Viewing Distance-Aware Volumetric Video Caching and Rendering for XR Services
Notice bibliographique
Résumé
In this paper, we propose a novel volumetric video caching and rendering approach tailored for interactive extended reality (XR) services, aiming to enhance users’ quality of experience (QoE). Specifically, an XR user’s QoE is jointly determined by the actual quality of the video delivered to the user’s XR device and the distance between the user’s viewpoint and the location of virtual objects within the videos. Thus, we adopt a customized QoE model and develop an adaptive caching and rendering approach for XR where the users’ viewing distances vary over time. In our proposed approach, point clouds representing virtual objects with various densities can be dynamically cached at the edge server, and then the most appropriate cached point cloud will be selected for rendering to each user. A long-term optimization problem is formulated to maximize the accumulated QoE of XR users over time. Solving the optimization problem is very challenging due to the unavailability of future information and the NP-hardness. Therefore, we first use a regularization technique to decouple the optimization problem into a series of one-shot optimization subproblems, whose relaxed optimal solutions can be efficiently obtained by using convex tools. Then, we design a dependent rounding algorithm to recover relaxed solutions to integral solutions without violating network resource constraints. Simulation results demonstrate that our proposed approach outperforms two benchmark algorithms in terms of the accumulated QoE.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».