KR20120098976A

KR20120098976A - 반복된 패턴을 갖는 3ｄ 메시의 압축

Info

Publication number: KR20120098976A
Application number: KR1020117030750A
Authority: KR
Inventors: 강 잉 카이; 유 진; 지 보 첸
Original assignee: 톰슨 라이센싱
Priority date: 2009-06-23
Filing date: 2010-06-09
Publication date: 2012-09-06
Also published as: US20120106858A1; WO2010149492A1; CN102804230A; JP2012530990A; EP2446419A1; BRPI1010585A8; EP2446419B1; KR101715962B1; US8625911B2; BRPI1010585A2; JP5615354B2; CN102804230B

Abstract

엔지니어링 클래스의 3D 모델은 보통 많은 수의 연결 성분을 갖고, 적은 수의 큰 삼각형을 가지며, 종종 임의적인 연결을 가진다. 대규모 3D 메시 모델의 압축 저장 및 고속 전송을 가능하게 하기 위해, 특히 3D 메시 모델용으로 설계된 효율적인 압축 전략이 제공된다. 3D 메시 모델을 인코딩하는 방법은 반복하는 성분을 결정하고 군집화하는 단계, 성분을 정규화하는 단계 - 스케일링 인자가 군집화되고 방위축이 군집화됨 -, 클러스터에 대한 참조를 사용하여 연결 성분을 인코딩하는 단계, 및 연결 성분을 엔트로피 인코딩하는 단계를 포함한다.

Description

반복된 패턴을 갖는 3Ｄ 메시의 압축{COMPRESSION OF 3D MESHES WITH REPEATED PATTERNS}

본 발명은 3D 모델의, 특히 대규모 3D 모델에 대한 향상된 압축 및 압축 해제(decompression)를 위한 방법 및 장치에 관한 것이다.

건축 설계, 화학 공장 및 기계 CAD(computer-aided design) 설계와 같은 대규모 3D 엔지니어링 모델이 Second Life™ 및 Google Earth™와 같은 다양한 가상 세계 응용에 점점 더 배치되고 있다. 대부분의 엔지니어링 모델에서, 많은 수의 소형 내지 중형 연결 성분이 있으며, 각각의 연결 성분은 평균하여 최대 수백개의 폴리곤(polygon)을 가진다. 게다가, 이러한 유형의 모델은 도 1에 도시된 "회의실"과 같은 다양한 위치, 스케일 및 방위(orientation)로 반복되는 다수의 기하 특징부를 가진다.

1990년대 초기 이래로 3D 메시를 효율적으로 압축하는 다양한 알고리즘이 제안되었다. 기존의 3D 메시 압축 알고리즘의 대부분은 작은 삼각형들로 된 조밀한 메시를 갖는 평탄한 표면에 가장 잘 동작한다. 그러나, 엔지니어링급의 대규모 3D 모델은 보통 적은 수의 큰 삼각형과, 종종 임의적인 연결을 가지면서 많은 수의 연결 성분을 갖는다. 건축 및 기계 CAD 모델은 통상적으로 이들 방법을 덜 적합하게 만드는 많은 비평탄 표면을 가진다. 게다가, 초기 노력의 대부분은 각각의 연결 성분을 개별적으로 다루고 있다. 사실, 반복하는 기하 특징부 패턴들의 표현에서 중복성을 제거함으로써 인코더 성능이 크게 향상될 수 있다. 대규모 3D 엔지니어링 모델의 압축 저장 및 고속 전송을 가능하게 하기 위해, 특히 3D 메시 모델(예컨대, 엔지니어링 모델)용으로 설계된 효율적인 압축 전략이 필요하다. 대규모 3D 엔지니어링 모델에 대한 양호한 압축 방법은 반복하는 기하 특징부 패턴들을 자동으로 발견하고 발견된 기하 특징부 패턴들로부터 원래의 모델을 재구성하는 데 필요한 정보를 효과적으로 인코딩할 수 있어야만 한다.

D. Shikhare, S. Bhakar and S. P. Mudur. "Compression of Large 3D Engineering Models using Automatic Discovery of Repeating Geometric Features(반복하는 기하 특징부들의 자동 발견을 사용한 대규모 3D 엔지니어링 모델의 압축)", 6th International Fall Workshop on Vision, Modeling and Visuali zation (VMV2001), November 21 -23, 2001, Stuttgart, Germany(이후부터, [SBM01]라고 함)는 대규모 3D 엔지니어링 모델에서 반복하는 기하 특징부들을 자동으로 발견하는 방법을 제안하였다. 그러나, [SBM01]은 3D 메시 모델, 특히 엔지니어링 모델에 대한 완벽한 압축 방식을 제공하지 않는다. 게다가, [SBM01]은 성분의 꼭지점들의 위치들의 PCA(Principal Component Analysis)를 사용한다. 결과적으로, 동일한 기하 형태 및 상이한 연결을 갖는 성분들은 동일한 평균 및 동일한 방위축들을 가질 것이다. 게다가, [SBM01]은 다양한 스케일들로 반복하는 패턴들을 검출하는 데 적합하지 않다. 스케일(즉, 크기)만이 상이한 2개의 성분이 동일한 등가 클래스(equivalence class)의 반복하는 특징부들로서 인식되지 않을 것이다. 게다가, 인코딩된 데이터를 [SBM01]에 기술된 것보다 훨씬 더 압축하는 것이 바람직하다.

따라서, [SBM01]의 방법은 추가의 개선을 필요로 한다.

본 발명은, 특히 많은 소형 내지 중형 연결 성분으로 이루어져 있고 다양한 위치, 스케일 및 방위로 반복하는 기하 특징부들을 갖는 3D 메시, 예컨대 3D 엔지니어링 모델에 대한 효율적인 압축 방법 및 대응하는 장치를 제공한다.

본 발명에 따르면, 3D 메시 모델을 인코딩하는 방법은 하기의 단계를 포함한다: 제1 단계는 3D 메시 모델을 자동으로 분석하는 단계이고, 여기서 반복하는 성분이 결정되고 패턴 클러스터로 분류되며, 각각의 성분의 평균이 결정되고, 이어서 성분이 정규화되며, 정규화하는 것은 스케일링 인자를 결정하고 스케일링 인자를 스케일링 인자 클러스터로 분류하는 것, 및 방위축을 결정하고 방위축을 방위축 클러스터로 군집화하는 것을 포함한다. 제2 단계는 고유의 클러스터 식별자를 패턴 클러스터, 스케일링 인자 클러스터 및 방위축 클러스터에 할당하는 단계이다. 제3 단계는 연결 성분을 인코딩하는 단계이고, 연결 성분이 패턴 클러스터, 스케일링 인자 클러스터 및 방위축 클러스터와 비교되고, 그로써 패턴 클러스터 식별자, 스케일 인자 클러스터 식별자, 스케일 인자 레시듀얼, 방위축 클러스터 식별자, 및 방위 레시듀얼을 획득한다. 추가의 단계는 패턴 클러스터 식별자, 스케일 인자 클러스터 식별자, 스케일 인자 레시듀얼, 방위축 클러스터 식별자 및 방위 레시듀얼로 표현되는 각각의 연결 성분을 엔트로피 인코딩하는 단계이다.

