• 한국HCI학회:학술대회논문집
• /
• 2006.02a
• /
• pp.493-498
• /
• 2006

본 논문에서는 3D 파노라믹 가상 환경 생성을 위한 투영기반 메쉬 모델 생성 기법을 제안한다. 제안된 메쉬 모델 생성 기법은 멀티뷰 카메라를 이용해 다수의 시점에서 얻은 실내 환경의 3D 데이터로부터 메쉬 모델을 생성한다. 먼저 미리 보정된 카메라 파라미터를 이용해 입력된 임의의 3D점 데이터를 여러 개의 하위 점군으로 분할한다. 적응적 샘플링을 통해 각 하위 점군으로부터 중복되는 점 데이터를 없애고 새로운 점군을 생성한다. 각각의 하위 점군을 Delaunay삼각화 방법을 통해 메쉬 모델링하고, 인접한 하위 점군의 메쉬들을 통합하여 하나의 메쉬 모델을 생성한다. 제안된 메쉬 모델링 방법은 점군의 분할을 통해 각 부분의 메쉬 모델을 독립적으로 생성하므로 실내 환경과 같은 넓은 영역의 모델링에 알맞다. 또한, 적응적 샘플링을 통해 3D 데이터가 갖는 깊이 정보의 특징을 보존하면서 메쉬 데이터의 크기를 줄인다. 생성된 가상 환경 모델은 가상/증강현실 응용 어플리케이션 등에 적용이 가능하다.

• Proceedings of the Korean Information Science Society Conference
• /
• 1998.10c
• /
• pp.641-643
• /
• 1998

본 논문은 방대한 양의 데이터로 이루어진 삼각형 메쉬의 특성을 유지하면서 보다 적은 양의 데이터로 간략화된 메쉬를 생성해내는 기법을 제안한다. 메쉬 간략화는 기본적으로 에지 축약에 의해서 이루어지며, 에지 축약에 의해 발생하는 에러는 원본 메쉬의 점과 간략화된 메쉬의 평균 평면간의 거리를 사용하여 측정한다. 또한 본 논문에서 제안한 메쉬 간략화 기법을 사용하여 다단계의 해상도를 가지는 메쉬를 빠르게 구하기 위한 가변 해상도 모델을 구현한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2023.01a
• /
• pp.369-372
• /
• 2023

본 논문에서는 삼각형 구조로 구성된 3차원 메쉬(Mesh)에서 합성곱 신경망(Convolution Neural Network, CNN)을 응용하여 정확도가 높은 새로운 학습 표현 기법을 제시한다. 우리는 메쉬를 구성하고 있는 폴리곤의 edge와 face의 로컬 특징을 기반으로 학습을 진행한다. 일반적으로 딥러닝은 인공신경망을 수많은 계층 형태로 연결한 기법을 말하며, 주요 처리 대상은 1, 2차원 데이터 형태인 오디오 파일과 이미지였다. 인공지능에 대한 연구가 지속되면서 3차원 딥러닝이 도입되었지만, 기존의 학습과는 달리 3차원 딥러닝은 데이터의 확보가 쉽지 않다. 혼합현실과 메타버스 시장의 확대로 인해 3차원 모델링 시장이 증가하고, 기술의 발전으로 데이터를 획득할 수 있는 방법이 생겼지만, 3차원 데이터를 직접적으로 학습에 이용하는 방식으로 적용하는 것은 쉽지 않다. 그렇게 때문에 본 논문에서는 산업 현장에서 이용되는 데이터인 메쉬 구조를 폴리곤의 최소 단위인 삼각형 형태로 구성하여 학습 데이터를 구성해 기존의 방법보다 정확도가 높은 학습 기법을 제안한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.10c
• /
• pp.555-557
• /
• 2000

