KR20190104927A - 사진 영상 제공 장치 및 사진 영상 제공 방법 - Google Patents

사진 영상 제공 장치 및 사진 영상 제공 방법 Download PDF

Info

Publication number
KR20190104927A
KR20190104927A KR1020190102802A KR20190102802A KR20190104927A KR 20190104927 A KR20190104927 A KR 20190104927A KR 1020190102802 A KR1020190102802 A KR 1020190102802A KR 20190102802 A KR20190102802 A KR 20190102802A KR 20190104927 A KR20190104927 A KR 20190104927A
Authority
KR
South Korea
Prior art keywords
image
candidate
image quality
quality information
photographic
Prior art date
Application number
KR1020190102802A
Other languages
English (en)
Inventor
김성식
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190102802A priority Critical patent/KR20190104927A/ko
Priority to US16/565,935 priority patent/US20200005100A1/en
Publication of KR20190104927A publication Critical patent/KR20190104927A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/20—Individual registration on entry or exit involving the use of a pass
    • G07C9/22—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder
    • G07C9/25—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder using biometric data, e.g. fingerprints, iris scans or voice recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/95—Computational photography systems, e.g. light-field imaging systems
    • H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
    • H04N5/23232—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

사진 영상 제공 방법은 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 인공 신경망을 반복하여 학습하며, 카메라에서 사진 영상을 획득하는 경우, 획득된 사용자 선호 화질 정보에 기초하여 획득된 사진 영상의 화질을 조절한다.

