KR20230003132A

KR20230003132A - 측광-기반 3d 객체 모델링

Info

Publication number: KR20230003132A
Application number: KR1020227041645A
Authority: KR
Inventors: 올리버 우드포드
Original assignee: 스냅 인코포레이티드
Priority date: 2020-04-28
Filing date: 2021-04-28
Publication date: 2023-01-05
Also published as: WO2021222386A1; US20210334993A1; US11710248B2; EP4143787A1; US20220375111A1; US11430142B2; CN115769260A; US20230316553A1

Abstract

본 개시내용의 양태들은 동작들을 수행하기 위한 시스템 및 방법을 수반하며, 이러한 동작들은, 타겟 구조를 묘사하는 소스 이미지에 액세스하는 동작; 타겟 구조의 적어도 일부를 묘사하는 하나 이상의 타겟 이미지에 액세스하는 동작; 타겟 구조의 제1 부분의 소스 이미지에서의 제1 세트의 픽셀들과 타겟 구조의 제1 부분의 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계를 컴퓨팅하는 동작- 대응관계는 소스 이미지와 하나 이상의 타겟 이미지 사이에서 변하는 카메라 파라미터들의 함수로서 컴퓨팅됨 -; 및 타겟 구조 및 카메라 파라미터들의 공동 최적화에 기초하여 소스 이미지에서의 제1 세트의 픽셀들과 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계에 기초하는 타겟 구조의 3D(three-dimensional) 모델을 생성하는 동작을 포함한다.

Description

측광-기반 3D 객체 모델링

<우선권의 주장>

본 출원은 2020년 4월 28일자로 출원된 미국 특허 출원 제16/861,034호에 대한 우선권을 주장하며, 그 전체가 본 명세서에 참조로 원용된다.

<기술 분야>

본 개시내용은 일반적으로 3D(three-dimensional) 지오메트리 재구성에, 특히, 2차원 이미지들에 기초하여 객체의 3D 모델을 생성하는 것에 관련된다.

2D 이미지들로부터의 3D 지오메트리의 오프라인 재구성은 디지털 자산 생성 및 문화 보존과 같은 애플리케이션들을 위한 컴퓨터 비전에서의 핵심 작업이다. 보통, MVS(multi-view stereo) 알고리즘과 같은, 복잡한 알고리즘들을 사용하여 조밀한 지오메트리가 구성된다. 다양한 2D 이미지들에 존재하는 특징들을 취하고 이러한 특징들을 분석하는 것은 이미지들에 묘사되는 객체의 3D 지오메트리를 해결할 수 있다.

반드시 스케일로 그려지는 것은 아닌 도면들에서, 비슷한 숫자들은 상이한 도면들에서의 유사한 컴포넌트들을 설명할 수 있다. 임의의 특정 엘리먼트 또는 액트의 논의를 용이하게 식별하기 위해, 참조 번호에서 최상위 숫자 또는 숫자들은 해당 엘리먼트가 처음 도입되는 도면 번호를 지칭한다. 일부 실시예들은 첨부 도면들의 도면들에서 제한이 아니라 예로서 예시된다.
도 1은, 일부 예들에 따른, 본 개시내용이 배치될 수 있는 네트워킹된 환경의 도식적 표현이다.
도 2는 클라이언트-측 및 서버-측 기능성 양자 모두를 갖는, 일부 예들에 따른, 메시징 시스템의 도식적 표현이다.
도 3은, 일부 예들에 따른, 데이터베이스에 유지되는 바와 같은 데이터 구조의 도식적 표현이다.
도 4는, 일부 예들에 따른, 메시지의 도식적 표현이다.
도 5는, 예시적인 실시예들에 따른, 증강 시스템의 예시적인 동작들을 예시하는 흐름도이다.
도 6은, 일부 예들에 따른, 머신으로 하여금 본 명세서에 논의되는 방법론들 중 어느 하나 이상을 수행하게 하기 위해 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템의 형태의 머신의 도식적 표현이다.
도 7은, 예들이 그 내에서 구현될 수 있는 소프트웨어 아키텍처를 도시하는 블록도이다.

뒤따르는 설명은 본 개시내용의 예시적인 실시예들을 구현하는 시스템들, 방법들, 기술들, 명령어 시퀀스들, 및 컴퓨팅 머신 프로그램 제품들을 포함한다. 다음의 설명에서, 설명의 목적들을 위해, 많은 구체적인 상세사항들이 다양한 실시예들의 이해를 제공하기 위해 제기된다. 그러나, 해당 분야에서의 숙련자들에게는 실시예들이 이러한 구체적인 상세사항들 없이 실시될 수 있다는 점이 명백할 것이다. 일반적으로, 잘 알려진 명령어 인스턴스들, 프로토콜들, 구조들, 및 기술들이 반드시 상세하게 보여지는 것은 아니다.

하나 이상의 2D 이미지로부터 3D 객체 지오메트리를 재구성하기 위한 많은 전형적인 접근법들이 이용가능하다. 이러한 접근법들은 이미지들에 묘사되는 특징 매칭 또는 픽셀 매칭 구조들에 의해 동작한다. 이러한 접근법들은 일반적으로 잘 작동하지만, 그들의 기본 가정들은 광대한 범위의 이미지들에 걸쳐 그들의 일반적인 적용가능성을 제한하고, 열악한 또는 부정확한 객체 모델링을 초래할 수 있다.

예를 들어, 특징-기반 SfM(structure from motion) 방법들 및 알고리즘들은 고정된 카메라 파라미터들을 가정하고, 2개의 이미지 사이에 매칭되는 특징들 사이의 지오메트리 에러를 최소화한다. 구체적으로, 이러한 알고리즘들은 오프라인으로 동작하고 구조 및 카메라 파라미터들을 공동으로 최적화한다. 이들은 평활도를 위해 규칙화되는 삼각 메시들로 장면 구조를 조밀하게 모델링한다. 텍스처-대-이미지 에러를 사용하여 텍스처 맵이 추론되고, 이러한 텍스처 맵에 기초하여 3D 객체 지오메트리가 다음으로 결정된다. 텍스처 맵을 추론하는 것은 텍스처로 인한 변수들의 수 및 메시 및 평활도 규칙화로 인한 이들 사이의 의존성을 상당히 증가시킨다. 그 결과, 최적화는 상이한 세트들의 변수들(텍스처, 구조 및 카메라 파라미터들)을 통해 교호되거나, 또는 간단한, 1차 기울기 하강 해결사들이 사용된다. 이러한 복잡성들 때문에, 이러한 알고리즘들은 엄청난 양의 시스템 리소스들을 소비하고, 결과를 달성하기 위해 긴 시간이 걸리고, 제한된 적용가능성을 갖고, 실시간 이미지 처리를 포함하는 광범위한 애플리케이션들에 대해 일반적으로 적합하지 않다. 일부 MVS 방법들은 카메라 파라미터들과 공동으로는 아니지만 랜드마크들의 심도 및 법선 양자 모두에 기초하여 최적화하며, 이는 비교적 부정확하거나 또는 불완전한 객체 모델링을 초래한다.

이미지에 묘사되는 객체들의 3D 모델들을 생성하기 위해, 비주얼 오도메트리(visual odometry)라고 알려진, 다른 이미지-처리 알고리즘이 사용될 수 있다. 이러한 알고리즘들은 구조들을 사용하여 이미지-대-이미지 에러를 최소화하여 이미지들 사이의 대응관계들을 컴퓨팅한다. 그렇게 함에 있어서, 이러한 알고리즘들은 객체들의 텍스처를 추론하는 복잡한 성질을 회피한다. 이러한 알고리즘들은 희소한, 광선-기반 랜드마크들을 갖는 구조를 모델링하지만, 렌즈 파라미터들의 최적화를 회피하기 위해 알려지고 고정된 카메라 파라미터들(카메라 고유물들)을 가정한다. 이러한 것은 3D 객체들이 모델링되는 효율을 개선하지만, 이러한 알고리즘들의 적용가능성은 심각하게 제한된다.

이러한 전형적인 접근법들은 모든 이미지들에서 장면 포인트의 일정한 밝기를 추가로 가정한다. 이러한 가정은 또한 애플리케이션들에서 심각하게 제한적이며, 일반적으로 하루 또는 연중 시간 또는 조명 소스들의 이동으로 인해, 조명 조건들이 변경되기 때문에 열악한 객체 모델링을 초래한다. 이러한 조명 조건들은 이미지들이 언제, 어디서 그리고 어떻게 캡처되었는지에 의존하여 객체들로 하여금 상이한 이미지들에서 상이하게 보이게 할 수 있다.

개시된 실시예들은 가변 구조, 카메라, 및 렌즈 왜곡 파라미터들에 기초하여 3D 객체 모델을 생성하기 위해 측광 접근법 (photometric approach)을 적용하는 것에 의해 전자 디바이스를 사용하는 것의 정확성 및 효능을 개선한다. 개시된 방법들은 3D 객체 모델들을 생성하기 위한 메모리 요건들을 감소시키고, 더 큰 문제들에 대해 더 실현가능하다. 구체적으로, 개시된 실시예들은 효율적인 최적화 문제를 갖는 3D 객체의 정확한 표면 모델을 제공한다. 개시된 실시예들은 구조 파라미터들 및 카메라 파라미터들 양자 모두를 공동으로 최적화하고, 공동 구조 및 카메라 최적화에서 랜드마크 당 표면 법선을 최적화한다. 개시된 실시예들은, SfM 및 MVS 방법들과 같은, 이전의 알고리즘들보다 더 큰 정확성 및 더 적은 메모리 요건들을 갖는 정확한 3D 객체 모델을 제공하기 위해 이미지-대-이미지 에러들로 렌즈 왜곡 파라미터들을 추가로 최적화한다. 3D 객체 모델을 생성하기 위해, 개시된 실시예들은 구조, 카메라, 및 렌즈 왜곡 파라미터들을 고려하는 최적화 문제를 정의한다. 최적화 문제는 소스 이미지에서의 구조의 일부의 픽셀들을 타겟 이미지에서의 픽셀들에 관련시키는 비용 함수에 기초하여 해결된다. 이러한 것은 객체들이 2D 이미지들에 기초하여 3D에서 어떻게 모델링되는지를 상당히 개선한다. 특히, 이러한 것은 사용자 경험을 상당히 개선하고, 3D 객체 모델링의 작업을 달성하기 위해 필요한 리소스들의 양을 감소시키고, 디바이스의 전체 효능 및 정확성을 증가시킨다.

하나의 예에서, 소스 이미지를 캡처하기 위해 사용되는 카메라의 비-왜곡 파라미터(들) 또는 함수를 소스 이미지에서의 구조의 일부의 픽셀들에 적용하는 것에 의해 구조의 일부의 3D 좌표가 결정된다. 다음으로, 3D 좌표는, 3D 좌표로부터 타겟 이미지를 캡처하기 위해 사용되는 카메라의 위치까지 그려지는 라인에 왜곡 파라미터를 적용하는 것에 의해 타겟 이미지에서의 구조의 일부의 대응하는 픽셀들을 식별하기 위해 사용된다. 상이한 조명 조건들을 고려하기 위해 픽셀 값들에 정규화가 적용되고, 다음으로 소스 및 타겟 이미지들에서의 정규화된 픽셀들 사이에서 차이가 결정된다. 이러한 차이는 최적화 문제를 해결하여 객체의 3D 모델을 생성하기 위해 감소되거나 또는 최소화된다.

네트워킹된 컴퓨팅 환경

도 1은 네트워크를 통해 데이터(예를 들어, 메시지들 및 연관된 콘텐츠)를 교환하기 위한 예시적인 메시징 시스템(100)을 도시하는 블록도이다. 메시징 시스템(100)은 클라이언트 디바이스(102)의 다수의 인스턴스들을 포함하고, 이들 각각은 메시징 클라이언트(104)를 포함하는 다수의 애플리케이션들을 호스팅한다. 각각의 메시징 클라이언트(104)는 메시징 클라이언트(104)의 다른 인스턴스들에 그리고 네트워크(106)(예를 들어, Internet)를 통해 메시징 서버 시스템(108)에 통신가능하게 연결된다.

메시징 클라이언트(104)는 다른 메시징 클라이언트(104)와 그리고 네트워크(106)를 통해 메시징 서버 시스템(108)과 통신하고 데이터를 교환할 수 있다. 메시징 클라이언트(104) 사이에서, 그리고 메시징 클라이언트(104)와 메시징 서버 시스템(108) 사이에서 교환되는 데이터는, 기능들(예를 들어, 기능들을 불러오는 커맨드) 뿐만 아니라, 페이로드 데이터(예를 들어, 텍스트, 오디오, 비디오 또는 다른 멀티미디어 데이터)를 포함한다.

메시징 서버 시스템(108)은 네트워크(106)를 통해 특정 메시징 클라이언트(104)에 서버-측 기능성을 제공한다. 메시징 시스템(100)의 특정 기능들이 메시징 클라이언트(104)에 의해 또는 메시징 서버 시스템(108)에 의해 수행되는 것으로서 본 명세서에 설명되지만, 메시징 클라이언트(104) 또는 메시징 서버 시스템(108) 내의 특정 기능성의 위치는 설계 선택사항일 수 있다. 예를 들어, 메시징 서버 시스템(108) 내에 특정 기술 및 기능성을 초기에 배치하지만, 클라이언트 디바이스(102)가 충분한 처리 용량을 갖는 메시징 클라이언트(104)로 이러한 기술 및 기능성을 나중에 이동시키는 것이 기술적으로 바람직할 수 있다.

메시징 서버 시스템(108)은 메시징 클라이언트(104)에 제공되는 다양한 서비스들 및 동작들을 지원한다. 이러한 동작들은 메시징 클라이언트(104)에 데이터를 송신하고, 그로부터 데이터를 수신하고, 그에 의해 생성되는 데이터를 처리하는 것을 포함한다. 이러한 데이터는, 예들로서, 메시지 콘텐츠, 클라이언트 디바이스 정보, 지오로케이션 정보, 미디어 증강 및 오버레이들, 메시지 콘텐츠 지속 조건들, 소셜 네트워크 정보, 및 라이브 이벤트 정보를 포함할 수 있다. 메시징 시스템(100) 내의 데이터 교환들은 메시징 클라이언트(104)의 UI들(user interfaces)을 통해 이용가능한 기능들을 통해 불리우고 제어된다.

이제 구체적으로 메시징 서버 시스템(108)을 살펴보면, API(Application Program Interface) 서버(110)가 애플리케이션 서버들(112)에 연결되어, 프로그램 방식의 인터페이스를 이에 제공한다. 애플리케이션 서버들(112)은 데이터베이스 서버(118)에 통신가능하게 연결되고, 이는 애플리케이션 서버들(112)에 의해 처리되는 메시지들과 연관된 데이터를 저장하는 데이터베이스(120)로의 액세스를 용이하게 한다. 유사하게, 웹 서버(124)는 애플리케이션 서버들(112)에 연결되고, 웹-기반 인터페이스들을 애플리케이션 서버들(112)에 제공한다. 이를 위해, 웹 서버(124)는 HTTP(Hypertext Transfer Protocol) 및 몇몇 다른 관련 프로토콜을 통해 착신 네트워크 요청들을 처리한다.

API(Application Program Interface) 서버(110)는 클라이언트 디바이스(102)와 애플리케이션 서버들(112) 사이에서 메시지 데이터(예를 들어, 커맨드들 및 메시지 페이로드들)를 수신하고 송신한다. 구체적으로, API(Application Program Interface) 서버(110)는 애플리케이션 서버들(112)의 기능성을 불러오기 위해 메시징 클라이언트(104)에 의해 호출되거나 또는 질의될 수 있는 인터페이스들(예를 들어, 루틴들 및 프로토콜들)의 세트를 제공한다. API(Application Program Interface) 서버(110)는, 계정 등록, 로그인 기능성, 특정 메시징 클라이언트(104)로부터 다른 메시징 클라이언트(104)로의, 애플리케이션 서버들(112)을 통한, 메시지들의 전송, 메시징 클라이언트(104)로부터 메시징 서버(114)로의 미디어 파일들(예를 들어, 이미지 또는 비디오)의 전송, 및 다른 메시징 클라이언트(104)에 의한 가능한 액세스를 위해, 미디어 데이터의 컬렉션(예를 들어, 스토리)의 설정들, 클라이언트 디바이스(102)의 사용자의 친구들의 목록의 검색, 이러한 컬렉션들의 검색, 메시지 및 콘텐츠의 검색, 엔티티 그래프(예를 들어, 소셜 그래프)로의 엔티티들(예를 들어, 친구들)의 추가 및 삭제, 소셜 그래프 내의 친구들의 위치, 및 (예를 들어, 메시징 클라이언트(104)에 관련된) 애플리케이션 이벤트를 오픈하는 것을 포함하는, 애플리케이션 서버들(112)에 의해 지원되는 다양한 기능들을 노출시킨다.

애플리케이션 서버들(112)은, 예를 들어, 메시징 서버(114), 이미지 처리 서버(116), 및 소셜 네트워크 서버(122)를 포함하는, 다수의 서버 애플리케이션들 및 서브시스템들을 호스팅한다. 메시징 서버(114)는, 메시징 클라이언트(104)의 다수의 인스턴스들로부터 수신되는 메시지들에 포함되는 콘텐츠(예를 들어, 텍스트 및 멀티미디어 콘텐츠)의 집성 및 다른 처리에 특히 관련되는, 다수의 메시지 처리 기술들 및 기능성들을 구현한다. 추가로 상세히 설명되는 바와 같이, 다수의 소스들로부터의 텍스트 및 미디어 콘텐츠는, 콘텐츠의 컬렉션들(예를 들어, 스토리들 또는 갤러리들이라고 불림)로 집성될 수 있다. 다음으로, 이러한 컬렉션들은 메시징 클라이언트(104)에 이용가능하게 된다. 데이터의 다른 프로세서- 및 메모리-집약적인 처리가 또한, 이러한 처리를 위한 하드웨어 요건들을 고려하여, 메시징 서버(114)에 의해 서버-측에서 수행될 수 있다.

애플리케이션 서버들(112)은, 전형적으로 메시징 서버(114)로부터 전송되는 또는 이것에서 수신되는 메시지의 페이로드 내의 이미지들 또는 비디오에 관하여, 다양한 이미지 처리 동작들을 수행하기 위해 전용되는 이미지 처리 서버(116)를 또한 포함한다.

소셜 네트워크 서버(122)는 다양한 소셜 네트워킹 기능 기능들 및 서비스들을 지원하고 이러한 기능들 및 서비스들을 메시징 서버(114)에 이용가능하게 한다. 이를 위해, 소셜 네트워크 서버(122)는 데이터베이스(120) 내에 엔티티 그래프(306)(도 3에 도시됨)를 유지하고 이에 액세스한다. 소셜 네트워크 서버(122)에 의해 지원되는 기능들 및 서비스들의 예들은, 특정 사용자가 관계들을 갖거나 또는 "팔로우하는(following)" 메시징 시스템(100)의 다른 사용자들의 식별, 및 또한 다른 엔티티들의 식별 및 특정 사용자의 관심사항들을 포함한다.

시스템 아키텍처

도 2는, 일부 예들에 따른, 메시징 시스템(100)에 관한 추가 상세사항들을 예시하는 블록도이다. 구체적으로, 메시징 시스템(100)은 메시징 클라이언트(104) 및 애플리케이션 서버들(112)을 포함하는 것으로 도시된다. 메시징 시스템(100)은, 메시징 클라이언트(104)에 의해 클라이언트 측에서 그리고 애플리케이션 서버들(112)에 의해 서버 측에서 지원되는, 다수의 서브시스템들을 구현한다. 이러한 서브시스템들은, 예를 들어, 단기적 타이머 시스템(202), 컬렉션 관리 시스템(204), 증강 시스템(206), 맵 시스템(208), 및 게임 시스템(210)을 포함한다.

단기적 타이머 시스템(202)은 메시징 클라이언트(104) 및 메시징 서버(114)에 의해 콘텐츠에 대한 일시적인 또는 시간-제한된 액세스를 시행하는 것을 담당한다. 단기적 타이머 시스템(202)은, 메시지 또는 메시지들의 컬렉션(예를 들어, 스토리)과 연관된 지속기간 및 디스플레이 파라미터들에 기초하여, 메시징 클라이언트(104)를 통해 메시지들 및 연관된 콘텐츠에 대한 (예를 들어, 프레젠테이션 및 디스플레이를 위한) 액세스를 선택적으로 가능하게 하는 다수의 타이머들을 포함한다. 단기적 타이머 시스템(202)의 동작에 관한 추가 상세사항들이 아래에 제공된다.

컬렉션 관리 시스템(204)은 미디어의 세트들 또는 컬렉션들(예를 들어, 텍스트, 이미지 비디오, 및 오디오 데이터의 컬렉션들)을 관리하는 것을 담당한다. 콘텐츠의 컬렉션(예를 들어, 이미지들, 비디오, 텍스트, 및 오디오를 포함하는, 메시지들)은 "이벤트 갤러리(event gallery)" 또는 "이벤트 스토리(event story)"로 조직될 수 있다. 이러한 컬렉션은, 콘텐츠가 관련되는 이벤트의 지속기간과 같은, 명시된 기간 동안 이용가능하게 될 수 있다. 예를 들어, 음악 콘서트와 관련된 콘텐츠는 해당 음악 콘서트의 지속기간 동안 "스토리(story)"로서 이용가능하게 될 수 있다. 컬렉션 관리 시스템(204)은 메시징 클라이언트(104)의 사용자 인터페이스에 특정 컬렉션의 존재의 통지를 제공하는 아이콘을 공개하는 것을 또한 담당할 수 있다.

컬렉션 관리 시스템(212)은 컬렉션 관리자가 콘텐츠의 특정 컬렉션을 관리 및 큐레이팅하는 것을 허용하는 큐레이션 인터페이스(204)를 더욱 포함한다. 예를 들어, 큐레이션 인터페이스(212)는 이벤트 조직자가 구체적인 이벤트에 관련된 콘텐츠의 컬렉션을 큐레이팅(예를 들어, 부적절한 콘텐츠 또는 중복 메시지들을 삭제)하는 것을 가능하게 한다. 추가적으로, 컬렉션 관리 시스템(204)은 머신 비전(또는 이미지 인식 기술) 및 콘텐츠 규칙들을 이용하여 콘텐츠 컬렉션을 자동으로 큐레이팅한다. 특정 예들에서, 사용자-생성 콘텐츠를 컬렉션에 포함시키는 것에 대한 보상이 사용자에게 지불될 수 있다. 이러한 경우들에서, 컬렉션 관리 시스템(204)은 이러한 사용자들에게 그들의 콘텐츠의 사용에 대해 자동으로 지불하도록 동작한다.

증강 시스템(206)은 사용자가 메시지와 연관된 미디어 콘텐츠를 증강(예를 들어, 주석하거나 또는 다른 방식으로 수정 또는 편집)하는 것을 가능하게 하는 다양한 기능들을 제공한다. 예를 들어, 증강 시스템(206)은 메시징 시스템(100)에 의해 처리되는 메시지들에 대한 미디어 오버레이들의 생성 및 공개에 관련되는 기능들을 제공한다. 증강 시스템(206)은 클라이언트 디바이스(102)의 지오로케이션에 기초하여 미디어 오버레이 또는 증강(예를 들어, 이미지 필터)을 메시징 클라이언트(104)에 동작적으로 공급한다. 다른 예에서, 증강 시스템(206)은, 클라이언트 디바이스(102)의 사용자의 소셜 네트워크 정보와 같은, 다른 정보에 기초하여 메시징 클라이언트(104)에 미디어 오버레이를 동작적으로 공급한다. 미디어 오버레이는 청각적 및 시각적 콘텐츠 및 시각적 효과들을 포함할 수 있다. 청각적 및 시각적 콘텐츠의 예들은 사진들, 텍스트들, 로고들, 애니메이션들, 및 사운드 효과들을 포함한다. 시각적 효과의 예는 컬러 오버레잉을 포함한다. 청각적 및 시각적 콘텐츠 또는 시각적 효과들은 클라이언트 디바이스(102)에 있는 미디어 콘텐츠 아이템(예를 들어, 사진)에 적용될 수 있다. 예를 들어, 미디어 오버레이는 클라이언트 디바이스(102)에 의해 촬영되는 사진 위에 오버레이될 수 있는 텍스트 또는 이미지를 포함할 수 있다. 다른 예에서, 미디어 오버레이는, 위치의 식별 오버레이(예를 들어, Venice beach), 라이브 이벤트의 명칭, 또는 상인의 명칭 오버레이(예를 들어, Beach Coffee House)를 포함한다. 다른 예에서, 증강 시스템(206)은, 클라이언트 디바이스(102)의 지오로케이션을 사용하여, 클라이언트 디바이스(102)의 지오로케이션에 있는 상인의 명칭을 포함하는 미디어 오버레이를 식별한다. 미디어 오버레이는 상인과 연관된 다른 표시를 포함할 수 있다. 미디어 오버레이들은 데이터베이스(120)에 저장되고 데이터베이스 서버(118)를 통해 액세스될 수 있다.

일부 예들에서, 증강 시스템(206)은 사용자들이 맵 상의 지오로케이션을 선택하고, 선택된 지오로케이션과 연관된 콘텐츠를 업로드하는 것을 가능하게 하는 사용자-기반 공개 플랫폼을 제공한다. 사용자는 특정 미디어 오버레이가 다른 사용자들에게 제공되어야 하는 상황들을 또한 명시할 수 있다. 증강 시스템(206)은, 업로드된 콘텐츠를 포함하는 그리고 업로드된 콘텐츠를 선택된 지오로케이션과 연관시키는 미디어 오버레이를 생성한다.

다른 예들에서, 증강 시스템(206)은 상인들이 입찰 프로세스를 통해 지오로케이션과 연관된 특정 미디어 오버레이를 선택하는 것을 가능하게 하는 상인-기반 공개 플랫폼을 제공한다. 예를 들어, 증강 시스템(206)은 최고 입찰 상인의 미디어 오버레이를 미리 정의된 양의 시간 동안 대응하는 지오로케이션과 연관시킨다.

다른 예들에서, 증강 시스템(206)은 아래에 설명되는 측광 기술들을 사용하여 이미지에서 하나 이상의 구조 또는 랜드마크의 3D 모델을 생성한다. 구체적으로, 증강 시스템(206)은 소스 이미지에서의 픽셀들과 타겟 구조 또는 랜드마크의 일부와 연관된 타겟 이미지에서의 픽셀들 사이의 대응관계를 결정한다. 증강 시스템(206)은 결정된 대응관계의 함수로서 정의되는 최적화 문제를 해결하여 구조들 또는 랜드마크들의 3D 모델을 생성한다. 하나의 구현에서, 증강 시스템(206)은 클라이언트 디바이스(102)의 카메라로부터 수신되는 카메라 피드에서의 프레임들의 세트에 기초하여 실시간으로 3D 모델 생성을 수행한다. 다른 구현에서, 증강 시스템(206)은, Internet 상에 저장되는 이미지들과 같은, 하나 이상의 클라이언트 디바이스에 의해 사전에 캡처된 이미지들의 세트를 검색하는 것에 기초하여 오프라인으로 3D 모델 생성을 수행한다.

맵 시스템(208)은 다양한 지리적 위치 기능들을 제공하고, 메시징 클라이언트(104)에 의한 맵-기반 미디어 콘텐츠 및 메시지들의 프레젠테이션을 지원한다. 예를 들어, 맵 시스템(208)은, 맵의 컨텍스트 내에서, 사용자의 "친구들(friends)"의 현재 또는 과거 위치 뿐만 아니라 이러한 친구들에 의해 생성되는 미디어 콘텐츠(예를 들어, 사진들 및 비디오들을 포함하는 메시지들의 컬렉션들)를 표시하기 위해 맵 상에 사용자 아이콘들 또는 아바타들(예를 들어, 프로필 데이터(308)에 저장됨)의 디스플레이를 가능하게 한다. 예를 들어, 구체적인 지리적 위치로부터 메시징 시스템(100)에 사용자에 의해 게시되는 메시지가 해당 특정 위치에서의 맵의 컨텍스트 내에서 메시징 클라이언트(104)의 맵 인터페이스 상의 구체적인 사용자의 "친구들(friends)"에게 디스플레이될 수 있다. 사용자는 그의 또는 그녀의 위치 및 상태 정보를 메시징 클라이언트(104)를 통해 메시징 시스템(100)의 다른 사용자들과 (예를 들어, 적절한 상태 아바타를 사용하여) 더욱 공유할 수 있으며, 이러한 위치 및 상태 정보는 선택된 사용자들에게 메시징 클라이언트(104)의 맵 인터페이스의 컨텍스트 내에서 유사하게 디스플레이된다.

게임 시스템(210)은 메시징 클라이언트(104)의 컨텍스트 내에서 다양한 게임 기능들을 제공한다. 메시징 클라이언트(104)는 메시징 클라이언트(104)의 컨텍스트 내에서 사용자에 의해 론칭되고 메시징 시스템(100)의 다른 사용자들과 플레이될 수 있는 이용가능한 게임들의 목록을 제공하는 게임 인터페이스를 제공한다. 메시징 시스템(100)은, 메시징 클라이언트(104)로부터 이러한 다른 사용자들에게 초청들을 발행하는 것에 의해, 특정 사용자가 구체적인 게임의 플레이에 참가하라고 다른 사용자들을 초청하는 것을 추가로 가능하게 한다. 메시징 클라이언트(104)는 게임플레이의 컨텍스트 내에서 음성 및 텍스트 메시징(예를 들어, 채팅들) 양자 모두를 또한 지원하고, 게임들에 대한 리더보드(leaderboard)를 제공하며, 또한 게임-내 보상들(예를 들어, 코인들 및 아이템들)의 제공을 또한 지원한다.

데이터 아키텍처

도 3은, 특정 예들에 따른, 메시징 서버 시스템(108)의 데이터베이스(120)에 저장될 수 있는 데이터 구조들(300)을 예시하는 개략도이다. 데이터베이스(120)의 콘텐츠가 다수의 테이블들을 포함하는 것으로 도시되지만, 데이터는 다른 타입들의 데이터 구조들에 (예를 들어, 객체-지향 데이터베이스로서) 저장될 수 있다는 점이 인식될 것이다.

데이터베이스(120)는 메시지 테이블(302) 내에 저장되는 메시지 데이터를 포함한다. 이러한 메시지 데이터는, 어느 하나의 특정 메시지에 대해, 적어도 메시지 전송자 데이터, 메시지 수신자(또는 수신기) 데이터, 및 페이로드를 포함한다. 메시지에 포함되고 메시지 테이블(302)에 저장되는 메시지 데이터 내에 포함될 수 있는 정보에 관한 추가 상세사항들은 도 4를 참조하여 아래에 설명된다.

엔티티 테이블(304)은 엔티티 데이터를 저장하고, 엔티티 그래프(306) 및 프로필 데이터(308)에 (예를 들어, 참조용으로) 링크된다. 그에 대해 레코드들이 엔티티 테이블(304) 내에 유지되는 엔티티들은 개인들, 법인 엔티티들, 조직들, 객체들, 장소들, 이벤트들 등을 포함할 수 있다. 엔티티 타입에 관계없이, 그에 관해 메시징 서버 시스템(108)이 데이터를 저장하는 임의의 엔티티는 인식된 엔티티일 수 있다. 각각의 엔티티에는 고유 식별자 뿐만 아니라 엔티티 타입 식별자(도시되지 않음)가 제공된다.

엔티티 그래프(306)는 엔티티들 사이의 관계들 및 연관들에 관한 정보를 저장한다. 이러한 관계들은, 단지 예를 들어, 소셜, 전문적(예를 들어, 공통 법인 또는 조직에서의 업무) 관심-기반 또는 활동-기반일 수 있다.

프로필 데이터(308)는 특정 엔티티에 관한 다수 타입들의 프로필 데이터를 저장한다. 프로필 데이터(308)는, 특정 엔티티에 의해 명시되는 프라이버시 설정들에 기초하여, 선택적으로 사용되고, 메시징 시스템(100)의 다른 사용자들에게 제시될 수 있다. 엔티티가 개인인 경우, 프로필 데이터(308)는, 예를 들어, 사용자 이름, 전화 번호, 주소, 설정들(예를 들어, 통지 및 프라이버시 설정들)은 물론이고, 사용자-선택 아바타 표현(또는 이러한 아바타 표현들의 컬렉션)을 포함한다. 다음으로 특정 사용자는 메시징 시스템(100)을 통해 통신되는 메시지들의 콘텐츠 내에, 그리고 메시징 클라이언트들(104)에 의해 다른 사용자들에게 디스플레이되는 맵 인터페이스들 상에 이러한 아바타 표현들 중 하나 이상을 선택적으로 포함할 수 있다. 아바타 표현들의 컬렉션은, 사용자가 특정 시간에 통신하기 위해 선택할 수 있는 상태 또는 활동의 그래픽 표현을 제시하는, "상태 아바타들(status avatars)"을 포함할 수 있다.

엔티티가 그룹인 경우, 그룹에 대한 프로필 데이터(308)는, 관련 그룹에 대한 그룹 이름, 멤버들, 및 다양한 설정들(예를 들어, 통지들) 외에도, 그룹과 연관된 하나 이상의 아바타 표현을 유사하게 포함할 수 있다.

데이터베이스(120)는, 오버레이들 또는 필터들과 같은, 증강 데이터를 증강 테이블(310)에 또한 저장한다. 증강 데이터는 (그에 대해 데이터가 비디오 테이블(314)에 저장되는) 비디오들 및 (그에 대해 데이터가 이미지 테이블(316)에 저장되는) 이미지들과 연관되고 이들에 적용된다.

하나의 예에서, 필터들은 수신자 사용자에 대한 프레젠테이션 동안 이미지 또는 비디오 상에 오버레이되는 것으로서 디스플레이되는 오버레이들이다. 필터들은, 전송 사용자가 메시지를 작성하고 있을 때 메시징 클라이언트(104)에 의해 전송 사용자에게 제시되는 필터들의 세트로부터의 사용자-선택 필터들을 포함하는, 다양한 타입들의 것일 수 있다. 다른 타입들의 필터들은 지리적 위치에 기초하여 전송 사용자에게 제시될 수 있는 지오로케이션 필터들(지오-필터들이라고 또한 알려짐)을 포함한다. 예를 들어, 이웃 또는 특수한 위치에 구체적인 지오로케이션 필터들이, 클라이언트 디바이스(102)의 GPS(Global Positioning System) 유닛에 의해 결정되는 지오로케이션 정보에 기초하여, 메시징 클라이언트(104)에 의해 사용자 인터페이스 내에 제시될 수 있다.

다른 타입의 필터는, 메시지 생성 프로세스 동안 클라이언트 디바이스(102)에 의해 수집되는 정보 또는 다른 입력들에 기초하여, 메시징 클라이언트(104)에 의해 전송 사용자에게 선택적으로 제시될 수 있는, 데이터 필터이다. 데이터 필터들의 예들은, 구체적인 위치에서의 현재 온도, 전송 사용자가 이동하고 있는 현재 속도, 클라이언트 디바이스(102)에 대한 배터리 수명, 또는 현재 시간을 포함한다.

이미지 테이블(316) 내에 저장될 수 있는 다른 증강 데이터는 (예를 들어, 렌즈들 또는 증강 현실 경험들을 적용하는 것에 대응하는) 증강 현실 콘텐츠 아이템들을 포함한다. 증강 현실 콘텐츠 아이템은 이미지 또는 비디오에 추가될 수 있는 실시간 특수 효과 및 사운드일 수 있다.

위에 설명된 바와 같이, 증강 데이터는 증강 현실 콘텐츠 아이템들, 오버레이들, 이미지 변환들, AR 이미지들, 및 이미지 데이터(예를 들어, 비디오들 또는 이미지들)에 적용될 수 있는 수정들을 지칭하는 유사한 용어들을 포함한다. 이러한 것은, 클라이언트 디바이스(102)의 디바이스 센서들(예를 들어, 하나의 또는 다수의 카메라)을 사용하여 캡처되고 다음으로 수정들과 함께 클라이언트 디바이스(102)의 스크린 상에 디스플레이됨에 따라 이미지를 수정하는, 실시간 수정들을 포함한다. 이러한 것은, 수정될 수 있는 갤러리에서의 비디오 클립들과 같은, 저장된 콘텐츠에 대한 수정들을 또한 포함한다. 예를 들어, 다수의 증강 현실 콘텐츠 아이템들에 대한 액세스를 갖는 클라이언트 디바이스(102)에서, 사용자는 다수의 증강 현실 콘텐츠 아이템들을 갖는 단일 비디오 클립을 사용하여 상이한 증강 현실 콘텐츠 아이템들이 저장된 클립을 어떻게 수정할 것인지를 알아볼 수 있다. 예를 들어, 상이한 의사랜덤 이동 모델들을 적용하는 다수의 증강 현실 콘텐츠 아이템들이 콘텐츠에 대해 상이한 증강 현실 콘텐츠 아이템들을 선택하는 것에 의해 동일한 콘텐츠에 적용될 수 있다. 유사하게, 클라이언트 디바이스(102)의 센서들에 의해 현재 캡처되고 있는 비디오 이미지들이 캡처된 데이터를 어떻게 수정할 것인지를 보여주기 위해 예시된 수정과 함께 실시간 비디오 캡처가 사용될 수 있다. 이러한 데이터는 단순히 스크린 상에 디스플레이되고 메모리에 저장되지 않을 수 있거나, 또는 디바이스 센서들에 의해 캡처되는 콘텐츠가 수정들과 함께 또는 이들 없이 (또는 양자 모두로) 메모리에 기록 및 저장될 수 있다. 일부 시스템들에서, 미리보기 특징은 상이한 증강 현실 콘텐츠 아이템들이 동시에 디스플레이에서의 상이한 윈도우들 내에서 어떻게 보일 것인지를 보여줄 수 있다. 이러한 것은, 예를 들어, 상이한 의사 랜덤 애니메이션들을 갖는 다수의 윈도우들이 디스플레이 상에서 동시에 보여지는 것을 가능하게 할 수 있다.

따라서, 이러한 데이터를 사용하여 콘텐츠를 수정하기 위해 증강 현실 콘텐츠 아이템들 또는 다른 이러한 변환 시스템들을 사용하는 데이터 및 다양한 시스템들은 객체들(예를 들어, 얼굴들, 손들, 몸들, 고양이들, 개들, 표면들, 객체들 등)의 검출, 이러한 객체들이 비디오 프레임들에서 시야를 떠나고, 진입하고, 그 주위를 이동함에 따른 이들의 추적, 및 이러한 객체들이 추적됨에 따른 이들의 수정 또는 변환을 수반할 수 있다. 다양한 실시예들에서, 이러한 변환들을 달성하기 위한 상이한 방법들이 사용될 수 있다. 일부 예들은 객체 또는 객체들의 3차원 메시 모델을 생성하는 것, 및 변환을 달성하기 위해 비디오 내에서 이러한 모델의 변환들 및 애니메이션화된 텍스처들을 사용하는 것을 수반할 수 있다. 다른 예들에서, (2차원 또는 3차원일 수 있는) 이미지 또는 텍스처를 추적된 위치에 배치하기 위해 객체 상의 포인트들의 추적이 사용될 수 있다. 또 다른 예들에서, 콘텐츠(예를 들어, 비디오의 이미지들 또는 프레임들)에서 이미지들, 모델들, 또는 텍스처들을 배치하기 위해 비디오 프레임들의 신경망 분석이 사용될 수 있다. 따라서, 증강 현실 콘텐츠 아이템들은 콘텐츠에서 변환들을 생성하기 위해 사용되는 이미지들, 모델들, 및 텍스처들 뿐만 아니라, 객체 검출, 추적, 및 배치로 이러한 변환들을 달성하는 데 필요한 추가적인 모델링 및 분석 정보 양자 모두를 지칭한다.

임의의 종류의 컴퓨터화된 시스템의 메모리에 저장되는 임의의 종류의 비디오 데이터(예를 들어, 비디오 스트림들, 비디오 파일들 등)로 실시간 비디오 처리가 수행될 수 있다. 예를 들어, 사용자는 비디오 파일들을 로딩하고 이들을 디바이스의 메모리에 저장할 수 있거나, 또는 디바이스의 센서들을 사용하여 비디오 스트림을 생성할 수 있다. 추가적으로, 사람의 얼굴 및 인체의 부분들, 동물들, 또는 의자들, 자동차들, 또는 다른 객체들과 같은 무생물들과 같은, 컴퓨터 애니메이션 모델을 사용하여 임의의 객체들이 처리될 수 있다.

일부 예들에서, 변환될 콘텐츠와 함께 특정 수정이 선택될 때, 변환될 엘리먼트들이 컴퓨팅 디바이스에 의해 식별되고, 다음으로 이들이 비디오의 프레임들에 존재하면 검출 및 추적된다. 객체의 엘리먼트들은 수정을 위한 요청에 따라 수정되고, 따라서 비디오 스트림의 프레임들을 변환한다. 비디오 스트림의 프레임들의 변환은 상이한 종류의 변환을 위한 상이한 방법들에 의해 수행될 수 있다. 예를 들어, 객체의 엘리먼트들의 형태들을 변경하는 것을 주로 지칭하는 프레임들의 변환들에 대해, 객체의 각각의 엘리먼트에 대한 특유의 포인트들이 (예를 들어, ASM(Active Shape Model) 또는 다른 알려진 방법들을 사용하여) 계산된다. 다음으로, 객체의 적어도 하나의 엘리먼트 각각에 대해 특유의 포인트들에 기초하는 메시가 생성된다. 이러한 메시는 비디오 스트림에서 객체의 엘리먼트들을 추적하는 다음 단계에서 사용된다. 추적의 프로세스에서, 각각의 엘리먼트에 대한 언급된 메시는 각각의 엘리먼트의 위치와 정렬된다. 다음으로, 메시 상에 추가적인 포인트들이 생성된다. 제1 포인트들의 세트가 수정을 위한 요청에 기초하여 각각의 엘리먼트에 대해 생성되고, 제2 포인트들의 세트가 제1 포인트들의 세트 및 수정을 위한 요청에 기초하여 각각의 엘리먼트에 대해 생성된다. 다음으로, 비디오 스트림의 프레임들은 제1 및 제2 포인트들의 세트들 및 메시에 기초하여 객체의 엘리먼트들을 수정하는 것에 의해 변환될 수 있다. 이러한 방법에서, 수정된 객체의 배경은 배경을 추적하고 수정하는 것에 의해 마찬가지로 변경 또는 왜곡될 수 있다.

일부 예들에서, 객체의 엘리먼트들을 사용하여 그 일부 영역들을 변경하는 변환들은 객체의 각각의 엘리먼트에 대한 특유의 포인트들을 계산하고 계산된 특유의 포인트들에 기초하여 메시를 생성하는 것에 의해 수행될 수 있다. 포인트들이 메시 상에서 생성되고, 다음으로 이러한 포인트들에 기초하는 다양한 영역들이 생성된다. 객체의 엘리먼트들은 다음으로 각각의 엘리먼트에 대한 영역을 적어도 하나의 엘리먼트 각각에 대한 위치와 정렬하는 것에 의해 추적되고, 이러한 영역들의 속성들은 수정을 위한 요청에 기초하여 수정될 수 있고, 따라서 비디오 스트림의 프레임들을 변환한다. 수정을 위한 구체적인 요청에 의존하여 언급된 영역들의 속성들이 상이한 방식들로 변환될 수 있다. 이러한 수정들은 영역들의 컬러를 변경하는 것; 비디오 스트림의 프레임들로부터 영역들의 적어도 일부 부분을 제거하는 것; 수정을 위한 요청에 기초하는 영역들에 하나 이상의 새로운 객체를 포함시키는 것; 및 영역 또는 객체의 엘리먼트들을 수정 또는 왜곡하는 것을 수반할 수 있다. 다양한 실시예들에서, 이러한 수정들 또는 다른 유사한 수정들의 임의의 조합이 사용될 수 있다. 애니메이션화될 특정 모델들에 대해, 일부 특유의 포인트들이 모델 애니메이션에 대한 옵션들의 전체 상태-공간을 결정함에 있어서 사용될 제어 포인트들로서 선택될 수 있다.

얼굴 검출을 사용하여 이미지 데이터를 변환하는 컴퓨터 애니메이션 모델의 일부 예들에서, 얼굴은 구체적인 얼굴 검출 알고리즘(예를 들어, Viola-Jones)을 사용하여 이미지 상에서 검출된다. 다음으로, 얼굴 특징 참조 포인트들을 검출하기 위해 이미지의 얼굴 영역에 ASM(Active Shape Model) 알고리즘이 적용된다.

다른 예들에서, 얼굴 검출에 적합한 다른 방법들 및 알고리즘들이 사용될 수 있다. 예를 들어, 일부 실시예들에서, 특징들은 고려 중인 이미지들의 대부분에 존재하는 구별가능한 포인트를 표현하는 랜드마크를 사용하여 위치된다. 얼굴 랜드마크들에 대해, 예를 들어, 좌측 눈 동공의 위치가 사용될 수 있다. 초기 랜드마크가 식별가능하지 않으면(예를 들어, 사람이 안대를 가지면), 보조 랜드마크들이 사용될 수 있다. 이러한 랜드마크 식별 절차들은 임의의 이러한 객체들에 대해 사용될 수 있다. 일부 예들에서, 랜드마크들의 세트는 형상을 형성한다. 형상들은 형상에서의 포인트들의 좌표들을 사용하여 벡터들로서 표현될 수 있다. 하나의 형상은 형상 포인트들 사이의 평균 Euclidean 거리를 최소화하는 유사성 변환(병진, 스케일링, 및 회전을 허용함)을 사용하여 다른 형상에 정렬된다. 평균 형상은 정렬된 훈련 형상들의 평균이다.

일부 예들에서, 전반적 얼굴 검출기에 의해 결정되는 얼굴의 위치 및 크기에 정렬되는 평균 형상으로부터의 랜드마크들에 대한 탐색이 시작된다. 다음으로 이러한 탐색은 각각의 포인트 주위의 이미지 텍스처의 템플릿 매칭에 의해 형상 포인트들의 위치들을 조정하는 것에 의해 임시 형상을 제안하는 단계 및 다음으로 수렴이 발생할 때까지 임시 형상을 전반적 형상 모델에 부합시키는 단계를 반복한다. 일부 시스템들에서, 개별 템플릿 매칭들은 신뢰할 수 없으며, 형상 모델은 약한 템플릿 매칭들의 결과들을 풀링하여 더 강한 전체 분류기를 형성한다. 전체 탐색은, 거친 해상도에서 미세한 해상도로, 이미지 피라미드에서의 각각의 레벨에서 반복된다.

변환 시스템은, 적합한 사용자 경험, 컴퓨팅화 시간, 및 전력 소비를 유지하면서, 클라이언트 디바이스(예를 들어, 클라이언트 디바이스(102)) 상에서 이미지 또는 비디오 스트림을 캡처하고 클라이언트 디바이스(102) 상에서 로컬로 복잡한 이미지 조작들을 수행할 수 있다. 복잡한 이미지 조작들은, 크기 및 형상 변경들, 감정 전이들(예를 들어, 찡그림으로부터 미소로 얼굴을 변경시킴), 상태 전이들(예를 들어, 피사체를 노후화함, 겉보기 나이를 감소시킴, 성별을 변경함), 스타일 전이들, 그래픽 엘리먼트 애플리케이션, 및 클라이언트 디바이스(102) 상에서 효율적으로 실행되도록 구성된 컨볼루션 신경망에 의해 구현되는 임의의 다른 적합한 이미지 또는 비디오 조작을 포함할 수 있다.

일부 예들에서, 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델은, 사용자가 클라이언트 디바이스(102) 상에서 동작하는 메시징 클라이언트(104)의 일부로서 동작하는 신경망을 갖는 클라이언트 디바이스(102)를 사용하여 사용자의 이미지 또는 비디오 스트림(예를 들어, 셀카)을 캡처할 수 있는 시스템에 의해 사용될 수 있다. 메시징 클라이언트(104) 내에서 동작하는 변환 시스템은 이미지 또는 비디오 스트림 내의 얼굴의 존재를 결정하고, 이미지 데이터를 변환하기 위해 컴퓨터 애니메이션 모델과 연관된 수정 아이콘들을 제공하거나, 또는 컴퓨터 애니메이션 모델은 본 명세서에 설명되는 인터페이스와 연관된 것으로서 존재할 수 있다. 수정 아이콘들은 수정 동작의 일부로서 이미지 또는 비디오 스트림 내의 사용자의 얼굴을 수정하기 위한 기초일 수 있는 변경들을 포함한다. 일단 수정 아이콘이 선택되면, 변환 시스템은 선택된 수정 아이콘을 반영하기 위해 사용자의 이미지를 변환하는(예를 들어, 사용자 상에 미소짓는 얼굴을 생성하는) 프로세스를 착수한다. 수정된 이미지 또는 비디오 스트림은 이미지 또는 비디오 스트림이 캡처되고 명시된 수정이 선택되자마자 클라이언트 디바이스(102) 상에 디스플레이되는 그래픽 사용자 인터페이스에 제시될 수 있다. 변환 시스템은 선택된 수정을 생성하고 적용하기 위해 이미지 또는 비디오 스트림의 일부에 대해 복잡한 컨볼루션 신경망을 구현할 수 있다. 즉, 사용자는 이미지 또는 비디오 스트림을 캡처하고, 일단 수정 아이콘이 선택되면 실시간으로 또는 거의 실시간으로 수정된 결과를 제시받을 수 있다. 추가로, 비디오 스트림이 캡처되고 있고, 선택된 수정 아이콘이 토글된 채로 남아 있는 동안 수정은 지속적일 수 있다. 이러한 수정들을 가능하게 하기 위해 머신-교육 신경망들이 사용될 수 있다.

변환 시스템에 의해 수행되는 수정을 제시하는, 그래픽 사용자 인터페이스는, 사용자에게 추가적인 상호작용 옵션들을 제공할 수 있다. 이러한 옵션들은 콘텐츠 캡처 및 특정 컴퓨터 애니메이션 모델의 선택을 착수(예를 들어, 콘텐츠 생성자 사용자 인터페이스로부터의 착수)하기 위해 사용되는 인터페이스에 기초할 수 있다. 다양한 실시예들에서, 수정 아이콘의 초기 선택 후에 수정이 지속적일 수 있다. 사용자는 변환 시스템에 의해 수정되고 있는 얼굴을 탭하는 것 또는 다른 방식으로 선택하는 것에 의해 수정을 온 또는 오프로 토글하고, 나중에 보는 것 또는 촬영 애플리케이션의 다른 영역들로 브라우징하는 것을 위해 이것을 저장할 수 있다. 변환 시스템에 의해 다수의 얼굴들이 수정되는 경우, 사용자는 그래픽 사용자 인터페이스 내에 수정되고 디스플레이되는 단일 얼굴을 탭하는 것 또는 선택하는 것에 의해 전반적으로 수정을 온 또는 오프로 토글할 수 있다. 일부 실시예들에서, 다수의 얼굴들의 그룹 중에서, 개별 얼굴들은, 개별적으로 수정될 수 있거나 또는 이러한 수정들은 그래픽 사용자 인터페이스 내에 디스플레이되는 개별 얼굴 또는 일련의 개별 얼굴들을 탭하는 것 또는 선택하는 것에 의해 개별적으로 토글될 수 있다.

스토리 테이블(312)은, 컬렉션(예를 들어, 스토리 또는 갤러리)으로 컴파일되는, 메시지들 및 연관된 이미지, 비디오 또는 오디오 데이터의 컬렉션들에 관한 데이터를 저장한다. 특정 컬렉션의 생성은 특정 사용자(예를 들어, 그에 대해 레코드가 엔티티 테이블(304)에서 유지되는 각각의 사용자)에 의해 착수될 수 있다. 사용자는 해당 사용자에 의해 생성되고 전송/브로드캐스팅된 콘텐츠의 컬렉션의 형태로 "개인 스토리(personal story)"를 생성할 수 있다. 이를 위해, 메시징 클라이언트(104)의 사용자 인터페이스는, 전송 사용자가 그의 또는 그녀의 개인 스토리에 구체적인 콘텐츠를 추가하는 것을 가능하게 하기 위해 사용자-선택가능한 아이콘을 포함할 수 있다.

컬렉션은, 수동으로, 자동으로 또는 수동 및 자동 기술들의 조합을 사용하여 생성되는 다수의 사용자들로부터의 콘텐츠의 컬렉션인, "라이브 스토리(live story)"를 또한 구성할 수 있다. 예를 들어, "라이브 스토리(live story)"는 다양한 위치들 및 이벤트들로부터의 사용자-제출 콘텐츠의 큐레이팅된 스트림을 구성할 수 있다. 그 클라이언트 디바이스들이 위치 서비스들을 가능하게 하고 특정 시간에 공통 위치 이벤트에 있는 사용자들에게는, 예를 들어, 메시징 클라이언트(104)의 사용자 인터페이스를 통해, 특정 라이브 스토리에 콘텐츠를 기여하는 옵션이 제시될 수 있다. 라이브 스토리는, 그의 또는 그녀의 위치에 기초하여, 메시징 클라이언트(104)에 의해 사용자에게 식별될 수 있다. 최종 결과는 커뮤니티 관점에서 말한 "라이브 스토리(live story)"이다.

콘텐츠 컬렉션의 추가의 타입은, 그 클라이언트 디바이스(102)가 구체적인 지리적 위치(예를 들어, 단과대학 또는 대학 캠퍼스) 내에 위치되는 사용자가 특정 컬렉션에 기여하는 것을 가능하게 하는, "위치 스토리(location story)"이라고 알려져 있다. 일부 예들에서, 위치 스토리에 대한 기여는 최종 사용자가 구체적인 조직 또는 다른 엔티티에 속하는지(예를 들어, 대학 캠퍼스의 학생인지)를 검증하기 위해 제2 정도의 인증을 요구할 수 있다.

위에 언급된 바와 같이, 비디오 테이블(314)은, 하나의 예에서, 그에 대해 레코드들이 메시지 테이블(302) 내에 유지되는 메시지들과 연관되는 비디오 데이터를 저장한다. 유사하게, 이미지 테이블(316)은 그에 대해 메시지 데이터가 엔티티 테이블(304)에 저장되는 메시지들과 연관된 이미지 데이터를 저장한다. 엔티티 테이블(304)은 증강 테이블(310)로부터의 다양한 증강들을 이미지 테이블(316) 및 비디오 테이블(314)에 저장되는 다양한 이미지들 및 비디오들과 연관시킬 수 있다.

데이터 통신 아키텍처

도 4는 추가 메시징 클라이언트(104) 또는 메시징 서버(114)로의 통신을 위해 메시징 클라이언트(104)에 의해 생성되는, 일부 예들에 따른, 메시지(400)의 구조를 예시하는 개략도이다. 특정 메시지(400)의 콘텐츠는 메시징 서버(114)에 의해 액세스가능한, 데이터베이스(120) 내에 저장되는 메시지 테이블(302)을 채우기 위해 사용된다. 유사하게, 메시지(400)의 콘텐츠는 클라이언트 디바이스(102) 또는 애플리케이션 서버들(112)의 "수송-중(in-transit)" 또는 "비행-중(in-flight)" 데이터로서 메모리에 저장된다. 메시지(400)는 다음의 예시적인 컴포넌트들을 포함하는 것으로 도시된다:

● 메시지 식별자(402): 메시지(400)를 식별하는 고유 식별자.

● 메시지 텍스트 페이로드(404): 클라이언트 디바이스(102)의 사용자 인터페이스를 통해 사용자에 의해 생성될 그리고 메시지(400)에 포함되는, 텍스트.

● 메시지 이미지 페이로드(406): 클라이언트 디바이스(102)의 카메라 컴포넌트에 의해 캡처되는 또는 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되는, 그리고 메시지(400)에 포함되는, 이미지 데이터. 전송된 또는 수신된 메시지(400)에 대한 이미지 데이터가 이미지 테이블(316)에 저장될 수 있다.

● 메시지 비디오 페이로드(408): 카메라 컴포넌트에 의해 캡처되거나 또는 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되는, 그리고 메시지(400)에 포함되는 비디오 데이터. 전송된 또는 수신된 메시지(400)에 대한 비디오 데이터가 비디오 테이블(314)에 저장될 수 있다.

● 메시지 오디오 페이로드(410): 마이크로폰에 의해 캡처되는 또는 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되는, 그리고 메시지(400)에 포함되는, 오디오 데이터.

● 메시지 증강 데이터(412): 메시지(400)의 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 또는 메시지 오디오 페이로드(410)에 적용될 증강들을 표현하는 증강 데이터(예를 들어, 필터들, 스티커들, 또는 다른 주석들 또는 강화들). 전송된 또는 수신된 메시지(400)에 대한 증강 데이터가 증강 테이블(310)에 저장될 수 있다.

● 메시지 지속기간 파라미터(414): 그에 대해 메시지의 콘텐츠(예를 들어, 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 메시지 오디오 페이로드(410))가 메시징 클라이언트(104)를 통해 사용자에게 제시되는 또는 액세스가능하게 되는 시간의 양을, 초 단위로, 표시하는 파라미터 값.

● 메시지 지오로케이션 파라미터(416): 메시지의 콘텐츠 페이로드와 연관된 지오로케이션 데이터(예를 들어, 위도 및 경도 좌표들). 다수의 메시지 지오로케이션 파라미터(416) 값들이 페이로드에 포함될 수 있으며, 이러한 파라미터 값들 각각은 콘텐츠(예를 들어, 메시지 이미지 페이로드(406) 내의 구체적인 이미지, 또는 메시지 비디오 페이로드(408)에서의 구체적인 비디오)에 포함되는 콘텐츠 아이템들에 관하여 연관된다.

● 메시지 스토리 식별자(418): 메시지(400)의 메시지 이미지 페이로드(406)에서의 특정 콘텐츠 아이템이 연관되는 하나 이상의 콘텐츠 컬렉션(예를 들어, 스토리 테이블(312에서 식별되는 "스토리들(stories)")을 식별하는 식별자 값들. 예를 들어, 메시지 이미지 페이로드(406) 내의 다수의 이미지들이 식별자 값들을 사용하여 다수의 콘텐츠 컬렉션들과 각각 연관될 수 있다.

● 메시지 태그(420): 각각의 메시지(400)는 다수의 태그들로 태그될 수 있고, 그 각각은 메시지 페이로드에 포함되는 콘텐츠의 주제를 표시함. 예를 들어, 메시지 이미지 페이로드(406)에 포함되는 특정 이미지가 동물(예를 들어, 사자)을 묘사하는 경우, 관련 동물을 표시하는 태그 값이 메시지 태그(420) 내에 포함될 수 있다. 태그 값들은, 사용자 입력에 기초하여, 수동으로 생성될 수 있거나, 또는, 예를 들어, 이미지 인식을 사용하여 자동으로 생성될 수 있다.

● 메시지 전송자 식별자(422): 그 상에서 메시지(400)가 생성되었고 그로부터 메시지(400)가 전송된 클라이언트 디바이스(102)의 사용자를 표시하는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 어드레스, 또는 디바이스 식별자).

● 메시지 수신자 식별자(424): 메시지(400)가 어드레싱되는 클라이언트 디바이스(102)의 사용자를 표시하는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 어드레스, 또는 디바이스 식별자).

메시지(400)의 다양한 컴포넌트들의 콘텐츠(예를 들어, 값들)는 그 내에 콘텐츠 데이터 값들이 저장되는 테이블에서의 위치들에 대한 포인터들일 수 있다. 예를 들어, 메시지 이미지 페이로드(406)에서의 이미지 값은 이미지 테이블(316) 내의 위치에 대한 포인터(또는 그 어드레스)일 수 있다. 유사하게, 메시지 비디오 페이로드(408) 내의 값들은 비디오 테이블(314) 내에 저장되는 데이터에 포인팅할 수 있고, 메시지 증강 데이터(412) 내에 저장되는 값들은 증강 테이블(310)에 저장되는 데이터에 포인팅할 수 있고, 메시지 스토리 식별자(418) 내에 저장되는 값들은 스토리 테이블(312)에 저장되는 데이터에 포인팅할 수 있고, 메시지 전송자 식별자(422) 및 메시지 수신자 식별자(424) 내에 저장되는 값들은 엔티티 테이블(304) 내에 저장되는 사용자 레코드들에 포인팅할 수 있다.

도 5는, 예시적인 실시예들에 따른, 프로세스(500)를 수행함에 있어서의 증강 시스템(206)의 예시적인 동작들을 예시하는 흐름도이다. 프로세스(500)의 동작들이 메시징 서버 시스템(108)의 기능 컴포넌트들에 의해 부분적으로 또는 전체적으로 수행될 수 있도록, 프로세스(500)는 하나 이상의 프로세서에 의한 실행을 위한 컴퓨터-판독가능 명령어들로 구현될 수 있고; 따라서, 프로세스(500)는 이를 참조하여 예로서 아래에 설명된다. 그러나, 다른 실시예들에서, 프로세스들(500)의 동작들 중 적어도 일부는 다양한 다른 하드웨어 구성들 상에 배치될 수 있다. 따라서, 프로세스(500)는 메시징 서버 시스템(108)에 제한되는 것으로 의도되지 않으며, 전체적으로 또는 부분적으로, 임의의 다른 컴포넌트에 의해 구현될 수 있다. 프로세스(500)에서의 동작들은 임의의 순서로, 병렬로 수행될 수 있거나, 또는 완전히 스킵되고 생략될 수 있다.

동작 501에서, 증강 시스템(206)은 타겟 구조를 묘사하는 소스 이미지에 액세스한다. 예를 들어, 증강 시스템(206)은 클라이언트 디바이스(102)의 카메라로부터 라이브 또는 실시간 카메라 피드를 수신한다. 다른 예로서, 증강 시스템(206)은 사전에 캡처된 구조 또는 랜드마크의 이미지들을 Internet 또는 다른 로컬 또는 원격 소스로부터 검색한다. 증강 시스템(206)은 관심의 구조를 묘사하는 수신되는 이미지들 중 첫 번째 것을 소스 이미지로서 선택한다. 일부 경우들에서, 증강 시스템(206)은 이미지들의 컬렉션을 처리하는 것 및 어느 이미지가 관심의 구조의 최고 가시성을 갖는지를 식별하는 것에 의해 소스 이미지를 선택한다.

예로서, 증강 시스템(206)은 타겟 구조의 3D 좌표 프레임을 생성한다. 즉, 증강 시스템(206)은 구조의 영역을 선택하고, 영역의 3D 좌표들(세계 좌표들)의 세트를 생성한다. 증강 시스템(206)은 심도 맵으로서 이미지들의 컬렉션에 대한 3D 좌표 프레임의 가시성을 컴퓨팅하고, 컴퓨팅된 가시성에 기초하여 컬렉션에서의 이미지들 중 하나를 소스 이미지로서 선택한다. 일부 구현들에서, 증강 시스템(206)은 3D 좌표 프레임에 대응하는 명시된 간격을 갖는 픽셀들의 그리드를 컴퓨팅한다. 예를 들어, 증강 시스템(206)은 3D 좌표 프레임에 대응하는 각각의 이미지에서의 픽셀들의 세트를 식별하기 위해 이미지들의 컬렉션에서의 각각의 이미지에 3D 좌표 프레임을 투영한다. 즉, 증강 시스템(206)은 구조의 영역의 3D 좌표들에 대응하는 각각의 이미지의 픽셀 좌표들을 식별한다. 증강 시스템(206)은 행렬- 이러한 행렬의 각각의 열은 이미지들의 컬렉션 중의 상이한 것에 대응함 -을 생성하기 위해 픽셀들의 그리드와 연관된 이미지들의 컬렉션을 샘플링한다. 구체적으로, 증강 시스템(206)은 각각의 이미지의 식별된 픽셀 좌표들에 대한 픽셀 값들을 획득하고, 픽셀 값들을 행렬의 각각의 열에 저장한다. 다음으로, 증강 시스템(206)은 행렬의 열들의 강건한 제곱합에 대한 평균, 가중 평균, 또는 해를 컴퓨팅한다. 증강 시스템(206)은 행렬의 각각의 열을, 컴퓨팅된 강건한 제곱합에 대한 평균, 가중 평균, 또는 해와 비교하고, 대응하는 열이 값에 있어서 강건한 제곱합에 대한 컴퓨팅된 평균, 가중 평균, 또는 해에 가장 가까운 이미지들의 컬렉션의 이미지를, 소스 이미지로서, 선택한다.

일부 실시예들에서, 소스 프레임 인덱스는

에 의해 표현되고, 랜드마크 당 가시성들은

에 의해 표현된다. 이들은 최적화 전반적으로 고정된 채로 남아 있을 수 있다. 선택된 랜드마크들에 대해 Poisson 표면 재구성이 수행되고, 결과적인 메시가 가시성을 컴퓨팅하기 위해 사용된다. 메시는 심도 맵으로서 각각의 뷰(이미지들의 컬렉션의 각각의 이미지)에 렌더링되고, 랜드마크들은 뷰에 투영된다. 그 심도들은 심도 맵과 비교되고, 1% 미만만큼 상이한 것들이 가시적인 것으로 결정된다. (예를 들어, 경면반사로 인한) 측광 이상점인 소스 프레임을 선택하는 것을 회피하기 위해, 가시적인, 정규화된 패치들의 강건한 평균에 그 패치가 가장 가까운은 프레임으로서

가 선택된다. 소스 프레임은 아래의 수학식 1에 따라 선택된다.

수학식 1

여기서, X_k는 세계 좌표들(3D 좌표들)의 3xN 행렬이고, K^th 랜드마크 주위의 평면 상에서, 가시적 뷰들에서의 평균 간격이 1 픽셀도록 이격되는, 포인트들의 4x4 그리드가 사용된다. 강건하지 않은 평균으로부터 시작하여, 반복적으로 재가중된 최소 제곱들을 사용하여

가 컴퓨팅된다. 텍스처된 이미지 영역들에서 랜드마크들이 단지 초기화되는 것만을 보장하기 위해,

< 0.5N(256 그레이 레벨들을 가정함)인 랜드마크들이 제거된다. 수학식 1의 나머지 함수들은 아래에 더 상세히 설명된다. 구체적으로,

는 카메라 파라미터들, 렌즈 파라미터들, 및 센서 파라미터들을 고려하는 주어진 이미지 j에서의 픽셀들 상으로의 구조의 3D 좌표들의 투영을 정의하며, 아래에 더 상세히 설명된다. 일부 경우들에서, 측광 최적화의 양호한 최적으로의 수렴을 개선하기 위해, 전체 크기 이미지들이 처음 뒤따르는 절반 크기 이미지들에 대해 최적화가 초기에 실행된다.

동작 502에서, 증강 시스템(206)은 타겟 구조의 적어도 일부를 묘사하는 하나 이상의 타겟 이미지에 액세스한다. 예를 들어, 주어진 소스 이미지가 식별된 후, 동일한 구조를 묘사하는 타겟 이미지가 선택된다(예를 들어, 구조의 상이한 뷰). 타겟 이미지는 실시간 카메라 피드에서 소스 이미지 이후에 후속하여 수신되는 이미지 프레임일 수 있다. 타겟 프레임은 타겟 구조를 묘사하는 이미지들의 컬렉션으로부터 선택되는 랜덤 프레임일 수 있다.

일부 실시예들에서, 증강 시스템(206)은 타겟 구조의 일부에 대응하는 픽셀들의 수에서의 차이들에 기초하여 타겟 이미지를 업-샘플링 또는 다운-샘플링한다. 예를 들어, 소스 이미지는 타겟 이미지보다 더 가까운 거리로부터 타겟 구조의 일부를 캡처했을 수 있다. 이러한 경우들에서, 소스 이미지는 타겟 이미지들보다 타겟 구조의 일부에 대응하는 더 많은 수의 픽셀들을 가질 것이다. 타겟 구조의 일부에 대해 소스 및 타겟 이미지들에서 동일한 양의 픽셀들이 표현되는 것을 보장하기 위해, 증강 시스템(206)은 타겟 구조를 표현하는 픽셀들의 수를 증가시켜 소스 이미지에서의 타겟 구조를 표현하는 픽셀들의 수와 매칭시키도록 타겟 이미지를 업-샘플링한다. 하나의 실시예에서, 증강 시스템(206)은 타겟 구조의 일부에 대응하는 소스 이미지에서의 제1 컬렉션의 픽셀들 및 타겟 구조의 일부에 대응하는 타겟 이미지에서의 제2 컬렉션의 픽셀들을 식별한다. 증강 시스템(206)은 어느 픽셀들이 구조의 어느 부분에 대응하는지를 결정하기 위해 이미지들과 연관된 메타데이터를 사용할 수 있다. 증강 시스템(206)은 제1 컬렉션의 픽셀들에서의 각각의 픽셀 사이의 제1 거리 및 제2 컬렉션의 픽셀들에서의 각각의 픽셀 사이의 제2 거리를 컴퓨팅한다. 증강 시스템(206)은 제1 및 제2 거리들 사이의 차이에 기초하여 샘플링 파라미터를 선택한다. 예를 들어, 제1 거리가 제2 거리보다 크면, 증강 시스템(206)은 타겟 이미지를 업-샘플링하기 위한 값을 선택한다. 예를 들어, 제1 거리가 제2 거리보다 작으면, 증강 시스템(206)은 타겟 이미지를 다운-샘플링하기 위한 값을 선택한다. 증강 시스템(206)은 타겟 이미지를 업-샘플링 또는 다운-샘플링하기 위해 타겟 이미지에 샘플링 파라미터를 적용한다.

