KR102649436B1 - 성형 수술 또는 시술의 예측 이미지를 생성하는 방법 - Google Patents
성형 수술 또는 시술의 예측 이미지를 생성하는 방법 Download PDFInfo
- Publication number
- KR102649436B1 KR102649436B1 KR1020230075239A KR20230075239A KR102649436B1 KR 102649436 B1 KR102649436 B1 KR 102649436B1 KR 1020230075239 A KR1020230075239 A KR 1020230075239A KR 20230075239 A KR20230075239 A KR 20230075239A KR 102649436 B1 KR102649436 B1 KR 102649436B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- artificial intelligence
- model
- style
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 148
- 238000002316 cosmetic surgery Methods 0.000 title claims abstract description 71
- 238000011084 recovery Methods 0.000 claims abstract description 64
- 238000013473 artificial intelligence Methods 0.000 claims description 136
- 230000001815 facial effect Effects 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 60
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 35
- 238000010606 normalization Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 24
- 238000013434 data augmentation Methods 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 19
- 230000003190 augmentative effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 229910052709 silver Inorganic materials 0.000 claims 1
- 239000004332 silver Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 119
- 230000008569 process Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 241000282326 Felis catus Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 235000002673 Dioscorea communis Nutrition 0.000 description 2
- 241000544230 Dioscorea communis Species 0.000 description 2
- 208000035753 Periorbital contusion Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013498 data listing Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/36—Image-producing devices or illumination devices not otherwise provided for
- A61B2090/364—Correlation of different images or relation of image positions in respect to the body
- A61B2090/365—Correlation of different images or relation of image positions in respect to the body augmented reality, i.e. correlating a live optical image with another image
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Surgery (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Urology & Nephrology (AREA)
- Robotics (AREA)
- Image Analysis (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 성형 수술 또는 시술의 예측 이미지를 생성하는 방법이 개시된다. 상기 방법은, 사용자의 원본 얼굴 이미지를 획득하는 단계; 성형 수술 또는 시술의 부위 정보, 또는 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하는 단계; 및 생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계를 포함할 수 있다.
Description
본 발명은 성형 수술 또는 시술에 대한 예측 이미지를 생성하는 방법에 관한 것으로, 보다 구체적으로 생성형 인공지능 모델(Generative AI model)을 활용하여 특정 부위 또는 회복 단계에 대응되는 사용자의 변형된 얼굴 이미지를 생성하는 기술에 관한 것이다.
성형 수술은 사람의 신체나 얼굴을 외형적으로 수정하는 수술을 의미한다. 종래의 성형수술 후 이미지를 보여주는 소프트웨어는 단순 합성 또는 통계적인 방식의 이미지 변환 알고리즘 기법들이 활용되고 있다.
또한, 현재는 단순히 성형 수술 이후의 변화된 얼굴만을 제공할 뿐, 사용자 개인의 특정 상태에 따라 회복되는 기간이나, 회복되는 과정에 대한 변화 예측 이미지는 제공되지 않고 있다.
대한민국 공개특허 제10-2002-0008260호(2002. 01.30)는 통신망을 이용한 가상성형수술 시뮬레이션 시스템 및 방법에 관하여 개시한다.
본 개시는, 생성형 인공지능 모델(Generative AI model)을 활용하여, 사용자가 특정 부위에 대한 성형 수술 또는 시술을 수행한 이후에, 회복 단계별로 예측 이미지를 생성하는 방법을 제공하는 것을 목적으로 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 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 성형 수술 또는 시술의 예측 이미지를 생성하는 방법이 개시된다. 상기 방법은, 사용자의 원본 얼굴 이미지를 획득하는 단계; 성형 수술 또는 시술의 부위 정보, 또는 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하는 단계; 및 생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계는, 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득하는 단계; 및 상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 잠재 벡터(Latent vector)에 기초하여 스타일 코드를 생성하는 맵핑 네트워크; 입력 이미지에 기초하여 스타일 코드를 추출하는 스타일 인코더(Encoder); 및 상기 생성형 인공지능 모델에 의해 생성된 이미지를 판별하는 판별기(Discriminator)와 연계하여 학습된 모델일 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 상기 판별기와의 적대적인(adversarial) 동작과 연관된 제 1 손실 함수; 스타일 코드의 복원(Reconstruction)과 연관된 제 2 손실 함수; 스타일 코드의 다양성(Diversity)과 연관된 제 3 손실 함수; 및 복수의 스타일 코드들과 관련된 원본 이미지의 특징 유지와 연관된 제 4 손실 함수에 기초하여 학습된 모델일 수 있다.
일 실시예에서, 상기 제 2 손실 함수는, 특정 스타일 코드 및 입력 이미지에 기초하여 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지를 획득하는 동작; 상기 출력 이미지를 상기 스타일 인코더에 입력하여 상기 출력 이미지에 대한 스타일 코드를 획득하는 동작; 및 상기 특정 스타일 코드 및 상기 출력 이미지에 대한 스타일 코드 사이의 차이를 연산하는 동작에 기초하여 산출될 수 있다.
일 실시예에서, 상기 제 3 손실 함수는, 상기 맵핑 네트워크를 활용하여 제 1 랜덤 잠재 벡터에 대한 제 1 랜덤 스타일 코드를 획득하는 동작; 상기 맵핑 네트워크를 활용하여 제 2 랜덤 잠재 벡터에 대한 제 2 랜덤 스타일 코드를 획득하는 동작; 상기 생성형 인공지능 모델을 활용하여, 입력 이미지 및 상기 제 1 랜덤 스타일 코드에 기초하여 제 1 출력 이미지를 생성하는 동작; 상기 생성형 인공지능 모델을 활용하여, 상기 입력 이미지 및 상기 제 2 랜덤 스타일 코드에 기초하여 제 2 출력 이미지를 생성하는 동작; 및 상기 제 1 출력 이미지 및 상기 제 2 출력 이미지 사이의 차이를 연산하는 동작에 기초하여 산출될 수 있다.
일 실시예에서, 상기 제 4 손실 함수는, 특정 스타일 코드 및 입력 이미지에 기초하여 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지를 획득하는 동작; 상기 입력 이미지를 상기 스타일 인코더에 입력하여 원본 스타일 코드를 획득하는 동작; 상기 원본 스타일 코드 및 상기 출력 이미지에 기초하여 상기 생성형 인공지능 모델에 의해 생성된 새로운 출력 이미지를 획득하는 동작; 및 상기 새로운 출력 이미지 및 상기 입력 이미지 사이의 차이를 연산하는 동작에 기초하여 산출될 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지에 포함된 얼굴의 특징 벡터를 추출하는 얼굴 특징 추출 네트워크와 추가로 연계하여 학습된 모델일 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 상기 생성형 인공지능 모델에 입력되는 입력 이미지에 포함된 얼굴의 특징 벡터; 및 상기 출력 이미지에 포함된 얼굴의 특징 벡터; 사이의 차이와 관련된 추가적인 손실 함수에 기초하여 학습된 모델일 수 있다.
일 실시예에서, 상기 입력 이미지에 포함된 얼굴의 특징 벡터는, 상기 입력 이미지에서 추출된 얼굴 랜드마크(Face landmark)에 기초하여 획득되고, 상기 출력 이미지에 포함된 얼굴의 특징 벡터는, 상기 얼굴 특징 추출 네트워크에 의해 획득되고, 상기 입력 이미지에 포함된 얼굴의 특징 벡터 및 상기 출력 이미지에 포함된 얼굴의 특징 벡터는, 서로 동일한 크기일 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계는, 얼굴의 부위를 분할(Segmentation)하는 얼굴 분할 모델을 활용하여, 참조 얼굴 이미지에서 상기 부위 정보에 대응되는 참조 부위를 분할하고, 스타일 인코더를 활용하여 상기 참조 부위에 대한 스타일 코드를 획득하는 단계; 상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응되는 원본 부위를 분할하는 단계; 상기 생성형 인공지능 모델을 활용하여, 상기 참조 부위에 대한 스타일 코드 및 상기 원본 부위에 기초하여, 변형된 부위 이미지를 생성하는 단계; 및 상기 사용자의 원본 얼굴 이미지 및 상기 변형된 부위 이미지에 기초하여 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 얼굴의 부위를 분할하는 얼굴 분할 모델과 연계하여, 활성화 값(Activation value) 또는 바이어스(Bias) 중 적어도 하나가 조정된 모델일 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 입력 이미지의 얼굴의 부위를 분할하기 위해 상기 얼굴 분할 모델에 의해 활용된 분할 마스크(Segmentation mask); 및 상기 입력 이미지의 분할된 얼굴의 부위들에 대응되는 스타일 코드들을 포함하는 스타일 매트릭스(Style matrix)에 기초하여, 상기 활성화 값 또는 상기 바이어스 중 적어도 하나가 조정된 모델일 수 있다.