본 발명에 따르면, 3D 메시 모델을 디코딩하는 방법은 하기의 단계를 포함한다: 수신된 데이터를 엔트로피 디코딩하는 단계, 패턴 클러스터 식별자 및 변환 정보를 추출하는 단계 - 변환 정보는 변환 클러스터 식별자 및 변환 레시듀얼을 포함함 -, 패턴 클러스터 식별자에 따라 패턴을 재구성하는 단계, 변환 클러스터 식별자 및 변환 레시듀얼에 따라 변환 정보를 재구성하는 단계, 및 재구성된 변환 정보에 따라 재구성된 패턴을 변환하는 단계.

3D 메시 모델을 인코딩하는 장치는 분석 수단 또는 분석기, 할당 수단, 연결 성분을 인코딩하는 제1 인코딩 수단(예컨대, 인코더) 및 엔트로피 인코더인 제2 인코딩 수단을 포함한다. 분석 수단은 3D 메시 모델을 자동으로 분석하는 데 적합하고, 여기서 반복하는 성분이 결정되고 패턴 클러스터로 분류되며, 각각의 성분의 평균이 결정되고, 이어서 성분이 정규화되며, 정규화하는 것은 스케일링 인자를 결정하고 스케일링 인자를 스케일링 인자 클러스터로 분류하는 것, 및 방위축을 결정하고 방위축을 방위축 클러스터로 군집화하는 것을 포함한다. 할당 수단은 고유의 클러스터 식별자를 패턴 클러스터, 스케일링 인자 클러스터 및 방위축 클러스터에 할당하는 데 적합하다. 인코딩 수단은 연결 성분을 인코딩하는 데 적합하고, 연결 성분이 패턴 클러스터, 스케일링 인자 클러스터 및 방위축 클러스터와 비교되고, 그로써 패턴 클러스터 식별자, 스케일 인자 클러스터 식별자, 스케일 인자 레시듀얼, 방위축 클러스터 식별자, 및 방위 레시듀얼을 획득한다. 엔트로피 인코더는 패턴 클러스터 식별자, 스케일 인자 클러스터 식별자, 스케일 인자 레시듀얼, 방위축 클러스터 식별자 및 방위 레시듀얼로 표현되는 각각의 연결 성분을 엔트로피 인코딩하는 데 적합하다.

3D 메시 모델을 디코딩하는 장치는, 청구항 제6항에 개시된 바와 같이, 엔트로피 디코더, 데이터 추출 수단(예컨대, 디멀티플렉서), 패턴 재구성 수단, 변환 정보 재구성 수단 및 변환 수단을 포함한다. 엔트로피 디코더는 수신된 데이터를 엔트로피 디코딩하는 데 적합하다. 데이터 추출 수단은 패턴 클러스터 식별자 및 변환 정보를 추출하는 데 적합하고, 변환 정보는 변환 클러스터 식별자 및 변환 레시듀얼을 포함한다. 패턴 재구성 수단은 패턴 클러스터 식별자에 따라 패턴을 재구성하는 데 적합하다. 변환 정보 재구성 수단은 변환 클러스터 식별자 및 변환 레시듀얼에 따라 변환 정보를 재구성하는 데 적합하고, 변환 수단은 재구성된 변환 정보에 따라 재구성된 패턴을 변환하는 데 적합하다.

본 발명에 따른 신호는 인코딩된 3D 메시 모델의 데이터를 포함하고, 이 데이터는 적어도 하나의 패턴 클러스터 식별자 및 변환 정보를 포함하고, 변환 정보는 변환 클러스터 식별자 및 변환 레시듀얼을 포함한다.

본 발명의 유리한 실시예가 종속 청구항, 이하의 설명 및 도면에 개시되어 있다.

본 발명의 예시적인 실시예에 대해 첨부 도면을 참조하여 기술한다.
도 1은 많은 반복하는 특징부를 갖는 예시적인 3D 모델("회의실)을 나타낸 도면이다.
도 2는 인코딩의 구조를 나타낸 도면이다.
도 3은 디코딩의 구조를 나타낸 도면이다.
도 4는 2D 경우에서의 kd-트리 기하 코딩의 원리를 나타낸 도면이다.
도 5는 "2차 오차 행렬"법을 사용하는 것이 특히 유리한 예시적인 성분을 나타낸 도면이다.
도 6은 성분의 예시적인 인코딩을 나타낸 도면이다.
도 7은 성분의 예시적인 재구성을 나타낸 도면이다.

본 발명은 대규모 3D 엔지니어링 모델에 대한 효율적인 압축 방법을 제공한다. 이러한 모델은 종종 몇개의 부분(partition), 소위 "연결 성분들(connected components)"로 이루어져 있다. 이 방법은 반복하는 기하 특징부 패턴의 표현에서 중복성을 자동으로 발견하고 제거하는 단계를 포함한다. 일 실시예에서, 연결 성분을 정규화하고 이어서 정규화된 성분을 서로 비교함으로써 반복하는 기하 패턴이 발견된다. 일 실시예에서, 정규화 이후에 등가인 모든 연결 성분은 하나의 기하 패턴의 인스턴스로서 간주될 수 있다. 원칙적으로, 등가 성분이 군집화된다(clustered). 클러스터는 3D 모델의 일부 성분만 또는 모든 성분을 말할 수 있다. 이어서, 각각의 연결 성분이 대응하는 기하 패턴(또는 군집화 클래스)의 식별자, 예컨대 영숫자 ID 및 기하 패턴으로부터 성분을 재구성할 수 있는 변환 정보로 표현될 수 있다. 이 변환 정보는, 예컨대, 스케일 인자, 평균(또는 중심), 방위축(또는 회전 정보), 또는 이동 정보 중 하나 이상을 포함할 수 있다. 원칙적으로, 다른 것들도 가능하다. 기하 패턴은 임의의(특히 임의의 성숙된) 3D 메시 압축 방법에 의해 압축될 수 있다.

일 실시예에서, 변환 정보는 대응하는 성분의 적어도 평균, 방위축 및 스케일 인자를 포함한다. 일 실시예에서, 각각의 성분에 대한 방위축은 3개의 상이한 차원, 예컨대 x-축, y-축 및 z-축으로 되어 있을 수 있다. 일 실시예에서, 모든 연결 성분의 방위축이 k-평균 군집화에 기초하여 군집화된다. 일 실시예에서, 또한 모든 연결 성분의 스케일 인자가 k-평균 군집화에 기초하여 군집화된다. 일 실시예에서, 공간 트리(space tree), 예컨대 각각의 리프 노드가 기하 패턴 ID, 방위축의 클러스터 ID 및 스케일 인자의 클러스터 ID를 기록하고 있는 "k-d 트리"를 사용하여 평균을 구성함으로써 평균이 압축된다.

