Abstract—We propose a robust scheme

Abstract—We propose a robust scheme for streaming 360-
degree immersive videos to maximize the quality of experience
(QoE). Our streaming approach introduces a holistic analytical
framework built upon the formal method of stochastic optimization. We propose a robust algorithm which provides a
streaming rate such that the video quality degrades below that
rate with very low probability even in presence of uncertain
head movement, and bandwidth. It assumes the knowledge of the
viewing probability of different portions (tiles) of a panoramic
scene. Such probabilities can be easily derived from crowdsourced measurements performed by 360 video content providers.
We then propose efficient methods to solve the problem at
runtime while achieving a bounded optimality gap (in terms
of the QoE). We implemented our proposed approaches using
emulation. Using real users’ head movement traces and real cellular bandwidth traces, we show that our algorithms significantly
outperform the baseline algorithms by at least in 30% in the QoE
metric. Our algorithm gives a streaming rate which is 50% higher
compared to the baseline algorithms when the prediction error
is high.

結果 (繁體中文) 1:

摘要：我們提出了流360-強大的方案
程度身臨其境的視頻，最大限度的體驗質量
（QoE）的。我們的流媒體的方式引入了一個全面的分析
後隨機優化的形式化方法構建框架。我們提出了一個強大的算法，它提供了一個
流率使得視頻質量下降，下面
即使在不確定的存在具有非常低的概率率
頭部運動，和帶寬。它假定的知識
全景的不同部分（瓷磚）的觀看概率
場景。這種概率可以從通過360視頻內容提供商進行眾包的測量來容易地導出。
然後，我們提出了有效的方法，在解決問題
運行時，同時實現一個有界最優間隙（在術語
所述QoE的）。我們用我們的實現提出的方法
模擬。使用真實用戶的頭部運動軌跡和實際蜂窩帶寬的痕跡，我們表明，我們的算法顯著
至少在30％跑贏基準算法中的QoE
指標。我們的算法給出了一個流速率是高50％
時相比，預測誤差的基線算法
是高的。

結果 (繁體中文) 2:

摘要— 我們提出了一個可靠的流 360
度沉浸式視頻，以最大限度地提高體驗品質
（QoE）。我們的流式處理方法引入了整體分析
框架建立在隨機優化的正式方法之上。我們提出了一個健壯的演算法，它提供了一個
流速率，使視頻品質下降低於
概率極低，即使在不確定的情況下
頭部移動和頻寬。它假定
全景的不同部分（切片）的查看概率
現場。此類概率可通過 360 視頻內容提供者執行的眾包測量輕鬆推匯出來。
然後，我們提出有效的方法來解決問題，
運行時，同時實現有限最優度差距（按
的）。我們使用
模擬。使用真實使用者的頭部運動軌跡和真實的蜂窩頻寬軌跡，我們展示了我們的演算法顯著
在 QoE 中至少比基準演算法高 30%
度量。我們的演算法提供 50% 以上的流速
與預測誤差時的基線演算法相比
是高的。

結果 (繁體中文) 3:

摘要提出了一種魯棒的360流媒體方案-
度沉浸式視頻，最大限度地提高體驗質量
（質量）。我們的流媒體方法引入了整體分析
框架建立在隨機優化的形式化方法之上。我們提出了一個魯棒算灋，它提供了
流速率使得視頻質量降低到低於
即使在不確定的情况下也很低的概率
頭部移動和頻寬。它假定知道
全景圖不同部分（瓷磚）的觀看概率
場景。這種可能性很容易從360個視頻內容提供者進行的眾包量測中得出。
然後我們提出了有效的方法來解决這個問題
實現有界最優性缺口時的運行時間（以
（第四章）。我們使用
模擬。使用真實用戶的頭部運動軌跡和真實的蜂窩頻寬軌跡，我們證明了我們的算灋是顯著的
在QoE中，比基線算灋的效能至少提高30%
公制。我們的算灋給出的流媒體速率比
與基線算灋相比
很高。