본 논문에서는 에드 혹 망의 멀티캐스트 라우팅 프로토콜인 ODMRP(On-Demand Multicast Routing Protocol)를 확장한 PatchODMRP를 제안한다. ODMRP는 멀티캐스트그룹의 송신원으로부터 수신원에 이르는 경로 상에 있는 노드들을 FG(Forwarding Group) 노드로 선출하여, 멀티캐스트 그룹 데이터 전송을 담당하는 메쉬를 구성하는 방법이다. 그런데 ODMRP는 주기적으로 이 메쉬를 구성하는 FG 노드들을 재선정하기 때문에 이 주기가 길어지면 메쉬 구성이 네트워크 노드들의 이동성을 따라가지 못해 메쉬 분리가 발생하고 데이터가 손실될 수 있다. 반면에 이 주기가 짧게 하면 오버헤드가 지나치게 커질 수 있다. 특히, 송신원의 수가 적은 경우 ODMRP의 메쉬는 매우 성기게 형성되는데, 이 때 호스트들의 이동성이 크면 메쉬 연결을 유지하기 위하여 이 주기를 짧게 잡아주거나, 높은 데이터 손실율을 감수해야 한다. 본 논문에서는 이 문제점을 해결하고자 각 FG 노드들이 BEACON 신호를 이용해 자신에 인접한 메쉬에 손실이 발생한 것을 인지하고 이를 국부적인 플러딩을 통하여 빠르게 복구하고 메커니즘을 ODMRP에 추가한 PatchODMRP 방식을 제안한다. 시뮬레이션을 통하여 기존의 ODMRP와 제안하는 ParchODMRP의 성능을 비교한 결과, ParchODMRP가 호스트의 이동성에 훨씬 강하며, ODMRP에 비하여 낮은 오버헤드로 높은 데이터 전달율을 제공할 수 있음을 보여주었다.

• Journal of Korea Multimedia Society
• /
• v.12 no.4
• /
• pp.473-482
• /
• 2009

Reconstructed 3D data from computer vision includes necessarily a noise or an error. When these data goes through a mesh process, the different 3D mesh data from original shape comes to make by a noise or an error. This paper proposed the method that smooths a noise effectively by noise analysis in reconstructed 3D data. Because the proposed method is smooths a noise using the area ratio of the mesh, the pre-processing of unusable mesh is necessary in 3D mesh data. This study detects a peak noise and Gaussian noise using the ratio of 3D volume and 2D area of mesh and smooths the noise with respect of its characteristics. The experimental results using synthetic and real data demonstrated the efficacy and performance of proposed algorithm.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• fall
• /
• pp.23-26
• /
• 2021

본 논문에서는 동적 포인트 클라우드 압축 표준인 V-PCC 을 기반으로 고밀도 동적 메쉬 데이터를 압축하는 방법을 제안한다. 제안하는 방법은 정점마다 색상 값을 갖는 고밀도 동적 메쉬 데이터 압축 구조로 정점마다 갖는 위치 정보와 색상정보는 V-PCC 를 통해 압축을 수행하고 정점들의 연결정보는 TFAN 기술을 통해 압축을 수행한다. 이때 V-PCC 를 통해 복원된 정점의 순서와 TFAN 을 통해 복원된 연결정보의 정점 인덱스 정보는 복원 후 변경되어 둘 사이를 매핑 해주기 위한 방법이 필요하다. 본 논문에서는 부호화기에서 3D morton 코드 기반으로 원본 정점과 V-PCC 를 통해 복원된 정점을 효과적으로 매핑하는 방법을 제안한다. 제안하는 메쉬 압축 방법은 기존 MPEG-4 의정적 메쉬 데이터 압축 표준인 SC3DMC 와의 비교를 통해 V-PCC 기반 동적 메쉬 데이터 압축의 효율성을 보인다.

• Journal of IKEEE
• /
• v.23 no.4
• /
• pp.1250-1256
• /
• 2019

Although one can easily generate real-world 3D mesh data using a 3D printer or a depth camera, the generated data inevitably includes unnecessary noise. Therefore, mesh denoising is essential to obtain intact 3D mesh data. However, conventional mathematical denoising methods require preprocessing and often eliminate some important features of the 3D mesh. To address this problem, this paper proposes a deep learning based 3D mesh denoising method. Specifically, we propose a convolution-based autoencoder model consisting of an encoder and a decoder. The convolution operation applied to the mesh data performs denoising considering the relationship between each vertex constituting the mesh data and the surrounding vertices. When the convolution is completed, a sampling operation is performed to improve the learning speed. Experimental results show that the proposed autoencoder model produces faster and higher quality denoised data than the conventional methods.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.07a
• /
• pp.573-576
• /
• 2022

본 논문에서는 삼각형 구조로 구성된 3차원 메쉬(Mesh)에서 합성곱 신경망(Convolutional Neural Network, CNN)의 정확도를 개선시킬 수 있는 새로운 학습 표현 기법을 제시한다. 우리는 메쉬를 구성하고 있는 삼각형의 넓이와 그 로컬 특징을 기반으로 학습을 진행한다. 일반적으로 딥러닝은 인공신경망을 수많은 계층 형태로 연결한 기법을 말하며, 주요 처리 대상은 오디오 파일과 이미지이었다. 인공지능에 대한 연구가 지속되면서 3차원 딥러닝이 도입되었지만, 기존의 학습과는 달리 3차원 학습은 데이터의 확보가 쉽지 않다. 혼합현실과 메타버스 시장으로 인해 3차원 모델링 시장이 증가가 하면서 기술의 발전으로 데이터를 획득할 수 있는 방법이 생겼지만, 3차원 데이터를 직접적으로 학습 표현하는 방식으로 적용하는 것은 쉽지 않다. 그렇기 때문에 본 논문에서는 산업 현장에서 사용되는 데이터인 삼각형 메쉬 구조를 바탕으로 기존 방법보다 정확도가 높은 학습 기법을 제안한다.

• Journal of the Korea Computer Graphics Society
• /
• v.10 no.4
• /
• pp.22-26
• /
• 2004

본 논문은 거대한 메쉬를 효율적으로 처리하기 위해 이를 조각화하는 새로운 방법을 제시한다. 메쉬의 특징을 반영하여 데이타를 분할하기 위해서 로이드 양자화 방법을 적용하였으며, 거대한 메쉬 데이터를 다루기 위해 외부 메모리를 이용한 부분적인 차트화 갱신 방법을 제시한다. 차트화 갱신 과정에서 효율적으로 매쉬 데이터를 다루기 위해서 임의접근 가능 메쉬 압축구조를 활용한다.이러한 방법을 통해서 수행된 외부 메모리를 이용한 차트화 결과가 지금까지 개발된 메쉬 차트화 결과와 크게 다르지 않음을 보여준다. 이와 같은 메쉬 차트화 시스템을 통해 거대한 메쉬에 기존의 파라미터화, 몰핑, 매칭, 재매쉬화 등의 매쉬 처리기법을 적용할 수 있다.

• Journal of KIISE:Information Networking
• /
• v.28 no.1
• /
• pp.143-153
• /
• 2001

본 논문에서는 에드-혹 망의 멀티캐스트 라우팅 프로토콜인 ODMRP(On-Demand Multicast Routing Protocol)를 확장한 PatchODMRP를 제안한다. ODMRP는 네트워크 상에서 멀티캐스트그룹의 송신원으로부터 수신원에 이르는 경로 상에 있는 노드들을 FG(Forwarding Group) 노드로 선출하여 이들이 해당 멀티캐스트그룹에 속하는 패킷을 모두 플러딩하도록 함으로써 멀티캐스트 그룹데이타 전송을 담당하는 메쉬를 구성하도록 하는 방안이다. 그런데 ODMRP는 주기적으로 이 메쉬를 구성하는 FG 노드들을 재 선정하기 때문에 이 주기가 길어지면 메쉬 구성이 네트워크 노드들의 이동성을 따라가지 못해 메쉬분리가 발생하고 데이터가 손실될수 있다. 반면에 이 주기를 짧게 하면 오버헤드가 지나치게 커질수 있다. 특히 송신원의 수가 적은 경우 ODMRP의 메쉬는 매우 성기게 형성되는데 이때 호스트들의 이동성이 크면 메쉬 연결을 유지하기 위하여 이 주기를 짧게 잡아주거나 높은 데이터 손실율을 감수해야한다. 본 논문에서는 이 문제점을 해결하고자 각 FG 노드들이 BEACON 신호를 이용해 자신에 인접한 메쉬에 손실이 발생한 것을 인지하고 이를 국부적인 플러딩을 통하여 빠르게 복구하는 메커니즘을 ODMRP에 추가한 PatchODMRP 방식을 제안한다. 시뮬레이션을 통하여 기존의 ODMRP와 제안하는 PatchODMRP의 성능을 비교한 결과 PatchODMRP가 호스트의 이동성에 훨씬 강하며 ODMRP에 비하여 낮은 오버헤드로 높은 데이터 전송률을 제공할 수 있음을 보여주었다.