본 발명은 많은 연결 성분으로 이루어져 있고 많은 반복하는 기하 특징부를 갖는 3D 메시, 예컨대 3D 엔지니어링 모델에 대한 효율적이고 완전한 압축 방식을 제공한다. 본 발명의 하나의 주요 양태는 반복하는 기하 특징부 패턴의 표현에서 중복성을 발견하고 제거하는 것이다. 본 발명의 다른 주요 양태는 발견된 기하 특징부 패턴으로부터 원래의 모델을 재구성하는 데 필요한 정보를 효과적으로 압축하는 것이다. 공지된 방법과 비교하여, 본 발명의 한 유리한 효과는 3D 메시 모델을 기술하는 데이터의 양이 감소된다는 것이다. 한 유리한 효과는 인코딩이 보다 정확한 데이터를 제공한다는 것, 즉 보다 정확한 재구성을 가능하게 한다는 것이다. 따라서, 인코딩은 향상된 품질을 제공할 수 있고, 전송 및 저장은 보다 적은 대역폭을 필요로 하고 및/또는 디코딩이 가속될 수 있다. 따라서, 본 발명은 3D 모델의 인코딩, 전송, 저장 및 재구성에 대한 이점이 있다.

제안된 인코더 및 디코더의 블록도가 도 2 및 도 3에 도시되어 있다.

도 2는 본 발명의 일 실시예에 따른, 3D 메시 모델에 대한 인코더를 나타낸 것이다. 연결 성분이 삼각형 이동(triangle transversal) 블록(100)에 의해 구분된다. 정규화 블록(101)은 각각의 연결 성분을 정규화한다. 일 실시예에서, 정규화는 하나 이상의 성분을 포함하는 3D 메시 모델을 인코딩하는 방법을 개시하고 있는 유럽 특허 출원 EP09305527(PA090034)에 기술된 기법에 기초하고 있다. EP09305527의 정규화 기법은 성분에 대해 3D 공간에서의 정규 직교 기저(orthonormal basis)를 결정하는 단계 - 성분의 각각의 꼭지점은 상기 꼭지점의 좌표 데이터 및 동일한 삼각형에 속하는 다른 꼭지점의 좌표 데이터로부터 결정되는 가중치를 할당받음 -, 성분의 객체 좌표계(object coordinate system) 정보를 인코딩하는 단계, 세계 좌표계에 대한 성분의 방위를 정규화하는 단계, 꼭지점 위치를 양자화하는 단계, 및 양자화된 꼭지점 위치를 인코딩하는 단계를 포함한다. 추가의 실시예에서, 기타 정규화 기법이 사용될 수 있다.

본 발명의 일 양태에 따르면, 각각의 연결 성분의 방위 및 스케일 둘 다가 정규화된다. [SBM01]은 성분 방위를 정규화하는 것만을 개시하고 있으며, 따라서 다양한 스케일로 반복하는 특징부를 발견하는 데는 적합하지 않다.

도 2에서, 블록(102)은 반복된 기하 패턴을 발견하기 위해 정규화된 성분을 매칭시킨다. 원칙적으로, [SBM01]의 매칭 방법이 사용될 수 있다. 입력 모델에서의 각각의 연결 성분은 대응하는 기하 패턴의 ID 및 기하 패턴으로부터 그 모델을 재구성하는 변환 정보에 의해 표현될 수 있다. 바람직하게는, 변환 정보는 대응하는 연결 성분의 클러스터, 3개의 방위축 및 스케일 인자를 나타내는 기하 패턴 대표값을 포함한다. 평균(즉, 대표적인 기하 패턴의 중심)이 전송되지 않고, 디코더에서 재계산된다.

기하 패턴이 임의의 성숙된 3D 메시 인코더(Edgebreaker 인코더 등), 예컨대 J. Rossignac. Edgebreaker: "Connectivity compression for triangle meshes(삼각형 메시에 대한 연결 압축)", IEEE Transactions on Visualization and Computer Graphics, Vol. 5, No. 1, pp. 47-61, January - March 1999(이후부터, [R99]라고 함)에 의해 압축될 수 있다. 또한, 인코더 블록(103)에서 기타 메시 인코더도 사용될 수 있다. 복잡한 3D 모델에서 많은 수의 연결 성분을 고려하면, 성분 정보도 또한 많은 저장 장치를 사용한다. 일 양태에서, 본 발명은 성분 정보에 대한 효율적인 압축 방법을 제공한다.

종종 대규모 3D 엔지니어링 모델에서의 모든 연결 성분 중에 일부 우세한 방위가 있다는 것을 알았다. 따라서, 클러스터 분석은 방위축(105)을 인코딩하는 적절한 선택이다. 원칙적으로 어떤 군집화 알고리즘이라도 사용될 수 있지만, k-평균 - J. B. MacQueen. "Some Methods for classification and Analysis of Multivariate Observations(다변량 관측의 분류 및 분석 방법)", Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1:281-297, 1967.(이후부터, [MQ67]라고 함) - 은 군집화 문제점을 해결하는 가장 간단하고 가장 효과적인 무감독 학습 알고리즘 중 하나이다. 이 절차는 특정의 수의 클러스터를 통해 주어진 데이터 집합을 분류하는 간단하고 쉬운 방식을 따른다. 그러나, 클러스터의 수인 k가 사전에 결정될 필요가 있으며, 이는 보통 쉽지가 않다.

이 한계를 극복하기 위해, 블록(105)은 다음과 같이 k-평균 기반 클러스터 분석을 수행한다:

α가 사용자 정의 임계값이라고 가정한다.

단계 1: k를 작은 수로 설정한다(예컨대, k = 4).

단계 2: k-평균 군집화에 의해 데이터 집합을 분류한다.

단계 3: 각각의 클러스터를 검사한다. n이 α보다 큰 분산을 갖는 클러스터의 수인 것으로 가정한다.

(n > 0)인 경우, {k = k + n; 단계 2로 가고} 그렇지 않은 경우 종료함.

일 실시예에서, 방위축 및 스케일 인자는, 각각, 상기 클러스터 분석 방법을 사용하여 군집화된다. 각각의 클러스터의 대표값은 방위축/스케일 인자의 모드를 정의한다. 방위축/스케일 인자는 대응하는 모드에 의해 예측될 수 있다.