Description

사진 영상 제공 장치 및 사진 영상 제공 방법{Photo-image providing device and photo-image providing method}
실시 예는 사용자 선호도에 따른 최적화된 화질을 제공하는 사진 영상 제공 장치 및 사진 영상 제공 방법에 관한 것이다.
최근 들어, 인터넷이나 소셜 미디어의 발달로 인해 사진 영상에 대한 관심이 폭발적으로 증가함에 따라 사진 영상을 제공할 수 있는 다양한 기기들이 개발되고 있다.
사진 영상은 다양한 촬영 환경에서 촬영된다. 예컨대, 어두운 곳, 안개낀 곳, 비오는 흐린 날, 태풍이 부는 날, 눈오는 날, 석양이 비추는 장소 등과 같이 다양한 촬영 환경에서 사진 영상이 촬영된다. 이러한 경우, 촬영된 사진 영상의 화질이 사용자의 만족을 주지 못해, 폐기되는 경우가 종종 있다.
특히, 사용자의 선호 화질은 매우 주관적이서, 사용자마다 선호 화질이 다르다. 하지만, 사진 영상을 제공할 수 있는 기기의 제조사에서는 이러한 다양한 사용자의 선호도를 고려한 화질을 제공할 수 없고, 단지 보편적인 화질을 제공할 수 있을 뿐이다.
자신이 선호하는 화질이 반영된 사진 영상을 촬영하고 싶은 사용자의 욕구가 더욱 더 강해지고 있으므로, 제조사에서도 사용자의 선호도에 따른 화질 제공에 관한 개발이 절실히 요구되고 있다.
실시 예는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
실시 예의 다른 목적은 사용자 선호도에 따른 최적화된 화질을 제공할 수 있는 사진 영상 제공 장치 및 사진 영상 제공 방법을 제공한다.
상기 또는 다른 목적을 달성하기 위해 실시 예의 일 측면에 따르면, 사진 영상 제공 방법은, 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 인공 신경망을 반복하여 학습하는 단계; 및 카메라에서 사진 영상을 획득하는 경우, 상기 획득된 사용자 선호 화질 정보에 기초하여 상기 획득된 사진 영상의 화질을 조절하는 단계를 포함한다.
실시 예의 다른 측면에 따르면, 인공 신경망을 저장하는 메모리; 및 프로세서를 포함한다. 상기 프로세서는, 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 상기 인공 신경망을 반복하여 학습하며, 카메라에서 사진 영상을 획득하는 경우, 상기 획득된 사용자 선호 화질 정보에 기초하여 상기 획득된 사진 영상의 화질을 조절할 수 있다.
실시 예에 따른 사진 영상 제공 장치 및 사진 영상 제공 방법의 효과에 대해 설명하면 다음과 같다.
실시 예들 중 적어도 하나에 의하면, 복수의 촬영 환경 정보 각각의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 인공 신경망을 반복적으로 학습하여 최적의 사용자 선호 화질 정보를 얻을 수 있다. 또한, 이와 같이 얻어진 최적의 사용자 선호 화질 정보에 기초하여 카메라로부터 획득된 사진 영상의 화질을 조절함으로써, 사용자의 선호도를 고려한 사진 영상을 제공할 수 있어 사용자의 만족도를 높일 수 있다.
실시 예의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 실시 예의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 실시 예에 따른 사진 영상 제공 장치를 도시한 블록도이다.
도 5는 본 발명의 실시 예에 따른 사진 영상 제공 장치의 제어 방법을 설명하는 순서도이다.
도 6은 본 발명의 실시 예에 따른 사진 영상 제공 장치에서 후보 영상을 이용하여 사용자 선호도에 따른 학습 방법을 설명하는 순서도이다.
도 7은 본 발명의 실시 예에 따른 사진 영상 제공 장치에서 카메라로부터 영상이 획득될 때마다의 학습 방법을 설명하는 순서도이다.
도 8은 제1 화질 정보 및 제2 화질 정보를 보여준다.
도 9는 디스플레이부 상에 표시되는 복수의 후보 영상을 보여준다.
도 10은 선형 회귀 학습을 보여준다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™ RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 실시 예에 따른 사진 영상 제공 장치를 도시한 블록도이다.
도 4를 참조하면, 본 발명의 실시 예에 따른 사진 영상 제공 장치(300)는 카메라(310), 프로세서(320), 인공 신경망(330), 메모리(340) 및 디스플레이부(350)를 포함할 수 있다. 본 발명의 실시 예는 상술한 구성 요소보다 많거나 적은 구성 요소를 포함할 수 있다.
카메라(310)는 도 1에 도시된 입력부(120)에 포함될 수 있다. 프로세서(320) 및 메모리(340) 각각은 도 1에 도시된 프로세서(180) 및 메모리(170)일 수 있다. 디스플레이부(350)는 도 1에 도시된 출력부(150)에 포함될 수 있다. 프로세서(320)는 영상 신호 처리(ISP: Image Signal Processing) 블록을 포함할 수 있다.
사진 영상 제공 장치(300)는 예컨대, 이동 단말기, 웨어러블 디바이스(wearable device), 드론 등을 포함할 수 있다. 이동 단말기는 스마트 폰, 모바일 폰, 테블릿 장치, 게임 장치 등을 포함할 수 있다. 웨어러블 디바이스는 스마트워치(smartwatch), 스마트 글래스(smart glass) 등을 포함할 수 있다.
