KR102553146B1 - 영상 처리 장치 및 그 동작방법 - Google Patents

Abstract

영상 처리 장치에 관한 것으로, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는, 제1 영상을 하나 이상의 가중치들을 포함하는 커널과 디컨볼루션 연산을 수행함으로써, 제2 영상을 생성하고, 상기 제2 영상에 기초하여, 상기 하나 이상의 가중치들의 값을 설정하고, 상기 커널 내에서의 상기 가중치들의 위치에 기초하여, 상기 가중치들의 값을 조정하는, 영상 처리 장치가 개시된다.

Description

영상 처리 장치 및 그 동작방법{Image processing apparatus and operating method for the same}

다양한 실시예들은 디컨볼루션 연산을 수행하는 영상 처리 장치 및 그 동작방법에 관한 것으로서, 더욱 상세하게는 디컨볼루션 연산 수행 시, 체커보드 아티팩트의 발생을 방지하는 영상 처리 장치 및 그 동작방법에 관한 것이다.

컴퓨터 기술의 발달과 함께 데이터 트래픽이 지수함수 형태로 증가하면서 인공지능은 미래 혁신을 주도하는 중요한 트랜드로 자리잡았다. 인공지능은 사람의 사고방식을 모방하는 방식이기 때문에 사실상 전 산업에 무한하게 응용이 가능하다. 인공지능의 대표적인 기술로는 패턴 인식, 기계 학습, 전문가 시스템, 뉴럴 네트워크, 자연어 처리 등이 있다.

뉴럴 네트워크는 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 것으로, 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여, 뉴럴 네트워크는 입력 데이터와 출력 데이터 사이의 사상(mapping)을 생성할 수 있고, 이러한 사상을 생성하는 능력은 뉴럴 네트워크의 학습 능력이라고 표현될 수 있다. 또한, 뉴럴 네트워크는 학습된 결과에 기초하여, 학습에 이용되지 않았던 입력 데이터에 대하여, 올바른 출력 데이터를 생성할 수 있는 일반화 능력을 가진다.

컨볼루션 뉴럴 네트워크(CNN: Convolution Neural Network) 등에서, 입력 영상의 크기보다 큰 출력 영상을 생성하기 위해 디컨볼루션 레이어가 이용될 수 있다. 그러나, 디컨볼루션 레이어를 이용하여 디컨볼루션 연산을 수행하는 경우, 디컨볼루션 연산에 적용되는 스트라이드의 크기와 커널의 크기에 따라 출력 영상의 위치 별로 커널이 오버랩되는 정도가 달라지게 된다. 이에 따라, 출력 영상에 체커보드 아티팩트가 발생하는 문제점이 있다.

다양한 실시예들은, 디컨볼루션 연산에 적용되는 커널에 포함되는 가중치들의 위치에 기초하여, 정규화를 수행함으로써, 디컨볼루션 연산 수행 시, 체커보드 아티팩트의 발생을 방지할 수 있는 영상 처리 장치 및 그 동작방법을 제공할 수 있다.

일 실시예에 따른 영상 처리 장치는 하나 이상의 인스트럭션들을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는, 제1 영상을 하나 이상의 가중치들을 포함하는 커널과 디컨볼루션 연산을 수행함으로써, 제2 영상을 생성하고, 상기 제2 영상에 기초하여, 상기 하나 이상의 가중치들의 값을 설정하고, 상기 커널 내에서의 상기 가중치들의 위치에 기초하여, 상기 가중치들의 값을 조정할 수 있다.

일 실시예에 따른 프로세서는, 상기 가중치들의 위치에 기초하여, 상기 가중치들을 복수의 그룹들로 분할하고, 상기 복수의 그룹들 각각을 정규화할 수 있다.

일 실시예에 따른 프로세서는, 상기 복수의 그룹들 각각에 포함되는 가중치들의 합이 동일하도록 상기 가중치들의 값을 조정할 수 있다.

일 실시예에 따른 프로세서는, 상기 복수의 그룹들 각각에 포함되는 가중치들의 합이 1이 되도록 상기 가중치들의 값을 조정할 수 있다.

일 실시예에 따른 프로세서는, 상기 커널의 크기 및 상기 디컨볼루션 연산에 적용되는 스트라이드(stride)의 크기에 기초하여, 상기 복수의 그룹들의 개수를 결정할 수 있다.

일 실시예에 따른 프로세서는, 상기 커널의 크기 및 상기 디컨볼루션 연산에 적용되는 스트라이드(stride)의 크기에 기초하여, 상기 복수의 그룹들 각각에 포함되는 가중치들의 개수를 결정할 수 있다.

일 실시예에 따른 프로세서는, 상기 커널에, 스무딩 함수를 포함하는 신뢰도 맵을 적용하여, 상기 가중치들의 값을 조정할 수 있다.

일 실시예에 따른 스무딩 함수는, 상기 신뢰도 맵의 중심을 기준으로 점진적으로 값이 변화하는 형태의 함수를 포함할 수 있다.

일 실시예에 따른 스무딩 함수는, 리니어 함수, 가우시안 함수, 라플라시안 함수, 스플라인 함수 중 적어도 하나를 포함할 수 있다.

일 실시예에 따른 제2 영상의 크기는, 상기 제1 영상의 크기보다 클 수 있다.

일 실시예에 따른 영상 처리 장치의 동작방법은, 제1 영상을 하나 이상의 가중치들을 포함하는 커널과 디컨볼루션 연산을 수행함으로써, 제2 영상을 생성하는 단계, 상기 제2 영상에 기초하여, 상기 하나 이상의 가중치들의 값을 설정하는 단계, 및 상기 커널 내에서의 상기 가중치들의 위치에 기초하여, 상기 가중치들의 값을 조정하는 단계를 포함할 수 있다.

일 실시예에 따른 컴퓨터 프로그램 제품은, 제1 영상을 하나 이상의 가중치들을 포함하는 커널과 디컨볼루션 연산을 수행함으로써, 제2 영상을 생성하는 단계, 상기 제2 영상에 기초하여, 상기 하나 이상의 가중치들의 값을 설정하는 단계, 및 상기 커널 내에서의 상기 가중치들의 위치에 기초하여, 상기 가중치들의 값을 조정하는 단계를 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체를 포함할 수 있다.

일 실시예에 따른 영상 처리 장치는, 디컨볼루션 연산에 따른 체커보드 아티팩트의 발생을 방지할 수 있다.

일 실시예에 따른 영상 처리 장치는, 디컨볼루션 연산을 수행함으로써, 영상의 사이즈를 조절(예를 들어, 사이즈 확대)할 수 있으며, 디컨볼루션 연산으로 영상의 사이즈를 조절함으로써, 고품질의 영상을 생성할 수 있다.

일 실시예에 따른 영상 처리 장치는, 디컨볼루션 연산으로 영상의 사이즈를 조절함으로써, 다른 연산을 이용하는 것에 비해, 연산량 및 메모리의 크기를 감소시킬 수 있다.

도 1은 일 실시예에 따른 영상 처리 장치가 디컨볼루션 연산을 이용하여 영상을 생성하는 방법을 나타내는 도면이다.
도 2는 일 실시예에 따른 디컨볼루션 연산이 처리되는 과정을 설명하기 위해 참조되는 도면이다.
도 3은, 일 실시예에 따른 디컨볼루션 연산이 처리되는 과정을 구체적으로 설명하기 위해 참조되는 도면이다.
도 4는, 디컨볼루션 연산 수행 시 발생하는, 체커보드 아티팩트를 설명하기 위해 참조되는 도면이다.
도 5는 일 실시예에 따른 영상 처리 장치의 동작방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 커널에 포함되는 하나 이상의 가중치들의 값을 조정하는 방법을 설명하기 위해 참조되는 도면이다.
도 7은, 일 실시예에 따른 커널에 포함되는 가중치들을 복수의 그룹들로 분할하는 방법을 설명하기 위해 참조되는 도면이다.
도 8은 일 실시예에 따라 체커보드 아티팩트가 발생한 영상과 체커보드 아티팩트가 발생하지 않은 영상을 도시하는 도면이다.
도 9는 일 실시예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.
도 10은 일 실시예에 따른 프로세서(120)의 블록도이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

아래에서는 첨부한 도면을 참고하여 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

도 1은 일 실시예에 따른 영상 처리 장치가 디컨볼루션 연산을 이용하여 영상을 생성하는 방법을 나타내는 도면이다.

도 1을 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 뉴럴 네트워크(Neural Network)(20)를 이용하여, 영상을 생성할 수 있다. 영상 처리 장치(100)는 뉴럴 네트워크(20)를 이용하여, 제1 영상(input)에 대한 특징 정보를 추출하고, 추출된 특징 정보에 기초하여, 제2 영상(output)을 생성할 수 있다.

뉴럴 네트워크(20)는 하나 이상의 디컨볼루션(deconvolution) 레이어들을 포함할 수 있으며, 디컨볼루션 레이어들 각각에서는, 디컨볼루션 레이어에 입력된 영상(input)과 커널(kernel)의 디컨볼루션(deconvolution) 연산(50)을 수행할 수 있으며, 디컨볼루션 연산 결과, 출력 영상(output)을 생성할 수 있다. 디컨볼루션 연산(50)에 대해서는, 도 2 및 3을 참조하여, 자세히 설명하기로 한다.

디컨볼루션 연산(50)은, 컨볼루션 뉴럴 네트워크(CNN:Convolution Neural Network)에서, 일반적으로 입력 영상의 크기보다 큰 출력 영상을 생성하기 위해 이용될 수 있으며, 예를 들어, 초 해상도(super-resoultion) 영상 생성, 자동-엔코더(auto-encoder), 스타일 변환(style transfer) 등 다양한 분야에 이용될 수 있다. 다만, 이에 한정되지 않는다.

디컨볼루션 연산 결과 생성된 제2 영상(output)의 크기는 제1 영상(input)의 크기보다 크다.

한편, 디컨볼루션 연산 수행 시, 체커보드 모양의 체커보드 아티팩트(checkerboard artifact)가 발생될 수 있다. 체커보드 아티팩트가 발생되는 이유에 대해서는, 도 3및 도 4를 참조하여 자세히 설명하기로 한다.

한편, 일 실시예에 따른 영상 처리 장치(100)는 체커보드 아티팩트가 발생되지 않도록, 디컨볼루션 연산에 이용되는 커널들에 포함되는 가중치들의 값들을 조정할 수 있다.

도 2는 일 실시예에 따른 디컨볼루션 연산이 처리되는 과정을 설명하기 위해 참조되는 도면이다.

도 2에서는 설명의 편의를 위해, 입력 데이터(210)는 2x2의 크기를 가지며, 입력 데이터(210)에 적용되는 커널의 크기는 3x3, 스트라이드(stride)의 크기는 2, 출력 데이터(250)의 크기는 4x4, 패딩(padding) 값은 1인 것으로 가정한다.

도 2를 참조하면, 영상 처리 장치(100)는 입력 데이터(210)의 좌측 상단의 픽셀(211)에 커널(230)을 적용하여, 디컨볼루션 연산을 수행할 수 있다. 즉, 영상 처리 장치(100)는 픽셀 값(a)과 커널(230)에 포함되는 가중치 값들(w0 내지 w8) 각각을 곱한 값들을, 출력 데이터의 제1 영역(261)에 포함되는 픽셀들 각각에 매핑시킬 수 있다. 이때, 영상 처리 장치(100)는 패딩 값이 1인 것을 고려하여, 제1 영역(261)의 시작 위치를 결정될 수 있다(예를 들어, 제1 영역의 시작 지점이, 출력 데이터의 좌측 상단의 픽셀(251)보다 한 픽셀씩 왼쪽 및 위쪽으로 이동된 지점일 수 있다).

영상 처리 장치(100)는, 픽셀 값(a)와 가중치(w4)를 곱한 값(a*w4)을 출력 데이터(250)의 제1 픽셀(251)에 매핑시킬 수 있으며, 픽셀 값(a)와 가중치 w5를 곱한 값(a*w5)을 출력 데이터(250)의 제2 픽셀(252)에 매핑시킬 수 있다.