셀 세분(cell subdivision)에 기초한 트리 분해를 이용하는 압축 기법이 개별 점을 처리하는 데 극히 효율적이다. 블록(104)은 모든 연결 성분의 평균을 인코딩하기 위해, 예컨대, kd-트리 기반 압축 알고리즘 - O. Devillers, P. Gandoin. "Geometric compression for interactive transmission(상호작용적 전송에 대한 기하 압축)", in: IEEE Visualization, 2000, pp. 319-326(이후부터, [OG00]라고 함) 등 - 을 사용한다. 이 알고리즘은, 도 4에 도시되고 이하에서 더 상세히 기술된 바와 같이, 각각의 반복에서 셀을 2개의 자식 셀로 세분하고, 2개의 자식 셀 중 하나의 자식 셀에서의 꼭지점의 수를 인코딩한다. 부모 셀이 p개의 꼭지점을 포함하는 경우, 자식 셀들 중 하나의 자식 셀에서의 꼭지점의 수가 산술 코더에 의해 log₂ (p + 1) 비트를 사용하여 인코딩될 수 있다. 이 세분은, 각각의 비어 있지 않은 셀이 단지 하나의 꼭지점만을 포함할 정도로 충분히 작을 때까지, 재귀적으로 적용되고, 꼭지점 위치의 충분히 정확한 재구성을 가능하게 한다. 추가의 상세가 이하에서 제공된다. kd-트리 이외에, 다른 실시예에서, 옥트리(octree) 기반 압축이 또한 연결 성분의 모든 평균을 압축하는 데도 사용될 수 있다 - Jingliang Peng, C-C. Jay Kuo, "Geometry-guided progressive lossless 3D mesh coding with octree (OT) decomposition(옥트리(OT) 분해에 의한 기하-유도형 점진적 무손실 3D 메시 코딩)", ACM SIGGRAPH (ACM Transactions on Graphics 24(3)), 609-616, 2005(이후부터, [PK05]라고 함) -. 일 실시예에서, 평균(즉, 성분의 중심) 자체가 전송되지 않고 디코더에서 재계산된다는 것에 유의한다.

일 실시예에서, 각각의 리프 노드가 성분의 하기의 정보를 포함한다:

- 기하 패턴 ID

- 각자의 방위축 클러스터의 ID 및 예측 레시듀얼,

- 각자의 스케일 인자 클러스터의 ID 및 예측 레시듀얼.

도 3은 본 발명의 일 실시예에 따른 디코더를 나타낸 것이다. 인코딩된 비트스트림은 먼저 엔트로피 디코딩되고(200), 여기서 데이터의 상이한 부분이 획득된다. 데이터의 한 부분은 기하 패턴을 획득하는 Edgebreaker 디코더(201)에 입력된다. 기하 패턴 클러스터의 대표값을 포함하는 데이터의 한 부분은 각각의 연결 성분의 평균(즉, 중심)을 제공하는 kd-트리 기반 디코더(202)에 입력된다. 평균은, 기타 성분 정보(패턴 ID, 방위축 및 스케일 인자)와 함께, 복구 블록에 전달된다. 반복하는 성분을 복원하는 복구 블록은 정규화된 연결 성분을 복원하는 제1 블록(203), 연결 성분(비반복하는 연결 성분을 포함함)을 복원하는 제2 블록(204), 및 연결 성분을 조립하는 제3 블록(205)을 가진다. 일 실시예에서, 디코더는 각각의 반복하는 패턴의 인스턴스를 복원하기 전에 그 패턴의 평균을 계산한다. 추가의 블록(도 3에 도시되어 있지 않음)에서, 완전한 모델이 연결 성분으로부터 조립된다.

본 발명의 일 양태에 따르면, 엔트로피 디코더(200)는 또한 방위축 정보도 디코딩한다. 본 발명의 다른 양태에 따르면, 연결 성분의 복원은 각각의 연결 성분의 평균, 기하 패턴 ID, 각자의 방위축 클러스터의 ID 및 방위축 예측 레시듀얼, 그리고 각자의 스케일 인자 클러스터의 ID 및 스케일 인자 에측 레시듀얼을 사용한다. 즉, 예컨대, 연결 성분 크기를 복원하기 위해, 스케일 인자 정보(각각의 스케일 인자에 대한 스케일 인자 클러스터 ID 및 예측 레시듀얼을 포함함)가 엔트로피 디코딩(200)되고, 클러스터 ID에 따른 원시 스케일 인자가 발생되고 예측 레시듀얼에 의해 업데이트되며, 얻어지는 스케일 인자가 (각자의 차원에서) 모델을 스케일링하는 데 사용된다. 방위축 디코딩이 동일한 방식으로 처리된다.

각각의 클러스터에 대한 클러스터 기준값(예컨대, 패턴 클러스터를 나타내는 패턴의 기하 데이터)이 인코더에서 압축되고 전송되며, 디코더에서 수신되고 압축 해제될 수 있다. 다른 실시예에서, 디코더는 고유 식별자를 사용하여 다른 데이터 소스로부터, 예컨대, 인터넷으로부터, 클러스터 기준 데이터를 획득할 수 있다. 예를 들어, 패턴 클러스터 PC1에 의해 표현되는 특정의 예시적인 패턴 P1의 연결 데이터가 인코딩되고, 전송되며, 디코딩일 수 있다. 따라서, 디코더는 수신된 패턴 P1을 사용함으로써 패턴 클러스터 PC1을 참조하여 식별되는 패턴 인스턴스를 재구성하고, 스케일 정보 및 방위 정보에 따라 패턴 인스턴스를 스케일링 및 회전시키며, 각자의 평균 정보에 따라 패턴 인스턴스를 그의 목적지로 이동시킬 수 있다. 이것이 도 7에 도시되어 있다. 일 실시예에서, (인스턴스가 기준 패턴의 정확한 사본이 아닌 경우) 스케일링 및 회전 이전에 패턴의 특정의 인스턴스의 레시듀얼 데이터를 가산하는 부가의 단계가 있을 수 있다. 다른 실시예에서, 패턴 클러스터의 인스턴스가 성분의 정확한 사본인 경우, 레시듀얼 기하 데이터가 사용되지 않는다.

도 6은 본 발명의 일 실시예의 인코딩 단계를 나타낸 것이다. 원칙적으로, 연결 성분을 결정하는 단계(602), 성분을 정규화하는 단계(604), 및 정규화된 성분, 그의 방위축 및 기준값(클러스터 대표값)에 대한 스케일 인자를 표현하는 단계(616)가 있다. 정규화하는 단계(604)는 성분의 중심(즉, 평균)을 결정하는 단계, 중심을 세계 좌표계의 중심으로 이동시키는 단계(가로 이동), 1개, 2개 또는 3개의 축을 중심으로 성분을 회전시키는 단계, 및 성분을 1개, 2개 또는 3개의 차원에서 스케일링하는 단계를 포함한다.