동작 503에서, 증강 시스템(206)은 타겟 구조의 제1 부분의 소스 이미지에서의 제1 세트의 픽셀들과 타겟 구조의 제1 부분의 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계를 컴퓨팅하고, 이러한 대응관계는 소스 이미지와 하나 이상의 타겟 이미지 사이에서 변하는 카메라 파라미터들의 함수로서 컴퓨팅된다. 예를 들어, 증강 시스템(206)은, 아래의 수학식 5에 의해 모델링되는 바와 같이, 구조의 일부 또는 전체 구조의 뷰를 소스 이미지 상에 투영한다. 즉, 증강 시스템(206)은, 소스 이미지에서의 구조의 일부의 대응하는 3D 세계 좌표를 식별하기 위해 소스 이미지에서의 구조의 일부의 카메라 위치 및 픽셀들로부터 광선 또는 라인을 그린다. 광선 또는 라인을 그리는 것에 있어서, 증강 시스템(206)은 3D 세계 좌표들이 소스 이미지를 캡처하기 위해 사용되는 카메라로부터의 뷰에 의해 정확하게 식별되도록 카메라의 렌즈 파라미터들에 기초하여 라인을 구부린다(예를 들어, 소스 이미지를 캡처하기 위해 사용되는 카메라의 렌즈의 비-왜곡 파라미터를 적용함- 픽셀들이 카메라의 렌즈를 벗어날 때 픽셀들이 비-왜곡됨). 특히, 증강 시스템(206)은 소스 이미지를 캡처하기 위해 사용된 카메라에 의해 보여질 때 조명이 구조의 3D 세계 좌표들에 어떻게 도달하는지를 결정하기 위해 소스 이미지에서의 픽셀들에 카메라, 렌즈, 및 센서 파라미터들을 적용한다.

다음으로, 아래의 수학식 2를 사용하여, 증강 시스템(206)은 소스 이미지를 사용하여 식별된 구조의 일부의 3D 세계 좌표들을 표현하는 타겟 이미지 내의 픽셀들을 식별하기 위해 타겟 이미지를 캡처한 카메라를 향해 구조의 일부의 3D 세계 좌표들로부터 광선 또는 라인을 그린다. 광선 또는 라인을 그리는 것에 있어서, 증강 시스템(206)은 3D 세계 좌표들이 타겟 이미지를 캡처하기 위해 사용되는 카메라로부터의 뷰에 의해 정확하게 표현되도록 카메라의 렌즈 파라미터들에 기초하여 라인을 구부린다 (예를 들어, 타겟 이미지를 캡처하기 위해 사용되는 카메라의 렌즈의 왜곡 파라미터를 적용함 -3D 좌표들은 타겟 이미지의 픽셀들을 생성하기 위해 카메라의 렌즈에 의해 왜곡됨). 특히, 증강 시스템(206)은 구조의 3D 세계 좌표들에 대응하는 타겟 이미지에서의 픽셀들을 식별하기 위해 타겟 이미지를 캡처하기 위해 사용된 카메라에 의해 보여질 때 조명이 구조의 3D 세계 좌표들에 어떻게 도달하는지를 결정하기 위해 3D 세계 좌표들에 카메라, 렌즈 및 센서 파라미터를 적용한다.

카메라 파라미터들의 세트는 픽셀 좌표들에서, 이미지 평면 상으로의 세계 좌표들에서, 3D 포인트, X

의 투영을 정의한다. 제1 세트의 카메라 파라미터들은 P개의 회전들 및 병진들,

,

로 구성되는 카메라 외인성들을 포함하며, 이미지 당 하나의 쌍이다. 제2 세트의 카메라 파라미터들은 C개의 센서 및 렌즈 교정 파라미터들,

,

로 구성되는 카메라 고유물들을 포함하고, 카메라 당 하나의 쌍이며, C <= P이다. C가 P 미만일 때, 일부 카메라 고유물들은 입력 이미지들에 걸쳐 공유된다. 이러한 경우들에서, 이미지 i로부터 카메라 j로의 인덱스 맵핑이 입력으로서 요구될 수 있다. 카메라 뷰로의 3D 구조 위치의 투영은 아래의 수학식 2에 의해 정의된다:

수학식 2

여기서,

는 투영 함수이다:

는 렌즈 왜곡 함수이고,

는 아래의 수학식 3에 의해 정의되는 센서 교정 함수이다:

수학식 3

3D 구조 좌표들에 대응하는 픽셀 좌표들을 식별하기 위해(예를 들어, 타겟 이미지 픽셀들을 생성하기 위해 3D 좌표들로부터의 조명을 렌즈를 통해 통과시키는 것에 의해 광선이 어떻게 구부러지는지를 식별하기 위해) 적용될 렌즈 왜곡에 대해, 아래의 수학식 4에 의해 정의되는 바와 같이, 표준 다항식 방사상 왜곡 모델이 사용된다:

수학식 4

일부 구현들에서, 세계 대 카메라 왜곡에 대해, n=2이고 [l₁, l₂] = l_j이다.

소스 이미지 픽셀 좌표들(카메라 대 세계 변환)에 기초하여 구조의 3D 좌표들을 식별하기 위해, 동일한 모델이 역 변환, s.t.

를 표현하는 다항식 계수들의 상이한 세트와 함께 사용될 수 있다. 즉, 관심의 구조의 소스 이미지 픽셀 좌표들을 구조의 대응하는 3D 좌표들에 맵핑하기 위해 카메라 렌즈를 통해 이미지로부터 통과하는 것으로부터 초래되는 비-왜곡을 결정하기 위해 수학식 4의 역이 소스 이미지에 적용될 수 있다. 비-왜곡 계수들,

은 주어진 렌즈 왜곡 공식의 계수들의 미리 결정된 세트를 사용하여 폐쇄 형태로 컴퓨팅된다. 예시적인 렌즈 왜곡 공식은 Pierre Drap and Julien Lef

vre, "An exact formula for calculating inverse radial lens distortions," Sensors, 16(6):807, 2016에서 더 상세히 논의되며, 이는 그 전체가 본 명세서에 참조로 원용된다.

구조의 광선-기반 파라미터화가 사용되며, 각각의 랜드마크는 입력 이미지에서의 픽셀에 고정된다. 이미지 텍스처가 이러한 포인트들 주위에서 비교되고 있기 때문에, 표면의 법선에 관한 가정이 회피될 수 있고, 그 대신에 표면의 법선이 명시적으로 모델링된다. 이러한 것은 3D 모델을 컴퓨팅하는 것을 법선 불변으로 만든다. 각각의 랜드마크는 주어진(고정된) 픽셀 위치 x, 소스 프레임 인덱스 i, 및 가변 표면 평면 파라미터화

로 구성된다. 일부 경우들에서, 그 전체가 참조로 원용되는 Martin Habbecke and Leif Kobbelt, "Iterative multi-view plane fitting, " In Int. Fall Workshop of Vision, Modeling, and Visualization, pages 73-80, 2006이 아래의 수학식 5에 따라 랜드마크의 (관심의 구조), 3D 또는 세계 좌표들을 컴퓨팅하기 위해 사용된다:

수학식 5

여기서, X는 세계 좌표들이고, x는 구조의 이미지에서의 픽셀 좌표들이다. 프레임 i로부터 j까지의 픽셀 대 픽셀 대응관계 x -> x'는 아래의 수학식 6에 의해 정의되는 함수로 (N개의 이미지 좌표들에 대해) 표현될 수 있는 수학식 2에 수학식 5를 대입하는 것에 의해 달성될 수 있다.

수학식 6

i, j 및 k는 각각 소스 프레임, 타겟 프레임 및 랜드마크 인덱스들을 표현하고,

는 모든 문제 파라미터들 및 최적화될 변수들의 세트를 표기한다. L은 랜드마크들의 수이다. 구체적으로,

는 구조의 3D 모델을 생성하기 위해 해결되는 최적화 문제이다.

최적화 문제를 해결하는 최적화의 각각의 반복(단계)은 파라미터 업데이트,

를 컴퓨팅한다. 회전들을 제외하고, 대부분의 파라미터들은 Euclidean 공간을 최소로 파라미터화하고, 따라서 가산적으로 업데이트된다(예를 들어,

). 회전들에 대해, 업데이트는

로서 (최소로) 파라미터화되며, 여기서

는 3-벡터를 회전 행렬로 변환하기 위한 Rodrigues의 공식이다. 일부 경우들에서, 회전의 미분,

는 업데이트의 미분,

를 의미할 수 있다. 파라미터들의 업데이트는 일반적으로

로 표기된다.

증강 시스템(206)은 소스 이미지에서의 픽셀들과 타겟 이미지에서의 식별된 픽셀들 사이의 차이를 결정하거나 또는 컴퓨팅한다. 이러한 차이에 기초하여, 증강 시스템(206)은 타겟 구조의 3D 모델을 생성하기 위해 사용되는 최적화 문제를 해결한다. 즉, 최적화 문제는 소스 이미지에서의 픽셀들과 타겟 이미지에서의 식별된 픽셀들 사이의 차이로서 정의되는 비용 함수에 기초하여 해결된다. 구체적으로, 파라미터화는 장면 지오메트리 및 카메라 위치들 및 고유물들을 통해 하나의 이미지에서의 픽셀들로부터 다른 것에서의 픽셀들로의 맵핑을 제공한다. 비용은 2개의 세트들의 픽셀들 사이의 차이를 측정한다. 비용이 로컬 조명 변경들 뿐만 아니라 예상하지 못한 폐색들에 대해 불변인 것을 보장하기 위해, 강건하고, 로컬로 정규화된, 최소 제곱 NCC 비용이 사용된다. NCC는 2019년 6월 28일에 출원된 공동 소유의 미국 특허 출원 제16/457,607에서 더 상세히 논의되며, 이는 그 전체가 참조로 원용된다.

(그레이스케일 이미지들이 사용되는) 이미지

에서 고정되는, 각각의 랜드마크(k에 의해 인덱싱됨)에 대해- i=I_k는 k^th 랜드마크의 소스 이미지 인덱스임 -, 랜드마크에 중심을 둔 픽셀들의 4x4 패치가 정의된다. 이러한 것은 구조 또는 랜드마크의 일부라고 지칭된다. 이미지 좌표들의 세트는

에 의해 정의된다. 이러한 랜드마크는 입력 프레임들의 서브세트에서 가시적인 것으로 간주되며, 그 인덱스들의 세트는 V_k에 의해 표기된다. 모든 랜드마크들 및 이미지들에 대한 비용은 아래의 수학식 7에 의해 정의된다:

수학식 7

여기서, 표기법 I(P)=

는 이중선형 보간을 통한 샘플링을 표기하고, 1은 1들의 벡터를 표현한다. Geman-McClure 커널

은

로 비용을 강건하게 하지만, 임의의 다른 적합한 값 또는 함수가 사용될 수 있다. 구체적으로,

는 더 극단적인 측정들을 경량화하는 임의의 강건화 함수일 수 있다. 소스 프레임 I_k는 V _k 에서 무시될 수 있으며, 그 이유는 이것이 정의에 의해 에러 없음에 기여하기 때문이다. 수학식 7에서,

는 에러 또는 차이 컴퓨팅화 조명을 불변으로 만드는 조명 차이들을 고려하기 위해 픽셀들을 정규화하는 함수를 정의한다. 수학식 7은 명시된 구조 부분들 전부를 통해 소스 이미지로부터 주어진 세트의 타겟 이미지들에서의 대응하는 픽셀들로의 픽셀들의 투영들 사이의 차이들을 누산한다. 구체적으로, P_k는 구조의 주어진 부분, k에 대한, 소스 이미지, i에서의 픽셀 좌표들의 세트이다.

는 소스 이미지로부터 타겟 이미지, j로의 픽셀 좌표들의 맵핑을 제공한다. 정규화 함수

는 소스 이미지에서의 픽셀 좌표들의 세트 및 타겟 이미지에서의 대응하는 픽셀 좌표들에 적용되고, 차이

가 컴퓨팅된다. 반복(단계)은 타겟 이미지들의 세트에서의 각각의 타겟 이미지에 대해 그리고 소스 이미지에서 식별되는 각각의 구조 부분, k에 대해 계속된다. 합은 비용 함수

로서 출력되며, 이는 각각의 반복에서 최적화 문제의 파라미터들을 업데이트하기 위해 사용된다. 최적화 문제 파라미터들은 에러가 명시된 임계값으로 감소 또는 최소화될 때까지 또는 명시된 수의 반복들이 완료될 때까지 계속 업데이트된다. 각각의 업데이트에서, 동일한 또는 상이한 세트의 타겟 이미지들에 대해 비용 함수의 새로운 합이 컴퓨팅된다.

동작 504에서, 증강 시스템(206)은 타겟 구조 및 카메라 파라미터들의 공동 최적화에 기초하여 소스 이미지에서의 제1 세트의 픽셀들과 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계에 기초하는 타겟 구조의 3D(three-dimensional) 모델을 생성한다.

위에 언급된 바와 같이, 수학식 7은, 많은 최적화 문제 해결사들이 존재하는, 강건화된 비-선형 최소 제곱 비용을 정의한다. 이러한 해결사들은, Jacobian으로서 알려진, 최적화 변수들,

에 관하여 잔차 에러들의 부분 미분들을 컴퓨팅하는 것을 일반적으로 수반한다. 이러한 해결사들의 표준 구현들은, 실행불가능하게 큰, 전체 Jacobian을 캐시하여, 최적화 문제를 비효율적으로 처리하게 하거나 또는 다량의 저장 리소스들을 요구한다. 일부 더 큰 최적화 문제들에서, Jacobian은 메모리에 전혀 맞지 않을 수 있어서, 이러한 문제들을 해결하려고 도전하게 만든다. 일부 실시예들에 따르면, Jacobian의 단지 하나의 인스턴스만이 각각의 반복 또는 업데이트에서 저장되고 유지되어, 저장 리소스들의 양을 상당히 감소시키고 디바이스의 전체 효율을 증가시킨다. 구체적으로, 개시된 최적화 문제는 표준 SfM 공식화들과 공통으로 특수한 구조를 갖는다. 표면 규칙화 없이, 랜드마크들은 서로 독립적이다. VarPro(Variable Projection) 알고리즘(알고리즘 1과 관련하여 아래에 논의됨)은 개시된 실시예들이 작은 RCS(Reduced Camera System) 문제를 구성하고 해결하고 다음으로 EPI들(Embedded Point Iterations)을 사용하여 구조를 해결하는 것을 허용하기 위해 Schur 보수를 사용한다. 이러한 것은 저장되는 데이터의 양을 감소시키기 위해 카메라 파라미터 업데이트들을 구조 파라미터 업데이트들로부터 분리한다. 구체적으로, RCS는,

로서 표기되는, 구조 변수들을 제외한 모든 문제 변수들의 세트를 수반한다. RCS는 아래의 수학식 8에 따라 Levenberg-style 댐핑을 사용하여 구성되고 해결된다.

수학식 8

여기서,

는 행렬 의사-역을 표기하고,

는 댐핑 파라미터이다. H_rcs 및 g_rcs 양자 모두는 한 번에 하나의 랜드마크에 누산될 수 있다. H_rcs는 카메라 파라미터들의 수(카메라의 모션(R 및 t), 카메라 센서 및 초점 길이, 렌즈 파라미터들)의 치수들의 행렬이고, g_rcs는 카메라 파라미터들의 수의 벡터 또는 길이이다. 구조 파라미터들은 n으로 표현된다. 일부 경우들에서, 모든 구조 파라미터들을 한계화하는 것에 의해 단지 카메라 파라미터들의 수로만 선형 시스템이 구성된다. 이러한 알고리즘은 카메라가 이동하면 구조가 어떻게 이동하는지를 모델링한다.

이러한 것은 개시된 기술들이 랜드마크들을 루프 오버하고 루프에서 이들을 한계화하는 것에 의해 RCS의 저-메모리 컴퓨팅화를 구현하는 것을 가능하게 한다. 카메라 파라미터 업데이트를 뒤따라서, Gauss-Newton 업데이트:

(수학식 9)를 사용하여 각각의 랜드마크 상에서 독립적으로 수렴할 때까지 EPI들이 실행된다. RCS로의 Jacobian 파라미터들의 합산, 및 EPI들 양자 모두는, 최적화 문제 해결사가 한 번에 하나의 랜드마크의 Jacobian들에 대해서만 단지 동작하는 것을 가능하게 하여, 임의의 한 번에 또는 반복하여 하나보다 많은 랜드마크와 연관된 Jacobian들을 저장할 필요성을 회피하고, 따라서 메모리 리소스들을 절약한다.

아래의 알고리즘 1은 수학식 8에서 표현되는 개시된 기술들에 따른 완전한 최적화를 설명한다. 아래에 보여지는 바와 같이, 수학식 8에서의 댐핑 파라미터는 현재 반복(단계)에서의 에러 또는 비용(S 또는

)이 이전 반복(단계)에서의 에러보다 낮으면 감소되고; 그렇지 않으면, 댐핑 파라미터가 증가되고, 최적화 문제 파라미터들이 이전 반복 값들로 설정된다. 다음으로, 에러 또는 비용이 감소하는지를 결정하기 위해 모든 이미지들 및 랜드마크들에 대해 최적화 업데이트가 다시 시도된다.

개시된 실시예들은 실시간 또는 사전에 캡처된 이미지들의 세트를 사용하여 구조의 3D 모델을 생성하기 위한 3D 재구성 작업을 위한 새로운 툴을 가능하게 한다. 로컬 조명 변동들에 강건한 측광 에러를 사용하여, 구조 및 카메라 파라미터들을 공동으로 정제하는 것은, 구조의 3D 모델을 생성하는 개선된 방식을 제공한다. 이러한 것은 재구성의 메트릭 정확성의 상당한 증가를 초래한다.

개시된 실시예들에 따르면, 증강 시스템(206)은, SfM(Structure from Motion, 한 세트의 이미지들로부터 카메라 위치들 및 희소 지오메트리를 공동으로 컴퓨팅하는 오프라인 접근법), Multi-view Stereopsis Reconstruction(한 세트의 이미지들 및 그들의 카메라 위치들이 주어지면, 장면의 조밀한 지오메트리를 생성하는 오프라인 접근법), SLAM(Simultaneous Localization and Mapping, 장면 지오메트리의 희소 추정 뿐만 아니라, 비디오가 캡처됨에 따라, 그 각각의 연속적인 프레임에 대한 카메라 위치들을, 실시간으로, 공동으로 컴퓨팅하는 온라인 시스템), 및 다른 것들과 같은, 3D 모델 재구성 기술들에서의 NCC 최소 제곱 최적화를 사용하여 이미지들로부터 3차원 모델을 생성한다. 이러한 예시적인 실시예들에서, (서버 상에서 또는 사용자 디바이스 상에서 동작하는) 증강 시스템(206)은 구성 방법들 중 임의의 것으로 NCC 최소 제곱 스킴을 구현할 수 있고, 추가적으로, 객체를 추적하기 위해 위 방법들의 출력을 사용할 수 있다. 예를 들어, 증강 시스템(206)은 사용자의 모바일 디바이스(예를 들어, 클라이언트 디바이스(102)) 상에서 미지의 장면/객체를 재구성하기 위해 SLAM 접근법 내에서 NCC 최소 제곱들을 구현할 수 있고, 증강 시스템(206)은 장면/객체에 대한 카메라 위치를 추적하기 위해 NCC 최소 제곱들을 구현할 수 있다.

건물은 증강 시스템(206)을 사용하여 3D 모델을 생성하기 위해 데이터베이스에 업로드될 수 있는 이미지 특징의 예이다. 예를 들어, 건물이 평균 도시 건물이고 건물의 3D 모델이 존재하지 않는다고 가정한다. 종래에, 건물에 대한 3D 모델을 생성하는 것은 건물의 신중한 측정들 및 현실-세계 분석들을 요구하기 때문에 실용적이지 않을 수 있다. 그러나, 증강 시스템(206)은 건물의 3D 재구성된 모델을 생성하기 위해 상이한 사용자 이미지들에서의 건물의 포인트들을 상관시키기 위해 최소 제곱 NCC 스킴을 구현할 수 있다. 3D 모델 데이터는 다음으로 처리를 위해 클라이언트 디바이스에 전송될 수 있다. 예를 들어, 이미지들에서의(예를 들어, 상이한 사용자 인터페이스 레이어에서의) 건물 상에 건물의 3D 모델이 오버레이될 수 있고, 증강 현실 경험을 생성하기 위해 3D 모델에 이미지 효과들이 적용될 수 있다. 예를 들어, 건물의 3D 모델에 폭발 효과가 적용될 수 있거나, 또는 3D 모델 상에서 이미지 데이터의 픽셀이 재맵핑되고 확대되어, 건물로 하여금 라이브 비디오를 통해 보여질 때 크기가 명백히 커지게 할 수 있다. 일부 예시적인 실시예들에서, 3D 모델 데이터는 이미지들에서 건물을 식별, 추적, 또는 정렬시키기 위해 사용되는 것 외에도 증강 현실 효과들을 위해 사용된다. 예를 들어, 건물의 3D 모델로부터 2D 렌더링이 생성될 수 있고, 2D 렌더링은 라이브 비디오의 프레임들과 비교되어 라이브 비디오가 2D 렌더링의 건물과 유사한 또는 정확히 매칭되는 특징을 묘사한다고 결정할 수 있다. 위에 논의된 최소 제곱 NCC 접근법의 하나의 혜택은 증강 시스템(206)이 서버 지원 없이 클라이언트 디바이스(102) 상에서 3D 모델 데이터를 생성하기 위해 클라이언트 디바이스(102) 상에서 최소 제곱 NCC를 효율적으로 적용할 수 있다는 점이다.

머신 아키텍처

도 6은, 머신(600)으로 하여금 본 명세서에 논의되는 방법론들 중 어느 하나 이상을 수행하게 하기 위한 명령어들(608)(예를 들어, 소프트웨어, 프로그램, 애플리케이션, 애플릿, 앱, 또는 다른의 실행가능 코드)가 실행될 수 있는 머신(600)의 도식적 표현이다. 예를 들어, 명령어들(608)은 머신(600)으로 하여금 본 명세서에 설명되는 방법들 중 어느 하나 이상을 실행하게 할 수 있다. 명령어들(608)은, 일반적인 비-프로그래밍된 머신(600)을, 설명되고 예시된 기능들을 설명된 방식으로 수행하도록 프로그래밍된 특정 머신(600)으로 변환한다. 머신(600)은 독립형 디바이스로서 동작할 수 있거나 또는 다른 머신들에 연결(예를 들어, 네트워킹)될 수 있다. 네트워킹된 배치에서, 머신(600)은 서버-클라이언트 네트워크 환경에서 서버 머신 또는 클라이언트 머신의 용량에서 동작하거나, 또는 피어-투-피어(또는 분산형) 네트워크 환경에서 피어 머신으로서 동작할 수 있다. 머신(600)은, 이에 제한되는 것은 아니지만, 서버 컴퓨터, 클라이언트 컴퓨터, PC(personal computer), 태블릿 컴퓨터, 랩톱 컴퓨터, 넷북, STB(set-top box), PDA(personal digital assistant), 엔터테인먼트 미디어 시스템, 셀룰러 전화, 스마트폰, 모바일 디바이스, 웨어러블 디바이스(예를 들어, 스마트워치), 스마트 홈 디바이스(예를 들어, 스마트 기기), 다른 스마트 디바이스들, 웹 어플라이언스(web appliance), 네트워크 라우터, 네트워크 스위치, 네트워크 브리지, 또는 머신(600)에 의해 취해질 액션들을 명시하는 명령어들(608)을, 순차적으로 또는 다른 방식으로, 실행할 수 있는 임의의 머신을 포함할 수 있다. 추가로, 단지 단일의 머신(600)만이 예시되지만, "머신(machine)"이라는 용어는 본 명세서에 논의되는 방법론들 중 어느 하나 이상을 수행하기 위해 개별적으로 또는 공동으로 명령어들(608)을 실행하는 머신들의 컬렉션을 포함하는 것으로 또한 취해질 수 있다. 머신(600)은, 예를 들어, 클라이언트 디바이스(102) 또는 메시징 서버 시스템(108)의 부분을 형성하는 다수의 서버 디바이스 중 어느 하나를 포함할 수 있다. 일부 예들에서, 머신(600)은 클라이언트 및 서버 시스템들 양자 모두를 또한 포함할 수 있고, 특정 방법 또는 알고리즘의 특정 동작들은 서버-측에서 수행되고 특정 방법 또는 알고리즘의 특정 동작들은 클라이언트-측에서 수행된다.

머신(600)은, 버스(640)를 통해 서로 통신하도록 구성될 수 있는, 프로세서들(602), 메모리(604), 및 I/O(input/output) 컴포넌트들(638)을 포함할 수 있다. 예에서, 프로세서들(602)(예를 들어, CPU(Central Processing Unit), RISC(Reduced Instruction Set Computing) 프로세서, CISC(Complex Instruction Set Computing) 프로세서, GPU(Graphics Processing Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), RFIC(Radio-Frequency Integrated Circuit), 다른 프로세서, 또는 이들의 임의의 적합한 조합)은, 예를 들어, 명령어들(608)을 실행하는 프로세서(606) 및 프로세서(610)를 포함할 수 있다. "프로세서(processor)"라는 용어는 명령어들을 동시에 실행할 수 있는 2개 이상의 독립적 프로세서들(때때로 "코어들(cores)"이라고 지칭됨)을 포함할 수 있는 멀티-코어 프로세서들(multi-core processor)을 포함하는 것으로 의도된다. 도 6은 다수의 프로세서들(602)을 도시하지만, 머신(600)은 단일-코어를 갖는 단일 프로세서, 다수의 코어들을 갖는 단일 프로세서(예를 들어, 멀티-코어 프로세서), 단일 코어를 갖는 다수의 프로세서들, 다수의 코어들을 갖는 다수의 프로세서들, 또는 이들의 임의의 조합을 포함할 수 있다.

메모리(604)는 메인 메모리(612), 정적 메모리(614), 및 저장 유닛(616)을 포함하며, 양자 모두는 버스(640)를 통해 프로세서들(602)에 액세스가능하다. 메인 메모리(604), 정적 메모리(614), 및 저장 유닛(616)은 본 명세서에 설명되는 방법론들 또는 기능들 중 어느 하나 이상을 구현하는 명령어들(608)을 저장한다. 명령어들(608)은, 머신(600)에 의한 그 실행 동안에, 완전히 또는 부분적으로, 메인 메모리(612) 내에, 정적 메모리(614) 내에, 저장 유닛(616) 내의 머신-판독가능 매체(618) 내에, 프로세서(602)들 중 적어도 하나 내에(예를 들어, 프로세서의 캐시 메모리 내에), 또는 이들의 임의의 적합한 조합으로 또한 존재할 수 있다.

I/O 컴포넌트들(638)은 입력을 수신하고, 출력을 제공하고, 출력을 생성하고, 정보를 전송하고, 정보를 교환하고, 측정들을 캡처하는 것 등을 위해 매우 다양한 컴포넌트들을 포함할 수 있다. 특정 머신에 포함되는 구체적인 I/O 컴포넌트들(638)은 머신의 타입에 의존할 것이다. 예를 들어, 모바일 전화들과 같은 휴대용 머신들은 터치 입력 디바이스 또는 다른 이러한 입력 메커니즘들을 포함할 수 있는 반면, 헤드리스 서버 머신(headless server machine)은 이러한 터치 입력 디바이스를 포함하지 않을 수 있다. I/O 컴포넌트들(638)은 도 6에 도시되지 않은 많은 다른 컴포넌트들을 포함할 수 있다는 점이 인식될 것이다. 다양한 예들에서, I/O 컴포넌트들(638)은 사용자 출력 컴포넌트들(624) 및 사용자 입력 컴포넌트들(626)을 포함할 수 있다. 사용자 출력 컴포넌트(624)들은, 시각적 컴포넌트(예를 들어, PDP(plasma display panel), LED(light-emitting diode) 디스플레이, LCD(liquid crystal display), 프로젝터, 또는 CRT(cathode ray tube)와 같은 디스플레이), 음향 컴포넌트들(예를 들어, 스피커들), 햅틱 컴포넌트들(예를 들어, 진동 모터, 저항 메커니즘들), 다른 신호 생성기들 등을 포함할 수 있다. 사용자 입력 컴포넌트들(626)은 영숫자 입력 컴포넌트들(예를 들어, 키보드, 영숫자 입력을 수신하도록 구성되는 터치 스크린, 포토-옵티컬 키보드(photo-optical keyboard), 또는 다른 영숫자 입력 컴포넌트들), 포인트-기반 입력 컴포넌트들(예를 들어, 마우스, 터치패드, 트랙볼, 조이스틱, 모션 센서, 또는 다른 포인팅 기구), 촉각 입력 컴포넌트들(예를 들어, 물리적 버튼, 터치들 또는 터치 제스처들의 위치 및/또는 힘을 제공하는 터치 스크린, 또는 다른 촉각 입력 컴포넌트들), 오디오 입력 컴포넌트들(예를 들어, 마이크로폰) 등을 포함할 수 있다.

추가의 예들에서, I/O 컴포넌트들(638)은, 매우 다양한 다른 컴포넌트들 중에서, 생체인식 컴포넌트들(628), 모션 컴포넌트들(630), 환경 컴포넌트들(632), 또는 위치 컴포넌트들(634)을 포함할 수 있다. 예를 들어, 생체인식 컴포넌트들(628)은 표현들(예를 들어, 손 표현들, 얼굴 표현들, 음성 표현들, 신체 제스처들, 또는 시선-추적)을 검출하는, 생체신호들(예를 들어, 혈압, 심박수, 체온, 발한, 또는 뇌파)을 측정하는, 사람을 식별하는(예를 들어, 음성 식별, 망막 식별, 얼굴 식별, 지문 식별, 또는 뇌전도-기반 식별), 등을 하는 컴포넌트들을 포함할 수 있다. 모션 컴포넌트들(630)은 가속도 센서 컴포넌트들(예를 들어, 가속도계), 중력 센서 컴포넌트들, 회전 센서 컴포넌트들(예를 들어, 자이로스코프)을 포함한다.

환경 컴포넌트들(632)은, 예를 들어, (정지 이미지/사진 및 비디오 능력을 갖는) 하나 이상의 카메라, 조명 센서 컴포넌트(예를 들어, 광도계), 온도 센서 컴포넌트(예를 들어, 주변 온도를 검출하는 하나 이상의 온도계), 습도 센서 컴포넌트, 압력 센서 컴포넌트(예를 들어, 기압계), 음향 센서 컴포넌트(예를 들어, 배경 잡음을 검출하는 하나 이상의 마이크로폰), 근접 센서 컴포넌트(예를 들어, 근처의 객체를 검출하는 적외선 센서), 가스 센서(예를 들어, 안전을 위해 유해성 가스의 농도를 검출하거나 또는 대기 중의 오염 물질을 측정하는 가스 검출 센서), 또는 주변의 물리적 환경에 대응하는 표시들, 측정들, 또는 신호들을 제공할 수 있는 다른 컴포넌트를 포함한다.

카메라들에 관하여, 클라이언트 디바이스(102)는, 예를 들어, 클라이언트 디바이스(102)의 전방 표면 상의 전방 카메라들 및 클라이언트 디바이스(102)의 후방 표면 상의 후방 카메라들을 포함하는 카메라 시스템을 가질 수 있다. 전방 카메라들은, 예를 들어, 클라이언트 디바이스(102)의 사용자의 정지 이미지들 및 비디오(예를 들어, "셀카들(selfies)")를 캡처하기 위해 사용될 수 있고, 이는 다음으로 위에 설명된 증강 데이터(예를 들어, 필터들)로 증강될 수 있다. 후방 카메라들은, 예를 들어, 더 전통적인 카메라 모드에서 정지 이미지들 및 비디오들을 캡처하기 위해 사용될 수 있고, 이러한 이미지들은 증강 데이터로 유사하게 증강된다. 전방 및 후방 카메라들 외에도, 클라이언트 디바이스(102)는 360° 사진들 및 비디오들을 캡처하기 위한 360° 카메라를 또한 포함할 수 있다.

추가로, 클라이언트 디바이스(102)의 카메라 시스템은 클라이언트 디바이스(102)의 전방 및 후방 측면들 상에 이중 후방 카메라들(예를 들어, 주 카메라 뿐만 아니라 심도-감지 카메라), 또는 심지어 삼중, 사중 또는 오중 후방 카메라 구성들을 포함할 수 있다. 이러한 다수의 카메라 시스템들은, 예를 들어, 광각 카메라, 초-광각 카메라, 텔레포토 카메라, 매크로 카메라, 및 심도 센서를 포함할 수 있다.

위치 컴포넌트들(634)은, 위치 센서 컴포넌트들(예를 들어, GPS 수신기 컴포넌트), 고도 센서 컴포넌트들(예를 들어, 고도계들 또는 고도가 도출될 수 있는 기압을 검출하는 기압계들), 배향 센서 컴포넌트들(예를 들어, 자력계들) 등을 포함한다.

매우 다양한 기술들을 사용하여 통신이 구현될 수 있다. I/O 컴포넌트들(638)은 머신(600)을 각각의 연결 또는 접속들을 통해 네트워크(620) 또는 디바이스들(622)에 연결하도록 동작가능한 통신 컴포넌트들(636)을 추가로 포함한다. 예를 들어, 통신 컴포넌트들(636)은 네트워크 인터페이스 컴포넌트, 또는 네트워크(620)와 인터페이스하기에 적합한 다른 디바이스를 포함할 수 있다. 추가의 예들에서, 통신 컴포넌트들(636)은 유선 통신 컴포넌트들, 무선 통신 컴포넌트들, 셀룰러 통신 컴포넌트들, NFC(Near Field Communication) 컴포넌트들, Bluetooth^® 컴포넌트들(예를 들어, Bluetooth^®Low Energy), Wi-Fi^® 컴포넌트들, 및 다른 양상들을 통해 통신을 제공하는 다른 통신 컴포넌트들을 포함할 수 있다. 디바이스들(622)은 다른 머신 또는 매우 다양한 주변 디바이스들(예를 들어, USB를 통해 연결되는 주변 디바이스) 중 임의의 것일 수 있다.

더욱이, 통신 컴포넌트들(636)은 식별자들을 검출할 수 있거나 또는 식별자들을 검출하기 위해 동작가능한 컴포넌트들을 포함할 수 있다. 예를 들어, 통신 컴포넌트들(636)은 RFID(Radio Frequency Identification) 태그 판독기 컴포넌트들, NFC 스마트 태그 검출 컴포넌트들, 광학 판독기 컴포넌트들(예를 들어, UPC(Universal Product Code) 바코드와 같은 1차원 바코드들, QR(Quick Response) 코드, Aztec 코드, Data Matrix, Dataglyph, MaxiCode, PDF417, Ultra Code, UCC RSS-2D 바코드와 같은 다차원 바코드들, 및 다른 광학 코드들을 검출하는 광학 센서), 또는 음향 검출 컴포넌트들(예를 들어, 태그된 오디오 신호들을 식별하는 마이크로폰들)을 포함할 수 있다. 또한, IP(Internet Protocol) 지오로케이션을 통한 위치, Wi-Fi® 신호 삼각측량을 통한 위치, 특정 위치를 표시할 수 있는 NFC 비컨 신호 검출을 통한 위치 등과 같은, 다양한 정보가 통신 컴포넌트(636)를 통해 도출될 수 있다.

다양한 메모리들(예를 들어, 메인 메모리(612), 정적 메모리(614), 및/또는 프로세서들(602)의 메모리) 및/또는 저장 유닛(616)은 본 명세서에 설명되는 방법론들 또는 기능들 중 어느 하나 이상을 구현하는 또는 그에 의해 사용되는 명령어들 및 데이터 구조들(예를 들어, 소프트웨어)의 하나 이상의 세트를 저장할 수 있다. 이러한 명령어들(예를 들어, 명령어들(608))은 프로세서들(602)에 의해 실행될 때, 다양한 동작들로 하여금 개시된 예들을 구현하게 한다.

명령어들(608)은, 송신 매체를 사용하여, 네트워크 인터페이스 디바이스(예를 들어, 통신 컴포넌트들(636)에 포함되는 네트워크 인터페이스 컴포넌트)를 통해 그리고 몇몇 잘 알려진 전송 프로토콜들 중 어느 하나(예를 들어, HTTP(hypertext transfer protocol))를 사용하여, 네트워크(620)를 통해 송신되거나 또는 수신될 수 있다. 유사하게, 명령어들(608)은 디바이스들(622)에 대한 연결(예를 들어, 피어-투-피어 연결)을 통해 송신 매체를 사용하여 송신되거나 또는 수신될 수 있다.

소프트웨어 아키텍처

도 7은, 본 명세서에 설명되는 디바이스들 중 어느 하나 이상에 설치될 수 있는, 소프트웨어 아키텍처(704)를 예시하는 블록도 700이다. 이러한 소프트웨어 아키텍처(704)는, 프로세서들(720), 메모리(726), 및 I/O 컴포넌트들(738)을 포함하는 머신(702)과 같은, 하드웨어에 의해 지원된다. 이러한 예에서, 소프트웨어 아키텍처(704)는, 각각의 레이어가 특정 기능성을 제공하는, 레이어들의 스택으로서 개념화될 수 있다. 소프트웨어 아키텍처(704)는 운영 체제(712), 라이브러리들(710), 프레임워크들(708), 및 애플리케이션들(706)과 같은 레이어들을 포함한다. 동작적으로, 애플리케이션들(706)은 소프트웨어 스택을 통해 API 호출들(750)을 불러오고 API 호출들(750)에 응답하여 메시지들(752)을 수신한다.

운영 체제(712)는 하드웨어 리소스들을 관리하고 공통 서비스들을 제공한다. 운영 체제(712)는, 예를 들어, 커널(714), 서비스들(716), 및 드라이버들(722)을 포함한다. 커널(714)은 하드웨어와 다른 소프트웨어 레이어들 사이에서 추상화 레이어(abstraction layer)로서 역할을 한다. 예를 들어, 커널(714)은, 다른 기능성 중에서, 메모리 관리, 프로세서 관리(예를 들어, 스케줄링), 컴포넌트 관리, 네트워킹, 및 보안 설정들을 제공한다. 서비스들(716)은 다른 소프트웨어 레이어들에 대한 다른 공통 서비스들을 제공할 수 있다. 드라이버들(722)은 기본 하드웨어를 제어하는 것 또는 그와 인터페이싱하는 것을 담당한다. 예를 들어, 드라이버들(722)은 디스플레이 드라이버들, 카메라 드라이버들, BLUETOOTH® 또는 BLUETOOTH® Low Energy 드라이버들, 플래시 메모리 드라이버들, 직렬 통신 드라이버들(예를 들어, USB 드라이버들), WI-FI® 드라이버들, 오디오 드라이버들, 전력 관리 드라이버들 등을 포함할 수 있다.

라이브러리들(710)은 애플리케이션들(706)에 의해 사용되는 공통 로우-레벨 인프라스트럭처를 제공한다. 라이브러리들(710)은, 메모리 할당 기능들, 문자열 조작 기능들, 수학 기능들 등과 같은 기능들 제공할 수 있는 시스템 라이브러리들(718)(예를 들어, C 표준 라이브러리)를 포함할 수 있다. 또한, 라이브러리들(710)은, 미디어 라이브러리들(예를 들어, MPEG4(Moving Picture Experts Group-4), H.264 또는 AVC(Advanced Video Coding), MP3(Moving Picture Experts Group Layer-3), AAC(Advanced Audio Coding), AMR(Adaptive Multi-Rate) 오디오 코덱, JPG 또는 JPEG(Joint Photographic Experts Group), 또는 PNG(Portable Network Graphics)와 같은 다양한 미디어 포맷들의 제시 및 조작을 지원하는 라이브러리들), 그래픽 라이브러리들(예를 들어, 디스플레이 상의 그래픽 콘텐츠에서 2차원(2D) 및 3차원(3D)으로 렌더링하기 위해 사용되는 OpenGL 프레임워크), 데이터베이스 라이브러리들(예를 들어, 다양한 관계형 데이터베이스 기능들을 제공하는 SQLite), 웹 라이브러리들(예를 들어, 웹 브라우징 기능성을 제공하는 WebKit) 등과 같은 API 라이브러리들(724)을 포함할 수 있다. 라이브러리들(710)은 많은 다른 API들을 애플리케이션들(706)에 제공하기 위해 매우 다양한 다른 라이브러리들(728)을 또한 포함할 수 있다.

프레임워크들(708)은 애플리케이션들(706)에 의해 사용되는 하이-레벨 공통 인프라스트럭처를 제공한다. 예를 들어, 프레임워크들(708)은 다양한 GUI(graphical user interface) 기능들, 하이-레벨 리소스 관리, 및 하이-레벨 위치 서비스들을 제공한다. 프레임워크들(708)은 애플리케이션들(706)에 의해 사용될 수 있는 광범위한 스펙트럼의 다른 API들을 제공할 수 있고, 그 중 일부는 특정 운영 체제 또는 플랫폼에 구체적일 수 있다.

예에서, 애플리케이션들(706)은, 홈 애플리케이션(736), 연락처 애플리케이션(730), 브라우저 애플리케이션(732), 북 리더 애플리케이션(734), 위치 애플리케이션(742), 미디어 애플리케이션(744), 메시징 애플리케이션(746), 게임 애플리케이션(748), 및 제3자 애플리케이션들(740)과 같은 다른 애플리케이션들의 광범위한 컬렉션을 포함할 수 있다. 애플리케이션들(706)은 프로그램들에서 정의되는 기능들을 실행하는 프로그램들이다. 객체-지향 프로그래밍 언어들(예를 들어, Objective-C, Java, 또는 C++) 또는 절차적 프로그래밍 언어들(예를 들어, C 또는 어셈블리 언어)과 같은, 다양한 방식으로 구조화되는, 다양한 프로그래밍 언어들이 애플리케이션들(706) 중 하나 이상을 생성하기 위해 이용될 수 있다. 구체적인 예에서, 제3자 애플리케이션(740)(예를 들어, 특정 플랫폼의 벤더 이외의 엔티티에 의해 ANDROID^TM 또는 IOS^TM SDK(software development kit)를 사용하여 개발되는 애플리케이션)은 IOS^TM, ANDROID^TM, WINDOWS® Phone, 또는 다른 모바일 운영 체제와 같은 모바일 운영 체제 상에서 실행되는 모바일 소프트웨어일 수 있다. 이러한 예에서, 제3자 애플리케이션(740)은 본 명세서에 설명되는 기능성을 용이하게 하기 위해 운영 체제(712)에 의해 제공되는 API 호출들(750)을 불러낼 수 있다.

용어집

"캐리어 신호(carrier signal)"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 임의의 무형의 매체를 지칭하고, 이러한 명령어들의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 다른 무형의 매체를 포함한다. 명령어들은 네트워크 인터페이스 디바이스를 통해 송신 매체를 사용하여 네트워크를 통해 송신 또는 수신될 수 있다.

"클라이언트 디바이스(client device)"는 하나 이상의 서버 시스템 또는 다른 클라이언트 디바이스들로부터 리소스들을 획득하기 위해 통신 네트워크에 인터페이스하는 임의의 머신을 지칭한다. 클라이언트 디바이스는, 이에 제한되는 것은 아니지만, 모바일 폰, 데스크톱 컴퓨터, 랩톱, PDA들(portable digital assistants), 스마트폰들, 태블릿들, 울트라북들, 넷북들, 랩톱들, 멀티-프로세서 시스템들, 마이크로프로세서-기반 또는 프로그램가능한 소비자 가전제품들, 게임 콘솔들, 셋톱 박스들, 또는 사용자가 네트워크에 액세스하기 위해 사용할 수 있는 임의의 다른 통신 디바이스일 수 있다.

"통신 네트워크(communication Network)"는 애드 혹 네트워크, 인트라넷, 엑스트라넷, VPN(virtual private network), LAN(local area network), 무선 LAN(WLAN), WAN(wide area network), 무선 WAN(WWAN), MAN(metropolitan area network), Internet, Internet의 일부, PSTN(Public Switched Telephone Network)의 일부, POTS(plain old telephone service) 네트워크, 셀룰러 전화 네트워크, 무선 네트워크, Wi-Fi® 네트워크, 다른 타입의 네트워크, 또는 2개 이상의 이러한 네트워크들의 조합일 수 있는, 네트워크의 하나 이상의 부분을 지칭한다. 예를 들어, 네트워크 또는 네트워크의 일부는 무선 또는 셀룰러 네트워크를 포함할 수 있고 연결은 CDMA(Code Division Multiple Access) 접속, GSM(Global System for Mobile communications) 접속, 또는 다른 타입의 셀룰러 또는 무선 연결일 수 있다. 이러한 예에서, 연결은, 1xRTT(Single Carrier Radio Transmission Technology), EVDO(Evolution-Data Optimized) 기술, GPRS(General Packet Radio Service) 기술, EDGE(Enhanced Data rates for GSM Evolution) 기술, 3G를 포함하는 3GPP(third Generation Partnership Project), 4G(fourth generation wireless) 네트워크들, UMTS(Universal Mobile Telecommunications System), HSPA(High Speed Packet Access), WiMAX(Worldwide Interoperability for Microwave Access), LTE(Long Term Evolution) 표준, 다양한 표준-설정 조직들에 의해 정의되는 다른 것들, 다른 장거리 프로토콜들, 또는 다른 데이터 전송 기술과 같은, 다양한 타입들의 데이터 전송 기술 중 임의의 것을 구현할 수 있다.

"컴포넌트(component)"는 기능 또는 서브루틴 호출들, 분기 포인트들, API들, 또는 특정 처리 또는 제어 기능들의 분할 또는 모듈화를 제공하는 다른 기술들에 의해 정의되는 경계들을 갖는 디바이스, 물리적 엔티티, 또는 로직을 지칭한다. 컴포넌트들은 그들의 인터페이스들을 통해 다른 컴포넌트들과 조합되어 머신 프로세스를 수행할 수 있다. 컴포넌트는, 다른 컴포넌트들 및 관련된 기능들 중 특정 기능을 일반적으로 수행하는 프로그램의 일부와 함께 사용하기 위해 설계되는 패키징된 기능적 하드웨어 유닛일 수 있다.

컴포넌트들은 소프트웨어 컴포넌트들(예를 들어, 머신-판독가능 매체 상에 구현되는 코드) 또는 하드웨어 컴포넌트들을 구성할 수 있다. "하드웨어 컴포넌트(hardware component)"는 특정 동작들을 수행할 수 있는 유형의 유닛(tangible unit)이고, 특정 물리적 방식으로 구성되거나 또는 배열될 수 있다. 다양한 예시적인 실시예들에서, 하나 이상의 컴퓨터 시스템(예를 들어, 독립형 컴퓨터 시스템, 클라이언트 컴퓨터 시스템, 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 컴포넌트(예를 들어, 프로세서 또는 프로세서들의 그룹)는 본 명세서에 설명되는 바와 같이 특정 동작들을 수행하기 위해 동작하는 하드웨어 컴포넌트로서 소프트웨어(예를 들어, 애플리케이션 또는 애플리케이션 부분)에 의해 구성될 수 있다.

하드웨어 컴포넌트는 또한, 기계적으로, 전자적으로, 또는 이들의 임의의 적합한 조합으로 구현될 수 있다. 예를 들어, 하드웨어 컴포넌트는 특정 동작들을 수행하도록 영구적으로 구성되는 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 컴포넌트는, FPGA(Field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 특수-목적 프로세서일 수 있다. 하드웨어 컴포넌트는, 특정 동작들을 수행하도록 소프트웨어에 의해 일시적으로 구성되는 프로그램가능한 로직 또는 회로를 또한 포함할 수 있다. 예를 들어, 하드웨어 컴포넌트는 범용 프로세서 또는 다른 프로그램가능 프로세서에 의해 실행되는 소프트웨어를 포함할 수 있다. 일단 이러한 소프트웨어에 의해 구성되면, 하드웨어 컴포넌트들은 구성되는 기능들을 수행하도록 독자적으로 맞춤화된(uniquely tailored) 구체적인 머신들(또는 머신의 구체적인 컴포넌트들)이 되고 더 이상 범용 프로세서들이 아니다. 하드웨어 컴포넌트를 기계적으로, 전용의 영구적으로 구성되는 회로에, 또는 일시적으로 구성되는 회로(예를 들어, 소프트웨어에 의해 구성됨)에 구현하기로 하는 결정이 비용 및 시간 고려사항들에 의해 주도될 수 있다는 점이 인식될 것이다. 따라서, "하드웨어 컴포넌트(hardware component)"(또는 "하드웨어-구현된 컴포넌트(hardware-implemented component)")라는 문구는 유형의 엔티티(tangible entity)를 포괄하는 것으로 이해되어야 하며, 그 엔티티는, 특정 방식으로 동작하도록 또는 본 명세서에 설명되는 특정 동작들을 수행하도록 물리적으로 구성되거나, 또는 영구적으로 구성되거나(예를 들어, 하드와이어드), 또는 일시적으로 구성된다(예를 들어, 프로그래밍된다).

하드웨어 컴포넌트들이 일시적으로 구성되는(예를 들어, 프로그래밍되는) 실시예들을 고려할 때, 하드웨어 컴포넌트들 각각은 임의의 한 시점에서 구성되거나 또는 인스턴스화될 필요는 없다. 예를 들어, 하드웨어 컴포넌트가 특수-목적 프로세서가 되도록 소프트웨어에 의해 구성되는 범용 프로세서를 포함하는 경우에, 범용 프로세서는 상이한 때에 (예를 들어, 상이한 하드웨어 컴포넌트들을 포함하는) 각각 상이한 특수-목적 프로세서들로서 구성될 수 있다. 따라서 소프트웨어는 예를 들어, 하나의 시점에서는 특정 하드웨어 컴포넌트를 구성하고 상이한 시점에서는 상이한 하드웨어 컴포넌트를 구성하도록 특정 프로세서 또는 프로세서들을 구성한다.

하드웨어 컴포넌트는 다른 하드웨어 컴포넌트들에 정보를 제공하고 이로부터 정보를 수신할 수 있다. 따라서, 설명된 하드웨어 컴포넌트들은 통신가능하게 연결되는 것으로서 고려될 수 있다. 다수의 하드웨어 컴포넌트들이 동시에 존재하는 경우에, 하드웨어 컴포넌트들 중 2개 이상 사이의 또는 그들 사이의 (예를 들어, 적절한 회로들 및 버스들을 통한) 신호 송신을 통해 통신이 달성될 수 있다. 다수의 하드웨어 컴포넌트들이 상이한 시간들에서 구성되거나 또는 인스턴스화되는 실시예에서, 이러한 하드웨어 컴포넌트들 사이의 통신은, 예를 들어, 다수의 하드웨어 컴포넌트들이 액세스하는 메모리 구조들에서의 정보의 저장 및 검색을 통해, 달성될 수 있다. 예를 들어, 하나의 하드웨어 컴포넌트는 동작을 수행하고 해당 동작의 출력을 통신가능하게 연결되는 메모리 디바이스에 저장할 수 있다. 추가의 하드웨어 컴포넌트가 다음으로, 나중에, 저장된 출력을 검색 및 처리하기 위해 메모리 디바이스에 액세스할 수 있다. 하드웨어 컴포넌트들은 입력 또는 출력 디바이스들과의 통신을 또한 착수할 수 있고, 리소스(예를 들어, 정보의 컬렉션)에 대해 동작할 수 있다.

본 명세서에 설명되는 예시적 방법들의 다양한 동작들은, 관련 동작들을 수행하도록 영구적으로 구성되거나 또는 (예를 들어, 소프트웨어에 의해) 일시적으로 구성되는 하나 이상의 프로세서에 의해 적어도 부분적으로 수행될 수 있다. 일시적으로 또는 영구적으로 구성되든 간에, 이러한 프로세서들은 본 명세서에 설명되는 하나 이상의 동작 또는 기능을 수행하도록 동작하는 프로세서-구현 컴포넌트들을 구성할 수 있다. 본 명세서에서 사용되는 바와 같이, "프로세서-구현 컴포넌트(processor-implemented component)"는 하나 이상의 프로세서를 사용하여 구현되는 하드웨어 컴포넌트를 지칭한다. 유사하게, 본 명세서에 설명되는 방법들은 적어도 부분적으로 프로세서-구현될 수 있고, 특정 프로세서 또는 프로세서들은 하드웨어의 예이다. 예를 들어, 방법의 동작들 중 적어도 일부가 하나 이상의 프로세서(602) 또는 프로세서-구현 컴포넌트들에 의해 수행될 수 있다. 더욱이, 하나 이상의 프로세서는 또한 "클라우드 컴퓨팅(cloud computing)" 환경에서 또는 "SaaS(software as a service)"로서 관련 동작들의 수행을 지원하도록 동작할 수 있다. 예를 들어, 동작들 중 적어도 일부는, (프로세서들을 포함하는 머신의 예로서의) 컴퓨터들의 그룹에 의해 수행될 수 있고, 이들 동작들은 네트워크(예를 들어, Internet)를 통해 그리고 하나 이상의 적절한 인터페이스(예를 들어, API)를 통해 액세스가능하다. 특정 동작들의 수행은, 단일 머신 내에 상주할 뿐만 아니라, 다수의 머신에 걸쳐 배치되는, 프로세서들 사이에 분산될 수 있다. 일부 예시적인 실시예들에서, 프로세서들 또는 프로세서-구현 컴포넌트들은 단일의 지리적 위치에(예를 들어, 가정 환경, 사무실 환경, 또는 서버 팜(server farm) 내에) 위치될 수 있다. 다른 예시적인 실시예들에서, 프로세서들 또는 프로세서-구현 컴포넌트들은 다수의 지리적 위치들에 걸쳐 분산될 수 있다.

"컴퓨터-판독가능 저장 매체(computer-readable storage medium)"는 머신-저장 매체 및 송신 매체 양자 모두를 지칭한다. 따라서, 이러한 용어들은 저장 디바이스들/매체 및 반송파들/변조된 데이터 신호들 양자 모두를 포함한다. "머신-판독가능 매체(machine-readable medium)", "컴퓨터-판독가능 매체(computer-readable medium)" 및 "디바이스-판독가능 매체(device-readable medium)"는 용어들은 동일한 것을 의미하며, 본 개시내용에서 교환가능하게 사용될 수 있다.

"단기적 메시지(ephemeral message)"는 시간-제한된 지속기간 동안 액세스가능한 메시지를 지칭한다. 단기적 메시지는 텍스트, 이미지, 비디오 등일 수 있다. 단기적 메시지에 대한 액세스 시간은 메시지 전송자에 의해 설정될 수 있다. 대안적으로, 액세스 시간은 디폴트 설정 또는 수신자에 의해 명시되는 설정일 수 있다. 설정 기술에 관계없이, 메시지는 일시적(transitory)이다.

"머신 저장 매체(machine storage medium)"는 실행가능 명령어들, 루틴들 및/또는 데이터를 저장하는 단일의 또는 다수의 저장 디바이스들 및/또는 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및/또는 연관된 캐시들 및 서버들)을 지칭한다. 따라서, 이러한 용어는, 이에 제한되는 것은 아니지만, 프로세서들 내부 또는 외부의 메모리를 포함하는 고체-상태 메모리들, 및 광학 및 자기 매체를 포함하는 것으로 취해질 수 있다. 머신-저장 매체, 컴퓨터-저장 매체 및 디바이스-저장 매체의 구체적인 예들은, 예로서 반도체 메모리 디바이스들, 예를 들어, EPROM (erasable programmable read-only memory), EEPROM (electrically erasable programmable read-only memory), FPGA, 및 플래시 메모리 디바이스들; 내부 하드 디스크들 및 이동식 디스크들과 같은 자기 디스크들; 광자기 디스크들; 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비-휘발성 메모리를 포함한다. "머신-저장 매체(machine-storage medium)", "디바이스-저장 매체(device-storage medium)", "컴퓨터-저장 매체(computer-storage medium)"라는 용어들은 동일한 것을 의미하며, 본 개시내용에서 교환가능하게 사용될 수 있다. "머신-저장 매체(machine-storage media)", "컴퓨터-저장 매체(computer-storage media)", 및 "디바이스-저장 매체(device-storage media)"라는 용어들은 반송파들, 변조된 데이터 신호들, 및 다른 이러한 매체를 구체적으로 제외하고, 이들 중 적어도 일부는 "신호 매체(signal medium)"라는 용어 하에 커버된다.

"비-일시적 컴퓨터-판독가능 저장 매체(non-transitory computer-readable storage medium)"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 유형의 매체를 지칭한다.

"신호 매체(signal medium)"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩 또는 운반할 수 있는 임의의 무형의 매체를 지칭하며, 소프트웨어 또는 데이터의 통신을 용이하게 하기 위해 디지털 또는 아날로그 통신 신호들 또는 다른 무형의 매체를 포함한다. "신호 매체(signal medium)"이라는 용어는 임의의 형태의 변조된 데이터 신호, 반송파 등을 포함하는 것으로 취해져야 한다. "변조된 데이터 신호(modulated data signal)"라는 용어는 신호에서의 정보를 인코딩하기 위해 이러한 상황에서 설정되는 또는 변경되는 자신의 특성들 중 하나 이상을 갖는 신호를 의미한다. "송신 매체(transmission medium)", 및 "신호 매체(signal medium)"라는 용어들은 동일한 것을 의미하고 본 개시내용에서 교환가능하게 사용될 수 있다.

본 개시내용의 범위를 벗어나지 않고 개시된 실시예들에 대한 변경들 및 수정들이 이루어질 수 있다. 이러한 그리 다른 변경들 또는 수정들은, 다음의 청구항들에서 표현되는 바와 같은, 본 개시내용의 범위 내에 포함되는 것으로 의도된다.

Claims

방법으로서,
타겟 구조를 묘사하는 소스 이미지에 액세스하는 단계;
상기 타겟 구조의 적어도 일부를 묘사하는 하나 이상의 타겟 이미지에 액세스하는 단계;
상기 타겟 구조의 제1 부분의 상기 소스 이미지에서의 제1 세트의 픽셀들과 상기 타겟 구조의 제1 부분의 상기 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계를 컴퓨팅하는 단계- 상기 대응관계는 상기 소스 이미지와 상기 하나 이상의 타겟 이미지 사이에서 변하는 카메라 파라미터들의 함수로서 컴퓨팅됨 -; 및
타겟 구조 및 카메라 파라미터들의 공동 최적화에 기초하여 상기 소스 이미지에서의 제1 세트의 픽셀들과 상기 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계에 기초하는 상기 타겟 구조의 3D(three-dimensional) 모델을 생성하는 단계를 포함하는 방법.
제1항에 있어서, 상기 대응관계는 상기 타겟 구조의 함수로서 추가로 컴퓨팅되고, 상기 대응관계를 컴퓨팅하는 단계는,
상기 제1 세트의 픽셀들에 대응하는 상기 타겟 구조의 제1 부분의 3D 좌표들을 식별하는 단계;
상기 소스 이미지와 연관된 제1 세트의 카메라 파라미터들을 적용하는 것에 의해 상기 제1 세트의 픽셀들로부터 상기 3D 좌표들로 제1 라인을 투영하는 단계;
상기 하나 이상의 타겟 이미지와 연관된 제2 세트의 카메라 파라미터들을 적용하는 것에 의해 상기 3D 좌표들로부터 상기 제2 세트의 픽셀들로 제2 라인을 투영하는 단계; 및
상기 제1 및 제2 세트들의 픽셀들에서의 각각의 픽셀 사이의 차이를 컴퓨팅하는 단계를 포함하는 방법.
제1항 또는 제2항에 있어서, 추가로,
상기 제2 세트의 픽셀들을 상기 제2 세트의 카메라 파라미터들 및 상기 3D 좌표들의 함수로서 식별하는 단계; 및
상기 대응관계에 기초하는 측광 에러를 감소시켜 상기 3D 모델을 생성하는 단계를 포함하는 방법.
제1항 내지 제3항 중 어느 한 항에 있어서, 추가로,
상기 제1 세트의 카메라 파라미터들에 기초하여 상기 제1 세트의 픽셀들을 왜곡시키지 않고 상기 제1 라인을 투영하는 단계; 및
상기 제2 라인에 왜곡을 적용하여 상기 제2 라인을 상기 제2 세트의 픽셀들에 투영하는 단계를 포함하는 방법.
제1항 내지 제4항 중 어느 한 항에 있어서, 상기 제1 및 제2 세트의 픽셀들을 정규화하는 단계를 추가로 포함하는 방법.
제1항 내지 제5항 중 어느 한 항에 있어서, 상기 컴퓨팅된 차이들의 제곱합을 컴퓨팅하는 단계를 추가로 포함하는 방법.
제1항 내지 제6항 중 어느 한 항에 있어서, 추가로,
상기 소스 이미지에서의 픽셀들과 상기 타겟 구조 상의 3D 포인트 사이의 픽셀 대 3D 좌표 대응관계를 컴퓨팅하는 단계; 및
상기 타겟 구조 상의 상기 3D 포인트와 상기 하나 이상의 타겟 이미지에서의 픽셀 사이의 3D 좌표 대 픽셀 대응관계를 컴퓨팅하는 단계를 포함하는 방법.
제1항 내지 제7항 중 어느 한 항에 있어서, 상기 카메라 파라미터들은 회전, 병진, 센서, 렌즈 비-왜곡, 및 렌즈 왜곡 파라미터들을 포함하는 방법.
제1항 내지 제8항 중 어느 한 항에 있어서, 추가로,
복수의 구조 파라미터들 및 카메라 파라미터들을 포함하는 최적화 문제를 정의하는 단계- 상기 최적화 문제는 조명 불변 및 표면 법선 불변임 -; 및
상기 컴퓨팅된 대응관계에 기초하는 비용 함수를 사용하여 상기 최적화 문제를 해결하여 상기 3D 모델을 생성하는 단계를 포함하는 방법.
제9항에 있어서, 상기 최적화 문제를 해결하는 단계는 구조 파라미터 업데이트들로부터 카메라 파라미터 업데이트들을 분리하여 저장되는 데이터의 양을 감소시키는 단계를 포함하는 방법.
제1항 내지 제10항 중 어느 한 항에 있어서, 상기 소스 이미지 및 상기 하나 이상의 타겟 이미지는 클라이언트 디바이스 상의 카메라로부터의 카메라 피드에서 실시간으로 수신되고, 상기 3D 모델에 기초하여 상기 카메라 피드에 하나 이상의 증강 현실 엘리먼트를 적용하는 단계를 추가로 포함하는 방법.
제1항 내지 제11항 중 어느 한 항에 있어서, 상기 소스 이미지 및 상기 하나 이상의 타겟 이미지는 서버 상에서 오프라인으로 사전에 캡처되고 처리되는 방법.
제1항 내지 제12항 중 어느 한 항에 있어서, 추가로,
상기 소스 이미지의 해상도를 상기 하나 이상의 타겟 이미지의 해상도에 매칭시키는 단계를 포함하는 방법.
제13항에 있어서, 추가로,
상기 타겟 구조의 일부에 대응하는 상기 소스 이미지에서의 제1 컬렉션의 픽셀들을 식별하는 단계;
상기 타겟 구조의 일부에 대응하는 상기 하나 이상의 타겟 이미지에서의 제2 컬렉션의 픽셀들을 식별하는 단계;
상기 제1 컬렉션의 픽셀들에서의 각각의 픽셀 사이의 제1 거리 및 상기 제2 컬렉션의 픽셀들에서의 각각의 픽셀 사이의 제2 거리를 컴퓨팅하는 단계; 및
상기 제1 및 제2 거리들 사이의 차이에 기초하여 샘플링 파라미터를 선택하는 단계를 포함하는 방법.
제1항 내지 제14항 중 어느 한 항에 있어서, 상기 샘플링 파라미터에 기초하여 상기 하나 이상의 타겟 이미지를 업-샘플링 또는 다운-샘플링하는 단계를 추가로 포함하는 방법.
제1항 내지 제15항 중 어느 한 항에 있어서, 상기 소스 이미지에 액세스하는 단계는,
상기 타겟 구조의 3D 좌표 프레임을 생성하는 단계;
복수의 이미지들에 대해 상기 3D 좌표 프레임의 가시성을 심도 맵으로서 컴퓨팅하는 단계; 및
상기 컴퓨팅된 가시성에 기초하여 상기 복수의 이미지들 중 하나를 상기 소스 이미지로서 선택하는 단계를 포함하는 방법.
제16항에 있어서, 추가로,
상기 3D 좌표 프레임에 대응하는 명시된 간격을 갖는 픽셀들의 그리드를 컴퓨팅하는 단계;
상기 픽셀들의 그리드와 연관된 상기 복수의 이미지들을 샘플링하여 행렬을 생성하는 단계- 상기 행렬의 각각의 열은 상기 복수의 이미지들 중 상이한 것에 대응함 -;
상기 행렬의 열들의 강건한 제곱합에 대한 평균, 가중 평균, 또는 해를 컴퓨팅하는 단계; 및
상기 대응하는 열이 값에 있어서 상기 강건한 제곱합에 대한 컴퓨팅된 평균, 가중 평균, 또는 해에 가장 가까운 상기 복수의 이미지들 중의 이미지를 상기 소스 이미지로서 선택하는 단계를 포함하는 방법.
제1항 내지 제17항 중 어느 한 항에 있어서, 추가로,
최적화의 초기 단계 동안 크기가 감소되는 제1 세트의 이미지들을 처리하는 단계; 및
상기 최적화의 초기 단계를 뒤따르는 전체 크기 이미지들인 제2 세트의 이미지들을 상기 하나 이상의 타겟 이미지로서 처리하여 수렴을 개선하는 단계를 포함하는 방법.
시스템으로서
동작들을 수행하도록 구성되는 프로세서를 포함하고, 상기 동작들은,
타겟 구조를 묘사하는 소스 이미지에 액세스하는 동작;
상기 타겟 구조의 적어도 일부를 묘사하는 하나 이상의 타겟 이미지에 액세스하는 동작;
상기 타겟 구조의 제1 부분의 상기 소스 이미지에서의 제1 세트의 픽셀들과 상기 타겟 구조의 제1 부분의 상기 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계를 컴퓨팅하는 동작- 상기 대응관계는 상기 소스 이미지와 상기 하나 이상의 타겟 이미지 사이에서 변하는 카메라 파라미터들의 함수로서 컴퓨팅됨 -; 및
타겟 구조 및 카메라 파라미터들의 공동 최적화에 기초하여 상기 소스 이미지에서의 제1 세트의 픽셀들과 상기 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계에 기초하는 상기 타겟 구조의 3D(three-dimensional) 모델을 생성하는 동작을 포함하는 시스템.
명령어들을 포함하는 비-일시적 머신-판독가능 저장 매체로서, 상기 명령어들은, 머신의 하나 이상의 프로세서에 의해 실행될 때, 상기 머신으로 하여금 동작들을 수행하게 하고, 상기 동작들은,
타겟 구조를 묘사하는 소스 이미지에 액세스하는 동작;
상기 타겟 구조의 적어도 일부를 묘사하는 하나 이상의 타겟 이미지에 액세스하는 동작;
상기 타겟 구조의 제1 부분의 상기 소스 이미지에서의 제1 세트의 픽셀들과 상기 타겟 구조의 제1 부분의 상기 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계를 컴퓨팅하는 동작- 상기 대응관계는 상기 소스 이미지와 상기 하나 이상의 타겟 이미지 사이에서 변하는 카메라 파라미터들의 함수로서 컴퓨팅됨 -; 및
타겟 구조 및 카메라 파라미터들의 공동 최적화에 기초하여 상기 소스 이미지에서의 제1 세트의 픽셀들과 상기 하나 이상의 타겟 이미지에서의 제2 세트의 픽셀들 사이의 대응관계에 기초하는 상기 타겟 구조의 3D(three-dimensional) 모델을 생성하는 동작을 포함하는 비-일시적 머신-판독가능 저장 매체.