KR102549778B1 - 다시점에 관련한 복수의 이미지에 대한 전처리를 수행하고, 전처리된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법, 서버 및 컴퓨터 프로그램 - Google Patents

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 발명의 다양한 실시예에 따른 다시점에 관련한 복수의 이미지에 대한 전처리를 수행하고, 전처리된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법이 개시된다. 상기 방법은, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서, 특정 객체를 중심으로 다양한 시점에서 촬영한 복수의 이미지를 획득하는 단계, 상기 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계, 상기 각 이미지에 대응하는 오브젝트 마스크에 기초하여 복수의 이미지 각각에 대응하는 복수의 배경 이미지를 획득하는 단계, 상기 복수의 배경 이미지 및 각 배경 이미지에 대응하는 카메라 정보에 기초하여 깊이 정보를 획득하는 단계 및 상기 복수의 배경 이미지, 상기 각 배경 이미지에 대응하는 상기 카메라 정보 및 상기 깊이 정보에 기초하여 큐브맵을 획득하는 단계를 포함하며, 상기 복수의 이미지는, 하나의 카메라를 활용하여 획득된 다시점 이미지들을 포함하며, 각 이미지는, 인접한 시점에 관련한 인접 이미지들과 적어도 일부가 중첩 영역을 형성하도록 촬영된 이미지인 것을 특징으로 하고, 상기 복수의 이미지를 획득하는 단계는, 상기 하나의 카메라가 구비된 사용자 단말의 움직임에 따라 촬영되는 이미지들을 획득하는 단계, 인접 이미지 간 중첩 영역이 존재하는지 여부를 식별하는 단계, 상기 인접 이미지 간 상기 중첩 영역이 존재하는 경우, 상기 중첩 영역의 크기가 기 설정된 임계치 이상인지 여부를 판별하는 단계 및 상기 중첩 영역의 크기가 기 설정된 임계치 미만인 경우, 추가 이미지를 획득하기 위한 디렉션을 사용자 단말에 전송하는 단계를 포함하며, 상기 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계는, 딥러닝 기반 알고리즘을 통해 상기 각 이미지에서 상기 특정 객체에 관련한 오브젝트 마스크를 추출하는 단계를 포함하고, 상기 방법은, 상기 큐브맵에 대한 보정을 수행하는 단계를 더 포함하며, 상기 보정을 수행하는 단계는, 상기 큐브맵에서 결측 영역을 식별하는 단계 및 상기 결측 영역의 인접 픽셀 값에 기초하여 결측 픽셀 값을 산출하고, 상기 결측 픽셀 값을 통해 상기 결측 영역을 보충시키는 단계를 포함할 수 있다.

Description

다시점에 관련한 복수의 이미지에 대한 전처리를 수행하고, 전처리된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법, 서버 및 컴퓨터 프로그램{METHOD, SERVER AND COMPUTER PROGRAM FOR PERFORMING PRE-PROCESSING ON A PLURALITY OF IMAGES RELATED TO MULTIVIEW AND GENERATING A CUBEMAP THROUGH THE PLURALITY OF IMAGES}

본 발명의 다양한 실시예는 3D 랜더링에 관련한 큐브맵을 생성하기 위한 방법에 관한 것으로, 보다 구체적으로, 다시점에 관련한 복수의 이미지에 기반하여 큐브맵을 생성하는 방법, 서버 및 컴퓨터 프로그램에 관한 것이다.

컴퓨터 그래픽스 분야에서 3D를 효율적으로 실제와 같이 랜더링(Rendering)하기 위하여 이미지 기반 Lighting 방법을 사용한다. 이미지 기반 Lighting 방법은, 랜더링된 물체(또는 오브젝트)에 대한 표면의 반사도를 근사화 하기 위해 주위 환경을 텍스처 형태의 텍스처 이미지로 저장하고, 이를 활용하여 효율적이고 빠르게 반사 특성을 계산하는 방법이다.

이 경우, 텍스처 이미지는, 일반적인 이미지가 아닌 큐브맵(Cube map 또는 Sphere map) 형태 또는 구 형태 공간을 2차원 이미지로 펼친것이며, 물체를 바라보고 있는 카메라의 광선(ray)이 들어올 때 반사되어 큐브맵에 도달한 픽셀 값을 맵핑하는 방식으로 활용된다.

한편, 큐브맵(Cube map 또는 sphere map)은 일반적인 이미지가, 아닌 360도 이미지 또는, 파노라마 이미지를 통해 생성되거나 이미지 스티칭 기법을 통해 생성될 수 있다.

다만, 360도 이미지 또는 파노라마 이미지는, fisheye 렌즈와 같은 특수한 렌즈 혹은 두개 이상의 렌즈가 탑재되어 있는 카메라 등 특수한 하드웨어를 사용하거나, 다시점 카메라를 통해 획득한 이미지들을 스티칭하여 획득하여야 하기 때문에, 특수한 하드웨어를 구비하지 않은 일반 사용자들의 접근이 제한될 수 있다.

이에 따라, 당 업계에는, 일반 카메라를 통해 촬영한 다시점 이미지로부터 Sphere 맵핑을 위한 큐브맵 이미지를 생성하는 알고리즘에 대한 연구 개발 수요가 존재할 수 있다.

공개특허공보 제10-2016-0095870(2016.08.12)

본 발명이 해결하고자 하는 과제는 전술한 배경기술에 대응하여 안출된 것으로, 일반 카메라를 통해 획득한 이미지들을 기반으로 큐브맵을 생성하는 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 다시점에 관련한 복수의 이미지에 대한 전처리를 수행하고, 전처리된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법이 개시된다. 상기 방법은, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서, 특정 객체를 중심으로 다양한 시점에서 촬영한 복수의 이미지를 획득하는 단계, 상기 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계, 상기 각 이미지에 대응하는 오브젝트 마스크에 기초하여 복수의 이미지 각각에 대응하는 복수의 배경 이미지를 획득하는 단계, 상기 복수의 배경 이미지 및 각 배경 이미지에 대응하는 카메라 정보에 기초하여 깊이 정보를 획득하는 단계 및 상기 복수의 배경 이미지, 상기 각 배경 이미지에 대응하는 상기 카메라 정보 및 상기 깊이 정보에 기초하여 큐브맵을 획득하는 단계를 포함하며, 상기 복수의 이미지는, 하나의 카메라를 활용하여 획득된 다시점 이미지들을 포함하며, 각 이미지는, 인접한 시점에 관련한 인접 이미지들과 적어도 일부가 중첩 영역을 형성하도록 촬영된 이미지인 것을 특징으로 하고, 상기 복수의 이미지를 획득하는 단계는, 상기 하나의 카메라가 구비된 사용자 단말의 움직임에 따라 촬영되는 이미지들을 획득하는 단계, 인접 이미지 간 중첩 영역이 존재하는지 여부를 식별하는 단계, 상기 인접 이미지 간 상기 중첩 영역이 존재하는 경우, 상기 중첩 영역의 크기가 기 설정된 임계치 이상인지 여부를 판별하는 단계 및 상기 중첩 영역의 크기가 기 설정된 임계치 미만인 경우, 추가 이미지를 획득하기 위한 디렉션을 사용자 단말에 전송하는 단계를 포함하며, 상기 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계는, 딥러닝 기반 알고리즘을 통해 상기 각 이미지에서 상기 특정 객체에 관련한 오브젝트 마스크를 추출하는 단계를 포함하고, 상기 방법은, 상기 큐브맵에 대한 보정을 수행하는 단계를 더 포함하며, 상기 보정을 수행하는 단계는, 상기 큐브맵에서 결측 영역을 식별하는 단계 및 상기 결측 영역의 인접 픽셀 값에 기초하여 결측 픽셀 값을 산출하고, 상기 결측 픽셀 값을 통해 상기 결측 영역을 보충시키는 단계를 포함할 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 다양한 실시예에 따르면, 일반 카메라를 통해 획득한 이미지들을 기반으로 큐브맵을 생성하는 방법을 제공할 수 있다. 이에 따라, 특수한 하드웨어를 구비하기 위한 추가적인 비용 없이, 이미지 기반 Lighting을 적용해 실 환경을 보다 현실적으로 랜더링할 수 있으며, 나아가 반사 특성을 고려한 3D 변환 모듈을 더욱 고도화하는 효과를 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 다시점에 관련한 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법을 구현하기 위한 시스템을 개략적으로 도시한 예시도이다.
도 2는 본 발명의 일 실시예와 관련된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법을 수행하는 서버의 하드웨어 구성도이다.
도 3은 본 발명의 일 실시예와 관련된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법을 예시적으로 나타낸 순서도를 도시한다.
도 4a는 본 발명의 일 실시예와 관련된 복수의 이미지를 예시적으로 나타낸 예시도이다.
도 4b는 본 발명의 일 실시예와 관련된 각 이미지에 대응하는 오브젝트 마스크를 예시적으로 나타낸 예시도이다.
도 4c는 본 발명의 일 실시예와 관련된 복수의 이미지 각각에 대응하여 산출된 깊이 정보를 예시적으로 나타낸 예시도이다.
도 4d는 본 발명의 일 실시예와 관련된 배경 이미지 각각에 대응하여 산출된 깊이 정보를 예시적으로 나타낸 예시도이다.
도 5는 본 발명의 일 실시예와 관련된 큐브맵을 예시적으로 도시한 예시도이다.
도 6은 본 발명의 일 실시예와 관련된 복수의 이미지에 기반하여 큐브맵을 생성하는 전 과정을 예시적으로 나타낸 예시도이다.
도 7은 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 다시점에 관련한 복수의 이미지를 통해 큐브맵을 생성하기 위한 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, 다시점에 관련한 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법을 제공하는 서버(100)(이하 '서버(100)')는 복수의 이미지에 기반하여 큐브맵을 생성할 수 있다.

구체적으로, 서버(100)는 다시점에 관련한 복수의 이미지를 획득하여 전처리를 수행할 수 있으며, 전처리된 복수의 이미지에 기반하여 큐브맵을 생성할 수 있다. 여기서, 다시점에 관련한 복수의 이미지는, 특정 객체를 중심으로 다양한 시점에서 촬영한 복수의 이미지를 의미할 수 있다. 특히, 다시점에 관련한 복수의 이미지 각각은, 적어도 일부가 중첩 영역을 형성하도록 촬영된 영상인 것을 특징으로 할 수 있다. 또한, 큐브맵은, 어떤 시점을 중심으로 둘러싼 환경들을 미리 랜더링하여 저장할 수 있는 텍스처를 의미할 수 있다. 예컨대, 큐브맵은, 객체의 주위의 장면을 객체가 입방체의 중심으로 있는 것과 같게 표현한 화면 데이터를 포함한 텍스처일 수 있다. 이러한 큐브맵은 3D를 효율적으로 실제와 같이 랜더링하는 과정에서 활용될 수 있다. 즉, 서버(100)는 특정 객체를 기준으로 다양한 시점에서 촬영하여 획득한 복수의 이미지들을 기반으로 3D 랜더링 과정에서 활용되는 큐브맵을 생성할 수 있다.

실시예에서, 복수의 이미지에 대한 전처리는, 각 이미지에 포함된 특정 객체에 관련한 오브젝트 마스크를 획득하기 위한 전처리 및 각 이미지에 대응하는 카메라 정보(예컨대, 카메라 포즈 및 카메라 파라미터 정보 등)를 획득하기 위한 전처리를 포함할 수 있다.

일 실시예에 따르면, 서버(100)는 딥러닝 기반 알고리즘을 활용하여 각 이미지에서 특정 객체에 관련한 오브젝트 마스크를 획득할 수 있다. 여기서 딥러닝 기반 알고리즘은, 이미지로부터 특정 객체에 관련한 오브젝트 마스크를 획득하기 위하여 학습된 신경망 모델(예컨대, CNN 모델)을 의미할 수 있다.

또한, 실시예에 따르면, 서버(100)는 SFM(Structure From Motion) 알고리즘을 통해, 각 아미지에 대응하는 카메라 정보를 산출할 수 있다. SFM 알고리즘은, 2차원에서 촬영한 이미지의 모션정보를 이용해 촬영된 이미지의 카메라 위치나 방향을 역추적한 후 이미지들과 카메라들의 관계를 구조화한 알고리즘일 수 있다. 이러한 SFM 알고리즘을 활용하는 경우, 각 이미지의 고유한 특징점(feature point)를 얻고, 각 촬영 장면마다 특징점들과 관계를 서로 매칭하고 계산하여 카메라의 위치 또는 카메라의 내, 외부 파라미터 정보를 획득할 수 있다.

전술한 바와 같이, 서버(100)는 복수의 이미지에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득할 수 있다.

또한, 서버(100)는 각 이미지에 대응하는 오브젝트 마스크에 기초하여 각 이미지에 대응하는 복수의 배경 이미지를 획득할 수 있으며, 획득한 복수의 배경 이미지를, 각 배경 이미지에 대응하는 카메라 정보에 기초하여 깊이 정보를 획득할 수 있다. 실시예에서, 각 배경 이미지에 대한 깊이 정보는, 딥러닝 기반 MVS(Multi View Stereo) 방법을 통해 획득되는 것을 특징으로 할 수 있다.

또한, 서버(100)는, 각 이미지에 대응하는 카메라 정보와 깊이 정보를 기반으로 각 이미지를 3차원 공간 상에 투영시키고, 3차원 공간 상에 투영된 배경 이미지들의 픽셀값을 기반으로 큐브맵을 획득할 수 있다.

즉, 본 발명은, 특수한 렌즈(예컨대, fisheye) 포함하거나, 두 개의 이상의 렌즈가 탑재되는 등 특수한 하드웨어에 관련한 카메라를 통해 획득된 이미지들 또는 미리 스티칭(stitching)된 이미지들을 기반으로 큐브맵을 생성하는 것이 아닌, 일반적인 카메라(예컨대, 단일 렌즈)를 활용하여 특정 객체를 중심으로 촬영한 다시점에 관련한 복수의 이미지를 기반으로 큐브맵을 생성하는 것을 특징으로 할 수 있다. 이는, 특수한 하드웨어를 구비된 카메라, 또는 스티칭된 이미지를 활용하는 것이 아니기 때문에, 별도의 하드웨어를 구비하거나 전문적인 지식이 없는 사용자로 하여금, 큐브맵 생성에 편의성을 향상시키는 효과를 제공할 수 있다. 본 발명의 다시점에 관련한 복수의 이미지들을 기반으로 큐브맵을 생성하는 방법에 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 복수의 이미지에 대응하여 생성된 큐브맵을 제공받을 수 있는 단말로, 사용자가 소지한 단말을 의미할 수 있다. 또한, 실시예에서, 사용자 단말(200)은 다시점에 관련한 복수의 이미지를 획득할 수 있는 단말일 수 있다. 예컨대, 사용자 단말(200)은 이미지를 획득하기 위한 이미지 모듈(예컨대, 카메라)을 구비하고 있으며, 해당 이미지 모듈을 활용하여 특정 객체를 중심으로 한 다양한 시점에 관련한 복수의 이미지를 촬영하여 획득할 수 있다. 실시예에서, 사용자 단말(200)에 구비된 카메라 모듈은, 단일 렌즈를 통해 구비된 일반적인 카메라 모듈인 것을 특징으로 할 수 있다. 즉, 본 발명에서 활용되는 복수의 이미지는, 특수한 렌즈(예컨대, fisheye 렌즈)를 포함하는 카메라 모듈을 통해 획득된 360도 이미지(또는, 파노라마 이미지) 또는, 별도의 스티칭 작업이 수행된 이미지들이 아닌, 일반 카메라 모듈을 통해 획득되는 이미지들일 수 있다.

실시예에서, 사용자 단말(200)을 통해 획득한 복수의 이미지들은 서버(100)로 전송될 수 있으며, 서버(100)는 복수의 이미지들에 대응하는 큐브맵을 생성하여 사용자 단말(200)로 제공할 수 있다.

즉, 특수한 하드웨어를 사용하여 획득된 이미지(예컨대, 파노라마 이미지)나, 또는 다시점 카메라를 통해 획득한 이미지들에 대한 별도의 스티칭이 수행된 복수의 이미지들이 아닌, 일반적인 카메라 모듈을 통해 획득한 이미지들을 통해 보다 용이하게 큐브맵을 생성할 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 다시점에 관련한 복수의 이미지를 통해 큐브맵을 생성하는 방법을 수행하기 위해 필요한 각종 정보/데이터를 제공하거나, 복수의 이미지를 통해 큐브맵을 생성하기 위한 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, 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법을 수행하는 서버(100)의 하드웨어 구성에 대해 설명하도록 한다.

도 2는 본 발명의 일 실시예와 관련된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법을 수행하는 서버의 하드웨어 구성도이다.

도 2를 참조하면, 본 발명의 일 실시예와 관련된 복수의 이미지를 통해 큐브맵을 생성하기 위한 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 복수의 이미지를 통해 큐브맵을 생성하기 위한 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 복수의 이미지를 통해 큐브맵을 생성하기 위한 프로세스를 수행하는 경우, 스토리지(150)는 복수의 이미지를 통해 큐브맵을 생성하기 위한 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 특정 객체를 중심으로 다양한 시점에서 촬영한 복수의 이미지를 획득하는 단계, 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계, 각 이미지에 대응하는 오브젝트 마스크에 기초하여 복수의 이미지 각각에 대응하는 복수의 배경 이미지를 획득하는 단계, 복수의 배경 이미지 및 각 이미지에 대응하는 카메라 정보에 기초하여 깊이 정보를 획득하는 단계 및 복수의 배경 이미지, 각 배경 이미지에 대응하는 카메라 정보 및 깊이 정보에 기초하여 큐브맵을 획득하는 단계를 포함하는 복수의 이미지를 통해 큐브맵을 생성하기 위한 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 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법에 대하여 구체적으로 후술하도록 한다.

도 3은 본 발명의 일 실시예와 관련된 복수의 이미지를 통해 큐브맵을 생성하기 위한 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, 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법은, 특정 객체를 중심으로 다양한 시점에서 촬영한 복수의 이미지를 획득하는 단계(S110)를 포함할 수 있다. 실시예에서, 복수의 이미지의 획득은 메모리(120)에 저장된 데이터를 수신하거나 또는 로딩(loading)하는 것일 수 있다. 복수의 이미지의 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, 복수의 이미지는 사용자 단말로부터 수신될 수 있다.

복수의 이미지는, 단일 렌즈를 통해 구비되는 카메라를 활용하여 획득된 다시점 이미지들을 포함할 수 있다. 각 이미지는, 특정 객체를 포함할 수 있으며, 인접한 시점에 관련한 인접 이미지들과 적어도 일부가 중첩 영역을 형성하도록 촬영된 이미지인 것을 특징으로 할 수 있다. 즉, 본 발명에서 큐브맵 생성에 기반이 되는 복수의 이미지는, 특정 객체를 중심으로 촬영된 이미지일 수 있으며, 각 이미지가 서로 중첩 영역을 형성하는 것을 특징으로 할 수 있다. 이러한 복수의 이미지는, 사용자 단말을 통해 획득될 수 있다. 예컨대, 사용자 단말(200)은 카메라 모듈을 구비할 수 있으며, 카메라 모듈을 통해 복수의 이미지를 획득하여 서버(100)로 전송할 수 있다. 구체적인 예를 들어, 사용자는, 사용자 단말(200)을 통해 도 4a에 도시된 바와 같이, 특정 객체(예컨대, 화분)을 기준으로 하는 다양한 시점의 복수의 이미지를 획득할 수 있다. 사용자 단말(200)을 통해 획득되는 복수의 이미지는, 특정 객체(예컨대, 화분)를 중심으로 다양한 시점에서 촬영한 이미지들을 포함할 수 있다.

실시예에서, 서버(100)는 복수의 이미지 각각에서의 특정 객체의 존재 유무 및 복수의 이미지 간 중첩 영역의 존재 유무에 기초하여 큐브맵 생성에 관련한 적정성을 판별할 수 있다. 여기서 적정성 판별이란, 획득된 복수의 이미지가 큐브맵 생성에 적합한 이미지들인지 여부를 판별하는 것을 의미할 수 있다.

구체적으로, 복수의 이미지를 획득하는 단계는, 사용자 단말의 움직임에 따라 촬영되는 이미지들을 획득하는 단계, 각 이미지에서 특정 객체가 존재하는지 여부를 식별하는 단계 및 특정 객체가 존재하지 않는 이미지들을 제거하는 단계를 포함할 수 있다. 서버(100)는 사용자 단말(200)로부터 복수의 이미지를 획득하는 경우, 각 이미지에 특정 객체가 포함되어 있는지 여부를 판별할 수 있다. 본 발명은, 특정 객체를 기준으로 주변 배경 이미지들에 기반하여 큐브맵을 생성함에 따라, 중심이 되는 특정 객체가 각 이미지에 포함되어 있어야 한다. 예컨대, 특정 객체를 포함하지 않는 이미지가 활용되는 경우, 큐브맵 생성의 정확도를 저하시킬 수 있다. 이에 따라, 서버(100)는 특정 객체가 포함되어 있지 않는 이미지들을 큐브맵 생성에 적절하지 않은 이미지를 판별할 수 있다. 서버(100)는 큐브맵 생성에 적절하지 않은 것으로 판별된 이미지들을 제외시킬 수 있다. 즉, 서버(100)는 큐브맵 생성 과정에서 이미지들의 중심이 되는 특정 객체를 포함하는 이미지들 만을 선별하여 큐브맵 생성에 활용할 수 있다.

또한, 복수의 이미지를 획득하는 단계는, 사용자 단말의 움직임에 따라 촬영되는 이미지들을 획득하는 단계, 인접 이미지 간 중첩 영역이 존재하는지 여부를 식별하는 단계, 인접 이미지 간 중첩 영역이 존재하는 경우, 중첩 영역의 크기가 기 설정된 임계치 이상인지 여부를 판별하는 단계 및 중첩 영역의 크기가 임계치 미만인 경우, 추가 이미지를 획득하기 위한 디렉션을 사용자 단말에 전송하는 단계를 포함할 수 있다.

실시예에 따르면, 복수의 이미지들은, 큐브맵 생성에 활용되는 이미지이기 때문에, 적어도 일부가 중첩 영역을 갖도록 촬영되어야 할 수 있다. 예컨대, 인접 이미지 간 중첩 영역이 존재하지 않거나, 또는 중첩되는 영역이 현저히 적은 이미지들(즉, 중첩 영역의 크기가 기 설정된 임계치 미만인 이미지들)의 경우, 카메라 정보 산출이 어렵기 때문에 큐브맵 생성에 적절하지 않은 이미지들일 수 있다. 실시예에서, 기 설정된 임계치에 관련한 중첩 영역의 크기는, 인접 이미지 와 70% 이상 중첩되는 영역이 형성되는 것에 관련할 수 있다. 예컨대, 인접 이미지 간 오버랩되는 영역이 70% 이상인 경우, 중첩 영역의 크기가 기 설정된 임계치 이상인 것일 수 있다. 이에 따라, 서버(100)는 인접 이미지 간 중첩 영역의 크기가 기 설정된 임계치 미만인 이미지들이 식별된 경우, 추가 이미지를 획득하기 위한 디렉션을 생성하고, 이를 사용자 단말에 전송할 수 있다. 이 경우, 추가 이미지를 획득하기 위한 디렉션은, 특정 이미지를 기준으로 좌, 우, 상, 하 등 다양한 각도로 이동하여 이미지를 촬영하라는 정보를 포함할 수 있다. 예컨대, 제1이미지 및 제1이미지와 인접한 제2이미지 간 중첩 영역의 크기가 기 설정된 임계치 미만인 경우, 서버(100)는 제1이미지를 기준으로, 제1이미지와 일정 이상의 중첩 영역을 형성하도록 하는 각도로 이미지를 촬영할 수 있도록 하는 디렉션을 생성할 수 있다. 사용자는 사용자 단말(200)에 표시된 디렉션에 기반한 추가적인 촬영을 통해 추가 이미지들을 획득하고, 이를 서버(100)로 전송할 수 있다.

즉, 서버(100)는 인접 이미지 간의 중첩 영역에 기초하여 큐브맵 생성에 필요한 추가적인 이미지들(예컨대, 일정 이상의 중첩 영역을 갖는 이미지들)이 필요한지 여부를 판별하고, 추가적인 이미지가 필요한 것으로 판별된 경우, 추가적인 이미지를 획득하도록 하는 디렉션을 생성할 수 있다. 사용자는 자신의 단말에 표시된 디렉션에 따라 용이하게 추가 이미지를 촬영하여 서버(100)로 전송하게 되며, 서버(100)는 이러한 보충된 이미지들을 활용하여 큐브맵 생성할 수 있다.

본 발명의 일 실시예에 따르면, 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법은, 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계(S120)를 포함할 수 있다.

실시예에서, 복수의 이미지에 대한 전처리는, 각 이미지에 포함된 특정 객체에 관련한 오브젝트 마스크를 획득하기 위한 전처리 및 각 이미지에 대응하는 카메라 정보를 획득하기 위한 전처리를 포함할 수 있다.

구체적으로, 서버(100)는 딥러닝 기반 알고리즘을 활용하여 각 이미지에서 특정 객체에 관련한 오브젝트 마스크를 획득할 수 있다. 딥러닝 기반 알고리즘은, 이미지로부터 특정 객체에 관련한 오브젝트 마스크를 획득하기 위하여 학습된 신경망 모델(예컨대, CNN 모델)을 의미할 수 있다. 딥러닝 기반 알고리즘은, 예를 들어, 하나의 영역을 대표하는 특징을 기반으로 하여 유사한 화소들을 하나의 단위로 간주하고, 동일한 성질을 갖는 영역들을 분할하는 영역 기반 영역화 방법 및 이미지에서 경계선(edge)을 추출한 후 얻어진 경계선 정보를 이용하여 의미 있는 영역들을 추출하는 경계선 기반 영역화 방법 등을 통해 이미지 내에서 특정 객체에 관련한 오브젝트 마스크를 획득할 수 있다.

일 실시예에 따르면, 서버(100)는 SFM(Structure From motion) 알고리즘을 활용하여 각 이미지에 대응하는 카메라 정보를 획득할 수 있다.

SFM 알고리즘은, 2차원에서 촬영한 이미지의 모션정보를 이용해 촬영된 이미지의 카메라 위치나 방향을 역추적한 후 이미지들과 카메라들의 관계를 구조화한 알고리즘일 수 있다. 이러한 SFM 알고리즘을 활용하는 경우, 각 이미지의 고유한 특징점(feature point)를 얻고, 각 촬영 장면마다 특징점들과 관계를 서로 매칭하고 계산하여 카메라의 위치를 획득할 수 있다.

구체적으로, 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계는, 복수의 이미지 각각에서 특징점을 추출하는 단계, 추출된 특징점을 인접 이미지와 매칭하는 단계, 매칭된 점들을 기반으로 각 이미지에 대응하는 초기 카메라 정보를 획득하는 단계, 초기 카메라 정보에 대한 최적화를 수행하여 각 이미지에 대응하는 카메라 정보를 획득하는 단계를 포함할 수 있다.

좀 더 자세히 설명하면, 서버(100)는 각 이미지에서 특징점들을 추출하고, 추출된 특징점들을 인접 이미지와 매칭시킬 수 있다. 각 이미지의 특징점들이 인접 이미지의 특징점들과 매칭됨에 따라 모든 이미지에 대응하는 초기 카메라 정보가 계산될 수 있다. 여기서 초기 카메라 정보는, 카메라 포즈 및 카메라 파라미터(내부 파라미터 및 외부 파라미터)에 관한 정보를 포함할 수 있다. 또한, 서버(100)는 Bundle adjustment를 통해 초기 카메라 정보에 대한 최적화를 수행하여 카메라 정보를 획득할 수 있다. 이 경우, Bundle adjustment는, 특징점들을 기반으로 추정할 수 있는 3차원 포지션과 각 이미지들간 3차원 연계 모션을 동시에 최적화하는 알고리즘을 의미할 수 있다. 즉, 서버(100)는 각 이미지들의 특징점들을 연계하여 매칭하여 초기 카메라 정보를 계산하고 이를 최적화하는 과정을 통해 카메라 정보를 획득할 수 있다.

본 발명의 일 실시예에 따르면, 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법은, 각 이미지에 대응하는 오브젝트 마스크에 기초하여 복수의 이미지 각각에 대응하는 복수의 배경 이미지를 획득하는 단계(S130)를 포함할 수 있다.

실시예에 따르면, 본 발명은 특정 객체의 주위 환경을 통해 반사 특성을 근사화하여 계산하기 때문에, 특정 객체를 제외한 배경 이미지가 필요하다. 이를 위해서 이미지로부터 오브젝트 마스크를 계산하고, 오브젝트 마스크에 대응하는 마스크 이미지를 활용하여 배경 이미지를 추출할 수 있다. 구체적인 예를 들어, 도 4a 및 도 4b를 참조하면, 특정 객체에 관련한 오브젝트 마스크를 통해 마스크 이미지 추출될 수 있다. 이 경우, 마스크 이미지가 추출됨에 따라 각 시점 별 배경 이미지가 획득되게 된다.

본 발명의 일 실시예에 따르면, 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법은, 복수의 배경 이미지 및 각 이미지에 대응하는 카메라 정보에 기초하여 깊이 정보를 획득하는 단계(S140)를 포함할 수 있다.

실시예에 따르면, 2차원 이미지를 3차원으로 투영하기 위해서는 각 픽셀 별로 실세계의 오브젝트가 카메라 모듈로부터 얼마나 떨어져 있는지에 대한 정보가 요구될 수 있다. 이를 위해 서버(100)는 각 이미지 대응하는 카메라 정보에 기초하여 깊이 정보를 획득할 수 있다.

보다 구체적으로, 복수의 배경 이미지 및 각 이미지에 대응하는 카메라 정보에 기초하여 깊이 정보를 획득하는 단계는, MVS 알고리즘을 활용하여 각 배경 이미지에 대응하는 깊이 정보를 추출하는 것을 특징으로 할 수 있다. MVS 알고리즘은, 임의의 화각에서 획득한 여러 시점의 복수의 이미지를 기반으로 카메라 위치 정보를 활용하여 정교한 깊이 정보를 획득하는 알고리즘이다. 구체적인 실시예에서, 본 발명은, MVS 알고리즘 중 UniMVSNet 알고리즘을 활용하여 각 시점 별 이미지에 대응하는 깊이 정보를 예측할 수 있다.

즉, 서버(100)는 딥러닝 기반 MVS 알고리즘을 통해 각 시점 별 이미지에 대응하여 정확한 깊이 정보를 획득할 수 있다. 도 4c는 카메라와 객체들 간의 거리(즉, 깊이)를 색의 농도를 통해 예시적으로 표현한 것이다. 도 4c에 도시된 바와 같이, 각 시점 별 이미지에 대응하여 깊이 정보가 획득될 수 있다. 이러한 깊이 정보가 획득됨에 따라, 각 이미지의 픽셀 점들을 3차원 공간 상에 투영시킬 수 있게 된다.

일 실시예에 따르면, 본 발명은, 오브젝트 마스크를 통해 특정 객체가 제거된 상태의 배경 이미지들에 대응하여, 각 시점 별 배경 이미지에 대응하는 깊이 정보가 획득되는 것을 특징으로 할 수 있다. 본 발명에서 복수의 이미지는, 각 이미지 간의 연관 관계를 식별하기 위해 특정 객체를 기준으로 촬영되나, 생성되는 큐브맵에서는 특정 객체가 제외되어야 한다. 이에 따라, 서버(100)는 오브젝트 마스크를 통해 각 이미지에서 특정 객체를 제거하여 배경 이미지들을 획득하고, 획득된 배경 이미지들 각각에 대응하는 깊이 정보를 획득할 수 있다. 즉, 도 4d에 도시된 바와 같이, 각 시점 별 배경 이미지 각각에 대응하여 깊이 정보가 획득될 수 있다.

본 발명의 일 실시예에 따르면, 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법은, 복수의 배경 이미지, 각 배경 이미지에 대응하는 카메라 정보 및 깊이 정보에 기초하여 큐브맵을 획득하는 단계(S150)를 포함할 수 있다. 본 발명에서 큐브맵은, 어떤 시점을 중심으로 둘러싼 환경들을 미리 랜더링하여 저장할 수 있는 텍스처를 의미할 수 있다. 예컨대, 큐브맵은, 객체의 주위의 장면을 객체가 입방체의 중심으로 있는 것과 같게 표현한 화면 데이터를 포함한 텍스처일 수 있다. 이러한 큐브맵은 3D를 효율적으로 실제와 같이 랜더링하는 과정에서 활용될 수 있다.

실시예에서, 큐브맵을 획득하는 단계는, 각 배경 이미지에 대응하는 카메라 정보 및 깊이 정보에 기초하여 복수의 배경 이미지를 3차원 공간으로 투영시키는 단계를 포함할 수 있다. 구체적으로, 서버(100)는 각 배경 이미지 대응하는 카메라 정보와 깊이 정보를 통해 배경 이미지를 3차원 포인트 클라우드로 재투영할 수 있다. 3차원 공간 상에서의 점을 계산하는 방법은 하기의 수식과 같을 수 있다.

위 수식에서

는 깊이 값을 나타내며,

는 픽셀 좌표,

는 카메라 내부 파라미터,

는 카메라 외부 파라미터(회전

, 이동

)를 나타낸다. 카메라 내부 파라미터의 역행렬을 깊이 값을 포함한 픽셀 좌표에 행렬 곱하여 이미지 좌표계를 카메라 좌표계로 변환 후, 카메라 외부 파라미터의 역행렬을 다시 행렬 곱하여 월드 좌표계로 변환할 수 있다. 즉, 상기와 수식을 활용하여 각 배경 이미지를 3차원 공간 상에 투영시킬 수 있다.

또한, 큐브맵을 획득하는 단계는, 3차원 공간 상에 투영된 복수의 배경 이미지에 기초하여 큐브맵을 획득하는 단계를 포함할 수 있다.

보다 구체적으로, 3차원 공간 상에 투영된 복수의 배경 이미지에 기초하여 큐브맵을 획득하는 단계는, 3차원 공간 상의 각 점에 대응하는 좌표를 구면 좌표계에 대응하는 구면 좌표로 변환하는 단계를 포함할 수 있다. 서버(100)는 3차원 공간으로 재투영된 점들을 구면(Spherical) 좌표계로 변환해 Sphere 공간의 점들로 다시 표현할 수 있다. 3차원 카테시안(Cartesian) 좌표를 구면 좌표로 변환하는 식은 하기와 같다.

또한, 3차원 공간 상에 투영된 복수의 배경 이미지에 기초하여 큐브맵을 획득하는 단계는, 각 점의 구면 좌표 및 각 점에 대응하는 픽셀 값에 기초하여 큐브맵을 생성하는 단계를 포함할 수 있다. 서버(100)는 3차원 공간 상에 재투영된 점들을 구면 좌표로 변환하게 된다. 이 경우, 서버(100)는 각 점들에 대응하는 구면 좌표와 각 픽셀 값을 기반하여 큐브맵 이미지로 맵핑할 수 있으며, 맵핑된 결과 이미지 즉, 큐브맵은, 도 5에 도시된 바와 같을 수 있다.

다양한 일 실시예에 따르면, 서버(100)는 생성된 큐브맵의 빈 공간에 대해 Inpainting을 수행할 수 있다. 예컨대, 최종 생성된 큐브맵에는 관측하지 못한 빈 공간이 포함되어 있을 수 있다. 이에 따라, 서버(100)는 큐브맵에 대한 보정을 수행할 수 있다.

구체적으로, 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법은, 큐브맵에 대한 보정을 수행하는 단계를 더 포함할 수 있다. 여기서, 보정을 수행하는 단계는, 큐브맵에서 결측 영역을 식별하는 단계를 포함할 수 있다. 예컨대, 결측 영역(또는 빈 공간)은 복수의 이미지를 통해 식별되지 않은 부분에 관련한 영역일 수 있다. 서버(100)는 큐브맵 상에서 관측되지 않은 빈 공간에 관련한 결측 영역을 식별할 수 있다.

또한, 보정을 수행하는 단계는, 결측 영역의 인접 픽셀 값에 기초하여 결측 픽셀 값을 산출하고, 결측 픽셀 값을 통해 결측 영역을 보충시키는 단계를 포함할 수 있다. 다시 말해, 서버(100)는 인접한 픽셀값들과 유사도록 결측 픽셀 값을 산출하고, 이를 통해 결측 영역을 보충하여 자연스러운 큐브맵을 생성할 수 있다.

즉, 서버(100)는 큐브맵 상에서 빈 공간(즉, 결측 영역)이 식별되는 경우, 빈 공간의 인접 픽셀들을 통해 interpolation하여 빈 공간에 대한 값을 계산하고 이에 기반하여 해당 영역을 보충할 수 있다. 이는 관측되지 않은 부분을 보충하여 자연스러운 큐브맵을 생성 및 제공할 수 있다는 장점이 있다.

도 6을 참조하여 본 발명의 전체 프로세스를 정리하면, 서버(100)는 획득된 복수의 이미지에 대한 전처리를 수행하여 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득할 수 있다. 또한, 서버(100)는 MVS 알고리즘을 활용하여 각 이미지에 대응하는 카메라 정보를 기반으로 각 이미지에 대응하는 깊이 정보를 획득할 수 있다.

보다 자세한 실시예에서, 서버(100)는 각 이미지에 대응하는 오브젝트 마스크를 추출하여 각 이미지에 대응하는 배경 이미지를 획득할 수 있으며, 각각의 배경 이미지의 카메라 정보를 기반으로 각 배경 이미지에 대응하는 깊이 정보를 획득하게 된다. 이에 따라, 각 이미지에서 특정 객체가 제거된 상태의 이미지들(예컨대, 배경 이미지들)과 그에 대응하는 깊이 정보가 획득될 수 있다.

서버(100)는 이러한 배경 이미지들과 각 배경 이미지에 대응하는 깊이 정보 및 카메라 정보를 통해 큐브맵을 생성할 수 있다. 구체적으로, 서버(100)는 각 배경 이미지의 깊이 정보와 카메라 정보를 통해 2차원 이미지를 3차원 공간으로 다시 투영할 수 있다. 또한, 서버(100)는 3차원 공간 점 좌표를 구면 좌표로 변환하여 구 공간의 점들로 다시 표현할 수 있다. 이에 따라, 서버(100)는 각 점들의 구면 좌표와 각 픽셀 값을 통해 큐브맵 이미지를 맵핑할 수 있다.

또한, 서버(100)는 생성된 큐브맵에서 관측하지 못한 빈공간에 대한 보정을 수행할 수 있다. 구체적으로, 서버(100)는 큐브맵에서 결측 영역을 식별하고, 해당 영역의 인접 픽셀들을 통해 interpolation하여 빈 공간에 대한 값을 계산하고 이에 기반하여 해당 영역을 보충할 수 있다. 즉, 서버(100)는 빈 공간에 대한 Inpainting을 통해 자연스러운 큐브맵을 생성 및 제공할 수 있다.

따라서, 본 발명은, 큐브맵 생성에 기반이되는 파노라마 이미지를 획득하기 위한 특수한 하드웨어 장비(예컨대, 특수한 렌즈)를 구비하거나, 또는 획득한 이미지들에 대한 별도의 스티칭 작업이 없이, 일반적인 카메라를 통해 획득한 이미지들을 기반으로 큐브맵을 생성하여 제공할 수 있다. 이는 사용자로 하여금, 실환경을 보다 현실적으로 랜더링할 수 있도록 하며, 나아가 반사 특성을 고려한 3D 변환 모듈을 더욱 고도화하는 효과를 제공할 수 있다.

도 7은 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 입력 레이어와 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 (1)

1. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서,
   특정 객체를 중심으로 다양한 시점에서 촬영한 복수의 이미지를 획득하는 단계;
   상기 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계;
   상기 각 이미지에 대응하는 오브젝트 마스크에 기초하여 복수의 이미지 각각에 대응하는 복수의 배경 이미지를 획득하는 단계;
   상기 복수의 배경 이미지 및 각 배경 이미지에 대응하는 카메라 정보에 기초하여 깊이 정보를 획득하는 단계; 및
   상기 복수의 배경 이미지, 상기 각 배경 이미지에 대응하는 상기 카메라 정보 및 상기 깊이 정보에 기초하여 큐브맵을 획득하는 단계; 를 포함하며,
   상기 복수의 이미지는,
   하나의 카메라를 활용하여 획득된 다시점 이미지들을 포함하며,
   각 이미지는, 인접한 시점에 관련한 인접 이미지들과 적어도 일부가 중첩 영역을 형성하도록 촬영된 이미지인 것을 특징으로 하고,
   상기 복수의 이미지를 획득하는 단계는,
   상기 하나의 카메라가 구비된 사용자 단말의 움직임에 따라 촬영되는 이미지들을 획득하는 단계; 인접 이미지 간 중첩 영역이 존재하는지 여부를 식별하는 단계; 상기 인접 이미지 간 상기 중첩 영역이 존재하는 경우, 상기 중첩 영역의 크기가 기 설정된 임계치 이상인지 여부를 판별하는 단계; 및 상기 중첩 영역의 크기가 기 설정된 임계치 미만인 경우, 추가 이미지를 획득하기 위한 디렉션을 사용자 단말에 전송하는 단계; 를 포함하며,
   상기 복수의 이미지 각각에 대한 전처리를 통해 각 이미지에 대응하는 오브젝트 마스크 및 카메라 정보를 획득하는 단계는,
   딥러닝 기반 알고리즘을 통해 상기 각 이미지에서 상기 특정 객체에 관련한 오브젝트 마스크를 추출하는 단계; 를 포함하고,
   상기 방법은,
   상기 큐브맵에 대한 보정을 수행하는 단계; 를 더 포함하며,
   상기 보정을 수행하는 단계는,
   상기 큐브맵에서 결측 영역을 식별하는 단계; 및
   상기 결측 영역의 인접 픽셀 값에 기초하여 결측 픽셀 값을 산출하고, 상기 결측 픽셀 값을 통해 상기 결측 영역을 보충시키는 단계; 를 포함하는,
   다시점에 관련한 복수의 이미지에 대한 전처리를 수행하고, 전처리된 복수의 이미지를 통해 큐브맵을 생성하기 위한 방법.
   

Images