본 발명의 일 실시예에서, 압축된 3D 메시 모델에서의 비트스트림은 다음과 같은 것을 포함한다:

- 기하 패턴의 수를 나타내는 일부 비트,

- 각각의 기하 패턴에 대해, 압축된 메시 데이터 크기의 길이를 나타내는 일부 비트, 압축된 기하 패턴을 나타내는 비트(예컨대, 클러스터 기준 데이터),

- 방위축 모드의 수를 나타내는 일부 비트,

- 각각의 방위축 모드의 상세를 나타내는 비트(예컨대, 클러스터 기준 데이터),

- 스케일 인자 모드의 수를 나타내는 일부 비트,

- 각각의 스케일 인자 모드의 상세를 나타내는 비트(예컨대, 클러스터 기준 데이터),

- kd-트리를 기록하는 비트,

- kd-트리의 각각의 리프 노드의 기하 패턴 ID 및 방위축 모드 ID를 나타내는 비트.

비트스트림은 엔트로피 코덱에 의해 추가적으로 인코딩될 수 있다.

원칙적으로, 패턴 클러스터를 참조하여 표현되는 성분에 대해서 뿐만 아니라, 개별 패턴을 갖지만 임의의 패턴 클러스터에 대한 참조를 갖지 않는 기타 성분에 대해서도 본 발명에 따른 압축이 사용될 수 있다는 것에 유의한다.

본 발명은 반복하는 기하 특징부 패턴을 발견하고 그 안에서 중복성을 효율적으로 제거함으로써, 대규모 3D 엔지니어링 모델을 압축하는 향상된 방법을 제공한다. 일 실시예에서, 기하 패턴으로부터 원래의 메시를 재구성하는 변환 정보가 클러스터 분석 및 kd-트리 기반 코덱에 기초하여 압축된다.

도 4는 2D 경우에서의 kd-트리 기하 코딩의 예시적인 예를 나타낸 것이다. b 비트의 정수 좌표를 갖는 n개의 2D 점이 주어진 경우, 시작 셀은 크기 2^b x 2^b의 직사각형 경계 상자이다. 알고리즘은 임의의 고정된 비트 수(예를 들어, 32)로 점의 총수 n을 인코딩하는 것으로 시작한다. 이어서, 알고리즘은 현재의 셀을 2개의 반쪽으로 세분하는 것 및 이어서 이들 반쪽 중 하나의 반쪽(예컨대, 좌측 반쪽)에 포함된 점의 수를 최적의 비트 수로 코딩하는 것으로 이루어지는 메인 루프를 시작한다: 부모 셀이 p개의 점을 포함하는 경우, p + 1개의 값 0, 1, ..., p를 가질 수 있는 반쪽 셀 내의 점의 수가 산술 코딩을 사용하여 log₂ (p + 1) 비트로 코딩될 것이다. 제2 반쪽 셀에 포함된 점의 수가 명시적으로 인코딩될 필요가 없는데, 그 이유는 그 수가 총수 및 제1 반쪽 셀에 대해 전송된 수로부터 추론될 수 있고, 그 후에, 동일한 규칙에 따라, 2개의 얻어진 셀의 각각의 셀이 수직축을 따라 세분되기 때문이다. 도 4에 나타낸 프로세스는 1x1보다 큰 비어 있지 않은 셀이 없을 때까지 반복된다. 도 4에 도시된 바와 같이, 대응하는 코딩 시퀀스는 단지 점의 수로만 이루어져 있다: 7,4,2,0,1,1,1,1,1,1,0,1,1,... . 이들 점의 위치는 출력의 순서로 인코딩된다. 알고리즘이 진행함에 따라, 셀 크기가 감소되고 전송된 데이터는 보다 정확하게 국소화된다. 리프 노드는 1x1 크기를 갖는 비어 있지 않은 셀이다. 각각의 리프 노드는 단지 하나의 기하 패턴(기하 패턴 클러스터의 대표값 또는 평균)을 포함한다.

"평균"이라는 단어가 본 명세서에서 상이한 의미로, 즉 성분의 중심으로서, 또는 기하 패턴 클러스터를 대표하는 성분으로서 사용될 수 있다는 것에 유의한다. 일반적으로, 패턴의 평균(즉, 패턴의 중심)이 전송되지 않는데, 그 이유는 그 평균이 디코더에 의해 계산될 수 있기 때문이다. 한편, 기하 패턴인 인스턴스의 평균(즉, 반복하는 인스턴스의 클러스터의 대표값)이 전송된다. 반복하는 인스턴스의 대표값은, 일 실시예에서, 이들을 kd-트리로 구성함으로써 압축 전송된다.

일 실시예에서, 성분을 정규화할 때, 본 발명은 "2차 오차 행렬(QEM)"법을 사용하는 반면, [SBM01]은 꼭지점 위치의 PCA를 사용한다. QEM법에 대해 이하에서 상세히 기술되고, 또한 Michael Garland, Paul Heckbert: "Simplifying Surfaces with Color and Texture using Quadratic Error Metrics(2차 오차 척도를 사용한 색 및 텍스처를 갖는 표면의 간략화)", Carnegie Mellon University 1998(이후부터, [GH98]라고 함)에 기술되어 있다. QEM법이 꼭지점 위치뿐만 아니라 메시의 삼각형에도 의존하기 때문에, QEM법은 꼭지점 위치의 PCA보다 더 정확한 방위축 및 평균을 제공할 수 있다. 따라서, 본 발명의 정확성이 종래 기술의 시스템에 비해 향상된다. 디코더는 패턴의 인스턴스를 복원하기 전에 각각의 패턴의 평균을 계산할 필요가 있다.

연결 성분의 QEM은 그의 삼각형 모두에 의해 정의된다. 따라서, QEM을 사용함으로써, 각각의 성분의 평균 및 방위축이 기하 형태뿐만 아니라 성분의 연결에도 의존한다. 도 5에 도시된 성분의 경우, 2차 오차 행렬은 고유의 방위축을 제공할 수 있다. 그러나, 꼭지점 위치의 PCA는, 방위를 정규화하는 데 사용될 때, 동일한 일을 할 수 없는데, 그 이유는 그 성분을 동일한 꼭지점 위치를 갖는 다른 성분(예컨대, 순수 원통)과 구분하지 못하기 때문이다. 따라서, 2차 오차 행렬은 연결 성분의 정규화를 위한 보다 나은 선택이다.

이하에서, 종래 기술, 특히 [SBM01]보다 나은 본 발명의 예시적인 실시예의 이점이 기술되어 있다.

본 발명에서는, 각각의 연결 성분의 방위 및 스케일 둘다가 정규화된다. [SBM01]과 같은 종래 기술은 성분 방위만을 정규화하고, 따라서 다양한 스케일의 반복하는 특징부를 발견할 수 없다. [SBM01]에서는, 2개의 메시의 방위된 경계 상자(OBB)의 차원이 매칭하지 않는 경우, 추가의 매칭이 수행되지 않는다고 언급되어 있다.