일 실시예에서, 상기 활성화 값은, 상기 스타일 매트릭스에 합성곱을 적용하고, 상기 합성곱을 적용한 결과에 상기 분할 마스크에 기초한 브로드캐스트(Broadcast)를 수행하여, 스타일 맵(Style map)을 획득하는 동작; 상기 스타일 맵에 합성곱을 적용하여 제 1-1 정규화(normalization) 값을 산출하는 동작; 상기 분할 마스크에 합성곱을 적용하여 제 2-1 정규화 값을 산출하는 동작; 및 상기 제 1-1 정규화 값 및 상기 제 2-1 정규화 값에 대한 가중합을 산출하는 동작에 기초하여 조정될 수 있다.
일 실시예에서, 상기 바이어스는, 상기 스타일 매트릭스에 합성곱을 적용하고, 상기 합성곱을 적용한 결과에 상기 분할 마스크에 기초한 브로드캐스트를 수행하여, 스타일 맵을 획득하는 동작; 상기 스타일 맵에 합성곱을 적용하여 제 1-2 정규화 값을 산출하는 동작; 상기 분할 마스크에 합성곱을 적용하여 제 2-2 정규화 값을 산출하는 동작; 및 상기 제 1-2 정규화 값 및 상기 제 2-2 정규화 값에 대한 가중합을 산출하는 동작에 기초하여 조정될 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 복수의 데이터 증강 기법들에 의해 증강된 데이터에 의해 학습된 모델이고, 상기 복수의 데이터 증강 기법들은, 메이크업(Makeup)된 얼굴의 메이크업을 제거하여 증강된 데이터를 생성하는 제 1 데이터 증강 기법; 성형 수술 또는 시술 부위의 피부 이외의 요소를 제거하여 증강된 데이터를 생성하는 제 2 데이터 증강 기법; 성형 수술 또는 시술 부위의 피부 이외의 요소를 블러(Blur) 처리하여 증강된 데이터를 생성하는 제 3 데이터 증강 기법; 또는 원본 학습 데이터를 다분할 및 반전하여 증강된 데이터를 생성하는 제 4 데이터 증강 기법 중 적어도 둘 이상의 기법들을 포함할 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 다중 도메인의 학습 데이터에 기초하여 학습된 모델이고, 상기 다중 도메인의 학습 데이터는, 환자들의 메타(Metal) 정보와 연계하여 시계열적으로 수집된 환자들의 회복 단계별 이미지 데이터; 성형 수술 또는 시술의 부위 별로 크롭(Crop)된 이미지 데이터; 또는 의료 기관을 통해 수집된 성형 수술 또는 수술의 레퍼런스(Reference) 이미지 데이터 중 둘 이상의 데이터를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 성형 수술 또는 시술의 예측 이미지를 생성하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사용자의 원본 얼굴 이미지를 획득하는 동작; 성형 수술 또는 시술의 부위 정보, 또는 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하는 동작; 및 생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작을 포함할 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작은, 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득하는 동작; 및 상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작을 포함할 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 잠재 벡터(Latent vector)에 기초하여 스타일 코드를 생성하는 맵핑 네트워크; 입력 이미지에 기초하여 스타일 코드를 추출하는 스타일 인코더(Encoder); 및 상기 생성형 인공지능 모델에 의해 생성된 이미지를 판별하는 판별기(Discriminator)와 연계하여 학습된 모델일 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지에 포함된 얼굴의 특징 벡터를 추출하는 얼굴 특징 추출 네트워크와 추가로 연계하여 학습된 모델일 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작은, 얼굴의 부위를 분할(Segmentation)하는 얼굴 분할 모델을 활용하여, 참조 얼굴 이미지에서 상기 부위 정보에 대응되는 참조 부위를 분할하고, 스타일 인코더를 활용하여 상기 참조 부위에 대한 스타일 코드를 획득하는 동작; 상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응되는 원본 부위를 분할하는 동작; 상기 생성형 인공지능 모델을 활용하여, 상기 참조 부위에 대한 스타일 코드 및 상기 원본 부위에 기초하여, 변형된 부위 이미지를 생성하는 동작; 및 상기 사용자의 원본 얼굴 이미지 및 상기 변형된 부위 이미지에 기초하여 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작을 포함할 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 얼굴의 부위를 분할하는 얼굴 분할 모델과 연계하여, 활성화 값(Activation value) 또는 바이어스(Bias) 중 적어도 하나가 조정된 모델일 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 사용자의 원본 얼굴 이미지를 획득하고; 성형 수술 또는 시술의 부위 정보, 또는 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하고; 그리고 생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하도록 구성될 수 있다.
일 실시예에서, 상기 적어도 하나의 프로세서는, 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득하고; 그리고 상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성하도록 구성될 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 잠재 벡터(Latent vector)에 기초하여 스타일 코드를 생성하는 맵핑 네트워크; 입력 이미지에 기초하여 스타일 코드를 추출하는 스타일 인코더(Encoder); 및 상기 생성형 인공지능 모델에 의해 생성된 이미지를 판별하는 판별기(Discriminator)와 연계하여 학습된 모델일 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지에 포함된 얼굴의 특징 벡터를 추출하는 얼굴 특징 추출 네트워크와 추가로 연계하여 학습된 모델일 수 있다.
일 실시예에서, 상기 적어도 하나의 프로세서는, 얼굴의 부위를 분할(Segmentation)하는 얼굴 분할 모델을 활용하여, 참조 얼굴 이미지에서 상기 부위 정보에 대응되는 참조 부위를 분할하고, 스타일 인코더를 활용하여 상기 참조 부위에 대한 스타일 코드를 획득하고; 상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응되는 원본 부위를 분할하고; 상기 생성형 인공지능 모델을 활용하여, 상기 참조 부위에 대한 스타일 코드 및 상기 원본 부위에 기초하여, 변형된 부위 이미지를 생성하고; 그리고 상기 사용자의 원본 얼굴 이미지 및 상기 변형된 부위 이미지에 기초하여 상기 사용자의 변형된 얼굴 이미지를 생성하도록 구성될 수 있다.
일 실시예에서, 상기 생성형 인공지능 모델은, 얼굴의 부위를 분할하는 얼굴 분할 모델과 연계하여, 활성화 값(Activation value) 또는 바이어스(Bias) 중 적어도 하나가 조정된 모델일 수 있다.
본 개시는 생성형 인공지능 모델(Generative AI model)을 활용하고, 복수의 데이터 증강 기법들에 의해 증강된 데이터를 상기 생성형 인공지능 모델의 학습 데이터로 활용함으로써, 사용자 개인의 동질성(Identity)을 유지하면서 성형 수술 또는 시술 후 회복 단계별 이미지를 생성할 수 있다.
또한, 사용자 개인의 동질성(Identity)을 유지하여 회복 단계별로 이미지를 생성함으로써, 성형 수술 또는 시술 후 자연스러운 변화 형태를 시각화하여 제공할 수 있으며, 이를 API 형태로 제공하여 다양한 모바일 앱 또는 웹 서비스에서 활용 가능하다.
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 성형 수술 또는 시술의 예측 이미지를 생성하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 생성형 인공지능 모델(Generative AI model)을 개략적으로 나타낸 도면이다.
도 4는 본 개시의 일 실시예에 따른 얼굴의 특징 벡터를 추출하는 동작을 개략적으로 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 생성형 인공지능 모델(Generative AI model)의 학습 과정을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시예에 따른 얼굴 분할 모델과 연계하여 사용자의 변형된 얼굴 이미지를 생성하는 동작을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른 생성형 인공지능 모델의 추가 특징을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시예에 따른 성형 수술 또는 시술의 예측 이미지를 생성하는 방법을 나타낸 순서도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 생성형 인공지능 모델(Generative AI model)을 개략적으로 나타낸 도면이다.
도 4는 본 개시의 일 실시예에 따른 얼굴의 특징 벡터를 추출하는 동작을 개략적으로 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 생성형 인공지능 모델(Generative AI model)의 학습 과정을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시예에 따른 얼굴 분할 모델과 연계하여 사용자의 변형된 얼굴 이미지를 생성하는 동작을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른 생성형 인공지능 모델의 추가 특징을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시예에 따른 성형 수술 또는 시술의 예측 이미지를 생성하는 방법을 나타낸 순서도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 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.
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.
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 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 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 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 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 성형 수술 또는 시술의 예측 이미지를 생성하기 위한 컴퓨팅 장치의 블록 구성도이다.
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 신경망의 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 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 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 명세서에서 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(LAN: Local Area Network), 개인 통신망(PAN: Personal Area Network), 광역 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 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 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. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 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, 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 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 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. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 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 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 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 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 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 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 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, 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(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 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 교사 학습(supervised learning), 자기 교사 학습(self-supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 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 라벨링되어있는 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 라벨을 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 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시는, 실제 사용자들이 성형 수술 또는 시술 후 회복하면서 변화하는 회복 단계 각각에 대한 시계열별 이미지와 부가 정보들을 생성형 인공지능 모델(Generative AI model)의 학습용 데이터로 활용할 수 있다. 이러한, 생성형 인공지능 모델(Generative AI model)을 통해 보다 자연스러운 성형 수술 또는 시술 후 회복 단계별 이미지를 예측할 수 있다. 또한, 생성형 인공지능 모델(Generative AI model)을 통해 특정 부위만을 변형하여 성형 수술 또는 시술 부위의 회복 단계별 예측 이미지를 생성할 수 있다. 또한, 본 개시는, 생성형 인공지능 모델에서 생성된 생성 이미지(사용자의 변형된 얼굴 이미지)를 API 형태로 다양한 서비스 및 비즈니스에 활용 가능한 형태로 제공할 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 원본 얼굴 이미지를 획득할 수 있다. 일례로, 컴퓨팅 장치(100)는 촬영장치(예컨대, 카메라, 스마트폰)를 이용하여 촬영된 성형 수술 또는 시술 이전의 사용자의 원본 얼굴 이미지를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 얼굴 윤곽과 눈, 코, 입이 포함되도록 정면, 측면 45도 및 측면 각각에 대응하는 촬영 가이드를 제공하고, 얼굴 부위에 대응하여 촬영된 사용자의 원본 얼굴 이미지를 획득할 수 있다.
