KR102387570B1 - 표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법 - Google Patents

표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법 Download PDF

Info

Publication number
KR102387570B1
KR102387570B1 KR1020160172547A KR20160172547A KR102387570B1 KR 102387570 B1 KR102387570 B1 KR 102387570B1 KR 1020160172547 A KR1020160172547 A KR 1020160172547A KR 20160172547 A KR20160172547 A KR 20160172547A KR 102387570 B1 KR102387570 B1 KR 102387570B1
Authority
KR
South Korea
Prior art keywords
expression
generating
images
image
index
Prior art date
Application number
KR1020160172547A
Other languages
English (en)
Other versions
KR20180070170A (ko
Inventor
김영성
유병인
곽영준
최창규
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020160172547A priority Critical patent/KR102387570B1/ko
Priority to US15/672,393 priority patent/US10621422B2/en
Publication of KR20180070170A publication Critical patent/KR20180070170A/ko
Application granted granted Critical
Publication of KR102387570B1 publication Critical patent/KR102387570B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/80—Creating or modifying a manually drawn or painted image using a manual input device, e.g. mouse, light pen, direction keys on keyboard
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G10L2021/105—Synthesis of the lips movements from speech, e.g. for talking heads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

일 실시예에 따른 표정 생성 방법 및 장치는 입력 영상을 수신하고, 입력 영상으로부터 획득된 입력 영상의 표정 강도를 나타내는 인덱스를 기초로, 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성한다.