게다가, [SBM01]은 변환 정보를 압축할 수 없다. 그러나, 본 발명은 위치, 방위축 및 스케일링 인자를 포함하는 변환 정보를 압축하는 완벽한 해결책을 제공한다. 대응하는 패턴으로부터 연결 성분을 복원하기 위해, 변환 정보가 필요하다. 일 실시예에서, 하나의 연결 성분의 변환 정보는 위치(이동의 경우, 3개의 부동 소수점 값), 방위축(회전의 경우, 4개의 부동 소수점 값) 및 스케일 인자(3개의 부동 소수점 값)를 포함한다. 따라서, 연결 성분에 대한 미압축된 변환 정보는 10개의 부동 소수점 값을 포함한다. 보통 많은 수의 연결 성분이 있기 때문에, 본 발명의 이점은 모든 연결 성분의 변환 정보의 압축비를 상당히 감소시킬 것이라는 것이다. 데이터 구조 또는 모드 표시로 인해, 디코더는 그것을 검출할 수 있다.

[SBM01]에서 k개의 꼭지점을 갖는 패턴의 반복된 인스턴스가 3개의 정수 및 7개의 부동 소수점 수를 필요로 하고 이러한 인코딩 방식이 4개 이상의 꼭지점의 반복하는 패턴에 대한 압축을 생성하기 시작한다고 언급하고 있기 때문에, [SBM01]에서는 변환 정보, 적어도 스케일 인자가 군집화 또는 압축되지 않고, 따라서 본 발명보다 덜 효율적인 압축 방식이 이용된다는 것이 명백하다.

게다가, 본 발명은 반복하는 패턴의 발견 동안에 성분을 정렬하기 위해 2차 오차 행렬법을 사용할 수 있다. 따라서, 동일한 기하 형태 및 상이한 연결을 갖는 성분은 상이한 평균 및 방위축을 가질 것이다. [SBM01]은 성분의 꼭지점 위치의 PCA를 사용하고, 따라서 동일한 기하 형태 및 상이한 연결을 갖는 성분이 동일한 평균 및 방위축을 가질 것이다.

쌍별 성분 매칭 동안, 이들 알고리즘 둘다는 변환 후의 꼭지점의 위치만을 비교한다. 따라서, 동일한 기하 형태 및 상이한 토폴로지를 갖는 상이한 성분이 구분될 수 있다([SBM01]에서는 그렇지 않음). 본 발명에 따른 향상된 디코더는 패턴의 반복하는 인스턴스를 복원하기 전에 패턴의 평균 및 방위를 계산한다. 게다가, PCA의 축퇴 경우에(도 5를 참조하여 전술함), 2가지 방법의 해결책이 상이한데, 즉 본 발명이 [SBM01]의 해결책보다 우수하다.

게다가, 본 발명에서, 모든 반복하는 인스턴스의 위치가, [OG00]에 기술된 바와 같이, kd-트리 기반 알고리즘에 의해 압축된다. 게다가, 본 발명에서, 반복하는 인스턴스의 방위축은 k-평균 기반 군집화 분석에 의해 압축된다. 게다가, 본 발명에서, 반복하는 인스턴스의 스케일 인자는 k-평균 기반 군집화 분석에 의해 압축된다.

방법, 신호 또는 장치의 일 실시예에서, 변환 정보는 클러스터를 대표하는 성분의 기하 데이터를 포함한다. 방법, 신호 또는 장치의 일 실시예에서, 대표적인 기하 패턴의 중심이 전송되지 않고, 디코더에서 재계산된다.

인코딩 방법의 일 실시예에서, 적어도 방위축 및 스케일 인자를 군집화하는 단계는 향상된 k-평균 군집화법을 사용하고, 이 군집화법은,

초기 파라미터 k에 기초하여 k-평균 군집화를 수행하는 단계 - 여기서 다수의 클러스터가 얻어짐 -,

클러스터 각각에 대해, 분산을 결정하고 결정된 분산을 초기 분산 임계값과 비교하는 단계,

결정된 분산이 임계값보다 높은 클러스터의 수 n을 결정하는 단계,

하나 이상의 클러스터에서, 결정된 분산이 임계값보다 높은 동안, 파라미터 k를 증가시키고 증가된 파라미터 k에 기초하여 k-평균 군집화를 수행하는 단계, 각각의 클러스터에 대해 분산을 결정하는 단계, 및 분산을 분산 임계값과 비교하는 단계를, 모든 클러스터에서 결정된 분산이 임계값보다 낮을 때까지, 반복하는 단계를 가진다.

적어도 방위축 및 스케일 인자의 군집화가 향상된 k-평균 군집화를 사용하는 인코딩 장치의 일 실시예에서, 장치는,

초기 파라미터 k에 기초하여 k-평균 군집화를 수행하는 군집화 수단 - 여기서 다수의 클러스터가 얻어짐 -,

각각의 클러스터에 대해, 분산을 결정하는 분산 결정 수단 및 결정된 분산을 초기 분산 임계값과 비교하는 비교기,

결정된 분산이 임계값보다 높은 클러스터의 수 n을 결정하는 분석 수단, 및

하나 이상의 클러스터에서 결정된 분산이 임계값보다 높은 동안 파라미터 k를 증가시키는 가산기를 포함하고, k-평균 군집화는 증가된 파라미터 k에 기초하여, 결정된 분산이 모든 클러스터에서 임계값보다 작을 때까지, 반복될 수 있다.

일 실시예에서, 파라미터 k가 임계값보다 높은 분산을 갖는 클러스터의 수 n만큼 증가된다.

일 실시예에서, 디코딩 방법은 성분의 평균 또는 중심을 계산하는 단계를 더 포함하고, 변환하는 단계가 중심에 적용된다. 일 실시예에서, 디코더는 성분의 평균 또는 중심을 계산하는 계산 수단을 더 포함하고, 변환하는 수단이 그의 변환을 중심에 적용한다. 인코딩 방법의 일 실시예에서, 성분의 평균을 결정하는 단계는 성분의 꼭지점을 초기 셀에서의 그의 좌표에 따라 분류하는 단계, 각각의 반복에서 셀을 2개의 자식 셀로 세분하는 단계, 2개의 자식 셀 중 하나의 자식 셀에서의 꼭지점의 수를 인코딩하는 단계, 및 각각의 비어 있지 않은 셀이 단지 하나의 꼭지점을 포함할 정도로 충분히 작을 때까지 세분을 반복하여 적용하는 단계를 갖는 반복적 kd-트리 기반 압축(iterative kd-tree based compression)을 포함한다. 인코더의 일 실시예에서, 성분의 평균을 결정하는 수단은 반복적 kd-트리 기반 압축을 수행하고, 성분의 꼭지점을 초기 셀에서의 그의 좌표에 따라 분류하는 수단, 각각의 반복에서 셀을 2개의 자식 셀로 세분하는 수단, 2개의 자식 셀 중 하나의 자식 셀에서의 꼭지점의 수를 인코딩하는 수단, 및 각각의 비어 있지 않은 셀이 단지 하나의 꼭지점을 포함할 정도로 충분히 작을 때까지 세분을 반복하여 적용하는 제어 수단을 가진다.

인코딩 방법의 일 실시예에서, 정규화하는 단계(604)는 성분의 중심을 결정하는 단계, 가로 이동(transversal shift)에서 중심을 세계 좌표계의 중심으로 이동시키는 단계, 1개, 2개 또는 3개의 축을 중심으로 성분을 회전시키는 단계, 및 성분을 1개, 2개 또는 3개의 차원에서 스케일링하는 단계를 포함한다. 인코딩 장치의 일 실시예에서, 정규화하는 수단은 성분의 중심을 결정하고, 가로 이동에서 중심을 세계 좌표계의 중심으로 이동시키며, 1개, 2개 또는 3개의 축을 중심으로 성분을 회전시키고, 성분을 1개, 2개 또는 3개의 차원에서 스케일링하는 제어 수단을 포함한다.

인코딩의 일 실시예에서, 반복하는 패턴의 발견 동안 성분을 정렬하기 위해 2차 오차 행렬법이 사용된다.

인코딩의 일 실시예에서, 연결 성분에 대한 미압축된 변환 정보는 10개의 부동 소수점 값을 포함한다.

일 실시예에서, 디코딩 방법은 각각의 반복하는 성분의 인스턴스를 복원하기 전에 그의 평균을 계산하는 단계 - 여기서 평균을 계산하는 데 kd-트리 기반 계산법이 사용됨 - 를 더 포함한다. 일 실시예에서, 디코딩 장치는 각각의 반복하는 성분의 인스턴스를 복원하기 전에 그의 평균을 계산하는 계산 수단 - 여기서 평균을 계산하는 데 kd-트리 기반 계산법이 사용됨 - 을 더 포함한다.

일 실시예에서, 디코딩 방법은 스케일링 및 회전 이전에 패턴의 특정의 인스턴스의 레시듀얼 데이터를 가산하는 부가의 단계를 더 포함한다. 일 실시예에서, 디코딩 장치는 스케일링 및 회전 이전에 패턴의 특정의 인스턴스의 레시듀얼 데이터를 가산하는 부가의 가산 수단을 더 포함한다.

일 실시예에서, 디코딩 방법은 패턴의 반복하는 인스턴스를 복원하기 전에 패턴의 평균 및 방위를 계산하는 부가의 단계를 더 포함한다. 일 실시예에서, 디코딩 장치는 패턴의 반복하는 인스턴스를 복원하기 전에 패턴의 평균 및 방위를 계산하는 계산 수단을 더 포함한다.

따라서, 본 발명은 종래 기술의 모든 상기한 문제점 및 단점을 해결한다. 예를 들어, [SBM01]은 대응하는 기하 패턴으로부터 연결 성분을 복원하는 데 필요한 정보를 압축하는 해결책을 제공하지 않는다. 3D 엔지니어링 모델이 보통 갖는 연결 성분의 큰 크기를 고려하면, 이러한 종류의 정보는 또한 대량의 저장 장치를 소비할 것이다.

본 발명이 단지 예로서 기술되었고 본 발명의 범위를 벗어나지 않고 상세에 대한 수정이 행해질 수 있다는 것을 이해할 것이다.

본 발명의 바람직한 실시예에 적용되는 본 발명의 새로운 기본 특징이 도시되고, 기술되며 지적되어 있지만, 기술된 장치 및 방법, 개시된 장치의 형태 및 상세, 그리고 그의 동작에서의 다양한 생략, 대체 및 변경이 본 발명의 사상을 벗어나지 않고 당업자에 의해 행해질 수 있다는 것을 이해할 것이다. 본 발명이 3D 엔지니어링 메시 모델과 관련하여 기술되어 있지만, 당업자라면 본 명세서에 기술된 방법 및 장치가 임의의 3D 모델에 적용될 수 있다는 것을 인식할 것이다. 동일한 결과를 달성하기 위해 실질적으로 동일한 방식으로 실질적으로 동일한 기능을 수행하는 요소들의 모든 조합이 명백히 본 발명의 범위 내에 속하는 것으로 보아야 한다. 기술된 한 실시예의 요소를 다른 요소로 치환하는 것도 충분히 생각되고 있다.

상세한 설명 및 특허청구범위와 도면에 개시된 각각의 특징이 독립적으로 또는 임의의 적절한 조합으로 제공될 수 있다. 특징이, 적절한 경우, 하드웨어로, 소프트웨어로, 또는 이 둘의 조합으로 구현될 수 있다. 청구항에 나오는 참조 번호는 단지 예시이며, 청구항의 범위를 결코 제한하는 것으로 보아서는 안 된다.

Claims

복수의 반복하는 연결 성분을 포함하는 3D 메시 모델을 인코딩하는 방법으로서,
상기 3D 메시 모델을 자동으로 분석하는 단계 - 상기 반복하는 성분들이 결정되고 또한 패턴 클러스터들로서 분류되며, 각각의 성분의 평균이 결정되고, 이어서 상기 성분이 정규화되며, 여기서 상기 정규화하는 것은 스케일링 인자들을 결정하고 상기 스케일링 인자들을 스케일링 인자 클러스터들로 분류하는 것, 및 방위축들(orientation axes)을 결정하고 상기 방위축들을 방위축 클러스터들로 군집화(cluster)하는 것을 포함함 -;
고유의 클러스터 식별자들을 상기 패턴 클러스터들, 상기 스케일링 인자 클러스터들 및 상기 방위축 클러스터들에 할당하는 단계;
상기 성분들을 인코딩하는 단계 - 상기 성분들이 상기 패턴 클러스터들, 상기 스케일링 인자 클러스터들 및 상기 방위축 클러스터들과 비교되고, 그에 의해 적어도 패턴 클러스터 식별자(cluster_ID), 스케일 인자 클러스터 식별자(scale_ID), 스케일 인자 레시듀얼(d_scale), 방위축 클러스터 식별자(ori_ID), 및 방위 레시듀얼(d_ori)을 획득함 -; 및
그 각자의 패턴 클러스터 식별자, 스케일 인자 클러스터 식별자, 스케일 인자 레시듀얼, 방위축 클러스터 식별자 및 방위 레시듀얼로 표현되는 대로의 각각의 성분을 엔트로피 인코딩(106)하는 단계
를 포함하는 3D 메시 모델 인코딩 방법.
제1항에 있어서, 상기 반복하는 성분들은 반복하는 기하 패턴들을 갖고 또한 상기 정규화하는 것 이후에 발견되는 3D 메시 모델 인코딩 방법.
제1항 또는 제2항에 있어서, 적어도 상기 방위축들 및 상기 스케일 인자들을 군집화하는 것은 향상된 k 평균 군집화법을 사용하고, 이 군집화법은,
초기 파라미터 k에 기초하여 k 평균 군집화를 수행하는 스텝 - 여기서 다수의 클러스터가 얻어짐 -;
상기 클러스터들 각각에 대해, 분산(variance)을 결정하고 또한 상기 결정된 분산을 초기 분산 임계값과 비교하는 스텝;
상기 결정된 분산이 상기 임계값보다 높은 클러스터들의 수 n을 결정하는 스텝;
하나 이상의 클러스터에서 상기 결정된 분산이 상기 임계값보다 높은 동안, 상기 파라미터 k를 증가시키고, 또한 상기 증가된 파라미터 k에 기초하여 k 평균 군집화를 수행하고, 각각의 클러스터에 대해 분산을 결정하고 및 상기 분산을 상기 분산 임계값과 비교하는 것을, 모든 클러스터들에서 상기 결정된 분산이 상기 임계값보다 낮을 때까지, 반복하는 스텝을 갖는
3D 메시 모델 인코딩 방법.
제3항에 있어서, 상기 k 평균 군집화의 파라미터 k는 상기 임계값보다 높은 분산을 갖는 클러스터들의 수 n만큼 증가되는 3D 메시 모델 인코딩 방법.
제1항 내지 제4항 중 어느 한 항에 있어서, 상기 성분의 평균을 결정하는 것은, 상기 성분의 꼭지점들을 초기 셀에서의 이들의 좌표들에 따라 분류(assort)하는 스텝, 각각의 반복에서 셀을 2개의 자식 셀로 세분(subdivide)하는 스텝, 상기 2개의 자식 셀 중 하나의 자식 셀에서의 꼭지점들의 수를 인코딩하는 스텝 및 각각의 비어 있지 않은 셀이 하나의 꼭지점만을 포함할 정도로 충분히 작아질 때까지 상기 세분을 반복하여(recursively) 적용하는 스텝을 구비한 반복적 kd 트리 기반 압축(iterative kd-tree based compression)을 포함하는 3D 메시 모델 인코딩 방법.
제1항 내지 제5항 중 어느 한 항에 있어서, 정규화하는 스텝(604)은 상기 성분의 중심을 결정하는 것, 상기 중심을 가로 이동(transversal shift)에서의 세계 좌표계의 중심으로 이동시키는 것, 1개, 2개 또는 3개의 축 주위로 상기 성분을 회전시키는 것, 및 상기 성분을 1개, 2개 또는 3개의 차원에서 스케일링하는 것을 포함하는 3D 메시 모델 인코딩 방법.
3D 메시 모델을 디코딩하는 방법으로서,
수신된 데이터를 엔트로피 디코딩(200)하는 단계;
패턴 클러스터 식별자 및 변환 정보를 추출하는 단계 - 상기 변환 정보는 변환 클러스터 식별자들 및 변환 레시듀얼들을 포함함 -;
상기 패턴 클러스터 식별자에 따라 패턴을 재구성하는 단계;
상기 변환 클러스터 식별자들 및 상기 변환 레시듀얼들에 따라 변환 정보를 재구성하는 단계; 및
상기 재구성된 변환 정보에 따라 상기 재구성된 패턴을 변환하는 단계
를 포함하는 3D 메시 모델 디코딩 방법.
제7항에 있어서, 상기 변환 정보는 스케일 인자 클러스터 식별자, 스케일 인자 레시듀얼, 방위축 클러스터 식별자 및 방위축 레시듀얼을 포함하는 3D 메시 모델 디코딩 방법.
제7항 또는 제8항에 있어서, 성분의 평균 또는 중심을 계산하는 단계를 더 포함하고, 상기 변환은 상기 중심에 적용되는 3D 메시 모델 디코딩 방법.
제7항 내지 제9항 중 어느 한 항에 있어서, 스케일링 및 회전 이전에 상기 패턴의 특정의 인스턴스의 레시듀얼 데이터를 가산하는 단계를 더 포함하는 3D 메시 모델 디코딩 방법.
제1항 내지 제10항 중 어느 한 항에 있어서, 상기 변환 정보는 클러스터를 나타내는 성분의 기하 데이터를 포함하는 3D 메시 모델 디코딩 방법.
제11항에 있어서, 상기 성분의 중심은 전송되지 않고 디코딩 동안 재계산되는 3D 메시 모델 디코딩 방법.
복수의 반복하는 성분을 포함하는 3D 메시 모델을 인코딩하는 장치로서,
상기 3D 메시 모델을 자동으로 분석하는 분석 수단 - 반복하는 성분들이 결정되고 또한 패턴 클러스터들로 분류되며, 각각의 성분의 평균 또는 중심이 결정되고, 이어서 상기 성분이 정규화되며, 여기서 상기 정규화하는 것은 스케일링 인자들을 결정하고 상기 스케일링 인자들을 스케일링 인자 클러스터들로 분류하는 것, 및 방위축들을 결정하고 상기 방위축들을 방위축 클러스터들로 군집화하는 것을 포함함 -;
고유의 클러스터 식별자들을 상기 패턴 클러스터들, 스케일링 인자 클러스터들 및 방위축 클러스터들에 할당하는 할당 수단;
상기 성분들을 인코딩하는 인코딩 수단 - 상기 성분들이 상기 패턴 클러스터들, 스케일링 인자 클러스터들 및 방위축 클러스터들과 비교되고, 그에 의해 패턴 클러스터 식별자(cluster_ID), 스케일 인자 클러스터 식별자(scale_ID), 스케일 인자 레시듀얼(d_scale), 방위축 클러스터 식별자(ori_ID), 및 방위 레시듀얼(d_ori)을 획득함 -; 및
패턴 클러스터 식별자, 스케일 인자 클러스터 식별자, 스케일 인자 레시듀얼, 방위 클러스터 식별자 및 방위 레시듀얼로 표현되는 대로의 각각의 성분을 엔트로피 인코딩(106)하는 엔트로피 인코더
를 포함하는 3D 메시 모델 인코딩 장치.
3D 메시 모델을 디코딩하는 장치로서,
수신된 데이터를 엔트로피 디코딩하는 엔트로피 디코더(200);
패턴 클러스터 식별자 및 변환 정보를 추출하는 데이터 추출 수단 - 상기 변환 정보는 변환 클러스터 식별자들 및 변환 레시듀얼들을 포함함 -;
상기 패턴 클러스터 식별자에 따라 패턴을 재구성하는 패턴 재구성 수단;
상기 변환 클러스터 식별자들 및 상기 변환 레시듀얼들에 따라 변환 정보를 재구성하는 변환 정보 재구성 수단; 및
상기 재구성된 변환 정보에 따라 상기 재구성된 패턴을 변환하는 변환 수단
을 포함하는 3D 메시 모델 디코딩 장치.
인코딩된 3D 메시 모델의 데이터를 포함하는 신호로서,
상기 데이터는 적어도 하나의 패턴 클러스터 식별자(cluster_ID) 및 변환 정보를 포함하고, 상기 변환 정보가 변환 클러스터 식별자들(scale_ID, ori_ID) 및 변환 레시듀얼들(d_scale, d_ori)을 포함하는
신호.