KR102637756B1 - 이미지 혼합을 활용하여 얼굴 변환의 품질을 향상시키기 위한 방법 - Google Patents

Abstract

본 개시는, 컴퓨팅 장치에 의해 수행되는 얼굴을 변환하는 방법에 있어서, 상기 방법은, 타겟(target) 이미지와 소스(source) 이미지를 획득하는 단계; 상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑(swap)하여 제 1 변환 이미지를 생성하는 단계; 및 상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합(blending)하여 제 2 변환 이미지를 생성하는 단계를 포함할 수 있다.

Description

이미지 혼합을 활용하여 얼굴 변환의 품질을 향상시키기 위한 방법{METHOD FOR ENHANCING QUALITY OF FACE TRANSFORMATION BY UTILIZING IMAGE BLENDING}

본 개시는 이미지에 포함된 얼굴을 변환하기 위한 방법에 관한 것으로서, 보다 상세하게는, 이미지에 포함된 얼굴을 변환하되, 변환 품질을 향상시키기 위한 방법에 관련된 것이다.

오늘날에는, 신경망 모델을 사용한 영상처리 기술이 발전함에 따라, 대역 배우의 영상에 본역 배우의 얼굴을 스왑(Swap)하여 본역 배우가 촬영되지 않더라도 본역 배우가 촬영된 것과 같이 연출할 수 있다. 또한, 메타버스(Metaverse)와 같은 가상의 공간에서 인물 캐릭터의 얼굴을 스왑하는 방식으로 특정 인물에 대한 캐릭터를 생성할 수 있다.

이러한 얼굴 스왑 기법은 스왑하기 위한 얼굴의 각도가 특정 방향으로 편향될 수록 신경망 모델이 얼굴의 특징을 추출하기에 어려움이 따를 수 있고, 스왑된 얼굴의 품질이 떨어지는 문제점이 발생할 수 있다. 따라서, 이러한 얼굴 스왑 기법에서의 문제점을 해결할 수 있는 스왑 품질 향상 솔루션에 대한 수요가 존재한다.

한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.

본 개시는, 얼굴을 포함하는 이미지를 기초로 얼굴을 스왑함에 있어서, 얼굴의 각도가 특정 방향으로 편향됨에 따라 발생할 수 있는 스왑 결과의 품질 저하를 개선하기위한 솔루션을 제공하는 것을 해결과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

전술한 과제를 해결하기 위한 적어도 하나의 컴퓨팅 장치에 의해 수행되는 얼굴을 변환하는 방법이 개시된다. 상기 방법은, 타겟(target) 이미지와 소스(source) 이미지를 획득하는 단계; 상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑(swap)하여 제 1 변환 이미지를 생성하는 단계; 및 상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합(blending)하여 제 2 변환 이미지를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 제 2 변환 이미지를 생성하는 단계는, 상기 타겟 이미지와 관련된 각도 정보를 획득하는 단계; 및 상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합하여 제 2 변환 이미지를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 상기 타겟 이미지와 관련된 각도 정보를 획득하는 단계는, 상기 타겟 이미지의 얼굴의 각도 정보를 획득하는 단계를 포함할 수 있다.

일 실시예에서, 상기 타겟 이미지의 얼굴의 각도 정보는, 상기 타겟 이미지의 얼굴의 롤(roll) 각도; 상기 타겟 이미지의 얼굴의 피치(pitch) 각도; 또는 상기 타겟 이미지의 얼굴의 요(yaw) 각도 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합하여 제 2 변환 이미지를 생성하는 단계는, 상기 타겟 이미지의 얼굴의 각도 정보에 기초하여, 상기 제 1 변환 이미지와 상기 타겟 이미지의 혼합 비율(ratio)을 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 타겟 이미지의 얼굴의 각도 정보에 기초하여, 상기 제 1 변환 이미지와 상기 타겟 이미지의 혼합 비율을 결정하는 단계는, 상기 타겟 이미지의 얼굴의 각도 정보에 기초하여 제 1 비율을 산출하는 단계; 자연수 1에서 상기 제 1 비율을 차감하여 제 2 비율을 산출하는 단계; 상기 제 1 비율에 기초하여 상기 타겟 이미지의 반영 비율을 결정하는 단계; 및 상기 제 2 비율에 기초하여 상기 제 1 변환 이미지의 반영 비율을 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 타겟 이미지의 얼굴의 각도 정보에 기초하여, 상기 제 1 변환 이미지와 상기 타겟 이미지의 혼합 비율을 결정하는 단계는, 상기 타겟 이미지의 얼굴의 각도가 클수록 상기 타겟 이미지가 반영되는 비율을 증가시키는 단계를 포함할 수 있다.

일 실시예에서, 상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑하여 제 1 변환 이미지를 생성하는 단계는, 상기 소스 이미지의 얼굴의 특징에 대한 잠재 벡터를 획득하는 단계; 및 상기 타겟 이미지를 인코딩(encoding)한 결과에 상기 잠재 벡터를 반영하여 상기 제 1 변환 이미지를 생성하는 단계를 포함할 수 있다.

또한, 전술한 과제를 해결하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 적어도 하나의 프로세서 및 메모리를 포함하고, 상기 프로세서는, 타겟(target) 이미지와 소스(source) 이미지를 획득하고; 상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑(swap)하여 제 1 변환 이미지를 생성하고; 그리고 상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합(blending)하여 제 2 변환 이미지를 생성하도록 구성될 수 있다.

또한, 전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 프로그램은 적어도 하나의 프로세서로 하여금 얼굴을 변환하기 위한 동작들을 수행하게 하고, 상기 동작들은: 타겟(target) 이미지와 소스(source) 이미지를 획득하는 동작; 상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑(swap)하여 제 1 변환 이미지를 생성하는 동작; 및 상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합(blending)하여 제 2 변환 이미지를 생성하는 동작을 포함할 수 있다.

본 개시는, 얼굴을 포함하는 이미지를 기초로 얼굴을 스왑(Swap)함에 있어서, 얼굴의 각도가 특정 방향으로 편향됨에 따라 발생할 수 있는 스왑 결과의 품질 저하를 개선할 수 있다. 예를 들어, 본 개시는, 소스 이미지의 얼굴을 사용하여 타겟 이미지의 얼굴을 스왑한 뒤에, 스왑된 이미지와 타겟 이미지를 추가적으로 혼합(Blending)함으로써, 최종적인 얼굴 변환의 품질을 향상시킬 수 있다. 또한, 본 개시는, 스왑된 이미지와 타겟 이미지가 혼합되는 비율도 조절하여, 최종적인 얼굴 변환의 품질을 더욱 향상시킬 수 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 동작들을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시에 따른 뉴럴 네트워크를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라, 본 개시의 방법의 개략적인 흐름을 나타낸 순서도이다.
도 4는 본 개시의 일시예에 따라, 변환을 수행하는 방법의 예시를 나타낸 개략도이다.
도 5는 본 개시의 일 실시예에 따른, 피치 각도, 롤 각도 및 요 각도를 설명하기 위한 개략도이다.
도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 개시에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 개시에서 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 개시에 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 개시와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", B 만을 포함하는 경우" "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

통상의 기술자들은 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 예시적 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 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

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(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망 모델의 파라미터 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램(예컨대, 스왑 모델, 각도 추정 모델, 및 혼합 모델)은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)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, 본 개시에서 제시되는 네트워크부(150)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 개시에서 네트워크부(150)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, 상기 네트워크는 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 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.

일 실시예에서, 상기 컴퓨팅 장치(100)는, 타겟 이미지와 소스 이미지를 획득할 수 있다. 여기서 타겟 이미지는 얼굴 변환의 타겟이 되는 이미지를 의미할 수 있고, 소스 이미지는 얼굴 변환에 활용될 얼굴 소스를 제공하는 이미지를 의미할 수 있다. 또한, "얼굴 변환"은, 소스 이미지의 얼굴을 추출한 뒤에, 타겟 이미지의 얼굴을 상기 추출된 소스 이미지의 얼굴로 변환하는 동작을 의미할 수 있다. 한편, 상기 컴퓨팅 장치(100)는, 상기 메모리(130)로부터 상기 타겟 이미지와 상기 소스 이미지를 획득하거나, 상기 네트워크부(150)로부터 상기 타겟 이미지와 상기 소스 이미지를 획득할 수 있다. 이때, 상기 소스 이미지 및 타겟 이미지는, 적어도 하나의 인물의 얼굴을 포함하는 이미지 혹은 동영상을 각각 포함할 수 있다.

일 실시예에서, 상기 컴퓨팅 장치(100)는, 얼굴 변환의 품질을 향상시키 위하여, (단순히 스왑 모델만을 활용하지 않고) 스왑 모델 및 혼합 모델을 함께 활용할 수 있다. 여기서, 상기 스왑 모델은, 소스 이미지의 얼굴을 추출한 뒤에, 타겟 이미지의 얼굴을 상기 추출된 소스 이미지의 얼굴로 스왑(대체)하여, 제 1 변환 이미지를 생성하는 모델이다. 예컨대, 상기 스왑 모델은, A 인물이 포함된 소스 이미지와 B 인물이 포함된 타겟 이미지를 입력 받은 뒤에, 상기 B 인물의 얼굴을 A 얼굴로 스왑한 제 1 변환 이미지를 생성할 수 있다. 한편, 상기 스왑 모델은 신경망 모델의 일종일 수 있으며, 이에 대한 자세한 설명은 추후 도 2와 함께 설명된다. 또한, 상기 혼합 모델은, 상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합(blending)하여, 제 2 변환 이미지(최종적인 얼굴 변환 이미지)를 생성하는 모델이다. 예컨대, 상기 혼합 모델은, 결정된 혼합 비율에 따라, 제 1 변환 이미지와 타겟 이미지에 대하여 이미지 혼합(blending) 동작을 수행하여, 상기 제 2 변환 이미지를 생성할 수 있다. 한편, 상기 혼합 모델은, 규칙 기반 모델, 신경망 모델 등을 포함하는 다양한 모델로 구현될 수 있다.

일 실시예에서, 상기 컴퓨팅 장치(100)는, 얼굴 변환의 품질을 더욱 향상시키기 위하여, 타겟 이미지와 관련된 각도 정보를 추정하는 각도 추정 모델을 더 활용할 수 있다. 예를 들어, 상기 컴퓨팅 장치(100)는, 상기 각도 추정 모델에 의해 산출되는 타겟 이미지의 각도 정보에 기초하여, 상기 제 1 변환 이미지와 상기 타겟 이미지의 혼합 비율을 결정할 수 있으며, 이러한 동작을 통해 얼굴 변환의 품질을 더욱 향상시킬 수 있다. 구체적으로, 상기 컴퓨팅 장치(100)는, 이러한 동작을 통해, 타겟 이미지에 포함된 얼굴이 정면 방향을 향하지 않고, 특정 각도로 편향된 경우에도, 품질 높은 얼굴 변환 결과를 생성할 수 있다. 한편, 상기 각도 추정 모델은, 규칙 기반 모델, 신경망 모델 등을 포함하는 다양한 모델로 구현될 수 있다.

또한, 상기 각도 추정 모델이 추정하는 각도 정보는, 타겟 이미지에 포함된 인물의 얼굴 각도 정보일 수 있으나, 몸통의 각도 등을 포함하는 다른 유형의 각도 정보일 수도 있다. 또한, 상기 타겟 이미지에 포함된 인물의 얼굴 각도 정보는, 얼굴의 롤(roll) 각도, 피치(pitch) 각도, 또는 요(yaw) 각도 중 적어도 하나를 포함할 수 있다. 또한, 상기 롤 각도, 피치 각도 및 요 각도는 타겟 이미지에 포함된 인물의 얼굴의 질량 중심을 기준점으로 삼고 기준점을 지나는 서로 상이한 축 방향의 회전과 연관될 수 있다. 상기 롤 각도, 피치 각도, 및 요 각도에 관련된 추가적인 설명은 추후 도 5와 함께 설명된다.

한편, 상기 제 1 변환 이미지와 상기 타겟 이미지의 혼합 비율은, 상기 타겟 이미지의 얼굴의 각도가 클수록 상기 타겟 이미지가 반영되는 비율을 증가시키는 방향으로 구성될 수 있다. 상기 타겟 이미지의 얼굴의 각도가 특정 방향으로 편향되는 정도가 더 커질수록, 얼굴 스왑 결과의 품질은 더 낮아지게 되고, 이에 따라 이미지 혼합을 통해 페이스 스왑의 품질 하락을 보상시키는 정도가 커져야 하기 때문이다.

도 2는 본 개시에 따른 신경망 모델을 나타낸 개략도이다. 본 명세서에 걸쳐 신경망 모델, 인공 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 서로 동일한 의미로 사용될 수 있다. 신경망 모델은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망 모델이 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 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망 모델을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 모델 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 모델 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망 모델을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망 모델일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망 모델일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망 모델일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망 모델은 상술한 신경망 모델들의 조합된 형태의 신경망 모델일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망 모델)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망 모델을 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, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(auto-encoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망 모델의 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. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 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.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 강화학습 방법에 대하여는 자세히 후술한다. 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. 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.

본 개시의 일 실시예에 따른 스왑 모델은 신경망 모델을 기초로 한 모델의 일종일 수 있다. 구체적으로, 상기 스왑 모델은 인코더, 중간 레이어 및 디코더를 포함하는 신경망 모델을 포함할 수 있다. 이때, 인코더는 소스 이미지 및 타겟 이미지를 컴퓨터가 해석할 수 있는 특징 정보인 잠재 벡터로 인코딩 하는 동작을 수행할 수 있고, 중간 레이어에서 소스 이미지와 타겟 이미지의 잠재 벡터를 혼합하는 동작, 및 상기 중간 레이어에서의 혼합된 잠재 벡터를 다시 사람이 인지할 수 있는 이미지로 복원(디코딩, decoding)하는 동작을 수행할 수 있다. 예를 들어, 프로세서(110)는 상기 신경망 모델을 사용하여 상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑하여 제 1 변환 이미지를 생성하는 동작, 상기 소스 이미지의 얼굴의 특징에 대한 잠재 벡터를 획득하는 동작, 및 상기 타겟 이미지를 인코딩 한 결과에 상기 잠재 벡터를 반영하여 상기 제 1 변환 이미지를 생성하는 동작을 포함하여 수행할 수 있다. 이때 상기 동작들을 기초로 생성된 제 1 변환 이미지는 일반적으로 스왑 모델에 입력되는 소스 이미지 및 타겟 이미지와 관련된 각도 정보가 유사하거나, 양측 모두 얼굴 혹은 포즈가 정면을 향하는 것과 관련된 각도에 가까울 수록 품질이 높을 수 있다.

본 개시에서 "얼굴을 스왑하는 것"은, 이미지 처리 기법을 사용하여 이미지에 포함된 얼굴을 다른 얼굴로 바꾸는 것을 의미할 수 있다. 이때, 본 개시에서의 스왑은, 얼굴에 해당하는 부분만을 서로 바꾸는 것을 의미하거나, 또는 얼굴 이외의 주변 부분들(예컨대, 헤어(hair), 목 등)도 포함하여 함께 바꾸는 것을 의미할 수 있다. 한편, 본 개시에서 "얼굴을 스왑하는 것"은, 신경망 모델을 기초로 구현될 수 있는데, 이 경우, 특정 신경망 모델에 한정되지 않고, 다양한 형태의 신경망 모델의 파생형들이 사용될 수 있다.

한편, 일 실시예들을 설명하기에 앞서, 본 개시의 전반에 걸쳐 설명의 편의를 위하여 타겟 이미지, 소스 이미지, 제 1 변환 이미지, 및 제 2 변환 이미지는 단수로 표현될 수 있다. 그럼에도 불구하고, 상기 타겟 이미지, 소스 이미지, 제 1 변환 이미지, 및 제 2 변환 이미지는 각각 서로 상이한 복수개의 이미지들을 포괄하는 개념으로 이해될 수 있다. 예컨대, 추후 설명되는, 프로세서(110)가 타겟 이미지와 소스 이미지를 획득하는 단계(S300)는, 복수개의 타겟 이미지들과 복수개의 소스 이미지들을 획득하는 단계로도 이해될 수 있다.

또한, 본 개시의 전반에 걸쳐 사용되는 표현인 '이미지'는, 정적인 영상, 사진, 그림만 포함하는 것이 아니라, 동영상(즉, 시계열 영상 데이터)과 같은 동적인 영상 데이터도 포함할 수 있다. 예컨대, 추후 설명되는, "상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합하여 제 2 변환 이미지를 생성하는 단계"(S320)는, "동영상인 제 1 변환 이미지와 동영상인 타겟 이미지를 혼합하여 동영상인 제 2 변환 이미지를 생성하는 단계"로도 이해될 수 있다.

이제부터, 도 3의 S300 단계 내지 S320 단계를 참조하여, 본 개시의 일 실시예에 따른 "이미지 혼합을 활용하여 얼굴 변환의 품질을 향상시키기 위한 방법"에 관한 개괄적인 프로세스가 설명된다.

먼저, 도 3를 참조하여 본 발명의 일 실시예에 따른 방법을 개괄적으로 설명하자면, 상기 방법은, 프로세서(110)가 "타겟 이미지와 소스 이미지를 획득하는 단계"(S300), "상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑하여 제 1 변환 이미지를 생성하는 단계"(S310) 그리고, "상기 제 1 변환 이미지와 상기 타겟 이미지를 혼합하여 제 2 변환 이미지를 생성하는 단계"(S320)를 포함할 수 있다. (상기 S300 단계 내지 S320 단계에 대한 자세한 실시예는 아래에서 도 4와 함께 자세히 설명된다.) 또한, 상기 방법은, 이러한 S300 단계 내지 S320 단계 이외에도 다양한 단계들을 더 포함할 수 있다.

도 4는, 본 개시의 일 실시예에 따라, "A 인물이 포함된 소스 이미지(400)"와 "B 인물이 포함된 타겟 이미지(410)"를 기초로, 상기 B 인물의 얼굴을 A 얼굴로 스왑한 제 1 변환 이미지(430)를 생성하고, 상기 제 1 변환 이미지(430)의 품질을 개선한 제 2 변환 이미지(450)를 생성하는 과정을 표현한 도면이다.

이때, 상기 소스 이미지(400)는 정면을 바라보는 A 인물이 표현되고, 상기 타겟 이미지(410)는 측면을 바라보는 B 인물이 표현되었다. 이는, 본 개시의 일 실시예들을 사용함으로써 발생될 수 있는 효과 중 하나인, 소스 이미지(400)와 타겟 이미지(410)의 포즈가 크게 차이 나거나, 타겟 이미지(410)의 포즈가 특정 각도로 편향적일 때 발생할 수 있는 스왑 품질 저하와 개선 방법을 설명하기 위함이다. 그러나, 상기 소스 이미지(400) 및 타겟 이미지(410)는 이러한 상황에 한정되지 않고, 다양한 포즈를 포함하는 하나 이상의 인물이 포함된 이미지들을 포함할 수도 있다.

이제부터, 본 발명의 방법에 따른 일 실시예들이 도 4를 참조하여 상세하게 설명된다.

먼저, 프로세서(110)는, 상기 S300 단계와 관련하여, "타겟 이미지(410)와 소스 이미지(400)를 획득하는 동작"을 수행할 수 있다.

여기서 타겟 이미지(410)는 얼굴 변환의 타겟이 되는 이미지를 의미할 수 있고, 소스 이미지(400)는 얼굴 변환에 활용될 얼굴 소스를 제공하는 이미지를 의미할 수 있다. 또한, 프로세서(110)는, 상기 메모리(130)로부터 상기 타겟 이미지(410)와 상기 소스 이미지(400)를 획득하거나, 상기 네트워크부(150)로부터 상기 타겟 이미지(410)와 상기 소스 이미지(400)를 획득할 수 있다. 이때, 상기 소스 이미지(400) 및 타겟 이미지(410)는, 적어도 하나의 인물의 얼굴을 포함하는 이미지 혹은 동영상을 각각 포함할 수 있다.

다음으로, 프로세서(110)는, 상기 S310 단계와 관련하여, "스왑 모델(420)을 기초로, 타겟 이미지(410)의 얼굴이 소스 이미지(400)의 얼굴로 스왑된 제 1 변환 이미지(430)를 생성하는 동작"을 수행할 수 있다.

일 실시예에서, 프로세서는, 상기 소스 이미지(400)의 얼굴의 특징에 대한 잠재 벡터를 획득하는 동작(S310-1), 및 상기 타겟 이미지(410)를 인코딩한 결과에 상기 잠재 벡터를 반영하여 상기 제 1 변환 이미지(430)를 생성하는 동작(S310-2)을 수행할 수 있다. 이때, 상기 스왑 모델(420)은, 앞서 언급하였듯 신경망 모델과 신경망 모델로 부터 파생된 다양한 모델들을 포함할 수 있다. 예를 들어, 상기 스왑 모델은, 오토 인코더 모델(auto-encoder), 적대적 신경망 모델(GAN) 등을 포함하는 다양한 신경망 모델을 포함할 수 있다.

한편, 스왑 모델(420)에 의해 생성되는 상기 제 1 변환 이미지(430)는, 상기 타겟 이미지(410)에 포함된 얼굴의 각도 정보에 따라, 낮은 품질로 형성될 수 있는 문제가 있다. 예를 들어, 상기 제 1 변환 이미지(430)는, 상기 타겟 이미지(410)에 포함된 얼굴의 각도가 특정 방향으로 편향된 경우에는, 낮은 품질로 형성될 수 있다. 따라서, 이러한 품질 저하를 개선하고, 최종 변환 결과물의 품질을 향상시킬 수 있는 솔루션이 필요한데, 이러한 역할은 상기 S310 단계에 후속하는 상기 S320 단계에 의해 수행될 수 있다.

다음으로, 프로세서(110)는, 상기 S320 단계와 관련하여, "혼합 모델(440)을 활용하여 상기 제 1 변환 이미지(430)와 상기 타겟 이미지(410)를 혼합(blending)하여 제 2 변환 이미지(450)를 생성하는 동작"을 수행할 수 있다.

여기서 상기 혼합 모델(440)은, 결정된 혼합 비율에 따라, 상기 제 1 변환 이미지(430)와 상기 타겟 이미지(410)에 대하여 이미지 혼합(blending) 동작을 수행하여, 상기 제 2 변환 이미지(450)를 생성할 수 있다. 일 실시예에서, 상기 혼합 모델(440)은, 상기 타겟 이미지(410)와 관련된 각도 정보 기초하여, 상기 이미지 혼합을 위한 혼합 비율을 결정할 수 있다. 예를 들어, 상기 혼합 모델(440)은, 상기 혼합 비율을 결정하기 위한 포화 함수(saturation function)을 활용할 수 있으며, 상기 포화 함수는 상기 타겟 이미지(410)와 관련된 각도 정보에 기초하여 상기 타겟 이미지(410)와 상기 제 1 변환 이미지(430) 사이의 혼합 비율을 결정할 수 있다. 한편, 상기 혼합 모델은, 규칙 기반 모델, 신경망 모델 등을 포함하는 다양한 모델로 구현될 수 있다.

또한, 상기 타겟 이미지(410)와 관련된 각도 정보는, 상기 타겟 이미지(410)에 포함된 인물의 몸통 또는 포즈의 각도와 연관되거나, 상기 타겟 이미지(410)에 포함된 인물의 얼굴 각도와 연관될 수 있으며, 각도 추정 모델(411)에 의해 획득될 수 있다. 이러한 각도 추정 모델(411)은, 규칙 기반 모델, 신경망 모델 등을 포함하는 다양한 모델로 구현될 수 있다. 일 실시예에서 각도 추정 모델(411)은, 타겟 이미지(410)에 포함된 인물의 정면 포즈 또는 얼굴과 상이할 수록 높은 각도를 추정하는 동작을 수행할 수 있다.

본 개시의 일 실시예에 따르면, (상기 혼합 비율 결정에 활용되는) 상기 타겟 이미지(410)와 관련된 각도 정보는, 상기 타겟 이미지(410)의 얼굴의 각도 정보를 포함할 수 있다. 즉, 상기 각도 추정 모델(411)은, 상기 타겟 이미지(410)와 관련된 각도 정보로서, 상기 타겟 이미지에 포함된 얼굴의 각도 정보를 추정할 수 있다.

이러한 경우, 프로세서(110)는, 상기 S320 단계와 관련하여, ① 상기 각도 추정 모델(411)을 활용하여, 상기 타겟 이미지(410)의 얼굴의 각도 정보를 획득하는 단계(S320-1), 및 ② 상기 획득된 타겟 이미지(410)의 얼굴의 각도 정보를 기초로, 상기 제 1 변환 이미지(430)와 상기 타겟 이미지(410)를 혼합하여 상기 제 2 변환 이미지(450)를 생성하는 단계(S320-2)를 수행할 수 있다.

상기 S320-1 단계와 관련하여, 프로세서(110)는, "상기 각도 추정 모델(411)을 활용하여, 상기 타겟 이미지(410)의 얼굴의 각도 정보를 획득하는 동작"을 수행할 수 있다. 여기서 상기 얼굴의 각도 정보는, 얼굴과 관련된 다양한 각도 정보를 포함할 수 있다. 예를 들어, 상기 얼굴의 각도 정보는, 도 5와 같이, 얼굴의 질량 중심을 지나는 3개의 축을 기준으로 하는 3D 각도인, 롤(roll) 각도 정보, 요(yaw) 각도 정보, 피치(pitch) 각도 정보 등을 포함할 수 있다. 일 실시예에서, 상기 타겟 이미지(410)의 얼굴의 각도 정보는, 상기 타겟 이미지(410)의 얼굴의 롤 각도(이하 R), 상기 타겟 이미지(410)의 얼굴의 피치 각도(이하 P), 또는, 상기 타겟 이미지(410)의 요 각도(이하 Y) 중 적어도 하나를 포함할 수 있다. 이때, 상기 R, P, Y는 각각 현재 인물의 얼굴 각도와 디폴트 각도 사이의 차이를 나타내는 변수 데이터에 대응될 수 있다. 예컨대, 상기 R, P, Y의 집합인 [R, P, Y]는 이미지에 포함된 인물의 얼굴이 이미지의 법선 방향(즉, 정면 방향)을 바라보고 있을 때, [0, 0, 0]이 디폴트 값일 수 있다. 이때, 상기 [R, P, Y]이 [0, 0, 0]일 때, 인물이 롤 각도와 연관된 중심 축을 기준으로 30도 회전하였을 경우, [R, P, Y]는 [30, 0, 0]일 수 있다. 이어서 상기 [R, P, Y]가 [30, 0, 0]일 때, 상기 인물이 피치 각도와 연관된 중심 축을 기준으로 40도 회전하였을 경우, [R, P, Y]는 [30, 40, 0] 일 수 있다. 다시 이어서, 상기 인물이 요 각도와 연관된 중심 축을 기준으로 50도 회전하였을 경우, [R, P, Y]는 [30, 40, 50] 일 수 있다. 그러나, 이는 예시일 뿐, 디폴트 값은 사용자의 판단에 따라 자유롭게 결정될 수 있다. 또한, 앞선 예시에서 R, P, Y를 한 번에 사용하는 예를 들었으나, 각도 정보로 R, P, Y의 각각 혹은 일부를 사용할 수도 있다.

상기 S320-2 단계와 관련하여, 프로세서(110)는, "상기 획득된 타겟 이미지(410)의 얼굴의 각도 정보를 기초로, 상기 제 1 변환 이미지(430)와 상기 타겟 이미지(410)를 혼합하여 상기 제 2 변환 이미지(450)를 생성하는 동작"을 수행할 수 있다. 구체적으로, 프로세서(110)는, 상기 타겟 이미지(410)의 얼굴의 각도 정보에 기초하여, 상기 제 1 변환 이미지(430)와 상기 타겟 이미지(410)의 혼합 비율(ratio)을 결정한 뒤에, 결정된 혼합 비율에 따라 상기 제 1 변환 이미지(430)와 상기 타겟 이미지(410)를 혼합하여 상기 제 2 변환 이미지(450)를 생성할 수 있다. 이 경우, 상기 혼합 비율은, 위에서도 언급했듯이, 상기 타겟 이미지(410)의 얼굴의 각도가 클수록 상기 타겟 이미지(410)가 반영되는 비율을 증가시키는 방식으로 결정될 수 있다. 예를 들어, 프로세서(110)는, ① 상기 타겟 이미지(410)의 얼굴의 각도 정보에 기초하여 제 1 비율(α)을 산출하는 동작, ② 자연수 1에서 상기 제 1 비율(α)을 차감하여 제 2 비율(1-α)을 산출하는 동작, ③ 상기 제 1 비율(α)에 기초하여 상기 타겟 이미지(410)의 반영 비율을 결정하는 동작, ④ 상기 제 2 비율(1-α)에 기초하여 상기 제 1 변환 이미지(430)의 반영 비율을 결정하는 동작 등을 수행할 수 있으며, 상기 제 1 비율(α)이 상기 타겟 이미지(410)의 얼굴의 각도 정보에 비례하도록 구성할 수 있다. 이러한 동작은 아래와 같은 수학식 1로 표현될 수 있다.

여기서, 는 상기 타겟 이미지(410)를 나타내고, 는 상기 제 1 변환 이미지(430)를 나타내고, 는 상기 제 2 변환 이미지(450)를 나타낸다. 또한, "α"는 상기 제 1 비율을 나타내고, "1-α"는 제 2 비율을 나타낸다. 또한, 상기 타겟 이미지(410)의 얼굴의 각도가 커질수록 상기 "α도 증가하며, 이에 따라 상기 타겟 이미지(410)가 혼합에 반영되는 비율이 증가된 상태로 상기 제 2 변환 이미지(450)가 생성되게 된다.

상기 타겟 이미지(410)의 얼굴의 각도 정보가 상기 타겟 이미지(410)의 얼굴의 롤 각도(이하 R), 상기 타겟 이미지(410)의 얼굴의 피치 각도(이하 P), 및 상기 타겟 이미지(410)의 요 각도(이하 Y)를 포함하는 경우, 상기 제 1 비율(α) 및 상기 제 2 비율(α)은 R, P, Y의 대표값이 기초하여 결정될 수 있다. 예를 들어, 프로세서(110)는, R, P, Y의 최댓값, 최솟값, 평균값, 중간값 등을 산출하여, 대표 각도 정보를 산출할 수 있으며, 산출된 대표 각도 정보에 기초하여 상기 제 1 비율(α) 및 상기 제 2 비율(α)을 결정할 수 있다.

한편, 추가적인 실시예에서, (상기 혼합 비율 결정에 활용되는) 상기 타겟 이미지와 관련된 각도 정보는, 상기 타겟 이미지의 각도 정보와 상기 소스 이미지의 각도 정보 사이의 차이에 기초하여 산출될 수도 있다.

예를 들어, 상기 타겟 이미지와 관련된 각도 정보는, 상기 소스 이미지에 포함된 얼굴(즉, 변환의 소스 역할을 하게 되는 얼굴)의 제 1 각도 정보와 상기 타겟 이미지에 포함된 얼굴(변환의 대상이 되는 얼굴)의 제 2 각도 정보 사이의 차이에 기초하여 산출될 수 있다.

또한, 상기 소스 이미지의 상기 제 1 각도 정보는, 상기 소스 이미지에 포함된 얼굴의 롤 각도(R1), 피치 각도(P2), 및 요 각도(Y2) 정보를 포함할 수 있고, 상기 타겟 이미지의 제 2 각도 정보도 상기 타겟 이미지에 포함된 얼굴의 롤 각도(R2), 피치 각도(P2), 및 요 각도(Y2) 정보를 포함할 수 있다. 이러한 경우, 상기 제 1 각도 정보와 상기 제 2 각도 정보 사이의 차이는, 대응되는 타입의 각도들 사이의 차이들(예를 들어, R1-R2, P1-P2, Y1-Y2)을 종합적으로 고려하여 산출될 수 있다.

한편, 이러한 추가적인 실시예에서는, "얼굴 변환의 직접적인 대상이 되는 얼굴들 사이의 각도 차이"가 "이미지 혼합 비율의 결정"에 반영될 수 있어서, 각도 차이에 의해 발생될 수 있는 얼굴 변환의 품질 하락이 더욱 방지될 수 있다.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 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 소프트웨어로 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 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 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 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 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.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 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 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (10)

1. 컴퓨팅 장치에 의해 수행되는, 얼굴을 변환하는 방법에 있어서,
   타겟(target) 이미지와 소스(source) 이미지를 획득하는 단계;
   상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑(swap)하여 제 1 변환 이미지를 생성하는 단계;
   상기 타겟 이미지와 관련된 얼굴의 각도 정보를 획득하는 단계; 및
   상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴을 혼합하여 제 2 변환 이미지를 생성하는 단계;
   를 포함하고,
   상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴을 혼합하여 제 2 변환 이미지를 생성하는 단계는,
   상기 타겟 이미지의 얼굴의 각도가 클수록 상기 타겟 이미지의 얼굴이 반영되는 비율이 증가하도록 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴의 혼합 비율(ratio)을 결정하는 단계를 포함하고,
   상기 각도 정보는, 기준점을 지나는 서로 상이한 축 방향의 회전과 연관된 각도를 포함하고,
   상기 기준점은, 상기 타겟 이미지의 얼굴의 질량 중심에 대응되는,
   방법.
   
2. 삭제
3. 삭제
4. 제 1 항에 있어서,
   상기 타겟 이미지의 얼굴의 각도 정보는,
   상기 타겟 이미지의 얼굴의 롤(roll) 각도;
   상기 타겟 이미지의 얼굴의 피치(pitch) 각도; 또는
   상기 타겟 이미지의 얼굴의 요(yaw) 각도
   중 적어도 하나를 포함하는,
   방법.
   
5. 삭제
6. 제 1 항에 있어서,
   상기 타겟 이미지의 얼굴의 각도가 클수록 상기 타겟 이미지의 얼굴이 반영되는 비율이 증가하도록 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴의 혼합 비율을 결정하는 단계는,
   상기 타겟 이미지의 얼굴의 각도 정보에 기초하여 제 1 비율을 산출하는 단계;
   자연수 1에서 상기 제 1 비율을 차감하여 제 2 비율을 산출하는 단계;
   상기 제 1 비율에 기초하여 상기 타겟 이미지의 얼굴의 반영 비율을 결정하는 단계; 및
   상기 제 2 비율에 기초하여 상기 제 1 변환 이미지의 얼굴의 반영 비율을 결정하는 단계
   를 포함하는,
   방법.
   
7. 삭제
8. 제 1 항에 있어서,
   상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑하여 제 1 변환 이미지를 생성하는 단계는,
   상기 소스 이미지의 얼굴의 특징에 대한 잠재 벡터를 획득하는 단계; 및
   상기 타겟 이미지를 인코딩(encoding)한 결과에 상기 잠재 벡터를 반영하여 상기 제 1 변환 이미지를 생성하는 단계
   를 포함하는,
   방법.
   
9. 장치로서,
   적어도 하나의 프로세서; 및
   메모리;
   를 포함하고,
   상기 적어도 하나의 프로세서는,
   타겟(target) 이미지와 소스(source) 이미지를 획득하고;
   상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑(Swap)하여 제 1 변환 이미지를 생성하고;
   상기 타겟 이미지와 관련된 얼굴의 각도 정보를 획득하고; 그리고
   상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴을 혼합하여 제 2 변환 이미지를 생성하도록 구성되고,
   상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴을 혼합하여 제 2 변환 이미지를 생성하는 과정은,
   상기 타겟 이미지의 얼굴의 각도가 클수록 상기 타겟 이미지의 얼굴이 반영되는 비율이 증가하도록 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴의 혼합 비율(ratio)을 결정하는 과정을 포함하고,
   상기 각도 정보는, 기준점을 지나는 서로 상이한 축 방향의 회전과 연관된 각도를 포함하고,
   상기 기준점은, 상기 타겟 이미지의 얼굴의 질량 중심에 대응되는,
   장치.
   
10. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 프로그램은 적어도 하나의 프로세서에 의해 수행되는 경우, 상기 적어도 하나의 프로세서로 하여금, 얼굴을 변환하기 위한 동작들을 수행하게 하고, 상기 동작들은:
    타겟(target) 이미지와 소스(source) 이미지를 획득하는 동작;
    상기 소스 이미지의 얼굴을 기초로, 상기 타겟 이미지의 얼굴을 스왑(Swap)하여 제 1 변환 이미지를 생성하는 동작;
    상기 타겟 이미지와 관련된 얼굴의 각도 정보를 획득하는 동작; 및
    상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴을 혼합하여 제 2 변환 이미지를 생성하는 동작
    을 포함하고,
    상기 획득된 각도 정보를 기초로, 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴을 혼합하여 제 2 변환 이미지를 생성하는 동작은,
    상기 타겟 이미지의 얼굴의 각도가 클수록 상기 타겟 이미지의 얼굴이 반영되는 비율이 증가하도록 상기 제 1 변환 이미지의 얼굴과 상기 타겟 이미지의 얼굴의 혼합 비율(ratio)을 결정하는 동작을 포함하고,
    상기 각도 정보는, 기준점을 지나는 서로 상이한 축 방향의 회전과 연관된 각도를 포함하고,
    상기 기준점은, 상기 타겟 이미지의 얼굴의 질량 중심에 대응되는,
    컴퓨터 판독가능한 저장 매체에 저장된 컴퓨터 프로그램.