KR102539376B1 - 자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램 - Google Patents

자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102539376B1
KR102539376B1 KR1020220146805A KR20220146805A KR102539376B1 KR 102539376 B1 KR102539376 B1 KR 102539376B1 KR 1020220146805 A KR1020220146805 A KR 1020220146805A KR 20220146805 A KR20220146805 A KR 20220146805A KR 102539376 B1 KR102539376 B1 KR 102539376B1
Authority
KR
South Korea
Prior art keywords
image
product
background
concept
natural language
Prior art date
Application number
KR1020220146805A
Other languages
English (en)
Inventor
이주완
김태훈
김민주
김가영
Original Assignee
주식회사 드랩
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 주식회사 드랩 filed Critical 주식회사 드랩
Priority to KR1020220146805A priority Critical patent/KR102539376B1/ko
Application granted granted Critical
Publication of KR102539376B1 publication Critical patent/KR102539376B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/60Editing figures and text; Combining figures or text
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/279Recognition of textual entities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06T5/001
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Processing Or Creating Images (AREA)

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 발명의 다양한 실시예에 따른 자연어 기반 상품 사진 생성 방법이 개시된다. 상기 방법은, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서, 원본 이미지 및 합성 컨셉 쿼리를 획득하는 단계, 상기 원본 이미지로부터 상품 이미지를 획득하는 단계, 상기 상품 이미지 및 합성 컨셉 쿼리에 기초하여 배경 이미지를 획득하는 단계 및 상기 상품 이미지 및 상기 배경 이미지에 기초하여 보정 이미지를 생성하는 단계를 포함하며, 상기 합성 컨셉 쿼리는, 상기 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력인 것을 특징으로 할 수 있다.

Description

자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램{METHOD, SERVER AND COMPUTER PROGRAM FOR CREATING NATURAL LANGUAGE-BASED PRODUCT PHOTOS}
본 발명의 다양한 실시예는 상품 사진 생성 방법에 관한 것으로, 보다 구체적으로, 인공지능을 활용한 자연어 분석을 통해 특정 이미지에 대응하여 적절한 배경 이미지를 획득하고, 이를 합성하여 보정 이미지를 생성하는 방법, 서버 및 컴퓨터 프로그램에 관한 것이다.
오늘날, 무선 인터넷 기술의 발달로 인한 인터넷 환경의 향상으로 인터넷 이용자의 수가 기하급수적으로 늘어나고 있으며, 이에 따라, 인터넷망 또는 이동 통신망을 통해 웹페이지 상에서 온라인 쇼핑몰을 이용하여 상품을 구매하는 고객들이 점점 늘어가고 있는 추세이다.
일반적으로, 온라인 쇼핑몰을 이용한 대부분의 상품구매수단은 쇼핑몰에 구비된 상품을 광고하기 위한 상품 상세 페이지를 통해서 다양한 상품 정보를 고객들에게 제공함으로써 이루어진다.
이러한 상품 상세 페이지는, 상품 이미지를 포함하고 있으며, 상품 이미지와 상품 상세 페이지를 통해 온라인 고객들은 상품을 간접적으로 체험하여 상품 구매를 진행할 수 있다.
특히, 상품 이미지의 경우, 온라인 고객들의 시선을 끌어야 하기 때문에, 상품 구매를 유도하기 위한 가장 요소 중 하나일 수 있다. 예컨대, 상품 상세 페이지를 아무리 잘 구성하더라도, 고객들이 해당 상세 페이지를 보러 들어오지 않을 수 있으므로, 이끌리는 상품 이미지를 통해 상품 상세 페이지에 접속하도록 유도하는 것이 중요할 수 있다.
다만, 상품 이미지를 촬영 및 업로드하기 위해서는 많은 시간과 비용, 그리고 노력이 요구될 수 있다. 예를 들어, 상품 이미지를 제작하기 위한, 이미지 촬영, 촬영을 위한 장소 섭외, 촬영 결과물에 대한 후보정 및 추가 편집 등의 전 과정을 공급자가 자체적으로 수행하여야 하기 때문에, 이를 위해서 필요 이상의 비용 및 시간을 소비하고 있는 실정이다.
공개특허공보 제10-2016-0095870(2016.08.12)
본 발명이 해결하고자 하는 과제는 전술한 배경기술에 대응하여 안출된 것으로, 사용자가 입력한 자연어에 대한 자연어 분석을 통해 사용자의 의도에 부합하는 배경 이미지를 획득하고, 이를 기반으로 원본 이미지를 보정하여 상품 사진을 획득하는 방법을 제공하기 위함이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 자연어 기반 상품 사진 생성 방법이 개시된다. 상기 방법은, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서, 원본 이미지 및 합성 컨셉 쿼리를 획득하는 단계, 상기 원본 이미지로부터 상품 이미지를 획득하는 단계, 상기 상품 이미지 및 합성 컨셉 쿼리에 기초하여 배경 이미지를 획득하는 단계 및 상기 상품 이미지 및 상기 배경 이미지에 기초하여 보정 이미지를 생성하는 단계를 포함하며, 상기 합성 컨셉 쿼리는, 상기 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력인 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 원본 이미지로부터 상기 상품 이미지를 획득하는 단계는, 객체 인식 모델을 활용하여 상기 원본 이미지에서 복수의 객체 이미지를 식별하는 단계 및 상기 복수의 객체 이미지 각각의 이미지 식별 정보 및 이미지 특성 정보 중 적어도 하나에 기초하여 상기 복수의 객체 이미지 중 적어도 하나의 객체 이미지를 상기 상품 이미지로 결정하는 단계를 포함하며, 상기 이미지 특성 정보는, 상기 이미지 내에서 각 이미지의 크기에 대한 정보, 인식 정확도에 대한 정보 및 위치에 대한 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 배경 이미지를 획득하는 단계는, 자연어 임베딩 모델을 통해 상기 합성 컨셉 쿼리에 대응하는 생성 컨셉 키를 추출하는 단계, 상기 생성 컨셉 키에 기반하여 배경 이미지를 획득하는 단계를 포함하며, 상기 자연어 임베딩 모델은, 자연어에 대응하는 임베딩 벡터를 추출하는 신경망 모델인 것을 특징으로 하며, 상기 생성 컨셉 키는, 사용자가 지정한 지정 상품 군에 대응하는 상품 이미지들에 대응하여 공통적인 보정 컨셉을 부여하는 공통 컨셉 생성 키 및 개별 상품 이미지 각각에 대응하여 개별적인 보정 컨셉을 부여하는 개별 생성 컨셉 키를 포함할 수 있다.
대안적인 실시예에서, 상기 합성 컨셉 쿼리는, 상기 상품 이미지에 대응하는 상품 특성 정보를 더 포함하는 것을 특징으로 하며, 상기 상품 특성 정보는, 이미지 분석 모델을 활용한 상기 상품 이미지의 분석을 통해 획득되는 정보로, 상품의 종류, 크기, 색상 및 형태상 특징에 관련한 자연어 형태의 정보일 수 있다.
대안적인 실시예에서, 상기 배경 이미지를 획득하는 단계는, 상기 생성 컨셉 키를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 복수의 배경 임베딩 벡터를 선별하는 단계, 상기 선별된 복수의 배경 임베딩 벡터에 대응하는 복수의 배경 이미지를 획득하는 단계 및 상기 복수의 배경 이미지에 대한 사용자의 선택에 기초하여 보정을 수행할 배경 이미지를 결정하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 배경 이미지 데이터베이스는, 복수 개의 배경 이미지 각각에 대응하는 복수 개의 배경 특성 정보 및 상기 복수 개의 배경 특성 정보 각각에 대응하는 복수의 배경 임베딩 벡터에 관한 정보를 포함하여 구비되며, 상기 배경 특성 정보는, 상기 복수 개의 배경 이미지 각각에 관련한 특징 정보가 자연어 형태로 기록된 정보일 수 있다.
대안적인 실시예에서, 상기 생성 컨셉 키를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 하나 이상의 배경 임베딩 벡터를 선별하는 단계는, 상기 생성 컨셉 키에 서로 상이한 복수의 랜덤 키 각각을 병합하여 복수의 합성 컨셉 키를 생성하는 단계 및 상기 배경 이미지 데이터베이스로부터 상기 복수의 합성 컨셉 키 각각에 대응하는 복수의 배경 임베딩 벡터를 선별하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 방법은, 상기 상품 이미지가 사용자가 지정한 지정 상품 군에 해당하는 상품 이미지인 경우, 상기 결정된 배경 이미지에 대응하는 합성 컨셉 키에 기초하여 공통 생성 컨셉 키에 대한 업데이트를 수행하는 단계 및 상기 합성 컨셉 키와 상기 공통 생성 컨셉 키 간의 차이가 기 설정된 기준치 이하인 경우, 상기 공통 생성 컨셉 키에 기초하여 생성 아이덴티티 컨셉을 생성하는 단계를 더 포함하며, 상기 생성 아이덴티티 컨셉은, 특정 컨셉을 가진 보정 방법에 관련한 것일 수 있다.
대안적인 실시예에서, 상기 방법은, 상기 생성 아이덴티티 컨셉을 복수의 사용자 단말에 제공하는 단계를 더 포함할 수 있다.
대안적인 실시예에서, 상기 배경 이미지를 획득하는 단계는, 상기 상품 이미지에 기초하여 광고 상품 이미지 풀로부터 하나 이상의 유사 광고 이미지를 획득하는 단계, 상기 하나 이상의 유사 광고 이미지 각각에 대응하는 하나 이상의 유사 배경 이미지를 획득하는 단계, 상기 하나 이상의 유사 배경 이미지에 기초하여 유사 배경 특성 정보를 생성하는 단계, 자연어 임베딩 모델을 통해 상기 유사 배경 특성 정보에 대응하는 유사 배경 임베딩 벡터를 추출하는 단계, 상기 유사 배경 임베딩 벡터를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 하나 이상의 배경 임베딩 벡터를 선별하는 단계 및 상기 선별된 하나 이상의 배경 임베딩 벡터에 대응하는 하나 이상의 배경 이미지를 획득하는 단계를 포함할 수 있다.
대안적인 실시예에서, 배경 이미지를 획득하는 단계는, 상기 생성 컨셉 키 및 상기 상품 이미지를 배경 생성 모델의 입력으로 처리하여 상기 배경 이미지를 획득하는 단계를 포함하며, 상기 배경 생성 모델은, 상기 생성 컨셉 키에 기초하여 상기 상품 이미지에 대응하는 배경 이미지를 생성하는 신경망 모델일 수 있다.
대안적인 실시예에서, 상기 보정 이미지를 생성하는 단계는, 사용자 단말로부터 보정 이미지 내에서의 상품 이미지의 위치에 관련한 마스크 정보를 수신하는 단계, 상기 마스크 정보에 기초하여 상기 보정 이미지 내에서 상기 상품 이미지의 위치에 관련한 상품 위치 정보를 획득하는 단계 및 상기 배경 생성 모델을 통해 생성된 상기 배경 이미지 상에 상기 상품 위치 정보에 기초하여 상기 상품 이미지를 삽입하여 상기 보정 이미지를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 보정 이미지를 생성하는 단계는, 상기 생성 컨셉 키 및 상기 상품 이미지를 보정 이미지 생성 모델의 입력으로 처리하여 상기 보정 이미지를 획득하는 단계를 포함하며, 상기 보정 이미지 생성 모델은, 상기 생성 컨셉 키에 기초하여 상기 상품 이미지에 대응하는 보정 이미지를 생성하는 신경망 모델일 수 있다.
대안적인 실시예에서, 상기 보정 이미지를 생성하는 단계는, 상기 상품 이미지에 대응하는 상품 특성 정보, 상품 트렌드 정보 및 기존 위치 정보 중 적어도 하나에 기초하여 생성될 보정 이미지 상에서의 상기 상품 이미지의 위치를 특정하여 위치시키는 단계 및 특정 위치에 위치한 상기 상품 이미지를 기반으로 상기 배경 이미지를 생성하여 상기 보정 이미지를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 보정 이미지를 생성하는 단계는, 사용자 단말로부터 이미지 세그멘테이션 정보를 수신하는 단계, 상기 이미지 세그멘테이션 정보에 포함된 하나 이상의 객체 이미지 각각의 종류 및 위치를 식별하여 객체 참조 정보를 생성하는 단계 및 특정 위치에 위치한 상기 상품 이미지 및 상기 객체 참조 정보에 기초하여 상기 배경 이미지를 생성하여 상기 보정 이미지를 생성하는 단계를 포함하며, 상기 이미지 세그멘테이션 정보는, 배경 이미지에 관련한 하나 이상의 객체 각각의 위치를 개략적으로 나타낸 이미지 정보인 것을 특징으로 할 수 있다.본 발명의 다른 실시예에 따르면, 자연어 기반 상품 사진 생성 방법을 수행하기 위한 서버가 개시된다. 상기 서버는 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 전술한 자연어 기반 상품 사진 생성 방법을 수행할 수 있다.