카메라(310)는 사진 영상을 촬영할 수 있다.
프로세서(320)는 상술된 구성 요소를 전반적으로 관리 또는 제어할 수 있다. 예컨대, 프로세서(320)는 카메라(310)를 제어하여 사진 영상을 촬영할 수 있다. 예컨대, 프로세서(320)는 디스플레이부(350)를 제어하여 콘텐츠, 정보 또는 데이터를 표시할 수 있다. 예컨대, 프로세서(320)는 메모리(340)를 제어하여 콘텐츠, 정보, 데이터, 새로 생성된 정보를 저장할 수 있다.
인공 신경망(330)은 소프트웨어 또는 하드웨워로 구성될 수 있다. 소프트웨어로 구성된 인공 신경망(330)은 메모리(340)에 저장될 수 있다. 메모리(340)에 저장된 인공 신경망(330)은 제어부의 제어 하에 동작될 수 있다.
인공 신경망(330)은 복수의 촬영 환경 정보 각각의 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 학습할 수 있다.
촬영 환경 정보는 저 조도 신scene), 음식 신, 인물 신, 풍경 신 및 역광 신 중 하나를 포함할 수 있다.
프로세서(320)는 복수의 제1 화질 정보와 복수의 제1 화질 정보 각각에 대한 복수의 제2 화질 정보에 기초하여 복수의 후보 사진 이미지를 획득할 수 있다. 즉, 복수의 제1 화질 정보 각각에 대한 복수의 제2 화질 정보 각각이 상기 획득된 사진 영상에 반영됨으로써, 복수의 후보 사진 이미지가 획득될 수 있다. 즉, 사진 영상의 화질이 복수의 제1 화질 정보 각각에 대한 복수의 제2 화질 정보 각각으로 조절됨으로써, 복수의 후보 사진 이미지가 획득될 수 있다.
예컨대, 도 8에 도시한 바와 같이, 촬영 환경 정보가 저 조도 신에서 제1 화질 정보는 예컨대, 밝기(brightness) 정보(410), 선명도(sharpness) 정보(420), 노이즈 정보(430) 등을 포함할 수 있다.
제2 화질 정보는 제1 화질 정보의 상세 정보일 수 있다.
예컨대, 제1 화질 정보가 밝기 정보(410)인 경우, 제2 화질 정보는 아날로그 게인(411), 디지털 게인(412), 블랙 레벨(413), 주위 조도별 목표 휘도(target luminance)(414) 등을 포함할 수 있다.
예컨대, 제1 화질 정보가 선명도 정보(420)인 경우, 제2 화질 정보는 굵은 에지의 선명도(421), 오버슈팅 선명도(422), 언더슈팅 선명도(423), 하이 패스 필터 선택(424) 등을 포함할 수 있다.
예컨대, 제1 화질 정보가 노이즈 정보(430)인 경우, 제2 화질 정보는 에지 주변의 노이즈(431), 고주파 노이즈(432), 저주파 노이즈(433), 주위 조도별 노이즈 레벨 선택(434) 등을 포함할 수 있다.
예컨대, 도 8에 도시한 바와 같이, 프로세서(320)는 저 조도 신에서 밝기 정보(410)의 상세 정보인 아날로그 게인(411), 디지털 게인(412), 블랙 레벨(413) 및 주위 조도별 목표 휘도(414) 각각에 대한 4장의 후보 사진 이미지(도 9의 511 내지 도 514)를 생성할 수 있다.
예컨대, 도 8에 도시한 바와 같이, 프로세서(320)는 저 조도 신에서 선명도 정보(420)의 상세 정보인 굵은 에지의 선명도(421), 오버슈팅 선명도(422), 언더슈팅 선명도(423) 및 하이 패스 필터 선택(424) 각각에 대한 4장의 후보 사진 이미지(도 9의 521 내지 524)를 생성할 수 있다.
예컨대, 도 8에 도시한 바와 같이, 프로세서(320)는 저 조도 신에서 노이즈 정보(430)의 상세 정보인 에지 주변의 노이즈(431), 고주파 노이즈(432), 저주파 노이즈(433) 및 주위 조도별 노이즈 레벨 선택(434) 각각에 대한 4장의 후보 사진 이미지(도 9의 531 내지 534)를 생성할 수 있다.
따라서, 프로세서(320)는 저 조도 신에서 예컨대, 12장의 후보 사진 이미지(도 5의 511 내지 514, 521 내지 524, 531 내지 534)를 생성할 수 있다.
한편, 프로세서(320)는 도 8에 도시된 상세 정보(411 내지 414, 421 내지 424, 431 내지 434) 각각의 하한값과 상한값 각각에 대한 후보 사진 이미지를 생성할 수 있다.
도 8에 도시된 상세 정보(411 내지 414, 421 내지 424, 431 내지 434)는 디폴트(default) 값일 수 있다. 예컨대, 도 8에 도시된 아날로그 게인(411)이 50인 경우, 그 하한값은 20이고 상한값은 100일 수 있다. 따라서, 저 조도 신의 밝기 정보(410)의 세부 화질 정보인 아날로그 게인(411)에 대해 디폴트, 하한값 및 상한값에 대한 3장의 후보 사진 이미지가 생성될 수 있다. 따라서, 프로세서(320)는 도 8에 도시된 상세 정보(411 내지 414, 421 내지 424, 431 내지 434)의 디폴트, 하한값 및 상한값 각각에 대한 후보 사진 이미지를 생성할 수 있고, 이에 따라 총 36장의 후보 사진 이미지를 생성할 수 있다.
도 8에는 설명의 편의상, 저 조도 신에서 밝기 정보(410), 선명도 정보(420), 노이즈 정보(430)만 도시되고 있지만, 화질에 영향을 주는 다른 화질 정보가 더 추가될 수 있다.
예컨대, 저 저도 신에서는 밝기, 선명도, 노이즈가 화질에 중요한 영향을 줄 수 있다. 예컨대, 음식 신에서는 화이트 밸런스(white balance)가 화질에 중요한 영향을 줄 수 있다. 인물 신에서는 선명도, 노이즈가 화질에 중요한 영향을 줄 수 있다. 풍경 신에서는 색상(hue), 채도(saturation), 화이트 밸런스가 화질에 중요한 영향을 주 수 있다. 역광 신에서는 노출(exposure)가 화질에 중요한 영향을 줄 수 있다.
따라서, 프로세서(320)는 복수의 촬영 환경 정보에 따라, 그에 맞는 복수의 후보 사진 이미지를 디스플레이부(350) 상에 표시할 수 있다.
이상에서는 2개의 화질 정보, 즉 제1 화질 정보(410, 420, 430) 및 제2 화질 정보(411 내지 414, 421 내지 424, 431 내지 434)를 설명하고 있지만, 3개 이상의 화질 정보가 고려될 수도 있다. 예컨대, 제1 화질 정보, 제1 화질 정보의 상세 정보인 제2 화질 정보, 제2 화질 정보의 상세 정보인 제3 화질 정보, 제3 화질 정보의 상세 정보인 제4 화질 정보 등이 고려될 수 있다. 이와 같이, 상세 정보의 개수가 증가할수록 사용자의 선호도의 좀 더 정확하게 파악할 수 있다.
프로세서(320)는 복수의 후보 사진 이미지를 표시하도록 디스플레이부(350)를 제어할 수 있다. 도 9에 도시한 바와 같이, 디스플레이부(350) 상에 복수의 후보 사진 이미지(511 내지 514, 521 내지 524, 531 내지 534)가 표시될 수 있다.
도 9의 디스플레이부(350) 상에 표시된 복수의 후보 사진 이미지(511 내지 514, 521 내지 524, 531 내지 534)는 예컨대, 저 조도 신에 대한 사진 이미지일 수 있지만, 이에 대해서는 한정하지 않는다. 복수의 후보 사진 이미지(511 내지 514, 521 내지 524, 531 내지 534)는 썸네일 이미지일 수 있지만, 이에 대해서는 한정하지 않는다.
예컨대, 저 조도 신에 대해서 밝기 이미지(510), 선명도 이미지(520) 및 노이즈 이미지(530) 별로 후보 사진 이미지(511 내지 514, 521 내지 524, 531 내지 534)가 일렬로 표시될 수 있다. 예컨대, 저 조도 신에 대해서 디스플레이부(350) 상에 밝기 이미지(510)에 관한 후보 사진 이미지(511 내지 514)가 표시되고, 이 표시된 후보 사진 이미지(511 내지 514)가 사라진 후 선명도 이미지(520)에 관한 후보 사진 이미지(521 내지 524)가 표시되며, 이 표시된 후보 사진 이미지(521 내지 524)가 사라진 후 노이즈 이미지(530)에 관한 후보 사진 이미지(531 내지 534)가 표시될 수 있다.
도 9의 디스플레이부(350) 상에는 설명의 편의상, 도 8에 도시된 바와 같이, 디폴트로 설정된 12장의 후보 사진 이미지(511 내지 514, 521 내지 524, 531 내지 534)가 표시되고 있지만, 하한값 및 상한값 각각에 대한 후보 사진 이미지가 추가로 더 표시될 수 있다.
프로세서(320)는 복수의 후보 사진 이미지 중에서 선택하는 후보 사진 이미지를 획득할 수 있다. 상기 선택된 후보 사진 이미지는 메모리(340)에 저장될 수 있다. 상기 선택된 후보 사진 이미지는 인공 신경망(330)으로 제공될 수 있다. 즉, 상기 선택된 후보 사진 이미지는 인공 신경망(330)의 학습을 위한 입력 데이터로 사용될 수 있다.
인공 신경망(330)은 상기 선택된 후보 사진 이미지를 학습하여 사용자 선호 화질 정보를 획득할 수 있다.
프로세서(320)는 카메라(310)로부터 사진 영상을 획득할 때마다, 복수의 후보 사진 이미지를 디스플레이부(350) 상에 표시하고, 복수의 후보 사진 이미지 중 선택하는 후보 사진 이미지를 획득할 수 있다. 이와 같이, 카메라(310)로부터 사진 영상이 획득될 때마다 사용자에 의해 선택된 후보 사진 이미지를 학습하여 사용자 선호 화질 정보를 획득함으로써, 사용자 선호도를 보다 더 정확히 파악할 수 있다. 사용자 선호 화질 정보는 특정 촬영 환경 정보에서의 사진 영상에 대한 파라미터 값일 수 있다.
프로세서(320)는 카메라(310)로부터 사진 영상을 획득하는 경우, 상기 획득된 사용자 선호 화질 정보에 기초하여 상기 획득된 사진 영상의 화질을 조절할 수 있다. 예컨대, 저 조도 신에서 인공 신경망(330)에 의해 반복적으로 학습하여 획득된 사용자 선호 화질 정보는 표 1로 나타낼 수 있다. 표 1에서 사용자 선호 화질 정보의 수치는 실제로 얻어진 값이 아니고 설명의 편의를 위해 임의로 부여된 값임에 유의해야 한다.
저 조도 신 제 1화질 정보 제2 화질 정보 사용자 선호 화질 정보
밝기 정보(410) 디지털 게인(412) 28
선명도 정보(420) 오버슈팅 선명도(422) 43
노이즈 정보(430) 에지 주변의 노이즈(431) 12
프로세서(320)는 카메라(310)로부터 획득된 사진 영상을 표 1에 나타낸 사용자 화질 정보로 조절할 수 있다. 예컨대, 프로세서는 상기 획득된 사진 영상이 저 조도의 사진 영상인 경우, 사용자 선호 화질 정보에 기초하여, 밝기를 28의 디지털 게인으로 조절하고, 선명도를 43의 오버슈팅 선명도로 조절하며, 노이즈를 12의 에지 주변의 노이즈로 조절할 수 있다. 이와 같이 화질이 조절된 사진 영상은 메모리(340)에 저장될 수 있고, 사용자의 요청시 디스플레이부(350) 상에 표시될 수 있다. 인공 신경망(330)은 카메라(310)로부터 사진 영상이 획득될 때마다 사용자에 의해 선택된 후보 사진 이미지를 학습하여 사용자 선호 화질 정보를 획득함으로서, 사용자의 선호도에 부합하는 화질의 사진 영상을 제공할 수 있다.
도 10은 선형 회귀 학습을 보여준다.
도 10에서, 가로축은 인공 신경망(330)의 입력으로서 예컨대 사용자가 선택한 후보 사진 이미지고, 세로축은 인공 신경망(330)의 출력으로서 예컨대 사용자 선호 화질 정보일 수 있다. 선형 회귀(linear regression)는 종속 변수(y)와 독립 변수(x) 사이의 선형 상관 관계를 모델링하는 회귀 분석 기법일 수 있다. 독립 변수(x)는 한 개 이상일 수 있다. 선형 회귀는 선형 예측 함수를 사용해 회귀식을 모델링하며, 알려지 않은 파라미터는 데이터로부터 추정하며, 이와 같이 만들어진 회귀식을 선형 모델이라 한다.
본 발명의 실시 예에서, 독립 변수(x)는 사용자가 선택한 후보 사진 이미지고, 종속 변수(y)는 사용자 선호 화질 정보일 수 있다.
도 10로부터, 사용자가 선택한 후보 사진 이미지(독립 변수(x))와 사용자 선호 화질 정보(종속 변수(y)) 사이의 선형 상관 관계가 모델링될 수 있다.
사용자가 가장 선호하기 위한 라인을 목표 라인, 즉 베이스 라인(610)이라고 할 때, 인경 신경만을 반복적으로 학습하여 도 10에 도시한 바와 같이, 제1 추정 라인(620)이 생성될 수 있다.
다시, 인공 신경망(330)을 반복적으로 학습하여 베이스 라인(610)에 좀 더 근접하도록 제2 추정 라인(620)을 생성할 수 있다. 제2 추정 라인(620)은 제1 추정 라인(620)에 비해 베이스 라인(610)에 더 근접하여 생성될 수 있다. 이에 따라, 인공 신경망(330)은 제2 추정 라인(620)에 기반하여 사용자 선호 화질 정보를 획득할 수 있고, 이러한 획득된 사용자 선호 화질 정보는 사용자의 선호도에 더욱 더 근접할 수 있다. 제1 추정 라인(620), 제2 추정 라인(620) 및 베이스 라인(610)이 선형선을 가질 수 있지만, 이에 대해서는 한정하지 않는다.
궁극적으로, 인공 신경망(330)은 추정 라인을 계속 조절하여 베이스 라인(610)에 근접하도록 함으로써, 최적의 사용자 선호 화질 정보를 획득할 수 있다.
본 발명의 일 실시 예에 따르면, 복수의 촬영 환경 정보 각각의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 인공 신경망(330)을 반복적으로 학습하여 최적의 사용자 선호 화질 정보를 얻을 수 있고, 이와 같이 얻어진 최적의 사용자 선호 화질 정보에 기초하여 카메라(310)로부터 획득된 사진 영상의 화질을 조절함으로써, 사용자의 선호도를 고려한 사진 영상을 제공할 수 있어 사용자의 만족도를 높일 수 있다.
이하에서, 사진 영상 제공 방법을 보다 상세히 설명한다.
도 5는 본 발명의 실시 예에 따른 사진 영상 제공 장치의 제어 방법을 설명하는 순서도이다.
도 4 및 도 5를 참조하면, 프로세서(320)는 인공 신경망(330)을 반복하여 학습하여 사용자 선호 화질 정보를 획득할 수 있다(S1111).
프로세서(320)는 카메라(310)로부터 사진 영상을 획득할 때마다, 인공 신경망(330)을 반복하여 학습할 수 있다.
프로세서(320)는 사진 영상을 획득하면(S1112), 사용자 선호 화질 정보에 기초하여 상기 획득된 사진 영상의 화질을 조절할 수 있다(S1113).
도 6을 참조하면, 이러한 화질 조절 방법을 더욱 더 상세히 설명한다. 도 6은 본 발명의 실시 예에 따른 사진 영상 제공 장치에서 후보 영상을 이용하여 사용자 선호도에 따른 학습 방법을 설명하는 순서도이다.
도 6에 도시한 바와 같이, 프로세서(320)는 사진 영상을 획득하면(S1211), 획득된 사진 영상과 관련된 촬영 환경 정보를 획득할 수 있다(S1212).
촬영 환경 정보는 저 조도 신(scene), 음식 신, 인물 신, 풍경 신 및 역광 신 중 적어도 하나를 포함할 수 있다. 예컨대, 프로세서(320)는 사진 영상이 어두운 곳에서 획득된 경우 저 조도 신인 촬영 환경 정보를 획득할 수 있다. 예컨대, 프로세서(320)는 사진 영상이 음식인 경우, 음식 신인 촬영 환경 정보를 획득할 수 있다.
프로세서(320)는 획득된 촬영 환경 정보에 기초하여 복수의 후보 사진 이미지를 디스플레이부(350) 상에 표시하도록 제어할 수 있다(S1213).
예컨대, 카메라(310)로부터 획득된 사진 영상이 저 조도 신인 경우, 저 조도 신에서의 화질 정보를 이용하여 복수의 후보 사진 이미지를 획득할 수 있다. 프로세서(320)는 획득된 복수의 후보 사진 이미지를 디스플레이부(350) 상에 표시할 수 있다. 앞서 도 8에 도시된 제1 화질 정보와 제2 화질 정보에 기초하여 복수의 후보 사진 이미지를 획득하는 방법을 설명한 바 있으므로, 상세한 설명은 생략한다.