일 실시예에 따르면, 컴퓨팅 장치(100)는 성형 수술 또는 시술의 부위 정보, 또는 상기 성형 수술 또는 시술의 회복 단계 정보를 획득할 수 있다. 성형 수술 또는 시술의 부위 정보는 눈, 코, 입, 광대, 윤곽 등에 대한 정보를 포함할 수 있다. 또한, 성형 수술 또는 시술의 회복 단계 정보는 성형 수술 또는 시술 직후, 1주일 후, 한달 후, 완성 단계 등에 대한 정보를 포함할 수 있다. 성형 수술(시술)의 부위 정보 또는 상기 성형 수술(시술)의 회복 단계 정보는, 사용자 인터페이스를 통한 입력에 기초하여 획득될 수도 있다.
일 실시예에 따르면, 컴퓨팅 장치(100)는 생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성할 수 있다. 예시적으로, 컴퓨팅 장치(100)는 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성할 수 있다.
이하 도 3 내지 도 7을 통해 생성형 인공지능 모델을 기반으로 사용자의 변형된 얼굴 이미지를 생성하는 동작을 보다 구체적으로 설명하고자 한다.
도 3은 본 개시의 일 실시예에 따른 생성형 인공지능 모델(Generative AI model)을 개략적으로 나타낸 도면이고, 도 4는 본 개시의 일 실시예에 따른 얼굴의 특징 벡터를 추출하는 동작을 개략적으로 나타낸 도면이다.
예시적으로 도 3을 참조하면, 생성형 인공지능 모델(10)은, 맵핑 네트워크(20), 스타일 인코더(30), 판별기(40) 및 얼굴 특징 추출 네트워크(50)와 연계하여 학습된 모델일 수 있다. 일례로, 생성형 인공지능 모델(10)은, StarGAN v2 모델을 기본 모델(Base Model)로 사용하고, 데이터 증강 레이어 구현을 통해 개인 사용자의 동질성(Identity)을 유지하고 성형 수술 또는 시술 이후 회복 단계별 이미지를 생성할 수 있다. StarGAN v2는 도메인 특정 스타일 코드(domain-specific style code)로 변경하여 이미지 생성 뿐만 아니라 이미지-이미지로 변형(image to image translation)이 가능하도록 하며, 단일 스타일 인코더, 단일 생성기를 사용하여 다양한 도메인에 대한 스타일 변형(style transfer)이 가능하도록 할 수 있다
이하에서는, 생성형 인공지능 모델(10)은 'G', 맵핑 네트워크(20)는 'F', 스타일 인코더(30)는 'E', 입력 이미지는 'x', 도메인은 'y', 스타일 코드는 's'로 표현될 수 있다.
일 실시예에 따르면, 생성형 인공지능 모델(10)은, 입력 이미지를 기반으로 특정 도메인에 대한 다양한 스타일(style)의 변형된 이미지를 생성할 수 있다. 예를 들어, 생성형 인공지능 모델(10)은 획득된 사용자의 원본 얼굴 이미지를 기반으로 맵핑 네트워크(20)로부터 획득된 특정 도메인에 대응되는 스타일 코드(Style code) 정보를 기반으로 사용자의 변형된 얼굴 이미지를 생성할 수 있다. 예시적으로, 특정 도메인은 i) 부위 정보, ii), 회복 단계 정보, iii) 부위 정보 및 회복 단계 정보 등을 포함할 수 있다. 다만, 이에 한정되는 것은 아니며 다양한 실시예가 존재할 수 있다. 달리 말해, 생성형 인공지능 모델(10)은 '부위 정보' 또는 '회복 단계 정보'와 같이 이미지가 포함되지 않은 정보에서 스타일 코드 정보를 획득하기 위해 맵핑 네트워크(20)로부터 생성된 특정 도메인에 대응되는 스타일 코드(Style code) 정보를 기반으로 사용자의 변형된 얼굴 이미지를 생성할 수 있다.
달리 표현하자면, 생성형 인공지능 모델(10, G)은, 입력 이미지(x)를 기초로, "맵핑 네트워크(20, F)에 의해 특정 도메인(y)에 대하여 생성된 스타일 코드(s)"를 반영한 이미지(G)를 생성할 수 있다. 또한, 생성형 인공지능 모델(10, G)은, 입력 이미지(x)를 기초로, "스타일 인코더(30, E)에 의해 참조 입력 이미지와 특정 도메인(y)에 대하여 추출된 스타일 코드(s)"를 반영한 이미지(G)를 생성할 수도 있다. 생성형 인공지능 모델(10)에서 생성된 아웃풋 이미지는 G(x,s)와 같이 표현될 수 있다. 스타일 코드(s)는 맵핑 네트워크(20)로부터 생성된 스타일 코드 또는 스타일 인코더(30)로부터 추출된 스타일 코드를 포함할 수 있다. 스타일 코드(s)는 적응형 인스턴스 정규화(AdaIN; Adaptive instance normalization)을 통해 주입될 수 있다.
실시예에 따르면, 상기 생성형 인공지능 모델(10)은, 복수의 데이터 증강 기법들에 의해 증강된 데이터에 의해 학습된 모델일 수 있다. 일례로, 상기 복수의 데이터 증강 기법들은, 메이크업(Makeup)된 얼굴의 메이크업을 제거하여 증강된 데이터를 생성하는 제 1 데이터 증강 기법, 성형 수술 또는 시술 부위의 피부 이외의 요소를 제거하여 증강된 데이터를 생성하는 제 2 데이터 증강 기법, 성형 수술 또는 시술 부위의 피부 이외의 요소를 블러(Blur) 처리하여 증강된 데이터를 생성하는 제 3 데이터 증강 기법 또는 원본 학습 데이터를 다분할 및 반전하여 증강된 데이터를 생성하는 제 4 데이터 증강 기법 중 적어도 둘 이상의 기법들을 포함할 수 있다. 한편, StarGAN v2 모델을 기본 모델(Base Model)로 사용하는 생성형 인공지능 모델(10)은 다양한 도메인 간의 이미지 변환을 수행해야하기 때문에 각 도메인에 대해 충분한 수의 이미지 데이터가 필요하다. 컴퓨팅 장치(100)는 복수의 데이터 증강 기법들에 의해 증강된 데이터를 생성형 인공지능 모델(10)의 학습 데이터로서 사용함으로써, 상술한 문제점을 해결할 수 있다.
실시예에 따르면, 상기 생성형 인공지능 모델(10)은, 다중 도메인의 학습 데이터에 기초하여 학습된 모델일 수 있다. 일례로, 상기 다중 도메인의 학습 데이터는, ① 환자들의 메타(Metal) 정보와 연계하여 시계열적으로 수집된 환자들의 회복 단계별 이미지 데이터, ② 성형 수술 또는 시술의 부위 별로 크롭(Crop)된 이미지 데이터 또는 ③ 의료 기관을 통해 수집된 성형 수술 또는 수술의 레퍼런스(Reference) 이미지 데이터 중 둘 이상의 데이터를 포함할 수 있다. 일례로, 환자들의 메타(Metal) 정보는, 환자의 수술(시술) 부위, 수술(시술) 방법, 성별, 나이, 의료 기록 정보 등을 포함할 수 있다.
일 실시예에 따르면, 맵핑 네트워크(20)는, 잠재 벡터(Latent vector)에 기초하여 스타일 코드를 생성(generate)할 수 있다. 또한, 맵핑 네트워크(20)는 잠재 벡터(z)와 도메인(y)이 주어질 경우, 스타일 코드(s)를 생성할 수 있다. 일례로, 도 3을 참조하면, 맵핑 네트워크(20, F)는, 잠재 벡터(Latent vector)에 기초하여 스타일 코드(s)를 생성할 수 있다. 맵핑 네트워크(20, F)는 가능한 모든 도메인에 대해 스타일 코드를 생성할 수 있는, 다중 출력(multiple output branches) MLP(Multiple Layer Perceptron)로 구성될 수 있다. 한편, 맵핑 네트워크(20)에서 생성된 스타일 코드(s)는 와 같이 표현될 수 있다. 예를 들어, 맵핑 네트워크(20)는 잠재 벡터(z)와 도메인의 i) 부위 정보, ii), 회복 단계 정보, iii) 부위 정보 및 회복 단계 정보 중 적어도 어느 하나가 주어질 경우, 스타일 코드(s)를 생성할 수 있다. 맵핑 네트워크(20)에서 잠재 벡터와 도메인 정보를 이용하여 스타일 코드를 생성함으로써, 생성형 인공지능 모델(10)에서 세분화된 스타일의 사용자의 변형된 얼굴 이미지를 생성할 수 있다.
일 실시예에 따르면, 스타일 인코더(Encoder, 30)는 참조 입력 이미지에 기초하여 스타일 코드를 추출(extract)할 수 있다. 또한, 스타일 인코더(30)는 참조 입력 이미지와 도메인(y)이 주어질 경우, 대응하는 스타일 코드(s)를 추출할 수 있다. 일례로, 도 3을 참조하면, 인코더(30, E)는 다양한 참조 입력 이미지들에 기초하여 다양한 스타일 코드를 생성할 수 있다. 한편, 스타일 인코더(30)에서 생성된 스타일 코드(s)는 와 같이 표현될 수 있다. 예를 들어, 스타일 인코더(30)는 획득된 참조 입력 이미지와 도메인(예컨대, i) 부위 정보, ii), 회복 단계 정보, iii) 부위 정보 및 회복 단계 정보 중 적어도 어느 하나)이 주어질 경우, 스타일 코드(s)를 추출할 수 있다. 일례로, 참조 입력 이미지는, 유명인의 얼굴 이미지, 의료 기관을 통해 수집된 성형 수술 또는 수술의 레퍼런스(Reference) 이미지 데이터 등을 포함할 수 있다. 스타일 인코더(30)에서 참조 입력 이미지와 도메인 정보를 이용하여 스타일 코드를 추출함으로써, 생성형 인공지능 모델(10)에서 세분화된 스타일의 사용자의 변형된 얼굴 이미지를 생성할 수 있다.
일 실시예에 따르면, 판별기(Discriminator, 40)는 상기 생성형 인공지능 모델(10)에 의해 생성된 이미지를 판별할 수 있다. 판별기(40)는 다중 출력 분기(multiple output branches)로 구성된 멀티태스킹 판별기(multitask discriminator)일 수 있다. 각각의 분기(branch)는 입력 이미지(x)가 해당 도메인(y)의 실제 이미지와 동일한지 또는 생성형 인공지능 모델(10)에 의해 만들어진 가짜 이미지 G(x,s)인지 이진 분류할 수 있도록 학습할 수 있다.
일 실시예에 따르면, 얼굴 특징 추출 네트워크(50)는 생성형 인공지능 모델(10)에 입력되는 "입력 이미지에 포함된 얼굴의 특징 벡터" 및 상기 생성형 인공지능 모델(10)에 의해 생성된 "출력 이미지에 포함된 얼굴의 특징 벡터"를 추출할 수 있다. 또한, 상기 생성형 인공지능 모델(10)은 상기 얼굴 특징 추출 네트워크(50)와 추가로 연계하여 학습된 모델일 수 있다. 예를 들어, 상기 생성형 인공지능 모델(10)은 상기 "입력 이미지에 포함된 얼굴의 특징 벡터" 및 상기 "출력 이미지에 포함된 얼굴의 특징 벡터" 사이의 차이와 관련된 추가적인 손실 함수(예컨대, 뒤에서 살펴볼 제 5 손실 함수)에 기초하여 학습된 모델일 수 있다.
여기서, 상기 "입력 이미지에 포함된 얼굴의 특징 벡터"는, 상기 입력 이미지에서 추출된 얼굴 랜드마크(Face landmark)에 기초하여 획득될 수 있다. 예시적으로, 도 4를 참조하면, 얼굴 특징 추출 네트워크(50)는 입력 이미지의 얼굴 랜드마크(Face landmark)를 이용해 입력 이미지에 포함된 얼굴의 특징 벡터(예컨대, 눈꺼풀 사이의 간격, 코의 길이, 입술 길이 등)를 추출할 수 있다. 대안적으로, 상기 "입력 이미지에 포함된 얼굴의 특징 벡터"는, 학습된 별도의 신경망 모델을 통해 획득될 수도 있다. 또한, 상기 "출력 이미지에 포함된 얼굴의 특징 벡터"도 위에서 살펴본 랜드마크 분석 기반의 모델에 의해 추출되거나, 학습된 별도의 신경망 모델을 통해 획득될 수 있다. 한편, 상기 입력 이미지에 포함된 얼굴의 특징 벡터 및 상기 출력 이미지에 포함된 얼굴의 특징 벡터는, 서로 동일한 크기일 수 있다.
달리 표현하자면, 생성형 인공지능 모델(10)은, 입력 이미지 및 출력 이미지(생성 이미지)에서 풀어진(disentangled) 얼굴의 특징(예컨대, 눈, 눈썹)을 추출하는, 얼굴 특징 추출 네트워크(50)와 추가로 연계하여 학습될 수 있다. 일반적으로 사용되는 이미지-이미지 변형(image to image translation)과 달리, 성형 수술 또는 시술의 예측 이미지를 생성하기 위해서는, 눈, 코, 입 등의 얼굴의 특징을 정교하게 변형하는 것이 필요한데, 상기 얼굴 특징 추출 네트워크(50)와의 연계를 통한 학습 방식이 이러한 정교한 변형에 도움이 될 수 있다. 또한, 상기 생성형 인공지능 모델(10)은 출력 이미지와 원본 이미지(입력 이미지)의 각 얼굴 특징 간의 유사도가 높게 유지되도록 제약 조건을 추가하는 제 5 손실 함수에 추가로 기초하여 학습되므로, 사용자 개인의 동질성(Identity)을 유지하면서 성형 수술 또는 시술 후 회복 단계별 이미지를 생성할 수 있다.
도 5는 본 개시의 일 실시예에 따른 생성형 인공지능 모델(Generative AI model)의 학습 과정을 설명하기 위한 도면이다. 생성형 인공지능 모델(10)은 이하에서 설명될 제 1 손실 함수 내지 제 5 손실 함수에 기초하여 학습된 모델일 수 있다.
참고로, 도 5를 통해 설명되는 손실 함수에서, 'x'는 원본 이미지이고, 'y'는 이미지 x의 도메인이고, ''는 타깃 도메인이고, ''는 타깃 도메인에 대한 스타일 벡터()이고, ''는 이미지(x)에서 도메인(y)에 대해 추출한 스타일 벡터()일 수 있다.
예시적으로 도 5를 참조하면, 제 1 손실 함수(11)는 판별기와의 적대적인(adversarial) 동작과 연관된 것일 수 있다. 제 1 손실 함수(11)는 와 같이 표현될 수 있다. 컴퓨팅 장치(100)는 제 1 손실 함수(11)를 산출하기 위해 학습 공간에서 잠재벡터(z)와 타깃 도메인()를 랜덤하게 샘플링하고, 타깃 도메인에 대한 스타일 코드 를 생성할 수 있다. 한편, 매핑 네트워크(20, F)는 제 1 손실 함수(11)를 기반으로 타겟 도메인()에 있을 법한(likely) 스타일 코드(s)를 생성하는 것을 학습할 수 있다. 또한, 생성형 인공지능 모델(10)은 제 1 손실 함수(11)를 기반으로 타깃 도메인에 대한 스타일 코드()를 통해 타겟 도메인()의 진짜 이미지(real image)와 구분되지 않는 만들어 내는 것을 목적으로 한다. 달리 말해, 생성형 인공지능 모델(10)은 타깃 도메인에 대한 스타일 코드()와 이미지(x)를 받아서 제 1 손실 함수(11)를 통해 출력 이미지 를 생성하는 방법을 학습할 수 있다.
일 실시예에 따르면, 제 2 손실 함수(12)는 스타일 코드의 복원(Reconstruction)과 연관된 것일 수 있다. 제 2 손실 함수(12)는 와 같이 표현될 수 있다. 일례로, 컴퓨팅 장치(100)는 제 2 손실 함수(12)를 산출하기 위해 특정 스타일 코드 및 입력 이미지에 기초하여 상기 생성형 인공지능 모델(10)에 의해 생성된 출력 이미지를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 출력 이미지를 상기 스타일 인코더(30)에 입력하여 상기 출력 이미지에 대한 스타일 코드를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 특정 스타일 코드 및 상기 출력 이미지에 대한 스타일 코드 사이의 차이를 연산할 수 있다.
달리 표현하자면, 컴퓨팅 장치(100)는 상기 생성형 인공지능 모델(10)이 출력 이미지 생성시 타깃 도메인에 대한 스타일 코드()를 이용하도록 실시(enforce)하기 위해 제 2 손실 함수(12)를 이용할 수 있다. 컴퓨팅 장치(100)는 이미지로부터 잠재 코드(latent code)를 맵핑(mapping)할 수 있도록 스타일 인코더(30)를 적용할 수 있다. 일례로, 단일 스타일 인코더(30, E)를 통해서 여러 도메인(domain)에 대한 다양한 출력을 획득할 수 있다. 학습된 스타일 인코더(30, E)는 생성형 인공지능 모델(10, G)이 참조 이미지(reference image)의 스타일을 반영하여 입력 이미지를 생성하도록 할 수 있다.
일 실시예에 따르면, 제 3 손실 함수(13)는 스타일 코드의 다양성(Diversity)과 연관된 것일 수 있다. 제 3 손실 함수(13)는 와 같이 표현될 수 있다. 일례로, 컴퓨팅 장치(100)는 제 3 손실 함수(13)를 산출하기 위해 상기 맵핑 네트워크(20)를 활용하여 제 1 랜덤 잠재 벡터(z1)에 대한 제 1 랜덤 스타일 코드()를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 맵핑 네트워크(20)를 활용하여 제 2 랜덤 잠재 벡터(z2)에 대한 제 2 랜덤 스타일 코드()를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 생성형 인공지능 모델(10)을 활용하여, 입력 이미지 및 상기 제 1 랜덤 스타일 코드()에 기초하여 제 1 출력 이미지를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 생성형 인공지능 모델(10)을 활용하여, 상기 입력 이미지 및 상기 제 2 랜덤 스타일 코드()에 기초하여 제 2 출력 이미지를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 제 1 출력 이미지 및 상기 제 2 출력 이미지 사이의 차이를 연산할 수 있다. 달리 표현하자면, 컴퓨팅 장치(100)는 제 3 손실 함수(13)를 기반으로 생성형 인공지능 모델(10)이 다양한 스타일의 이미지를 생성하도록 할 수 있다. 컴퓨팅 장치(100)는 제 3 손실 함수(13)에서의 를 최대화함으로써, 생성형 인공지능 모델(10)이 다양한 이미지를 생성하기 위한 의미 있는 다양한 스타일 벡터를 찾을 수 있도록 할 수 있다.
일 실시예에 따르면, 제 4 손실 함수(14)는 복수의 스타일 코드들과 관련된 원본 이미지의 특징 유지와 연관된 것일 수 있다. 제 4 손실 함수(14)는 와 같이 표현될 수 있다. 컴퓨팅 장치(100)는 제 4 손실 함수(14)를 산출하기 위해 특정 스타일 코드 및 입력 이미지에 기초하여 상기 생성형 인공지능 모델(10)에 의해 생성된 출력 이미지를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 입력 이미지를 상기 스타일 인코더(30)에 입력하여 원본 스타일 코드를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 원본 스타일 코드 및 상기 출력 이미지에 기초하여 상기 생성형 인공지능 모델(10)에 의해 생성된 새로운 출력 이미지를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 상기 새로운 출력 이미지 및 상기 입력 이미지 사이의 차이를 연산할 수 있다. 달리 표현하자면, 컴퓨팅 장치(100)는 생성형 인공지능 모델(10)이 타깃 도메인으로 바꾼 이미지를 다시 원래 도메인으로 돌려, 가장 처음의 인풋 이미지(x)와 유사하도록 실시(enforce)하기 위해 제 4 손실 함수(14)를 이용할 수 있다.
일 실시예에 따르면, 제 5 손실 함수는 입력 이미지에 포함된 얼굴의 특징 벡터 및 출력 이미지에 포함된 얼굴의 특징 벡터 사이의 차이와 관련된 것 일 수 있다. 먼저, 컴퓨팅 장치(100)는 랜드마크 분석에 기초하여 상기 입력 이미지에 포함된 얼굴의 특징 벡터를 추출할 수 있다. 다음으로, 컴퓨팅 장치(100)는, 생성형 인공지능 모델(10)에서 출력된 출력 이미지를 MLP(multi-layer perceptron) 네트워크에 통과시켜, 상기 입력 이미지에 포함된 얼굴의 특징 벡터와 같은 크기의 상기 출력 이미지에 포함된 얼굴의 특징 벡터를 추출한 뒤, 코사인 유사도(cosine similarity)를 이용해 두 유사도가 높게 유지되도록 제 5 손실 함수(loss)에 적용할 수 있다. 참고로, 컴퓨팅 장치(100)는 생성형 인공지능 모델(10)에서 출력된 출력 이미지와 입력 이미지(원본 이미지)의 각 얼굴 특징 간의 유사도가 높게 유지되도록 제약 조건(예컨대, 제 5 손실 함수)을 추가로 적용할 수 있다.
정리하자면, 생성형 인공지능 모델(10)을 학습하기 위해 사용된 제 1 손실 함수 내지 제 5 손실 함수는
와 같이 표현될 수 있다. 여기서, 는 제 1 손실 함수 내지 제 4 손실 함수이고, 는 제 5 손실 함수 일 수 있다. 여기서, 'A'는 생성된 이미지에서 얼굴 특징 추출 네트워크(50)를 통과한 벡터이고, 'B'는 원본 이미지에서 얼굴 랜드마크(Face landmark)를 추출한 벡터일 수 있다.
도 6은 본 개시의 일 실시예에 따른 얼굴 분할 모델과 연계하여 사용자의 변형된 얼굴 이미지를 생성하는 동작을 설명하기 위한 도면이다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 얼굴 분할 모델과 연계하여, 특정 부위만을 스타일에 따라 생성할 수 있다. 먼저, 컴퓨팅 장치(100)는 i) 얼굴의 부위를 분할(Segmentation)하는 얼굴 분할 모델(face parsing)을 활용하여, 참조 얼굴 이미지(2)에서 상기 부위 정보에 대응되는 참조 부위를 분할하고, 스타일 인코더(30)를 활용하여 상기 참조 부위에 대한 스타일 코드를 획득할 수 있다. 달리 표현하자면, 컴퓨팅 장치(100)는 사전 훈련된 얼굴 분할 모델(face parsing)을 통해 참조 얼굴 이미지(2)에서 시술부위별 분할 맵(segmentation map)을 구하고, 분할 마스크(Segmentation mask)에 따라 참조 얼굴 이미지(2)에서 스타일 인코더(30)를 통해 참조 부위에 대한 스타일 코드를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 얼굴 분할 모델을 활용하여, 참조 얼굴 이미지(2)에서 눈, 코, 입에 대응되는 참조 부위를 분할하고, 스타일 인코더(30)를 활용하여, 참조 부위 각각에 대한 스타일 코드(예컨대, 눈 영역 - 눈 스타일 코드, 코 영역 - 코 스타일 코드)를 획득할 수 있다.
다음으로, 컴퓨팅 장치(100)는 ii) 상기 사용자의 원본 얼굴 이미지(1) 중 상기 부위 정보에 대응되는 원본 부위를 분할할 수 있다. 예시적으로, 컴퓨팅 장치(100)는 얼굴 분할 모델을 활용하여 사용자의 원본 얼굴 이미지(1) 중 눈, 코, 입(부위 정보)에 대응되는 원본 부위를 분할할 수 있다.
다음으로, 컴퓨팅 장치(100)는 iii) 상기 생성형 인공지능 모델(10)을 활용하여, 상기 참조 부위에 대한 스타일 코드 및 상기 원본 부위에 기초하여, 변형된 부위 이미지를 생성할 수 있다. 참조 부위에 대한 스타일 코드가 '눈 스타일 코드'인 경우, 생성형 인공지능 모델(10)은 '눈 스타일 코드' 및 분할된 원본 부위에 기초하여, 변형된 부위 이미지를 생성할 수 있다. 또한, 참조 부위에 대한 스타일 코드가 '눈에 멍이 든 스타일 코드'인 경우, 생성형 인공지능 모델(10)은 '눈에 멍이 든 스타일 코드 '및 분할된 원본 부위에 기초하여, 변형된 부위 이미지를 생성할 수 있다.
마지막으로, 컴퓨팅 장치(100)는 iv) 상기 사용자의 원본 얼굴 이미지(1) 및 상기 변형된 부위 이미지에 기초하여 상기 사용자의 변형된 얼굴 이미지(3)를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는, 상기 사용자의 원본 얼굴 이미지(1)의 눈 부위를 '변형된 부위 이미지(예컨대, 눈에 멍이 든 이미지)'를 반영하여 최종적으로 사용자의 원본 얼굴 이미지(1)에서 눈 부위만 변형된 상기 사용자의 변형된 얼굴 이미지(3)를 생성할 수 있다.
한편, 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는, "분할된 복수의 얼굴 부위들 각각에 대응되는 복수의 스타일 코드들(예컨대, 복수의 스타일 코드들로 구성된 스타일 매트릭스)"과 "얼굴 분할에 활용되는 분할 마스크(segmentation mask)"에 기초하여, 생성형 인공지능 모델(10)의 활성화 맵(activation map)과 바이어스(bias)를 조정하고, 정규화에 활용함으로써, 생성형 인공지능 모델(10)이 성형 수술 또는 시술 이후 시계열적으로 변화하는 회복 단계 각각에 대하여 좀 더 자연스러운 변화가 적용된 사용자의 변형된 얼굴 이미지를 생성하도록 할 수 있다.
또한, 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는, 전체 스타일(style)을 바꿔주는 기존의 GAN 기반 이미지-이미지 변형(image to image translation) 방식과 달리, 생성형 인공지능 모델(10) 구조 내에서 사용하는 정규화(normalization)를 통해 스타일(style)을 추출해주는 영역을 특정 부위의 변화만을 생성하도록 얼굴 분할(face parsing)하는 과정을 추가할 수 있으며, 원하는 특정 얼굴 부위만을 타겟팅 하여 스타일에 따라 변형된 얼굴 이미지를 생성할 수 있다. 즉, 본 개시의 일 실시예에 따른 생성형 인공지능 모델(10)은, 얼굴의 부위를 분할(Segmentation)하는 얼굴 분할 모델을 활용함으로써, 얼굴 정체성을 유지하면서 타겟팅 한 시술 부위만 스타일(style)을 바꿔 보다 자연스러운 사용자의 변형된 얼굴 이미지를 생성할 수 있다.
도 7은 본 개시의 일 실시예에 따른 생성형 인공지능 모델의 추가 특징을 설명하기 위한 도면이다.
본 개시의 일 실시예에 따르면, 생성형 인공지능 모델(10)은, 얼굴의 부위를 분할하는 얼굴 분할 모델과 연계하여, 활성화 값(Activation value) 또는 바이어스(Bias) 중 적어도 하나가 조정된 모델일 수 있다. 예시적으로 도 7을 참조하면, 생성형 인공지능 모델(10)은 입력 이미지의 얼굴의 부위를 분할하기 위해 상기 얼굴 분할 모델에 의해 활용된 분할 마스크(Segmentation mask) 및 상기 입력 이미지의 분할된 얼굴의 부위들에 대응되는 스타일 코드들을 포함하는 스타일 매트릭스(Style matrix)에 기초하여, 상기 활성화 값 또는 상기 바이어스 중 적어도 하나가 조정된 모델일 수 있다.
일 실시예에 따르면, 생성형 인공지능 모델(10)의 활성화 값 또는 바이어스 중 적어도 하나를 조정하기 위한 수식은 와 같이 표현될 수 있다. 여기서, 스타일 맵의 높이, 너비 및 채널 수는 각각 H, W 및 C로 표현될 수 있다(n ∈ N, c ∈ C, y ∈ H, x ∈ W). 또한,는 정규화 이전 영역에서의 활성화 값(activation value)이고, 이전 영역의 활성화 값(activation value)과 표준화(standardization)를 하여 활성화 값()을 구하고 바이어스()를 더해 최종 매개변수로 사용될 수 있다.
일례로, 컴퓨팅 장치(100)는 상기 활성화 값을 조정하기 위해 i) 상기 스타일 매트릭스에 합성곱을 적용하고, 상기 합성곱을 적용한 결과에 상기 분할 마스크에 기초한 브로드캐스트(Broadcast)를 수행하여, 스타일 맵(Style map)을 획득하고, ii) 상기 활성화 값을 조정하기 위해 상기 스타일 맵에 합성곱을 적용하여 제 1-1 정규화(normalization) 값을 산출하고, iii) 상기 분할 마스크에 합성곱을 적용하여 제 2-1 정규화 값()을 산출하고 iv) 상기 제 1-1 정규화 값() 및 상기 제 2-1 정규화 값() 에 대한 가중합을 산출할 수 있다.
또한, 컴퓨팅 장치(100)는 상기 바이어스를 조정하기 위해, i) 상기 스타일 매트릭스에 합성곱을 적용하고, 상기 합성곱을 적용한 결과에 상기 분할 마스크에 기초한 브로드캐스트를 수행하여, 스타일 맵을 획득하고, 상기 스타일 맵에 합성곱을 적용하여 제 1-2 정규화 값()을 산출하고, 상기 분할 마스크에 합성곱을 적용하여 제 2-2 정규화 값()을 산출하고, 상기 제 1-2 정규화 값() 및 상기 제 2-2 정규화 값()에 대한 가중합을 산출할 수 있다.
달리 표현하자면, 활성화 값 또는 바이어스를 조정하기 위한 수식은 와 같이 표현될 수 있다. 여기서, 는 채널 c의 활성화의 평균이고, 는 채널 c의 활성화의 표준 편차이다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 8은 본 개시의 일 실시예에 따른 성형 수술 또는 시술의 예측 이미지를 생성하는 방법을 나타낸 순서도이다.
도 8에 도시된 성형 수술 또는 시술의 예측 이미지를 생성하는 방법은 앞서 설명된 컴퓨팅 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 컴퓨팅 장치(100)에 대하여 설명된 내용은 성형 수술 또는 시술의 예측 이미지를 생성하는 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 8을 참조하면, 성형 수술 또는 시술의 예측 이미지를 생성하는 방법은, 사용자의 원본 얼굴 이미지를 획득하는 단계(S110), 성형 수술 또는 시술의 부위 정보, 또는 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하는 단계(S120) 및 생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계(S130)를 포함할 수 있다.
단계 S110은, 사용자의 원본 얼굴 이미지를 획득하는 단계이다.
단계 S120은, 성형 수술 또는 시술의 부위 정보, 또는 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하는 단계이다.
단계 S130은, 생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계이다. 단계 S130은, 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득하는 단계 및 상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계를 포함할 수 있다. 일례로, 상기 생성형 인공지능 모델은, 잠재 벡터(Latent vector)에 기초하여 스타일 코드를 생성하는 맵핑 네트워크. 입력 이미지에 기초하여 스타일 코드를 추출하는 스타일 인코더(Encoder) 및 상기 생성형 인공지능 모델에 의해 생성된 이미지를 판별하는 판별기(Discriminator)와 연계하여 학습된 모델일 수 있다. 또한, 상기 생성형 인공지능 모델은, 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지에 포함된 얼굴의 특징 벡터를 추출하는 얼굴 특징 추출 네트워크와 추가로 연계하여 학습된 모델일 수 있다.
상술한 설명에서, 단계 S110 내지 S130은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 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 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 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 개시는 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 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 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 개시는 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 개시는 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 개시는 이에 제한되지 않는다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 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, 당업자라면 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 또한 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 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 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, 당업자라면 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 또한 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 또한 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 (29)
- 컴퓨팅 장치에 의해 수행되는, 성형 수술 또는 시술의 예측 이미지를 생성하는 방법으로서,
사용자의 원본 얼굴 이미지를 획득하는 단계;
성형 수술 또는 시술의 부위 정보, 및 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하는 단계;
얼굴의 부위를 분할(segmentation)하는 얼굴 분할 모델을 활용하여, 상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응하는 원본 부위를 분할하는 단계;
생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 원본 부위가 변형된 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계; 및
상기 회복 단계 정보에 대응하는 회복 단계 별로 시계열적으로 변화하는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계
를 포함하고,
상기 생성형 인공지능 모델은,
환자들의 메타 정보와 연계하여 시계열적으로 수집된 환자들의 회복 단계별 이미지 데이터,
상기 성형 수술 또는 시술의 부위 별로 크롭(crop)된 이미지 데이터, 및
의료 기관을 통해 수집된 성형 수술 또는 시술의 레퍼런스 이미지 데이터를 포함하는 다중 도메인의 학습 데이터에 기초하여 학습된 모델이고,
상기 생성형 인공지능 모델은,
잠재 벡터(Latent vector), 상기 부위 정보, 및 상기 회복 단계 정보에 기초하여 스타일 코드 정보를 생성하는 맵핑(Mapping) 네트워크와 연계하여 학습된 모델인,
방법.
- 제 1 항에 있어서,
상기 생성형 인공지능 모델을 활용하여, 상기 원본 부위가 변형된 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계 또는 상기 시계열적으로 변화하는 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계 중 적어도 하나의 단계는,
상기 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 및 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득하는 단계; 및
상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 생성형 인공지능 모델은,
입력 이미지에 기초하여 스타일 코드를 추출하는 스타일 인코더(Encoder); 및
상기 생성형 인공지능 모델에 의해 생성된 이미지를 판별하는 판별기(Discriminator)
와 연계하여 학습된 모델인,
방법.
- 제 3 항에 있어서,
상기 생성형 인공지능 모델은,
상기 판별기와의 적대적인(adversarial) 동작과 연관된 제 1 손실 함수;
스타일 코드의 복원(Reconstruction)과 연관된 제 2 손실 함수;
스타일 코드의 다양성(Diversity)과 연관된 제 3 손실 함수; 및
복수의 스타일 코드들과 관련된 원본 이미지의 특징 유지와 연관된 제 4 손실 함수
에 기초하여 학습된 모델인,
방법.
- 제 4 항에 있어서,
상기 제 2 손실 함수는,
특정 스타일 코드 및 입력 이미지에 기초하여 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지를 획득하는 동작;
상기 출력 이미지를 상기 스타일 인코더에 입력하여 상기 출력 이미지에 대한 스타일 코드를 획득하는 동작; 및
상기 특정 스타일 코드 및 상기 출력 이미지에 대한 스타일 코드 사이의 차이를 연산하는 동작
에 기초하여 산출되는,
방법.
- 제 4 항에 있어서,
상기 제 3 손실 함수는,
상기 맵핑 네트워크를 활용하여 제 1 랜덤 잠재 벡터에 대한 제 1 랜덤 스타일 코드를 획득하는 동작;
상기 맵핑 네트워크를 활용하여 제 2 랜덤 잠재 벡터에 대한 제 2 랜덤 스타일 코드를 획득하는 동작;
상기 생성형 인공지능 모델을 활용하여, 입력 이미지 및 상기 제 1 랜덤 스타일 코드에 기초하여 제 1 출력 이미지를 생성하는 동작;
상기 생성형 인공지능 모델을 활용하여, 상기 입력 이미지 및 상기 제 2 랜덤 스타일 코드에 기초하여 제 2 출력 이미지를 생성하는 동작; 및
상기 제 1 출력 이미지 및 상기 제 2 출력 이미지 사이의 차이를 연산하는 동작
에 기초하여 산출되는,
방법.
- 제 4 항에 있어서,
상기 제 4 손실 함수는,
특정 스타일 코드 및 입력 이미지에 기초하여 상기 생성형 인공지능 모델에 의해 생성된 출력 이미지를 획득하는 동작;
상기 입력 이미지를 상기 스타일 인코더에 입력하여 원본 스타일 코드를 획득하는 동작;
상기 원본 스타일 코드 및 상기 출력 이미지에 기초하여 상기 생성형 인공지능 모델에 의해 생성된 새로운 출력 이미지를 획득하는 동작; 및
상기 새로운 출력 이미지 및 상기 입력 이미지 사이의 차이를 연산하는 동작
에 기초하여 산출되는,
방법.
- 제 3 항에 있어서,
상기 생성형 인공지능 모델은,
상기 생성형 인공지능 모델에 의해 생성된 출력 이미지에 포함된 얼굴의 특징 벡터를 추출하는 얼굴 특징 추출 네트워크
와 추가로 연계하여 학습된 모델인,
방법.
- 제 8 항에 있어서,
상기 생성형 인공지능 모델은,
상기 생성형 인공지능 모델에 입력되는 입력 이미지에 포함된 얼굴의 특징 벡터; 및
상기 출력 이미지에 포함된 얼굴의 특징 벡터
사이의 차이와 관련된 추가적인 손실 함수
에 기초하여 학습된 모델인,
방법.
- 제 9 항에 있어서,
상기 입력 이미지에 포함된 얼굴의 특징 벡터는,
상기 입력 이미지에서 추출된 얼굴 랜드마크(Face landmark)에 기초하여 획득되고,
상기 출력 이미지에 포함된 얼굴의 특징 벡터는,
상기 얼굴 특징 추출 네트워크에 의해 획득되고,
상기 입력 이미지에 포함된 얼굴의 특징 벡터 및 상기 출력 이미지에 포함된 얼굴의 특징 벡터는, 서로 동일한 크기인,
방법.
- 제 1 항에 있어서,
상기 원본 부위가 변형된 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계는,
상기 얼굴 분할 모델을 활용하여, 참조 얼굴 이미지에서 상기 부위 정보에 대응되는 참조 부위를 분할하고, 스타일 인코더를 활용하여 상기 참조 부위에 대한 스타일 코드를 획득하는 단계;
상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응되는 원본 부위를 분할하는 단계;
상기 생성형 인공지능 모델을 활용하여, 상기 참조 부위에 대한 스타일 코드 및 상기 원본 부위에 기초하여, 변형된 부위 이미지를 생성하는 단계; 및
상기 사용자의 원본 얼굴 이미지 및 상기 변형된 부위 이미지에 기초하여 상기 사용자의 변형된 얼굴 이미지를 생성하는 단계
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 생성형 인공지능 모델은,
상기 얼굴 분할 모델과 연계하여, 활성화 값(Activation value) 또는 바이어스(Bias) 중 적어도 하나가 조정된 모델인,
방법.
- 제 12 항에 있어서,
상기 생성형 인공지능 모델은,
입력 이미지의 얼굴의 부위를 분할하기 위해 상기 얼굴 분할 모델에 의해 활용된 분할 마스크(Segmentation mask); 및
상기 입력 이미지의 분할된 얼굴의 부위들에 대응되는 스타일 코드들을 포함하는 스타일 매트릭스(Style matrix)
에 기초하여, 상기 활성화 값 또는 상기 바이어스 중 적어도 하나가 조정된 모델인,
방법.
- 제 13 항에 있어서,
상기 활성화 값은,
상기 스타일 매트릭스에 합성곱을 적용하고, 상기 합성곱을 적용한 결과에 상기 분할 마스크에 기초한 브로드캐스트(Broadcast)를 수행하여, 스타일 맵(Style map)을 획득하는 동작;
상기 스타일 맵에 합성곱을 적용하여 제 1-1 정규화(normalization) 값을 산출하는 동작;
상기 분할 마스크에 합성곱을 적용하여 제 2-1 정규화 값을 산출하는 동작; 및
상기 제 1-1 정규화 값 및 상기 제 2-1 정규화 값에 대한 가중합을 산출하는 동작
에 기초하여 조정되는,
방법.
- 제 13 항에 있어서,
상기 바이어스는,
상기 스타일 매트릭스에 합성곱을 적용하고, 상기 합성곱을 적용한 결과에 상기 분할 마스크에 기초한 브로드캐스트를 수행하여, 스타일 맵을 획득하는 동작;
상기 스타일 맵에 합성곱을 적용하여 제 1-2 정규화 값을 산출하는 동작;
상기 분할 마스크에 합성곱을 적용하여 제 2-2 정규화 값을 산출하는 동작; 및
상기 제 1-2 정규화 값 및 상기 제 2-2 정규화 값에 대한 가중합을 산출하는 동작
에 기초하여 조정되는,
방법.
- 제 1 항에 있어서,
상기 생성형 인공지능 모델은, 복수의 데이터 증강 기법들에 의해 증강된 데이터에 의해 학습된 모델이고,
상기 복수의 데이터 증강 기법들은,
메이크업(Makeup)된 얼굴의 메이크업을 제거하여 증강된 데이터를 생성하는 제 1 데이터 증강 기법;
성형 수술 또는 시술 부위의 피부 이외의 요소를 제거하여 증강된 데이터를 생성하는 제 2 데이터 증강 기법;
성형 수술 또는 시술 부위의 피부 이외의 요소를 블러(Blur) 처리하여 증강된 데이터를 생성하는 제 3 데이터 증강 기법; 또는
원본 학습 데이터를 다분할 및 반전하여 증강된 데이터를 생성하는 제 4 데이터 증강 기법
중 적어도 둘 이상의 기법들을 포함하는,
방법.
- 삭제
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 성형 수술 또는 시술의 예측 이미지를 생성하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
사용자의 원본 얼굴 이미지를 획득하는 동작;
성형 수술 또는 시술의 부위 정보, 및 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하는 동작;
얼굴의 부위를 분할(segmentation)하는 얼굴 분할 모델을 활용하여, 상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응하는 원본 부위를 분할하는 동작;
생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 원본 부위가 변형된 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작; 및
상기 회복 단계 정보에 대응하는 회복 단계 별로 시계열적으로 변화하는 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작
을 포함하고,
상기 생성형 인공지능 모델은,
환자들의 메타 정보와 연계하여 시계열적으로 수집된 환자들의 회복 단계별 이미지 데이터,
상기 성형 수술 또는 시술의 부위 별로 크롭(crop)된 이미지 데이터, 및
의료 기관을 통해 수집된 성형 수술 또는 시술의 레퍼런스 이미지 데이터를 포함하는 다중 도메인의 학습 데이터에 기초하여 학습된 모델이고,
상기 생성형 인공지능 모델은,
잠재 벡터(Latent vector), 상기 부위 정보, 및 상기 회복 단계 정보에 기초하여 스타일 코드 정보를 생성하는 맵핑(Mapping) 네트워크와 연계하여 학습된 모델인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 18 항에 있어서,
상기 생성형 인공지능 모델을 활용하여, 상기 원본 부위가 변형된 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작 또는 상기 시계열적으로 변화하는 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작 중 적어도 하나의 동작은,
상기 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 및 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득하는 동작; 및
상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 18 항에 있어서,
상기 생성형 인공지능 모델은,
입력 이미지에 기초하여 스타일 코드를 추출하는 스타일 인코더(Encoder); 및
상기 생성형 인공지능 모델에 의해 생성된 이미지를 판별하는 판별기(Discriminator)
와 연계하여 학습된 모델인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 20 항에 있어서,
상기 생성형 인공지능 모델은,
상기 생성형 인공지능 모델에 의해 생성된 출력 이미지에 포함된 얼굴의 특징 벡터를 추출하는 얼굴 특징 추출 네트워크
와 추가로 연계하여 학습된 모델인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 18 항에 있어서,
상기 원본 부위가 변형된 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작은,
상기 얼굴 분할 모델을 활용하여, 참조 얼굴 이미지에서 상기 부위 정보에 대응되는 참조 부위를 분할하고, 스타일 인코더를 활용하여 상기 참조 부위에 대한 스타일 코드를 획득하는 동작;
상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응되는 원본 부위를 분할하는 동작;
상기 생성형 인공지능 모델을 활용하여, 상기 참조 부위에 대한 스타일 코드 및 상기 원본 부위에 기초하여, 변형된 부위 이미지를 생성하는 동작; 및
상기 사용자의 원본 얼굴 이미지 및 상기 변형된 부위 이미지에 기초하여 상기 사용자의 변형된 얼굴 이미지를 생성하는 동작
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 18 항에 있어서,
상기 생성형 인공지능 모델은,
상기 얼굴 분할 모델과 연계하여, 활성화 값(Activation value) 또는 바이어스(Bias) 중 적어도 하나가 조정된 모델인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 컴퓨팅 장치로서,
적어도 하나의 프로세서; 및
메모리
를 포함하고,
상기 적어도 하나의 프로세서는,
사용자의 원본 얼굴 이미지를 획득하고;
성형 수술 또는 시술의 부위 정보, 및 상기 성형 수술 또는 시술의 회복 단계 정보를 획득하고;
얼굴의 부위를 분할(segmentation)하는 얼굴 분할 모델을 활용하여, 상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응하는 원본 부위를 분할하고;
생성형 인공지능 모델(Generative AI model)을 활용하여, 상기 원본 부위가 변형된 상기 사용자의 변형된 얼굴 이미지를 생성하고; 그리고
상기 회복 단계 정보에 대응하는 회복 단계 별로 시계열적으로 변화하는 상기 사용자의 변형된 얼굴 이미지를 생성하도록 구성되고,
상기 생성형 인공지능 모델은,
환자들의 메타 정보와 연계하여 시계열적으로 수집된 환자들의 회복 단계별 이미지 데이터,
상기 성형 수술 또는 시술의 부위 별로 크롭(crop)된 이미지 데이터, 및
의료 기관을 통해 수집된 성형 수술 또는 시술의 레퍼런스 이미지 데이터를 포함하는 다중 도메인의 학습 데이터에 기초하여 학습된 모델이고,
상기 생성형 인공지능 모델은,
잠재 벡터(Latent vector), 상기 부위 정보, 및 상기 회복 단계 정보에 기초하여 스타일 코드 정보를 생성하는 맵핑(Mapping) 네트워크와 연계하여 학습된 모델인,
장치.
- 제 24 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 맵핑(Mapping) 네트워크를 활용하여, 상기 부위 정보 또는 상기 회복 단계 정보에 대응되는 스타일 코드(Style code) 정보를 획득하고; 그리고
상기 획득된 스타일 코드 및 상기 사용자의 원본 얼굴 이미지를 상기 생성형 인공지능 모델에 입력하여, 상기 사용자의 변형된 얼굴 이미지를 생성하도록 구성되는,
장치.
- 제 24 항에 있어서,
상기 생성형 인공지능 모델은,
입력 이미지에 기초하여 스타일 코드를 추출하는 스타일 인코더(Encoder); 및
상기 생성형 인공지능 모델에 의해 생성된 이미지를 판별하는 판별기(Discriminator)
와 연계하여 학습된 모델인,
장치.
- 제 26 항에 있어서,
상기 생성형 인공지능 모델은,
상기 생성형 인공지능 모델에 의해 생성된 출력 이미지에 포함된 얼굴의 특징 벡터를 추출하는 얼굴 특징 추출 네트워크
와 추가로 연계하여 학습된 모델인,
장치.
- 제 24 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 얼굴 분할 모델을 활용하여, 참조 얼굴 이미지에서 상기 부위 정보에 대응되는 참조 부위를 분할하고, 스타일 인코더를 활용하여 상기 참조 부위에 대한 스타일 코드를 획득하고;
상기 사용자의 원본 얼굴 이미지 중 상기 부위 정보에 대응되는 원본 부위를 분할하고;
상기 생성형 인공지능 모델을 활용하여, 상기 참조 부위에 대한 스타일 코드 및 상기 원본 부위에 기초하여, 변형된 부위 이미지를 생성하고; 그리고
상기 사용자의 원본 얼굴 이미지 및 상기 변형된 부위 이미지에 기초하여 상기 사용자의 변형된 얼굴 이미지를 생성하도록 구성되는,
장치.
- 제 28 항에 있어서,
상기 생성형 인공지능 모델은,
상기 얼굴 분할 모델과 연계하여, 활성화 값(Activation value) 또는 바이어스(Bias) 중 적어도 하나가 조정된 모델인,
장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230075239A KR102649436B1 (ko) | 2023-06-13 | 2023-06-13 | 성형 수술 또는 시술의 예측 이미지를 생성하는 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230075239A KR102649436B1 (ko) | 2023-06-13 | 2023-06-13 | 성형 수술 또는 시술의 예측 이미지를 생성하는 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102649436B1 true KR102649436B1 (ko) | 2024-03-20 |
Family
ID=90483165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230075239A KR102649436B1 (ko) | 2023-06-13 | 2023-06-13 | 성형 수술 또는 시술의 예측 이미지를 생성하는 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102649436B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200001834A (ko) * | 2018-06-28 | 2020-01-07 | (주)케어마인드 | 수술 후 상태 진단 방법, 장치 및 컴퓨터 프로그램 |
| KR20230068744A (ko) * | 2021-11-11 | 2023-05-18 | 성인규 | Ai를 이용한 가상 스타일 추천 서버 |
| US20230162839A1 (en) * | 2021-03-19 | 2023-05-25 | EntityMed | Predictive visualization for aesthetic medical procedures |
-
2023
- 2023-06-13 KR KR1020230075239A patent/KR102649436B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200001834A (ko) * | 2018-06-28 | 2020-01-07 | (주)케어마인드 | 수술 후 상태 진단 방법, 장치 및 컴퓨터 프로그램 |
| US20230162839A1 (en) * | 2021-03-19 | 2023-05-25 | EntityMed | Predictive visualization for aesthetic medical procedures |
| KR20230068744A (ko) * | 2021-11-11 | 2023-05-18 | 성인규 | Ai를 이용한 가상 스타일 추천 서버 |
Non-Patent Citations (4)
| Title |
|---|
| Jia-Liang Tian 외 7인, Study of facial generation methods after orthodontic treatment(2022) 1부. * |
| Peihao Zhu 외 3인, SEAN: Image Synthesis with Semantic Region-Adaptive Normalization(2020) 1부.* * |
| Praveen Kumar Chandaliya 외 1인, PlasticGAN: Holistic generative adversarial network on face plastic and aesthetic surgery(2022) 1부.* * |
| Xiang Wang 외 2인, A Survey on Face Data Augmentation(2019) 1부.* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102490060B1 (ko) | 신경망 모델을 활용한 부분적인 이미지 변환 방법 | |
| KR102450409B1 (ko) | 의료 영상 기반의 세그먼테이션 방법 | |
| KR102665707B1 (ko) | 확산 모델을 이용한 얼굴 이미지 변환 방법 | |
| KR20240053515A (ko) | 얼굴 변환을 수행하는 신경망 모델을 학습시키기 위한 방법 | |
| KR20240034095A (ko) | 신경망 모델을 이용한 이미지 특징 추출 방법 | |
| KR102649436B1 (ko) | 성형 수술 또는 시술의 예측 이미지를 생성하는 방법 | |
| KR102515935B1 (ko) | 신경망 모델을 위한 학습 데이터 생성 방법 | |
| KR102406287B1 (ko) | 협력 학습을 이용한 초해상도 이미징 방법 | |
| KR102678637B1 (ko) | 각도 및 표정을 고려한 이미지 변환 방법 | |
| KR102579686B1 (ko) | 각도 변화를 고려하여 이미지를 단계적으로 변환하는 방법 | |
| KR102627764B1 (ko) | 부분 이미지를 이용하여 이미지를 변환하는 신경망 모델을 학습시키는 방법 | |
| KR102649764B1 (ko) | 페이스 스왑 이미지 생성 방법 | |
| KR102674067B1 (ko) | 각도 변화에 대한 이미지 변환 품질 향상 방법 | |
| KR102669679B1 (ko) | 원본 이미지로부터 스케치 이미지를 생성하는 방법 | |
| KR102649301B1 (ko) | 발화영상의 품질을 향상시키기 위한 모델의 학습 방법 | |
| KR102647511B1 (ko) | 대규모 언어 모델의 강화 학습 방법 | |
| KR102606619B1 (ko) | 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법 | |
| KR102606617B1 (ko) | 확산 모델을 이용한 동영상 생성 방법 | |
| KR102579684B1 (ko) | 신경망 학습모델을 이용한 디지털 휴먼 모델링 방법 | |
| KR102579685B1 (ko) | 조정 정보를 이용한 디지털 휴먼의 안면 움직임 제어 매개변수의 구축 방법 | |
| KR102631427B1 (ko) | 환부의 회복 정보를 예측하기 위해 이미지를 전처리하는 방법 | |
| KR102547630B1 (ko) | 신경망 모델을 이용한 마스크 착용 얼굴 이미지 복원 방법 | |
| KR102681902B1 (ko) | 변화 탐지 방법 | |
| KR102669801B1 (ko) | 아바타 텍스쳐를 생성 및 매핑하기 위한 방법 및 장치 | |
| KR20240009297A (ko) | 도메인 적응을 위한 방법 및 컴퓨터 프로그램 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |