[논문 리뷰] OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression

Lila Huang, Shenlong Wang외 3명|arXiv (Cornell University)|2020. 05. 14.

Advanced Neural Network Applications참고 문헌 1인용 수 14

한 줄 요약

OctSqueeze는 공간적 희소성과 구조를 효율적으로 활용하는 3D LiDAR 포인트 클라우드 압축을 위한 옥트리 구조 엔트로피 모델을 제안한다. 계층적 특징 집약과 문맥 특징을 활용하여 기존 최고 성능(SOTA)을 달성하며, 드라코 대비 최대 43%까지 비트레이트를 감소시키면서도 높은 재구성 품질을 유지하고 실시간 인코딩을 가능하게 한다. 특히 저비트레이트에서 3D 객체 탐지와 같은 후행 작업에서 뛰어난 성능을 보인다.

ABSTRACT

We present a novel deep compression algorithm to reduce the memory footprint of LiDAR point clouds. Our method exploits the sparsity and structural redundancy between points to reduce the bitrate. Towards this goal, we first encode the LiDAR points into an octree, a data-efficient structure suitable for sparse point clouds. We then design a tree-structured conditional entropy model that models the probabilities of the octree symbols to encode the octree into a compact bitstream. We validate the effectiveness of our method over two large-scale datasets. The results demonstrate that our approach reduces the bitrate by 10-20% at the same reconstruction quality, compared to the previous state-of-the-art. Importantly, we also show that for the same bitrate, our approach outperforms other compression algorithms when performing downstream 3D segmentation and detection tasks using compressed representations. Our algorithm can be used to reduce the onboard and offboard storage of LiDAR points for applications such as self-driving cars, where a single vehicle captures 84 billion points per day

연구 동기 및 목표

• 공간적 희소성과 구조를 효율적으로 활용하는 LiDAR 포인트 클라우드 압축 방법을 개발한다.
• 부모 노드에서 유도된 문맥 특징을 계층적으로 집약하여 예측 정확도를 향상시키는 엔트로피 모델을 설계한다.
• 재구성 품질을 훼손하지 않으면서 비트레이트를 최소화하고, 실시간 인코딩 및 디코딩을 달성한다.
• 드라코, JPEG2000, 볼록 기반 방법과 같은 기존 베이스라인을 초월하여 압축 효율성과 후행 작업 성능 양면에서 승리한다.
• 엔트로피 모델의 예측 능력에 기여하는 각 입력 특징(레벨, 부모 점유율, 옥턴트 인덱스, 공간 위치)의 기여도를 검증한다.

제안 방법

• 이 방법은 3D LiDAR 포인트 클라우드를 공간적으로 일관된 영역으로 반복적으로 분할하는 옥트리 데이터 구조를 사용하여 계층적 압축을 가능하게 한다.
• 엔트로피 모델은 트리 구조로 구성되며, 각 노드는 상위 부모 노드의 문맥 특징을 집약하여 점진적으로 고차원 공간적 맥락을 통합한다.
• 모델은 각 노드당 네 가지 입력 특징(옥트리 레벨, 부모 점유율 기호, 옥턴트 인덱스, 공간 위치)을 취해 예측 정확도를 향상시킨다.
• K=4단계의 계층적 집약 방식을 사용하며, 이는 추론 실험을 통해 최적임이 입증되었다.
• 엔트로피 모델은 하이퍼프리오어와 함께 엔드 투 엔드로 훈련되며, 잠재 표현을 압축하기 위해 인자화된 엔트로피 모델을 사용한다.
• 최적화된 옥트리 구축 및 효율적인 범위 인코딩을 통해 실시간 성능을 달성하였으며, 대규모 포인트 클라우드의 경우 인코딩 시간이 100ms 이내였다.

실험 결과

연구 질문

• RQ1 모델 용량 증가 외에 부모 노드의 맥락 특징을 계층적으로 집약함으로써 엔트로피 모델 성능이 향상되는가?
• RQ2 비트레이트 감소 측면에서 엔트로피 모델의 최적 집약 단계 수(K)는 얼마인가?
• RQ3 개별 입력 특징(레벨, 부모 점유율, 옥턴트 인덱스, 공간 위치)이 모델의 예측 능력에 기여하는 정도는 어떻게 되는가?
• RQ4 범위 기반 및 볼록 기반 압축 베이스라인에 비해 옥트리 구조 엔트로피 모델이 압축 효율성과 후행 작업 성능 양면에서 승리하는가?
• RQ5 제안된 방법은 대규모 LiDAR 포인트 클라우드의 실시간 인코딩 및 디코딩을 수행할 수 있는가?

주요 결과

• 최적의 집약 단계 수는 K=4이며, K=5로 증가시킬 경우 비트레이트가 0.1 증가한다(깊이=12일 때 3.17에서 3.27 bpp로). 이는 과적합 또는 수익 감소를 시사한다.
• 부모 노드의 맥락 특징을 집약함으로써 성능 향상이 뚜렷하게 이루어지며, 이를 생략할 경우 K=0 모델 수준의 성능에 머무르므로, 단순한 모델 용량 증가가 아니라 맥락 집약이 핵심임을 입증한다.
• 레벨, 부모 점유율, 옥턴트 인덱스, 공간 위치의 네 가지 입력 특징을 모두 포함할 경우, 단일 노드 레벨만 사용하는 경우 대비 깊이=12에서 비트레이트가 1.69 bpp 감소함을 보여, 이들의 통합 기여도를 입증한다.
• 깊이=16일 때 비트레이트 14.33 bpp를 달성하여 드라코(18.87 bpp)와 JPEG 범위(15.91 bpp)를 모두 앞서며, 재구성 품질을 유지하거나 초월한다.
• 3D 객체 탐지 작업에서 북아메리카 데이터셋에서 14.64 bpp에서 93.00 AP를 기록하여 드라코(18.87 bpp에서 92.78 AP)를 능가함으로써 저비트레이트에서 뛰어난 후행 작업 활용도를 입증한다.
• 실시간 인코딩을 달성하였으며, 대규모 포인트 클라우드의 경우 총 인코딩 시간이 100ms 이내였고, 실용적 타당성을 입증한다.