論文誌 · 2025
ICNN Based Distributed Optimization of 3D Point Cloud Quality for Real-Time Physical Space Sharing
Abstract
Hybrid style metaverses, integrating physical and virtual spaces, face a critical challenge in managing shared 3D object quality across multiple users with diverse preferences and limited network resources. This paper addresses the problem of allocating limited bandwidth for transmitting point cloud representations while maximizing overall user satisfaction. We propose a distributed optimization method that dynamically adjusts 3D object quality based on contextual importance, available resources, and user preferences. Our approach uses Input Convex Neural Networks (ICNN) to model user utility functions and employs the Alternating Direction Method of Multipliers (ADMM) for distributed optimization. Key advantages include scalability, adaptability, and improved quality of experience. Evaluation using real-world data captured by our team and open datasets demonstrate significant improvements in user satisfaction and resource utilization compared to baseline approaches. Our method achieves 93-94.6% accuracy in modeling user utility and shows up to 60% faster convergence for scenarios with 30 users, contributing to the balance between high-fidelity representation and efficient data management in hybrid-metaverses.
解説
物理空間と仮想空間を統合するハイブリッド型のメタバースでは、共有する 3 次元物体の品質をどう管理するかが実装上の壁になります。利用者ごとに何を重要だと思うかは違い、ネットワーク資源には限りがあるので、全員に最高品質を配ることはできません。
本研究はこれを、点群表現を送るための限られた帯域をどう配分すれば全体の満足度が最大になるかという問題として定式化しています。その際、いま注目されている物体かどうかという文脈上の重要度、使える資源の量、利用者の好みという三つを見て、3 次元物体の品質を動的に調整します。
配分の設計で難しいのは、利用者の満足度を数式で書き下せないことです。そこで Input Convex Neural Network を使って効用関数をデータから学習しています。ICNN は出力が入力について凸になるよう構造的に制約されたネットワークで、実測から効用の形を学びつつ、そのあとの資源配分を素直に解ける最適化問題として保てるという二つの要求を同時に満たします。分散最適化には ADMM を使い、問題を部分に分けて解いた結果を突き合わせながら全体解へ収束させています。
研究チーム自身が取得した実データと公開データセットの双方で評価したところ、効用のモデル化精度は 93〜94.6%、30 人規模の場面では収束が最大 60% 速くなり、満足度と資源利用効率のいずれも基準手法を上回りました。忠実度の高い表現と効率的なデータ管理の釣り合いを取ることに寄与する結果です。
関連プロジェクト