본 발명의 또 다른 실시예에 따르면, 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하드웨어인 컴퓨터와 결합되어, 자연어 기반 상품 사진 생성 방법을 수행할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 사용자가 입력한 자연어에 대한 자연어 분석을 통해 사용자의 의도에 부합하는 배경 이미지를 획득하고, 이를 기반으로 원본 이미지를 보정하기 위한 방법을 제공할 수 있다. 즉, 사용자로부터 보정하고자 하는 사항을 자연어로 입력 받아, 특정 이미지의 배경 이미지를 보정함으로써, 보정에 관련한 전문적인 지식 없이, 사용자의 의도에 부합하는 이미지 보정 기능을 제공할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예와 관련된 자연어 기반 상품 사진 생성 방법을 구현하기 위한 시스템을 개략적으로 도시한 예시도이다.
도 2는 본 발명의 일 실시예와 관련된 자연어 기반 상품 사진 생성 방법을 수행하는 서버의 하드웨어 구성도이다.
도 3은 본 발명의 일 실시예와 관련된 자연어 기반 상품 사진 생성 방법을 예시적으로 나타낸 순서도를 도시한다.
도 4는 본 발명의 일 실시예와 관련된 배경 이미지를 획득하는 과정을 예시적으로 나타낸 순서도를 도시한다.
도 5는 본 발명의 일 실시예와 관련된 상품 이미지에 대응하는 상품 특성 정보를 획득하는 과정을 예시적으로 나타낸 순서도를 도시한다.
도 6은 본 발명의 일 실시예와 관련된 배경 이미지 데이터베이스에 저장된 정보들을 예시적으로 나타낸 예시도이다.
도 7은 본 발명의 일 실시예와 관련된 이미지 세그멘테이션 정보 및 해당 이미지 세그멘테이션 정보를 기반으로 생성된 보정 이미지를 예시적으로 나타낸 예시도이다.
도 8은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 발명내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예와 관련된 자연어 기반 상품 사진 생성 방법을 구현하기 위한 시스템을 개략적으로 도시한 예시도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예들에 따른 시스템은, 서버(100), 사용자 단말(200), 외부 서버(300) 및 네트워크(400)를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수 있다. 본 발명의 실시예들에 따른 서버(100), 외부 서버(300) 및 사용자 단말(200)은 네트워크(400)를 통해, 본 발명의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.
본 발명의 실시예들에 따른 네트워크(400)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크(400)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 발명의 실시예들에 따른 네트워크(400)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크(400)는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 실시예에 따르면, 자연어 기반 상품 사진 생성 방법을 제공하는 서버(100)(이하 '서버(100)')는 원본 이미지에 대응하는 보정 이미지를 생성할 수 있다.
서버(100)는 사용자의 자연어 입력에 따라 원본 이미지에 대한 보정을 수행하여 보정 이미지를 생성할 수 있다. 실시예에서, 원본 이미지에 대한 보정은, 배경 이미지를 변경하는 보정을 포함할 수 있다. 구체적으로, 서버(100)는 사용자 단말(200)로부터 원본 이미지 및 합성 컨셉 쿼리를 수신할 수 있으며, 원본 이미지에서 특정 객체를 식별하고, 합성 컨셉 쿼리에 기초하여 식별된 객체를 제외한 배경에 대한 보정을 수행할 수 있다.
여기서 원본 이미지는, 사용자가 강조하고자 하는 상품 이미지를 포함하는 이미지일 수 있다. 예컨대, 사용자는 특정 상품(예컨대, 시계)을 판매하고자 할 수 있으며, 이 경우, 특정 상품을 촬영하여 원본 이미지를 획득할 수 있다. 즉, 원본 이미지는, 사용자가 강조하고자 하는 특정 상품을 포함하는 이미지일 수 있다.
또한, 합성 컨셉 쿼리는, 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력일 수 있다. 예컨대, 합성 컨셉 쿼리는, 배경 사진의 색감, 컨셉, 분위기, 어울리는 사물의 종류 및 크기 등에 관련하여 사용자가 입력한 정보일 수 있다. 실시예에서, 합성 컨셉 쿼리는, 한 단어에 국한되지 않고, 컨셉을 포함하는 여러 단어의 나열이나 문장을 포함할 수 있다.
즉, 서버(100)는 원본 이미지 및 해당 원본 이미지의 보정 방향에 관련한 자연어 입력인 합성 컨셉 쿼리를 수신하는 경우, 해당 원본 이미지의 배경을 합성 컨셉 쿼리에 기반하여 보정하여 보정 이미지를 생성할 수 있다.
실시예에 따르면, 합성 컨셉 쿼리는, 상품 이미지에 관련한 상품 특성 정보를 더 포함할 수 있다.
좀 더 자세히 설명하면, 서버(100)는 원본 이미지에서 사용자가 강조하고자 하는 객체에 관련한 상품 이미지를 식별하고, 해당 상품 이미지를 획득할 수 있다. 서버(100)는 원본 이미지에서 상품 이미지만을 추출할 수 있다.
또한, 서버(100)는 상품 이미지에 대응하는 상품 특성 정보를 획득할 수 있다. 서버(100)는 이미지 분석 모델을 활용하여 상품 이미지 대응하는 상품 특성 정보를 획득할 수 있다. 여기서 상품 특성 정보는, 상품 이미지의 특성에 관한 정보로, 상품의 종류, 크기, 색상 및 형태상 특징에 관련한 자연어 형태의 정보를 포함할 수 있다. 예를 들어, 상품 특성 정보는, 상품 이미지가 고구마(즉, 식품)에 관한 것이며, 크기는 10cm에 해당하며, 색상은 보라색이라는 자연어 형태의 정보를 포함할 수 있다. 전술한 상품 특성 정보에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
실시예에서, 서버(100)는 상품 특성 정보를 포함하는 합성 컨셉 쿼리에 기초하여 배경 이미지를 획득할 수 있다. 즉, 서버(100)는 상품 자체의 분석 정보에 관련한 자연어 형태의 정보(즉, 상품 특성 정보)와 사용자가 원하는 보정 방향에 관련한 자연어 형태의 정보를 포함하는 합성 컨셉 쿼리를 기반으로, 원본 이미지에 합성하고자 하는 배경 이미지를 획득할 수 있다. 즉, 사용자가 원하는 자연어 입력과 상품 이미지의 특성에 기초하여 배경 이미지가 획득될 수 있다. 이는 사용자로 하여금 이미지에 대한 보정을 자연어 입력을 통해 처리할 수 있도록 하여 촬영 이미지의 보정 및 편집 과정에 편의성을 제공할 수 있다. 또한, 단순히 사용자가 입력한 정보들만을 고려하는 것이, 원본 이미지에 포함된 상품의 특성 또한 고려한 보정이 수행됨에 따라, 보다 적절한 이미지 보정이 수행된다는 장점이 있다. 서버가 수행하는 자연어 기반 상품 사진 생성 방법 및 이를 통해 야기되는 자세한 효과에 대한 보다 구체적인 설명은, 도 3을 참조하여 후술하도록 한다.
실시예에서, 도 1에서의 1개의 서버(100)만을 도시하고 있으나, 이보다 많은 서버들 또한 본 발명의 범위에 포함될 수 있다는 점 그리고 서버(100)가 추가적인 컴포넌트들을 포함할 수 있다는 점은 당해 출원분야에 있어서 통상의 지식을 가진 자에게 명백할 것이다. 즉, 서버(100)는 복수 개의 컴퓨팅 장치로 구성될 수도 있다. 다시 말해, 복수의 노드의 집합이 서버(100)를 구성할 수 있다.
본 발명의 일 실시예에 따르면, 서버(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 서버(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 발명의 서버(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 발명의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.
본 발명의 실시예에 따른 사용자 단말(200)은 서버(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 노드(들)를 의미할 수 있다. 사용자 단말(200)은 서버(100)와의 정보 교환을 통해 원본 이미지에 대응하는 보정 이미지를 제공받을 수 있는 단말로, 사용자가 소지한 단말을 의미할 수 있다. 예를 들어, 사용자 단말(200)은 특정 상품의 판매를 위하여 특정 상품에 관련한 이미지를 다수의 사용자들에게 노출시키고자 하는 사용자에 관련한 단말일 수 있다. 사용자 단말(200)은 서버(100)로부터 원본 이미지에 대응하는 보정 이미지를 제공받을 수 있다. 여기서, 보정 이미지는, 원본 이미지에서 특정 객체에 대응하는 배경 이미지가 변경 또는 보정된 것을 의미할 수 있다.
실시예에 따르면, 서버(100)는 사용자 단말(200)로부터 원본 이미지를 수신하는 경우, 해당 원본 이미지에 대한 보정을 수행하여 보정 이미지를 생성할 수 있다. 일 예로, 원본 이미지에 대하여 수행되는 보정은, 원본 이미지 내에 포함된 상품의 판매량을 증진시키기 위한 가공으로, 특정 객체의 배경을 보정하는 것을 포함할 수 있다. 일 실시예에서, 사용자 단말(200)은 원본 이미지와 함께 해당 원본 이미지의 보정 방향(또는 컨셉)에 관한 자연어 입력 정보(즉, 합성 컨셉 쿼리)를 서버(100)로 전송할 수 있으며, 서버(100)는 자연어 입력 정보에 기반하여 원본 이미지에 대한 보정을 수행할 수 있다. 예컨대, 사용자로부터 "탁자 위에 놓여진 상태로, 배경은 어둡게" 라는 자연어 입력 정보를 수신하는 경우, 서버(100)는 원본 이미지에서 특정 객체 이미지(즉, 상품 이미지)에 탁자에 관련하며, 어두운 분위기의 배경 이미지를 획득하고, 이를 특정 객체 이미지에 합성하여 보정 이미지를 생성할 수 있다. 전술한 자연어 입력 정보에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이이 제한되지 않는다.
즉, 사용자는 전문적인 촬영기술, 또는 촬영 장소나 보정 기술이 없더라도, 서버(100)가 제공하는 자연어 기반 상품 사진 생성 방법을 통해 자신이 원하는 자연어 입력에 대응하는 보정 이미지를 획득할 수 있다.
사용자 단말(200)은 서버(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(200)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(200)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(200)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 서버(100)와 연결될 수 있으며, 서버(100)가 자연어 기반 상품 사진 생성 방법을 수행하기 위해 필요한 각종 정보/데이터를 제공하거나, 자연어 기반 상품 사진 생성 방법을 수행함에 따라 도출되는 결과 데이터를 제공받아 저장 및 관리할 수 있다. 예를 들어, 외부 서버(300)는 서버(100)의 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다.
또한, 실시예에서, 외부 서버(300)에 저장된 정보들은 본 발명의 인공신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(300)는 본 발명의 인공지능 모델을 학습시키기 위한 데이터들을 저장하고 있을 수 있다. 본 발명의 서버(100)는 외부 서버(300)로부터 수신되는 정보들에 기초하여 복수의 학습 데이터 세트를 구축할 수 있다. 서버(100)는 복수의 학습 데이터 세트 각각을 통해 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 복수의 인공지능 모델을 생성할 수 있다.
외부 서버(300)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(300)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 이하, 도 2를 참조하여, 자연어 기반 상품 사진 생성 방법을 수행하는 서버(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 2는 본 발명의 일 실시예와 관련된 자연어 기반 상품 사진 생성 방법을 수행하는 서버의 하드웨어 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예와 관련된 자연어 기반 상품 사진 생성 방법을 수행하는 서버(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(110)는 통상적으로 서버(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 또는 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.
또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 서버(100)는 하나 이상의 프로세서를 구비할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 자연어 기반 상품 사진 생성 방법을 제공할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.
버스(130)는 서버(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(140)는 서버(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.
스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 서버(100)를 통해 자연어 기반 배경 이미지 합성 프로세스를 수행하는 경우, 스토리지(150)는 자연어 기반 배경 이미지 합성 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.