또한, 영상 처리 장치(100)는 입력 데이터(210)의 우측 상단의 픽셀(212)의 픽셀 값(b)과 커널(230)에 포함되는 가중치 값들(w0 내지 w8) 각각을 곱한 값들을, 출력 데이터(250)의 제1 영역(261)에서 두 픽셀 이동시킨 제2 영역(262)에 포함되는 픽셀들 각각에 매핑시킬 수 있다. 예를 들어, 입력 데이터(210)의 픽셀 값(b)와 가중치 (w3)을 곱한 값 (b*w3)을 출력 데이터(250)의 제2 픽셀(252)에 매핑시킬 수 있으며, 픽셀 값(b)과 가중치 w4를 곱한 값(b*w4)를 출력 데이터(250)의 제3 픽셀(253)에, 픽셀 값(b)과 가중치 w5를 곱한 값(b*w5)를 출력 데이터(250)의 제4 픽셀(254)에 매핑시킬 수 있다.

이때, 입력 데이터(210)에서, 디컨볼루션 연산의 대상이 되는 데이터를 한 픽셀만큼 이동시킬 때, 출력 데이터(250)에서, 디컨볼루션 연산이 수행된 결과 값을 매핑시키는 영역(매핑 영역)을 이동시키는 픽셀의 개수를 스트라이드(stride)라고 한다. 예를 들어, 매핑 영역을 한 픽셀씩 이동할 수도 있으나, 도 2에 도시된 바와 같이, 제1 영역(261)에서 제2 영역(262)으로, 2개 픽셀 또는 그 이상의 픽셀 개수만큼 이동하면서 매핑시킬 수도 있다. 따라서, 스트라이드의 크기에 따라, 출력 데이터(출력 영상)의 크기가 결정될 수 있다.

동일한 방식으로, 입력 데이터(210) 내에서 디컨볼루션 연산의 대상을 좌측에서 우측으로, 상단에서 하단으로 한 픽셀씩 스캔하면서, 커널에 포함되는 가중치 값들을 곱하여, 출력 데이터(250)에 매핑시킬 수 있다.

한편, 도 2를 참조하면, 제1 영역(261)과 제2 영역(262)은 중첩될 수 있다. 또한, 중첩되는 영역에 포함되는 픽셀들 각각에는 복수의 값들이 매핑될 수 있으며, 출력 데이터(250)의 픽셀의 값은 픽셀에 매핑되는 값들을 합한 값으로 결정될 수 있다. 예를 들어, 출력 데이터(250)의 제2 픽셀(252)에는 입력 데이터(210)의 픽셀 값(a)과 가중치 w5를 곱한 값(a*w5)과 입력 데이터(210)의 픽셀 값(b)와 가중치 (w3)을 곱한 값 (b*w3)이 매핑될 수 있으며, 제2 픽셀(252)의 값은 a*w5 +b*w3으로 결정될 수 있다.

도 3은, 일 실시예에 따른 디컨볼루션 연산이 처리되는 과정을 구체적으로 설명하기 위해 참조되는 도면이다.

도 3에서는 설명의 편의를 위해, 입력 데이터(310), 커널(320), 출력 데이터(330)가 1차원인 것으로 가정한다. 또한, 입력 데이터(310)의 크기는 5, 입력 데이터(310)에 적용되는 커널(320)의 크기는 5, 스트라이드의 크기는 1, 출력 데이터(330)의 크기는 9인 것으로 가정한다.

도 3을 참조하면, 입력 데이터(310)의 픽셀 값(I₀)과 커널에 포함되는 가중치 값들(w0, w1, w2, w3, w4)을 곱한 값들(I₀*w0, I₀*w1, I₀*w2, I₀*w3, I₀*w4) 각각은 출력 데이터(330)의 제1 내지 제5 픽셀들(331, 332, 333, 334, 335) 각각에 매핑될 수 있다.

또한, 입력 데이터(310)의 픽셀 값(I₁)과 커널(320)에 포함되는 가중치 값들(w0, w1, w2, w3, w4)을 곱한 값들(I₁*w0, I₁*w1, I₁*w2, I₁*w3, I₁*w4) 각각은 출력 데이터(330)의 제2 내지 제6 픽셀들(332, 333, 334, 335, 336) 각각에 매핑될 수 있다.

또한, 입력 데이터(310)의 픽셀 값(I₂)과 커널(320)에 포함되는 가중치 값들(w0, w1, w2, w3, w4)을 곱한 값들(I₂*w0, I₂*w1, I₂*w2, I₂*w3, I₂*w4) 각각은 출력 데이터(330)의 제3 내지 제7 픽셀들(333, 334, 335, 336, 337) 각각에 매핑될 수 있다.

또한, 입력 데이터(310)의 픽셀 값(I₃)과 커널(320)에 포함되는 가중치 값들(w0, w1, w2, w3, w4)을 곱한 값들(I₃*w0, I₃*w1, I₃*w2, I₃*w3, I₃*w4) 각각은 출력 데이터(330)의 제4 내지 제8 픽셀들(334, 335, 336, 337, 338) 각각에 매핑될 수 있다.

또한, 입력 데이터의 픽셀 값(I4)과 커널(320)에 포함되는 가중치 값들(w0, w1, w2, w3, w4)을 곱한 값들(I₄*w0, I₄*w1, I₄*w2, I₄*w3, I₄*w4) 각각은 출력 데이터(330)의 제5 내지 제9 픽셀들(335, 336, 337, 338, 339) 각각에 매핑될 수 있다.

이에 따라, 출력 데이터(330)의 제1 픽셀(331)의 값(O₀)은, I₀*w0이며, 제2 픽셀(332) 값(O1)은, I₀*w1+ I₁*w0이며, 제3 픽셀(333)의 값(O2)은, I₀*w2+ I₁*w1+ I₂*w0이며, 제4 픽셀(334)의 값(O3)은 I₀*w3+ I₁*w2+ I₂*w1+ I₃*w0이고, 제5 픽셀(335)의 값(O4)은 I₀*w4+ I₁*w3+ I₂*w2+ I₃*w1+ I₄*w0가 된다.

한편, 디컨볼루션 연산을 입력 데이터(310)를 기준으로 보면, 입력 데이터(310)의 하나의 픽셀 값(예를 들어, I₀)에 복수의 가중치 값들(예를 들어, w0, w1, w2, w3, w4) 각각이 곱해지고, 복수의 가중치들을 곱한 값들(340)이 출력 데이터의 복수 개의 픽셀들(예를 들어, 331 내지 335)에 매핑되므로, 뿌리기 오퍼레이션(scatter operation)에 해당된다. 이때, 커널에 포함되는 가중치 값들(예를 들어, w0, w1, w2, w3, w4)이 급격하게 변하면, 출력 데이터에 체커보드 아티팩트가 발생하게 된다. 특히, 입력 데이터(310)의 고 주파수 영역(픽셀 값이 큰 영역)에서, 인접하는 가중치 값들이 급격하게 변하면, 고 주파수 영역에 대응되는 출력 데이터의 영역에 체커보드 아티팩트가 발생하게 된다.

한편, 디컨볼루션 연산을 출력 데이터(330)를 기준으로 보면, 출력 데이터(330)의 하나의 픽셀 값(예를 들어, O4)은 입력 데이터(310)의 복수의 픽셀 값들(예를 들어, I₀, I₁, I₂, I₃, I₄) 각각과 복수의 가중치 값들(예를 들어, w0, w1, w2, w3, w4) 각각을 곱한 값들(350)을 더한 값들로 결정되므로, 모으기 오퍼레이션(gather operation)에 해당한다.

이때, 출력 데이터(330)에 포함되는 픽셀들 각각에 적용되는 가중치들은 동일하지 않다. 예를 들어, 도 3을 참조하면, 제1 픽셀(331)에는 1개의 가중치(w0)가 적용되고, 제2 픽셀(332)에는 2개의 가중치들(w0, w1)이, 제3 픽셀(333)에는 3개의 가중치들(w0, w1, w2)이, 제4 픽셀에는 4개의 가중치들(w0, w1, w2, w3)이, 제5 픽셀에는 5개의 가중치들(w0, w1, w2, w3, w4)이 적용된다. 이와 같이, 출력 데이터(330)에 포함되는 픽셀들 각각에 적용되는 가중치의 개수가 다르고, 하나의 픽셀에 적용되는 가중치들이 정규화되어 있지 않으면, 출력 데이터(330)의 픽셀들 각각에 적용되는 가중치들의 합이 일정하지 않을 수 있다.

예를 들어, 제4 픽셀(334)에 적용되는 4개의 가중치들(w0, w1, w2, w3)의 합과 제5 픽셀에 적용되는 가중치들(w0, w1, w2, w3, w4)의 합이 일정하지 않으면, 이로 인해, 디컨볼루션 연산 수행 시, 출력 데이터에 체커보드 아티팩트가 발생하게 된다.

도 4는, 디컨볼루션 연산 수행 시 발생하는, 체커보드 아티팩트를 설명하기 위해 참조되는 도면이다.

도 4를 참조하면, 입력 데이터(410)에 포함되는 모든 픽셀들은 동일한 픽셀 값(예를 들어, 1)을 포함할 수 있다. 입력 데이터(410)에, 도 3에서 설명한 바와 같이, 정규화되어 있지 않은 가중치들을 포함하는 커널을 적용하여, 디컨볼루션 연산을 수행하면, 체커보드 아티팩트를 포함하는 출력 데이터(420)가 생성될 수 있다.

예를 들어, 입력 데이터(410)의 모든 픽셀 값들이 ‘1’인 경우(입력 데이터가 모두 ‘1’), 출력 데이터에 포함되는 픽셀들 각각의 값은, 픽셀들 각각에 적용되는 가중치들의 합으로 나타날 수 있다. 이때, 하나의 픽셀에 적용되는 가중치들이 정규화되어 있지 않은 경우, 픽셀들 각각에 적용되는 가중치들의 합은 일정하지 않다. 이에 따라, 도 4에 도시된 바와 같이, 출력 데이터(420)는 일정한 패턴을 가지는 체커보드 아티팩트를 포함하게 된다.

일 실시예에 따른 영상 처리 장치(100)는 출력 데이터(420)에 체커보드 아티팩트를 발생시키지 않기 위해, 픽셀들 각각에 적용되는 가중치들의 합이 일정하도록 가중치들의 값을 조정할 수 있다. 또한, 영상 처리 장치(100)는 출력 데이터(420)의 픽셀들의 값이 입력 데이터(410)의 픽셀들의 값(예를 들어, ‘1’)과 동일해지도록 출력 데이터의 픽셀들 각각에 적용되는 가중치들의 합이 ‘1’이 되도록 가중치를 조정할 수 있다.

이에 따라, 일 실시예에 따른 영상 처리 장치(100)는, 가중치들의 값이 조정된 커널을 이용하여, 디컨볼루션 연산을 수행함으로써, 제1 영상(입력 영상)을 확대시킨 제2 영상(출력 영상)을 생성할 수 있으며, 제2 영상에는 체커보드 아티팩트가 발생하지 않을 수 있다.

도 5는 일 실시예에 따른 영상 처리 장치의 동작방법을 나타내는 흐름도이다.

도 5를 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 제1 영상과 커널의 디컨볼루션 연산을 수행하여, 제2 영상을 생성할 수 있다(S510).

디컨볼루션 연산에 대해서는 도 2 및 도 3을 참조하여, 설명하였으므로 구체적인 설명은 생략하기로 한다. 디컨볼루션 연산 결과 생성된 제2 영상의 크기는 제1 영상의 크기보다 크다.

일 실시예에 따른 영상 처리 장치(100)는 생성된 제2 영상에 기초하여, 디컨볼루션 연산에 적용되는 커널에 포함되는 가중치들의 값을 설정할 수 있다(S520). 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여, 커널의 가중치 값들을 설정할 수 있다.

영상 처리 장치(100)는 디컨볼루션 연산으로 생성된 제2 영상과 제1 영상이 확대된 영상을 비교 분석하고, 분석된 결과에 기초하여, 디컨볼루션 연산에 적용되는 커널의 가중치 값들을 설정할 수 있다.

한편, 도 3 및 도 4를 참조하여 설명한 바와 같이, 커널에 포함되는 가중치들의 값이 급격하게 변하는 경우, 출력 데이터에 체커보드 아티팩트가 발생할 수 있다.

또한, 출력 데이터의 픽셀들 각각에 적용되는 가중치들이 일정하지 않은 경우(예를 들어, 가중치들의 개수 또는 가중치들의 합이 일정하지 않은 경우), 디컨볼루션 연산 수행 시, 체커보드 아티팩트가 발생할 수 있다.

이에 따라, 일 실시예에 따른 영상 처리 장치(100)는 커널에 포함되는 가중치들의 위치에 기초하여, 가중치들의 값을 조정할 수 있다(S530).

예를 들어, 영상 처리 장치(100)는 커널에 포함되는 가중치들의 값이 급격하게 변하지 않도록 일 실시예에 따른 커널에 신뢰도 맵을 적용할 수 있다. 또한, 영상 처리 장치(100)는 커널에 포함되는 가중치들의 위치에 기초하여, 가중치들을 복수의 그룹들로 분할하고, 복수의 그룹들 각각에 포함되는 가중치들의 합이 일정하도록(예를 들어, ‘1’이 되도록) 정규화를 수행할 수 있다.

이에 대해서는, 도 6 및 7을 참조하여 자세히 설명하기로 한다.

도 6은 일 실시예에 따른 커널에 포함되는 하나 이상의 가중치들의 값을 조정하는 방법을 설명하기 위해 참조되는 도면이다.

도 6을 참조하면, 영상 처리 장치(100)는 디컨볼루션 연산에 이용되는 커널(610)에 포함되는 하나 이상의 가중치들의 값을 설정할 수 있다. 이때, 디컨볼루션 연산이 수행되는 디컨볼루션 레이어를 포함하는, 뉴럴 네트워크의 학습 및 업데이트에 따라, 커널(610)에 포함되는 가중치들의 값이 설정될 수 있다. 다만, 이에 한정되지 않는다.

영상 처리 장치(100)는 커널(610)에 신뢰도 맵(620)을 적용하여(601), 커널(610)에 포함되는 하나 이상의 가중치들의 값을 조정할 수 있다. 일 실시예에 따른, 신뢰도 맵(620)은 스무딩 함수를 나타내는 맵을 포함할 수 있으며, 영상 처리 장치(100)는 커널(610)과 신뢰도 맵(620)의 곱셈 연산을 수행함으로써, 커널(610)에 포함되는 가중치들의 값을 조정할 수 있다. 예를 들어, 일 실시예에 따른 스무딩 함수는, 리니어 함수, 가우시안 함수, 라플라시안 함수, 스플라인 함수 중 적어도 하나를 포함할 수 있으나 이에 한정되지 않는다. 도 6에 도시된 신뢰도 맵은, 가우시안 함수를 나타내는 맵일 수 있다.

또한, 신뢰도 맵(620)이 나타내는 스무딩 함수는, 맵 중심 영역은 큰 값을 가지고, 중심 영역으로부터 멀어질수록 값이 작아지는 형태의 함수일 수 있으나, 이에 한정되지 않는다.

일 실시예에 따라, 커널(610)에 신뢰도 맵(620)이 적용되는 경우, 커널(610)에 포함되는 가중치들의 값이 급격하게 변하지 않게 되며, 이에 따라, 출력 데이터에 체커보드 아티팩트가 발생되는 것을 방지할 수 있다. 특히, 입력 데이터의 고 주파수 영역(픽셀 값이 큰 영역)에 대응되는 출력 데이터의 영역에 체커보드 아티팩트가 발생하는 것을 방지할 수 있다.

다시, 도 6을 참조하면, 영상 처리 장치(100)는 커널에 포함되는 가중치들을 커널 내에서의 위치에 기초하여, 복수의 그룹들(630)로 그룹핑할 수 있다. 가중치들을 복수의 그룹들(630)로 그룹핑하는 방법에 대해서는 도 7을 참조하여 자세히 설명하기로 한다.

영상 처리 장치(100)는 복수의 그룹들(630) 각각에 대하여, 가중치들의 합을 정규화시킬 수 있다. 예를 들어, 제1 그룹(631)은 9개의 가중치를 포함하고, 제2 그룹(632)은 4개의 가중치를 포함하는 경우, 영상 처리 장치(100)는 제1 그룹에 포함되는 9개의 가중치의 합과 제2 그룹에 포함되는 4개의 가중치의 합이 동일하도록 정규화시킬 수 있다. 이때, 영상 처리 장치(100)는 하나의 그룹에 포함되는 가중치들의 합이 1이 되도록 정규화시킬 수 있다. 다만, 이에 한정되지 않는다.

영상 처리 장치(100)는 가중치들의 값이 조정된 커널(640)을 디컨볼루션 레이어를 포함하는 뉴럴 네트워크(20)에 적용시킬 수 있다. 이에 따라, 영상 처리 장치(100)는 가중치들의 값이 조정된 커널을 이용하여, 디컨볼루션 연산을 수행할 수 있다. 예를 들어, 영상 처리 장치(100)는 제1 영상(입력 영상)에 가중치들의 값이 조정된 커널을 적용하여, 디컨볼루션 연산을 수행함으로써, 제2 영상(출력 영상)을 생성할 수 있다. 이때, 제2 영상의 크기는 제1 영상의 크기보다 크며, 제2 영상에는 체커보드 아티팩트가 발생되지 않는다.

도 7은, 일 실시예에 따른 커널에 포함되는 가중치들을 복수의 그룹들로 분할하는 방법을 설명하기 위해 참조되는 도면이다.

도 7에서는, 커널(710)의 크기(tap)가 11x11이고, 스트라이드의 크기는 4인 경우, 가중치들을 복수의 그룹들로 분할하는 방법에 대해 설명하기로 한다.

도 7에 도시된 좌표(730)는 출력 데이터를 나타내는 좌표이며, 가로 좌표(w)는 출력 데이터에 포함되는 픽셀의 가로 방향 위치, 세로 좌표(h)는 출력 데이터에 포함되는 픽셀의 세로 방향 위치를 나타낸다.

일 실시예에 따른 커널(710)을 2차원 행렬(11x11 행렬)로 나타낸다고 가정하였을 때, 좌표(730)의 상단에 도시된 가중치들(722)에 표시된 인덱스는, 가중치들의 커널(710) 내에서의 가로 방향 위치(j)를 나타낸다. 또한, 좌표의 좌측에 도시된 가중치들(721)에 표시된 인덱스는, 가중치들의 커널 내에서의 세로 방향 위치(i)를 나타낸다.

또한, 좌표의 상단 및 좌측에 도시된 가중치들(721, 722)은, 스트라이드의 크기(예를 들어, 4개의 픽셀 간격) 및 출력 데이터에 포함되는 픽셀들의 위치를 고려하여, 가중치가 적용되는 픽셀의 위치에 대응되도록 도시되어 있다.

예를 들어, 출력 데이터에 포함되는 제1 픽셀(731)에 적용되는 가중치들의 가로 위치(j)는 1, 5, 9이며, 세로 위치(i)는 1, 5, 9이다. 가중치들의 가로 위치와 세로 위치를 조합하면, 제1 픽셀(731)에 적용되는 가중치들은 커널(710)에 포함되는 w_{1 ,1}(711), w_{1 ,5}(715), w_{1 ,9}(719), w_{5 ,1}(751), w_{5 ,5}(755), w_{5 ,9}(759), w_{9 ,1}(791), w_9,5(795), w_{9 ,9}(799)이다.

또한, 출력 데이터에 포함되는 제2 픽셀(732)에 적용되는 가중치들의 가로 위치(j)는 3, 7이며, 세로 위치(i)는 3, 7이다. 가중치들의 가로 위치와 세로 위치를 조합하면, 제2 픽셀(732)에 적용되는 가중치들은 커널(710)에 포함되는 w_{3 ,3}, w_3,7, w_{7 ,3}, w_{7 ,7}이다.

또한, 출력 데이터에 포함되는 제3 픽셀(733)에 적용되는 가중치들의 가로 위치(j)는 0, 4, 8이며, 세로 위치(i)는 0, 4, 8이다. 가중치들의 가로 위치와 세로 위치를 조합하면, 제3 픽셀(733)에 적용되는 가중치들은 커널(710)에 포함되는 w_0,0, w_{0 ,4}, w_{0 ,8}, w_{4 ,0}, w_{4 ,4}, w_{4 ,4}, w_{8 ,0}, w_{8 ,4}, w_{8 ,8}이다.

영상 처리 장치(100)는 출력 데이터에 포함되는 픽셀들 각각에 적용되는 가중치들을 각각 그룹으로 그룹핑할 수 있다. 예를 들어, 영상 처리 장치(100)는 제1 픽셀(731)에 적용되는 9개의 가중치들을 제1 그룹으로 그룹핑하고, 도 7에 도시된 바와 같이, 제1 그룹을 행렬A_{0, 0}로 나타낼 수 있다. 또한, 영상 처리 장치(100)는 제2 픽셀(732)에 적용되는 4개의 가중치들을 제2 그룹으로 그룹핑하고, 제2 그룹을 행렬 A_2,2로 나타낼 수 있으며, 제3 픽셀(733)에 적용되는 9개의 가중치들을 제3 그룹으로 그룹핑하고, 제3 그룹을 행렬 A_{3, 3}로 나타낼 수 있다.

도 7에 도시된 커널(710)에 포함되는 가중치들 중 동일한 색으로 도시된 가중치들은, 동일한 그룹에 포함되는(동일한 픽셀에 적용되는) 가중치들을 나타낸다.

하나의 그룹으로 그룹핑된 가중치들을 하나의 행렬로 나타내는 경우, 행렬의 크기(size(Ai,j))는 다음과 같은 수학식 1로 나타낼 수 있다.

수학식 1에서, floor는 버림 연산을 나타내고, s는 스트라이트의 크기를 나타내며, c는 다음과 같은 수학식 2로 나타낼 수 있다.

수학식 1 및 2를 참조하면, 복수의 그룹들의 개수는, 커널의 크기(tap) 및 스트라이드 크기(s)에 기초하여 결정되며, 복수의 그룹들 각각에 포함되는 가중치들의 개수도, 커널의 크기(tap) 및 스트라이드 크기(s)에 기초하여 결정된다.

또한, 행렬(A)에 포함되는 성분의 인덱스는 다음과 같은 수학식 3으로 나타낼 수 있다.

수학식 3에서, t_{M ,i}는 다음과 같은 수학식 4로 나타낼 수 있으며, t_N,j는 다음과 같은 수학식 5로 나타낼 수 있다.

수학식 4 및 5에서 %는 나머지 연산을 나타낸다. 예를 들어, (t+1)%s는 (t+1)을 s로 나누었을 때의 나머지를 나타낸다.

예를 들어, 커널의 크기(tap)가 11이고, 스트라이드(s)가 4인 경우, 수학식 1 내지 5를 적용하여 계산하면, 행렬 A_0,0의 크기는 3x3 (M=3, N=3)이 되고, 행렬 A_0,0의 첫 번째 엘리먼트의 인덱스는 w_{9 ,9}가 된다.

일 실시예에 따른 영상 처리 장치(100)는 행렬들 각각에 대하여, 행렬들 각각에 포함되는 성분 값들(가중치 값들)의 합을 정규화시킬 수 있다. 예를 들어, 영상 처리 장치(100)는 행렬들 각각에 포함되는 가중치 값들의 합이 1이 되도록 가중치 값들을 조정할 수 있다.

도 8은 일 실시예에 따라 체커보드 아티팩트가 발생한 영상과 체커보드 아티팩트가 발생하지 않은 영상을 도시하는 도면이다.

도 8을 참조하면, 영상 표시 장치(100)는 입력 영상(810)과 제1 커널을 디컨볼루션 연산하여, 제1 출력 영상(821)을 생성할 수 있다. 이때, 제1 출력 영상(821)은 체커보드 아티팩트가 발생한 영상일 수 있다. 예를 들어, 제1 커널은 도 6의 커널(610)에 대응될 수 있으며, 도 6 및 7에서 설명한 신뢰도 맵 적용(601) 및 가중치 값들의 정규화(602)가 수행되지 않은 커널일 수 있다.

반면에, 영상 표시 장치(100)는 입력 영상(810)과 제2 커널을 디컨볼루션 연산하여, 제2 출력 영상(822)을 생성할 수 있다. 이때, 제2 출력 영상(822)은 체커보드 아티팩트가 발생하지 않은 영상일 수 있다. 예를 들어, 제2 커널은 도 6의 커널(640)에 대응될 수 있다. 제2 커널은, 도 6 및 7에서 설명한 바와 같이, 신뢰도 맵이 적용되고(601), 가중치 값들의 정규화가 수행된(602) 커널일 수 있다.

도 9는 일 실시예에 따른 영상 처리 장치의 구성을 나타내는 블록도이다.

도 9를 참조하면, 일 실시예에 따른 영상 처리 장치(100)는 프로세서(120) 및 메모리(130)를 포함할 수 있다.

일 실시예에 따른 프로세서(120)는 영상 처리 장치(100)를 전반적으로 제어할 수 있다. 일 실시예에 따른 프로세서(120)는 메모리(130)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다.

일 실시예에 따른 메모리(130)는 영상 처리 장치(100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(130)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(130)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(120)에 의해 실행될 수 있다.

일 실시예에 따른 프로세서(120)는 제1 영상과 커널의 디컨볼루션 연산을 수행함으로써, 제2 영상을 생성하도록 디컨볼루션 연산에 적용되는 커널을 학습시킬 수 있다. 예를 들어, 프로세서(120)는 제2 영상에 기초하여, 커널에 포함되는 가중치 값들을 설정할 수 있다. 프로세서(120)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여, 커널의 가중치 값들을 설정할 수 있으나, 이에 한정되지 않는다.

프로세서(120)는 커널에 포함되는 가중치들의 위치에 기초하여, 가중치 값들을 조정할 수 있다. 예를 들어, 프로세서(120)는 커널에 신뢰도 맵을 적용하여, 가중치 값들을 조정할 수 있다. 또한, 프로세서(120)는 커널에 포함되는 가중치들의 위치에 기초하여, 가중치들을 복수의 그룹들로 분할하고, 복수의 그룹들 각각에 포함되는 가중치들의 합이 일정하도록(예를 들어, ‘1’이 되도록) 정규화를 수행할 수 있다. 이에 대해서는, 도 6 및 7에서 자세히 설명하였으므로, 구체적인 설명은 생략하기로 한다.

프로세서(120)는 가중치들의 값이 조정된 커널을 이용하여, 입력 영상에 대하여, 디컨볼루션 연산을 수행함으로써, 체커보드 아티팩트가 발생하지 않은 출력 영상을 생성할 수 있다. 예를 들어, 프로세서(120)는 도 8의 입력 영상(810)에 가중치들의 값이 조정된 커널을 적용하여 디컨볼루션 연산을 수행하여, 도 8의 제2 출력 영상(820)을 생성할 수 있다.

도 10은 일 실시예에 따른 프로세서(120)의 블록도이다.

도 10을 참조하면, 일 실시예에 따른 프로세서(120)는 네트워크 학습부(1210), 디컨볼루션 커널 생성부(1220), 및 영상 처리부(1230)를 포함할 수 있다.

네트워크 학습부(1210)는 디컨볼루션 레이어를 포함하는, 뉴럴 네트워크를 학습시킬 수 있다. 또한, 네트워크 학습부(1210)는 디컨볼루션 레이어에서 수행되는 디컨볼루션 연산에 적용되는 커널의 가중치 값들을 설정할 수 있다. 예를 들어, 제1 영상을 확대한 제2 영상을 생성하기 위한 디컨볼루션 연산에 적용되는 커널의 가중치 값들을 설정할 수 있다.

네트워크 학습부(1210)는 학습된 뉴럴 네트워크 또는 커널의 가중치 값들을 영상 처리 장치(100)의 메모리에 저장할 수 있다. 또는, 영상 처리 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

디컨볼루션 커널 생성부(1220)는 신뢰도 맵 적용부(1221)와 가중치 정규화부(1222)를 포함할 수 있다.

신뢰도 맵 적용부(1221)는 네트워크 학습부(1210)에서 학습된 커널에 신뢰도 맵을 적용할 수 있다. 신뢰도 맵은 스무딩 함수를 나타내는 맵을 포함할 수 있으며, 스무딩 함수는, 리니어 함수, 가우시안 함수, 라플라시안 함수, 스플라인 함수 중 적어도 하나를 포함할 수 있다. 신뢰도 맵 적용부(1221)는 학습된 커널과 신뢰도 맵의 곱셈 연산을 수행함으로써, 학습된 커널에 포함되는 가중치들의 값을 조정할 수 있다. 신뢰도 맵을 적용함으로써, 커널에 포함되는 가중치들의 값은 급격하게 변하지 않고, 점진적으로 변화할 수 있다.

가중치 정규화부(1222)는 신뢰도 맵이 적용된 커널에 포함되는 가중치 값들을 정규화할 수 있다. 예를 들어, 가중치 정규화부(1222)는 커널에 포함되는 가중치들을 커널 내에서의 위치에 기초하여, 복수의 그룹들로 분할할 수 있다. 예를 들어, 가중치 정규화부(1222)는 출력 데이터에 포함되는 픽셀들 각각에 적용되는 가중치들을 각각 그룹으로 그룹핑할 수 있다.

가중치 정규화부(1222)는 복수의 그룹들 각각에 대하여, 가중치들의 합을 정규화시킬 수 있다. 예를 들어, 복수의 그룹들 각각에 포함되는 가중치들의 합이 동일해지도록(예를 들어, ‘1’이 되도록) 가중치들의 값을 조정할 수 있다.

영상 처리부(1230)는 신뢰도 맵 적용부(1221) 및 가중치 정규화부(1222)에서 가중치들의 값이 조정된 커널(예를 들어, 정규화된 커널)을 이용하여, 디컨볼루션 연산을 수행할 수 있다. 예를 들어, 영상 처리부(1230)는 제1 영상(입력 영상)에 가중치들의 값이 조정된 커널을 적용하여, 디컨볼루션 연산을 수행함으로써, 제2 영상(출력 영상)을 생성할 수 있다. 이때, 제2 영상의 크기는 제1 영상의 크기보다 크며, 제2 영상에는 체커보드 아티팩트가 발생되지 않는다.

한편, 도 10의 네트워크 학습부(1210), 디컨볼루션 커널 생성부(1220) 및 영상 처리부(1230) 중 적어도 하나는, 하드웨어 칩 형태로 제작되어 영상 처리 장치(100)에 탑재될 수 있다. 예를 들어, 네트워크 학습부(1210), 디컨볼루션 커널 생성부(1220) 및 영상 처리부(1230) 중 적어도 하나는 인공 지능(AI;artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 영상 처리 장치에 탑재될 수 도 있다.

이 경우, 네트워크 학습부(1210), 디컨볼루션 커널 생성부(1220) 및 영상 처리부(1230)는 하나의 영상 처리 장치에 탑재될 수도 있으며, 또는 별개의 영상 처리 장치들에 각각 탑재될 수도 있다. 예를 들어, 네트워크 학습부(1210), 디컨볼루션 커널 생성부(1220) 및 영상 처리부(1230) 중 일부는 영상 처리 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 네트워크 학습부(1210), 디컨볼루션 커널 생성부(1220) 및 영상 처리부(1230) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 네트워크 학습부(1210), 디컨볼루션 커널 생성부(1220) 및 영상 처리부(1230) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

한편, 도 9및 10에 도시된 영상 처리 장치(100) 및 프로세서(120)의 블록도는 일 실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 영상 처리 장치(100)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 블록에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.

일 실시예에 따른 영상 처리 장치의 동작방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

또한, 개시된 실시예들에 따른 영상 처리 장치 및 영상 처리 장치의 동작방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.

컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.

컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제3 장치로 전송되거나, 제3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.

이 경우, 서버, 클라이언트 장치 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.

예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.

이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (20)

1. 영상 처리 장치에 있어서,
   하나 이상의 인스트럭션들을 저장하는 메모리; 및
   상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고,
   상기 프로세서는, 제1 영상에 하나 이상의 가중치들을 포함하는 커널 및 스트라이드(stride)를 적용하여 디컨볼루션 연산을 수행함으로써, 상기 제1 영상보다 크기가 큰 제2 영상을 생성하고,
   상기 커널 내에서의 상기 가중치들의 위치, 상기 커널의 크기, 및 상기 스트라이드의 크기에 기초하여, 상기 가중치들을 복수의 그룹들로 나누고, 상기 복수의 그룹들 각각에 포함된 가중치들의 합이 서로 동일해지도록 상기 가중치들의 값들을 조정하는, 영상 처리 장치.
2. 삭제
3. 삭제
4. 제1항에 있어서,
   상기 프로세서는,
   상기 복수의 그룹들 각각에 포함되는 가중치들의 합이 1이 되도록 상기 가중치들의 값들을 조정하는, 영상 처리 장치.
5. 제1항에 있어서,
   상기 프로세서는,
   상기 커널의 크기 및 상기 스트라이드의 크기에 기초하여, 상기 복수의 그룹들의 개수를 결정하는, 영상 처리 장치.
6. 제1항에 있어서,
   상기 프로세서는,
   상기 커널의 크기 및 상기 스트라이드의 크기에 기초하여, 상기 복수의 그룹들 각각에 포함되는 가중치들의 개수를 결정하는, 영상 처리 장치.
7. 제1항에 있어서,
   상기 프로세서는,
   상기 커널에, 스무딩 함수를 포함하는 신뢰도 맵을 적용하여, 상기 가중치들의 값들을 조정하는, 영상 처리 장치.
8. 제7항에 있어서,
   상기 스무딩 함수는, 상기 신뢰도 맵의 중심을 기준으로 점진적으로 값이 변화하는 형태의 함수를 포함하는, 영상 처리 장치.
9. 제8항에 있어서,
   상기 스무딩 함수는,
   리니어 함수, 가우시안 함수, 라플라시안 함수, 스플라인 함수 중 적어도 하나를 포함하는, 영상 처리 장치.
10. 삭제
11. 영상 처리 장치의 동작방법에 있어서,
    커널에 포함되는 하나 이상의 가중치들의 값들을 조정하는 단계; 및
    제1 영상에 상기 커널 및 스트라이드(stride)를 적용하여 디컨볼루션 연산을 수행함으로써, 상기 제1 영상보다 크기가 큰 제2 영상을 생성하는 단계;를 포함하고,
    상기 하나 이상의 가중치들의 값들을 조정하는 단계는,
    상기 커널 내에서의 상기 가중치들의 위치, 상기 커널의 크기 및 상기 스트라이드의 크기에 기초하여, 상기 가중치들을 복수의 그룹들로 나누는 단계; 및
    상기 복수의 그룹들 각각에 포함된 가중치들의 합이 서로 동일해지도록 상기 가중치들의 값들을 조정하는 단계;를 포함하는 영상 처리 장치의 동작방법.
12. 삭제
13. 삭제
14. 제11항에 있어서,
    상기 하나 이상의 가중치들의 값들을 조정하는 단계는,
    상기 복수의 그룹들 각각에 포함되는 가중치들의 합이 1이 되도록 상기 가중치들의 값들을 조정하는 단계를 포함하는, 영상 처리 장치의 동작방법.
15. 제11항에 있어서,
    상기 하나 이상의 가중치들의 값들을 조정하는 단계는,
    상기 커널의 크기 및 상기 디컨볼루션 연산에 적용되는 스트라이드의 크기에 기초하여, 상기 복수의 그룹들의 개수를 결정하는 단계를 포함하는, 영상 처리 장치의 동작방법.
16. 제11항에 있어서,
    상기 하나 이상의 가중치들의 값들을 조정하는 단계는,
    상기 커널의 크기 및 상기 디컨볼루션 연산에 적용되는 스트라이드의 크기에 기초하여, 상기 복수의 그룹들 각각에 포함되는 가중치들의 개수를 결정하는 단계를 포함하는, 영상 처리 장치의 동작방법.
17. 제11항에 있어서,
    상기 하나 이상의 가중치들의 값들을 조정하는 단계는,
    상기 커널에, 스무딩 함수를 포함하는 신뢰도 맵을 적용하여, 상기 가중치들의 값들을 조정하는 단계를 포함하는, 영상 처리 장치의 동작방법.
18. 제17항에 있어서,
    상기 스무딩 함수는, 상기 신뢰도 맵의 중심을 기준으로 점진적으로 값이 변화하는 형태의 함수를 포함하는, 영상 처리 장치의 동작방법.
19. 삭제
20. 커널에 포함되는 하나 이상의 가중치들의 값들을 조정하는 단계; 및
    제1 영상에 상기 커널 및 스트라이드(stride)를 적용하여 디컨볼루션 연산을 수행함으로써, 상기 제1 영상보다 크기가 큰 제2 영상을 생성하는 단계;를 포함하고,
    상기 하나 이상의 가중치들의 값들을 조정하는 단계는,
    상기 커널 내에서의 상기 가중치들의 위치, 상기 커널의 크기 및 상기 스트라이드의 크기에 기초하여, 상기 가중치들을 복수의 그룹들로 나누는 단계; 및
    상기 복수의 그룹들 각각에 포함된 가중치들의 합이 서로 동일해지도록 상기 가중치들의 값들을 조정하는 단계를 포함하는 방법을 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체.

Images