Description

표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법{METHOD AND APPARATUS OF GENERATING FACIAL EXPRESSION AND LEARNING METHOD FOR GENERATING FACIAL EXPRESSION}
아래 실시예들은 표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법에 관한 것이다.
표정은 신경 자극에 의해 유발되는 얼굴 근육들의 활동에 의해 형성된다. 얼굴 표정은 입력 영상으로부터 추출된 시각적 단서들에 대한 이미지 처리에 의해 인식될 수 있다. 입력 영상에 나타나는 표정은 예를 들어, 얼굴 부분 별 형태 정보를 파악하기 위한 랜드마크(landmark)의 검출 또는 얼굴 근육의 액션 단위들(Action Units; AUs)의 검출을 통해 표정 정보로 획득될 수 있다.
입력 영상의 수가 적거나, 입력 영상으로 파악된 표정 정보의 수가 적은 경우, 또는 표정을 알기 위한 정밀한 표정 정보의 검출이 없는 경우, 이미 정의된 표정 이외의 새로운 표정의 생성 또는 연속적인 표정의 감정 표현이 용이하지 않다.
일 측에 따르면, 표정 생성 방법은 입력 영상을 수신하는 단계; 상기 입력 영상의 표정 강도를 나타내는 인덱스를 획득하는 단계; 및 상기 인덱스를 기초로, 상기 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성하는 단계를 포함한다.
상기 입력 영상은 제1 표정을 나타내는 단일 입력 영상을 포함할 수 있다.
상기 복수의 표정 영상들을 생성하는 단계는 상기 인덱스를 기초로, 상기 제1 표정의 표정 강도와 서로 다른 표정 강도를 가지는 복수의 제1 표정 영상들을 생성하는 단계를 포함할 수 있다.
상기 복수의 표정 영상들을 생성하는 단계는 복수의 표정 생성기들에 의해 상기 인덱스에 대응하는 표정 강도로부터 순차적으로 변환되는 상기 복수의 표정 영상들을 생성하는 단계를 포함할 수 있다.
상기 표정 생성기들은 정방향으로 연속된(cascaded) 신경망들; 및 역방향으로 연속된 신경망들을 포함할 수 있다.
상기 복수의 표정 영상들을 생성하는 단계는 정방향으로 연속된 신경망들 중 상기 인덱스보다 큰 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 큰 표정 강도들의 표정 영상들을 생성하는 단계; 및 역방향으로 연속된 신경망들 중 상기 인덱스보다 작은 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 작은 표정 강도들의 표정 영상들을 생성하는 단계를 포함할 수 있다.
상기 인덱스를 획득하는 단계는 상기 인덱스를 수신하는 단계; 및 상기 인덱스를 추정(estimate)하는 단계 중 적어도 하나를 포함할 수 있다.
상기 인덱스를 추정하는 단계는 상기 입력 영상의 표정을 인식하는 단계; 및 상기 인식된 표정에 대응하는 표정 강도를 나타내는 인덱스를 추정하는 단계를 포함할 수 있다.
상기 인식된 표정에 대응하는 표정 강도를 나타내는 인덱스를 추정하는 단계는 상기 인식된 표정에 대한 표정 특징을 추출하는 단계; 상기 표정 특징과 상기 인식된 표정에 대응하는 기준 영상의 표정 특징 간의 표정 변화량을 산출하는 단계; 및 상기 표정 변화량에 기초하여 상기 인덱스를 추정하는 단계를 포함할 수 있다.
상기 표정 생성 방법은 상기 입력 영상의 표정과 상이한 표정으로의 전환을 지시하는 전환 인덱스를 획득하는 단계를 더 포함하고, 상기 복수의 표정 영상들을 생성하는 단계는 상기 인덱스 및 상기 전환 인덱스에 기초하여, 상기 복수의 표정 영싱들을 생성하는 단계를 포함할 수 있다.
상기 복수의 표정 영상들은 상기 입력 영상의 표정에 대응하는 서로 다른 강도의 표정 영상들; 및 상기 전환되는 상이한 표정에 대응하는 서로 다른 강도의 표정 영상들을 포함할 수 있다.
상기 복수의 표정 영상들은 상기 입력 영상의 표정으로부터 상기 전환되는 상이한 표정 사이의 표정 변화들에 대응하는 서로 다른 강도의 표정 영상들을 포함할 수 있다.
상기 표정 생성 방법은 상기 복수의 표정 영상들에 기초하여 동영상을 생성하는 단계; 및 상기 동영상을 재생하는 단계를 더 포함할 수 있다.
일 측에 따르면, 표정 생성을 위한 학습 방법은 서로 다른 표정 강도들에 대응하는 트레이닝 영상들을 획득하는 단계; 및 상기 트레이닝 영상들 각각에 대응하여, 정방향으로 연속된 신경망들 중 해당 트레이닝 영상의 표정 강도보다 큰 표정 강도의 다음 영상을 생성하는 제1 신경망을 학습하는 단계; 및 역방향으로 연속된 신경망들 중 상기 해당 트레이닝 영상의 표정 강도보다 작은 표정 강도의 이전 영상을 생성하는 제2 신경망을 학습하는 단계를 포함한다.
상기 다음 영상을 생성하는 제1 신경망을 학습하는 단계는 상기 정방향으로 연속된 신경망들 중 상기 제1 신경망의 이전 신경망의 출력 영상, 및 상기 해당 트레이닝 영상에 엘리먼트 와이즈 연산(element wise operations)을 적용함으로써, 복수의 입력 영상들을 생성하는 단계; 및 상기 복수의 입력 영상들, 및 상기 트레이닝 영상들 중 상기 해당 트레이닝 영상의 다음 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습하는 단계를 포함할 수 있다.
상기 이전 영상을 생성하는 제2 신경망을 학습하는 단계는 상기 역방향으로 연속된 신경망들 중 상기 제2 신경망의 다음 신경망의 출력 영상, 및 상기 해당 트레이닝 영상에 엘리먼트 와이즈 연산을 적용함으로써, 복수의 입력 영상들을 생성하는 단계; 및 상기 복수의 입력 영상들, 및 상기 트레이닝 영상들 중 상기 해당 트레이닝 영상의 이전 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습하는 단계를 포함할 수 있다.
일 측에 따르면, 표정 생성 장치는 입력 영상을 수신하는 입력 인터페이스; 및 상기 입력 영상의 표정 강도를 나타내는 인덱스를 획득하고, 상기 인덱스를 기초로, 상기 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성하는 프로세서를 포함한다.
상기 프로세서는 복수의 표정 생성기들에 의해 상기 인덱스에 대응하는 표정 강도로부터 순차적으로 변환되는 상기 복수의 표정 영상들을 생성하고, 상기 표정 생성기들은 정방향으로 연속된 신경망들 및 역방향으로 연속된 신경망들을 포함할 수 있다.
상기 프로세서는 정방향으로 연속된 신경망들 중 상기 인덱스보다 큰 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 큰 표정 강도들의 표정 영상들을 생성하고, 역방향으로 연속된 신경망들 중 상기 인덱스보다 작은 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 작은 표정 강도들의 표정 영상들을 생성할 수 있다.
도 1은 일 실시예에 따른 표정 생성 장치의 동작을 설명하기 위한 도면.
도 2는 일 실시예에 따라 입력 영상으로부터 생성되는 복수의 표정 영상들을 설명하기 위한 도면.
도 3은 일 실시예에 따라 입력 영상으로부터 복수의 표정 영상들을 생성하기 위한 생성 장치의 구조 및 동작을 설명하기 위한 도면.
도 4는 도 3의 표정 생성기를 학습하는 과정을 설명하기 위한 도면.
도 5는 일 실시예에 따른 표정 생성을 위한 학습 신경망의 구조 및 학습 신경망의 동작을 설명하기 위한 도면.
도 6은 도 5에 도시된 학습 신경망에서 파라미터를 공유(share)하는 표정 생성기들 간의 동작을 설명하기 위한 도면.
도 7내지 도 8은 실시예들에 따라 입력 영상으로부터 생성되는 복수의 표정 영상들을 설명하기 위한 도면.
도 9는 일 실시예에 따른 표정 생성 방법을 나타낸 흐름도.
도 10은 일 실시예에 따라 인덱스를 획득하는 방법을 나타낸 흐름도.
도 11 내지 도 12는 실시예들에 따라 복수의 표정 영상들을 생성하는 방법을 나타낸 흐름도.
도 13을 일 실시예에 따라 표정 영상 및 표정 강도를 결정하는 방법을 나타낸 흐름도.
도 14는 일 실시예에 따른 표정 생성을 위한 학습 방법을 나타낸 흐름도.
도 15는 일 실시예에 따른 생성 장치의 블록도.
본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 다른 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 표정 생성 장치의 동작을 설명하기 위한 도면이다. 도 1을 참조하면, 일 실시예에 따른 표정 생성 장치(이하, '생성 장치')(110)는 입력 영상(101)이 입력되면, 입력 영상(101)으로부터 변화되는 복수의 표정 영상들(102, 103, 104, 105)을 생성한다. 이때, 입력 영상(101)은 제1 표정을 나타내는 단일 입력 영상(101)일 수 있다.
생성 장치(110)는 제1 표정의 표정 강도와 서로 다른 표정 강도를 가지는 복수의 제1 표정 영상들 표정 영상들(102, 103, 104, 105)을 생성할 수 있다. 복수의 제1 표정 영상들(102, 103, 104, 105)은 입력 영상(101)의 표정 강도를 나타내는 인덱스를 기준으로 순차적으로 변화되는 표정 강도를 갖는 제1 표정 영상들일 수 있다. 복수의 제1 표정 영상들(102, 103, 104, 105)은 입력 영상(101)의 인덱스를 기준으로 인덱스가 증가하는 정방향 및 인덱스가 감소하는 역방향의 표정 강도를 갖는 제1 표정 영상들일 수 있다.
인덱스는 기준 표정 강도(또는 표정 강도 '0')로부터의 표정 변화량에 기초하여 부여될 수 있다. 각 표정 강도에 대응하는 인덱스는 미리 학습될 수 있다.
예를 들어, 입력 영상(101)의 표정이 웃는 표정이고, 입력 영상(101)의 인덱스가 '2'라고 하자. 또한, 표정 영상(102)의 인덱스가 '0', 표정 영상(103)의 인덱스가 '1', 표정 영상(104)의 인덱스가 '3', 표정 영상(105)의 인덱스가 '4'라고 하자.
생성 장치(110)는 입력 영상(101)의 인덱스 '2'를 기준으로 순차적으로 인덱스 '3'과 '4'에 해당하는 웃는 표정 영상들(104,105)을 생성할 수 있다. 또한, 생성 장치(110)는 입력 영상(101)의 인덱스 '2'를 기준으로 역방향으로 인덱스 '1'과 '0'에 해당하는 웃는 표정 영상들(103, 102)을 생성할 수 있다.
일 실시예에서 표정 영상들 간의 표정 변화는 다음의 [수학식 1]과 같이 정의될 수 있다.
Figure 112016123663956-pat00001
여기서,
Figure 112016123663956-pat00002
는 현재 표정을 나타내고,
Figure 112016123663956-pat00003
는 변화된 (미래) 표정을 나타낸다. ε은 현재 표정과 변화된 표정 간의 차이에 해당하는 표정 변화량을 나타낸다. 또한, Rhxw는 실수 영역(R)에서의
Figure 112016123663956-pat00004
및
Figure 112016123663956-pat00005
의 크기에 해당하는 h(height) x w(width)의 크기를 갖는 매트릭스(matrix)를 나타낸다.
[수학식 1]에서 현재 표정
Figure 112016123663956-pat00006
은 내제 요인(latent factor)인 표정 변화량(ε)에 의해 표정
Figure 112016123663956-pat00007
으로 변화된다고 표현할 수 있다. 이때, 표정 변화량(ε)의 분포는 두 표정들 간의 차이에 의해 모델링 될 수 있다. 표정 변화량(ε)은 표현 공간(추상화 공간)에서 학습될 수 있다.
도 2는 일 실시예에 따라 입력 영상으로부터 생성되는 복수의 표정 영상들을 설명하기 위한 도면이다. 도 2를 참조하면, 무표정 영상(중립 표정 영상)(210)으로부터 일정한 표정 변화량(ε)에 의해 순차적으로 변화되는 웃는 표정 영상들(220, 230, 240)이 도시된다. 이때, 표정 변화량(ε)은 학습 단계에서 미리 여러 장의 연속된 표정 영상들을 이용하여 학습된 것일 수 있다.
무표정 영상(210)에서 표정 변화량(ε)이 더해 질수록 점차 큰 표정 강도를 갖는 많이 웃는 표정 영상들로 변화해 가는 것을 볼 수 있다. 이와 같이 순차적으로 변환되는 표정 영상들에 대한 표정 변화는 다음의 [수학식 2]와 같이 표현될 수 있다.
Figure 112016123663956-pat00008
이때, 각 표정 영상마다에는 무표정 영상(210)으로부터의 표정 변화량(ε)에 따라 서로 다른 표정 강도를 나타내는 인덱스가 부여될 수 있다. 예를 들어, 무표정 영상(210)에는 인덱스 '0'이 부여되고, 무표정 영상(210)에 비해 3ε의 변화량이 더해진 표정 영상(240)에는 인덱스 '3'이 부여될 수 있다.
일 실시예에 따른 생성 장치는 복수의 표정 생성기들에 의해 인덱스에 대응하는 표정 강도로부터 순차적으로 변환되는 복수의 표정 영상들을 생성할 수 있다. 복수의 표정 생성기들을 포함하는 생성 장치의 구조 및 동작에 대하여는 도 3을 참조하여 설명한다.
실시예에 따라서, 이러한 표정 영상들 간의 표정 변화량은 도 2에 도시된 웃는 표정뿐만 아니라, 우는 표정 또는 화난 표정 등과 같은 서로 다른 다양한 표정들에 관해 정해질 수 있다.
아래에서 설명될 것처럼, 생성 장치는 다양한 표정 영상들 간의 차이(표정 변화량)를 미리 학습하여 단일 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성할 수 있다.
도 3은 일 실시예에 따라 복수의 표정 영상들을 생성하기 위한 생성 장치의 구조 및 동작을 설명하기 위한 도면이다. 도 3을 참조하면, 일 실시예에 따른 생성 장치(300)는 복수의 표정 생성기들(Go, .. Gn)에 의해 입력 영상(Ik)의 인덱스 k에 대응하는 표정 강도로부터 순차적으로 변환되는 복수의 표정 영상들을 생성할 수 있다. 이때, 입력 영상(Ik)의 표정에 의해 해당 표정에 대응한 서로 다른 강도의 표정 영상들을 생성하는 표정 생성기들이 선택될 수 있다. 또한, 입력 영상(Ik)의 표정 강도, 다시 말해 입력 영상(Ik)의 인덱스 k에 의해 해당 표정 생성기들의 연속된 신경망들 중 표정 영상의 생성이 시작될 지점이 결정될 수 있다. 이하에서 기재되는 표정 생성기와 신경망은 서로 동일한 의미로 이해될 수 있다.
표정 생성기들은 입력 영상(Ik)을 기준으로 인덱스k가 증가하는 정방향으로 연속된 신경망들(330) 및 입력 영상(Ik)을 기준으로 인덱스k가 감소하는 역방향으로 연속된 신경망들(350)을 포함할 수 있다.
신경망들(330)은 입력 영상(Ik)을 기준으로 입력 영상의 표정 강도보다 큰 표정 강도들의 표정 영상들(Ik + 1, .. , In)을 생성할 수 있다. 또한, 신경망들(350)은 입력 영상(Ik)을 기준으로 입력 영상의 표정 강도보다 작은 표정 강도들의 표정 영상들(Ik-1, .., I1, I0)을 생성할 수 있다.
생성 장치(300)는 입력 영상(Ik)의 인덱스보다 큰 인덱스들에 대응하는 신경망들에 기초하여, 입력 영상(Ik)의 표정 강도보다 큰 표정 강도들의 표정 영상들을 생성할 수 있다. 생성 장치(300)는 입력 영상(Ik)의 인덱스보다 작은 인덱스들에 대응하는 신경망들에 기초하여, 표정 강도보다 작은 표정 강도들의 표정 영상들을 생성할 수 있다.
예를 들어, 입력 영상이 화난 표정의 영상인 경우, 화난 표정 영상들을 생성하는 표정 생성기들이 선택되고, 입력 영상의 인덱스가 '1'인 경우, 인덱스 '1' 을 제외한 나머지 인덱스 '2', '3', .. ,'N'에 해당하는 화난 표정 영상들이 순차적으로 생성될 수 있다.
표정 생성기들은 연속된 신경망에 의해 입력 영상(Ik)의 표정 강도로부터 순차적으로 변화되는 표정 강도에 대응하는 복수의 표정 영상들을 생성하도록 학습된 것일 수 있다. 이때, 표정 생성기들에는 복수의 표정 영상들의 표정 강도에 대응하는 표정 변화량 및 표정 강도에 대응하는 인덱스가 미리 학습될 수 있다. 이때, 신경망들 각각은 해당 신경망이 생성하는 표정 영상의 표정 강도를 나타내는 인덱스에 대응될 수 있다.
일 실시예에 따른 생성 장치는 연속된 표정 생성기들에 의해 입력된 단일 표정 영상으로부터 변화되는 표정 영상들을 연속적으로 생성할 수 있다.
도 4는 도 3의 표정 생성기를 학습하는 과정을 설명하기 위한 도면이다. 이하에서는 생성 장치(400)에 포함된 복수의 표정 생성기들 중 k+1번째 표정 생성기(Gk+1)의 동작을 중심으로 생성 장치(400)가 표정 영상들을 학습하는 과정을 설명한다.
k 번째 표정 생성기(Gk)로부터 생성된 표정 영상(Ik)을 수신한 표정 생성기(Gk+1)는 표정 영상(Ik + 1)을 생성할 수 있다. 표정 영상(Ik)는 인덱스 k에 대응되고, 표정 영상(Ik+1)는 인덱스 k+1에 대응되는 표정 영상일 수 있다.
표정 생성기(Gk + 1)는 인덱스 k+1에 해당하는 실제 입력 영상(Ik + 1)과 자신(표정 생성기(Gk +1))이 생성한 표정 영상(Ik +1) 간의 오차가 최소화되도록 미리 학습된 것일 수 있다. 이때, 오차가 최소화되도록 하는 손실 함수(Loss function)(Lk + 1)는 실제 입력 영상(Ik + 1)과 생성한 표정 영상(Ik +1) 간의 오차를 최소화하도록 하는 미리 학습된 파라미터를 포함할 수 있다. 표정 생성기(Gk + 1)는 손실 함수(Lk + 1)에 의해 표정 영상(Ik)로부터 실제 입력 영상(Ik + 1)과 유사한 다음 번 표정 영상(Ik + 1)이 생성되도록 할 수 있다.
연속된 신경망에서의 상술한 과정을 통해 생성 장치(400)는 단일 입력 영상으로부터 연속적으로 변화되는 표정 영상들을 생성할 수 있다.
도 5는 일 실시예에 따른 표정 생성을 위한 학습 신경망의 구조 및 학습 신경망의 동작을 설명하기 위한 도면이다. 도 5를 참조하면, 학습 신경망(500)은 정방향으로 연속된 신경망들(510) 및 역방향으로 연속된 신경망들(530)을 포함할 수 있다. 이때, I0, I1, .. , In -1, In은 학습 신경망(500)의 트레이닝 영상들에 해당할 수 있다. 트레이닝 영상들은 예를 들어, 사용자의 변화하는 얼굴 표정을 포함하는 동영상의 각 프레임 영상에 해당할 수 있다. 도 5에서 생성기들이 서로 겹쳐져 선으로 이어진 것은 생성기들 간에 서로 파라미터들을 공유함을 나타낸다.
도 5에 포함된 표정 생성기들(G1 , .. Gn, G0 - 1, .. Gn -1 -1) 각각은 신경망으로 구성되는 인코더 및 신경망으로 구성되는 디코더를 포함할 수 있다. 예를 들어, 인코더 및 디코더를 포함하는 표정 생성기가 입력 표정
Figure 112016123663956-pat00009
로부터 변환되는 표정을 학습하는 과정은 다음과 같다.
표정 생성기들 각각은 인코더를 통해 제1 표정의 표정 특징을 인코딩하고, 디코더를 통해 인코딩된 표정 특징을 디코딩 함으로써, 제1 표정 영상으로부터 합성되는 제2 표정 영상을 생성할 수 있다.
표정 생성기들 각각은 인코더를 통해 입력 표정(제1 표정)의 표정 특징을 인코딩(encoding)하고, 인코딩된 표정 특징을 디코더를 통헤 다시 디코딩(decoding) 함으로써 제1 표정으로부터 변화된 제2 표정을 합성할 수 있다. 표정 생성기들 각각은 합성된 제2 표정과 실제 제2 표정 간의 에러를 최소화하는 파라미터를 찾아 제2 표정 영상을 생성할 수 있다.
이러한 과정은 다음의 [수학식 3]과 같이 표현될 수 있다.
Figure 112016123663956-pat00010
이때,
Figure 112016123663956-pat00011
는 인코더 파라미터이고,
Figure 112016123663956-pat00012
는 디코더 파라미터이다. Eq는
Figure 112016123663956-pat00013
(입력 표정)를
Figure 112016123663956-pat00014
(목적 표정)로 변환하기 위한 인코더-디코더 추정(Encoder-decoder hypothesis)(
Figure 112016123663956-pat00015
) 를 구하는 함수를 나타낸다. 함수 Eq는
Figure 112016123663956-pat00016
가
Figure 112016123663956-pat00017
로 변환되는 분포 q 를 가정하고, 모델링에 의해 변환된 변수와 목적 변수 간의 에러값의 기대치를 최소화하는 방향으로 변환추정을 찾을 수 있다.
이때, 인코더 파라미터가
Figure 112016123663956-pat00018
와 같고, 디코더 파라미터가
Figure 112016123663956-pat00019
와 같다면, [수학식 3]은 아래의 [수학식 4]와 같이 표현될 수 있다. 여기서, σ는 활성함수(activation function)를 나타내고, W는 변환매개변수 (transformation parameters)를 나타내며, b, c는 각각 바이어스 (bias)를 나타낼 수 있다.
Figure 112016123663956-pat00020
결국, 변환 함수 f(x)는 다음의 [수학식 5]와 같이 표현할 수 있다.
Figure 112016123663956-pat00021
또한, 학습 신경망은 표정 영상을 함수
Figure 112016123663956-pat00022
에 의해 추상화된 표현 공간 특징으로 변환할 수 있다. 함수
Figure 112016123663956-pat00023
와
Figure 112016123663956-pat00024
는 예를 들어, 회선 신경망(Convolution Neural Network; CNN)으로 구현될 수 있으며,
Figure 112016123663956-pat00025
는 AE(Auto-Encoders)등으로 구현될 수 있으며, 이 밖에도 다양한 실시예들이 활용될 수 있다. 함수
Figure 112016123663956-pat00026
는 아래에서 설명하는 손실 함수를 포함할 수 있다.
손실 함수(Loss function)(L)는 실제 입력 영상(I)과 생성한 표정 영상(I) 간의 손실(오차)를 최소화하도록 미리 학습된 파라미터를 포함할 수 있다. 이때, 손실은 실제 입력 영상(I)과 생성한 표정 영상(I) 간의 복원 손실(reconstruction loss) 및 대조 손실(contrastive loss)을 포함할 수 있다.
신경망들(510)은 트레이닝 영상들 각각에 대응하여 해당 트레이닝 영상의 표정 강도보다 큰 표정 강도의 다음 영상을 생성하도록 학습된 것일 수 있다. 신경망들(510)은 해당 신경망의 이전 신경망의 출력 영상(I1, I2, .. , In -2, In-1) 및 해당 트레이닝 영상(I1, I2, .. , In -2, In- 1)에 엘리먼트 와이즈 연산(element wise operations)(e)을 적용함으로써, 복수의 입력 영상들을 생성할 수 있다.
신경망들(510)은 복수의 입력 영상들, 및 해당 트레이닝 영상의 다음 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습할 수 있다. 신경망들(510)이 파라미터들을 공유하는 복수의 신경망들을 학습하는 방법은 도 6을 참조하여 설명한다.
또한, 신경망들(530)은 해당 트레이닝 영상의 표정 강도보다 작은 표정 강도의 이전 영상을 생성된 것일 수 있다. 신경망들(530)은 해당 신경망의 다음 신경망의 출력 영상(In-1, In- 2, .. , I2 , I1) 및 해당 트레이닝 영상(In-1, In- 2, .. I2, I1)에 엘리먼트 와이즈 연산을 적용함으로써, 복수의 입력 영상들을 생성할 수 있다.
신경망들(530)은 복수의 입력 영상들 및 해당 트레이닝 영상의 이전 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습할 수 있다.
이때, 신경망(510)의 첫번째 표정 생성기(G1) 및 신경망(530)의 최대 표정 이전 번째(n-1) 표정 생성기(Gn -1 - 1)는 표정 생성기들 간에 서로 파라미터들을 공유하지 않는 단일(single) 표정 생성기일 수 있다. 이 경우, 신경망(510)의 첫번째 표정 생성기(G1)에 대응하는 손실 함수 L(I1,I1) 및 신경망(530)의 최대 표정 이전 번째(n-1) 생성기(Gn -1 - 1)에 대응하는 손실 함수 L(I1,I1) 또한, 단일 손실 함수일 수 있다.
도 6은 도 5에 도시된 학습 신경망에서 파라미터를 공유(share)하는 표정 생성기들 간의 동작을 설명하기 위한 도면이다. 도 6을 참조하면, k+1 인덱스에 대응한 표정 영상을 학습하는 표정 생성기(Gk + 1)의 동작이 도시된다. 표정 생성기(Gk + 1)는 파라미터들을 공유하는 페어(pair) 생성기일 수 있다.
표정 생성기(Gk + 1)는 k+1번째의 이전인 k 번째 표정 생성기(Gk)의 출력 영상(Ik) 및 해당 트레이닝 영상(Ik + 1)에 엘리먼트 와이즈 연산(e)을 적용할 수 있다. 엘리먼트 와이즈 연산 결과는 점선으로 표시될 수 있다.
엘리먼트 와이즈 연산에 의해 표정 생성기(Gk +1)(610)에는 Ik + w1Ik가 입력되고, 표정 생성기(Gk +1)(620)에는 Ik + w2Ik 가 입력될 수 있다. w1과 w2는 가중치 매개 변수이며 학습 단계에서 결정하거나 임의값으로 설정할 수 있다.
Ik + w1Ik를 수신한 생성기(Gk +1)(610)는 영상(I'k + 1)을 생성할 수 있다. 또한, Ik + w2Ik를 수신한 생성기(Gk +1)(620)는 영상(I''k+1)을 생성할 수 있다. 이때, 생성기(Gk+1)(610)의 손실 함수(L1 k + 1)는 트레이닝 영상(Ik + 1)과 생성된 영상(I'k +1) 간의 오차를 최소화하도록 하는 파라미터를 학습할 수 있다. 또한, 생성기(Gk +1)(620)의 손실 함수(L2 k + 1)는 트레이닝 영상(Ik + 1)과 생성된 영상(I''k+1) 간의 오차를 최소화하도록 하는 파라미터를 학습할 수 있다.
도 7은 다른 실시예에 따라 입력 영상으로부터 생성되는 복수의 표정 영상들을 설명하기 위한 도면이다. 도 7을 참조하면, 무표정의 영상(710), 슬픈 표정의 영상(720), 흥분된 표정의 영상(730), 우울한 표정의 영상(740), 화난 표정의 영상(750), 웃는 표정의 영상(760)이 도시된다.
일 실시예에 따른 생성 장치는 입력 영상의 표정에 따라, 입력 영상의 표정에 대응하는 서로 다른 강도의 표정 영상들을 생성할 수 있다. 생성 장치는 입력 영상의 표정에 따라, 예를 들어, 무표정의 영상(710)으로부터 순차적으로 변화되는 복수 개의 화난 표정의 영상(750)을 생성하거나, 무표정의 영상(710)으로부터 순차적으로 변화되는 복수 개의 흥분된 표정의 영상(730)을 생성할 수 있다.
이때, 생성 장치는 입력 영상의 인덱스를 기준으로 입력 영상의 인덱스에 대응하는 표정 강도로부터 정방향 및 역방향으로 순차적으로 변화되는 표정 강도를 갖는 복수 개의 표정 영상들을 생성할 수 있다.
일 실시예에서는 생성 장치가 입력 영상으로부터 생성하는 표정 영상들의 예시로 슬픈 표정의 영상(720), 흥분된 표정의 영상(730), 우울한 표정의 영상(740), 화난 표정의 영상(750), 웃는 표정의 영상(760)을 들었으나, 반드시 이에 한정되는 것은 아니고, 이 밖에도 다양한 표정 영상들이 생성될 수 있다.
도 8은 다른 실시예에 따라 입력 영상으로부터 생성되는 복수의 표정 영상들을 설명하기 위한 도면이다. 도 8을 참조하면, 무표정의 영상(810), 웃는 표정의 영상(820), 놀란 표정의 영상(830), 화난 표정의 영상(840), 슬픈 표정의 영상(750)이 도시된다.
일 실시예에 따른 생성 장치는 입력 영상, 입력 영상의 인덱스 및 입력 영상의 표정과 상이한 표정으로의 전환을 지시하는 전환 인덱스가 획득되면, 인덱스 및 전환 인덱스에 기초하여, 입력 영상의 표정으로부터 전환되는 상이한 표정의 복수의 표정 영상들을 생성할 수 있다. 이때, 생성되는 복수의 표정 영상들은 입력 영상의 표정에 대응하는 서로 다른 강도의 표정 영상들 및 전환되는 상이한 표정에 대응하는 서로 다른 강도의 표정 영상들을 포함할 수 있다. 또한, 생성되는 복수의 표정 영상들은 입력 영상의 표정으로부터 전환되는 상이한 표정 사이의 표정 변화들에 대응하는 서로 다른 강도의 표정 영상들을 포함할 수 있다. 전환 인덱스에 대응하는 표정 변화량 또는 표정 상이율은 미리 학습될 수 있다.
예를 들어, 입력 영상이 인덱스 3의 웃는 표정의 영상(820)이고, 전환 인덱스가 화난 표정의 영상(840)으로의 전환을 지시한다고 하자. 또한, 각 표정 영상에 대응한 표정 강도는 인덱스 1부터 인덱스 5까지 존재한다고 하자.
생성 장치는 인덱스 3의 웃는 표정의 영상(820)으로부터 인덱스 1~2 및 인덱스 4~5에 해당하는 웃는 표정의 영상들을 생성할 수 있다. 또한, 생성 장치는 웃는 표정의 영상(820)으로부터 전환되는 화난 표정의 영상(840)에 대응하는 인덱스 1~5의 화난 표정의 영상들을 생성할 수 있다. 이 밖에도, 생성 장치는 웃는 표정의 영상(820)으로부터 전환되는 화난 표정의 영상(840) 사이의 표정 변화(예를 들어, 웃는 표정 -> 무표정 -> 화난 표정)에 대응하는 서로 다른 강도의 표정 영상들을 생성할 수 있다.
예를 들어, 웃는 표정의 영상(820)이 놀란 표정의 영상(830)을 거쳐 화난 표정의 영상(840)으로 변화된다고 하면, 생성 장치는 웃는 표정의 영상(820)과 화난 표정의 영상(840) 사이의 표정 변화에 해당하는 놀란 표정의 영상(830)에 대응하는 인덱스 1~5의 놀란 표정의 영상들 또한 생성할 수 있다.
도 9는 일 실시예에 따른 표정 생성 방법을 나타낸 흐름도이다. 도 9를 참조하면, 일 실시예에 따른 생성 장치는 입력 영상을 수신한다(910). 입력 영상은 제1 표정을 나타내는 단일 입력 영상을 포함할 수 있다.
생성 장치는 입력 영상의 표정 강도를 나타내는 인덱스를 획득한다(920). 인덱스는 예를 들어, 제1 표정에 대한 1~10까지의 표정 강도를 나타내는 인덱스일 수 있다. 또는 인덱스는 제1 표정과 서로 상이한 제2, 제3 표정으로의 전환을 지시하는 전환 인덱스일 수 있다. 생성 장치는 인덱스를 생성 장치의 외부로부터 수신하거나, 또는 인덱스를 직접 추정하여 획득할 수 있다. 생성 장치가 인덱스를 획득하는 방법은 도 10을 참조하여 설명한다.
생성 장치는 인덱스를 기초로, 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성한다(930). 복수의 표정 영상들은 입력 영상의 표정에 대응하는 서로 다른 강도의 표정 영상들 및 전환되는 상이한 표정에 대응하는 서로 다른 강도의 표정 영상들을 포함할 수 있다.
단계(930)에서, 생성 장치는 정방향으로 연속된 신경망들 중 인덱스보다 큰 인덱스들에 대응하는 신경망들에 기초하여, 표정 강도보다 큰 표정 강도들의 표정 영상들을 생성할 수 있다. 또한, 생성 장치는 역방향으로 연속된 신경망들 중 인덱스보다 작은 인덱스들에 대응하는 신경망들에 기초하여, 표정 강도보다 작은 표정 강도들의 표정 영상들을 생성할 수 있다.
생성 장치가 입력 영상의 표정 강도를 나타내는 인덱스를 획득한 경우에 복수의 표정 영상들을 생성하는 방법은 도 11을 참조하여 설명한다. 또한, 생성 장치가 입력 영상의 표정 강도를 나타내는 인덱스 및 입력 영상의 표정과 상이한 표정으로의 전환을 지시하는 전환 인덱스를 획득한 경우에 복수의 표정 영상들을 생성하는 방법에 대하여는 도 12를 참조하여 설명한다.
실시예에 따라서, 생성 장치는 복수의 표정 영상들에 기초하여 동영상을 생성하고, 동영상을 재생할 수도 있다.
도 10은 일 실시예에 따라 인덱스를 획득하는 방법을 나타낸 흐름도이다. 도 10을 참조하면, 일 실시예에 따른 생성 장치는 입력 영상의 표정을 인식할 수 있다(1010). 생성 장치는 예를 들어, 입력 영상과 참조 영상 간의 차이에 기초하여 입력 영상에 나타난 사용자의 표정을 인식할 수 있다. 이 밖에도, 생성 장치는 알려진 다양한 방법들을 이용하여 입력 영상으로부터 사용자의 표정을 인식할 수 있다.
생성 장치는 인식된 표정에 대한 표정 특징을 추출할 수 있다(1020). 생성 장치는 예를 들어, 인식된 표정에 대한 랜드마크 또는 얼굴 근육의 액션 단위들의 검출을 통해 표정 특징을 추출할 수 있다.
생성 장치는 입력 영상의 표정에 대한 표정 특징과 인식된 표정에 대응하는 기준 영상의 표정 특징 간의 표정 변화량을 산출할 수 있다(1030).
생성 장치는 단계(1030)에서 산출된 표정 변화량에 기초하여 인덱스를 추정할 수 있다(1040).
예를 들어, 입력 영상의 표정이 화난 표정이라고 하자. 생성 장치는 입력 영상이 화난 표정임을 인식하고, 화난 표정에 대한 표정 특징을 추출할 수 있다. 생성 장치는 입력 영상의 화난 표정에 대한 표정 특징과 화난 표정에 대한 기준 영상(예를 들어, 가장 화난 표정의 영상)의 표정 특징 간의 표정 변화량(2ε)을 산출할 수 있다. 이때, 가장 화난 표정 영상의 인덱스를 '5'이라고 하면, 생성 장치는 인덱스 '5'을 기준으로 산출된 표정 변화량(2ε)만큼 감소된 인덱스 '3'를 입력 영상의 표정에 대응한 인덱스로 추정할 수 있다.
도 11은 일 실시예에 따라 복수의 표정 영상들을 생성하는 방법을 나타낸 흐름도이다. 도 11을 참조하면, 일 실시예에 따른 생성 장치는 인덱스가 획득되면, 인덱스를 기초로, 제1 표정의 표정 강도와 서로 다른 표정 강도를 가지는 복수의 제1 표정 영상들을 생성할 수 있다(1110).
예를 들어, 입력 영상의 표정이 웃는 표정이고, 웃는 표정에 대하여 무표정을 나타내는 인덱스 1, 눈만 살짝 웃고 있는 표정의 인덱스 2, 빙그레 웃는 표정의 인덱스 3, 입을 약간 벌리고 웃는 표정의 인덱스 4, 매우 즐겁게 파안대소하는 표정의 인덱스5의 표정 강도가 있다고 하자.
이때, 획득된 인덱스가 2라고 하면, 생성 장치는 인덱스 2를 기준으로 인덱스 3 내지 인덱스 5에 해당하는 웃는 표정 영상들을 생성할 수 있다.
도 12는 일 실시예에 따라 복수의 표정 영상들을 생성하는 방법을 나타낸 흐름도이다. 도 12를 참조하면, 일 실시예에 따른 생성 장치는 표정 영상 및 표정 강도(또는 표정 강도를 나타내는 인덱스)를 결정할 수 있다(1210). 이때, 표정 강도를 나타내는 인덱스는 결정된 표정 영상의 표정 강도를 나타내는 인덱스일 수도 있고, 처음 표정과 상이한 표정으로의 전환을 지시하는 전환 인덱스에 해당할 수도 있으며, 인덱스 및 전환 인덱스 둘 다를 포함할 수도 있다. 생성 장치가 표정 영상 및 표정 강도를 결정하는 방법은 도 13을 참조하여 설명한다.
생성 장치는 단계(1210)에서 결정된 표정 영상에 대하여 스무딩(smoothing) 및 정규화(regularization)를 수행할 수 있다(1220).
생성 장치는 단계(1220)에서 스무딩 및 정규화를 거친 표정 영상과 전환 인덱스에 기초하여, 복수의 표정 영상들을 생성할 수 있다(1230). 이때 생성되는 복수의 표정 영상들은 입력 영상의 표정(예를 들어, 화난 얼굴)으로부터 전환되는 상이한 표정(예를 들어, 웃는 얼굴) 사이의 표정 변화들에 대응하는 서로 다른 강도의 표정 영상들을 포함할 수 있다.
도 13은 일 실시예에 따라 표정 영상 및 표정 강도를 결정하는 방법을 나타낸 흐름도이다. 도 13을 참조하면, 생성 장치는 사용자와 AI(Artificial Intelligence) 에이전트 간의 상호 작용을 수신할 수 있다(1310). 사용자와 AI 에이전트 간의 상호 작용은 상호 간의 대화, 문자, 영상 등을 포함할 수 있다.
생성 장치는 단계(1310)에서 수신한 상호 작용에 따른 AI 에이전트의 감정 인식에 대응한 표정 영상 및 표정 강도를 결정할 수 있다(1320).
예를 들어, 사용자와 AI 에이전트 간의 상호 작용에 따라 AI 에이전트를 나무라는 사용자의 화난 얼굴 영상 및 화난 음성이 수신될 수 있다.
사용자의 화난 얼굴 및 화난 음성에 따라 AI 에이전트의 감정이 즐거움에서 우울함으로 바뀔 수 있다. 생성 장치는 AI 에이전트의 감정이 즐거움에서 우울함으로 변화된 것을 인식하고, AI 에이전트의 감정 변화에 따라 즐거움에 해당하는 웃는 표정으로부터 우울한 표정으로의 전환을 지시하는 전환 인덱스를 결정할 수 있다. 예를 들어, 무표정의 전환 인덱스가 '0'이고, 웃는 표정의 전환 인덱스가 '2' 이며, 우울한 표정의 전환 인덱스가 '4', 화난 표정의 전환 인덱스가 '6'이라고 하자. 생성 장치는 웃는 표정으로부터 우울한 표정으로의 표정 변화를 위해 전환 인덱스를 '2'에서 '4'로 변경할 수 있다.
생성 장치는 AI 에이전트의 변화된 감정(우울함)에 대응한 표정 영상인 우울한 표정 영상 및 표정 강도를 결정할 수 있다. 이때, 우울한 표정에 대한 표정 강도는 사용자의 화난 얼굴 및 화난 음성의 강도에 비례하여 결정될 수 있다. 사용자의 얼굴 및 음성이 약간 화난 정도를 나타내면, 우울한 표정의 표정 강도가 2 또는 3으로 결정될 수 있다. 또한, 사용자의 얼굴 및 음성이 크게 화난 정도를 나타내면, 우울한 표정의 표정 강도는 5로 결정될 수 있다.
도 14는 일 실시예에 따른 표정 생성을 위한 학습 방법을 나타낸 흐름도이다. 도 14를 참조하면, 일 실시예에 따른 학습 장치는 서로 다른 표정 강도들에 대응하는 트레이닝 영상들을 획득한다(1410).
학습 장치는 트레이닝 영상들 각각에 대응하여, 정방향으로 연속된 신경망들 중 해당 트레이닝 영상의 표정 강도보다 큰 표정 강도의 다음 영상을 생성하는 제1 신경망을 학습한다(1420). 단계(1420)에서, 학습 장치는 정방향으로 연속된 신경망들 중 제1 신경망의 이전 신경망의 출력 영상, 및 해당 트레이닝 영상에 엘리먼트 와이즈 연산을 적용함으로써, 복수의 입력 영상들을 생성할 수 있다. 학습 장치는 복수의 입력 영상들, 및 트레이닝 영상들 중 해당 트레이닝 영상의 다음 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습할 수 있다.
학습 장치는 트레이닝 영상들 각각에 대응하여, 역방향으로 연속된 신경망들 중 해당 트레이닝 영상의 표정 강도보다 작은 표정 강도의 이전 영상을 생성하는 제2 신경망을 학습한다(1430). 단계(1430)에서, 학습 장치는 역방향으로 연속된 신경망들 중 제2 신경망의 다음 신경망의 출력 영상, 및 해당 트레이닝 영상에 엘리먼트 와이즈 연산을 적용함으로써, 복수의 입력 영상들을 생성할 수 있다. 학습 장치는 복수의 입력 영상들, 및 트레이닝 영상들 중 해당 트레이닝 영상의 이전 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습할 수 있다.
도 15는 일 실시예에 따른 생성 장치의 블록도이다. 도 15를 참조하면, 일 실시예에 따른 생성 장치(1500)는 입력 인터페이스(1510) 및 프로세서(1520)를 포함한다. 생성 장치(1500)는 메모리(1530) 및 센서(1540)를 더 포함할 수 있다. 입력 인터페이스(1510), 프로세서(1520), 메모리(1530) 및 센서(1540)는 통신 버스(1505)를 통해 서로 통신할 수 있다.
입력 인터페이스(1510)는 입력 영상을 수신한다.
프로세서(1520)는 입력 영상의 표정 강도를 나타내는 인덱스를 획득하고, 인덱스를 기초로, 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성한다.
프로세서(1520)는 복수의 표정 생성기들에 의해 인덱스에 대응하는 표정 강도로부터 순차적으로 변환되는 복수의 표정 영상들을 생성할 수 있다. 표정 생성기들은 정방향으로 연속된 신경망들 및 역방향으로 연속된 신경망들을 포함할 수 있다.
프로세서(1520)는 정방향으로 연속된 신경망들 중 인덱스보다 큰 인덱스들에 대응하는 신경망들에 기초하여, 표정 강도보다 큰 표정 강도들의 표정 영상들을 생성하고, 역방할 수 있다. 프로세서(1520)는 역방향으로 연속된 신경망들 중 인덱스보다 작은 인덱스들에 대응하는 신경망들에 기초하여, 표정 강도보다 작은 표정 강도들의 표정 영상들을 생성할 수 있다.
이 밖에도, 프로세서(1520)는 도 1 내지 도 14를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다.
메모리(1530)는 컴퓨터에서 읽을 수 있는 명령어들을 저장할 수 있다. 메모리(1530)에 저장된 명령어들이 프로세서(1520)에서 실행되면, 프로세서(1520)는 상술된 표정 생성과 관련된 동작을 처리할 수 있다. 또한, 메모리(1530)는 생성된 복수의 표정 영상들 및 복수의 표정 영상들의 생성과 관련된 정보를 저장할 수 있다. 예를 들어, 메모리(1530)는 복수의 표정 생성기들, 인코더, 디코더에 관한 파라미터를 저장할 수 있다.
센서(1540)는 입력 영상을 촬영하기 위한 이미지 센서, 근접 센서 및 적외선 센서 중 적어도 하나를 포함할 수 있다. 센서(1540)는 잘 알려진 방식(예를 들어, 광학 이미지를 전기 신호로 변환하는 방식 등)으로 입력 영상을 촬영할 수 있다. 센서(1540)는 촬영된 컬러 영상, 깊이 영상 및 적외선 영상 중 적어도 하나를 프로세서(1520) 및 메모리(1530) 중 적어도 하나로 전달할 수 있다.
프로세서(1520)는 명령어들이나 프로그램들을 실행하거나, 생성 장치(1500)를 제어할 수 있다. 생성 장치(1500)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 생성 장치(1500)는 이동 전화, 스마트 폰, PDA, 태블릿 컴퓨터, 랩톱 컴퓨터 등 모바일 장치, 퍼스널 컴퓨터, 태블릿 컴퓨터, 넷북 등 컴퓨팅 장치, 또는 텔레비전, 스마트 텔레비전 등 전자 제품 등의 적어도 일부로 구현될 수 있다. 그 밖에, 생성 장치에 관해서는 상술된 내용이 적용될 수 있으며, 보다 상세한 설명은 생략한다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (21)

