The rise of VR/AR and autonomous driving has led to an explosion in 3D spatial data, whose massive volume creates severe bottlenecks in storage, transmission, and processing. The unstructured nature and permutation invariance of this data make it difficult to apply traditional frequency analysis-based compression. This dissertation presents a comprehensive, frequency-aware framework for compressing various 3D representations, from unstructured point clouds to structured meshes, by decomposing data into geometry, attribute, and connectivity and proposing an optimized coding technique for each component. For point cloud geometry, we propose an Implicit Neural Representation (INR) that uses frequency-decomposed Positional Encoding (PE) to mitigate the inherent low-frequency bias of neural networks, achieving high fidelity with 12\% less memory than state-of-the-art INRs. For color attributes, the proposed PointPCAC model combines a PointNet-based encoder with a PE-equipped decoder, which enhances the learning of high-frequency color components and ensures robust performance for sparse data with sharp details. To handle complete object representations, we introduce a mesh compression technology for connectivity. As a complement to the implicit frequency analysis of neural networks, this method performs explicit multi-resolution decomposition using bi-orthogonal mesh wavelets, enabling progressive streaming and rapid partial updates with a re-compression speed improvement of up to 33 times, critical for real-time interactive applications. This work establishes a comprehensive framework that applies distinct frequency-aware methods to provide a versatile solution for different data representations.
최근 VR/AR 및 자율주행 산업의 부상으로 3차원 공간 데이터의 수요가 폭발적으로 증가하고 있으나, 기존 2차원 데이터와 비교할 수 없는 용량으로 인해 저장, 전송, 처리에 심각한 병목을 야기하고 있다. 특히 기하 정보의 비정형성과 순서 무관성은 기존의 효율적인 주파수 분석 기반 압축 기술의 적용을 어렵게 만든다. 이러한 문제를 해결하기 위해, 본 학위논문은 비정형 점구름부터 정형 메쉬에 이르기까지 다양한 3차원 표현 형식에 대응할 수 있는 주파수 인식 기반의 종합적 압축 프레임워크를 제시한다. 본 프레임워크는 공간 데이터를 기하, 속성, 연결성의 상호 독립적인 구성 요소로 분해하고, 각 요소의 특성에 최적화된 주파수 변환 코딩 기법을 제안한다. 먼저 점구름의 기하 정보 압축을 위해 주파수 대역이 분할된 위치 인코딩(PE)과 테이퍼드 스타일의 신경망을 결합한 내재적 신경 표현(INR) 방식을 제안한다. 이는 신경망의 저주파 편향 문제를 완화하고 주파수 대역별 에너지 분포 차이를 효율적으로 반영함으로써, 최신 INR 기반 기술 대비 12\% 적은 메모리로 높은 복원 품질을 달성했다. 속성 정보에 대해서는 PointNet 기반의 패치단위 인코더와 PE를 접목한 조건부 좌표기반 디코더를 결합한 PointPCAC 모델을 제안한다. 본 모델은 블록 경계의 불연속성 문제를 해소하고 신경망의 고주파 색상 성분 학습 능력을 강화함으로써 희소하거나 세밀한 데이터에서도 안정적인 압축 성능을 보였다. 또한 완전한 3차원 객체 표현과 실시간 상호작용형 응용을 지원하기 위해, 연결성 정보를 포함하는 메쉬 데이터의 효율적 압축 기법을 제안한다. 신경망 기반의 암시적 주파수 분석과 상보적으로, 양방향 직교성을 갖는 메쉬 웨이블릿을 활용한 명시적 다해상도 주파수 분해를 수행함으로써 점진적 스트리밍과 부분 갱신이 가능하도록 하였으며, 재압축 속도를 최대 33배 향상시켰다. 결과적으로 본 연구는 서로 다른 주파수 인식 기법을 통합하여 다양한 3차원 데이터 표현에 범용적으로 적용 가능한 압축 프레임워크를 확립하였다.
