이터의 포인트들의 위치를 나타내고, 상기 어트리뷰트는 상기 포인트들의 반사율 및 색상 중 적어도 어느 하나 이상을 나타내는, 디바이스.
  2. 제 1 항에 있어서, 상기 포인트 클라우드 데이터의 지오메트리를 인코딩하는 단계는 옥트리, 예측 트리 및 트라이숩 구조 중 어느 하나를 기반으로 수행되는 디바이스.
  3. 제 2 항에 있어서, 상기 인코드된 지오메트리 및 상기 인코드된 어트리뷰트는 비트스트림으로 출력되고, 상기 비트스트림은 시그널링 정보를 포함하는, 디바이스.
  4. 제 3 항에 있어서, 상기 시그널링 정보는, 상기 예측 트리와 관련된 정보를 포함하고, 상기 예측 트리와 관련된 정보는, 상기 포인트들의 정렬 타입을 나타내는 타입 정보, 상기 예측 트리를 생성하기 위한 방법을 나타내는 정보를 포함하고 상기 예측 트리를 생성하기 위한 방법은, 포인트들이 정렬된 순서를 기반으로 예측 트리를 생성하는 방법, 상기 포인트들간의 거리 기준 영향력을 기반으로 예측 트리를 생성하는 방법, 상기 포인트들의 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법, 상기 포인트들이 정렬된 순서에서 N번째 위치를 기준으로 예측 트리를 생성하는 방법 및 상기 포인트들이 정렬된 순서에서 중앙 위치를 기준으로 예측 트리를 생성하는 방법 중 적어도 하나에 대응하는, 디바이스.
  5. 제 4 항에 있어서, 상기 예측 트리와 관련된 정보는, 상기 비트스트림의 시퀀스 레벨, 타일 레벨 및 슬라이스 레벨 중 적어도 어느 하나의 레벨에서 시그널링되는, 디바이스.
  6. 하나 또는 그 이상의 프로세서들 및 상기 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함하는 디바이스에 의해 수행되는 포인트 클라우드 데이터를 처리하는 방법으로서, 상기 방법은,
    상기 포인트 클라우드 데이터의 지오메트리를 인코딩하는 단계; 및
    상기 인코드된 지오메트리를 기반으로 상기 포인트 클라우드 데이터의 어트리뷰트를 인코딩하는 단계; 를 포함하고, 상기 지오메트리는 상기 포인트 클라우드 데이터의 포인트들의 위치를 나타내고, 상기 어트리뷰트는 상기 포인트들의 반사율 및 색상 중 적어도 어느 하나 이상을 나타내는, 방법.
  7. 제 6항에 있어서, 상기 지오메트리는 옥트리, 예측 트리 및 트라이숩 구조 중 어느 하나를 기반으로 인코드 되는, 방법.
  8. 제 7 항에 있어서, 상기 인코드된 지오메트리 및 상기 인코드된 어트리뷰트는 비트스트림으로 출력되고, 상기 비트스트림은 시그널링 정보를 포함하는, 방법.
  9. 제 8 항에 있어서, 상기 시그널링 정보는, 상기 예측 트리와 관련된 정보를 포함하고, 상기 예측 트리와 관련된 정보는, 상기 포인트들의 정렬 타입을 나타내는 타입 정보, 상기 예측 트리를 생성하기 위한 방법을 나타내는 정보를 포함하고 상기 예측 트리를 생성하기 위한 방법은, 포인트들이 정렬된 순서를 기반으로 예측 트리를 생성하는 방법, 상기 포인트들간의 거리 기준 영향력을 기반으로 예측 트리를 생성하는 방법, 상기 포인트들의 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법, 상기 포인트들이 정렬된 순서에서 N번째 위치를 기준으로 예측 트리를 생성하는 방법 및 상기 포인트들이 정렬된 순서에서 중앙 위치를 기준으로 예측 트리를 생성하는 방법 중 적어도 하나에 대응하는, 방법.
  10. 제 9 항에 있어서, 상기 예측 트리와 관련된 정보는, 상기 비트스트림의 시퀀스 레벨, 타일 레벨 및 슬라이스 레벨 중 적어도 어느 하나의 레벨에서 시그널링되는, 방법.
  11. 포인트 클라우드 데이터를 처리하는 디바이스로서, 상기 디바이스는 상기 포인트 클라우드 데이터를 처리하는 하나 또는 그 이상의 프로세서들 및 상기 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함하고, 상기 하나 또는 그 이상의 프로세서들은,
    상기 포인트 클라우드 데이터의 지오메트리를 디코딩하는 단계; 및
    상기 디코드된 지오메트리를 기반으로 상기 포인트 클라우드 데이터의 어트리뷰트를 디코딩하는 단계; 를 포함하는 처리 방법을 수행하고, 상기 지오메트리는 상기 포인트 클라우드 데이터의 포인트들의 위치를 나타내고, 상기 어트리뷰트는 상기 포인트들의 반사율 및 색상 중 적어도 어느 하나 이상을 나타내는, 디바이스.
  12. 제 11 항에 있어서, 상기 포인트 클라우드 데이터의 지오메트리를 디코딩하는 단계는 옥트리, 예측 트리 및 트라이숩 구조 중 어느 하나를 기반으로 수행되는 디바이스.
  13. 제 12 항에 있어서, 상기 포인트 클라우드 데이터는 비트스트림의 형태로 수신되고, 상기 비트스트림은 시그널링 정보를 포함하는, 디바이스.
  14. 제 13 항에 있어서, 상기 시그널링 정보는, 상기 예측 트리와 관련된 정보를 포함하고, 상기 예측 트리와 관련된 정보는, 상기 포인트들의 정렬 타입을 나타내는 타입 정보, 상기 예측 트리를 생성하기 위한 방법을 나타내는 정보를 포함하고 상기 예측 트리를 생성하기 위한 방법은, 포인트들이 정렬된 순서를 기반으로 예측 트리를 생성하는 방법, 상기 포인트들간의 거리 기준 영향력을 기반으로 예측 트리를 생성하는 방법, 상기 포인트들의 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법, 상기 포인트들이 정렬된 순서에서 N번째 위치를 기준으로 예측 트리를 생성하는 방법 및 상기 포인트들이 정렬된 순서에서 중앙 위치를 기준으로 예측 트리를 생성하는 방법 중 적어도 하나에 대응하는, 디바이스.
  15. 제 14 항에 있어서, 상기 예측 트리와 관련된 정보는, 상기 비트스트림의 시퀀스 레벨, 타일 레벨 및 슬라이스 레벨 중 적어도 어느 하나의 레벨에서 시그널링되는, 디바이스.
  16. 하나 또는 그 이상의 프로세서들 및 상기 하나 또는 그 이상의 프로세서들과 연결된 하나 또는 그 이상의 메모리들을 포함하는 디바이스에 의해 수행되는 포인트 클라우드 데이터를 처리하는 방법으로서, 상기 방법은,
    상기 포인트 클라우드 데이터의 지오메트리를 디코딩하는 단계; 및
    상기 디코드된 지오메트리를 기반으로 상기 포인트 클라우드 데이터의 어트리뷰트를 디코딩하는 단계; 를 포함하고, 상기 지오메트리는 상기 포인트 클라우드 데이터의 포인트들의 위치를 나타내고, 상기 어트리뷰트는 상기 포인트들의 반사율 및 색상 중 적어도 어느 하나 이상을 나타내는, 방법.
  17. 제 16 항에 있어서, 상기 지오메트리는 옥트리, 예측 트리 및 트라이숩 구조 중 어느 하나를 기반으로 디코드되는, 방법.
  18. 제 17 항에 있어서, 상기 포인트 클라우드 데이터는 비트스트림의 형태로 수신되고, 상기 비트스트림은 시그널링 정보를 포함하는, 방법.
  19. 제 18 항에 있어서, 상기 시그널링 정보는, 상기 예측 트리와 관련된 정보를 포함하고, 상기 예측 트리와 관련된 정보는, 상기 포인트들의 정렬 타입을 나타내는 타입 정보, 상기 예측 트리를 생성하기 위한 방법을 나타내는 정보를 포함하고 상기 예측 트리를 생성하기 위한 방법은, 포인트들이 정렬된 순서를 기반으로 예측 트리를 생성하는 방법, 상기 포인트들간의 거리 기준 영향력을 기반으로 예측 트리를 생성하는 방법, 상기 포인트들의 어트리뷰트 유사성 기준 영향력 기반으로 예측 트리를 생성하는 방법, 상기 포인트들이 정렬된 순서에서 N번째 위치를 기준으로 예측 트리를 생성하는 방법 및 상기 포인트들이 정렬된 순서에서 중앙 위치를 기준으로 예측 트리를 생성하는 방법 중 적어도 하나에 대응하는, 방법.
  20. 제 19 항에 있어서, 상기 예측 트리와 관련된 정보는, 상기 비트스트림의 시퀀스 레벨, 타일 레벨 및 슬라이스 레벨 중 적어도 어느 하나의 레벨에서 시그널링되는, 방법.
PCT/KR2021/007076 2020-06-05 2021-06-07 포인트 클라우드 데이터 처리 디바이스 및 처리 방법 WO2021246837A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/008,310 US20230209099A1 (en) 2020-06-05 2021-06-07 Point cloud data processing device and processing method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0068399 2020-06-05
KR20200068399 2020-06-05

Publications (1)

Publication Number Publication Date
WO2021246837A1 true WO2021246837A1 (ko) 2021-12-09

Family

ID=78830488

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/007076 WO2021246837A1 (ko) 2020-06-05 2021-06-07 포인트 클라우드 데이터 처리 디바이스 및 처리 방법

Country Status (2)

Country Link
US (1) US20230209099A1 (ko)
WO (1) WO2021246837A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220368751A1 (en) * 2019-07-03 2022-11-17 Lg Electronics Inc. Point cloud data transmission device, point cloud data transmission method, point cloud data reception device, and point cloud data reception method

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180109927A (ko) * 2016-02-12 2018-10-08 톰슨 라이센싱 예측 트리 및 변환 트리에 의존하는, 픽처 데이터를 포함하는 코딩 단위를 인트라-예측 인코딩/디코딩하기 위한 방법 및 디바이스
KR20190044629A (ko) * 2016-09-07 2019-04-30 퀄컴 인코포레이티드 비디오 코딩을 위한 트리-타입 코딩
KR20210007084A (ko) * 2019-07-09 2021-01-20 삼성디스플레이 주식회사 표시 패널

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180109927A (ko) * 2016-02-12 2018-10-08 톰슨 라이센싱 예측 트리 및 변환 트리에 의존하는, 픽처 데이터를 포함하는 코딩 단위를 인트라-예측 인코딩/디코딩하기 위한 방법 및 디바이스
KR20190044629A (ko) * 2016-09-07 2019-04-30 퀄컴 인코포레이티드 비디오 코딩을 위한 트리-타입 코딩
KR20210007084A (ko) * 2019-07-09 2021-01-20 삼성디스플레이 주식회사 표시 패널

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
D. FLYNN (APPLE), K. MAMMOU (APPLE): "G-PCC: Combined octree-predictive geometry coding", 129. MPEG MEETING; 20200113 - 20200117; BRUSSELS; (MOTION PICTURE EXPERT GROUP OR ISO/IEC JTC1/SC29/WG11), 11 January 2020 (2020-01-11), XP030225211 *
GAO ZHENZHEN, FLYNN DAVID, TOURAPIS ALEXIS, MAMMOU KHALED: " [G-PCC][New proposal] Predictive Geometry Coding", INTERNATIONAL ORGANISATION FOR STANDARDISATION ORGANISATION INTERNATIONALE DE NORMALISATION ISO/IEC JTC1/SC29/WG11 CODING OF MOVING PICTURES AND AUDIO, 1 October 2019 (2019-10-01), pages 1 - 9, XP055878846, [retrieved on 20220113] *
MAMMOU KHALED, CHOU PHILIP A, FLYNN DAVID, KRIVOKUA MAJA, NAKAGAMI OHJI, SUGIO TOSHIYASU: "INTERNATIONAL ORGANISATION FOR STANDARDISATION ORGANISATION INTERNATIONALE DE NORMALISATION ISO/IEC JTC1/SC29/WG11 CODING OF MOVING PICTURES AND AUDIO Marrakech, MA Source 3DG Status Output Document Title G-PCC codec description v2", ISO/IEC JTC1/SC29/WG11 N18189, 1 January 2019 (2019-01-01), XP055794856 *

Also Published As

Publication number Publication date
US20230209099A1 (en) 2023-06-29

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
WO2021141346A1 (ko) 포인트 클라우드 데이터 전송 장치, 전송 방법, 처리 장치 및 처리 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
WO2020242244A1 (ko) 포인트 클라우드 데이터 처리 방법 및 장치
WO2021002604A1 (ko) 포인트 클라우드 데이터 처리 방법 및 장치
WO2020262831A1 (ko) 포인트 클라우드 데이터 처리 장치 및 방법
WO2020256308A1 (ko) 포인트 클라우드 데이터 처리 장치 및 방법
WO2021215849A1 (ko) 포인트 클라우드 데이터 처리 장치 및 처리 방법
WO2021002594A1 (ko) 포인트 클라우드 데이터 처리 장치 및 방법
WO2021261840A1 (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
WO2021002592A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021201384A1 (ko) 포인트 클라우드 데이터 처리 장치 및 방법
WO2021045603A1 (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
WO2021206291A1 (ko) 포인트 클라우드 데이터 전송 장치, 전송 방법, 처리 장치 및 처리 방법
WO2021029575A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2022075753A1 (ko) 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
WO2021246837A1 (ko) 포인트 클라우드 데이터 처리 디바이스 및 처리 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

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: 21817078

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: 21817078

Country of ref document: EP

Kind code of ref document: A1