  1. 입력 영상을 수신하는 단계;
    상기 입력 영상의 표정 강도를 나타내는 인덱스를 획득하는 단계; 및
    상기 인덱스를 기초로, 상기 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성하는 단계
    를 포함하고,
    상기 복수의 표정 영상들을 생성하는 단계는
    제1 신경망을 사용하여, 상기 입력 영상의 표정 강도보다 큰 표정 강도를 갖는 표정 영상을 생성하는 단계; 및
    제2 신경망을 사용하여, 상기 입력 영상의 표정 강도보다 작은 표정 강도를 갖는 표정 영상을 생성하는 단계;
    를 포함하는,
    표정 생성 방법.
  2. 제1항에 있어서,
    상기 입력 영상은
    제1 표정을 나타내는 단일 입력 영상을 포함하는, 표정 생성 방법.
  3. 제2항에 있어서,
    상기 복수의 표정 영상들을 생성하는 단계는
    상기 인덱스를 기초로, 상기 제1 표정의 표정 강도와 서로 다른 표정 강도를 가지는 복수의 제1 표정 영상들을 생성하는 단계
    를 포함하는, 표정 생성 방법.
  4. 제1항에 있어서,
    상기 복수의 표정 영상들을 생성하는 단계는
    복수의 표정 생성기들에 의해 상기 인덱스에 대응하는 표정 강도로부터 순차적으로 변환되는 상기 복수의 표정 영상들을 생성하는 단계
    를 포함하는, 표정 생성 방법.
  5. 제4항에 있어서,
    상기 표정 생성기들은
    정방향으로 연속된(cascaded) 신경망들; 및
    역방향으로 연속된 신경망들
    을 포함하는, 표정 생성 방법.
  6. 입력 영상을 수신하는 단계;
    상기 입력 영상의 표정 강도를 나타내는 인덱스를 획득하는 단계;
    상기 인덱스에 기초하여 정방향으로 연속된 신경망들 중 상기 인덱스보다 큰 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 큰 표정 강도들의 표정 영상들을 생성하는 단계; 및
    상기 인덱스에 기초하여 역방향으로 연속된 신경망들 중 상기 인덱스보다 작은 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 작은 표정 강도들의 표정 영상들을 생성하는 단계;
    를 포함하는, 표정 생성 방법.
  7. 제1항에 있어서,
    상기 인덱스를 획득하는 단계는
    상기 인덱스를 수신하는 단계; 및
    상기 인덱스를 추정(estimate)하는 단계
    중 적어도 하나를 포함하는, 표정 생성 방법.
  8. 제7항에 있어서,
    상기 인덱스를 추정하는 단계는
    상기 입력 영상의 표정을 인식하는 단계; 및
    상기 인식된 표정에 대응하는 표정 강도를 나타내는 인덱스를 추정하는 단계
    를 포함하는, 표정 생성 방법.
  9. 제8항에 있어서,
    상기 인식된 표정에 대응하는 표정 강도를 나타내는 인덱스를 추정하는 단계는
    상기 인식된 표정에 대한 표정 특징을 추출하는 단계;
    상기 표정 특징과 상기 인식된 표정에 대응하는 기준 영상의 표정 특징 간의 표정 변화량을 산출하는 단계; 및
    상기 표정 변화량에 기초하여 상기 인덱스를 추정하는 단계
    를 포함하는, 표정 생성 방법.
  10. 제1항에 있어서,
    상기 입력 영상의 표정과 상이한 표정으로의 전환을 지시하는 전환 인덱스를 획득하는 단계
    를 더 포함하고,
    상기 복수의 표정 영상들을 생성하는 단계는
    상기 인덱스 및 상기 전환 인덱스에 기초하여, 상기 복수의 표정 영상들을 생성하는 단계
    를 포함하는, 표정 생성 방법.
  11. 제10항에 있어서,
    상기 복수의 표정 영상들은
    상기 입력 영상의 표정에 대응하는 서로 다른 강도의 표정 영상들; 및
    상기 전환되는 상이한 표정에 대응하는 서로 다른 강도의 표정 영상들
    을 포함하는, 표정 생성 방법.
  12. 제11항에 있어서,
    상기 복수의 표정 영상들은
    상기 입력 영상의 표정으로부터 상기 전환되는 상이한 표정 사이의 표정 변화들에 대응하는 서로 다른 강도의 표정 영상들
    을 포함하는, 표정 생성 방법.
  13. 제1항에 있어서,
    상기 복수의 표정 영상들에 기초하여 동영상을 생성하는 단계; 및
    상기 동영상을 재생하는 단계
    를 더 포함하는, 표정 생성 방법.
  14. 서로 다른 표정 강도들에 대응하는 트레이닝 영상들을 획득하는 단계; 및
    상기 트레이닝 영상들 각각에 대응하여,
    정방향으로 연속된 신경망들 중 해당 트레이닝 영상의 표정 강도보다 큰 표정 강도의 다음 영상을 생성하는 제1 신경망을 학습하는 단계; 및
    역방향으로 연속된 신경망들 중 상기 해당 트레이닝 영상의 표정 강도보다 작은 표정 강도의 이전 영상을 생성하는 제2 신경망을 학습하는 단계
    를 포함하는, 표정 생성을 위한 학습 방법.
  15. 제14항에 있어서,
    상기 다음 영상을 생성하는 제1 신경망을 학습하는 단계는
    상기 정방향으로 연속된 신경망들 중 상기 제1 신경망의 이전 신경망의 출력 영상, 및 상기 해당 트레이닝 영상에 엘리먼트 와이즈 연산(element wise operations)을 적용함으로써, 복수의 입력 영상들을 생성하는 단계; 및
    상기 복수의 입력 영상들, 및 상기 트레이닝 영상들 중 상기 해당 트레이닝 영상의 다음 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습하는 단계
    를 포함하는, 표정 생성을 위한 학습 방법.
  16. 제14항에 있어서,
    상기 이전 영상을 생성하는 제2 신경망을 학습하는 단계는
    상기 역방향으로 연속된 신경망들 중 상기 제2 신경망의 다음 신경망의 출력 영상, 및 상기 해당 트레이닝 영상에 엘리먼트 와이즈 연산을 적용함으로써, 복수의 입력 영상들을 생성하는 단계; 및
    상기 복수의 입력 영상들, 및 상기 트레이닝 영상들 중 상기 해당 트레이닝 영상의 이전 트레이닝 영상에 기초하여, 파라미터들을 공유하는 복수의 신경망들을 학습하는 단계
    를 포함하는, 표정 생성을 위한 학습 방법.
  17. 하드웨어와 결합되어 제1항 내지 제16항 중 어느 하나의 항의 방법을 실행시키기 위하여 기록 매체에 저장된 컴퓨터 프로그램.
  18. 입력 영상을 수신하는 입력 인터페이스;
    상기 입력 영상의 표정 강도를 나타내는 인덱스를 획득하고, 상기 인덱스를 기초로, 상기 입력 영상으로부터 변화되는 복수의 표정 영상들을 생성하는 프로세서
    를 포함하고,
    상기 프로세서는
    제1 신경망을 사용하여, 상기 입력 영상의 표정 강도보다 큰 표정 강도를 갖는 표정 영상을 생성하고, 그리고
    제2 신경망을 사용하여, 상기 입력 영상의 표정 강도보다 작은 표정 강도를 갖는 표정 영상을 생성하는
    표정 생성 장치.
  19. 제18항에 있어서,
    상기 프로세서는
    복수의 표정 생성기들에 의해 상기 인덱스에 대응하는 표정 강도로부터 순차적으로 변환되는 상기 복수의 표정 영상들을 생성하고,
    상기 표정 생성기들은
    정방향으로 연속된 신경망들 및 역방향으로 연속된 신경망들을 포함하는, 표정 생성 장치.
  20. 제18항에 있어서,
    상기 프로세서는
    정방향으로 연속된 신경망들 중 상기 인덱스보다 큰 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 큰 표정 강도들의 표정 영상들을 생성하고, 역방향으로 연속된 신경망들 중 상기 인덱스보다 작은 인덱스들에 대응하는 신경망들에 기초하여, 상기 표정 강도보다 작은 표정 강도들의 표정 영상들을 생성하는, 표정 생성 장치.
  21. 제1항에 있어서,
    상기 제1 신경망은 상기 인덱스보다 큰 인덱스들에 대응하고, 그리고
    상기 제2 신경망은 상기 인덱스보다 작은 인덱스들에 대응하는,
    표정 생성 방법.
KR1020160172547A 2016-12-16 2016-12-16 표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법 KR102387570B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160172547A KR102387570B1 (ko) 2016-12-16 2016-12-16 표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법
US15/672,393 US10621422B2 (en) 2016-12-16 2017-08-09 Method and apparatus for generating facial expression and training method for generating facial expression

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160172547A KR102387570B1 (ko) 2016-12-16 2016-12-16 표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법

Publications (2)

Publication Number Publication Date
KR20180070170A KR20180070170A (ko) 2018-06-26
KR102387570B1 true KR102387570B1 (ko) 2022-04-18

Family

ID=62556345

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160172547A KR102387570B1 (ko) 2016-12-16 2016-12-16 표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법

Country Status (2)

Country Link
US (1) US10621422B2 (ko)
KR (1) KR102387570B1 (ko)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10860841B2 (en) * 2016-12-29 2020-12-08 Samsung Electronics Co., Ltd. Facial expression image processing method and apparatus
KR102170445B1 (ko) 2018-09-07 2020-10-28 (주)위지윅스튜디오 딥 러닝 기술을 활용한 자동 캐릭터 얼굴 표정 모델링 방법
KR102227258B1 (ko) * 2018-09-07 2021-03-12 (주)위지윅스튜디오 인공지능 기술을 이용한 연기 보정 시스템
CN109727299A (zh) * 2018-11-20 2019-05-07 广东智媒云图科技股份有限公司 一种控制机械臂联合作画的方法、电子设备及存储介质
CN109657554B (zh) * 2018-11-21 2022-12-20 腾讯科技（深圳）有限公司 一种基于微表情的图像识别方法、装置以及相关设备
US10635938B1 (en) * 2019-01-30 2020-04-28 StradVision, Inc. Learning method and learning device for allowing CNN having trained in virtual world to be used in real world by runtime input transformation using photo style transformation, and testing method and testing device using the same
US10818050B2 (en) * 2019-02-08 2020-10-27 Adobe Inc. Vector graphic font character generation techniques
GB2586260B (en) * 2019-08-15 2021-09-15 Huawei Tech Co Ltd Facial image processing
KR20210055369A (ko) * 2019-11-07 2021-05-17 주식회사 하이퍼커넥트 이미지 변환 장치, 방법 및 컴퓨터 판독 가능한 기록매체
US11544886B2 (en) * 2019-12-17 2023-01-03 Samsung Electronics Co., Ltd. Generating digital avatar
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
CN111541950B (zh) * 2020-05-07 2023-11-03 腾讯科技（深圳）有限公司 表情的生成方法、装置、电子设备及存储介质
US11544880B2 (en) 2020-05-14 2023-01-03 Adobe Inc. Generating modified digital images utilizing a global and spatial autoencoder
KR102472110B1 (ko) * 2020-10-21 2022-11-28 광운대학교 산학협력단 감정 기반의 얼굴 영상 생성 시스템 및 방법
CN113052113B (zh) * 2021-04-02 2022-11-04 中山大学 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统
CN113409208A (zh) * 2021-06-16 2021-09-17 北京字跳网络技术有限公司 图像处理方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120223952A1 (en) * 2011-03-01 2012-09-06 Sony Computer Entertainment Inc. Information Processing Device Capable of Displaying A Character Representing A User, and Information Processing Method Thereof.

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6950104B1 (en) 2000-08-30 2005-09-27 Microsoft Corporation Methods and systems for animating facial features, and methods and systems for expression transformation
KR100860989B1 (ko) 2006-12-18 2008-09-30 삼성전자주식회사 얼굴 영상의 유사도 산출 방법 및 장치와 이를 이용한 얼굴영상 검색 방법 및 장치 그리고 얼굴 합성 방법
RU2007102021A (ru) 2007-01-19 2008-07-27 Корпораци "Самсунг Электроникс Ко., Лтд." (KR) Способ и система распознавания личности
US8437514B2 (en) 2007-10-02 2013-05-07 Microsoft Corporation Cartoon face generation
WO2009100020A2 (en) 2008-01-31 2009-08-13 University Of Southern California Facial performance synthesis using deformation driven polynomial displacement maps
KR100935482B1 (ko) 2008-03-27 2010-01-06 주식회사 제스틴 합성이미지 제공시스템 및 방법
TW201023092A (en) 2008-12-02 2010-06-16 Nat Univ Tsing Hua 3D face model construction method
TWI430185B (zh) 2010-06-17 2014-03-11 Inst Information Industry 臉部表情辨識系統及其辨識方法及其電腦程式產品
KR101549645B1 (ko) 2014-01-28 2015-09-03 영남대학교 산학협력단 표정 동작사전을 이용한 표정인식 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120223952A1 (en) * 2011-03-01 2012-09-06 Sony Computer Entertainment Inc. Information Processing Device Capable of Displaying A Character Representing A User, and Information Processing Method Thereof.

Also Published As

Publication number Publication date
US20180173942A1 (en) 2018-06-21
KR20180070170A (ko) 2018-06-26
US10621422B2 (en) 2020-04-14

Similar Documents

Publication Publication Date Title
KR102387570B1 (ko) 표정 생성 방법, 표정 생성 장치 및 표정 생성을 위한 학습 방법
KR102252298B1 (ko) 표정 인식 방법 및 장치
KR102570279B1 (ko) 감정 인식을 위한 학습 방법, 감정을 인식하는 방법 및 장치
KR102564854B1 (ko) 정규화된 표현력에 기초한 표정 인식 방법, 표정 인식 장치 및 표정 인식을 위한 학습 방법
KR102486699B1 (ko) 영상 인식 방법, 영상 검증 방법, 장치, 및 영상 인식 및 검증에 대한 학습 방법 및 장치
US20190205625A1 (en) Facial expression recognition utilizing unsupervised learning
CN110852256B (zh) 时序动作提名的生成方法、装置、设备及存储介质
CN110659573B (zh) 一种人脸识别方法、装置、电子设备及存储介质
Basharat et al. Time series prediction by chaotic modeling of nonlinear dynamical systems
CN110599395A (zh) 目标图像生成方法、装置、服务器及存储介质
KR102229572B1 (ko) 영상 스타일 변환 장치 및 방법
KR102332114B1 (ko) 이미지 처리 방법 및 장치
CN111292262B (zh) 图像处理方法、装置、电子设备以及存储介质
CN112804558B (zh) 视频拆分方法、装置及设备
KR20190091806A (ko) 생성적 적대 네트워크를 이용한 비디오 시퀀스 생성 시스템 및 그 방법
CN111742345A (zh) 通过着色的视觉跟踪
CN111833360B (zh) 一种图像处理方法、装置、设备以及计算机可读存储介质
WO2023179074A1 (zh) 图像融合方法及装置、电子设备、存储介质、计算机程序、计算机程序产品
CN116363261A (zh) 图像编辑模型的训练方法、图像编辑方法和装置
KR102160955B1 (ko) 딥 러닝 기반 3d 데이터 생성 방법 및 장치
CN117315758A (zh) 面部表情的检测方法、装置、电子设备及存储介质
CN113763232A (zh) 图像处理方法、装置、设备及计算机可读存储介质
CN115775405A (zh) 图像生成方法、装置、电子设备和介质
US20210224947A1 (en) Computer Vision Systems and Methods for Diverse Image-to-Image Translation Via Disentangled Representations
CN115205428A (zh) 视频处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant