[논문 리뷰] Semantic Communications System with Model Division Multiple Access and Controllable Coding Rate for Point Cloud

Xiaoyi Liu, Haotai Liang외 3명|arXiv (Cornell University)|2023. 07. 12.

AI in cancer detectionComputer Science인용 수 3

한 줄 요약

이 논문은 깊이 신경망을 활용한 의미 특징 추출과 통합 소스채널 코딩(JSCC)을 통해 노이즈가 있는 채널에서 발생하는 '절벽 효과'를 완화하기 위해 포인트 클라우드 의미 통신 시스템(PCSC)을 제안한다. 의미 벡터의 중요도를 분석하고 중요도가 낮은 특징을 제거함으로써, 재학습 없이도 제어 가능한 코딩 속도를 구현할 수 있으며, 비직교 모델 분할 다중접근(MDMA)과 통합되어 다중 사용자 전송이 가능해져 동일 대역폭 조건에서 기존 방법 대비 PSNR D1 및 D2에 최대 10 dB의 성능 향상을 달성한다.

ABSTRACT

Point cloud, as a 3D representation, is widely used in autonomous driving, virtual reality (VR), and augmented reality (AR). However, traditional communication systems think that the point cloud's semantic information is irrelevant to communication, which hinders the efficient transmission of point clouds in the era of artificial intelligence (AI). This paper proposes a point cloud based semantic communication system (PCSC), which uses AI-based encoding techniques to extract the semantic information of the point cloud and joint source-channel coding (JSCC) technology to overcome the distortion caused by noise channels and solve the "cliff effect" in traditional communication. In addition, the system realizes the controllable coding rate without fine-tuning the network. The method analyzes the coded semantic vector's importance and discards semantically-unimportant information, thereby improving the transmission efficiency. Besides, PCSC and the recently proposed non-orthogonal model division multiple access (MDMA) technology are combined to design a point cloud MDMA transmission system (M-PCSC) for multi-user transmission. Relevant experimental results show that the proposed method outperforms the traditional method 10dB in the same channel bandwidth ratio under the PSNR D1 and PSNR D2 metrics. In terms of transmission, the proposed method can effectively solve the "cliff effect" in the traditional methods.

연구 동기 및 목표

• 원시 데이터가 아닌 의미 정보를 활용함으로써 기존 통신 시스템의 포인트 클라우드 전송 효율성 문제를 해결하기 위해.
• 깊이 신경망 기반의 통합 소스채널 코딩(JSCC) 기반으로 기존 시스템의 '절벽 효과'를 극복하기 위해.
• 의미 벡터의 중요도를 분석하고 관련성이 낮은 특징을 제거함으로써, 네트워크 재학습 없이도 제어 가능한 코딩 속도를 구현하기 위해.
• 비직교 모델 분할 다중접근(MDMA)과의 통합을 통해 다중 사용자 포인트 클라우드 전송을 지원하고 대역폭 사용을 줄이기 위해.
• 통합 프레임워크 내에서 종단간 전송 왜곡을 최적화하여 재구성 품질을 향상시키기 위해.

제안 방법

• PCSC 시스템은 포인트 클라우드에서 의미 특징을 추출하기 위해 딥 뉴럴 네트워크 기반 인코더를 사용하며, 기존 비트스트림 인코딩을 대체한다.
• 종단간 전송 왜곡을 최소화하고 노이즈에 대한 강인성을 향상시키며 '절벽 효과'를 완화하기 위해 통합 소스채널 코딩(JSCC) 메커니즘을 적용한다.
• 의미 벡터의 중요도는 벡터 값의 크기와 그 기울기의 크기를 기반으로 결정되며, 이는 중요도가 낮은 특징을 선택적으로 제거하여 제어 가능한 코딩 속도를 가능하게 한다.
• 벡터 크기와 기울기에서 유도된 임계값을 기반으로 의미적으로 중요도가 낮은 정보를 동적으로 제거함으로써 재학습 없이도 대역폭을 절감한다.
• M-PCSC 시스템은 PCSC와 비직교 MDMA를 통합하며, 공유 의미 특징은 한 번만 전송되고 사용자별 특징은 별도로 전송되어 스펙트럼 효율성을 최적화한다.
• 전체 시스템은 왜곡을 최소화하기 위한 종단간 최적화 문제로 공식화되며, 성능 평가에는 PSNR D1 및 D2 지표가 사용된다.

실험 결과

연구 질문

• RQ1 의미 통신이 3차원 포인트 클라우드 전송에 효과적으로 적용되어 효율성과 강인성을 향상시킬 수 있는 방법은 무엇인가?
• RQ2 통합 소스채널 코딩(JSCC)이 노이즈가 있는 채널에서 포인트 클라우드 전송의 '절벽 효과'를 어느 정도 감소시킬 수 있는가?
• RQ3 크기와 기울기를 활용해 의미 벡터의 중요도를 정량화할 수 있는가? 이를 통해 재학습 없이도 세밀한 제어 가능한 코딩 속도를 달성할 수 있는가?
• RQ4 PCSC를 비직교 모델 분할 다중접근(MDMA)과 통합함으로써 다중 사용자 포인트 클라우드 전송에서 스펙트럼 효율성이 어떻게 향상되는가?
• RQ5 동일한 대역폭 조건에서 기존의 LDPC 기반 포인트 클라우드 전송 방식에 비해 제안된 시스템이 PSNR D1 및 D2 측정치에서 어떤 성능 향상을 보이는가?

주요 결과

• 제안된 PCSC 시스템은 동일한 채널 대역폭 비율 조건에서 기존의 LDPC 기반 시스템 대비 PSNR D1 및 PSNR D2 지표에서 최대 10 dB의 성능 향상을 달성한다.
• JSCC 기반 PCSC는 '절벽 효과'를 효과적으로 완화하여 저신호대역비(SNR) 조건에서도 안정적인 성능 유지를 보이며, 기존의 LDPC 방식과는 달리 성능 저하가 급격히 발생하지 않는다.
• Rayleigh fading 채널에서 1/2 LDPC + 16QAM의 '절벽 효과'는 약 9 dB SNR에서 발생하지만, JSCC를 적용한 PCSC는 점진적인 성능 저하를 보인다.
• 의미적 중첩률(Sor)이 0.8일 경우 M-PCSC 시스템은 대역폭을 약 40% 절감할 수 있으며, 원본 재구성 품질에 매우 가까운 성능을 유지한다.
• 저SNR(0 dB) 조건에서 비직교 MDMA 기반 M-PCSC는 기존의 NOMA 방식에 비해 약 30 dB 높은 시스템 성능을 기록한다.
• Sor가 0.8 이하일 경우 시스템은 안정적인 재구성 품질을 유지하지만, Sor가 0.8를 초과할 경우 공유 특징 전송에서 간섭이 증가하여 성능 저하가 발생한다.