CN112840392B - 基于推理参数的映射函数到视频信号的自动应用 - Google Patents

基于推理参数的映射函数到视频信号的自动应用 Download PDF

Info

Publication number
CN112840392B
CN112840392B CN201980030127.9A CN201980030127A CN112840392B CN 112840392 B CN112840392 B CN 112840392B CN 201980030127 A CN201980030127 A CN 201980030127A CN 112840392 B CN112840392 B CN 112840392B
Authority
CN
China
Prior art keywords
video signal
content
mapping function
machine learning
frames
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980030127.9A
Other languages
English (en)
Other versions
CN112840392A (zh
Inventor
A·T·马福德
M·库丘克戈斯
H·H·波洛克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Technology Licensing LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Microsoft Technology Licensing LLC filed Critical Microsoft Technology Licensing LLC
Priority to CN202410388467.1A priority Critical patent/CN118262683A/zh
Publication of CN112840392A publication Critical patent/CN112840392A/zh
Application granted granted Critical
Publication of CN112840392B publication Critical patent/CN112840392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/10—Intensity circuits
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/02—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the way in which colour is displayed
    • G09G5/026—Control of mixing and/or overlay of colours in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/0271—Adjustment of the gradation levels within the range of the gradation scale, e.g. by redistribution or clipping
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/06—Adjustment of display parameters
    • G09G2320/0626—Adjustment of display parameters for control of overall brightness
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/06—Adjustment of display parameters
    • G09G2320/0673—Adjustment of display parameters for control of gamma adjustment, e.g. selecting another gamma curve
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/06—Adjustment of display parameters
    • G09G2320/0693—Calibration of display systems
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/08—Arrangements within a display terminal for setting, manually or automatically, display parameters of the display terminal
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2354/00—Aspects of interface with display user
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2360/00—Aspects of the architecture of display systems
    • G09G2360/14—Detecting light within display terminals, e.g. using a single or a plurality of photosensors
    • G09G2360/144—Detecting light within display terminals, e.g. using a single or a plurality of photosensors the light being ambient light
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2360/00—Aspects of the architecture of display systems
    • G09G2360/16—Calculation or use of calculated indices related to luminance levels in display data
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2370/00—Aspects of data communication
    • G09G2370/04—Exchange of auxiliary data, i.e. other than image data, between monitor and graphics controller
    • G09G2370/042—Exchange of auxiliary data, i.e. other than image data, between monitor and graphics controller for monitor identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Controls And Circuits For Display Device (AREA)
  • Image Analysis (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)
  • User Interface Of Digital Computer (AREA)
  • Image Processing (AREA)
  • Transforming Electric Information Into Light Information (AREA)

Abstract

提供了用于基于推理参数将映射函数自动应用到视频信号的设备和方法。在一个示例中，提供了一种方法，该方法包括发起基于正在被设备处理的视频信号的内容的显示。该方法还可以包括：至少响应于在发起基于视频信号的内容的显示之后环境光的强度的第一变化或环境光的颜色的第二变化，至少基于来自所选择的机器学习模型的第一推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数。该方法还可以包括将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素。

Description

基于推理参数的映射函数到视频信号的自动应用
背景技术
带有显示器的设备可以在多种环境照明条件下使用。这样的设备的用户可能会在这些差异很大的环境照明条件下查看不同类型的内容。某些设备可以包括光传感器或测光表，以测量用户环境中的环境光量。基于对环境光量的测量，设备或用户可以调节向用户显示的内容的亮度。该调节可能无法使用户满意，因为尽管进行了亮度调节，但内容可能仍无法清晰可见或者可能仍然不足。
因此，需要用于自动应用映射曲线以调节显示参数的方法和系统。
发明内容
在一个示例中，本公开涉及一种方法，该方法包括发起基于正在被设备处理的视频信号的内容的显示。该方法还可以包括：至少响应于在发起基于视频信号的内容的显示之后环境光的强度的第一变化或环境光的颜色的第二变化，至少基于来自所选择的机器学习模型的第一推理参数(inferred parameter)来选择可应用到与视频信号的帧相对应的像素的第一映射函数。该方法还可以包括将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素。
在另一示例中，本公开涉及一种设备，该设备包括被配置为发起基于正在被设备处理的视频信号的内容的显示的处理器。该设备还可以包括存储器，该存储器包括至少一个模块，至少一个模块包括被配置为进行以下操作的指令：(1)至少响应于在基于视频信号的内容的显示的发起之后环境光的强度的第一变化或环境光的颜色的第二变化，至少基于来自所选择的机器学习模型的第一推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数，以及(2)将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素。
在又一示例中，本公开涉及一种计算机可读介质，该计算机可读介质包括第一组指令，该第一组指令被配置为向设备的用户发起基于视频信号的内容的显示。该计算机可读介质还可以包括第二组指令，该第二组指令被配置为：至少响应于在发起基于视频信号的内容的显示之后环境光的强度的第一变化或环境光的颜色的第二变化，至少基于来自所选择的机器学习模型的第一推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数。该计算机可读介质还可以包括第三组指令，该第三组指令被配置为将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素。
提供本“发明内容”以便以简化的形式介绍一些概念，这些概念将在下面的详细描述中进一步描述。本“发明内容”既不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。
附图说明
本公开通过示例的方式示出并且不受附图的限制，在附图中，相似的附图标记指示相似的元素。图中的元素是为了简单和清楚而示出的，而不一定按比例绘制。
图1示出了根据一个示例的用于基于推理参数将映射函数自动应用到视频信号的系统环境100的示图；
图2示出了根据一个示例的包括用于基于推理参数将映射函数自动应用到视频信号的指令的存储器；
图3是示出根据一个示例的用作针对机器学习模型的训练数据的数据的收集的框图；
图4示出了根据一个示例的与映射函数相对应的映射曲线；
图5示出了根据一个示例的用于基于推理参数将映射函数自动应用到视频信号的框图；以及
图6示出了根据一个示例的用于基于推理参数将映射函数自动应用到视频信号的方法的流程图。
具体实施方式
本公开中描述的示例涉及基于推理参数将映射函数自动应用于与诸如视频信号等信号相对应的像素。在某些示例中，可以通过使用机器学习模型和对应指令来动态地生成推理参数。带有显示器的设备(例如，智能手机、平板电脑、笔记本电脑和其他类型的设备)可以在各种环境照明条件下使用。作为示例，用户可以开始在家中观看视频，但是随后可以走出家门并且在外面继续观看视频。当用户尝试改善视频播放的可视性时，台式机式的显示设置可能只会使用户在一定程度上受益。例如，在明亮的室外环境中，即使显示器的亮度一路调高，但是用户几乎还是无法分辨出视频中的细节。
某些设备可以包括光传感器或测光表，以测量用户环境中的环境光量。基于对环境光量的测量，设备或用户可以调节向用户显示的内容的亮度。该调节可能无法使用户满意，因为尽管进行了亮度调节，但内容可能仍无法清晰可见或者可能仍然不足
图1示出了根据一个示例的用于基于推理参数将映射函数自动应用于视频信号的系统环境100的图。用户设备154可以经由网络110耦合到远程计算功能，包括可以存储用户反馈156的云计算基础设施。测试设备152也可以经由网络110耦合，使得可以将经由测试设备152获取的反馈添加到用户反馈156。在图1中提供了一个用户设备120的细节。其他用户设备可以包括类似的功能。用户设备120可以包括处理器122、图形处理器124、存储器126、传感器128、显示器130和网络接口132，它们可以经由总线系统140互连。网络110可以是有线网络、无线网络、或有线和无线网络的组合。处理器122和图形处理器124可以执行存储在存储器126中的指令。存储器126可以是非易失性存储器或易失性存储器(例如，闪存、DRAM、SRAM或其他类型的存储器)的任何组合。传感器128可以包括触摸传感器、光强度传感器、色温传感器、压力传感器、接近传感器、GPS传感器和其他类型的传感器。显示器130可以是任何类型的显示器，诸如LCD、LED或其他类型的显示器。网络接口132可以包括通信接口，诸如以太网、蜂窝无线电、蓝牙无线电、UWB无线电或其他类型的无线或有线通信接口。尽管图1将系统环境示出为包括以一定方式布置和耦合的一定数目的组件，但是系统环境可以包括不同地布置和耦合的更少或更多的组件。另外，尽管图1将用户设备120示出为包括以一定方式布置和耦合的一定数目的组件，但是用户设备120可以包括不同地布置和耦合的更少或更多的组件。作为示例，用户设备120可以包括其他组件，诸如键盘、鼠标、语音识别处理器、人工智能处理器或触摸屏。
图2示出了根据一个示例的包括用于基于推理参数将映射函数自动应用于视频信号的指令的存储器200。在该示例中，指令可以以块或模块的形式在存储器200中被组织。存储器200可以是用户设备120的存储器126。在该示例中，存储器200可以包括设备型号信息210、用户反馈220、机器学习(ML)模型230、基于有监督学习的分析器(SLBA)240、映射函数250、光调节和测量260、以及操作系统270。尽管图2示出了以某种方式组织的指令模块，但是指令可以以各种方式组合或分布。
继续参考图2，基于有监督学习的分析器(SLBA)240可以实现一种有监督学习算法，该算法可以基于输入数据被训练并且一旦经过训练就可以基于训练而做出预测或指示。在该示例中，SLBA 240可以实现诸如线性回归、被建立用于回归的支持向量机(SVM)、被建立用于回归的随机森林、被建立用于回归的梯度提升树和神经网络等技术。线性回归可以包括对自变量和因变量之间的过去关系进行建模。神经网络可以包括用于创建输入层、一个或多个隐藏层和输出层的人工神经元。可以将每一层编码为以系数或常数的形式表示的权重的矩阵或向量，其可以经由神经网络的离线训练来获取。神经网络可以实现为递归神经网络(RNN)、长期短期记忆(LSTM)神经网络或门控递归单元(GRU)。基于有监督学习的模型所需要的所有信息都可以转换为与这些技术中的任何一种相对应的向量表示。以LSTM为例，LSTM网络可以包括一系列重复的RNN层或其他类型的层。LSTM网络的每一层可以以给定时间步长消耗输入，例如来自上一时间步长的层状态，并且可以产生一组新的输出或状态。在使用LSTM的情况下，可以将单个内容词块(chunk)编码为单个向量或多个向量。作为示例，单词或单词组合(例如，短语、句子或段落)可以被编码为单个向量。每个词块可以被编码到LSTM网络的个体层(例如，特定时间步长)中。LSTM层可以使用一组等式来描述，诸如以下等式：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf)
ct＝ftct-1ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
在该示例中，在每个LSTM层内部，根据需要，可以使用向量运算(例如，点积、内积或向量加法)或非线性运算的组合来处理输入和隐藏状态。
尽管图2将基于有监督学习的分析器240描述为包括指令，但是指令可以被编码为与A/I处理器相对应的硬件。在这种情况下，与基于有监督学习的闩锁分析器相关联的一些或全部功能可以被硬编码或以其他方式提供为A/I处理器的一部分。作为示例，A/I处理器可以使用具有必需功能的FPGA来实现。
图3是示出根据一个示例的用作机器学习模型的训练数据的数据收集的框图300。在一个示例中，用户设备和测试设备可以包括与可以实现关于图3描述的功能的模块相对应的指令。作为示例，设备120可以向设备120的用户发起显示视频信号。视频信号可以包括输入视频帧310，输入视频帧310可以由图形处理流水线320处理，并且然后被输出作为输出视频帧330。视频信号可以使用包括H.264、H.265、VP9或其他视频编码标准在内的任何视频编码标准被编码为帧或其他类型的单元。与视频信号相对应的帧可以包括像素。与输入帧相对应的像素可以首先由预处理块322处理。然后，可以通过应用至少一个映射函数324来修改像素。接下来，在作为输出视频帧330输出之前，可以由后处理块326对像素进行处理。输出视频帧可以用于显示与视频信号相对应的内容。作为为机器学习模型创建训练数据的一部分，或者作为研究或测试设备的一部分，可以测试各种映射函数。作为示例，类似于设备120的设备可以包括与光测量块342相对应的指令，该指令可以被配置为从光传感器(例如，测光表)接收环境光强度信息并且处理传感器生成的信息。在该示例中，光测量块342的处理可以包括将光传感器生成的信息分类为某些类别的环境光。作为示例，下面的表1将照明条件分为九种类别。
照明条件 从(lux) 到(lux)
漆黑 0 10
很暗 11 50
黑暗室内 51 200
昏暗室内 201 400
普通室内 401 1,000
明亮室内 1,1001 5,000
昏暗室外 5,001 10,000
多云室外 10,001 31,000
阳光直射 3001 100,000
表1
尽管表1示出了环境光条件的九种类别，但是光测量块342可以具有可以将环境光条件分类为更少或更多类别的指令。更新映射参数344可以包括被配置为基于来自光测量块342的输入来更新映射参数的指令。选择映射函数346可以包括被配置为基于已更新映射参数来选择映射函数的指令。虽然图3示出了以某种方式布置以生成用于机器学习模型的训练数据的某些块，但是这些块可以不同地布置。下面的表2示出了用于执行与关于图3描述的各个块相关联的功能的高级指令。
表2
继续参考图3，通过使用类似于设备120的设备进行测试或其他类型的研究，可以获取各种映射参数和对应映射函数。然后，可以将与这些相对应的数据用于训练神经网络模型或类似的机器学习模型以使误差函数最小化。在一个示例中，通过获取关于各种映射参数和对应映射函数的用户反馈以确定卷积运算或要作为基于机器的学习的一部分而执行的其他类型的运算的适当权重，可以获得误差函数的最小化。作为示例，在测试环境中可以向用户提供一组具有已知参数的预选映射函数，并且要求用户选择他们偏好的映射函数或映射曲线。在一个示例中，用户可以对映射参数没有任何控制；相反，与设备120相关联的指令可以基于用户的反馈来确定适当的映射曲线。备选地，可以允许用户选择特定映射参数。经训练的机器学习模型可以存储在诸如云等远程计算设施中。可以由相应用户训练与不同类型的设备相对应的不同机器学习模型。
图4示出了根据一个示例的与映射函数相对应的映射曲线。在该示例中，示出了与不同映射函数相对应的映射曲线。在该示例中，一组参数(例如，红色像素、绿色像素和蓝色像素的强度水平、以及显示器的亮度水平)可以定义映射曲线的形状。在该示例中，示出了针对各种照明条件的映射曲线，包括：“BELOW NORMAL_INDOORS(低于普通室内)”、“BRIGHT_INDOORS(明亮室内)”、“DIM_OUTDOORS(昏暗室外)”、“CLOUDY_OUTDOORS(多云室外)”和“DIRECT_SUNLIGHT(阳光直射)”。每个映射曲线对应于将输入像素亮度或强度与输出像素亮度或强度相关联的映射函数。虽然图4仅示出关于环境光的五个不同照明条件的五个映射曲线，可以创建更多或更少的映射曲线。另外，尽管未示出，但是可以创建将环境的色温作为因素的类似的映射曲线。
图5是根据一个示例的用于基于推理参数将映射函数自动应用于视频信号的框图。在一个示例中，用户设备(例如，用户设备120)可以包括与可以实现关于图5描述的功能的模块相对应的指令。作为示例，设备120可以发起向设备120的用户显示视频信号。视频信号可以包括输入视频帧510，输入视频帧510可以由图形处理流水线520处理，并且然后被输出作为输出视频帧530。视频信号可以使用包括H.264在内的任何视频编码标准被编码为帧或其他类型的单元。与视频信号相对应的帧可以包括像素。与输入帧相对应的像素可以首先由预处理块522处理。然后，可以通过应用至少一个映射函数524来修改像素。接下来，在作为输出视频帧530输出之前，可以由后处理块526对像素进行处理。输出视频帧530可以用于显示与视频信号相对应的内容。
作为示例，设备120可以包括与光/颜色测量块542相对应的指令，其可以被配置为从光传感器(例如，测光表)接收环境光强度信息并且处理传感器生成的信息。另外，光/颜色测量块542可以处理环境光的色温。在该示例中，光/颜色测量块542的处理可以包括将光传感器生成的信息分类为某些类别的环境光。作为示例，如表1所示，光/颜色测量块542可以将环境光条件分类为环境光条件的九种类别。光/颜色测量块542可以具有也可以将环境光条件分类为色温类别的指令。色温类别可以包括冷和暖环境。颜色可以由与光的颜色相关的色度值定义。直方图生成器块544可以处理输入视频帧510并且生成直方图值，该直方图值可以用于表征作为视频信号的一部分而被处理的内容的类型或性质。在某些示例中，内容的这种表征可以包括确定视频信号是否对应于电影、游戏、体育赛事或某种其他类型的内容。设备型号546可以包括关于正在处理视频信号的设备的型号或型号类型的信息。在该示例中，设备型号546可以被存储在与设备(例如，设备120)相关联的存储器中。
继续参考图5，机器学习(ML)模型550可以包括推理块552和用户反馈556。推理块552可以包括被配置为接收环境光强度值(例如，以lux为单位)、环境光的色温和内容直方图值作为输入的指令。训练块554可以包括被配置为接收环境光强度值(例如，以lux为单位)、环境光的色温、内容直方图值和设备型号信息作为输入的指令。在一个示例中，与训练块554相对应的指令可以执行以下表3所示的算法：
表3
仍然参考图5，构建映射函数560可以包括被配置为基于所推理的映射参数来构建和选择映射函数的指令，所推理的映射参数基于机器学习(ML)模型550被生成。虽然图5示出了以某种方式被布置以生成用于机器学习模型的训练数据的某些块，但是这些块可以不同地被布置。下面的表4示出了用于执行与关于图5描述的各个块相关联的功能的高级指令。
表4
图6示出了根据一个示例的用于基于推理参数将映射函数自动应用于视频信号的方法的流程图。步骤610可以包括基于正在被设备处理的视频信号来发起内容的显示。如前所述，处理器和被存储在设备120中的存储器中的对应指令可以执行该步骤。
步骤620可以包括：至少响应于发起显示基于视频信号的内容之后环境光的强度的第一变化或环境光的色温的第二变化，至少基于来自所选择的机器学习模型的第一推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数。如先前关于图5解释的，与包括基于机器学习模型的布置的模块相对应的指令可以用于执行该步骤。因此，包括环境光传感器和色温传感器在内的传感器以及对应指令(例如，适当的应用程序编程接口(API))可以检测环境光的强度的变化或环境光的色温的变化。另外，表4中提供的伪代码的相关部分在被转换成可执行指令并且由处理器处理时，可以至少基于来自所选择的机器学习模型的推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数。
步骤630可以包括将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素。如先前关于图5描述的，映射函数524可以在像素被图5的预处理块522预处理之后对像素进行处理。因此，在该示例中，作为该步骤的一部分，可以对像素应用可以修改像素的强度的至少一个映射函数。与像素相对应的其他值也可以被改变，包括色相、饱和度、对比度等。
步骤640可以包括：至少响应于环境光的强度的第三变化或环境光的色温的第四变化，选择可应用到与视频信号的帧相对应的像素的第二映射函数，其中第二映射函数是至少基于来自所选择的机器学习模型的第二推理参数而被选择的，以及将第二映射函数自动应用到与视频信号的第二组帧相对应的第二多个像素。该步骤可以以与步骤620类似的方式执行。以这种方式，如果用户的环境在光/颜色条件方面发生改变，则设备120可以通过实时检测环境的变化来连续地应用适当的映射函数。
总之，在一个示例中，本公开涉及一种方法，该方法包括：基于发起基于正在被设备处理的视频信号的内容的显示。该方法还可以包括：至少响应于在发起基于视频信号的内容的显示之后环境光的强度的第一变化或环境光的颜色的第二变化，至少基于来自所选择的机器学习模型的第一推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数。该方法还可以包括将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素。
该方法还可以包括：至少响应于环境光的强度的第三变化或环境光的色温的第四变化，选择可应用到与视频信号的帧相对应的像素的第二映射函数，其中第二映射函数是至少基于来自所选择的机器学习模型的第二推理参数而被选择的，以及将第二映射函数自动应用到与视频信号的第二组帧相对应的第二多个像素。
所选择的机器学习模型可以至少基于设备的设备型号而被选择。该方法还可以包括在以下至少一项之后请求设备的用户提供与正在被显示的内容的感知质量的任何变化相对应的反馈：在第一映射函数到与视频信号的第一组帧相对应的第一多个像素的第一应用或第二映射函数到与视频信号的第二组帧相对应的第二多个像素的第二应用中。
该方法还可以包括从设备向远程计算系统传送与反馈、设备型号和至少一个推理参数有关的信息。
该方法还可以包括基于与被设备显示的内容的感知质量有关的偏好数据来训练包括所选择的机器学习模型的机器学习模型。该方法还可以包括基于训练数据来训练包括所选择的机器学习模型的机器学习模型，其中训练数据的至少一个子集是基于来自具有设备型号的设备中的每个设备的用户的反馈而被生成的。
在另一示例中，本公开涉及一种设备，该设备包括处理器，该处理器被配置为发起基于正在被设备处理的视频信号的内容的显示。该设备还可以包括存储器，该存储器包括至少一个模块，该模块包括被配置为进行以下操作的指令：(1)至少响应于在基于视频信号的内容的显示的发起之后环境光的强度的第一变化或环境光的颜色的第二变化，至少基于来自所选择的机器学习模型的第一推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数，以及(2)将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素。
该设备还可以包括第二组指令，第二组指令被配置为至少响应于环境光的强度的第三变化或环境光的色温的第四变化而选择可应用到与视频信号的帧相对应的像素的第二映射函数，其中第二映射函数是至少基于来自所选择的机器学习模型中的第二推理参数而选择的，并且将第二映射函数自动应用于与视频信号的第二组帧相对应的第二多个像素。所选择的机器学习模型可以至少基于设备的设备型号来选择。
至少一个模块还可以包括第三组指令，第三组指令被配置为在以下至少一项之后请求设备的用户提供与正在被显示的内容的感知质量的任何变化相对应的反馈：在第一映射函数到与视频信号的第一组帧相对应的第一多个像素的第一应用或者第二映射函数到与视频信号的第二组帧相对应的第二多个像素的第二应用。
该设备还可以包括第三组指令，第三组指令被配置为：从设备向远程计算系统传送与反馈、设备型号和至少一个推理参数有关的信息。该设备还可以包括第四组指令，第四组指令被配置为基于与被设备显示的内容的感知质量有关的偏好数据来训练包括所选择的机器学习模型的机器学习模型。
至少一个模块还可以包括推理块和训练块，训练块被配置为生成用于由推理块使用的训练数据，其中训练数据的至少一个子集是基于来自具有设备型号的设备中的每个设备的用户的反馈而被生成的。
在又一示例中，本公开涉及一种计算机可读介质，该计算机可读介质包括被配置为向设备的用户发起基于视频信号的内容的显示的第一组指令。该计算机可读介质还可以包括第二组指令，该第二组指令被配置为：至少响应于在基于视频信号的内容的显示的发起之后环境光的强度的第一变化或环境光的颜色的第二变化，至少基于来自所选择的机器学习模型的第一推理参数来选择可应用到与视频信号的帧相对应的像素的第一映射函数。该计算机可读介质还可以包括被配置为将第一映射函数自动应用到与视频信号的第一组帧相对应的第一多个像素的第三组指令。
该计算机可读介质还可以包括第四组指令，第四组指令被配置为：至少响应于环境光的强度的第三变化或环境光的色温的第四变化，选择可应用到与视频信号的帧相对应的像素的第二映射函数，其中第二映射函数是至少基于来自所选择的机器学习模型的第二推理参数而被选择的，以及将第二映射函数自动应用到与视频信号的第二组帧相对应的第二多个像素。
所选择的机器学习模型可以至少基于设备的设备型号而被选择。
该计算机可读介质还可以包括第五组指令，第五组指令被配置为在以下至少一项之后请求设备的用户提供与正在被显示的内容的感知质量的任何变化相对应的反馈：在第一映射函数到与视频信号的第一组帧相对应的第一多个像素的第一应用或者第二映射函数到与视频信号的第二组帧相对应的第二多个像素的第二应用。
该计算机可读介质还可以包括第六组指令，第六组指令被配置为从设备向远程计算系统传送与反馈、设备型号和至少一个推理参数有关的信息。该计算机可读介质还可以包括第四组指令，第四组指令被配置为基于与被设备显示的内容的感知质量有关的偏好数据来训练包括所选择的机器学习模型的机器学习模型。
应当理解，本文中描述的方法、模块和组件仅是示例性的。备选地或另外地，本文中描述的功能可以至少部分由一个或多个硬件逻辑组件执行。例如而非限制，可以使用的示例性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、系统级芯片系统(SOC)、复杂可编程逻辑设备(CPLD)等。在抽象但仍然明确的意义上，用于实现相同功能的组件的任何布置有效地“关联”从而实现期望功能。因此，本文中被组合以实现特定功能的任何两个组件可以被视为彼此“关联”从而实现期望功能，而与架构或中间组件无关。同样，如此关联的任何两个组件也可以被视为彼此“可操作地连接”或“耦合”以实现期望功能。
与本公开中描述的一些示例相关联的功能还可以包括存储在非暂态介质中的指令。如本文中使用的，术语“非暂态介质”是指存储使机器以特定方式操作的数据和/或指令的任何介质。示例性非暂态介质包括非易失性介质和/或易失性介质。非易失性介质包括例如硬盘、固态驱动器、磁盘或磁带、光盘或磁带、闪存、EPROM、NVRAM、PRAM或其他这样的介质、或这样的介质的联网版本。易失性介质包括例如动态存储器，诸如DRAM、SRAM、高速缓存或其他这样的介质。非暂态介质与传输介质不同，但可以与传输介质结合使用。传输介质用于向机器或从机器传递数据和/或指令。示例性传输介质包括同轴电缆、光缆、铜导线和无线介质，诸如无线电波。
此外，本领域技术人员将认识到，上述操作的功能之间的边界仅是说明性的。多个操作的功能可以组合为单个操作，和/或单个操作的功能可以分布在其他操作中。此外，替代实施例可以包括特定操作的多个实例，并且操作的顺序在各种其他实施例中可以改变。
尽管本公开提供了特定示例，但是在不脱离如所附权利要求书中阐述的本公开的范围的情况下，可以进行各种修改和改变。因此，说明书和附图应当被认为是说明性的而不是限制性的，并且所有这样的修改旨在被包括在本公开的范围内。本文中针对特定示例描述的任何益处、优点或问题的解决方案均不应当被解释为任何或所有权利要求的关键、必需或必要特征或要素。
此外，本文中使用的术语“一个(a)”或“一个(an)”被定义为一个或多个。同样，在权利要求中使用诸如“至少一个”和“一个或多个”等介绍性短语不应当被解释为暗示通过不定冠词“一个(a)”或“一个(an)”引入另一权利要求要素将包含这样引入的权利要求要素的任何特定权利要求限制为发明仅包含一个这样的要素，即使该权利要求包括介绍性短语“一个或多个”或“至少一个”以及诸如“一个(a)”或“一个(an)”等不定冠词。定冠词的使用也是如此。
除非另有说明，否则诸如“第一”和“第二”等术语用于任意地区分这样的术语所描述的要素。因此，这些术语不一定旨在指示这样的要素的时间或其他优先顺序。

Claims (20)

1.一种方法，包括：
发起基于视频信号的内容的显示，所述视频信号正在被设备处理；
将所述内容表征为来自多个类型的内容之中的第一类型的内容；
响应于在发起基于所述视频信号的所述内容的所述显示之后的以下任意项，至少基于来自所选择的机器学习模型的第一推理参数来选择第一映射函数：环境光的强度的第一变化、或所述环境光的色温的第二变化、或所述内容从所述第一类型的内容到第二类型的内容的类型的第三变化，所述第一映射函数能够应用到与所述视频信号的帧相对应的像素，所述所选择的机器学习模型至少基于与环境光的强度相对应的第一组值、与环境光的色温相对应的第二组值和与内容的类型相对应的第三组值被训练；以及
将所述第一映射函数自动应用到与所述视频信号的第一组帧相对应的第一多个像素。
2.根据权利要求1所述的方法，还包括：至少响应于所述环境光的所述强度的第四变化或所述环境光的所述色温的第五变化；选择能够应用到与所述视频信号的帧相对应的像素的第二映射函数，其中所述第二映射函数是至少基于来自所述所选择的机器学习模型的第二推理参数而被选择的；以及将所述第二映射函数自动应用到与所述视频信号的第二组帧相对应的第二多个像素。
3.根据权利要求2所述的方法，其中所述所选择的机器学习模型是至少基于所述设备的设备型号而被选择的。
4.根据权利要求3所述的方法，还包括在以下至少一项之后请求所述设备的用户提供反馈，所述反馈与正在被显示的所述内容的感知质量的任何变化相对应：所述第一映射函数到与所述视频信号的所述第一组帧相对应的所述第一多个像素的第一应用，或者所述第二映射函数到与所述视频信号的所述第二组帧相对应的所述第二多个像素的第二应用。
5.根据权利要求4所述的方法，还包括：从所述设备向远程计算系统传送与所述反馈、所述设备型号和至少一个所述推理参数有关的信息。
6.根据权利要求3所述的方法，还包括：基于训练数据来训练包括所述所选择的机器学习模型的机器学习模型，其中至少所述训练数据的子集是基于来自具有所述设备型号的多个设备的用户的反馈而被生成的。
7.根据权利要求1所述的方法，还包括：基于与被所述设备显示的内容的感知质量有关的偏好数据，来训练包括所述所选择的机器学习模型的机器学习模型。
8.一种设备，包括：
处理器，被配置为发起基于视频信号的内容的显示，所述视频信号正在被所述设备处理；以及
存储器，包括至少一个模块，所述至少一个模块包括被配置为进行以下操作的指令：
将所述内容表征为来自多个类型的内容之中的第一类型的内容；
响应于以下任意项，至少基于来自所选择的机器学习模型的第一推理参数来选择第一映射函数：在基于所述视频信号的所述内容的所述显示的发起之后的环境光的强度的第一变化、或所述环境光的色温的第二变化、或所述内容从所述第一类型的内容到第二类型的内容的类型的第三变化，所述第一映射函数能够应用到与所述视频信号的帧相对应的像素，所述所选择的机器学习模型至少基于与环境光的强度相对应的第一组值、与环境光的色温相对应的第二组值和与内容的类型相对应的第三组值被训练，以及
将所述第一映射函数自动应用到与所述视频信号的第一组帧相对应的第一多个像素。
9.根据权利要求8所述的设备，还包括第二组指令，所述第二组指令被配置为：至少响应于所述环境光的所述强度的第四变化或所述环境光的所述色温的第五变化，选择能够应用到与所述视频信号的帧相对应的像素的第二映射函数，其中所述第二映射函数是至少基于来自所述所选择的机器学习模型的第二推理参数而被选择的；以及将所述第二映射函数自动应用到与所述视频信号的第二组帧相对应的第二多个像素。
10.根据权利要求9所述的设备，其中所述所选择的机器学习模型是至少基于所述设备的设备型号而被选择的。
11.根据权利要求10所述的设备，其中所述至少一个模块包括第三组指令，所述第三组指令被配置为在以下至少一项之后请求所述设备的用户提供反馈，所述反馈与正在被显示的所述内容的感知质量的任何变化相对应：所述第一映射函数到与所述视频信号的所述第一组帧相对应的所述第一多个像素的第一应用，或所述第二映射函数到与所述视频信号的所述第二组帧相对应的所述第二多个像素的第二应用。
12.根据权利要求11所述的设备，还包括第三组指令，所述第三组指令被配置为：从所述设备向远程计算系统传送与所述反馈、所述设备型号和至少一个所述推理参数有关的信息。
13.根据权利要求10所述的设备，其中所述至少一个模块还包括推理块和训练块，所述训练块被配置为生成用于由所述推理块使用的训练数据，其中至少所述训练数据的子集是基于来自具有所述设备型号的多个设备的用户的反馈而被生成的。
14.根据权利要求9所述的设备，还包括第四组指令，所述第四组指令被配置为：基于与被所述设备显示的内容的感知质量有关的偏好数据，来训练包括所述所选择的机器学习模型的机器学习模型。
15.一种非瞬态的计算机可读介质，包括：
第一组指令，被配置为向设备的用户发起基于视频信号的内容的显示；
第二组指令，被配置为：将所述内容表征为来自多个类型的内容之中的第一类型的内容；
第三组指令，被配置为：至少响应于在发起基于所述视频信号的所述内容的所述显示之后的环境光的强度的第一变化、或所述环境光的色温的第二变化、或所述内容从所述第一类型的内容到第二类型的内容的类型的第三变化，至少基于来自所选择的机器学习模型的第一推理参数来选择第一映射函数，所述第一映射函数能够应用到与所述视频信号的帧相对应的像素，所述所选择的机器学习模型至少基于与环境光的强度相对应的第一组值、与环境光的色温相对应的第二组值和与内容的类型相对应的第三组值被训练；以及
第四组指令，被配置为将所述第一映射函数自动应用到与所述视频信号的第一组帧相对应的第一多个像素。
16.根据权利要求15所述的非瞬态的计算机可读介质，还包括第五组指令，所述第五组指令被配置为：至少响应于所述环境光的所述强度的第四变化或所述环境光的所述色温的第五变化，选择能够应用到与所述视频信号的帧相对应的像素的第二映射函数，其中所述第二映射函数是至少基于来自所述所选择的机器学习模型的第二推理参数而被选择的，以及将所述第二映射函数自动应用到与所述视频信号的第二组帧相对应的第二多个像素。
17.根据权利要求16所述的非瞬态的计算机可读介质，其中所述所选择的机器学习模型是至少基于所述设备的设备型号而被选择的。
18.根据权利要求17所述的非瞬态的计算机可读介质，还包括第六组指令，所述第六组指令被配置为：在以下至少一项之后请求所述设备的用户提供反馈，所述反馈与正在被显示的所述内容的感知质量的任何变化相对应：所述第一映射函数到与所述视频信号的所述第一组帧相对应的所述第一多个像素的第一应用，或者所述第二映射函数到与所述视频信号的所述第二组帧相对应的所述第二多个像素的第二应用。
19.根据权利要求18所述的非瞬态的计算机可读介质，还包括第七组指令，所述第七组指令被配置为：从所述设备向远程计算系统传送与所述反馈、所述设备型号和至少一个所述推理参数有关的信息。
20.根据权利要求15所述的非瞬态的计算机可读介质，还包括第五组指令，所述第五组指令被配置为：基于与被所述设备显示的内容的感知质量有关的偏好数据，来训练包括所述所选择的机器学习模型的机器学习模型。
CN201980030127.9A 2018-05-04 2019-04-25 基于推理参数的映射函数到视频信号的自动应用 Active CN112840392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410388467.1A CN118262683A (zh) 2018-05-04 2019-04-25 基于推理参数的映射函数到视频信号的自动应用

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/971,782 2018-05-04
US15/971,782 US10692467B2 (en) 2018-05-04 2018-05-04 Automatic application of mapping functions to video signals based on inferred parameters
PCT/US2019/029027 WO2019212838A2 (en) 2018-05-04 2019-04-25 Automatic application of mapping functions to video signals based on inferred parameters

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202410388467.1A Division CN118262683A (zh) 2018-05-04 2019-04-25 基于推理参数的映射函数到视频信号的自动应用

Publications (2)

Publication Number Publication Date
CN112840392A CN112840392A (zh) 2021-05-25
CN112840392B true CN112840392B (zh) 2024-04-12

Family

ID=66821334

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201980030127.9A Active CN112840392B (zh) 2018-05-04 2019-04-25 基于推理参数的映射函数到视频信号的自动应用
CN202410388467.1A Pending CN118262683A (zh) 2018-05-04 2019-04-25 基于推理参数的映射函数到视频信号的自动应用

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202410388467.1A Pending CN118262683A (zh) 2018-05-04 2019-04-25 基于推理参数的映射函数到视频信号的自动应用

Country Status (6)

Country Link
US (2) US10692467B2 (zh)
EP (1) EP3788616A2 (zh)
JP (1) JP2021531489A (zh)
KR (1) KR20210008014A (zh)
CN (2) CN112840392B (zh)
WO (1) WO2019212838A2 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163050B (zh) * 2018-07-23 2022-09-27 腾讯科技（深圳）有限公司 一种视频处理方法及装置、终端设备、服务器及存储介质
US11665379B2 (en) * 2019-11-26 2023-05-30 Photo Sensitive Cinema (PSC) Rendering image content as time-spaced frames
CN111683269B (zh) * 2020-06-12 2021-08-17 腾讯科技（深圳）有限公司 视频处理方法、装置、计算机设备和存储介质
CN112074054A (zh) * 2020-08-21 2020-12-11 博流智能科技（南京）有限公司 基于机器学习的智能灯色温控制方法及系统
US11669943B2 (en) * 2020-10-16 2023-06-06 Microsoft Technology Licensing, Llc Dual-stage system for computational photography, and technique for training same
WO2024110374A1 (en) * 2022-11-22 2024-05-30 Interdigital Ce Patent Holdings, Sas Method and device for generating a dimming map based on a lightweight deep network

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1767606A (zh) * 2004-10-25 2006-05-03 伯斯有限公司 增强对比度
CN104700816A (zh) * 2015-01-08 2015-06-10 小米科技有限责任公司 屏幕亮度设置方法及装置
CN105580066A (zh) * 2013-09-10 2016-05-11 微软技术许可有限责任公司 环境光上下文知晓显示
CN107077824A (zh) * 2014-09-22 2017-08-18 索尼公司 图像显示控制设备、传输设备、图像显示控制方法及程序

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04238390A (ja) * 1991-01-22 1992-08-26 Matsushita Electric Ind Co Ltd ディスプレイ装置
JP2978615B2 (ja) * 1991-11-21 1999-11-15 支朗 臼井 カラーバランス調整装置及び方法
JP2907057B2 (ja) * 1995-04-20 1999-06-21 日本電気株式会社 輝度自動調整装置
JP2001238127A (ja) 2000-02-21 2001-08-31 Fuji Photo Film Co Ltd カメラ
US7068841B2 (en) * 2001-06-29 2006-06-27 Hewlett-Packard Development Company, L.P. Automatic digital image enhancement
US7352410B2 (en) 2005-05-31 2008-04-01 Kolorific, Inc. Method and system for automatic brightness and contrast adjustment of a video source
KR20080067516A (ko) 2007-01-16 2008-07-21 삼성전자주식회사 디스플레이장치 및 그 영상조정방법
US20110095875A1 (en) 2009-10-23 2011-04-28 Broadcom Corporation Adjustment of media delivery parameters based on automatically-learned user preferences
JP2011166315A (ja) * 2010-02-05 2011-08-25 Sharp Corp 表示装置、表示装置の制御方法、プログラム及び記録媒体
EP3467816A1 (en) * 2010-02-24 2019-04-10 Dolby Laboratories Licensing Corp. Display management methods and apparatus
WO2011118836A1 (ja) * 2010-03-26 2011-09-29 シャープ株式会社 表示装置、テレビジョン受像機、表示装置の制御方法、遠隔操作装置、遠隔操作装置の制御方法、制御プログラム、および制御プログラムを記録したコンピュータ読み取り可能な記録媒体
US9509935B2 (en) * 2010-07-22 2016-11-29 Dolby Laboratories Licensing Corporation Display management server
CN102318337A (zh) 2011-07-13 2012-01-11 华为终端有限公司 一种视频信号的处理方法、装置与系统
WO2015130793A1 (en) 2014-02-25 2015-09-03 Apple Inc. Backward-compatible apparatus and method for providing video with both standard and high dynamic range
AU2015222869B2 (en) * 2014-02-28 2019-07-11 Genius Sports Ss, Llc System and method for performing spatio-temporal analysis of sporting events
CN105632455B (zh) 2014-10-27 2018-06-19 深圳富泰宏精密工业有限公司 屏幕亮度自动调节系统及方法
US9690984B2 (en) * 2015-04-14 2017-06-27 Microsoft Technology Licensing, Llc Two-dimensional infrared depth sensing
CN104978947B (zh) 2015-07-17 2018-06-05 京东方科技集团股份有限公司 显示状态的调节方法、显示状态调节装置及显示装置
EP3432228A4 (en) * 2016-03-14 2019-04-10 Omron Corporation DEVICE FOR MAINTAINING EXTENSIBILITY
JP6529928B2 (ja) * 2016-05-11 2019-06-12 日本電信電話株式会社 画像処理システム、画像処理方法およびプログラム
WO2018017467A1 (en) * 2016-07-18 2018-01-25 NantOmics, Inc. Distributed machine learning systems, apparatus, and methods
US10382917B2 (en) * 2016-12-30 2019-08-13 Riseio, Inc. System and method for a building-integrated predictive service communications platform
CN112040834A (zh) * 2018-02-22 2020-12-04 因诺登神经科学公司 眼球跟踪方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1767606A (zh) * 2004-10-25 2006-05-03 伯斯有限公司 增强对比度
CN105580066A (zh) * 2013-09-10 2016-05-11 微软技术许可有限责任公司 环境光上下文知晓显示
CN107077824A (zh) * 2014-09-22 2017-08-18 索尼公司 图像显示控制设备、传输设备、图像显示控制方法及程序
CN104700816A (zh) * 2015-01-08 2015-06-10 小米科技有限责任公司 屏幕亮度设置方法及装置

Also Published As

Publication number Publication date
CN112840392A (zh) 2021-05-25
KR20210008014A (ko) 2021-01-20
US20190341001A1 (en) 2019-11-07
CN118262683A (zh) 2024-06-28
US11062677B2 (en) 2021-07-13
WO2019212838A3 (en) 2021-04-01
US10692467B2 (en) 2020-06-23
WO2019212838A2 (en) 2019-11-07
EP3788616A2 (en) 2021-03-10
US20200273430A1 (en) 2020-08-27
JP2021531489A (ja) 2021-11-18

Similar Documents

Publication Publication Date Title
CN112840392B (zh) 基于推理参数的映射函数到视频信号的自动应用
KR102022648B1 (ko) 전자 장치, 이의 제어 방법 및 서버의 제어 방법
US20200401889A1 (en) Electronic device, image processing method of electronic device, and computer-readable medium
US20200388011A1 (en) Electronic device, image processing method thereof, and computer-readable recording medium
US11238576B2 (en) Information processing device, data structure, information processing method, and non-transitory computer readable storage medium
CN108616649B (zh) 电子设备的显示控制方法和装置
US10997947B2 (en) Electronic device and control method thereof
CN110807741B (zh) 图像处理网络的训练方法、图像去噪方法及装置
CN116685031A (zh) 隧道进出口光暗调节方法及其系统
KR102562052B1 (ko) 전자 장치 및 그 제어 방법
WO2023184258A1 (zh) 模型训练方法、性能预测方法、装置、设备及介质
KR102430743B1 (ko) 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법
KR20200088682A (ko) 전자 장치 및 이의 제어 방법
JP2023027983A (ja) 学習装置、方法及びプログラム
CN116246147A (zh) 基于跨层特征融合和线性注意力优化的跨物种目标检测方法
KR102507277B1 (ko) 영상센서 모사방법
KR102430742B1 (ko) 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
KR102662648B1 (ko) Led 조명 제어 시스템 및 방법
US20240303972A1 (en) Training of machine learning models for video analytics
CN114998120B (zh) 暗光图像优化训练方法、智能终端及计算机可读存储介质
US20230137671A1 (en) Method and apparatus for concept matching
US20230306714A1 (en) Chromatic undertone detection
WO2020133322A1 (zh) 人工智能应用搭建中新增组块的方法、装置和机器设备
KR20240119689A (ko) 신경망 모델을 양자화하기 위한 전자 장치 및 그 제어 방법
KR20240053498A (ko) 전자 장치 및 그 제어 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant