AI 영상 학습 최적화, 프레임 간 의존성 제거로 1.45배 빠른 로딩

핵심 요약

• 대규모 AI 모델 학습에 사용되는 영상 데이터셋은 임의의 시간 구간에서 프레임을 샘플링하는데, 순차 재생 최적화된 기존 영상 저장 방식이 병목이 된다.
• 기존 방식은 프레임 간 참조 구조로 압축률을 높이지만, 임의 접근 시 관련 없는 프레임도 함께 디코딩해야 해 비효율적이다.
• 논문은 두 가지 디코딩 증폭 원인을 파악했다: 무관한 프레임의 순차 복원과 샘플링 대상이 참조하는 체인의 복원이다.
• 의존성 인식 희소 디코딩(dependency-aware sparse decoding)은 요청된 프레임과 필수 참조만 복원하고, 소스 영상 변환 없이 불필요한 복원을 건너뛴다.
• 선택적 오프라인 처리인 의존성 분리 무작위 접근(DDRA) 인코딩은 내부 프레임을 두 개의 고정된 키 프레임 사이에만 참조하게 제한해 참조 복원을 더 줄인다.
• 희소 디코딩과 DDRA 결합 시 요청된 프레임당 최대 3개 프레임만 복원하면 되며, 키 프레임 간격과 무관하게 동작한다.
• 로봇공학 대규모 데이터셋 실험 결과, 재구성 품질이 비슷한 수준에서 LeRoBot v3 대비 1.45배 높은 로딩 처리량을 달성했다.
• 미디어 저장소 크기는 58.7% 감소했으며, 프레임 간 예측 성능을 유지하면서도 저장과 전송 볼륨을 줄였다.