스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(151)은 사용자 단말로부터 원본 이미지 및 합성 컨셉 쿼리를 수신하는 단계, 원본 이미지로부터 상품 이미지를 획득하는 단계, 상품 이미지 및 합성 컨셉 쿼리에 기초하여 배경 이미지를 획득하는 단계 및 상품 이미지 및 배경 이미지에 기초하여 보정 이미지를 생성하는 단계를 포함하는 자연어 기반 상품 사진 생성 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 도 7을 참조하여, 서버(100)에 의해 수행되는 자연어 기반 상품 사진 생성 방법에 대하여 구체적으로 후술하도록 한다.
도 3은 본 발명의 일 실시예와 관련된 자연어 기반 상품 사진 생성 방법을 예시적으로 나타낸 순서도를 도시한다. 도 3에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 이하의 단계들은 본 발명의 일 실시예에 불과할 뿐, 본 발명의 권리 범위는 이에 제한되지 않는다.
본 발명의 일 실시예에 따르면, 자연어 기반 상품 사진 생성 방법은, 원본 이미지 및 합성 컨셉 쿼리를 획득하는 단계(S110)를 포함할 수 있다. 실시예에서, 원본 이미지 및 합성 컨셉 쿼리의 획득은 메모리(120)에 저장된 데이터를 수신하거나 또는 로딩(loading)하는 것일 수 있다. 원본 이미지 및 합성 컨셉 쿼리의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체에, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 복수의 학습 데이터를 수신하거나 또는 로딩하는 것일 수 있다. 예컨대, 원본 이미지 및 합성 컨셉 쿼리는 사용자 단말로부터 수신될 수 있다.
합성 컨셉 쿼리는 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력인 것을 특징으로 할 수 있다. 예컨대, 합성 컨셉 쿼리는, 생성할 배경의 형태나 컨셉에 대한 묘사를 자연어 형태로 입력한 정보일 수 있다. 사용자는 사용자 단말을 통해 자신이 원본 이미지를 보정하고자 하는 방향을 자연어 형태로 입력하게 되며, 이에 따라 합성 컨셉 쿼리가 생성될 수 있다. 예를 들어, 합성 컨셉 쿼리는, '노란색 배경 삽입'이라는 자연어 형태의 정보를 포함할 수 있다. 다른 예를 들어, 합성 컨셉 쿼리는, '상품 이미지가 탁자에 올려져 있으며, 해당 상품 이미지에 핀 조명이 비춰지는 컨셉'이라는 자연어 형태의 정보를 포함할 수 있다. 전술한 합성 컨셉 쿼리에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다. 사용자 단말(200)에서 생성된 합성 컨셉 쿼리는, 원본 이미지와 함께 서버(100)로 전송될 수 있다.
일 실시예에 따르면, 합성 컨셉 쿼리는, 상품 이미지에 대응하는 상품 특성 정보를 더 포함할 수 있다. 서버(100)는 상품 이미지에 대응하는 상품 특성 정보를 획득할 수 있으며, 이를 사용자로부터 수신한 자연어 입력에 병합하여 합성 컨셉 쿼리를 생성할 수 있다. 즉, 합성 컨셉 쿼리는, 원본 이미지 보정 방향에 관련한 사용자의 자연어 입력 및 상품 이미지에 대응하는 상품 특성에 관련한 자연어 형태의 정보를 포함할 수 있다. 상품 특성 정보를 획득하는 구체적인 과정은 도 5를 통해 후술하도록 한다.
본 발명의 일 실시예에 따르면, 자연어 기반 상품 사진 생성 방법은, 원본 이미지로부터 상품 이미지를 획득하는 단계(S120)를 포함할 수 있다.
일 실시예에서, 원본 이미지는, 상품에 관한 이미지인 상품 이미지를 포함하는 이미지일 수 있다. 상품 이미지는 사용자가 강조하고 하는 객체에 관련한 상품 이미지일 수 있다. 구체적인 예를 들어, 사용자는 시계를 판매하기 위해 시계를 촬영하여 원본 이미지를 획득할 수 있다. 이 경우, 원본 이미지는 사용자가 판매하고자 하는 시계에 관련한 상품 이미지를 포함하고 있을 수 있다. 즉, 상품 이미지는 사용자가 판매하고자 하는 시계에 관련한 이미지일 수 있다. 실시예에서, 원본 이미지에는, 사용자가 판매하고자 하는 상품 이미지 이외에 다른 객체 각각에 관련한 객체 이미지가 더 포함되어 있을 수 있다. 일 예로, 시계를 탁자에 올려둔 상태로 원본 이미지가 획득된 경우, 시계에 관련한 상품 이미지 외의 탁자에 관련한 객체 이미지가 존재할 수도 있다.
실시예에서, 서버(100)는 원본 이미지에서 사용자가 강조하고자 하는 특정 상품 이미지를 제외한 배경 이미지에 대한 보정을 수행할 수 있다. 이를 위해, 서버(100)는, 원본 이미지 내에서 상품 이미지를 식별하고, 해당 상품 이미지를 획득할 수 있다.
구체적으로, 상품 이미지를 획득하는 단계는 객체 인식 모델을 활용하여 원본 이미지에서 복수의 객체 이미지를 식별하는 단계를 포함할 수 있다. 실시예에서, 객체 인식 모델은, 이미지 내에서 다양한 객체들을 인식하도록 학습된 신경망 모델일 수 있다. 객체 인식 모델은, 이미지 내에서 후보 영역을 생성하고 이를 기반으로 CNN을 학습시켜 영상 내 객체의 위치를 찾아내는 R-CNN을 통해 구성될 수 있다. 실시예에 따르면, R-CNN은 입력된 이미지에서 선택적 탐색(Selective Search) 알고리즘을 이용하여 후보 영역들을 생성하고, 생성된 각 후보 영역들을 동일한 크기로 변환하고, CNN을 통해 특징을 추출할 수 있다. 또한, R-CNN은 추출된 특징을 이용하여 후보 영역 내의 객체를 SVM(Support Vector Machine)을 이용하여 분류함으로써 객체를 인식할 수 있다. 객체 인식 모델은, 전술한 R-CNN 모델 이외에도, AlexNet, ZFNet, ResNet, VGG, DenseNet 등 다양한 구조의 CNN 모델을 통해 구비될 수 있다. 서버(100)는 객체 인식 모델을 활용하여 상품 이미지 내에 포함된 복수의 객체 각각을 식별할 수 있다.
상품 이미지를 획득하는 단계는, 복수의 객체 이미지 각각의 이미지 식별 정보 및 이미지 특성 정보 중 적어도 하나에 기초하여 복수의 객체 이미지 중 적어도 하나의 객체 이미지를 상품 이미지로 결정하는 단계를 포함할 수 있다.
구체적인 예를 들어, 원본 이미지는 특정 음식을 강조하고자 하는 상품 이미지를 포함할 수 있다. 사용자는 특정 음식에 관련한 촬영을 통해 원본 이미지를 획득할 수 있다. 이 경우, 원본 이미지는 특정 음식에 관련한 상품 이미지 외에 다양한 객체 이미지를 더 포함하고 있을 수 있다. 예컨대, 원본 이미지는 '식탁'에 관련한 제1객체, '물병'에 관련한 제2객체 및 '컵'에 관련한 제3객체를 더 포함하고 있을 수 있다.
실시예에서, 서버(100)는 원본 이미지에 포함된 복수의 객체 이미지 각각의 이미지 식별 정보에 기초하여 상품 이미지를 선정할 수 있다. 구체적으로, 사용자 단말(200)의 사용자는 원본 이미지와 함께, 상품 이미지에 관련한 상품 식별 정보를 전송할 수 있다. 서버(100)는 원본 이미지에 포함된 객체들 각각을 인식할 수 있으며, 사용자로부터 수신한 객체 식별 정보와 객체들 각각을 통해 인식된 객체 식별 정보를 비교하여 복수의 객체 이미지 중 적어도 하나의 객체 이미지를 상품 이미지로 결정할 수 있다. 예컨대, 사용자 단말로부터 수신한 상품 식별 정보가 시계에 관련한 경우, 서버(100)는 원본 이미지에서 존재하는 객체들 중 객체식별 정보가 시계인 객체 이미지를 상품 이미지로 선정할 수 있다.
또한, 실시예에서, 서버(100)는 원본 이미지에 포함된 복수의 객체 이미지 각각의 이미지 특성 정보에 기초하여 상품 이미지를 선정할 수 있다. 이미지 특성 정보는, 이미지 내에서 각 이미지의 크기에 대한 정보, 인식 정확도에 대한 정보 및 위치에 대한 정보를 포함할 수 있다.
구체적인 실시예에서, 서버(100)는 원본 이미지 내에서의 복수의 객체 이미지 각각의 크기에 대한 정보에 기초하여 상품 이미지를 식별할 수 있다. 예컨대, 사용자가 강조하고자 하는 상품 이미지는, 원본 이미지 내에서 차지하는 비율 또는 크기가 가장 클 수 있다. 이에 따라, 서버(100)는 원본 이미지 내에서 가장 큰 영역을 차지하는 객체 이미지를 상품 이미지로 결정할 수 있다.
또한, 실시예에서, 서버(100)는 원본 이미지 내에서 복수의 객체 이미지 각각의 위치에 대한 정보에 기초하여 상품 이미지를 식별할 수 있다. 예컨대, 사용자가 강조하고자 하는 상품 이미지는, 원본 이미지의 중심 영역에 위치할 수 있다. 이에 따라, 서버(100)는 원본 이미지에서 가장 중심부 영역에 위치한 객체 이미지를 상품 이미지로 결정할 수 있다.
또한, 실시예에서, 서버(100)는 원본 이미지 내에서 복수의 객체 이미지 각각의 인식 정확도에 대한 정보에 기초하여 상품 이미지를 식별할 수 있다. 예컨대, 사용자가 강조하고자 하는 상품 이미지는, 원본 이미지 내에서 초점이 가장 집중될 수 있으며, 이에 따라, 상품 이미지의 인식 정확도가 가장 높을 수 있다. 따라서, 서버(100)는 원본 이미지에서 인식 정확도가 가장 높은 객체 이미지를 상품 이미지로 결정할 수 있다.
전술한 바와 같이, 서버(100)는 원본 이미지 내에서 객체 이미지가 차지하는 비율, 위치 및 인식 정확도에 관한 정보를 포함하는 이미지 특성 정보에 기초하여 복수의 객체 이미지 중 적어도 하나의 객체 이미지를 상품 이미지로 결정할 수 있다. 서버(100)는 원본 이미지 내에서 상품 이미지를 결정하여 획득하는 경우, 해당 상품 이미지를 제외한 배경 영역에 대한 보정을 수행할 수 있다. 예컨대, 상품 이미지를 제외한 배경 영역에 새로운 배경 이미지를 합성시켜, 배경 이미지가 보정된 보정 이미지를 생성할 수 있다.
본 발명의 일 실시예에 따르면, 자연어 기반 상품 사진 생성 방법은, 상품 이미지 및 합성 컨셉 쿼리에 기초하여 배경 이미지를 획득하는 단계(S130)를 포함할 수 있다. 상품 이미지는, 전술한 바와 같이, 원본 이미지 내에서 사용자가 강조하고자 하는 객체에 관련한 이미지일 수 있다.
합성 컨셉 쿼리는, 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력일 수 있다. 합성 컨셉 쿼리는 예를 들어, 배경 사진의 색감, 컨셉, 분위기, 어울리는 사물의 종류 및 크기 등에 관련하여 사용자가 입력한 정보일 수 있다. 실시예에서, 합성 컨셉 쿼리는, 한 단어에 국한되지 않고, 컨셉을 포함하는 여러 단어의 나열이나 문장을 포함할 수 있다.
구체적인 예를 들어, 사용자의 입력에 기반하여 '차분한 색의 배경'이라는 합성 컨셉 쿼리가 생성될 수 있다. 다른 예를 들어, 사용자의 입력에 기반하여 '산뜻한 느낌의 배경'이라는 합성 컨셉 쿼리가 생성될 수 있다. 또 다른 예를 들어, 사용자의 입력에 기반하여 '상품 이미지가 탁자 위에 올려진 상태로, 배경은 어둡게'이라는 합성 컨셉 쿼리가 생성될 수 있다. 전술한 합성 컨셉 쿼리에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
도 4를 참조하여 자세히 설명하면, 배경 이미지를 획득하는 단계는, 자연어 임베딩 모델을 통해 합성 컨셉 쿼리에 대응하는 생성 컨셉 키를 추출하는 단계(S210)를 포함할 수 있다. 생성 컨셉 키는, 합성 컨셉 쿼리에 대응하는 임베딩 벡터일 수 있다. 생성 컨셉 키는, 사용자의 자연어 입력에 관련하여 추출되는 임베딩 벡터일 수 있다.
실시예에서, 생성 컨셉 키는, 공통 생성 컨셉 키 및 개별 생성 컨셉 키를 포함할 수 있다. 공통 컨셉 생성 키는, 사용자가 지정한 상품 군에 대응하는 상품 이미지들에 대응하여 공통적인 보정 컨셉을 부여한 것일 수 있다. 예컨대, 사용자는, 특정 상품들을 지정하여 지정 상품 군으로 등록할 수 있다. 예를 들어, 가방, 지갑 및 장갑에 관련한 상품을 지정 상품 군으로 등록할 수 있다. 실시예에서, 지정 상품 군으로 등록된 가방, 지갑 또는 장갑 중 적어도 하나가 상품 이미지로 식별되어 보정이 수행되는 경우, 해당 보정 내용에 대응하는 컨셉 생성 키는, 공통 생성 컨셉 키로써 업데이트될 수 있다. 다시 말해, 지정 상품 군으로 등록된 상품 이미지에 대한 보정이 수행되는 경우, 해당 지정 상품 군에 대응하는 공통 생성 컨셉 키가 업데이트될 수 있다.
개별 생성 컨셉 키는, 개별 상품 이미지 각각에 대응하여 개별적인 보정 컨셉을 부여한 것일 수 있다. 예컨대, 특정한 지정 상품 군을 별도로 저장하지 않는 경우, 각 개별 상품 이미지에 개별적인 컨셉의 보정이 수행될 수 있으며, 공통 생성 컨셉 키에 대한 업데이트는 수행되지 않는다.
실시예에서, 자연어 임베딩 모델은, 자연어에 대응하는 임베딩 벡터를 추출하는 신경망 모델인 것을 특징으로 할 수 있다. 실시예에서, 자연어 임베딩 모델은, 학습된 오토 인코더(Autoencoder)에서 차원 감소 네트워크 함수를 통해 구성될 수 있다.
일 실시예에 따르면, 서버(100)는 오토 인코더를 비지도 학습(Unsupervised Learning) 방식을 통해 학습시킬 수 있다. 구체적으로, 서버(100)는 입력 데이터와 유사한 출력 데이터를 출력하도록 오토 인코더를 구성하는 차원 감소 네트워크 함수(예컨대, 인코더) 및 차원 복원 네트워크 함수(예컨대, 디코더)를 학습시킬 수 있다.
차원 감소 네트워크 함수를 통한 인코딩 과정에서 입력된 자연어 입력(합성 컨셉 쿼리 또는 배경 특성 정보에 관련한 자연어 입력)의 핵심 특징 데이터(또는 피처(feature)) 만을 히든 레이어를 통해 학습하고, 나머지 정보를 손실시킬 수 있다. 이 경우, 차원 복원 네트워크 함수를 통한 디코딩 과정에서 히든 레이어의 출력 데이터는 완벽한 복사 값이 아닌 입력 데이터의 근사치일 수 있다. 즉, 서버(100)는 출력 데이터와 입력 데이터가 최대한 같아지도록 가중치를 조정함으로써, 오토 인코더를 학습시킬 수 있다.
오토인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 입력 데이터의 항목들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
서버(100)는 자연어 입력(합성 컨셉 쿼리 또는 배경 특성 정보에 관련한 자연어 입력)이 각각 태깅된 복수의 학습 데이터를 포함하는 학습 데이터 세트를 학습된 차원 감소 네트워크 함수의 입력으로 하여 출력된 특징 데이터 각각을 태깅된 자연어 입력과 매칭하여 저장할 수 있다. 구체적으로, 서버(100)는 제1합성 컨셉 쿼리가 태깅된 제1학습 데이터를 차원 감소 네트워크 함수의 입력으로 하여, 제1학습 데이터에 대한 특징 데이터(즉, 피처)를 획득할 수 있다. 획득된 특징 데이터는 벡터로 표현될 수 있다. 서버(100)는 벡터로 표현된 제1학습 데이터에 관련한 특징 데이터를 제1합성 컨셉 쿼리와 매칭하여 저장할 수 있다.
학습된 오토인코더의 차원 감소 네트워크 함수의 경우, 차원 복원 네트워크 함수가 입력 데이터를 잘 복원할 수 있도록 하는 특징을 잘 추출하도록 학습된 것일 수 있다. 따라서, 자연어 임베딩 모델이 학습된 오토인코더 중 차원 감소 네트워크 함수를 통해 구현됨에 따라, 입력 데이터(예컨대, 자연어 입력)를 잘 복원할 수 있도록 하는 특징들을 추출할 수 있다. 따라서, 자연어 임베딩 모델이 학습된 오토인코더 중 차원 감소 네트워크 함수를 통해 구현됨에 따라, 입력 데이터(예컨대, 자연어 입력)를 잘 복원할 수 있도록 있는 특징들을 추출할 수 있다.
이에 따라, 자연어 임베딩 모델은 자연어 입력(합성 컨셉 쿼리 또는 배경 특성 정보에 관련한 자연어 입력)을 입력으로 하는 경우, 해당 자연어 입력을 차원 감소 네트워크 함수를 이용하여 연산하여 자연어 입력에 대응하는 피처를 추출할 수 있다. 실시예에서, 차원 감소 네트워크 함수는 유사한 의미를 가진 자연어 입력들의 피처(임베딩 벡터)들은 비교적 가까운 위치에 출력할 수 있으며, 자연어 입력 간 의미가 상반될수록, 각 입력에 관련한 피처들의 상대 위치는 멀어질 수 있다. 즉, 유사한 자연어 입력일수록 피처들 간의 거리가 가까울 수 있으며, 서로 상이한 자연어 입력일수록 피처들 간의 거리가 멀어질 수 있다.
다양한 실시예에서, 합성 컨셉 쿼리는, 상품 이미지에 대응하는 상품 특성 정보를 더 포함할 수 있다. 서버(100)는 상품 이미지에 대응하는 상품 특성 정보를 획득할 수 있으며, 이를 사용자로부터 수신한 자연어 입력에 병합하여 합성 컨셉 쿼리를 생성할 수 있다.
실시예에서, 배경 이미지를 획득하는 단계는 상품 특성 정보를 획득하는 단계를 포함할 수 있다. 상품 특성 정보는, 상품 이미지의 특성에 관한 정보로, 상품의 종류, 크기, 색상 및 형태상 특징에 관련한 자연어 형태의 입력 정보를 포함할 수 있다. 이러한 상품 특성 정보는 상품 이미지에 대한 이미지 분석을 통해 획득될 수 있다.
보다 구체적으로, 도 5를 참조하면, 상품 특성 정보를 획득하는 단계는, 이미지 분석 모델을 활용하여 상품 이미지에 관련한 복수 개의 특징 정보를 추출하는 단계(S310)를 포함할 수 있다. 서버(100)는 상품 이미지를 이미지 분석 모델의 입력으로 처리하여 상품 이미지에 대응하는 복수 개의 특징 정보를 획득할 수 있다. 이미지 분석 모델은, 특정 이미지를 입력으로 하는 경우, 입력된 이미지에 대한 분석 정보를 출력하도록 학습된 신경망 모델일 수 있다. 이미지 분석 모델은, 이미지에 포함된 색상, 형태, 크기 등에 관련한 정보들을 출력할 수 있다.
또한, 상품 특성 정보를 획득하는 단계는, 복수 개의 특징 정보에 기초하여 상품 특성 정보를 생성하는 단계(S320)를 포함할 수 있다. 즉 서버(100)는, 상품 이미지를 이미지 분석 모델의 입력으로 처리함에 따라 추출되는 출력을 통해 상품 특성 정보를 생성할 수 있다. 예를 들어, 상품 특성 정보는, 상품 이미지가 시계에 관련하며, 색상은 검은색에 관련한다는 정보를 포함할 수 있다. 전술한 상품 특성 정보에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
서버(100)는 상품 이미지에 대응하는 상품 특성 정보를 획득할 수 있으며, 이를 사용자로부터 수신한 자연어 입력에 병합하여 합성 컨셉 쿼리를 생성할 수 있다. 즉, 합성 컨셉 쿼리는, 보정 방향에 대한 사용자의 자연어 입력 및 상품 이미지의 특성에 관련한 자연어 형태의 정보를 모두 포함할 수 있다. 이 경우, 해당 합성 컨셉 쿼리에 대응하여 생성되는 생성 컨셉 키는, 사용자가 의도하는 보정 방향 및 상품 이미지의 특성에 관련한 정보에 대응하여 추출된 임베딩 벡터일 수 있다. 다시 말해, 생성 컨셉 키는, 사용자의 자연어 입력 및 상품 특성 정보에 대응하는 임베딩 벡터일 수 있다.
또한, 배경 이미지를 획득하는 단계는, 생성 컨셉 키를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 복수의 배경 임베딩 벡터를 선별하는 단계(S220)를 포함할 수 있다.
실시예에서, 자연어 임베딩 모델은 합성 컨셉 쿼리에 대응하여 피처가 표시된 영역과 복수의 배경 특성 정보 별 특징 데이터의 벡터 공간 상의 거리 비교를 통해 두 자연어 간 유사성을 평가할 수 있으며, 해당 유사성 평가에 기반하여 합성 컨셉 쿼리에 대응하는 배경 이미지를 획득할 수 있다.
구체적인 실시예에서, 생성 컨셉 키를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 하나 이상의 배경 임베딩 벡터를 선별하는 단계는, 생성 컨셉 키에 서로 상이한 복수의 랜덤 키 각각을 병합하여 복수의 합성 컨셉 키를 생성하는 단계 및 배경 이미지 데이터베이스로부터 복수의 합성 컨셉 키 각각에 대응하는 복수의 임베딩 벡터를 선별하는 단계를 포함할 수 있다.
자세히 설명하면, 서버(100)는 생성 컨셉 키에 서로 상이한 복수의 랜덤 키 각각을 병합하여 복수의 합성 컨셉 키를 생성할 수 있다. 여기서 복수의 랜덤 키는, 사용자가 입력한 자연어에 관련한 생성 컨셉 키에 일정 이상의 변형을 인가하기 위한 것으로, 각각이 서로 상이한 것일 수 있다. 예컨대, 복수의 랜덤 키는, 생성 컨셉 키 보다 비중이 작은 특징을 포함할 수 있다. 여기서 비중이 작다는 것은, 각 컨셉 키 간의 변화가 크지 않음을 의미할 수 있다.
구체적인 예를 들어, 사용자의 자연어 입력(즉, 합성 컨셉 쿼리)에 대응하는 생성 컨셉 키에 제1 내지 제5랜덤 키 각각이 병합됨에 따라, 5개의 합성 컨셉 키, 즉, 제1합성 컨셉 키 내지 제5합성 컨셉 키가 생성될 수 있다. 이 경우, 각 합성 컨셉 키는, 서로 상이한 랜덤 키가 병합된 것임에 따라, 서로 조금씩 상이할 수 있다. 다시 말해, 각 합성 컨셉 키 간의 벡터 공간 상의 위치는 서로 상이할 수 있다. 전술한 복수의 랜덤 키 및 복수의 합성 컨셉 키에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.
일 실시예에서, 배경 이미지 데이터베이스는, 복수 개의 배경 이미지 각각에 대응하는 복수 개의 배경 특성 정보 및 복수 개의 배경 특성 정보 각각에 대응하는 복수의 배경 임베딩 벡터에 관한 정보를 포함하여 구비될 수 있다. 여기서 배경 특성 정보는, 다양한 배경 이미지 각각에 관련한 특징 정보가 자연어 형태로 기록된 정보일 수 있다. 배경 특성 정보는, 복수 개의 배경 이미지 각각에 관련한 설명이 자연어 형태로 기록된 정보일 수 있다. 실시예에서, 배경 특성 정보는, 이미지 분석 모델의 분석 결과를 통해 획득되거나, 또는 사용자의 입력을 통해 획득될 수 있다. 예를 들어, 도 6에 도시된 바와 같이, 제1배경 이미지에 대응하는 제1배경 특성 정보는, 제1배경 이미지가 해변에 관련한 이미지이며, 청량감을 가진 이미지이고, 해당 이미지와 빨간색이나, 주황색, 노란색 등의 따뜻한 색감과 잘 어울린다는 정보, 스포츠 음료와 잘 어울린다는 정보 등을 포함할 수 있다. 즉, 배경 특성 정보는, 특정 배경에 관련한 색감 정보, 식별된 색감과 어울리는 색감에 관련한 정보 및 식별된 색감과 어울리는 객체에 관련한 정보를 포함할 수 있다. 배경 이미지 데이터베이스에는, 도 6에 도시된 바와 같이, 복수 개의 배경 이미지, 각 배경 이미지에 대응하는 배경 특성 정보 그리고 각 배경 특성 정보에 대응하는 배경 임베딩 벡터에 관한 정보를 포함할 수 있다.
실시예에서, 서버(100)는 자연어 임베딩 모델을 활용하여 복수 개의 배경 특성 정보 각각에 대응하는 복수 개의 배경 임베딩 벡터를 추출할 수 있으며, 이를 통해 배경 이미지 데이터베이스를 구축할 수 있다.
다시 말해, 배경 이미지 데이터베이스는, 복수 개의 배경 이미지와 각 배경 이미지에 대응하는 복수 개의 배경 임베딩 벡터를 저장하고 있을 수 있다.
서버(100)는 합성 컨셉 쿼리 각각에 대응하는 피처들(즉, 복수의 합성 컨셉 키) 각각이 표시된 영역과 복수의 배경 특성 정보 별 특징 데이터(즉, 각 배경 이미지에 대응하는 배경 임베딩 벡터)들의 벡터 공간 상의 거리 비교를 통해 자연어들 간 유사성을 평가할 수 있다. 실시예에서, 유사성 평가는, 두 벡터 사이의 각도를 계산하여 유사도를 평가하는 코사인 유사도(Cosine Similarity) 비교를 통해 수행될 수 있다. 또한, 실시예에서, 유사성 평가는, 벡터 공간 상에서의 두 개의 피처에 관련한 유클리드 거리를 활용하여 유사성을 평가하는 유클리디안 거리(Euclidean Distance)에 기반하여 수행될 수 있다. 이에 따라, 합성 컨셉 쿼리에 대응하는 복수의 배경 임베딩 벡터가 획득될 수 있다.
보다 구체적으로, 합성 컨셉 쿼리에 대응하는 복수의 합성 컨셉 키 각각과 가까운 배경 피처일수록, 유사도가 높은 것으로 평가할 수 있다. 실시예에서, 서버(100)는 각 합성 컨셉 키와 일정 기준치 이상의 유사도를 갖는 배경 피처(즉 배경 임베딩 벡터)들을 선별할 수 있으며, 각 배경 피처에 대응하는 배경 이미지들을 선별할 수 있다. 즉, 서버(100)는 배경 데이터베이스에서, 각 합성 컨셉 키와 일정 이상의 유사도를 가진 배경 임베딩 벡터들을 선별하여, 복수의 배경 이미지를 획득할 수 있다. 실시예에서, 서버(100)는 선별된 배경 이미지들 각각 유사도를 기준으로 내림차순으로 정렬할 수 있다.
또한, 배경 이미지를 획득하는 단계는, 복수의 배경 이미지에 대한 사용자의 선택에 기초하여 보정을 수행할 배경 이미지를 결정하는 단계(S240)를 포함할 수 있다.
전술한 바와 같이, 사용자의 자연어 입력에 관련한 합성 컨셉 쿼리에 대응하여 복수 개의 합성 컨셉 키가 획득될 수 있으며, 배경 이미지 데이터베이스로부터 복수 개의 합성 컨셉 키 각각과 유사한 복수 개의 배경 이미지가 획득될 수 있다. 획득된 복수 개의 배경 이미지는 사용자 단말에 표시될 수 있으며, 사용자는 자신의 단말에 표시된 복수 개의 배경 이미지 중 적어도 하나의 배경 이미지를 선택할 수 있다. 예컨대, 사용자 단말에 제1배경 이미지 내지 제5배경 이미지가 표시될 수 있으며, 이 중 사용자는 제2배경 이미지를 선택할 수 있다. 이 경우, 서버(100)는 사용자의 선택에 관련한 제2배경 이미지를 통해 상품 이미지에 대한 보정을 수행할 수 있다. 즉, 사용자는 자신의 자연어 입력에 관련한 복수 개의 배경 이미지를 제공받게 되며, 해당 복수 개의 배경 이미지 중 특정 배경 이미지를 선택하여 보정에 활용될 배경 이미지를 결정할 수 있다.
본 발명의 일 실시예에 따르면, 자연어 기반 상품 사진 생성 방법은, 상품 이미지 및 배경 이미지에 기초하여 보정 이미지를 생성하는 단계(S140)를 포함할 수 있다.
정리하면, 서버(100)는 사용자 단말로부터 원본 이미지 및 원본 이미지의 보정 방향에 관련한 자연어 입력인 합성 컨셉 쿼리를 수신하는 경우, 원본 이미지에 대한 보정을 수행할 수 있다. 일 예로, 원본 이미지에 대하여 수행되는 보정은, 원본 이미지 내에 포함된 상품의 판매량을 증진시키기 위한 가공으로, 특정 객체의 배경을 보정하는 것을 포함할 수 있다.
실시예에서, 서버(100)는 원본 이미지에서 상품 이미지를 획득하고, 상품 이미지에 대응하는 상품 특성 정보를 획득할 수 있으며, 해당 상품 특성 정보를 사용자의 자연어 입력과 병합하여 합성 컨셉 쿼리를 생성할 수 있다. 이에 따라, 서버(100)는 합성 컨셉 쿼리는, 배경 보정에 관련한 사용자의 자연어 입력 뿐만 아니라, 상품 이미지에 관련한 상품 특성 정보를 더 포함할 수 있다. 즉, 서버(100)는 사용자의 요구에 관련한 자연어 형태의 입력만을 고려하여 원본 이미지에 대한 보정을 수행하는 것이 아닌, 상품 이미지의 특성을 함께 고려하여 보정을 수행할 수 있다.
서버(100)는 배경 보정에 관련한 사용자의 자연어 입력(즉, 합성 컨셉 쿼리) 및 상품의 특징에 관련한 자연어 입력(즉, 상품 특성 정보)을 포함하는 합성 컨셉 쿼리에 기반하여 배경 이미지 데이터베이스에 대한 검색을 수행할 수 있다. 실시예에서, 본 발명에서 배경 이미지 데이터베이스에서의 이미지 검색은, 각 배경 이미지의 임베딩 벡터를 활용한 이미지 검색일 수 있다. 구체적으로, 서버(100)는 자연어 임베딩 모델을 활용하여 합성 컨셉 쿼리에 대응하는 생성 컨셉 키를 추출할 수 있다. 서버(100)는 생성 컨셉 키를 복수 개의 랜덤 키 각각과 병합하여 복수 개의 합성 컨셉 키를 생성할 수 있다.
또한, 서버(100)는 복수 개의 합성 컨셉 키와 복수의 배경 특성 정보 각각에 대응하는 배경 임베딩 벡터들 간의 비교를 통해 자연어들 간 유사성을 평가할 수 있으며, 유사도가 높은 배경 임베딩 벡터들에 대응하는 배경 이미지들을, 보정에 활용한 배경 이미지로 결정할 수 있다.
다시 말해, 서버(100)는 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력과 해당 원본 이미지 상에서 상품 이미지의 특성을 포함하는 합성 컨셉 쿼리를 고려하여 배경 이미지 데이터베이스에서 적절한 배경 이미지를 선정할 수 있으며, 선정된 배경 이미지를 통해 원본 이미지에 대한 보정을 수행할 수 있다. 이 경우, 상품 이미지를 제외한 배경 영역이 배경 이미지를 통해 보정될 수 있다. 즉, 상품 이미지에 새로운 배경 이미지가 합성된 보정 이미지가 생성될 수 있다.
실시예에서, 본 발명의 경우, 사용자가 원하는 보정 방향에 따른 배경 이미지를 통해 원본 이미지에 대한 보정이 수행되되, 원본 이미지에 포함된 상품 이미지의 특성이 고려된 배경 이미지가 선정되므로, 상품에 보다 적합한 보정이 수행된다는 장점이 있다. 즉, 단순히 사용자가 입력한 정보들만을 고려하는 것이 아닌, 원본 이미지에 포함된 상품의 특성 또한 고려한 보정이 수행됨에 따라, 보다 적절한 이미지 보정이 수행된다는 장점이 있다. 추가적으로, 사용자는 자신이 원하는 보정 사항을 간단한 자연어 형태의 입력을 통해 원본 이미지에 대응한 보정이 수행되도록 할 수 있다. 즉, 촬영 이미지의 보정 및 편집 과정이 최소화될 수 있어, 편의성이 향상되는 효과를 제공할 수 있다.
다양한 실시예에서, 자연어 기반 상품 사진 생성 방법은, 생성 아이덴티티 컨셉을 복수의 사용자 단말에 제공하는 단계를 포함할 수 있다. 생성 아이덴티티 컨셉은, 특정 컨셉을 가진 보정 방법에 관련한 것 일 수 있다. 예컨대, 생성 아이덴티티 컨셉은, 특정 브랜드에 관련한 컨셉을 가진 보정 방법일 수 있다. 또한, 예를 들어, 생성 아이덴티티 컨셉은, 특정 계절이나, 특정 지역 특성에 관련한 컨셉을 가진 보정 방법일 수 있다. 전술한 생성 아이덴티티 컨셉에 대한 구체적인 기재는 예시일 뿐, 본 발명은 이에 제한되지 않으며, 실시예에 따라, 보다 다양한 컨셉에 관련한 보정 방법을 더 포함할 수 있다.
예컨대, 제1생성 아이덴티티 컨셉은, A 브랜드의 이미지 보정 컨셉에 관련한 정보를 포함할 수 있으며, 제2생성 아이덴티티 컨셉은 B 브랜드의 이미지 보정 컨셉에 관련한 정보를 포함할 수 있다. 즉, 특정 상품군이나, 특정 사용자에 대응하여 생성 아이덴티티 컨셉을 생성하고, 이를 타 사용자들에게 배포할 수 있다. 이 경우, 생성 아이덴티티 컨셉을 제공 받은 사용자 단말들은, 특정 브랜드에 관련한 보정 방법을 통해 자신의 원본 이미지가 보정되도록 할 수 있다. 즉, 생성 아이텐티티 컨셉을 통해 특정 컨셉의 보정 방법을 용이하게 적용할 수 있다.
이러한 생성 아이덴티티 컨셉은, 공통 생성 컨셉 키에 대한 업데이트에 기초하여 생성되는 것을 특징으로 할 수 있다.
구체적인 실시예에서, 배경 이미지를 획득하는 단계는, 상품 이미지가 사용자가 지정한 지정 상품 군에 해당하는 상품 이미지인 경우, 결정된 배경 이미지에 대응하는 합성 컨셉 키에 기초하여 공통 생성 컨셉 키에 대한 업데이트를 수행하는 단계 및 합성 컨셉 키와 공통 생성 컨셉 키 간의 차이가 기 설정된 기준치 이하인 경우, 공통 컨셉 생성 키에 기초하여 생성 아이덴티티 컨셉을 생성하는 단계를 포함할 수 있다.
보다 자세히 설명하면, 사용자는 지정 상품 군에 다양한 상품 이미지를 등록시킬 수 있다. 예컨대, A 사용자는 가방, 지갑 및 장갑에 관련한 상품을 지정 상품 군으로 등록할 수 있다. 지정 상품 군으로 등록된 가방, 지갑 또는 장갑 중 적어도 하나가 상품 이미지로 식별되어 보정이 수행되는 경우, 해당 보정 내용에 대응하는 합성 컨셉 키(즉, 생성 컨셉 키에 복수의 랜덤키가 병합되어 생성된 복수의 합성 컨셉 키 중 사용자가의 선택에 의해 결정된 특정 합성 컨셉 키)는, 공통 생성 컨셉 키로써 업데이트될 수 있다. 다시 말해, 지정 상품 군으로 등록된 상품 이미지에 대한 보정이 수행되는 경우, 해당 지정 상품 군에 대응하는 공통 생성 컨셉 키가 업데이트될 수 있다. 이 경우, 특정 상품 이미지에 대응하는 보정을 지속적으로 수행될수록 공통 생성 컨셉 키가 업데이트되어, 지정된 상품 군에 대응하는 상품들의 보정 컨셉이 최적화될 수 있다.
전술한 바와 같이, 지정 상품 군에 대응하여 보정이 지속적으로 수행됨에 따라, 공통 생성 컨셉 키가 지속적으로 업데이트될 수 있다. 이 과정에서, 보정에 관련한 합성 컨셉 키와 미리 저장된 공통 생성 컨셉 기(즉, 업데이트 전 공통 생성 컨셉 키)의 차이가 미리 정해진 기준치 이하인 경우가 발생할 수 있다. 이는, 공통 생성 컨셉 키가 어느정도 최적화됨에 따라, 더 이상 합성 컨셉 키를 통해 유의미한 업데이트가 수행되지 않는 상황일 수 있다. 이 경우, 서버(100)는 공통 생성 컨셉 키에 대응하는 업데이트를 수행하지 않으며, 해당 공통 생성 컨셉 키를 통해 생성 아이덴티티 컨셉을 생성할 수 있다. 이러한 과정을 통해 생성된 생성 아이덴티티 컨셉은 특정 지정 상품 군에 대응하여 일괄적인 컨셉의 보정 방법들이 반영된 것일 수 있다. 이러한 생성 아이덴티티 컨셉은, 예컨대, 특정 브랜드의 컨셉을 가진 보정 방법에 관련됨에 따라, 특정 브랜드에 특화된 보정 방법을 제공하는데 활용될 수 있다. 또한, 실시예에서, 생성 아이덴티티 컨셉은, 특정 브랜드의 컨셉이 아니더라도, 일관된 컨셉(예: 가을, 바다 등)을 적용하도록 활용될 수도 있다.
즉, 전술한 바와 같이, 개별적으로 특화된 보정 컨셉을 통해 생성 아이덴티티 컨셉을 생성하고, 이를 활용함으로써, 다양한 이미지에 대응하여 일관된 분위기 또는 컨셉에 대응하는 보정이 자동적으로 수행되도록 할 수 있으며, 다른 사용자들에게 보정 컨셉 방법 또는 보정 방향을 공유할 수 있다.
다양한 실시예에서, 서버(100)는 상품 이미지와 유사한 상품 이미지를 포함하는 광고 상품 이미지들을 통해 배경 이미지를 획득할 수 있다. 서버(100)는 원본 이미지에 포함된 상품 이미지와 유사한 상품 이미지를 가진 광고 상품 이미지들을 기반으로 배경 이미지를 획득할 수 있다.
보다 구체적으로, 배경 이미지를 획득하는 단계는, 상품 이미지에 기초하여 광고 상품 이미지 풀로부터 하나 이상의 유사 광고 이미지를 획득하는 단계를 포함할 수 있다. 광고 상품 이미지 풀은, 기존에 제작된 광고 이미지에 관한 것일 수 있다. 즉, 서버(100)는 기존 제작된 광고 이미지들이 포함된 광고 상품 이미지 풀로부터, 사용자가 강조하고자 하는 상품 이미지와 유사한 상품 이미지를 포함하는 광고 이미지를 하나 이상의 유사 광고 이미지로 선별하여 획득할 수 있다.
또한, 배경 이미지를 획득하는 단계는 하나 이상의 유사 광고 이미지 각각에 대응하는 하나 이상의 유사 배경 이미지를 획득하는 단계를 포함할 수 있다. 서버(100)는 획득된 하나 이상의 유사 광고 이미지 각각으로부터 유사 배경 이미지를 획득할 수 있다. 예컨대, 서버(100)는 각 유사 광고 이미지로부터 상품 이미지와 유사한 유사 상품 이미지를 제외시킴으로써, 유사 배경 이미지를 획득할 수 있다. 이러한 유사 상품 이미지 및 유사 배경 이미지 탐색은, 이미지 내에서 다양한 객체들을 인식하도록 학습된 객체 인식 모델을 통해 수행될 수 있다.
또한, 배경 이미지를 획득하는 단계는, 하나 이상의 유사 배경 이미지에 기초하여 유사 배경 특성 정보를 생성하는 단계를 포함할 수 있다. 다양한 배경 이미지 각각에는, 특징 정보가 자연어 형태로 기록된 배경 특성 정보가 존재할 수 있으며, 서버(100)는 하나 이상의 유사 배경 이미지로 선별된 배경 이미지들의 배경 특성 정보를 추합하여 유사 배경 특성 정보를 생성할 수 있다.
또한, 배경 이미지를 획득하는 단계는, 자연어 임베딩 모델을 통해 유사 배경 특성 정보에 대응하는 유사 배경 임베딩 벡터를 추출하는 단계를 포함할 수 있다.
또한, 배경 이미지를 획득하는 단계는, 유사 배경 임베딩 벡터를 활용한 배경 사진 데이터베이스에 대한 검색을 통해 하나 이상의 배경 임베딩 벡터를 선별하는 단계를 포함할 수 있다. 서버(100)는 유사 배경 임베딩 벡터와 복수의 배경 임베딩 벡터들 간의 비교를 통해 자연어 간 유사성을 평가할 수 있다.
또한, 배경 이미지를 획득하는 단계는, 선별된 하나 이상의 배경 임베딩 벡터에 대응하는 하나 이상의 배경 이미지를 획득하는 단계를 포함할 수 있다. 서버(100)는 유사 배경 임베딩 벡터와 일정 기준치 이상의 유사도를 갖는 배경 임베딩 벡터들을 선별할 수 있으며, 선별된 임베딩 벡터들에 대응하는 배경 이미지들을 선별할 수 있다. 즉, 서버(100)는 배경 이미지 데이터베이스에서, 유사 배경 임베딩 벡터와 일정 이상의 유사도를 가진 배경 임베딩 벡터들을 선별하여, 하나 이상의 배경 이미지를 획득할 수 있다. 실시예에서, 서버(100)는 선별된 배경 이미지들 각각 유사도를 기준으로 내림차순으로 정렬할 수 있다.
전술한 바와 같이, 사용자가 강조하고자 하는 상품 이미지와 유사한 유사 상품 이미지가 기존에 광고되었던 광고 이미지들로부터, 유사 배경 이미지들을 선별하며, 해당 유사 배경 이미지들 각각의 유사 배경 특성 정보를 획득할 수 있다. 또한, 획득된 유사 배경 특성 정보에 대응하는 유사 배경 임베딩 벡터를 추출하고, 해당 유사 배경 임베딩 벡터를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 유사 이미지를 획득할 수 있으며, 이러한 방식으로 획득된 유사 이미지를 상품 이미지에 합성하여 보정 이미지를 생성할 수 있다.
즉, 서버(100)는 기존 광고 이미지들이 저장된 광고 상품 이미지 풀로부터 로부터 특정 상품 이미지가 과거에 어떠한 배경 이미지를 통해 광고되었었는지를 식별하고, 이러한 배경 이미지들을 통해 유사 배경 특성 정보 및 유사 배경 임베딩 벡터를 생성하여 적절한 배경 이미지를 선정하는데 활용할 수 있다. 이 경우, 사용자로부터 이미지 보정에 관련한 별도의 자연어 입력 없이, 상품 이미지에 대한 자연스러운 보정이 가능하다는 장점이 있다.
다양한 실시예에서, 인공지능 모델을 활용하여 사용자의 자연어 입력(즉, 합성 컨셉 쿼리)에 대응하는 생성 컨셉 키를 기반으로 상품 이미지에 대응하는 적절한 배경 이미지를 생성할 수 있다. 인공지능 모델은, 상품 이미지와 어울리는 배경을 생성하고, 상품과 배경이 자연스럽게 포함된 보정 이미지를 생성할 수 있다. 인공지능 모델은, 예컨대, 배경 이미지를 생성하는 배경 생성 모델 및 보정 이미지를 생성하는 보정 이미지 생성 모델을 포함할 수 있다.
일 실시예에 따르면, 서버(100)는 배경 생성 모델을 활용하여 사용자의 자연어 입력(즉, 합성 컨셉 쿼리)에 대응하는 생성 컨셉 키를 기반으로 상품 이미지에 대응하는 배경 이미지를 생성하고, 배경 이미지 상에 상품 이미지를 삽입하여 보정 이미지를 생성할 수 있다.
구체적으로, 배경 이미지를 획득하는 단계는, 생성 컨셉 키 및 상품 이미지를 배경 생성 모델의 입력으로 처리하여 배경 이미지를 획득하는 단계를 포함할 수 있다. 여기서, 배경 생성 모델은, 자연어 입력에 대응하는 생성 컨셉 키에 기초하여 상품 이미지에 대응하는 배경 이미지를 생성하는 신경망 모델일 수 있다. 배경 생성 모델은, 생성 컨셉 키 및 상품 이미지를 기반으로 배경 이미지를 생성하도록 학습된 신경망 모델일 수 있다. 배경 생성 모델은, 합성 컨셉 쿼리의 언어적 의미에 적합한 배경을 생성해주는, 텍스트-도메인 간의 의미 관계를 학습한 초대형 인공지능 모델일 수 있다. 구체적인 실시예에서, 배경 생성 모델은, 다양한 자연어 입력에 대응하는 생성 컨셉 키 및 다양한 배경 이미지를 포함하는 초대형 데이터 세트로부터 텍스트의 의미에 맞게 배경 이미지를 생성하는 방법을 학습될 수 있으며, 이에 따라, 사용자의 자연어 입력에 대응하는 배경 이미지를 생성할 수 있다. 실시예에서, 배경 생성 모델은, 사용자가 텍스트로 명령어를 입력하면 해당 명령어에 대응하는 생성 컨셉 키를 기반으로 실시간으로 이미지를 생성하는 이미지 생성 모델인 minDALL-E(민달리)를 포함하여 구비될 수 있다. 민달리는, 1,400만 장의 텍스트와 이미지 세트를 사전 학습하고 13억 개의 파라미터(매개변수, 학습 데이터 저장소)를 가짐에 따라, 다양한 명령어에 대응하는 이미지 생성이 가능하다. 추가적으로, 배경 생성 모델은, 총 39억 개의 매개변수(파라미터)로 구성되며, 3,000만 쌍 이상의 텍스트-이미지를 학습된 RQ-트랜스포머를 포함하여 구성될 수도 있다.
즉, 전술한 바와 같이, 합성 컨셉 쿼리에 대응하는 생성 컨셉 키 및 상품 이미지를 배경 생성 모델의 입력으로 처리하여 배경 이미지를 획득하는 단계가 수행됨에 따라, 상품 이미지에 대응하는 배경 이미지가 획득될 수 있다.
이 경우, 기 저장된 배경 이미지들(예컨대, 배경 이미지 데이터베이스에 저장된 복수개의 배경 이미지들)을 구비하지 않더라도 자연스러운 배경 이미지가 생성되어 획득될 수 있다. 즉, 상품 이미지에 대응하는 배경 이미지를 새롭게 생성해내는 것이므로, 데이터베이스 구축이 필요하지 않다는 장점이 있다. 특히, 제한된 배경 이미지 풀을 활용하는 것이 아니기 때문에, 보다 다양한 배경 이미지의 획득을 통한 보정 이미지의 생성이 가능해진다.
다양한 실시예에서, 보정 이미지를 생성하는 단계는, 사용자 단말로부터 보정 이미지 내에서의 상품 이미지의 위치에 관련한 마스크 정보를 수신하는 단계를 포함할 수 있다. 서버(100)는 사용자 단말로부터 특정 위치에 관련한 상품 이미지를 배치하고자 하는 마스크 정보를 수신할 수 있다. 이는, 사용자가 원하는 적절한 위치에 상품 이미지를 배치시키기 위함이다.
또한, 보정 이미지를 생성하는 단계는, 마스크 정보에 기초하여 보정 이미지 내에서 상품 이미지의 관련한 상품 위치 정보를 획득하는 단계를 포함할 수 있다. 즉, 사용자가 선택한 위치에 관련하여 상품 이미지를 배치시키기 위한 상품 위치 정보가 획득될 수 있다.
추가적인 실시예에서, 보정 이미지를 생성하는 단계는, 사용자 단말로부터 별도의 마스크 정보가 수신되지 않는 경우, 기존 위치 정보를 활용하여 상품 위치 정보를 생성하는 단계를 포함할 수 있다. 기존 위치 정보는, 보정이 수행되기 이전 원본 이미지 내에서 기존 상품 이미지의 위치에 관한 정보일 수 있다. 서버(100)는 사용자 단말로부터 마스크 정보를 수신하지 못하는 경우, 원본 이미지에서의 기존 상품 이미지의 위치를 통해 상품 위치 정보를 생성할 수 있다. 예를 들어, 서버(100)는 상품 이미지의 기존 위치 정보를 기반으로, 상품 이미지가 보정 이미지 상에서 좌측 영역에 위치해야 한다는 상품 위치 정보를 생성할 수 있다. 전술한 상품 위치 정보에 관련한 구체적인 설명은 예시일 뿐, 본 발명은 이에 제한되지 않는다.
또한, 보정 이미지를 생성하는 단계는, 배경 생성 모델을 통해 생성된 배경 이미지 상에 상품 위치 정보에 기초하여 상품 이미지를 삽입하여 보정 이미지를 생성하는 단계를 포함할 수 있다. 서버(100)는 사용자의 선택에 관련한 마스크 정보에 기초하여 상품 이미지가 위치될 상품 위치 정보를 획득할 수 있으며, 획득한 상품 위치 정보를 기반으로, 상품 이미지를 배경 이미지의 특정 위치에 삽입하여 보정 이미지를 생성할 수 있다. 이 경우, 상품 이미지는, 사용자에 의해 배경 이미지 상에서 심미적 또는 물리적으로 잘 배치될 수 있는 위치가 선정됨에 따라 배치되기 때문에, 자연스러운 보정 이미지의 생성이 가능하다는 장점이 있다.
본 발명의 실시예에서, 서버(100)는 보정 이미지 생성 모델을 활용하여 사용자의 자연어 입력(즉, 합성 컨셉 쿼리)에 대응하는 생성 컨셉 키를 기반으로 상품 이미지와 어울리도록 outpainting 방식으로 배경 이미지를 생성하여 보정 이미지를 생성할 수 있다.
구체적으로, 보정 이미지를 생성하는 단계는, 생성 컨셉 키 및 상품 이미지를 보정 이미지 생성 모델의 입력으로 처리하여 보정 이미지를 획득하는 단계를 포함할 수 있다. 보정 이미지 생성 모델은, 사용자의 자연어 입력(즉, 합성 컨셉 쿼리)에 대응하는 생성 컨셉 키에 기초하여 상품 이미지에 대응하는 보정 이미지를 생성하는 신경망 모델인 것을 특징으로 할 수 있다. 보정 이미지 생성 모델은, 합성 컨셉 쿼리의 언어적 의미를 기반으로 상품 이미지의 주변에 적합한 배경을 생성해주는, 텍스트-도메인 간의 의미 관계를 학습한 초대형 인공지능 모델일 수 있다. 구체적인 실시예에서, 배경 생성 모델은, 다양한 자연어 입력에 대응하는 생성 컨셉 키 및 다양한 배경 이미지를 포함하는 초대형 데이터 세트로부터 텍스트의 의미에 맞게 상품 이미지와 어울리는 배경 이미지를 생성하는 방법을 학습될 수 있으며, 이에 따라, 사용자의 자연어 입력에 대응하는 배경 이미지를 생성할 수 있다.
전술한 바와 같이, 합성 컨셉 쿼리에 대응하는 생성 컨셉 키 및 상품 이미지를 보정 이미지 생성 모델의 입력으로 처리하여 보정 이미지를 획득하는 단계가 수행됨에 따라, 상품 이미지에 대응하는 보정 이미지가 획득될 수 있다. 이 경우, 보정 이미지는, 원본 이미지에서 상품 이미지의 위치 또는 배경 이미지가 변경된 보정일 수 있다. 원본 이미지에서 배경과 관련한 보정이 수행되는 과정에서, 기 저장된 배경 이미지들(예컨대, 배경 이미지 데이터베이스에 저장된 복수개의 배경 이미지들)을 구비하지 않더라도 자연스러운 배경 이미지가 생성되어 획득될 수 있다. 즉, 상품 이미지에 대응하는 배경 이미지를 새롭게 생성해내는 것이므로, 데이터베이스 구축이 필요하지 않다는 장점이 있다. 특히, 제한된 배경 이미지 풀을 활용하는 것이 아니기 때문에, 보다 다양한 배경 이미지의 합성을 통해 보정 이미지의 생성이 가능해진다. 이 경우, 특정 위치에 위치한 상품 이미지를 중심으로, 생성 컨셉 키를 기반하여 배경 이미지가 생성됨에 따라 보다 자연스러운 보정 이미지가 생성된다는 장점이 있다.
또한, 실시예에서, 보정 이미지를 생성하는 단계는, 상품 이미지에 대응하는 상품 특성 정보, 상품 트렌드 정보 및 기존 위치 정보 중 적어도 하나에 기초하여 생성될 보정 이미지 상에서의 상품 이미지의 위치를 특정하여 위치시키는 단계를 포함할 수 있다. 상품 특정 정보는, 상품 이미지의 특성에 관한 정보로, 예컨대, 상품의 종류, 크기, 색상 및 형태상 특징에 관한 정보일 수 있다. 또한, 상품 트렌드 정보는, 상품 이미지가 포함된 상품 군에 관련한 트렌드 정보일 수 있다. 또한, 보정이 수행되기 이전 원본 이미지 내에서 기존 상품 이미지의 위치에 관한 정보일 수 있다. 즉, 상품 이미지가 어디에 위치하여야 하는지는, 상품 이미지 자체의 특성이나, 해당 상품 군의 트렌드 및 기존 위치 중 적어도 하나를 통해 결정될 수 있다. 다시 말해, 보정 이미지 생성 모델은, 상품 특성 정보, 상품 트렌드 정보 및 기존 위치 정보 중 적어도 하나에 기초하여 생성될 보정 이미지 상에서 상품 이미지의 위치를 결정할 수 있다.
또한, 보정 이미지를 생성하는 단계는, 특정 위치한 상품 이미지를 기반으로 배경 이미지를 생성하여 보정 이미지를 생성하는 단계를 포함할 수 있다.
즉, 서버(100)는 상품 특성 정보, 상품 트렌드 정보 및 기존 위치 정보 중 적어도 하나를 보정 이미지 생성 모델의 입력으로 함께 처리하여, 보정 이미지 생성 모델로 하여금 상품 이미지에 어울리는 배경 이미지를 생성하여 보정 이미지를 생성하는 과정에서, 상품 이미지를 특정 위치에 위치되도록 할 수 있다. 이에 따라, 특정 위치에 상품 이미지가 위치된 상태에서 생성 컨셉 키에 기초하여 해당 상품 이미지에 어울리는 배경 이미지가 생성될 수 있다. 이러한 구성을 통해 상품 이미지가 훼손되지 않는 상태에서, 해당 상품 이미지에 어울리는 적절한 배경이 생성되어 보정 이미지가 생성될 수 있다.
다양한 실시예에서, 보정 이미지 생성 모델은, 사용자가 원하는 개략적인 보정 이미지에 관련한 이미지 세그멘테이션 정보를 기반으로 상품 이미지에 대응하여 배경 이미지를 생성하여 보정 이미지를 생성하는 것을 특징으로 할 수 있다.
구체적으로, 보정 이미지를 생성하는 단계는, 사용자 단말로부터 이미지 세그멘테이션 정보를 수신하는 단계를 포함할 수 있다. 이미지 세그멘테이션 정보는 배경 이미지에 관련한 하나 이상의 객체 각각의 위치를 개략적으로 나타낸 이미지 전보인 것을 특징으로 할 수 있다. 구체적인 실시예에서, 이미지 세그멘테이션 정보는, 도 7의 (a) 도시된 바와 같이, 완료될 보정 이미지 상에서 포함되었으면 하는 배경 이미지를 개략적으로 나타낸 이미지일 수 있다. 예컨대, 보정 이미지 생성 모델은, 도 7의 (a)와 같은 이미지 세그멘테이션 정보에 기초하여 도 7의 (b)와 같은 배경을 생성하여 보정 이미지를 생성할 수 있다.
또한, 보정 이미지를 생성하는 단계는, 이미지 세그멘테이션 정보에 포함된 하나 이상의 객체 이미지 각각의 종류 및 위치를 식별하여 객체 참조 정보를 생성하는 단계를 포함할 수 있다. 예를 들어, 보정 이미지 생성 모델은 도 7의 (a)와 같은 이미지 세그멘테이션 정보를 통해, 산, 구름, 하늘, 물 등의 객체 및 각 객체들의 위치를 식별하여 객체 참조 정보를 생성할 수 있다. 즉, 객체 참조 정보는, 이미지 세그멘테이션 내에 포함된 객체들에 관한 정보를 포함할 수 있다.
또한, 보정 이미지를 생성하는 단계는, 특정 위치에 위치한 상품 이미지 및 객체 참조 정보에 기초하여 배경 이미지를 생성하여 보정 이미지를 생성하는 단계를 포함할 수 있다.
즉, 보정 이미지 생성 모델은, 이미지 세그멘테이션 정보를 수신하는 경우, 생성 컨셉 키 및 상품 이미지와 함께, 이미지 세그멘테이션 정보를 입력으로 처리하여 해당 이미지 세그멘테이션 영역에 포함된 객체의 위치 및 형태를 기반으로 상품 이미지에 어울리는 배경을 생성하여 보정 이미지를 생성할 수 있다.
추가적인 실시예에서, 보정 이미지 생성 모델은, 상품 이미지 대신 이미지 세그멘테이션 정보를 기반으로 보정 이미지를 생성할 수도 있다. 구체적으로, 상품 이미지가 이미지 세그멘테이션 정보의 형태로 제시될 수 있으며, 서버(100)는 이에 대응하여, 배경 이미지를 생성하게 된다. 예컨대, 사용자의 자연어 입력인 합성 컨셉 쿼리에 대응하여 배경 이미지가 생성될 수 있다. 이 경우, 생성된 배경 이미지에서, 상품 이미지가 삽입될 특정 영역(예컨대, 세그멘테이션 영역)은 비어있을 수 있으며, 보정 이미지 생성 모델은, 해당 세그멘테이션 영역에 배경과 어울리도록 상품 이미지를 자연스럽게 생성하여 보정 이미지를 생성할 수 있다. 즉, 보정 이미지 생성 모델은, 배경 이미지에 어울리도록 내부의 빈 영역을 원하는 컨셉의 상품 이미지로 채워넣는 inpainting 방식을 통해 보정 이미지를 생성할 수 있다.
도 8은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 발명은 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (17)

  1. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서,
    원본 이미지 및 합성 컨셉 쿼리를 획득하는 단계;
    상기 원본 이미지로부터 상품 이미지를 획득하는 단계;
    상기 상품 이미지 및 합성 컨셉 쿼리에 기초하여 배경 이미지를 획득하는 단계; 및
    상기 상품 이미지 및 상기 배경 이미지에 기초하여 보정 이미지를 생성하는 단계; 를 포함하며,
    상기 원본 이미지 및 합성 컨셉 쿼리를 획득하는 단계는,
    상기 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력을 수신하는 단계;
    이미지 분석 모델을 활용하여 상기 상품 이미지에 관련한 복수 개의 특징 정보를 추출하는 단계;
    상기 복수 개의 특징 정보에 기초하여 상품 특성 정보를 생성하는 단계; 및
    상기 자연어 입력에 상품 특성 정보에 대응하는 자연어를 병합하여 상기 합성 컨셉 쿼리를 생성하는 단계; 를 포함하며,
    상기 상품 특성 정보는, 상기 상품 이미지의 특성에 관한 정보로, 상품의 종류, 크기, 색상 및 형태상 특징에 관련한 자연어 형태의 입력 정보를 포함하며,
    상기 합성 컨셉 쿼리는,
    상기 원본 이미지의 보정 방향에 관련한 사용자의 자연어 입력 및 상기 상품 특성 정보를 포함하는 것을 특징으로 하는,
    자연어 기반 상품 사진 생성 방법.
  2. 제1항에 있어서,
    상기 원본 이미지로부터 상기 상품 이미지를 획득하는 단계는,
    객체 인식 모델을 활용하여 상기 원본 이미지에서 복수의 객체 이미지를 식별하는 단계; 및
    상기 복수의 객체 이미지 각각의 이미지 식별 정보 및 이미지 특성 정보 중 적어도 하나에 기초하여 상기 복수의 객체 이미지 중 적어도 하나의 객체 이미지를 상기 상품 이미지로 결정하는 단계;
    를 포함하며,
    상기 이미지 특성 정보는, 상기 이미지 내에서 각 이미지의 크기에 대한 정보, 인식 정확도에 대한 정보 및 위치에 대한 정보를 포함하는,
    자연어 기반 상품 사진 생성 방법.
  3. 제1항에 있어서,
    상기 배경 이미지를 획득하는 단계는,
    자연어 임베딩 모델을 통해 상기 합성 컨셉 쿼리에 대응하는 생성 컨셉 키를 추출하는 단계; 및
    상기 생성 컨셉 키에 기반하여 배경 이미지를 획득하는 단계;
    를 포함하며,
    상기 자연어 임베딩 모델은,
    자연어에 대응하는 임베딩 벡터를 추출하는 신경망 모델인 것을 특징으로 하고,
    상기 생성 컨셉 키는,
    사용자가 지정한 지정 상품 군에 대응하는 상품 이미지들에 대응하여 공통적인 보정 컨셉을 부여하는 공통 컨셉 생성 키 및 개별 상품 이미지 각각에 대응하여 개별적인 보정 컨셉을 부여하는 개별 생성 컨셉 키를 포함하는,
    자연어 기반 상품 사진 생성 방법.
  4. 삭제
  5. 제3항에 있어서,
    상기 배경 이미지를 획득하는 단계는,
    상기 생성 컨셉 키를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 복수의 배경 임베딩 벡터를 선별하는 단계;
    상기 선별된 복수의 배경 임베딩 벡터에 대응하는 복수의 배경 이미지를 획득하는 단계; 및
    상기 복수의 배경 이미지에 대한 사용자의 선택에 기초하여 보정을 수행할 배경 이미지를 결정하는 단계;
    를 포함하는,
    자연어 기반 상품 사진 생성 방법.
  6. 제5항에 있어서,
    상기 배경 이미지 데이터베이스는,
    복수 개의 배경 이미지 각각에 대응하는 복수 개의 배경 특성 정보 및 상기 복수 개의 배경 특성 정보 각각에 대응하는 복수의 배경 임베딩 벡터에 관한 정보를 포함하여 구비되며,
    상기 배경 특성 정보는,
    상기 복수 개의 배경 이미지 각각에 관련한 특징 정보가 자연어 형태로 기록된 정보인,
    자연어 기반 상품 사진 생성 방법.
  7. 제5항에 있어서,
    상기 생성 컨셉 키를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 하나 이상의 배경 임베딩 벡터를 선별하는 단계는,
    상기 생성 컨셉 키에 서로 상이한 복수의 랜덤 키 각각을 병합하여 복수의 합성 컨셉 키를 생성하는 단계; 및
    상기 배경 이미지 데이터베이스로부터 상기 복수의 합성 컨셉 키 각각에 대응하는 복수의 배경 임베딩 벡터를 선별하는 단계;
    를 포함하는,
    자연어 기반 상품 사진 생성 방법.
  8. 제6항에 있어서,
    상기 방법은,
    상기 상품 이미지가 사용자가 지정한 지정 상품 군에 해당하는 상품 이미지인 경우, 상기 결정된 배경 이미지에 대응하는 합성 컨셉 키에 기초하여 공통 생성 컨셉 키에 대한 업데이트를 수행하는 단계; 및
    상기 합성 컨셉 키와 상기 공통 생성 컨셉 키 간의 차이가 기 설정된 기준치 이하인 경우, 상기 공통 생성 컨셉 키에 기초하여 생성 아이덴티티 컨셉을 생성하는 단계;
    를 더 포함하며,
    상기 생성 아이덴티티 컨셉은,
    특정 컨셉을 가진 보정 방법에 관련한 것인,
    자연어 기반 상품 사진 생성 방법.
  9. 제8항에 있어서,
    상기 방법은,
    상기 생성 아이덴티티 컨셉을 복수의 사용자 단말에 제공하는 단계;
    를 더 포함하는,
    자연어 기반 상품 사진 생성 방법.
  10. 제1항에 있어서,
    상기 배경 이미지를 획득하는 단계는,
    상기 상품 이미지에 기초하여 광고 상품 이미지 풀로부터 하나 이상의 유사 광고 이미지를 획득하는 단계;
    상기 하나 이상의 유사 광고 이미지 각각에 대응하는 하나 이상의 유사 배경 이미지를 획득하는 단계;
    상기 하나 이상의 유사 배경 이미지에 기초하여 유사 배경 특성 정보를 생성하는 단계;
    자연어 임베딩 모델을 통해 상기 유사 배경 특성 정보에 대응하는 유사 배경 임베딩 벡터를 추출하는 단계;
    상기 유사 배경 임베딩 벡터를 활용한 배경 이미지 데이터베이스에 대한 검색을 통해 하나 이상의 배경 임베딩 벡터를 선별하는 단계; 및
    상기 선별된 하나 이상의 배경 임베딩 벡터에 대응하는 하나 이상의 배경 이미지를 획득하는 단계;
    를 포함하는,
    자연어 기반 상품 사진 생성 방법.
  11. 제3항에 있어서,
    상기 배경 이미지를 획득하는 단계는,
    상기 생성 컨셉 키 및 상품 이미지를 배경 생성 모델의 입력으로 처리하여 상기 배경 이미지를 획득하는 단계; 를 포함하며,
    상기 배경 생성 모델은,
    상기 생성 컨셉 키에 기초하여 상기 상품 이미지에 대응하는 배경 이미지를 생성하는 신경망 모델인,
    자연어 기반 상품 사진 생성 방법.
  12. 제11항에 있어서,
    상기 보정 이미지를 생성하는 단계는,
    사용자 단말로부터 보정 이미지 내에서의 상품 이미지의 위치에 관련한 마스크 정보를 수신하는 단계;
    상기 마스크 정보에 기초하여 상기 보정 이미지 내에서 상기 상품 이미지의 위치에 관련한 상품 위치 정보를 획득하는 단계; 및
    상기 배경 생성 모델을 통해 생성된 상기 배경 이미지 상에 상기 상품 위치 정보에 기초하여 상기 상품 이미지를 삽입하여 상기 보정 이미지를 생성하는 단계;
    를 포함하는,
    자연어 기반 상품 사진 생성 방법.
  13. 제3항에 있어서,
    상기 보정 이미지를 생성하는 단계는,
    상기 생성 컨셉 키 및 상기 상품 이미지를 보정 이미지 생성 모델의 입력으로 처리하여 상기 보정 이미지를 획득하는 단계; 를 포함하며,
    상기 보정 이미지 생성 모델은,
    상기 생성 컨셉 키에 기초하여 상기 상품 이미지에 대응하는 보정 이미지를 생성하는 신경망 모델인,
    자연어 기반 상품 사진 생성 방법.
  14. 제13항에 있어서,
    상기 보정 이미지를 생성하는 단계는,
    상기 상품 이미지에 대응하는 상품 특성 정보, 상품 트렌드 정보 및 기존 위치 정보 중 적어도 하나에 기초하여 생성될 보정 이미지 상에서의 상기 상품 이미지의 위치를 특정하여 위치시키는 단계; 및
    특정 위치에 위치한 상기 상품 이미지를 기반으로 상기 배경 이미지를 생성하여 상기 보정 이미지를 생성하는 단계;
    를 포함하는,
    자연어 기반 상품 사진 생성 방법.
  15. 제13항에 있어서,
    상기 보정 이미지를 생성하는 단계는,
    사용자 단말로부터 이미지 세그멘테이션 정보를 수신하는 단계;
    상기 이미지 세그멘테이션 정보에 포함된 하나 이상의 객체 이미지 각각의 종류 및 위치를 식별하여 객체 참조 정보를 생성하는 단계; 및
    특정 위치에 위치한 상기 상품 이미지 및 상기 객체 참조 정보에 기초하여 상기 배경 이미지를 생성하여 상기 보정 이미지를 생성하는 단계;
    를 포함하며,
    상기 이미지 세그멘테이션 정보는,
    배경 이미지에 관련한 하나 이상의 객체 각각의 위치를 개략적으로 나타낸 이미지 정보인 것을 특징으로 하는,
    자연어 기반 상품 사진 생성 방법.
  16. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    제1항의 방법을 수행하는, 서버.
  17. 하드웨어인 컴퓨터와 결합되어, 제1항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
KR1020220146805A 2022-11-07 2022-11-07 자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램 KR102539376B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220146805A KR102539376B1 (ko) 2022-11-07 2022-11-07 자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220146805A KR102539376B1 (ko) 2022-11-07 2022-11-07 자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR102539376B1 true KR102539376B1 (ko) 2023-06-02

Family

ID=86755363

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220146805A KR102539376B1 (ko) 2022-11-07 2022-11-07 자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102539376B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060079883A (ko) * 2005-01-03 2006-07-07 삼성전자주식회사 이미지 합성방법 및 이를 적용한 영상재생장치
KR20130107366A (ko) * 2011-03-11 2013-10-01 오므론 가부시키가이샤 화상 처리 장치, 화상 처리 방법 및 제어 프로그램
KR20140093957A (ko) * 2011-11-24 2014-07-29 마이크로소프트 코포레이션 상호작용 멀티-모달 이미지 검색 기법
KR20160095870A (ko) 2015-02-04 2016-08-12 신형준 쇼핑몰 이미지 관리방법
KR20180131690A (ko) * 2017-05-31 2018-12-11 서강대학교산학협력단 내용 기반 이미지 검색방법 및 그에 따른 시스템
KR20200024618A (ko) * 2018-08-28 2020-03-09 십일번가 주식회사 이미지 검색 방법 및 이를 위한 장치
KR20200026373A (ko) * 2018-08-30 2020-03-11 십일번가 주식회사 검색 히스토리를 이용한 이미지 검색 방법 및 이를 위한 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060079883A (ko) * 2005-01-03 2006-07-07 삼성전자주식회사 이미지 합성방법 및 이를 적용한 영상재생장치
KR20130107366A (ko) * 2011-03-11 2013-10-01 오므론 가부시키가이샤 화상 처리 장치, 화상 처리 방법 및 제어 프로그램
KR20140093957A (ko) * 2011-11-24 2014-07-29 마이크로소프트 코포레이션 상호작용 멀티-모달 이미지 검색 기법
KR20160095870A (ko) 2015-02-04 2016-08-12 신형준 쇼핑몰 이미지 관리방법
KR20180131690A (ko) * 2017-05-31 2018-12-11 서강대학교산학협력단 내용 기반 이미지 검색방법 및 그에 따른 시스템
KR20200024618A (ko) * 2018-08-28 2020-03-09 십일번가 주식회사 이미지 검색 방법 및 이를 위한 장치
KR20200026373A (ko) * 2018-08-30 2020-03-11 십일번가 주식회사 검색 히스토리를 이용한 이미지 검색 방법 및 이를 위한 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Adyasha, et al., StoryDALL-E Adapting PretrainedText-to-Image Transformers for Story Continuation, ECCV 2022, arXiv 2209.06192v1[cs.CV] (2022.09.13.)* *

Similar Documents

Publication Publication Date Title
US20190258925A1 (en) Performing attribute-aware based tasks via an attention-controlled neural network
Subramanian Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch
CN110892417B (zh) 具有学习教练的异步代理以及在不降低性能的情况下在结构上修改深度神经网络
US11620330B2 (en) Classifying image styles of images based on image style embeddings
Ramasubramanian et al. Deep learning using keras and tensorflow
US20230316379A1 (en) Deep learning based visual compatibility prediction for bundle recommendations
KR20230024825A (ko) 스트리밍 데이터 기반 영상 편집점 추천 방법, 서버 및 컴퓨터프로그램
KR102490060B1 (ko) 신경망 모델을 활용한 부분적인 이미지 변환 방법
Sarang Artificial neural networks with TensorFlow 2
Jain et al. TensorFlow Machine Learning Projects: Build 13 real-world projects with advanced numerical computations using the Python ecosystem
Ahirwar Generative adversarial networks projects: Build next-generation generative models using TensorFlow and Keras
CN115563982A (zh) 广告文本优化方法及其装置、设备、介质、产品
Manaswi Generative Adversarial Networks with Industrial Use Cases: Learning How to Build GAN Applications for Retail, Healthcare, Telecom, Media, Education, and HRTech
Sikka Elements of Deep Learning for Computer Vision: Explore Deep Neural Network Architectures, PyTorch, Object Detection Algorithms, and Computer Vision Applications for Python Coders (English Edition)
Liu et al. Hands-On Deep Learning Architectures with Python: Create deep neural networks to solve computational problems using TensorFlow and Keras
Jaroli et al. Deep learning model based novel semantic analysis
KR102539376B1 (ko) 자연어 기반 상품 사진 생성 방법, 서버 및 컴퓨터 프로그램
CN112989182A (zh) 信息处理方法、装置、信息处理设备及存储介质
Jha Mastering PyTorch: build powerful neural network architectures using advanced PyTorch 1. x features
KR102334666B1 (ko) 얼굴 이미지 생성 방법
Rungta et al. A deep learning based approach to measure confidence for virtual interviews
Liu et al. R Deep Learning Projects: Master the techniques to design and develop neural network models in R
Prasad et al. Machine learning techniques to understand partial and implied data values for conversion of natural language to SQL queries on HPCC systems
KR20230062130A (ko) 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼
Senapati et al. Image-to-image translation using Pix2Pix GAN and cycle GAN

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant