Proteus: A Truncation-Robust Entropy Model for Progressive LiDAR Compression

기술 요약: PROTEUS – 점진적 LiDAR 압축을 위한 절단 강인성 엔트로피 모델

1. 문제 정의

LiDAR 포인트 클라우드는 충돌 감지, 위험 회피와 같은 안전 필수적 협력 인지(collaborative perception)에 필수적인 명시적이고 결정론적인 물리적 경계를 제공한다. 그러나 이러한 조밀한 데이터 구조를 동적인 무선 채널(V2X, UAV 스웜 등)을 통해 전송하는 것은 두 가지 핵심적인 과제를 야기한다:

• 대역폭 변동 및 절단(Truncation): 일시적인 링크 단절이나 대역폭 저하는 전송 중 스트림 절단을 유발한다. 기존 코덱은 이러한 조건에서 붕괴하며, 비트레이트를 재협상하기 위해 지연 시간이 긴 피드백 루프를 필요로 하는데, 이는 실시간 파이프라인을 정체시킨다.
• 채널 손상 vs. 물리적 충실도: Deep JSCC나 MDC와 같은 기존의 강인한 프레임워크는 통계적 또는 파라미터적 추정을 통해 누락된 영역을 재구성함으로써 패킷 손실을 처리한다. 이는 경쟁력 있는 지각 품질(perceptual quality)이나 다운스트림 mAP를 유지할 수는 있지만, 정확한 물리적 측정값을 검증되지 않은 알고리즘적 추정치로 변환해 버린다. 안전 필수 작업의 경우, 비록 해상도는 낮아지더라도 센서 측정값의 수학적으로 경계가 정해진 결정론적 성질을 보존하는 것이 필수적이다.

핵심 과제는 **점진적이고 절단에 강인한 압축(progressive, truncation-robust compression)**을 달성하면서도, 통계적 추정 방식에 내재된 기하학적 "환각(hallucination)"을 피하고 LiDAR 측정치의 정확한 물리적 경계를 엄격히 보존하는 학습된 코덱을 설계하는 것이다.

2. 방법론

저자들은 2D 레인지 이미지(range image) 상에서 작동하는 학습된 LiDAR 코덱인 Proteus를 제안한다. 이 프레임워크는 스트림 수준의 절단 강인성을 달성하기 위해 프레임 표현을 두 개의 독립적인 코딩 스트림으로 분리한다:

A. 표현 및 분리(Representation & Decoupling)
입력 레인지 이미지 $R = (x, a)$는 레인지 채널 $x$(비트 깊이 $d$)와 속성 채널 $a$(예: 반사도)로 구성된다. 레인지 채널은 $d$개의 비트 평면(bit-planes)으로 슬라이싱되어 다음과 같이 분할된다:

1. SIG (Significant): 가장 중요한 비트 평면들($x_{1:s}$)로, "head"($x_{1:h}$)와 "mid"($x_{h+1:s}$) 서브 블록을 포함한다.
2. INS (Insignificant): 나머지 tail 비트 평면들($x_{s+1:d}$) 및 모든 속성 채널들이다.

B. SIG Coder: 자기 완결적 비츠-백(Self-Contained Bits-Back)
SIG 블록은 블록 내에서 완전히 자기 완결적으로 작동하는 비츠-백(bits-back) 코딩 방식을 사용하여 중요한 평면들을 인코딩한다.

• 메커니즘: 이는 자기 회귀적 초기 비츠(Autoregressive Initial Bits, ArIB) 메커니즘을 활용한다. "mid" 서브 블록이 잠재 변수(latent variable)에 대한 조건화 없이 먼저 인코딩되어 초기 비츠를 생성한다. 이 비츠들은 이후 $q(z|x_{1:h})$ 하에서 인코딩되는 "head" 서브 블록의 잠재 변수 $z$를 디코딩하는 데 사용된다.
• 이점: 이를 통해 (보통 시퀀스 전체에 걸쳐 아마데이션(amortization)이 필요한) 비츠-백 코딩의 단일 프레임 오버헤드를 제거한다. SIG 블록은 절단 불가능(non-truncatable)하며, 이는 필수적이고 자기 완결적인 지각적 하한선을 구축한다. 만약 스트림이 SIG가 완료되기 전에 절단되더라도 프레임은 디코딩 불가능하지만, SIG가 수신되면 근본적인 기하학적 구조는 보존된다.

C. INS Coder: 절단 강인한 FIFO
INS 블록은 나머지 레인지 평면과 속성을 FIFO(First-In-First-Out) 레인지 코더를 사용하여 인코딩한다.

• 순서(Ordering): 스트림은 레인지 tail 평면($x_{s+1:d}$)을 속성 평면($a$)보다 앞세워 직렬화된다. 이는 대역폭 저하 시 속성 충실도보다 기하학적 정밀도를 우선시하도록 한다.
• 절단 특성:
  • 결정론적 정밀도 저하: $N$개의 최소 유효 비트 평면이 절단되는 것은 수학적으로 제로 패딩(zero-padding)과 동일하며, 결과적으로 결정론적인 공간 정밀도 저하($\Delta_N = 2^N \cdot \Delta_0$)를 초래한다. 이는 누락된 기하학에 대한 통계적 추정의 필요성을 없앤다.
  • 하이브리드 속성 재구성: 속성 비츠가 절단될 때, 남은 비츠는 하이브리드 무손실-예측 방식을 통해 재구성된다. 디코딩된 기하 구조(SIG 및 수신된 INS 레인지로부터 추출)는 예측 네트워크 $h_\theta$를 위한 강력한 구조적 사전 지식(prior) 역할을 하여 누락된 속성 세부 사항을 근사한다.
• 강인성: SIG가 비트스트림의 약 30%를 차지하므로, Proteus는 INS 스트림의 최대 70%가 절단되더라도 완전한 디코딩이 가능하다.

3. 주요 기여

1. 절단 강인한 비츠-백(Truncation-Robust Bits-Back): 본 논문은 절단 강인성과 고효율 비츠-백 코딩 사이의 상충 관계를 해결한다. 스트림을 분리하고 ArIB를 활용함으로써, Proteus는 무손실 압축 효율의 미미한 손실만으로 점진적이고 유연한 성능 저하를 가능하게 하며, 단일 프레임 오버헤드를 제거한다.
2. 전략적 기하-속성 순서화: 대역폭 감소 시 속성 정밀도를 먼저 희생하도록 설계된 결합 코딩 프레임워크를 통해, 절단 가능한 스트림 내에 종속적인 속성 데이터를 배치한다. 이를 통해 시스템은 대역폭 저하 중에도 다운스트림 인지 성능을 유지하며 자연스럽게 속성 정밀도를 포기할 수 있다.
3. 결정론적 물리적 보존: 파라미터적 추정에 의존하는 Deep JSCC나 MDC와 달리, Proteus는 절단된 재구성이 소스의 수학적으로 경계가 정해진 투영임을 보장한다. 기하학은 "환각"되지 않으며, 단순히 더 낮은 정밀도로 재구성될 뿐이다.

4. 실험 결과

실험은 Waymo Open Dataset (WOD) 및 SemanticKITTI에서 수행되었다.

• 절단 강인성: Proteus는 최대 ~70%의 비트스트림 절단을 견딜 수 있다. 절단 시, 기하학적 오차는 수학적으로 제한되며(예: KITTI에서 3개 평면 절단 시 약 8mm 정밀도 유지), 다운스트림 3D 객체 탐지 성능은 붕괴하는 대신 자기 완결적인 하한선까지 점진적으로 저하된다.
• 압축 효율 (이상적인 채널 조건): 이상적인 조건(절단 0%)에서 Proteus는 기존 표준(G-PCC, Draco, JPEG XL) 및 학습 기반 베이스라인인 Unicorn을 능가한다.
  • SemanticKITTI: 기하학 부문에서 G-PCC 대비 **-35.41%**의 BD-rate 이득, 강도(intensity) 부문에서 **-15.59%**를 달성했다.
  • WOD: 기하학 부문에서 G-PCC 대비 **-42.72%**의 BD-rate 이득, 강도 부문에서 **-80.47%**를 달성했다.
• 어블레이션 연구(Ablation Studies):
  • 비츠-백 메커니즘을 제거하면 레이트(rate)가 +20.19% 증가한다.
  • ArIB 스킴을 제거하면 레이트가 +31.17% 증가한다.
  • 분리된 설계는 절단 강인성을 위해 결합된 ArIB 스킴과 비교했을 때 단 **6.56%**의 효율성 세금(tax)만을 부과한다.
  • 하이브리드 속성 재구성 모듈(LUT + CNN Head)은 계산량이 매우 가볍지만(저장 용량 1.3 MB, 오버헤드 5.2 ms) 성능에 결정적이다(두 모듈을 모두 제거하면 BD-rate가 +67.8% 증가한다).

5. 의의 및 주장

본 논문은 안전 필수적인 LiDAR 애플리케이션을 위한 고효율 압축과 채널 강인한 전송 사이의 근본적인 긴장을 Proteus가 해결한다고 주장한다. 표현을 분리하고 내부적인 의존성을 엄격히 제한함으로써, Proteus는 다음을 달성한다:

• 프레임 수준의 패킷 손실 저항성 (파괴될 인터 프레임 예측이 없음).
• 사전 협조 없이도 유효한 재구성을 생성하는 접두사 디코딩 가능(prefix-decodable) 비트스트림.
• 수학적으로 검증 가능한 안전망: 재구성된 포인트 클라우드는 결정론적 물리적 경계를 유지하므로, 심각한 절단 상황에서도 데이터가 검증되지 않은 추정치가 아닌, 비록 정밀도는 낮더라도 충실한 측정값임을 보장한다.

저자들은 Proteus를 신뢰할 수 없는 무선 채널 환경에서도 안전 필수적 의사결정에 필요한 수학적 무결성을 훼nt하지 않으면서, 협력 자율 시스템이 조밀한 포인트 클라우드를 공유할 수 있게 하는 솔루션으로 제시한다.