프로세서(320)는 복수의 후보 사진 이미지 중 선택하는 적어도 하나 이상의 후보 사진 이미지를 수신하면(S1214), 상기 선택된 적어도 하나 이상의 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 인공 신경망(330)을 학습할 수 있다(S1215). 후보 사진 이미지는 제1 화질 정보, 예컨대 도 8에 도시된 밝기 정보(410), 선명도 정보(420), 노이즈 정보(430)별로 하나씩 선택될 수 있지만, 이에 대해서는 한정하지 않는다.
도 6에서는 인공 신경망(330)의 1회의 학습을 설명하고 있다.
프로세서(320)는 도 6에 도시한 바와 같은 학습 과정을 반복적으로 수행함으로써, 최적의 사용자 선호 화질 정보를 획득할 수 있다.
이러한 반복적인 학습은 도 7을 참조하여 설명한다. 도 7은 본 발명의 실시 예에 따른 사진 영상 제공 장치에서 카메라로부터 영상이 획득될 때마다의 학습 방법을 설명하는 순서도이다.
도 4, 도 5 및 도 7을 참조하면, 프로세서(320)는 카메라(310)로부터 제1 사진 영상을 획득하면(S1311), 기 설정된 복수의 후보 사진 이미지를 디스플레이부(350) 상에 표시하도록 제어할 수 있다(S1312).
기 설정된 복수 후보 사진 이미지는 제조사, 컨텐츠 제공자, SNS 및 인터넷 중 적어도 하나 이상에서 획득될 수 있다. 예컨대, 기 설정된 복수 후보 사진 이미지는 제조사의 개발자에 의해 시행착오(try and error)를 통해 설정된 보편적인 화질 정보일 수 있다. 예컨대, 도 8에 도시한 바와 같이, 저 저도 신에서의 밝기 정보(410), 선명도 정보(420) 및 노이즈 정보(430) 각각에 대해 디폴트로 설정된 상세 정보일 수 있다. 예컨대, 기 설정된 복수의 후보 사진 이미지는 SNS 상에서 수집된 사진 영상에 보편적으로 적용된 화질 정보일 수 있다. 예컨대, 기 설정된 복수의 후보 사진 이미지는 인터넷 상에 돌아다니는 사진 영상에 보편적으로 적용된 화질 정보일 수 있다.
프로세서(320)는 기 설정된 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 제1 사용자 선호 화질 정보를 획득하도록 인공 신경망(330)을 학습할 수 있다(S1313).
프로세서(320)는 카메라(310)로부터 제2 사진 영상을 획득하면(S1314), 기 설정된 복수의 후보 사진 이미지 및 상기 선택된 후보 사진 이미지에 기초하여 복수의 새로운 후보 사진 이미지를 디스플레이부(350) 상에 표시하도록 제어할 수 있다(S1315).
기 설정된 후보 사진 이미지의 제2 화질 정보의 값과 상기 선택된 후보 사진 이미지의 제2 화질 정보 값 사이에서 결정된 제2 화질 정보의 값에 기반하여 획득될 수 있다. 예컨대, 저 조도 신에서 밝기 정보(410)에 대한 디지털 게인(412)이 10(디폴트), 5(하한값) 및 20(상한값)으로 기 설정되었고, 사용자가 디지털 게인(412)이 20(상한값)을 선택하였다고 가정한다. 이러한 경우, 새로운 후보 사진 이미지는 10(디폴트)와 20(상한값) 사이의 값으로 디지털 게이값이 결정될 수 있다. 예컨대, 17의 디지털 게인(412)에 기반하여 새로운 후보 사진 이미지가 획득될 수 있다.
복수의 새로운 후보 사진 이미지는 기 설정된 복수의 후보 사진 이미지의 개수보다 적을 수 있다.
프로세서(320)는 복수의 새로운 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 제2 사용자 선호 화질 정보를 획득하도록 인공 신경망(330)을 학습할 수 있다(S1316).
프로세서(320)는 카메라(310)로부터 다음 사진 영상을 획득하면(S1317), S1315 및 S1316과 동일한 과정을 거쳐 제3 사용자 선화 화질 정보를 획득하도록 인공 신경망(330)을 학습할 수 있다. 즉, 다음 사진 영상을 획득하면(S1317), 프로세서(320)는 기 설정된 복수의 후보 사진 이미지 및 상기 선택한 후보 사진 이미지에 기초하여 복수의 새로운 후보 사진 이미지를 획득하고, 이 복수의 새로운 후보 사진 이미지에 대응하는 제3 사용자 선호 화질 정보를 획득하도록 인공 신경마을 학습할 수 있다.
예컨대, 앞서 S1315에서 17의 디지털 게인(412)에 기반하여 새로운 후보 사진 이미지가 획득되었다고 한 바 있으므로, 제3 사용자 선호 화질 정보를 획득하기 위해 인공 신경망(330)에 입력되는 새로운 후보 사진 이미지는 예컨대 17과 20(상한값) 사이에서 디지털 게인(412)이 결정될 수 있다. 예컨대, 19의 디지털 게인(412)에 기반하여 새로운 후보 사진 영상이 획득될 수 있다. 프로세서(320)는 19의 디지털 게인(412)에 기반하여 획득된 새로운 후보 사진 영상을 학습하여 제3 사용자 선호 화질 정보를 획득할 수 있다.
따라서, S1315 및 S1316을 반복하여 동작함으로써, 새로운 후보 사진 이미지에서의 제2 화질의 범위, 즉 이전 설정된 값과 새로 설정되는 값 사이의 갭이 줄어듦으로써, 추정 라인이 베이스 라인(610)에 근접하게 되고 이는 곧 최적의 사용자 선호 화질 정보를 획득할 가능성이 높아짐을 의미할 수 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 실시 예의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 실시 예의 등가적 범위 내에서의 모든 변경은 실시 예의 범위에 포함된다.

Claims (20)

  1. 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 인공 신경망을 반복하여 학습하는 단계; 및
    카메라에서 사진 영상을 획득하는 경우, 상기 획득된 사용자 선호 화질 정보에 기초하여 상기 획득된 사진 영상의 화질을 조절하는 단계를 포함하는 사진 영상 제공 방법.
  2. 제1항에 있어서,
    상기 인공 신경망을 반복하여 학습하는 단계는,
    상기 카메라에서 사진 영상을 획득하는 경우, 복수의 촬영 환경 정보 중 상기 획득된 사진 영상과 관련된 촬영 환경 정보를 획득하는 단계;
    상기 획득된 촬영 환경 정보에 기초하여 복수의 후보 사진 이미지를 표시하도록 제어하는 단계; 및
    상기 복수의 후보 사진 이미지 중에서 선택된 적어도 하나 이상의 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 상기 인공 신경망을 학습하는 단계를 포함하는 사진 영상 제공 방법.
  3. 제1항에 있어서,
    상기 카메라에서 제1 사진 영상을 획득하면, 상기 제1 사진 영상과 관련된 촬영 환경 정보의 복수의 후보 사진 이미지로서 기 설정된 복수의 후보 사진 이미지를 표시하도록 제어하는 단계;
    상기 기 설정된 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 제1 사용자 선호 화질 정보를 획득하도록 학습하는 단계;
    상기 카메라에서 제2 사진 영상을 획득하면, 상기 제2 사진 영상과 관련된 촬영 환경 정보의 복수의 후보 사진 이미지로서 상기 기 설정된 복수의 후보 사진 이미지 및 상기 선택한 후보 사진 이미지에 기초한 새로운 복수의 후보 사진 이미지를 표시하도록 제어하는 단계; 및
    상기 새로운 복수의 후보 사진 이미지에서 선택한 후보 사진 이미지에 대응하는 제2 사용자 선호 화질 정보를 획득하도록 학습하는 단계를 포함하는 사진 영상 제공 방법.
  4. 제3항에 있어서,
    상기 제1 사용자 선호 화질 정보는 제1 추정 라인에 기반하여 획득되고,
    상기 제2 사용자 선호 화질 정보는 제2 추정 라인에 기반하여 획득되고,
    상기 제2 추정 라인은 상기 제1 추정 라인에 비해 베이스 라인에 근접한 사진 영상 제공 방법.
  5. 제3항에 있어서,
    상기 기 설정된 복수의 후보 사진 이미지는 제조사, 컨텐츠 제공자, SNS 및 인터넷 중 적어도 하나 이상에서 획득되는 사진 영상 제공 방법.
  6. 제1항에 있어서,
    상기 촬영 환경 정보는 저 조도 신(scene), 음식 신, 인물 신, 풍경 신 및 역광 신 중 적어도 하나를 포함하는 사진 영상 제공 방법.
  7. 제1항에 있어서,
    복수의 제1 화질 정보와 상기 복수의 제1 화질 정보 각각에 대한 복수의 제2 화질 정보에 기초하여 상기 복수의 후보 사진 이미지를 획득하는 단계를 더 포함하는 사진 영상 제공 방법.
  8. 제7항에 있어서,
    상기 제1 화질 정보는 밝기, 선명도, 노이즈, 화이트 밸런스, 색상 및 채도 중 적어도 하나 이상을 포함하고,
    상기 제2 화질 정보는 상기 제1 화질 정보의 세부 화질 정보를 포함하는 사진 영상 제공 방법.
  9. 제1항에 있어서,
    상기 인공 신경망은 선형 회귀 학습을 수행하는 사진 영상 제공 방법.
  10. 제1항에 있어서,
    상기 사용자 선호 화질 정보는 상기 복수의 촬영 환경 정보 각각에서의 사진 영상에 대한 파라미터 값인 사진 영상 제공 방법.
  11. 인공 신경망을 저장하는 메모리; 및
    프로세서를 포함하고,
    상기 프로세서는,
    복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 상기 인공 신경망을 반복하여 학습하며,
    카메라에서 사진 영상을 획득하는 경우, 상기 획득된 사용자 선호 화질 정보에 기초하여 상기 획득된 사진 영상의 화질을 조절하는 사진 영상 제공 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 카메라에서 사진 영상을 획득하는 경우, 복수의 촬영 환경 정보 중 상기 획득된 사진 영상과 관련된 촬영 환경 정보를 획득하고,
    상기 획득된 촬영 환경 정보에 기초하여 복수의 후보 사진 이미지를 표시하도록 제어하며,
    상기 복수의 후보 사진 이미지 중에서 선택된 적어도 하나 이상의 후보 사진 이미지에 대응하는 사용자 선호 화질 정보를 획득하도록 상기 인공 신경망을 학습하는 사진 영상 제공 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 카메라에서 제1 사진 영상을 획득하면, 상기 제1 사진 영상과 관련된 촬영 환경 정보의 복수의 후보 사진 이미지로서 기 설정된 복수의 후보 사진 이미지를 표시하도록 제어하고,
    상기 기 설정된 복수의 후보 사진 이미지 중에서 선택한 후보 사진 이미지에 대응하는 제1 사용자 선호 화질 정보를 획득하도록 학습하고,
    상기 카메라에서 제2 사진 영상을 획득하면, 상기 제2 사진 영상과 관련된 촬영 환경 정보의 복수의 후보 사진 이미지로서 상기 기 설정된 복수의 후보 사진 이미지 및 상기 선택한 후보 사진 이미지에 기초한 새로운 복수의 후보 사진 이미지를 표시하도록 제어하며,
    상기 새로운 복수의 후보 사진 이미지에서 선택한 후보 사진 이미지에 대응하는 제2 사용자 선호 화질 정보를 획득하도록 학습하는 사진 영상 제공 장치.
  14. 제13항에 있어서,
    상기 제1 사용자 선호 화질 정보는 제1 추정 라인에 기반하여 획득되고,
    상기 제2 사용자 선호 화질 정보는 제2 추정 라인에 기반하여 획득되고,
    상기 제2 추정 라인은 상기 제1 추정 라인에 비해 베이스 라인에 근접한 사진 영상 제공 장치.
  15. 제13항에 있어서,
    상기 기 설정된 복수의 후보 사진 이미지는 제조사, 컨텐츠 제공자, SNS 및 인터넷 중 적어도 하나 이상에서 획득되는 사진 영상 제공 장치.
  16. 제11항에 있어서,
    상기 촬영 환경 정보는 저 조도 신, 음식 신, 인물 신, 풍경 신 및 역광 신 중 적어도 하나를 포함하는 사진 영상 제공 장치.
  17. 제11항에 있어서,
    상기 프로세서는,
    복수의 제1 화질 정보와 상기 복수의 제1 화질 정보 각각에 대한 복수의 제2 화질 정보에 기초하여 상기 복수의 후보 사진 이미지를 획득하는 단계를 더 포함하는 사진 영상 제공 장치.
  18. 제17항에 있어서,
    상기 제1 화질 정보는 밝기, 선명도, 노이즈, 화이트 밸런스, 색상 및 채도 중 적어도 하나 이상을 포함하고,
    상기 제2 화질 정보는 상기 제1 화질 정보의 세부 화질 정보를 포함하는 사진 영상 제공 장치.
  19. 제11항에 있어서,
    상기 인공 신경망은 선형 회귀 학습을 수행하는 사진 영상 제공 장치.
  20. 제11항에 있어서,
    상기 사용자 선호 화질 정보는 상기 복수의 촬영 환경 정보 각각에서의 사진 영상에 대한 파라미터 값인 사진 영상 제공 장치.
KR1020190102802A 2019-08-22 2019-08-22 사진 영상 제공 장치 및 사진 영상 제공 방법 KR20190104927A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190102802A KR20190104927A (ko) 2019-08-22 2019-08-22 사진 영상 제공 장치 및 사진 영상 제공 방법
US16/565,935 US20200005100A1 (en) 2019-08-22 2019-09-10 Photo image providing device and photo image providing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102802A KR20190104927A (ko) 2019-08-22 2019-08-22 사진 영상 제공 장치 및 사진 영상 제공 방법

Publications (1)

Publication Number Publication Date
KR20190104927A true KR20190104927A (ko) 2019-09-11

Family

ID=67949359

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102802A KR20190104927A (ko) 2019-08-22 2019-08-22 사진 영상 제공 장치 및 사진 영상 제공 방법

Country Status (2)

Country Link
US (1) US20200005100A1 (ko)
KR (1) KR20190104927A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102200909B1 (ko) * 2020-01-13 2021-01-11 (주)에스프레소미디어 Ａｉ 기반 이미지 스타일 학습 및 공유 시스템
WO2021107291A1 (en) * 2019-11-29 2021-06-03 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
KR20220046247A (ko) 2020-10-07 2022-04-14 주식회사 오큐라이트 인공 신경망을 이용한 의료 영상의 가시화 장치 및 방법
WO2022186443A1 (ko) * 2021-03-03 2022-09-09 삼성전자 주식회사 전자 장치에서 이미지의 압축 품질에 기반한 이미지 보정 방법 및 장치
WO2023286889A1 (ko) * 2021-07-15 2023-01-19 엘지전자 주식회사 A/v 수신 장치 및 무선 디스플레이 시스템
KR20230067099A (ko) * 2021-11-09 2023-05-16 대구대학교 산학협력단 사용자의 선호 이미지 필터에 기반한 사진 색감 제공 방법
WO2023249136A1 (ko) * 2022-06-22 2023-12-28 엘지전자 주식회사 디스플레이 장치 및 그의 화질 설정 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
CN114981836A (zh) * 2020-01-23 2022-08-30 三星电子株式会社 电子设备和电子设备的控制方法
US11418737B2 (en) * 2020-09-17 2022-08-16 Samsung Electronics Co., Ltd. Image signal processor and electronic device and electronic system including the same

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021107291A1 (en) * 2019-11-29 2021-06-03 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
US11138717B2 (en) 2019-11-29 2021-10-05 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
US11315227B2 (en) 2019-11-29 2022-04-26 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
US20220230296A1 (en) 2019-11-29 2022-07-21 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
US11763440B2 (en) 2019-11-29 2023-09-19 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof
KR102200909B1 (ko) * 2020-01-13 2021-01-11 (주)에스프레소미디어 Ａｉ 기반 이미지 스타일 학습 및 공유 시스템
WO2021145635A1 (ko) * 2020-01-13 2021-07-22 (주)에스프레소미디어 Ａｉ 기반 이미지 스타일 학습 및 공유 시스템
KR20220046247A (ko) 2020-10-07 2022-04-14 주식회사 오큐라이트 인공 신경망을 이용한 의료 영상의 가시화 장치 및 방법
WO2022186443A1 (ko) * 2021-03-03 2022-09-09 삼성전자 주식회사 전자 장치에서 이미지의 압축 품질에 기반한 이미지 보정 방법 및 장치
WO2023286889A1 (ko) * 2021-07-15 2023-01-19 엘지전자 주식회사 A/v 수신 장치 및 무선 디스플레이 시스템
KR20230067099A (ko) * 2021-11-09 2023-05-16 대구대학교 산학협력단 사용자의 선호 이미지 필터에 기반한 사진 색감 제공 방법
WO2023249136A1 (ko) * 2022-06-22 2023-12-28 엘지전자 주식회사 디스플레이 장치 및 그의 화질 설정 방법

Also Published As

Publication number Publication date
US20200005100A1 (en) 2020-01-02

Similar Documents

Publication Publication Date Title
KR20190104927A (ko) 사진 영상 제공 장치 및 사진 영상 제공 방법
US20200042775A1 (en) Artificial intelligence server and method for de-identifying face area of unspecific person from image file
KR20190102152A (ko) 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법
KR102225975B1 (ko) 엔진음 합성 장치 및 엔진음 합성 방법
US11269328B2 (en) Method for entering mobile robot into moving walkway and mobile robot thereof
US11525202B2 (en) AI-based laundry course recommending apparatus and method of controlling the same
US11276226B2 (en) Artificial intelligence apparatus and method for synthesizing images
KR102245911B1 (ko) 인공 지능을 이용하여, 아이템의 정보를 제공하는 냉장고 및 그의 동작 방법
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR20210004487A (ko) 환기 상황을 자동으로 파악할 수 있는 인공 지능 장치 및 그의 동작 방법
KR102297655B1 (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR20190102151A (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
KR20190101333A (ko) 음성 인식 장치 및 음성 인식 방법
KR20210057556A (ko) 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법
KR20220001522A (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190104103A (ko) 애플리케이션 구동 방법 및 장치
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR20210046170A (ko) 레시피 정보를 생성하는 인공 지능 장치 및 그 방법
KR20230002021A (ko) 스마트 홈 장치 및 방법
KR102537381B1 (ko) 보행경로예측장치
KR20190095186A (ko) 지능형 게이트웨이 장치 및 그를 포함하는 제어 시스템
KR20190094317A (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
KR102231909B1 (ko) 인공지능 장치

Legal Events

Date Code Title Description
A201 Request for examination
G15R Request for early publication
E902 Notification of reason for refusal
E601 Decision to refuse application