KR20200044666A - 데이터 스트리밍 방법 및 장치 - Google Patents

데이터 스트리밍 방법 및 장치 Download PDF

Info

Publication number
KR20200044666A
KR20200044666A KR1020190077250A KR20190077250A KR20200044666A KR 20200044666 A KR20200044666 A KR 20200044666A KR 1020190077250 A KR1020190077250 A KR 1020190077250A KR 20190077250 A KR20190077250 A KR 20190077250A KR 20200044666 A KR20200044666 A KR 20200044666A
Authority
KR
South Korea
Prior art keywords
image data
terminal
dnn
data
information
Prior art date
Application number
KR1020190077250A
Other languages
English (en)
Other versions
KR102525577B1 (ko
Inventor
박영오
손유미
엄명진
최광표
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to EP19873269.5A priority Critical patent/EP3811618A4/en
Priority to CN201980068264.1A priority patent/CN112868229A/zh
Priority to PCT/KR2019/013733 priority patent/WO2020080873A1/en
Priority to US16/659,061 priority patent/US10817986B2/en
Priority to US16/822,665 priority patent/US10817987B2/en
Priority to US16/824,486 priority patent/US10817988B2/en
Publication of KR20200044666A publication Critical patent/KR20200044666A/ko
Priority to US17/080,501 priority patent/US11170472B2/en
Priority to US17/080,543 priority patent/US11170473B2/en
Priority to US17/385,995 priority patent/US11748847B2/en
Application granted granted Critical
Publication of KR102525577B1 publication Critical patent/KR102525577B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/60—Network streaming of media packets
    • H04L65/61—Network streaming of media packets for supporting one-way streaming services, e.g. Internet radio
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/60—Network streaming of media packets
    • H04L65/70—Media network packetisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/60—Network streaming of media packets
    • H04L65/75—Media network packet handling
    • H04L65/762—Media network packet handling at the source 
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/80—Responding to QoS
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/184—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being bits, e.g. of the compressed video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/235—Processing of additional data, e.g. scrambling of additional data or processing content descriptors
    • H04N21/2355—Processing of additional data, e.g. scrambling of additional data or processing content descriptors involving reformatting operations of additional data, e.g. HTML pages
    • H04N21/2356—Processing of additional data, e.g. scrambling of additional data or processing content descriptors involving reformatting operations of additional data, e.g. HTML pages by altering the spatial resolution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/235—Processing of additional data, e.g. scrambling of additional data or processing content descriptors
    • H04N21/2355—Processing of additional data, e.g. scrambling of additional data or processing content descriptors involving reformatting operations of additional data, e.g. HTML pages
    • H04N21/2358—Processing of additional data, e.g. scrambling of additional data or processing content descriptors involving reformatting operations of additional data, e.g. HTML pages for generating different versions, e.g. for different recipient devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26258—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists for generating a list of items to be played back in a given order, e.g. playlist, or scheduling item distribution according to such list
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44209—Monitoring of downstream path of the transmission network originating from a server, e.g. bandwidth variations of a wireless network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 개시는 데이터 스트리밍을 수행하는 방법 및 장치에 관한 것이다. 본 개시의 일 실시예에 따른 단말은 서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 서버로부터 수신하고, 단말과 서버 간의 네트워크 상태를 결정하며, 부가 정보를 기초로 복수의 영상 데이터 중 결정된 네트워크 상태에 대응되는 품질의 영상 데이터를 서버에 요청하며, 요청에 대응되는 영상 데이터 및 AI 데이터가 수신됨에 따라, AI 데이터를 기초로 수신된 영상 데이터에 대한 AI 업스케일 수행 여부를 결정하고, AI 업스케일 수행 여부에 관한 결정에 기초하여, 서버의 다운스케일용 DNN과 연계 훈련된 업스케일용 DNN(deep neural network)을 통해 수신된 영상 데이터에 AI 업스케일을 수행하며, 네트워크 상태가 변경됨에 따라, 부가 정보를 기초로, 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터를 서버에 요청할 수 있다.

Description

데이터 스트리밍 방법 및 장치{METHOD AND APPARATUS FOR STREAMING DATA}
본 개시는 데이터 스트리밍 기술에 관한 것이다. 보다 구체적으로, 본 개시는 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 AI 부호화된 영상 데이터를 적응적으로 스트리밍하는 방법 및 장치에 관한 것이다.
네트워크를 통해 영상 데이터를 전송하는 방식에는 다운로드 방식과 스트리밍 방식이 있다. 스트리밍 방식은 서버가 실시간으로 영상 데이터를 전송하고, 단말은 수신된 영상 데이터를 실시간으로 재생하는 방식이다.
스트리밍 방식은 영상 데이터를 모두 송수신하고 난 다음에 영상 데이터의 재생이 시작되는 다운로드 방식과 달리 스트리밍 방식에 따르면 서버와 단말 사이에 설정된 논리적인 채널을 통해 실시간으로 영상 데이터가 송수신되고, 재생되기 때문에 스트리밍 환경의 변동을 반영하여 영상 데이터 재생의 QoS(Quality of Sevice)를 유지할 수 있다.
한편, 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서, 기존의 규칙 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하면서 능력을 향상시키는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있으므로, 딥러닝 기반의 인공지능 시스템이 기존의 규칙 기반 스마트 시스템을 대체할 것으로 예상된다.
인공지능 시스템에 대한 관심도가 높아짐에 따라, 이를 다양한 기술분야에 접목시키려는 시도가 활발하게 일어나고 있다. 예를 들어, 인공지능 시스템을 영상 처리, 데이터 스트리밍 등의 기술 분야에 융합하려는 연구가 진행되고 있는 실정이다.
일 실시예에 따른 데이터 스트리밍 방법 및 장치는 딥 뉴럴 네트워크를 이용하여 AI 부호화된 영상 데이터를 스트리밍하는 기술을 제공하고자 한다.
일 실시예에 따른 단말이 데이터 스트리밍을 수행하는 방법은, 서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 서버로부터 수신하는 단계; 단말과 서버 간의 네트워크 상태를 결정하는 단계; 부가 정보를 기초로, 복수의 영상 데이터 중 결정된 네트워크 상태에 대응되는 품질의 영상 데이터를 서버에 요청하는 단계; 요청에 대응되는 영상 데이터 및 AI(artificial intelligence) 데이터가 수신됨에 따라, AI 데이터를 기초로 수신된 영상 데이터에 대한 AI 업스케일 수행 여부를 결정하는 단계; AI 업스케일 수행 여부에 관한 결정에 기초하여, 서버의 다운스케일용 DNN과 연계 훈련된 업스케일용 DNN(deep neural network)을 통해, 수신된 영상 데이터에 AI 업스케일을 수행하는 단계; 및 네트워크 상태가 변경됨에 따라, 부가 정보를 기초로 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터를 서버에 요청하는 단계를 포함할 수 있다.
일 실시예에 따른 단말이 데이터 스트리밍을 수행하는 방법은, AI 데이터를 기초로, 서버의 다운스케일용 DNN을 통해 영상 데이터에 AI 다운스케일이 수행되었는지 여부를 결정하는 단계를 더 포함하고, AI 업스케일 수행 여부를 결정하는 단계는, 영상 데이터에 AI 다운스케일이 수행된 것으로 확인되면, 영상 데이터에 AI 업스케일을 수행하는 것으로 결정할 수 있다.
일 실시예에 따른 단말이 데이터 스트리밍을 수행하는 방법에 있어서, 요청하는 단계는, 부가 정보에 포함된 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 중 적어도 하나를 기초로 단말의 네트워크 상태에 대응되는 영상 데이터를 요청할 수 있다.
일 실시예에 따른 단말이 데이터 스트리밍을 수행하는 방법은, 단말의 AI 업스케일 지원 여부 및 지원 가능한 AI 업스케일 레벨을 포함하는 캐퍼빌리티(capability) 정보를 서버에 전송하는 단계를 더 포함할 수 있다.
일 실시예에 따른 단말이 데이터 스트리밍을 수행하는 방법에 있어서, 수신된 영상 데이터에 수행된 AI 다운스케일의 레벨은, 단말에서 지원 가능한 AI 업스케일 레벨 및 네트워크 상태를 기초로 결정될 수 있다.
일 실시예에 따른 서버가 데이터 스트리밍을 수행하는 방법은, 서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 단말에 전송하는 단계; 부가 정보를 기초로, 단말과 서버 간의 네트워크 상태에 대응되는 품질의 영상 데이터에 대한 요청을 단말로부터 수신하는 단계; 요청에 기초하여, 단말의 업스케일용 DNN과 연계 훈련된 다운스케일용 DNN을 통해 AI 부호화된 영상 데이터 및 AI 데이터를 단말에 전송하는 단계; 및 단말과 서버 간의 네트워크 상태가 변경됨에 따라, 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터에 대한 요청을 단말로부터 수신하는 단계를 포함할 수 있다.
일 실시예에 따른 서버가 데이터 스트리밍을 수행하는 방법에 있어서, AI 데이터는, AI 부호화된 영상 데이터에 적용된 다운스케일용 DNN에 관한 정보를 포함할 수 있다.
일 실시예에 따른 서버가 데이터 스트리밍을 수행하는 방법에 있어서, 요청을 수신하는 단계는, 부가 정보에 포함된 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 중 적어도 하나를 기초로 결정된 네트워크 상태에 대응되는 영상 데이터에 대한 요청을 수신할 수 있다.
일 실시예에 따른 서버가 데이터 스트리밍을 수행하는 방법은, 단말의 AI 업스케일 지원 여부 및 지원 가능한 AI 업스케일 레벨을 포함하는 캐퍼빌리티(capability) 정보를 단말로부터 수신하는 단계를 더 포함할 수 있다.
일 실시예에 따른 서버가 데이터 스트리밍을 수행하는 방법에 있어서, AI 부호화된 영상 데이터에 수행된 AI 다운스케일의 레벨은, 단말에서 지원 가능한 AI 업스케일 레벨 및 네트워크 상태를 기초로 결정될 수 있다.
일 실시예에 따른 데이터 스트리밍을 수행하는 단말은, 통신부; 하나 이상의 인스트럭션들을 저장하는 메모리; 및 메모리에 저장된 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 서버로부터 수신하고, 단말과 서버 간의 네트워크 상태를 결정하며, 부가 정보를 기초로, 복수의 영상 데이터 중 결정된 네트워크 상태에 대응되는 품질의 영상 데이터를 서버에 요청하도록 통신부를 제어하고, 요청에 대응되는 영상 데이터 및 AI(artificial intelligence) 데이터가 수신됨에 따라, AI 데이터를 기초로 수신된 영상 데이터에 대한 AI 업스케일 수행 여부를 결정하며, AI 업스케일 수행 여부에 관한 결정에 기초하여, 서버의 다운스케일용 DNN과 연계 훈련된 업스케일용 DNN(deep neural network)을 통해, 수신된 영상 데이터에 AI 업스케일을 수행하며, 네트워크 상태가 변경됨에 따라, 부가 정보를 기초로 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터를 서버에 요청하도록 통신부를 제어할 수 있다.
일 실시예에 따른 데이터 스트리밍을 수행하는 서버는, 통신부; 하나 이상의 인스트럭션들을 저장하는 메모리; 및 메모리에 저장된 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 단말에 전송하고, 부가 정보를 기초로 결정된, 단말과 서버 간의 네트워크 상태에 대응되는 품질의 영상 데이터에 대한 요청을 단말로부터 수신하며, 요청에 기초하여, 단말의 업스케일용 DNN과 연계 훈련된 다운스케일용 DNN을 통해 AI 부호화된 영상 데이터 및 AI 데이터를 단말에 전송하고, 단말과 서버 간의 네트워크 상태가 변경됨에 따라, 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터에 대한 요청을 단말로부터 수신하도록 통신부를 제어할 수 있다.
일 실시예에 따른 데이터 스트리밍 방법 및 장치는, 딥 뉴럴 네트워크를 이용하여 AI 부호화된 영상 데이터를 네트워크 상태에 따라 송수신함으로써, 유동적으로 변경되는 네트워크 상태에서 영상 데이터 재생의 QoS(Quality of Sevice)를 일정 수준으로 유지시킬 수 있다.
다만, 일 실시예에 따른 데이터 스트리밍 방법 및 장치가 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 일 실시예에 따른 AI 부호화 과정 및 AI 복호화 과정을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 AI 복호화 장치의 구성을 나타내는 블록도이다.
도 3은 제 2 영상의 AI 업스케일을 위한 제 2 DNN을 나타내는 예시적인 도면이다.
도 4는 컨볼루션 레이어에 의한 컨볼루션 연산을 설명하기 위한 도면이다.
도 5는 여러 영상 관련 정보들과 여러 DNN 설정 정보들 사이의 매핑 관계를 나타내는 예시적인 도면이다.
도 6은 복수의 프레임으로 구성된 제 2 영상을 도시하는 도면이다.
도 7은 일 실시예에 따른 AI 부호화 장치의 구성을 나타내는 블록도이다.
도 8은 원본 영상의 AI 다운스케일을 위한 제 1 DNN을 나타내는 예시적인 도면이다.
도 9는 제 1 DNN 및 제 2 DNN을 훈련시키는 방법을 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 스트리밍 시스템을 설명하기 위한 개념도이다.
도 11a는 일 실시예에 따른 서버의 데이터 스트리밍 방법을 설명하기 위한 흐름도이다.
도 11b는 일 실시예에 따른 단말의 데이터 스트리밍 방법을 설명하기 위한 흐름도이다.
도 11c는 다른 실시예에 따른 단말의 데이터 스트리밍 방법을 설명하기 위한 흐름도이다.
도 12는 일 실시예에 따른 단말의 AI 업스케일 지원 여부에 따라 서버와 단말 간의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
도 13은 다른 실시예에 따른 단말의 AI 업스케일 지원 여부에 따라 서버와 단말 간의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
도 14는 일 실시예에 따른 서버가 단말의 캐퍼빌리티를 고려하여 영상 데이터의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
도 15는 일 실시예에 따른 서버가 네트워크 상태 및 단말의 캐퍼빌리티를 고려하여 영상 데이터의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
도 16은 일 실시예에 따른 스트리밍을 위해 제공되는 부가 정보를 설명하기 위한 도면이다.
도 17은 일 실시예에 따른 부가 정보의 세부 구조를 설명하기 위한 도면이다.
도 18은 다른 실시예에 따른 부가 정보의 세부 구조를 설명하기 위한 도면이다.
도 19는 다른 실시예에 따른 부가 정보의 세부 구조를 설명하기 위한 도면이다.
도 20은 일 실시예에 따라 서버로부터 단말로 스트리밍 되는 AI 데이터 및 영상 데이터를 설명하기 위한 도면이다.
도 21은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
도 22는 일 실시예에 따른 단말의 구성을 나타내는 블록도이다.
본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 개시의 실시 형태에 대해 한정하려는 것이 아니며, 본 개시는 여러 실시예들의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 '~부(유닛)', '모듈' 등으로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.
또한, 본 명세서에서, '영상(image)' 또는 '픽처'는 비디오의 정지영상, 복수의 연속된 정지영상(또는 프레임)으로 구성된 동영상, 또는 비디오를 나타낼 수 있다.
또한, 본 명세서에서 'DNN(deep neural network)'은 뇌 신경을 모사한 인공신경망 모델의 대표적인 예시로써, 특정 알고리즘을 사용한 인공신경망 모델로 한정되지 않는다.
또한, 본 명세서에서 '파라미터'는 뉴럴 네트워크를 이루는 각 레이어의 연산 과정에서 이용되는 값으로서 예를 들어, 입력 값을 소정 연산식에 적용할 때 이용되는 가중치를 포함할 수 있다. 또한, 파라미터는 매트릭스 형태로 표현될 수 있다. 파라미터는 훈련의 결과로 설정되는 값으로서, 필요에 따라 별도의 훈련 데이터(training data)를 통해 갱신될 수 있다.
또한, 본 명세서에서 '제 1 DNN'은 영상의 AI 다운스케일을 위해 이용되는 DNN을 의미하고, '제 2 DNN'은 영상의 AI 업스케일을 위해 이용되는 DNN을 의미한다.
또한, 본 명세서에서 'DNN 설정 정보'는 DNN을 구성하는 요소와 관련된 정보로서 전술한 파라미터를 포함한다. DNN 설정 정보를 이용하여 제 1 DNN 또는 제 2 DNN이 설정될 수 있다.
또한, 본 명세서에서 '원본 영상'은 AI 부호화의 대상이 되는 영상을 의미하고, '제 1 영상'은 AI 부호화 과정에서 원본 영상의 AI 다운스케일 결과 생성된 영상을 의미한다. 또한, '제 2 영상'은 AI 복호화 과정에서 제 1 복호화를 통해 생성된 영상을 의미하고, '제 3 영상'은 AI 복호화 과정에서 제 2 영상을 AI 업스케일하여 생성된 영상을 의미한다.
또한, 본 명세서에서 'AI 다운스케일'은 AI 기반으로 영상의 해상도를 감소시키는 처리를 의미하고, '제 1 부호화'는 주파수 변환 기반의 영상 압축 방법에 의한 부호화 처리를 의미한다. 또한, '제 1 복호화'는 주파수 변환 기반의 영상 복원 방법에 의한 복호화 처리를 의미하고, 'AI 업스케일'은 AI 기반으로 영상의 해상도를 증가시키는 처리를 의미한다.
도 1은 일 실시예에 따른 AI(artificial intelligence) 부호화 과정 및 AI 복호화 과정을 설명하기 위한 도면이다.
전술한 바와 같이 영상의 해상도가 급격히 커짐에 따라 부호화/복호화를 위한 정보 처리량이 많아지게 되고, 이에 따라 영상의 부호화 및 복호화 효율을 향상시키기 위한 방안이 필요하다.
도 1에 도시된 바와 같이, 본 개시의 일 실시예에 따르면, 해상도가 큰 원본 영상(105)을 AI 다운스케일(110)하여 제 1 영상(115)을 생성한다. 그리고, 상대적으로 작은 해상도의 제 1 영상(115)을 대상으로 하여 제 1 부호화(120) 및 제 1 복호화(130)를 수행하므로, 원본 영상(105)을 대상으로 하여 제 1 부호화(120) 및 제 1 복호화(130)를 수행하는 경우에 비해 처리되는 비트레이트를 크게 감소시킬 수 있다.
도 1을 참조하여 상세히 설명하면, 일 실시예는 AI 부호화 과정에서, 원본 영상(105)을 AI 다운스케일(110)하여 제 1 영상(115)을 생성하고, 제 1 영상(115)을 제 1 부호화(120)한다. AI 복호화 과정에서는, AI 부호화 결과 생성된 AI 데이터와 영상 데이터를 포함하는 AI 부호화 데이터를 수신하고, 제 1 복호화(130)를 통해 제 2 영상(135)을 생성하고, 제 2 영상(135)을 AI 업스케일(140)하여 제 3 영상(145)을 생성한다.
AI 부호화 과정을 좀 더 상세히 살펴보면, 원본 영상(105)을 입력받으면, 소정 해상도 또는 소정 화질의 제 1 영상(115)을 생성하기 위해 원본 영상(105)을 AI 다운스케일(110)한다. 이때, AI 다운스케일(110)은 AI 기반으로 수행되는데, AI 다운스케일(110)을 위한 AI는 제 2 영상(135)의 AI 업스케일(140)을 위한 AI와 연계되어 훈련되어야(trained connectively) 한다. 왜냐하면, AI 다운스케일(110)을 위한 AI와 AI 업스케일(140)을 위한 AI가 분리되어 훈련되는 경우, AI 부호화 대상인 원본 영상(105)과 AI 복호화를 통해 복원된 제 3 영상(145) 사이의 차이가 커지게 되기 때문이다.
본 개시의 실시예에서는, AI 부호화 과정과 AI 복호화 과정에서 이러한 연계 관계를 유지하기 위해, AI 데이터를 이용할 수 있다. 따라서, AI 부호화 과정을 통해 생성된 AI 데이터는 업스케일 타겟을 나타내는 정보를 포함하여야 하고, AI 복호화 과정에서는 AI 데이터에 기초하여 확인되는 업스케일 타겟에 따라 제 2 영상(135)을 AI 업스케일(140)하여야 한다.
AI 다운스케일(110)을 위한 AI 및 AI 업스케일(140)을 위한 AI는 DNN(deep neural network)으로 구현될 수 있다. 도 9를 참조하여 후술하는 바와 같이, 제 1 DNN과 제 2 DNN은 소정 타겟 하에 손실 정보의 공유를 통해 연계 훈련되므로, AI 부호화 장치는 제 1 DNN과 2 DNN이 연계 훈련할 때 이용된 타겟 정보를 AI 복호화 장치로 제공하고, AI 복호화 장치는 제공받은 타겟 정보에 기초하여 제 2 영상(135)을 타겟하는 해상도로 AI 업스케일(140)할 수 있다.
도 1에 도시된 제 1 부호화(120) 및 제 1 복호화(130)에 대해 상세히 설명하면, 원본 영상(105)으로부터 AI 다운스케일(110)된 제 1 영상(115)은 제 1 부호화(120)를 통해 정보량이 감축될 수 있다. 제 1 부호화(120)는, 제 1 영상(115)을 예측하여 예측 데이터를 생성하는 과정, 제 1 영상(115)과 예측 데이터 사이의 차이에 해당하는 잔차 데이터를 생성하는 과정, 공간 영역 성분인 잔차 데이터를 주파수 영역 성분으로 변환(transformation)하는 과정, 주파수 영역 성분으로 변환된 잔차 데이터를 양자화(quantization)하는 과정 및 양자화된 잔차 데이터를 엔트로피 부호화하는 과정 등을 포함할 수 있다. 이와 같은 제 1 부호화 과정(120)은 MPEG-2, H.264 AVC(Advanced Video Coding), MPEG-4, HEVC(High Efficiency Video Coding), VC-1, VP8, VP9 및 AV1(AOMedia Video 1) 등 주파수 변환을 이용한 영상 압축 방법 중의 하나를 통해 구현될 수 있다.
제 1 영상(115)에 대응하는 제 2 영상(135)은 영상 데이터의 제 1 복호화(130)를 통해 복원될 수 있다. 제 1 복호화(130)는, 영상 데이터를 엔트로피 복호화하여 양자화된 잔차 데이터를 생성하는 과정, 양자화된 잔차 데이터를 역양자화하는 과정, 주파수 영역 성분의 잔차 데이터를 공간 영역 성분으로 변환하는 과정, 예측 데이터를 생성하는 과정 및 예측 데이터와 잔차 데이터를 이용하여 제 2 영상(135)을 복원하는 과정 등을 포함할 수 있다. 이와 같은 제 1 복호화(130) 과정은 제 1 부호화(120) 과정에서 사용된 MPEG-2, H.264, MPEG-4, HEVC, VC-1, VP8, VP9 및 AV1 등 주파수 변환을 이용한 영상 압축 방법 중의 하나에 대응되는 영상 복원 방법을 통해 구현될 수 있다.
AI 부호화 과정을 통해 생성된 AI 부호화 데이터는, 제 1 영상(115)의 제 1 부호화(120) 결과 생성된 영상 데이터 및 원본 영상(105)의 AI 다운스케일(110)과 관련된 AI 데이터를 포함할 수 있다. 영상 데이터는 제 1 복호화(130) 과정에서 이용될 수 있으며, AI 데이터는 AI 업스케일(140) 과정에서 이용될 수 있다.
영상 데이터는 비트스트림 형태로 전송될 수 있다. 영상 데이터는 제 1 영상(115) 내 픽셀 값들에 기초하여 생성되는 데이터, 예를 들어, 제 1 영상(115)과 제 1 영상(115)의 예측 데이터 사이의 차이인 잔차 데이터를 포함할 수 있다. 또한, 영상 데이터는 제 1 영상(115)의 제 1 부호화(120) 과정에서 이용된 정보들을 포함한다. 예를 들어, 영상 데이터는 제 1 영상(115)을 제 1 부호화(120)하는데 이용된 모드(mode) 정보(예를 들어, 예측 모드 정보, 움직임 정보 등) 및 제 1 부호화(120)에서 이용된 양자화 파라미터 관련 정보 등을 포함할 수 있다. 영상 데이터는 MPEG-2, H.264 AVC, MPEG-4, HEVC, VC-1, VP8, VP9 및 AV1 등 주파수 변환을 이용하는 영상 압축 방법 중 제 1 부호화(120) 과정에서 이용된 영상 압축 방법의 규칙, 예를 들어, 신택스(syntax)에 따라 생성될 수 있다.
AI 데이터는 제 2 DNN에 기반한 AI 업스케일(140)에 이용된다. 전술한 바와 같이, 제 1 DNN과 제 2 DNN은 연계 훈련되기 때문에, AI 데이터는 제 2 DNN을 통한 제 2 영상(135)의 정확한 AI 업스케일(140)이 수행될 수 있게 하는 정보를 포함한다. AI 복호화 과정에서는 AI 데이터에 기반하여 제 2 영상(135)을 타겟하는 해상도 및 화질로 AI 업스케일(140)할 수 있다.
AI 데이터는 비트스트림의 형태로 영상 데이터와 함께 전송될 수 있다. 또는, 구현예에 따라, AI 데이터는 프레임이나 패킷 형태로 영상 데이터와 구분되어 전송될 수도 있다. AI 부호화 결과 생성된 영상 데이터와 AI 데이터는 동일한 네트워크 또는 서로 상이한 네트워크를 통해 전송될 수 있다.
도 2는 일 실시예에 따른 AI 복호화 장치(200)의 구성을 도시하는 블록도이다.
도 2를 참조하면, 일 실시예에 따른 AI 복호화 장치(200)는 수신부(210) 및 AI 복호화부(230)를 포함할 수 있다. 수신부(210)는 통신부(212), 파싱부(214) 및 출력부(216)를 포함할 수 있다. AI 복호화부(230)는 제 1 복호화부(232) 및 AI 업스케일부(234)를 포함할 수 있다.
수신부(210)는 AI 부호화 결과 생성된 AI 부호화 데이터를 수신 및 파싱하고, 영상 데이터와 AI 데이터를 구분하여 AI 복호화부(230)로 출력한다.
구체적으로, 통신부(212)는 네트워크를 통해 AI 부호화 결과 생성된 AI 부호화 데이터를 수신한다. AI 부호화 결과 생성된 AI 부호화 데이터는 영상 데이터와 AI 데이터를 포함한다. 영상 데이터와 AI 데이터는 동종 네트워크 또는 이종 네트워크를 통해 수신될 수 있다.
파싱부(214)는 통신부(212)를 통해 수신된 AI 부호화 데이터를 전달받아 파싱(parsing)하여 영상 데이터와 AI 데이터로 구분한다. 예를 들어, 통신부(212)로부터 획득된 데이터의 헤더를 읽어, 해당 데이터가 영상 데이터인지 또는 AI 데이터인지를 구분할 수 있다. 일 예에서, 파싱부(214)는 통신부(212)를 통해 수신된 데이터의 헤더를 통해 영상 데이터와 AI 데이터를 구분하여 출력부(216)로 전달하고, 출력부(216)는 각각의 구분된 데이터를 제 1 복호화부(232) 및 AI 업스케일부(234)로 전달한다. 이 때, AI 부호화 데이터에 포함된 영상 데이터가 소정의 코덱(예를 들어, MPEG-2, H.264, MPEG-4, HEVC, VC-1, VP8, VP9 또는 AV1)을 통해 생성된 영상 데이터인 것으로 확인할 수도 있다. 이 경우, 영상 데이터가 상기 확인된 코덱으로 처리될 수 있도록, 출력부(216)를 통해 해당 정보를 제 1 복호화부(232)로 전달할 수 있다.
일 실시예에서, 파싱부(214)가 파싱하는 AI 부호화 데이터는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium) 등을 포함하는 데이터 저장 매체로부터 획득된 것일 수도 있다.
제 1 복호화부(232)는 영상 데이터에 기초하여 제 1 영상(115)에 대응하는 제 2 영상(135)을 복원한다. 제 1 복호화부(232)에 의해 생성된 제 2 영상(135)은 AI 업스케일부(234)로 제공된다. 구현예에 따라서는, 영상 데이터에 포함된 모드 정보(예를 들어, 예측 모드 정보, 움직임 정보 등), 양자화 파라미터 정보 등의 제 1 복호화 관련 정보가 AI 업스케일부(234)로 더 제공될 수 있다.
AI 데이터를 수신한 AI 업스케일부(234)는 AI 데이터에 기초하여 제 2 영상(135)을 AI 업스케일한다. 구현예에 따라서는, 영상 데이터에 포함된 모드 정보, 양자화 파라미터 정보 등의 제 1 복호화 관련 정보를 더 이용하여 AI 업스케일 할 수 있다.
일 실시예에 따른 수신부(210) 및 AI 복호화부(230)는 개별적인 장치로 설명되었으나, 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 전용 프로세서로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 범용 프로세서와 S/W의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하여 구현되거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함하여 구현될 수 있다.
또한, 수신부(210) 및 AI 복호화부(230)는 하나 이상의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 S/W의 조합을 통해 구현될 수도 있다. 마찬가지로 AI 업스케일부(234)와 제 1 복호화부(232)도 각각 서로 다른 프로세서로 구현될 수 있다.
AI 업스케일부(234)로 제공되는 AI 데이터는, 제 2 영상(135)을 AI 업스케일할 수 있게 하는 정보들을 포함한다. 이때, 업스케일 타겟은 제 1 DNN의 다운스케일에 대응하여야 한다. 따라서, AI 데이터는 제 1 DNN의 다운스케일 타겟을 확인할 수 있는 정보가 포함되어야 한다.
AI 데이터에 포함된 정보를 구체적으로 예시하면, 원본 영상(105)의 해상도와 제 1 영상(115)의 해상도의 차이 정보, 제 1 영상(115) 관련 정보가 있다.
차이 정보는, 원본 영상(105) 대비 제 1 영상(115)의 해상도 변환 정도에 대한 정보(예를 들어, 해상도 변환률 정보)로 표현될 수 있다. 그리고, 복원된 제 2 영상(135)의 해상도를 통해 제 1 영상(115)의 해상도를 알게 되고 이를 통해 해상도 변환 정도를 확인할 수 있기 때문에, 차이 정보는 원본 영상(105)의 해상도 정보만으로 표현될 수도 있다. 여기서 해상도 정보는 가로/세로의 화면 사이즈로 표현될 수도 있고, 비율(16:9, 4:3 등)과 한 축의 사이즈로 표현될 수도 있다. 또한, 기 설정된 해상도 정보가 있는 경우는 인덱스 또는 플래그의 형태로 표현될 수도 있다.
그리고, 제 1 영상(115) 관련 정보는, 제 1 영상(115)의 제 1 부호화 결과 생성된 영상 데이터의 비트레이트 및 제 1 영상(115)의 제 1 부호화시 이용된 코덱 타입 중 적어도 하나에 대한 정보를 포함할 수 있다.
차이 정보와 제 1 영상(115) 관련 정보는 하나의 AI 데이터로 전달될 수도 있고, 필요에 따라 각각 전달되어 처리될 수도 있다.
AI 업스케일부(234)는 AI 데이터에 포함된 차이 정보 및 제 1 영상(115) 관련 정보 중 적어도 하나에 기초하여 제 2 영상(135)의 업스케일 타겟을 결정할 수 있다. 업스케일 타겟은 예를 들어, 제 2 영상(135)을 어느 정도의 해상도로 업스케일하여야 하는지를 나타낼 수 있다. AI 업스케일부(234)는 업스케일 타겟이 결정되면, 업스케일 타겟에 대응하는 제 3 영상(145)을 생성하기 위해 제 2 DNN을 통해 제 2 영상(135)을 AI 업스케일한다.
AI 업스케일부(234)가 업스케일 타겟에 맞춰 제 2 영상(135)을 AI 업스케일하는 방법을 설명하기에 앞서, 제 2 DNN을 통한 AI 업스케일 과정에 대해 도 3 및 도 4를 참조하여 설명한다.
도 3은 제 2 영상(135)의 AI 업스케일을 위한 제 2 DNN(300)을 나타내는 예시적인 도면이다.
도 3에 도시된 바와 같이, 제 2 영상(135)은 제 1 컨볼루션 레이어(310)로 입력된다. 도 3에 도시된 제 1 컨볼루션 레이어(310)에 표시된 3X3X4는 3 x 3의 크기의 4개의 필터 커널을 이용하여 1개의 입력 영상에 대해 컨볼루션 처리를 하는 것을 예시한다. 컨볼루션 처리 결과 4개의 필터 커널에 의해 생성된 4개의 특징 맵은 각각 제 1 활성화 레이어(320)로 입력된다. 제 1 활성화 레이어(320)는 각각의 특징 맵에 대해 비선형(Non-linear) 특성을 부여할 수 있다. 제 1 활성화 레이어(320)는 시그모이드 함수(sigmoid function), Tanh 함수, ReLU(Rectified Linear Unit) 함수 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
제 1 활성화 레이어(320)에서 비선형 특성을 부여하는 것은, 제 1 컨볼루션 레이어(310)를 통한 출력인, 특징 맵의 일부 샘플 값을 변경하여 출력하는 것을 의미한다. 이때, 변경은 비선형 특성을 적용하여 수행된다.
제 1 활성화 레이어(320)의 출력이 제 2 컨볼루션 레이어(330)로 입력된다. 제 2 컨볼루션 레이어(330)에 표시된 3X3X4는 3 x 3의 크기의 4개의 필터 커널을 이용하여 입력 데이터에 대해 컨볼루션 처리하는 것을 예시한다. 제 2 컨볼루션 레이어(330)의 출력은 제 2 활성화 레이어(340)로 입력된다. 제 2 활성화 레이어(340)는 입력 데이터에 대해 비선형 특성을 부여할 수 있다.
제 2 활성화 레이어(340)의 출력은 제 3 컨볼루션 레이어(350)로 입력된다. 도 3에 도시된 제 3 컨볼루션 레이어(350)에 표시된 3X3X1는 3 x 3의 크기의 1개의 필터 커널을 이용하여 1개의 출력 영상을 만들기 위해 컨볼루션 처리를 하는 것을 예시한다. 제 3 컨볼루션 레이어(350)는 최종 영상을 출력하기 위한 레이어로서 1개의 필터 커널을 이용하여 1개의 출력을 생성한다. 본 개시의 예시에 따르면, 제 3 컨볼루션 레이어(350)는 컨벌루션 연산 결과를 통해 제 3 영상(145)을 출력할 수 있다.
제 2 DNN(300)의 제 1 컨볼루션 레이어(310), 제 2 컨볼루션 레이어(330) 및 제 3 컨볼루션 레이어(350)의 필터 커널의 개수, 필터 커널의 파라미터 등을 나타내는 DNN 설정 정보는 후술하는 바와 같이 복수 개일 수 있는데, 복수의 DNN 설정 정보는 제 1 DNN의 복수의 DNN 설정 정보와 연계되어야 한다. 제 2 DNN의 복수의 DNN 설정 정보와 제 1 DNN의 복수의 DNN 설정 정보 사이의 연계는, 제 1 DNN 및 제 2 DNN의 연계 학습을 통해 구현될 수 있다.
도 3은 제 2 DNN(300)이 세 개의 컨볼루션 레이어(310, 330, 350)와 두 개의 활성화 레이어(320, 340)를 포함하고 있는 것으로 도시하고 있으나, 이는 하나의 예시일 뿐이며, 구현예에 따라서, 컨볼루션 레이어 및 활성화 레이어의 개수는 다양하게 변경될 수 있다. 또한, 구현예에 따라서, 제 2 DNN(300)은 RNN(recurrent neural network)을 통해 구현될 수도 있다. 이 경우는 본 개시의 예시에 따른 제 2 DNN(300)의 CNN 구조를 RNN 구조로 변경하는 것을 의미한다.
도 4를 참조하여, 컨볼루션 레이어의 컨볼루션 연산에 대해 보다 상세히 설명한다.
미리 결정된 2차원의 크기를 갖는 필터 커널(430)(도 4에서는 3 X 3 크기의 필터 커널)의 파라미터들과 그에 대응하는 입력 영상(410) 내 픽셀 값들 사이의 곱 연산 및 덧셈 연산을 통해 특징 맵(450)이 생성될 수 있다.
도 4는 특징 맵(450)의 샘플 값을 획득하기 위한 필터 커널(430)과 입력 영상(410) 사이의 컨볼루션 연산을 도시하고 있다.
도 4에서 입력 영상(410)에 표시된 I1 내지 I49는 입력 영상(410) 내 픽셀들을 나타내고, 필터 커널(430)에 표시된 F1 내지 F9는 필터 커널(430)의 파라미터들을 나타낸다. 또한, 특징 맵(450)에 표시된 M1 내지 M9는 특징 맵(450)의 샘플들을 나타낸다. 필터 커널(430)의 파라미터는, 제 1 DNN과의 연계 학습을 통해 그 값이 최적화될 수 있다. 후술하는 바와 같이, AI 업스케일부(234)는 필터 커널의 파라미터를, AI 데이터에 기초하여 결정한 업스케일 타겟에 대응하는 파라미터로 세팅함으로써, 다운스케일 타겟에 대응하는 업스케일 타겟으로 제 2 영상(135)을 AI 업스케일할 수 있다.
컨볼루션 연산 과정에서, 입력 영상(410)의 I1, I2, I3, I8, I9, I10, I15, I16, I17의 픽셀 값들 각각과 필터 커널(430)의 F1, F2, F3, F4, F5, F6, F7, F8 및 F9 각각의 곱 연산이 수행되고, 곱 연산의 결과 값들을 조합(예를 들어, 덧셈 연산)한 값이 특징 맵(450)의 M1의 값으로 할당될 수 있다. 컨볼루션 연산의 스트라이드(stride)가 2라면, 입력 영상(410)의 I3, I4, I5, I10, I11, I12, I17, I18, I19의 픽셀 값들 각각과 필터 커널(430)의 F1, F2, F3, F4, F5, F6, F7, F8 및 F9 각각의 곱 연산이 수행되고, 곱 연산의 결과 값들을 조합한 값이 특징 맵(450)의 M2의 값으로 할당될 수 있다.
필터 커널(430)이 입력 영상(410)의 마지막 픽셀에 도달할 때까지 스트라이드에 따라 이동하는 동안 입력 영상(410) 내 픽셀 값들과 필터 커널(430)의 파라미터들 사이의 컨볼루션 연산이 수행됨으로써, 소정 크기를 갖는 특징 맵(450)이 획득될 수 있다.
본 개시에 따르면, 제 1 DNN과 제 2 DNN의 연계 훈련을 통해 제 2 DNN의 파라미터들, 예를 들어, 필터 커널(430)의 F1, F2, F3, F4, F5, F6, F7, F8 및 F9의 값이 최적화될 수 있다. 전술한 바와 같이, AI 업스케일부(234)는 AI 데이터에 기초하여, 제 1 DNN의 다운스케일 타겟에 대응하는 업스케일 타겟을 결정하고, 결정된 업스케일 타겟에 대응하는 파라미터들을 필터 커널(430)의 F1, F2, F3, F4, F5, F6, F7, F8 및 F9의 값으로 결정할 수 있다.
도 4와 관련하여 설명한 컨볼루션 연산 과정은 하나의 예시일 뿐이며, 이에 한정되는 것은 아니다.
이하에서, AI 업스케일부(234)가 업스케일 타겟에 맞춰 제 2 영상(135)을 AI 업스케일하는 방법을 설명한다.
일 실시예에서, AI 업스케일부(234)는 제 2 DNN에 세팅 가능한 복수의 DNN 설정 정보를 저장할 수 있다.
여기서, DNN 설정 정보는 제 2 DNN에 포함되는 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수 및 각 필터 커널의 파라미터 중 적어도 하나에 대한 정보를 포함할 수 있다. 복수의 DNN 설정 정보는 다양한 업스케일 타겟에 각각 대응될 수 있으며, 특정 업스케일 타겟에 대응되는 DNN 설정 정보에 기반하여 제 2 DNN이 동작할 수 있다. DNN 설정 정보에 따라 제 2 DNN이 서로 다른 구조를 가질 수 있다. 예를 들어, 어느 DNN 설정 정보에 따라 제 2 DNN이 3개의 컨볼루션 레이어를 포함할 수 있고, 다른 DNN 설정 정보에 따라 제 2 DNN이 4개의 컨볼루션 레이어를 포함할 수 있다.
일 실시예에서, DNN 설정 정보는 제 2 DNN에서 사용되는 필터 커널의 파라미터만을 포함할 수도 있다. 이 경우, 제 2 DNN의 구조는 변경되지 않는 대신, DNN 설정 정보에 따라 내부의 필터 커널의 파라미터만이 달라질 수 있다.
AI 업스케일부(234)는 복수의 DNN 설정 정보 중 제 2 영상(135)의 AI 업스케일을 위한 DNN 설정 정보를 획득할 수 있다. 여기서 사용되는 복수의 DNN 설정 정보 각각은 미리 결정된 해상도 및/또는 미리 결정된 화질의 제 3 영상(145)을 생성하기 위한 정보로, 제 1 DNN과 연계하여 훈련된 것이다.
예를 들어, 복수의 DNN 설정 정보 중 어느 하나의 DNN 설정 정보는 제 2 영상(135)의 해상도보다 2배 큰 해상도의 제 3 영상(145), 예를 들어, 2K (2048*1080)의 제 2 영상(135)보다 2배 큰 4K(4096*2160)의 제 3 영상(145)을 생성하기 위한 정보들을 포함할 수 있고, 다른 하나의 DNN 설정 정보는 제 2 영상(135)의 해상도보다 4배 큰 해상도의 제 3 영상(145), 예를 들어, 2K (2048*1080)의 제 2 영상(135)보다 4배 큰 8K(8192*4320)의 제 3 영상(145)을 생성하기 위한 정보들을 포함할 수 있다.
복수의 DNN 설정 정보 각각은 AI 부호화 장치(600)의 제 1 DNN의 DNN 설정 정보와 연계되어 만들어진 것이며, AI 업스케일부(234)는 제 1 DNN의 DNN 설정 정보의 축소 비율에 대응되는 확대 비율에 따라 복수의 DNN 설정 정보 중 하나의 DNN 설정 정보를 획득한다. 이를 위해, AI 업스케일부(234)는 제 1 DNN의 정보를 확인하여야 한다. 제 1 DNN의 정보를 AI 업스케일부(234)가 확인하기 위해, 일 실시예에 따른 AI 복호화 장치(200)는 AI 부호화 장치(600)로부터 제 1 DNN의 정보를 포함하는 AI 데이터를 수신한다.
다시 말하면, AI 업스케일부(234)는 AI 부호화 장치(600)로부터 수신되는 정보들을 이용하여, 제 1 영상(115)을 생성하기 위해 이용된 제 1 DNN의 DNN 설정 정보가 타겟하는 정보를 확인하고, 그와 연계 훈련된 제 2 DNN의 DNN 설정 정보를 획득할 수 있는 것이다.
복수의 DNN 설정 정보 중 제 2 영상(135)의 AI 업스케일을 위한 DNN 설정 정보가 획득되면, 획득된 DNN 설정 정보에 따라 동작하는 제 2 DNN에 기초하여 입력 데이터가 처리될 수 있다.
예를 들어, 어느 하나의 DNN 설정 정보가 획득되면, 도 3에 도시된 제 2 DNN(300)의 제 1 컨볼루션 레이어(310), 제 2 컨볼루션 레이어(330) 및 제 3 컨볼루션 레이어(350) 각각에 대해서, 각 레이어에 포함되는 필터 커널의 개수와 필터 커널의 파라미터들을, 상기 획득된 DNN 설정 정보에 포함된 값으로 설정한다.
구체적으로, 도 4에 도시된 제 2 DNN의 어느 하나의 컨볼루션 레이어에서 이용되는 3 X 3의 필터 커널의 파라미터들이 {1, 1, 1, 1, 1, 1, 1, 1, 1}로 세팅되도록 하고, 이후 DNN 설정 정보의 변경이 있는 경우, 이를 변경된 DNN 설정 정보에 포함된 파라미터들인 {2, 2, 2, 2, 2, 2, 2, 2, 2}로 교체할 수 있는 것이다.
AI 업스케일부(234)는 AI 데이터에 포함된 정보에 기초하여 복수의 DNN 설정 정보 중 제 2 영상(135)을 업스케일하기 위한 DNN 설정 정보를 획득할 수 있는데, DNN 설정 정보를 획득하는데 이용되는 AI 데이터에 대해 구체적으로 설명한다.
일 실시예에서, AI 업스케일부(234)는 AI 데이터에 포함된 차이 정보에 기초하여, 복수의 DNN 설정 정보 중 제 2 영상(135)을 업스케일하기 위한 DNN 설정 정보를 획득할 수 있다. 예를 들어, 차이 정보에 기초하여 원본 영상(105)의 해상도(예를 들어, 4K(4096*2160))가 제 1 영상(115)의 해상도(예를 들어, 2K (2048*1080))보다 2배 큰 것으로 확인된 경우, AI 업스케일부(234)는 제 2 영상(135)의 해상도를 2배 증가시킬 수 있는 DNN 설정 정보를 획득할 수 있다.
다른 실시예에서, AI 업스케일부(234)는 AI 데이터에 포함된 제 1 영상(115) 관련 정보에 기초하여, 복수의 DNN 설정 정보 중 제 2 영상(135)을 AI 업스케일하기 위한 DNN 설정 정보를 획득할 수 있다. AI 업스케일부(234)는 영상 관련 정보들과 DNN 설정 정보들 사이의 매핑 관계를 미리 결정하고, 제 1 영상(115) 관련 정보에 매핑된 DNN 설정 정보를 획득할 수 있다.
도 5는 여러 영상 관련 정보들과 여러 DNN 설정 정보들 사이의 매핑 관계를 나타내는 예시적인 도면이다.
도 5에 따른 실시예를 통해, 본 개시의 일 실시예의 AI 부호화/AI 복호화 과정은 해상도의 변화만을 고려하는 것이 아님을 알 수 있다. 도 5에 도시된 바와 같이, SD, HD, Full HD와 같은 해상도, 10Mbps, 15Mbps, 20Mbps와 같은 비트레이트, 그리고 AV1, H.264, HEVC와 같은 코덱 정보를 개별적으로 또는 모두 고려하여 DNN 설정 정보의 선택이 이루어질 수 있다. 이러한 고려를 위해서는 AI 훈련 과정에서 각각의 요소들을 고려한 훈련이 부호화, 복호화 과정에 연계되어 이루어져야 한다(도 9 참조).
따라서, 훈련 내용에 따라서 도 5에 도시된 바와 같이, 코덱 타입, 영상의 해상도 등을 포함하는 영상 관련 정보에 기반하여 복수의 DNN 설정 정보가 구비된 경우, AI 복호화 과정에서 전달받는 제 1 영상(115) 관련 정보에 기반하여 제 2 영상(135)의 AI 업스케일을 위한 DNN 설정 정보를 획득할 수 있다.
즉, AI 업스케일부(234)는 도 5에 도시된 표의 좌측에 도시된 영상 관련 정보와 표 우측의 DNN 설정 정보를 매칭하고 있음으로써, 영상 관련 정보에 따른 DNN 설정 정보를 사용할 수 있는 것이다.
도 5에 예시된 바와 같이, 제 1 영상(115) 관련 정보로부터 제 1 영상(115)의 해상도가 SD이고, 제 1 영상(115)의 제 1 부호화 결과 생성된 영상 데이터의 비트레이트가 10Mbps이고, 제 1 영상(115)이 AV1 코덱으로 제 1 부호화된 것으로 확인되면, AI 업스케일부(234)는 복수의 DNN 설정 정보 중 A DNN 설정 정보를 사용할 수 있다.
또한, 제 1 영상(115) 관련 정보로부터 제 1 영상(115)의 해상도가 HD이고, 제 1 부호화 결과 생성된 영상 데이터의 비트레이트가 15Mbps이고, 제 1 영상(115)이 H.264 코덱으로 제 1 부호화된 것으로 확인되면, AI 업스케일부(234)는 복수의 DNN 설정 정보 중 B DNN 설정 정보를 사용할 수 있다.
또한, 제 1 영상(115) 관련 정보로부터 제 1 영상(115)의 해상도가 Full HD이고, 제 1 영상(115)의 제 1 부호화 결과 생성된 영상 데이터의 비트레이트가 20Mbps이고, 제 1 영상(115)이 HEVC 코덱으로 제 1 부호화된 것으로 확인되면, AI 업스케일부(234)는 복수의 DNN 설정 정보 중 C DNN 설정 정보를 사용하고, 제 1 영상(115)의 해상도가 Full HD이고, 제 1 영상(115)의 제 1 부호화 결과 생성된 영상 데이터의 비트레이트가 15Mbps이고, 제 1 영상(115)이 HEVC 코덱으로 제 1 부호화된 것으로 확인되면, AI 업스케일부(234)는 복수의 DNN 설정 정보 중 D DNN 설정 정보를 사용할 수 있다. 제 1 영상(115)의 제 1 부호화 결과 생성된 영상 데이터의 비트레이트가 20Mbps인지 또는 15Mbps인지에 따라 C DNN 설정 정보와 D DNN 설정 정보 중에서 어느 하나가 선택된다. 동일 해상도의 제 1 영상(115)을 동일 코덱으로 제 1 부호화하였을 때, 영상 데이터의 비트레이트가 서로 상이하다는 것은, 복원되는 영상의 화질이 서로 상이하다는 것을 의미한다. 따라서, 제 1 DNN과 제 2 DNN은 소정 화질에 기반하여 연계 훈련될 수 있으며, 이에 따라 AI 업스케일부(234)는 제 2 영상(135)의 화질을 나타내는, 영상 데이터의 비트레이트에 따라 DNN 설정 정보를 획득할 수 있다.
또 다른 실시예에서, AI 업스케일부(234)는 제 1 복호화부(232)로부터 제공되는 정보(모드 정보, 양자화 파라미터 정보 등)와 AI 데이터에 포함된 제 1 영상(115) 관련 정보를 모두 고려하여 복수의 DNN 설정 정보 중 제 2 영상(135)을 AI 업스케일하기 위한 DNN 설정 정보를 획득할 수도 있다. 예를 들어, AI 업스케일부(234)는 제 1 복호화부(232)로부터 제 1 영상(115)의 제 1 부호화 과정에서 이용된 양자화 파라미터 정보를 전달받고, AI 데이터로부터 제 1 영상(115)의 부호화 결과 생성된 영상 데이터의 비트레이트를 확인하고, 양자화 파라미터 및 비트레이트에 대응하는 DNN 설정 정보를 획득할 수도 있다. 동일한 비트레이트라도 영상의 복잡도에 따라 복원 영상의 화질 정도에 차이가 있을 수 있으며, 비트레이트는 제 1 부호화되는 제 1 영상(115) 전체를 대표하는 값으로서 제 1 영상(115) 내에서도 각 프레임의 화질이 서로 다를 수 있다. 따라서, 제 1 복호화부(232)로부터 각 프레임 별로 획득할 수 있는 모드 정보 (예를 들어, 예측 모드 정보, 움직임 정보 등) 및/또는 양자화 파라미터를 함께 고려하면, AI 데이터만 이용하는 것에 비해 제 2 영상(135)에 보다 적합한 DNN 설정 정보를 획득할 수 있다.
또한, 구현예에 따라, AI 데이터는 상호 약속된 DNN 설정 정보의 식별자를 포함할 수 있다. DNN 설정 정보의 식별자는, 제 1 DNN의 다운스케일 타겟에 대응하는 업스케일 타겟으로, 제 2 영상(135)을 AI 업스케일할 수 있도록, 제 1 DNN과 제 2 DNN 간 연계 훈련된 DNN 설정 정보의 쌍을 구분하기 위한 정보이다. AI 업스케일부(234)는 AI 데이터에 포함된 DNN 설정 정보의 식별자를 획득한 후, DNN 설정 정보의 식별자에 대응하는 DNN 설정 정보를 사용하여 제 2 영상(135)을 AI 업스케일할 수 있다.
또한, 구현예에 따라, AI 데이터는 DNN 설정 정보를 포함할 수도 있다. AI 업스케일부(234)는 AI 데이터에 포함된 DNN 설정 정보를 획득한 후, 해당 DNN 설정 정보를 사용하여 제 2 영상(135)을 AI 업스케일할 수도 있다.
구현예에 따라, DNN 설정 정보를 구성하는 정보들(예를 들어, 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수, 각 필터 커널의 파라미터 등)들이 룩업 테이블 형태로 저장되어 있는 경우, AI 업스케일부(234)는 AI 데이터에 포함된 정보에 기초하여 룩업 테이블 값들 중에서 선택된 일부를 조합하여 DNN 설정 정보를 획득하고, 획득된 DNN 설정 정보를 사용하여 제 2 영상(135)을 AI 업스케일할 수도 있다.
구현예에 따라, AI 업스케일부(234)는 업스케일 타겟에 대응되는 DNN의 구조가 결정되면, 결정된 DNN의 구조에 대응하는 DNN 설정 정보, 예를 들어, 필터 커널의 파라미터들을 획득할 수도 있다.
AI 업스케일부(234)는 제 1 DNN과 관련된 정보를 포함하는 AI 데이터를 통해 제 2 DNN의 DNN 설정 정보를 획득하고, 획득된 DNN 설정 정보로 세팅된 제 2 DNN을 통해 제 2 영상(135)을 AI 업스케일하는 데, 이는, 제 2 영상(135)의 특징을 직접 분석하여 업스케일하는 것과 비교하여 메모리 사용량과 연산량이 감소될 수 있다.
일 실시예에서, 제 2 영상(135)이 복수의 프레임으로 구성된 경우, AI 업스케일부(234)는 소정 개수의 프레임 별로 DNN 설정 정보를 독립적으로 획득할 수 있고, 또는, 전체 프레임에 대해 공통된 DNN 설정 정보를 획득할 수도 있다.
도 6은 복수의 프레임으로 구성된 제 2 영상(135)을 도시하는 도면이다.
도 6에 도시된 바와 같이, 제 2 영상(135)은 t0 내지 tn에 대응하는 프레임들로 이루어질 수 있다.
일 예시에서, AI 업스케일부(234)는 AI 데이터를 통해 제 2 DNN의 DNN 설정 정보를 획득하고, 획득한 DNN 설정 정보에 기초하여 t0 내지 tn에 대응하는 프레임들을 AI 업스케일할 수 있다. 즉, t0 내지 tn에 대응하는 프레임들이 공통된 DNN 설정 정보에 기초하여 AI 업스케일될 수 있다.
다른 예시에서, AI 업스케일부(234)는 t0 내지 tn에 대응하는 프레임들 중 일부의 프레임들, 예를 들어, t0 내지 ta에 대응하는 프레임들을 AI 데이터로부터 획득한 'A' DNN 설정 정보로 AI 업스케일하고, ta+1 내지 tb에 대응하는 프레임들을 AI 데이터로부터 획득한 'B' DNN 설정 정보로 AI 업스케일할 수 있다. 또한, AI 업스케일부(234)는 tb+1 내지 tn에 대응하는 프레임들을 AI 데이터로부터 획득한 'C' DNN 설정 정보로 AI 업스케일할 수 있다. 다시 말하면, AI 업스케일부(234)는 복수의 프레임들 중 소정 개수의 프레임을 포함하는 그룹마다 DNN 설정 정보를 독립적으로 획득하고, 그룹 각각에 포함된 프레임들을 독립적으로 획득한 DNN 설정 정보로 AI 업스케일할 수 있다.
또 다른 예시에서, AI 업스케일부(234)는 제 2 영상(135)을 구성하는 프레임별로 DNN 설정 정보를 독립적으로 획득할 수도 있다. 즉, 제 2 영상(135)이 3개의 프레임으로 구성되어 있는 경우, AI 업스케일부(234)는 첫 번째 프레임과 관련하여 획득한 DNN 설정 정보로 첫 번째 프레임을 AI 업스케일하고, 두 번째 프레임과 관련하여 획득한 DNN 설정 정보로 두 번째 프레임을 AI 업스케일하고, 세 번째 프레임과 관련하여 획득한 DNN 설정 정보로 세 번째 프레임을 AI 업스케일할 수 있다. 전술한, 제 1 복호화부(232)로부터 제공되는 정보(모드 정보, 양자화 파라미터 정보 등)와 AI 데이터에 포함된 제 1 영상(115) 관련 정보에 기초하여 DNN 설정 정보가 획득되는 방식에 따라, 제 2 영상(135)을 구성하는 프레임별로 DNN 설정 정보가 독립적으로 획득될 수 있다. 왜냐하면, 모드 정보, 양자화 파라미터 정보 등은 제 2 영상(135)을 구성하는 프레임마다 독립적으로 결정될 수 있기 때문이다.
또 다른 예시에서, AI 데이터는 AI 데이터에 기초하여 획득되는 DNN 설정 정보가 어느 프레임까지 유효한 것인지를 나타내는 정보를 포함할 수 있다. 예를 들어, AI 데이터 내에 DNN 설정 정보가 ta 프레임까지 유효하다는 정보가 포함되어 있는 경우, AI 업스케일부(234)는 AI 데이터에 기초하여 획득한 DNN 설정 정보로 t0 내지 ta 프레임들을 AI 업스케일한다. 그리고, 다른 AI 데이터 내에 DNN의 설정 정보가 tn 프레임까지 유효하다는 정보가 포함되어 있는 경우, AI 업스케일부(234)는 상기 다른 AI 데이터에 기초하여 획득한 DNN 설정 정보로 ta+1 내지 tn 프레임들을 AI 업스케일할 수 있다.
이하에서는, 도 7을 참조하여, 원본 영상(105)의 AI 부호화를 위한 AI 부호화 장치(600)에 대해 설명한다.
도 7은 일 실시예에 따른 AI 부호화 장치(600)의 구성을 도시하는 블록도이다.
도 7을 참조하면, AI 부호화 장치(600)는 AI 부호화부(610) 및 전송부(630)를 포함할 수 있다. AI 부호화부(610)는 AI 다운스케일부(612) 및 제 1 부호화부(614)를 포함할 수 있다. 전송부(630)는 데이터 처리부(632) 및 통신부(634)를 포함할 수 있다.
도 7은 AI 부호화부(610) 및 전송부(630)를 개별적인 장치로 도시하고 있으나, AI 부호화부(610) 및 전송부(630)는 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 전용 프로세서로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 범용 프로세서와 S/W의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하여 구현되거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함하여 구현될 수 있다.
또한, AI 부호화부(610) 및 전송부(630)는 하나 이상의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 S/W의 조합을 통해 구현될 수도 있다. 마찬가지로 AI 다운스케일부(612)와 제 1 부호화부(614)도 각각 서로 다른 프로세서로 구현될 수 있다.
AI 부호화부(610)는 원본 영상(105)의 AI 다운스케일 및 제 1 영상(115)의 제 1 부호화를 수행하고, AI 데이터 및 영상 데이터를 전송부(630)로 전달한다. 전송부(630)는 AI 데이터 및 영상 데이터를 AI 복호화 장치(200)로 전송한다.
영상 데이터는 제 1 영상(115)의 제 1 부호화 결과 생성된 데이터를 포함한다. 영상 데이터는 제 1 영상(115) 내 픽셀 값들에 기초하여 생성되는 데이터, 예를 들어, 제 1 영상(115)과 제 1 영상(115)의 예측 데이터 사이의 차이인 잔차 데이터를 포함할 수 있다. 또한, 영상 데이터는 제 1 영상(115)의 제 1 부호화 과정에서 이용된 정보들을 포함한다. 예를 들어, 영상 데이터는 제 1 영상(115)을 제 1 부호화하는데 이용된 모드(mode) 정보(예를 들어, 예측 모드 정보, 움직임 정보 등) 및 제 1 영상(115)을 제 1 부호화하는데 이용된 양자화 파라미터 관련 정보 등을 포함할 수 있다.
AI 데이터는, AI 업스케일부(234)가 제 1 DNN의 다운스케일 타겟에 대응하는 업스케일 타겟으로 제 2 영상(135)을 AI 업스케일할 수 있게 하는 정보들을 포함한다. 일 예에서, AI 데이터는 원본 영상(105)과 제 1 영상(115) 사이의 차이 정보를 포함할 수 있다. 또한, AI 데이터는 제 1 영상(115) 관련 정보를 포함할 수도 있다. 제 1 영상(115) 관련 정보는, 제 1 영상(115)의 해상도, 제 1 영상(115)의 제 1 부호화 결과 생성된 영상 데이터의 비트레이트 및 제 1 영상(115)의 제 1 부호화시 이용된 코덱 타입 중 적어도 하나에 대한 정보를 포함할 수 있다.
일 실시예에서, AI 데이터는, 제 1 DNN의 다운스케일 타겟에 대응하는 업스케일 타겟으로 제 2 영상(135)이 AI 업스케일될 수 있도록, 상호 약속된 DNN 설정 정보의 식별자를 포함할 수 있다.
또한, 일 실시예에서, AI 데이터는 제 2 DNN에 세팅 가능한 DNN 설정 정보를 포함할 수도 있다.
AI 다운스케일부(612)는 제 1 DNN을 통해 원본 영상(105)으로부터 AI 다운스케일된 제 1 영상(115)을 생성할 수 있다. AI 다운스케일부(612)는 미리 결정된 기준에 기초하여 원본 영상(105)의 다운스케일 타겟을 결정할 수 있다.
다운스케일 타겟에 부합하는 제 1 영상(115)의 생성을 위해, AI 다운스케일부(612)는 제 1 DNN에 세팅 가능한 복수의 DNN 설정 정보를 저장할 수 있다. AI 다운스케일부(612)는 복수의 DNN 설정 정보 중 다운스케일 타겟에 대응하는 DNN 설정 정보를 획득하고, 획득된 DNN 설정 정보로 세팅된 제 1 DNN을 통해 원본 영상(105)을 AI 다운스케일한다.
상기 복수의 DNN 설정 정보 각각은 미리 결정된 해상도 및/또는 미리 결정된 화질의 제 1 영상(115)을 생성하기 위해 훈련된 것일 수 있다. 예를 들어, 복수의 DNN 설정 정보 중 어느 하나의 DNN 설정 정보는 원본 영상(105)의 해상도보다 1/2배만큼 작은 해상도의 제 1 영상(115), 예를 들어, 4K(4096*2160)의 원본 영상(105)보다 1/2배 작은 2K (2048*1080)의 제 1 영상(115)을 생성하기 위한 정보들을 포함할 수 있고, 다른 하나의 DNN 설정 정보는 원본 영상(105)의 해상도보다 1/4배만큼 작은 해상도의 제 1 영상(115), 예를 들어, 8K(8192*4320)의 원본 영상(105)보다 1/4배 작은 2K (2048*1080)의 제 1 영상(115)을 생성하기 위한 정보들을 포함할 수 있다.
구현예에 따라, DNN 설정 정보를 구성하는 정보들(예를 들어, 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수, 각 필터 커널의 파라미터 등)들이 룩업 테이블 형태로 저장되어 있는 경우, AI 다운스케일부(612)는 다운스케일 타겟에 따라 룩업 테이블 값들 중에서 선택된 일부를 조합하여 DNN 설정 정보를 획득하고, 획득된 DNN 설정 정보를 사용하여 원본 영상(105)을 AI 다운스케일할 수도 있다.
구현예에 따라, AI 다운스케일부(612)는 다운스케일 타겟에 대응되는 DNN의 구조를 결정하고, 결정된 DNN의 구조에 대응하는 DNN 설정 정보, 예를 들어, 필터 커널의 파라미터들을 획득할 수도 있다.
원본 영상(105)의 AI 다운스케일을 위한 복수의 DNN 설정 정보는, 제 1 DNN과 제 2 DNN이 연계 훈련됨으로써, 최적화된 값을 가질 수 있다. 여기서, 각 DNN 설정 정보는 제 1 DNN에 포함되는 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수 및 각 필터 커널의 파라미터 중 적어도 하나를 포함한다.
AI 다운스케일부(612)는 원본 영상(105)의 AI 다운스케일을 위해 결정된 DNN 설정 정보로 제 1 DNN을 세팅하여, 소정 해상도 및/또는 소정 화질의 제 1 영상(115)을 제 1 DNN을 통해 생성할 수 있다. 복수의 DNN 설정 정보 중 원본 영상(105)의 AI 다운스케일을 위한 DNN 설정 정보가 획득되면, 제 1 DNN 내 각 레이어는 DNN 설정 정보에 포함된 정보들에 기초하여 입력된 데이터를 처리할 수 있다.
이하에서는, AI 다운스케일부(612)가 다운스케일 타겟을 결정하는 방법에 대해 설명한다. 상기 다운스케일 타겟은 예를 들어, 원본 영상(105)으로부터 얼마나 해상도가 감소한 제 1 영상(115)을 생성해야 하는지를 나타낼 수 있다.
일 실시예에서, AI 다운스케일부(612)는 압축률, 압축 품질, 압축 히스토리 정보 및 원본 영상(105)의 타입 중 적어도 하나에 기초하여 다운스케일 타겟을 결정할 수 있다.
일 예에서, AI 다운스케일부(612)는 미리 설정되거나, 사용자로부터 입력받은 압축률 또는 압축 품질 등에 기반하여 다운스케일 타겟을 결정할 수 있다.
다른 예로, AI 다운스케일부(612)는 AI 부호화 장치(600)에 저장된 압축 히스토리 정보를 이용하여 다운스케일 타겟을 결정할 수도 있다. 예를 들어, AI 부호화 장치(600)가 이용할 수 있는 압축 히스토리 정보에 따르면, 사용자가 선호하는 부호화 품질 또는 압축률 등이 결정될 수 있으며, 압축 히스토리 정보에 기초하여 결정된 부호화 품질 등에 따라 다운스케일 타겟이 결정될 수 있다. 예를 들면, 압축 히스토리 정보에 따라 가장 많이 이용된 적이 있는 부호화 품질에 따라 제 1 영상(115)의 해상도, 화질 등이 결정될 수 있다.
또 다른 예로, AI 다운스케일부(612)는 압축 히스토리 정보에 따라 소정의 임계 값보다 많이 이용된 적이 있는 부호화 품질(예를 들면, 소정의 임계값보다 많이 이용된 적이 있는 부호화 품질의 평균 품질)에 기초하여 다운스케일 타겟을 결정할 수도 있다.
또 다른 예로, AI 다운스케일부(612)는 원본 영상(105)의 해상도, 타입(예를 들어, 파일의 형식)등에 기초하여 다운스케일 타겟을 결정할 수도 있다.
일 실시예에서, 원본 영상(105)이 복수의 프레임으로 구성된 경우, AI 다운스케일부(612)는 소정 개수의 프레임 별로 다운스케일 타겟을 독립적으로 결정할 수 있고, 또는, 전체 프레임에 대해 공통된 다운스케일 타겟을 결정할 수도 있다.
일 예시에서, AI 다운스케일부(612)는 원본 영상(105)을 구성하는 프레임들을 소정 개수의 그룹으로 구분하고, 각 그룹별로 다운스케일 타겟을 독립적으로 결정할 수 있다. 각 그룹에 대해 서로 동일하거나 서로 상이한 다운스케일 타겟이 결정될 수 있다. 그룹들에 포함된 프레임들의 개수는 그룹별로 동일하거나 상이할 수 있다.
다른 예시에서, AI 다운스케일부(612)는 원본 영상(105)을 구성하는 프레임별로 다운스케일 타겟을 독립적으로 결정할 수 있다. 각각의 프레임에 대해 서로 동일하거나 서로 상이한 다운스케일 타겟이 결정될 수 있다.
이하에서는, AI 다운스케일의 기반이 되는 제 1 DNN(700)의 예시적인 구조에 대해 설명한다.
도 8은 원본 영상(105)의 AI 다운스케일을 위한 제 1 DNN(700)을 나타내는 예시적인 도면이다.
도 8에 도시된 바와 같이, 원본 영상(105)은 제 1 컨볼루션 레이어(710)로 입력된다. 제 1 컨볼루션 레이어(710)는 5 x 5의 크기의 32개의 필터 커널을 이용하여 원본 영상(105)에 대해 컨볼루션 처리를 한다. 컨볼루션 처리 결과 생성된 32개의 특징 맵은 제 1 활성화 레이어(720)로 입력된다. 제 1 활성화 레이어(720)는 32개의 특징 맵에 대해 비선형(Non-linear) 특성을 부여할 수 있다.
제 1 활성화 레이어(720)의 출력이 제 2 컨볼루션 레이어(730)로 입력된다. 제 2 컨볼루션 레이어(730)는 5 x 5의 크기의 32개의 필터 커널을 이용하여 입력 데이터에 대해 컨볼루션 처리를 한다. 컨볼루션 처리 결과 출력된 32개의 특징 맵은 제 2 활성화 레이어(740)로 입력되고, 제 2 활성화 레이어(740)는 32개의 특징 맵에 대해 비선형 특성을 부여할 수 있다.
제 2 활성화 레이어(740)의 출력은 제 3 컨볼루션 레이어(750)로 입력된다. 제 3 컨볼루션 레이어(750)는 5 x 5의 크기의 1개의 필터 커널을 이용하여 입력된 데이터에 대해 컨볼루션 처리를 한다. 컨볼루션 처리 결과 제 3 컨볼루션 레이어(750)로부터 1개의 영상이 출력될 수 있다. 제 3 컨볼루션 레이어(750)는 최종 영상을 출력하기 위한 레이어로서 1개의 필터 커널을 이용하여 1개의 출력을 생성한다. 본 개시의 예시에 따르면, 제 3 컨볼루션 레이어(750)는 컨벌루션 연산 결과를 통해 제 1 영상(115)을 출력할 수 있다.
제 1 DNN(700)의 제 1 컨볼루션 레이어(710), 제 2 컨볼루션 레이어(730) 및 제 3 컨볼루션 레이어(750)의 필터 커널의 개수, 필터 커널의 파라미터 등을 나타내는 DNN 설정 정보는 복수 개일 수 있는데, 복수의 DNN 설정 정보는 제 2 DNN의 복수의 DNN 설정 정보와 연계되어야 한다. 제 1 DNN의 복수의 DNN 설정 정보와 제 2 DNN의 복수의 DNN 설정 정보 사이의 연계는, 제 1 DNN 및 제 2 DNN의 연계 학습을 통해 구현될 수 있다.
도 8은 제 1 DNN(700)이 세 개의 컨볼루션 레이어(710, 730, 750)와 두 개의 활성화 레이어(720, 740)를 포함하고 있는 것으로 도시하고 있으나, 이는 하나의 예시일 뿐이며, 구현예에 따라서, 컨볼루션 레이어 및 활성화 레이어의 개수는 다양하게 변경될 수 있다. 또한, 구현예에 따라서, 제 1 DNN(700)은 RNN(recurrent neural network)을 통해 구현될 수도 있다. 이 경우는 본 개시의 예시에 따른 제 1 DNN(700)의 CNN 구조를 RNN 구조로 변경하는 것을 의미한다.
다시 도 7을 참조하면, AI 다운스케일부(612)로부터 제 1 영상(115)을 전달받은 제 1 부호화부(614)는 제 1 영상(115)을 제 1 부호화하여 제 1 영상(115)이 가지는 정보량을 감축시킬 수 있다. 제 1 부호화부(614)에 의한 제 1 부호화 결과 제 1 영상(115)에 대응하는 영상 데이터가 생성될 수 있다.
데이터 처리부(632)는 AI 데이터 및 영상 데이터 중 적어도 하나가 소정의 형태로 전송될 수 있게 처리한다. 예를 들어, AI 데이터 및 영상 데이터를 비트스트림 형태로 전송하여야 하는 경우, 데이터 처리부(632)는 AI 데이터가 비트스트림 형태로 표현되도록 AI 데이터를 처리하고, 통신부(634)를 통해 하나의 비트스트림 형태의 AI 데이터 및 영상 데이터를 전송한다. 다른 예로, 데이터 처리부(632)는 AI 데이터가 비트스트림 형태로 표현되도록 AI 데이터를 처리하고, 통신부(634)를 통해 AI 데이터에 해당하는 비트스트림 및 영상 데이터에 해당하는 비트스트림 각각을 통신부(634)를 통해 전송한다. 또 다른 예로, 데이터 처리부(632)는 AI 데이터가 프레임 또는 패킷으로 표현되도록 AI 데이터를 처리하고, 비트스트림 형태의 영상 데이터와, 프레임 또는 패킷 형태의 AI 데이터를 통신부(634)를 통해 전송한다.
통신부(630)는 네트워크를 통해 AI 부호화 결과 생성된 AI 부호화 데이터를 전송한다. AI 부호화 결과 생성된 AI 부호화 데이터는 영상 데이터와 AI 데이터를 포함한다. 영상 데이터와 AI 데이터는 동종 네트워크 또는 이종 네트워크를 통해 전송될 수 있다.
일 실시예에서, 데이터 처리부(632)의 처리 결과 생성된 AI 부호화 데이터는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium) 등을 포함하는 데이터 저장 매체에 저장될 수도 있다.
이하에서는, 도 9를 참조하여, 제 1 DNN(700)과 제 2 DNN(300)을 연계 훈련시키는 방법에 대해 설명한다.
도 9는 제 1 DNN(700) 및 제 2 DNN(300)을 훈련시키는 방법을 설명하기 위한 도면이다.
일 실시예에서 AI 부호화 과정을 통해 AI 부호화된 원본 영상(105)이 AI 복호화 과정을 통해 제 3 영상(145)으로 복원되는데, AI 복호화 결과 생성된 제 3 영상(145)과 원본 영상(105)과의 유사성을 유지하기 위해서는 AI 부호화 과정 및 AI 복호화 과정에 연관성이 필요하다. 즉, AI 부호화 과정에서 손실된 정보를 AI 복호화 과정에서 복원할 수 있어야 하는데, 이를 위해 제 1 DNN(700)과 제 2 DNN(300)의 연계 훈련이 요구된다.
정확한 AI 복호화를 위해서는 궁극적으로 도 9에 도시된 제 3 훈련 영상(804)과 원본 훈련 영상(801) 사이의 비교 결과에 대응하는 제 3 손실 정보(830)를 감소시킬 필요가 있다. 따라서, 제 3 손실 정보(830)는 제 1 DNN(700) 및 제 2 DNN(300)의 훈련 모두에 이용된다.
먼저, 도 9에 도시된 훈련 과정에 대해 설명한다.
도 9에서, 원본 훈련 영상(original training image)(801)은 AI 다운스케일의 대상이 되는 영상이고, 제 1 훈련 영상(first training image)(802)은 원본 훈련 영상(801)로부터 AI 다운스케일된 영상이다. 또한, 제 3 훈련 영상(third training image)(804)은 제 1 훈련 영상(802)으로부터 AI 업스케일된 영상이다.
제 1 DNN(700) 및 제 2 DNN(300)의 연계 훈련을 위해, 원본 훈련 영상(801)이 제 1 DNN(700)으로 입력된다. 제 1 DNN(700)으로 입력된 원본 훈련 영상(801)은 AI 다운스케일되어 제 1 훈련 영상(802)으로 출력되고, 제 1 훈련 영상(802)이 제 2 DNN(300)에 입력된다. 제 1 훈련 영상(802)에 대한 AI 업스케일 결과 제 3 훈련 영상(804)이 출력된다.
도 9를 참조하면, 제 2 DNN(300)으로 제 1 훈련 영상(802)이 입력되고 있는데, 구현예에 따라, 제 1 훈련 영상(802)의 제 1 부호화 및 제 1 복호화 과정을 거쳐 생성된 제 2 훈련 영상(second training image)이 제 2 DNN(300)으로 입력될 수도 있다. 제 2 훈련 영상을 제 2 DNN으로 입력시키기 위해 MPEG-2, H.264, MPEG-4, HEVC, VC-1, VP8, VP9 및 AV1 중 어느 하나의 코덱이 이용될 수 있다. 구체적으로, 제 1 훈련 영상(802)의 제 1 부호화 및 제 1 훈련 영상(802)에 대응하는 영상 데이터의 제 1 복호화에, MPEG-2, H.264, MPEG-4, HEVC, VC-1, VP8, VP9 및 AV1 중 어느 하나의 코덱이 이용될 수 있다.
도 9를 참조하면, 제 1 DNN(700)을 통해 제 1 훈련 영상(802)이 출력되는 것과 별개로, 원본 훈련 영상(801)으로부터 레거시 다운스케일된 축소 훈련 영상(803)이 생성된다. 여기서, 레거시 다운스케일은 바이리니어(bilinear) 스케일, 바이큐빅(bicubic) 스케일, 란조스(lanczos) 스케일 및 스테어 스탭(stair step) 스케일 중 적어도 하나를 포함할 수 있다.
원본 영상(105)의 구조적 특징을 기준으로 제 1 영상(115)의 구조적 특징이 크게 벗어나는 것을 방지하기 위해, 원본 훈련 영상(801)의 구조적 특징을 보존하는 축소 훈련 영상(803)을 생성하는 것이다.
훈련의 진행 전 제 1 DNN(700) 및 제 2 DNN(300)은 미리 결정된 DNN 설정 정보로 세팅될 수 있다. 훈련이 진행됨에 따라 제 1 손실 정보(810), 제 2 손실 정보(820) 및 제 3 손실 정보(830)가 결정될 수 있다.
제 1 손실 정보(810)는 축소 훈련 영상(803)과 제 1 훈련 영상(802)의 비교 결과에 기초하여 결정될 수 있다. 일 예에서, 제 1 손실 정보(810)는 축소 훈련 영상(803)의 구조적 정보와 제 1 훈련 영상(802)의 구조적 정보 사이의 차이에 해당할 수 있다. 구조적 정보는, 영상의 휘도, 대비, 히스토그램 등 영상으로부터 추출 가능한 다양한 특징을 포함할 수 있다. 제 1 손실 정보(810)는 원본 훈련 영상(801)의 구조적 정보가 제 1 훈련 영상(802)에서 어느 정도로 유지되고 있는지를 나타낸다. 제 1 손실 정보(810)가 작을수록 제 1 훈련 영상(802)의 구조적 정보가 원본 훈련 영상(801)의 구조적 정보와 유사해진다.
제 2 손실 정보(820)는 제 1 훈련 영상(802)의 공간적 복잡도에 기반하여 결정될 수 있다. 일 예에서, 공간적 복잡도로서, 제 1 훈련 영상(802)의 총 분산(total variance)값이 이용될 수 있다. 제 2 손실 정보(820)는 제 1 훈련 영상(802)을 제 1 부호화하여 생성한 영상 데이터의 비트레이트와 관련된다. 제 2 손실 정보(820)가 작을수록 영상 데이터의 비트레이트가 작은 것으로 정의된다.
제 3 손실 정보(830)는 원본 훈련 영상(801)과 제 3 훈련 영상(804)의 비교 결과에 기초하여 결정될 수 있다. 제 3 손실 정보(830)는 원본 훈련 영상(801)과 제 3 훈련 영상(804)의 차이에 대한 L1-norm 값, L2-norm 값, SSIM 값, PSNR-HVS 값, MS-SSIM 값, VIF 값 및 VMAF 값 중 적어도 하나를 포함할 수 있다. 제 3 손실 정보(830)는 제 3 훈련 영상(804)이 원본 훈련 영상(801)과 어느 정도로 유사한지를 나타낸다. 제 3 손실 정보(830)가 작을수록 제 3 훈련 영상(804)이 원본 훈련 영상(801)에 더 유사해진다.
도 9를 참조하면, 제 1 손실 정보(810), 제 2 손실 정보(820) 및 제 3 손실 정보(830)가 제 1 DNN(700)의 훈련에 이용되고, 제 3 손실 정보(830)는 제 2 DNN(300)의 훈련에 이용된다. 즉, 제 3 손실 정보(830)는 제 1 DNN(700) 및 제 2 DNN(300)의 훈련에 모두 이용된다.
제 1 DNN(700)은 제 1 손실 정보(810), 제 2 손실 정보(820) 및 제 3 손실 정보(830)에 기초하여 결정된 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다. 또한, 제 2 DNN(300)은 제 3 손실 정보(830)가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.
제 1 DNN(700) 및 제 2 DNN(300)의 훈련을 위한 최종 손실 정보는 아래의 수학식 1과 같이 결정될 수 있다.
[수학식 1]
Figure pat00001
상기 수학식 1에서, LossDS는 제 1 DNN(700)의 훈련을 위해 감소 또는 최소화되어야 할 최종 손실 정보를 나타내고, LossUS는 제 2 DNN(300)의 훈련을 위해 감소 또는 최소화되어야 할 최종 손실 정보를 나타낸다. 또한, a, b, c는 미리 결정된 소정의 가중치에 해당할 수 있다.
즉, 제 1 DNN(700)은 수학식 1의 LossDS가 감소되는 방향으로 파라미터들을 갱신하고, 제 2 DNN(300)은 LossUS가 감소되는 방향으로 파라미터들을 갱신하게 된다. 훈련 과정에서 도출된 LossDS에 따라 제 1 DNN(700)의 파라미터들이 갱신되면, 갱신된 파라미터에 기초하여 생성되는 제 1 훈련 영상(802)이 이전 훈련 과정에서의 제 1 훈련 영상(802)과 달라지게 되고, 그에 따라 제 3 훈련 영상(804) 역시 이전 훈련 과정에서의 제 3 훈련 영상(804)과 달라지게 된다. 제 3 훈련 영상(804)이 이전 훈련 과정에서의 제 3 훈련 영상(804)과 달라지게 되면, 제 3 손실 정보(830) 역시 새롭게 결정되며, 그에 따라 제 2 DNN(300)은 파라미터들을 갱신한다. 제 3 손실 정보(830)가 새롭게 결정되면, LossDS 역시 새롭게 결정되므로, 제 1 DNN(700)은 새롭게 결정된 LossDS에 따라 파라미터들을 갱신한다. 즉, 제 1 DNN(700)의 파라미터 갱신은, 제 2 DNN(300)의 파라미터 갱신을 야기하고, 제 2 DNN(300)의 파라미터 갱신은 제 1 DNN(700)의 파라미터 갱신을 야기하는 것이다. 다시 말하면, 제 1 DNN(700) 및 제 2 DNN(300)은 제 3 손실 정보(830)의 공유를 통해 연계 훈련되므로, 제 1 DNN(700)의 파라미터들과 제 2 DNN(300)의 파라미터들이 서로 연관성을 가지고 최적화될 수 있는 것이다.
앞서, AI 복호화 장치(200)의 AI 업스케일부(234) 및 AI 부호화 장치(600)의 AI 다운스케일부(612)는 복수의 DNN 설정 정보를 저장하는 것으로 설명하였는데, AI 업스케일부(234) 및 AI 다운스케일부(612)에 저장되는 복수의 DNN 설정 정보 각각을 훈련시키는 방법에 대해 설명한다.
수학식 1과 관련하여 설명한 바와 같이, 제 1 DNN(700)의 경우, 제 1 훈련 영상(802)의 구조적 정보와 원본 훈련 영상(801)의 구조적 정보 사이의 유사 정도(제 1 손실 정보(810)), 제 1 훈련 영상(802)의 제 1 부호화 결과 생성되는 영상 데이터의 비트레이트(제 2 손실 정보(820)) 및 제 3 훈련 영상(804)과 원본 훈련 영상(801) 사이의 차이(제 3 손실 정보(830))를 고려하여 파라미터를 갱신하게 된다.
자세히 설명하면, 원본 훈련 영상(801)의 구조적 정보와 유사하면서, 제 1 부호화를 하였을 때 생성되는 영상 데이터의 비트레이트가 작은 제 1 훈련 영상(802)이 생성 가능하도록 하는 동시에, 제 1 훈련 영상(802)을 AI 업스케일하는 제 2 DNN(300)이 원본 훈련 영상(801)에 유사한 제 3 훈련 영상(804)을 생성할 수 있도록, 제 1 DNN(700)의 파라미터가 갱신될 수 있다.
수학식 1의 a, b, c의 가중치가 조절됨으로써, 제 1 DNN(700)의 파라미터들이 최적화되는 방향이 상이해지게 된다. 예를 들어, b의 가중치를 높게 결정하는 경우, 제 3 훈련 영상(804)의 퀄리티보다 비트레이트가 낮아지는 것에 더 중요도를 두고 제 1 DNN(700)의 파라미터가 갱신될 수 있다. 또한, c의 가중치를 높게 결정하는 경우, 비트레이트가 높아지는 것이나, 원본 훈련 영상(801)의 구조적 정보가 유지되는 것보다 제 3 훈련 영상(804)의 퀄리티가 증가하도록 하는 것에 더 중요도를 두고 제 1 DNN(700)의 파라미터가 갱신될 수 있다.
또한, 제 1 훈련 영상(802)을 제 1 부호화하는데 이용되는 코덱의 타입에 따라 제 1 DNN(700)의 파라미터들이 최적화되는 방향이 상이해질 수 있다. 왜냐하면, 코덱의 종류에 따라, 제 2 DNN(300)으로 입력될 제 2 훈련 영상이 달라질 수 있기 때문이다.
즉, 가중치 a, 가중치 b, 가중치 c 및 제 1 훈련 영상(802)의 제 1 부호화를 위한 코덱의 종류에 기반하여 제 1 DNN(700)의 파라미터들과 제 2 DNN(300)의 파라미터들이 연계하여 갱신될 수 있는 것이다. 따라서, 가중치 a, 가중치 b, 가중치 c 각각을 소정의 값으로 결정하고, 코덱의 종류를 소정의 종류로 결정한 후, 제 1 DNN(700)과 제 2 DNN(300)을 훈련시키면, 서로 연계되어 최적화된 제 1 DNN(700)의 파라미터들과 제 2 DNN(300)의 파라미터들이 결정될 수 있다.
그리고, 가중치 a, 가중치 b, 가중치 c 및 코덱의 종류를 변경한 후, 제 1 DNN(700)과 제 2 DNN(300)을 훈련시키면, 서로 연계되어 최적화된 제 1 DNN(700)의 파라미터들과 제 2 DNN(300)의 파라미터들이 결정될 수 있다. 다시 말하면, 가중치 a, 가중치 b, 가중치 c 및 코덱의 종류 각각의 값을 변경하면서 제 1 DNN(700)과 제 2 DNN(300)을 훈련시키면 서로 연계되어 훈련된 복수의 DNN 설정 정보가 제 1 DNN(700) 및 제 2 DNN(300)에서 결정될 수 있는 것이다.
도 10은 일 실시예에 따른 스트리밍 시스템(900)을 설명하기 위한 개념도이다.
도 10을 참조하면, 스트리밍 시스템(900)은 서버(910) 및 단말(920)을 포함할 수 있다. 다만, 이는 일 예일 뿐, 스트리밍 시스템(900)의 구성 요소가 서버(910) 및 단말(920)로 한정되는 것은 아니다.
서버(910)는 단말(920)에 영상 데이터를 스트리밍할 수 있다. 본 개시에서 스트리밍은 단말(920)이 영상 데이터를 실시간으로 재생할 수 있도록, 서버(910)와 단말(920)간에 영상 데이터를 송수신하는 동작을 의미한다. 또한, 서버(910)는 영상 데이터 이외에도 오디오 데이터 및 텍스트 데이터 등 다양한 타입의 데이터를 단말(920)에 스트리밍 할 수 있으나, 본 개시에서는 영상 데이터를 예로 들어, 일 실시예에 따른 스트리밍 방법에 대해 설명하도록 한다.
스트리밍을 위해, 서버(910)와 단말(920)은 네트워크(930)를 통해 연결되어 있을 수 있다. 서버(910)는 네트워크(930)를 통해, 단말(920)에 영상 데이터를 스트리밍 할 수 있다. 한편, 서버(910)가 영상 데이터를 스트리밍 하는 중에 네트워크(930)의 상태가 유동적으로 변경될 수 있다. 네트워크(930)의 상태는, 예를 들어, 서버(910)와 단말(920) 간의 송수신 경로에서의 트래픽 발생 정도에 따라 결정될 수 있으며, 이는 혼잡도로 설명될 수도 있다. 다만, 이는 일 예일 뿐, 네트워크(930)의 상태가 송수신 경로 상에 발생하는 트래픽에 의해서만 결정되는 것은 아니다.
유동적인 네트워크 상태에 따라 스트리밍을 적응적으로 수행하기 위해, 서버(910)에는 비트레이트(bitrate) 및 해상도 중 적어도 하나의 인자를 조절하여 전달할 필요가 있다. 이를 위해 서버(910)는 동일한 내용의 영상 컨텐츠(예를 들어, 아이언맨 영화)에 대해서 비트레이트 및 해상도 중 적어도 하나의 인자를 변경한 복수의 영상 데이터(10)(예를 들어, HD급 아이언맨, SD급 아이언맨 또는 15Mbps 아이언맨, 10Mbps 아이언맨 등)가 저장되어 있을 필요가 있다. 다만, 이는 일 예일 뿐, 영상 데이터의 품질을 조절할 수 있는 인자로는 샘플링 주파수(sampling frequency) 및 프레임율(frame rate) 등이 더 포함될 수 있다.
일 실시예에 따른 서버(910)에는 상이한 품질을 갖는 복수의 영상 데이터(10)가 저장되어 있으며, 복수의 영상 데이터(10)에는 AI 부호화된 영상 데이터(12) 및 AI 부호화되지 않은 영상 데이터(14) 중 적어도 하나가 포함될 수 있다. AI 부호화된 영상 데이터(12)는 전술한 AI 부호화 과정을 통해 생성된 것으로, AI 부호화 과정은 원본 영상에 제 1 DNN을 통한 AI 다운스케일을 수행하는 과정을 포함한다. 여기에서, 제 1 DNN은 단말(920)의 제 2 DNN과 연계 훈련된 것으로, 단말(920)은 AI 부호화된 영상 데이터가 수신된 경우, 제 2 DNN을 통해 영상 데이터에 AI 업스케일을 수행할 수 있다. 또한, AI 부호화된 영상 데이터(12)는 AI 다운스케일과 관련된 AI 데이터와 함께 저장되어 있으며, AI 데이터는 단말(920)의 AI 업스케일 과정에서 이용될 수 있다.
한편, 서버(910)는 단말(920)이 복수의 영상 데이터(10) 중 네트워크(930)의 상태에 대응되는 영상 데이터를 요청할 수 있도록, 복수의 영상 데이터(10)에 관한 부가 정보를 단말(920)에 제공할 수 있다. 부가 정보에는 복수의 영상 데이터(10) 각각의 품질 정보 및 AI 스케일 변환 정보 등이 포함될 수 있다.
복수의 영상 데이터(10) 각각의 품질은 해상도 및 비트레이트에 의해 결정될 수 있으며, 품질 정보에는 복수의 영상 데이터(10) 각각의 해상도, 비트레이트 값이 포함될 수 있다. 다만, 이는 일 예일 뿐, 품질은 샘플링 주파수 및 프레임율 등에 의해 결정될 수도 있다. AI 스케일 변환 정보에는 영상 데이터가 AI 부호화된 영상 데이터인지 여부 및 AI 스케일 변환 레벨 값 등이 포함될 수 있다. 여기에서, AI 스케일 변환 레벨은 AI 다운스케일된 영상 데이터와 원본 영상 데이터 간의 차이를 나타내는 지표로서, 해상도 및 비트레이트 등에 대해 정의될 수 있다. 예를 들어, 스트리밍 시스템(900)에서 8K, 4K, FHD, HD의 해상도가 지원되는 경우, 각 해상도의 차이를 1 레벨로 정의할 수 있다. 이 경우, 8K와 4K의 레벨 차이는 1 레벨에 해당하고, 8K와 FHD의 차이는 2 레벨에 해당한다고 설명될 수 있다. 또한, 스트리밍 시스템(900)에서, 40Mbps, 30Mbps, 20Mbps, 10Mbps의 비트레이트가 지원되는 경우, 각 비트레이트의 차이를 1 레벨로 정의할 수 있다. 다른 예에 따라, 해상도 및 비트레이트의 조합에 따라 레벨이 정의될 수도 있다. 즉, 8K, 40Mbps와 8K, 30Mbps의 차이가 1레벨로 정의되고, 8K, 30Mbs와 4K, 20Mbps의 차이가 1레벨로 정의될 수 있다. 다만, 이는 일 예일 뿐, AI 스케일 변환 레벨은 해상도 및 비트레이트 이외의 다른 인자들에 의해 결정될 수도 있다.
일 실시예에 따른 단말(920)은 부가 정보에 포함된 복수의 영상 데이터(10)의 해상도 및 비트레이트를 확인하여, 특정 해상도 또는 비트레이트로 AI 부호화된 영상 데이터를 전송할 것을 서버(910)에 요청할 수 있다. 또한, 단말(920)은 네트워크 상태에 따라 서버(910)에 요청하는 영상 데이터의 해상도 및 비트레이트를 결정할 수 있다. 예를 들어, 단말(920)은 서버(910)로부터 AI 부호화된 FHD, 5Mbps의 영상 데이터를 수신하고 있는 중에, 수신되는 영상 데이터의 BER(bit error rate) 이 낮아짐에 따라 네트워크의 혼잡도가 개선된 것으로 확인된 경우, AI 부호화된 4K, 10Mbps의 영상 데이터를 서버(910)에 요청할 수 있다.
다만, 이는 일 예일 뿐, 단말(920)은 특정 해상도 또는 비트레이트의 영상 데이터의 전송을 요청하고, 서버(910) 측에서 AI 부호화된 영상 데이터를 전송할 지 또는 AI 부호화 되지 않은 영상 데이터를 전송할 지 여부를 결정할 수도 있다. 부가 정보를 기초로 단말(920)이 서버(910)에 영상 데이터를 요청하는 실시예에 대해서는, 도 14 및 도 15를 참조하여 보다 구체적으로 후술하도록 한다.
도 11a는 일 실시예에 따른 서버의 데이터 스트리밍 방법을 설명하기 위한 흐름도이다.
단계 S1010에서, 서버는 서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 단말에 전송할 수 있다.
서버는 단말의 요청에 따라 복수의 영상 데이터의 부가 정보를 단말에 전송할 수 있다. 부가 정보에는, 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 등이 포함될 수 있다. 품질 정보에는 복수의 영상 데이터 각각의 해상도, 비트레이트 값이 포함될 수 있으며, AI 스케일 변환 정보에는 영상 데이터가 AI 부호화된 영상 데이터인지 여부 및 AI 스케일 변환 레벨 값 등이 포함될 수 있다. 다만, 이는 일 예일 뿐, 부가 정보에 포함된 정보들에 대해서는 도 16 내지 도 19를 참조하여 보다 구체적으로 후술하도록 한다.
한편, 부가 정보는 MPEG DASH(Dynamic Adaptive Streaming over HTTP) 표준에 따른 MPD(Media Presentation Description)일 수 있다. 다만, 이는 일 예일 뿐, 부가 정보는 XML 형태로 저장된 다른 종류의 매니페스트(manifest) 파일 형태로 제공될 수 있다.
단계 S1020에서, 서버는 부가 정보를 기초로, 단말과 서버 간의 네트워크 상태에 대응되는 품질의 영상 데이터에 대한 요청을 단말로부터 수신할 수 있다.
서버는 단말로부터 복수의 영상 데이터 중 특정 품질의 영상 데이터를 요청하는 요청 메시지를 수신할 수 있으며, 요청 메시지에는, 복수의 영상 데이터 중 어느 하나를 특정할 수 있는 정보가 포함될 수 있다.
일 실시예에 따른, 요청 메시지에는, 단말이 요청하는 영상 데이터의 품질 정보가 포함될 수 있다. 예를 들어, 비트레이트 및 해상도 중 적어도 하나에 관한 정보가 요청 메시지에 포함될 수 있다.
또한, 다른 실시예에 따른, 요청 메시지에는 AI 다운스케일 적용 여부 및 품질 정보가 포함될 수 있다. 예를 들어, AI 부호화된 영상 데이터가 요청된 경우, 품질 정보는 AI 부호화된 영상데이터의 품질을 나타낸다. 즉, AI 부호화된 영상 데이터가 요청되고, 이 때 품질 정보가 FHD, 5Mbps를 나타내는 경우, 서버는 단말이 AI 다운스케일이 적용된 결과 해상도가 FHD이고 비트레이트가 5Mbps에 해당하는 AI 부호화된 영상 데이터를 요청하는 것으로 결정할 수 있다. 다른 예에 따라, AI 부호화되지 않은 영상 데이터가 요청된 경우, 품질 정보는 원본 영상 데이터의 품질을 나타낸다. 즉, AI 부호화되지 않은 영상 데이터가 요청되고, 이 때 품질 정보가 FHD, 5Mbps를 나타내는 경우, 서버는 단말이 해상도가 FHD이고 비트레이트가 5Mbps에 해당하는 원본 영상 데이터를 요청하는 것으로 결정할 수 있다.
또 다른 실시예에 따른 요청 메시지에는 단말이 요청하는 영상 데이터의 품질 정보와 단말의 캐퍼빌리티 정보가 포함될 수 있다. 예를 들어, 품질 정보가 FHD, 20Mbps를 나타내고, 단말이 AI 업스케일을 지원하는 경우, 서버는 단말이 AI 다운스케일이 적용된 결과 해상도가 FHD이고 비트레이트가 20Mbps에 해당하는 AI 부호화된 영상 데이터를 요청하는 것으로 결정할 수 있다. 다른 예에 따라, 품질 정보가 FHD, 20Mbps를 나타내고, 단말이 AI 업스케일을 지원하지 않는 경우, 서버는 단말이 해상도가 FHD이고 비트레이트가 20Mbps에 해당하는 원본 영상 데이터를 요청하는 것으로 결정할 수 있다.
단계 S1030에서, 서버는 요청에 기초하여, AI 데이터 및 단말의 제 2 DNN과 연계 훈련된 제 1 DNN을 통해 AI 부호화된 영상 데이터를 단말에 전송할 수 있다.
서버는 단말이 AI 부호화된 영상 데이터를 요청한 경우, AI 부호화된 영상 데이터와 함께 이를 AI 업스케일하는데 필요한 정보를 포함하는 AI 데이터를 단말에 전송할 수 있다. 예를 들어, AI 데이터에는 AI 다운스케일 적용 여부, AI 스케일 변환 레벨 및 AI 업스케일에 이용되는 DNN 설정 정보 중 적어도 하나에 관한 정보가 포함될 수 있다. 다만, 이는 일 예일 뿐, AI 데이터에는 단말이 AI 업스케일을 수행하는데 필요한 다른 정보들이 포함될 수도 있다.
한편, 서버는 AI 부호화된 영상 데이터를 세그먼트 단위로 단말에 전송할 수 있다. 세그먼트는 AI 부호화된 영상 데이터를 기 설정된 시간 단위에 기초하여 분할한 결과 생성될 수 있다. 다만, 이는 일 예일 뿐, 서버로부터 전송되는 AI 부호화된 영상 데이터의 전송 단위가 세그먼트에 한정되는 것은 아니다.
단계 S1040에서, 서버는 단말과 서버 간의 네트워크 상태가 변경됨에 따라, 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터에 대한 요청을 단말로부터 수신할 수 있다.
단말은 주기적으로 네트워크 상태를 결정할 수 있다. 예를 들어, 단말은 주기적으로 영상 데이터가 수신되는 타임 스탬프 및 BER 등을 측정하여 네트워크 상태를 결정할 수 있다. 또한, 단말은 네트워크 상태가 변경된 경우, 서버에 요청하는 영상 데이터의 품질을 변경할 수 있다. 예를 들어, 단말은 제 1 시점의 네트워크 상황이 혼잡하여 FHD, 5Mbps의 영상 데이터를 서버에 요청하였다고 하더라도, 제 1 시점 이후의 제 2 시점에 네트워크 상황이 개선된 경우 4K, 10Mbps의 영상 데이터를 서버에 요청할 수 있다.
한편, 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터의 요청을 위해, 단말로부터 서버에 전송되는 요청 메시지에 포함된 정보는 단계 S1020을 참조하여 전술한 바와 대응될 수 있다.
도 11b는 일 실시예에 따른 단말의 데이터 스트리밍 방법을 설명하기 위한 흐름도이다.
단계 S1110에서, 단말은 부가 정보를 기초로, 복수의 영상 데이터 중 네트워크 상태에 대응되는 품질의 영상 데이터를 서버에 요청할 수 있다. 부가 정보에는, 서버에 저장되어 있는 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 등이 포함될 수 있다. 품질 정보에는 복수의 영상 데이터 각각의 해상도, 비트레이트 값이 포함될 수 있으며, AI 스케일 변환 정보에는 영상 데이터가 AI 부호화된 영상 데이터인지 여부 및 AI 다운스케일이 수행된 레벨 값 등이 포함될 수 있다.
단말은 네트워크 상태를 고려하여, 단말의 네트워크 상태에 대응되는 영상 데이터의 품질을 결정할 수 있다. 네트워크 상태는 단말에 수신되는 영상 데이터의 타임 스탬프 및 BER(bit error rate)에 기초해 결정될 수 있다. 예를 들어, 단말은 타임 스탬프를 기초로 판단한 결과, 서버로부터 영상 데이터가 수신되는 시간이 늦어지는 경우, 네트워크 상태가 혼잡한 것으로 판단할 수 있다. 다른 예에 따라, 단말은 BER이 기 설정된 기준보다 낮은 경우, 네트워크 상태가 혼잡하지 않은 것으로 판단할 수 있다. 다만, 이는 일 예일 뿐, 다른 정보에 기초하여 네트워크 상태가 결정될 수도 있다.
예를 들어, 단말은 서버와 단말 간의 네트워크 상태가 혼잡한 것으로 추정되는 경우, 복수의 영상 데이터 각각의 비트레이트인 50Mbps, 40Mbps, 30Mbps, 20Mbps 중 상대적으로 낮은 비트레이트인 20Mbps의 영상 데이터를 선택할 수 있다. 다만, 이는 일 예일 뿐, 단말이 네트워크 상태에 대응되는 영상 데이터의 품질을 결정하는 방법이 전술한 예에 한정되는 것은 아니다.
단말은 결정된 품질의 영상 데이터를 요청하는 요청 메시지를 서버에 전송할 수 있다. 일 실시예에 따른, 요청 메시지에는, 단말이 요청하는 영상 데이터의 품질 정보가 포함될 수 있다. 예를 들어, 비트레이트 및 해상도 중 적어도 하나에 관한 정보가 요청 메시지에 포함될 수 있다. 또한, 다른 실시예에 따른, 요청 메시지에는 AI 다운스케일 적용 여부 및 품질 정보가 포함될 수 있다. 또 다른 실시예에 따른 요청 메시지에는 단말이 요청하는 영상 데이터의 품질 정보와 단말의 캐퍼빌리티 정보가 포함될 수 있다. 캐퍼빌리티 정보에는 단말이 AI 업스케일을 지원하는지 여부에 대한 정보가 포함될 수 있다.
단계 S1120에서, 단말은 요청에 대응되는 영상 데이터 및 AI 데이터가 수신됨에 따라, AI 데이터를 기초로 수신된 영상 데이터에 대한 AI 업스케일 수행 여부를 결정할 수 있다.
일 실시예에 따른 단말은 AI 데이터를 기초로 수신된 영상 데이터가 제 2 DNN과 연계 훈련된 제 1 DNN을 통해 AI 부호화된 것인지 여부를 판단할 수 있다. AI 데이터에는 AI 다운스케일 적용 여부, AI 스케일 변환 레벨 및 AI 업스케일에 이용되는 DNN 설정 정보 중 적어도 하나에 관한 정보가 포함될 수 있다. DNN 설정 정보는 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수 및 각 필터 커널의 파라미터 등을 나타내는 식별자의 형태로 제공될 수 있다. 다만, 이는 일 예일 뿐, DNN 설정 정보는 룩업테이블 형태로 제공될 수도 있으며, 또 다른 예에 따라, DNN 설정 정보로서 제 2 DNN이 제공될 수 있다. 다만, 이는 일 예일 뿐, AI 데이터에는 단말이 AI 업스케일을 수행하는데 필요한 다른 정보들이 포함될 수도 있다.
한편, 다른 실시예에 따라 단말은 전술한 단계 S1130에서 영상 데이터에 대한 요청 메시지에 AI 부호화된 영상 데이터를 특정하는 정보를 포함시킨 경우, 이에 대한 응답으로 수신되는 영상 데이터에는 AI 다운스케일이 적용된 것으로 결정할 수 있다.
단계 S1130에서, 단말은 AI 업스케일 수행 여부에 관한 결정에 기초하여, 제 1 DNN과 연계 훈련된 제 2 DNN을 통해 수신된 영상 데이터에 AI 업스케일을 수행할 수 있다.
단말은 수신된 영상 데이터가 제 2 DNN과 연계 훈련된 제 1 DNN을 통해 AI 부호화된 영상 데이터인 것으로 결정된 경우, 수신된 영상 데이터에 제 2 DNN을 통한 AI 업스케일을 수행할 수 있다.
일 실시예에 따른, 단말은 AI 부호화된 영상 데이터의 해상도 및 비트레이트 중 적어도 하나를 기초로 제 2 DNN의 DNN 설정 정보를 결정할 수 있다. 예를 들어, AI 부호화된 영상 데이터의 해상도 및 비트레이트가 4K, 10Mbps인 경우, 단말은 복수의 DNN 설정 정보 중 해당 해상도 및 비트레이트에 최적화된 C DNN 설정 정보를 선택할 수 있다. 이 때, 각 해상도 및 비트레이트에 최적화된 DNN 설정 정보는 단말에 미리 학습되어 있을 수 있으며, 후술할 실시예에서와 같이 AI 데이터에 해당 정보가 포함될 수도 있다. 다른 실시예에 따른 단말은 AI 데이터에 포함된 DNN 설정 정보 정보를 기초로 AI 부호화된 영상 데이터를 AI 업스케일하는데 최적화된 DNN 설정 정보를 획득할 수 있다.
단말은 제 1 DNN과 연계 훈련된 제 2 DNN을 통해, AI 부호화된 영상 데이터에 선택된 DNN 설정 정보를 기초로 AI 업스케일을 수행할 수 있다.
단계 S1140에서, 단말은, 네트워크 상태가 변경됨에 따라, 부가 정보를 기초로 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터를 서버에 요청할 수 있다.
예를 들어, 단말은 전술한 단계 S1110에서, AI 부호화된 FHD, 5Mbps의 영상 데이터를 요청하였으나, 이후 수신되는 영상 데이터의 타임 스탬프 간격이 짧아지거나, BER이 낮아짐에 따라, 네트워크 혼잡도가 개선된 것으로 판단한 경우 AI 부호화된 4K, 비트레이트 10Mbps의 영상 데이터를 서버에 요청할 수 있다.
다른 예에 따라, 단말은 전술한 단계 S1110에서, AI 부호화된 4K, 10Mbps의 영상 데이터를 요청하였으나, 이후 수신되는 영상 데이터의 타임 스탬프 간격이 길어지거나, BER이 높아짐에 따라, 네트워크 혼잡도가 악화된 것으로 판단한 경우 AI 부호화된 FHD, 5Mbps의 영상 데이터를 서버에 요청할 수 있다.
또 다른 예에 따라, 단말은 전술한 단계 S1110에서, AI 부호화된 FHD, 5Mbps의 영상 데이터를 요청하였으나, 이후 수신되는 영상 데이터의 타임 스탬프 간격이 길어지거나, BER이 높아짐에 따라, 네트워크 혼잡도가 악화된 것으로 판단한 경우 AI 다운스케일되지 않은 HD, 1Mbps의 영상 데이터를 서버에 요청할 수 있다. 즉, 해상도 및 비트레이트가 기 설정된 기준 미만인 경우, 단말은 AI 업스케일을 통해 영상 데이터가 복원되는 정도를 고려하여 AI 다운스케일되지 않은 영상 데이터를 서버에 요청할 수도 있다. 다만, 이는 일 예일 뿐, 단말이 네트워크 상태 변경에 따라 영상 데이터의 품질을 변경하는 방법이 전술한 예에 한정되는 것은 아니다.
한편, 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터의 요청을 위해, 단말로부터 서버에 전송되는 요청 메시지에 포함된 정보는 단계 S1110을 참조하여 전술한 바와 대응될 수 있다.
도 11c는 다른 실시예에 따른 단말의 데이터 스트리밍 방법을 설명하기 위한 흐름도이다.
단계 S1105에서, 단말은 특정 영상 데이터를 요청할 수 있다. 일 실시예에 따른 단말은 특정 품질의 영상 데이터를 요청할 수 있다. 예를 들어, 단말은 FHD, 5Mbps의 영상 데이터를 요청할 수 있다. 다만, 이는 일 예일 뿐, 다른 실시예에 따라, 품질을 특정하지 않은 상태로 서버에게 영상 데이터를 요청할 수도 있다.
또 다른 실시예에 따라, 단말은 품질 이외에 AI 부호화 여부에 대한 정보를 특정하여 서버에 영상 데이터를 요청할 수도 있다.
단계 S1115에서, 단말은 요청에 대응되는 영상 데이터를 수신할 수 있다. 일 실시예에 따른 단말은 요청에 대응되는 영상 데이터와 함께 부가 정보를 수신할 수 있다. 부가 정보는 서버에서 단말에 제공할 수 있는 복수의 영상 데이터의 품질 정보 및 AI 스케일 변환 정보 등을 포함할 수 있다. 다만, 이는 일 예일 뿐, 부가 정보는 복수의 영상 데이터 각각을 식별할 수 있는 다른 정보들을 포함할 수 있다.
또한, 부가 정보에는 품질 정보 및 AI 스케일 변환 정보 등에 따라 식별 가능한 복수의 영상 데이터 각각을 수신할 수 있는 URL이 포함될 수도 있다.
일 실시예에 따른 단말의 캐퍼빌리티에 따라, 단말에 수신되는 부가 정보가 결정될 수도 있다. 예를 들어, 서버는 단말이 AI 복호화를 지원하는 기기인 경우, AI 스케일 변환 정보를 포함하는 부가 정보를 단말에게 송신하고, 단말이 AI 복호화를 지원하지 않는 기기인 경우, AI 스케일 변환 정보를 포함하지 않는 부가 정보를 단말에게 송신할 수 있다. 다만, 이는 일 예일 뿐, 단말이 AI 복호화를 지원하지 않는 기기의 경우, AI 스케일 변환 정보가 포함된 부가 정보가 수신되더라도 이를 해석하지 않고 무시할 수 있다. 본 실시예에서, 단말의 캐퍼빌리티 정보는 서버에 미리 제공되었을 수도 있고, 특정 영상 데이터에 대한 요청에 단말의 캐퍼빌리티 정보가 포함될 수도 있다.
한편, 전술한 실시예는 일 예일 뿐, 부가 정보는 일정 구간 동안의 영상 데이터 수신 이후에 서버로부터 단말에 제공될 수도 있고, 영상 데이터 수신 이전에 서버로부터 단말에 제공될 수도 있다.
단계 S1125에서, 단말은 네트워크 상황이 변경되었는지 여부를 판단할 수 있다.
네트워크 상태는 단말에 수신되는 영상 데이터의 타임 스탬프 및 BER(bit error rate)에 기초해 결정될 수 있다. 예를 들어, 단말은 타임 스탬프를 기초로 판단한 결과, 서버로부터 영상 데이터가 수신되는 시간이 늦어지는 경우, 네트워크 상태가 혼잡한 것으로 판단할 수 있다. 다른 예에 따라, 단말은 BER이 기 설정된 기준보다 낮은 경우, 네트워크 상태가 혼잡하지 않은 것으로 판단할 수 있다. 다만, 이는 일 예일 뿐, 다른 정보에 기초하여 네트워크 상태가 결정될 수도 있다.
한편, 일 실시예에 따른 단말은 영상 데이터의 타임 스탬프 및 BER 중 적어도 하나가 변경된 경우, 네트워크 상황이 변경되었다고 판단할 수도 있고, 다른 실시예에 따라, 타임 스탬프 및 BER 중 적어도 하나가 기 설정된 범위를 벗어나거나 이전 측정 값으로부터 일정 값 이상 차이가 발생하는 경우, 또는 그 차이가 일정 시간 이상 지속되는 경우, 네트워크 상황이 변경되었다고 판단할 수도 있다. 예를 들어, 이전 BER이 0.001인 경우, 이후 측정되는 BER이 0.0095~0.005 범위에 대해서는 네트워크 상황이 유지된다고 판단하는 반면에, BER이 해당 범위를 벗어나는 경우, 네트워크 상황이 변경되었다고 판단할 수 있다. 다만, 이는 일 예일 뿐, 네트워크 상황이 변경되었는지 여부를 판단하는 기준이 전술한 예에 한정되는 것은 아니다.
단말은 판단 결과, 네트워크 상황이 변경되지 않은 경우, 단계 S1105에서 요청하였던 품질 또는 AI 다운스케일 여부에 대응되는 영상 데이터를 수신할 수 있다.
단계 S1135에서, 단말은 부가 정보를 기초로 요청되는 영상 데이터를 변경할 수 있다. 단말은 전술한 단계 S1125에서, 네트워크 상황이 변경된 것으로 판단됨에 따라 부가 정보 및 단말의 캐퍼빌리티를 기초로 요청할 수 있는 영상 데이터를 결정할 수 있다.
단말은, 요청할 수 있는 영상 데이터를 결정하기 위해, 단말이 AI 복호화를 지원할 수 있는지 여부를 결정할 수 있다. 일 실시예에 따른 단말은, AI 업스케일을 수행할 수 있는지 여부를 판단할 수 있다. 다른 실시예에 따라, 단말은 변경된 네트워크에 대응되는 품질을 기초로, 단말의 제 2 DNN에서 서버의 제 1 DNN과 연계 훈련된 DNN 설정 정보의 종류가 해당 품질의 AI 부호화된 영상 데이터를 AI 업스케일할 수 있는지 여부를 판단할 수 있다. 예를 들어, 변경된 네트워크에 대응되는 품질이 FHD, 5Mbps인 경우, 단말은 FHD, 5Mbps의 AI 부호화된 영상 데이터를 AI 업스케일할 수 있도록 제 2 DNN이 서버가 제 1 DNN과 훈련되어 있는지 여부를 판단할 수 있다. 또 다른 실시예에 따라, 단말은 동일한 품질의 영상 데이터인 경우에도, 단말의 하드웨어 기기 사양, 코덱의 종류 등을 기초로 요청하고자 하는 영상 데이터의 AI 다운스케일 여부, AI 다운스케일 레벨, AI 다운스케일에 이용된 DNN 설정 정보의 종류 등을 결정할 수 있다. 전술한 각 영상 데이터의 AI 다운스케일 여부, AI 다운스케일 레벨, AI 다운스케일에 이용된 DNN 설정 정보의 종류 등에 관한 정보는 부가 정보를 통해 단말에게 제공될 수 있으며, 이에 대해서는, 도 16 내지 도 19를 참조하여 보다 구체적으로 후술하도록 한다.
도 12는 일 실시예에 따른 단말(예를 들어, 1220)의 AI 업스케일 지원 여부에 따라 서버(1210)와 단말(예를 들어, 1220) 간의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
도 12의 실시예에서는, 제 1 단말(1220)은 서버(1210)의 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일이 지원 가능한 단말에 해당하고, 제 2 단말(1230)은 이를 지원하지 않는 단말에 해당하는 것으로 가정한다.
서버(1210)는 적응적인 스트리밍을 위해 상이한 품질을 갖는 복수의 영상 데이터를 저장하고 있으며, 단말(예를 들어, 1220)의 요청에 따라 이를 전송한다. 단말(예를 들어, 1220)은 서버(1210)로부터 복수의 영상 데이터에 관한 부가 정보를 획득하고, 이를 기초로 복수의 영상 데이터 중 어느 하나를 서버(1210)에 요청할 수 있다. 부가 정보에 포함된 정보들에 대해서는 도 16 내지 도 19를 참조하여 보다 구체적으로 후술하도록 한다.
예를 들어, 서버(1210)는 8K, 60Mbps의 원본 영상 데이터(1240)에 제 1a-1 DNN (1212)을 통한 AI 다운스케일을 수행함으로써, AI 다운스케일된 4K, 20Mbps의 영상 데이터(1242)를 획득할 수 있다. 서버(1210)는 제 1 단말(1220)의 요청에 따라, 4K, 20Mbps로의 AI 다운스케일과 관련된 AI 데이터 및 AI 부호화된 4K, 20Mbps의 영상 데이터를 전송할 수 있다. 한편, 제 1 단말(1220)은 수신된 영상 데이터에 제 1a-1 DNN(1212)과 연계 훈련된 제 2a-1 DNN(1222)을 통해 AI 업스케일을 수행하여 AI 업스케일된 영상 데이터(1252)를 획득할 수 있다. 이 때, 제 1 단말(1220)은 수신된 AI 데이터에 포함된 정보를 기초로 AI 다운스케일 적용 여부, AI 스케일 변환 레벨 및 AI 업스케일에 이용되는 DNN 설정 정보 중 적어도 하나를 획득하여, 전술한 AI 업스케일을 수행할 수 있다.
다른 예에 따라, 서버(1210)는 8K, 60Mbps의 원본 영상 데이터(1240)에 제 1a-2 DNN(1214)을 통한 AI 다운스케일링을 수행함으로써, AI 다운스케일된 FHD, 7Mbps의 영상 데이터(1244)를 획득할 수 있다. 서버(1210)는 제 1 단말(1220)의 요청에 따라, FHD, 7Mbps로의 AI 다운스케일과 관련된 AI 데이터 및 AI 부호화된 FHD, 7Mbps의 영상 데이터를 전송할 수 있다. 예를 들어, 제 1 단말(1220)은 전술한 예에서와 같이 AI 부호화된 4K, 20Mbps의 영상 데이터를 요청하여 수신하는 중에 네트워크 혼잡도가 악화되었다고 판단되는 경우, AI 부호화된 FHD, 7Mbps의 영상 데이터를 요청할 수 있다. 한편, 제 1 단말(1220)은 요청에 따라 수신된 영상 데이터에 제1a-2 DNN(1214)과 연계 훈련된 제 2a-2 DNN(1224)을 통해 AI 업스케일을 수행하여, AI 업스케일된 영상 데이터(1254)를 획득할 수 있다. 이 때, 제 1 단말(1220)은 전술한 예에서와 같이 AI 데이터에 포함된 정보를 AI 업스케일에 이용할 수 있다.
또 다른 예에 따라, 서버(1210)는 8K, 60Mbps의 원본 영상 데이터(1240)에 제 1a-3 DNN(1216)을 통한 AI 다운스케일링을 수행함으로써, AI 다운스케일된 HD, 4Mbps의 영상 데이터(1246)를 획득할 수 있다. 서버(1210)는 제 1 단말(1220)의 요청에 따라, HD, 4Mbps로의 AI 다운스케일과 관련된 AI 데이터 및 AI 부호화된 HD, 4Mbps의 영상 데이터를 전송할 수 있다. 한편, 제 1 단말(1220)은 수신된 영상 데이터에 제1a-3 DNN(1216)과 연계 훈련된 제 2a-3 DNN(1226)을 통해 AI 업스케일을 수행하여, AI 업스케일된 영상 데이터(1256)를 획득할 수 있다. 이 때, 제 1 단말(1220)은 전술한 예에서와 같이 AI 데이터에 포함된 정보를 AI 업스케일에 이용할 수 있다.
또한, 제 1 단말(1220)은, AI 업스케일된 영상 데이터에 추가적으로 레거시 업스케일을 수행할 수 있다. 예를 들어, 제 1 단말(1220)은, 네트워크 상태로 인하여, 제 1a-3 DNN(1216)을 통한 AI 다운스케일링의 적용 결과 AI 부호화된 HD, 4Mbps의 영상 데이터(1246)를 수신할 수 있다. 제 1 단말(1220)은 제1a-3 DNN(1216)과 연계 훈련된 제 2a-3 DNN(1226)을 통해 AI 업스케일을 수행하여, AI 업스케일된 FHD, 7Mbps의 영상 데이터(1256)를 획득할 수 있다. 제 1 단말(1220)은 AI 업스케일된 FHD, 7Mbps의 영상 데이터(1256)에 레거시 업스케일을 수행함으로써 4K, 20Mbps의 영상 데이터를 획득할 수 있다.
전술한 예에서는, 제 1 단말(1220)이 제 1 DNN을 통해 AI 부호화된 영상 데이터를 수신하는 예에 대해서만 설명하였으나, 제 1 단말(1220)은 AI 다운스케일되지 않은 영상 데이터(예를 들어, 1250)를 수신할 수도 있다.
한편, 제 2 단말(1230)은 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 업스케일이 지원되지 않는 단말로서, 제 2 단말(1230)은 서버(1210)로부터 수신된 영상 데이터(1260 or 1262 or 1264 or 1266)가 제 1 DNN을 통한 AI 다운스케일이 수행된 영상 데이터인지 여부를 판단하지 않고, 수신된 영상 데이터(1260 or 1262 or 1264 or 1266)를 처리할 수 있다. 제 1 DNN을 통한 다운스케일이 수행된 영상 데이터의 경우, 일반적인 다운스케일 기법이 수행된 영상 데이터 보다 화질 손실이 적으므로, 제 2 단말(1230)은 제 2 DNN을 통한 업스케일을 지원하지 않더라도, 이를 통해 기존보다 높은 품질의 영상 데이터를 제공받을 수 있다.
도 13은 다른 실시예에 따른 단말(예를 들어, 1320)의 AI 업스케일 지원 여부에 따라 서버(1310)와 단말(예를 들어, 1320) 간의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
도 13의 실시예에서는, 제 1 단말(1320)은 서버(1310)의 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일이 지원 가능한 단말에 해당하고, 제 2 단말(1330)은 이를 지원하지 않는 단말에 해당하는 것으로 가정한다.
서버(1310)는 적응적인 스트리밍을 위해, 상이한 품질을 갖는 복수의 영상 데이터를 저장하고 있으며, 단말(예를 들어, 1320)의 요청에 따라 이를 전송한다. 단말(예를 들어, 1320)은 서버(1310)로부터 복수의 영상 데이터에 관한 부가 정보를 획득하고, 이를 기초로 복수의 영상 데이터 중 어느 하나를 서버(1310)에 요청할 수 있다. 부가 정보에 포함된 정보들에 대해서는 도 16 및 도 17을 참조하여 보다 구체적으로 후술하도록 한다.
예를 들어, 서버(1310)는 8K, 60Mbps의 원본 영상 데이터(1340)에 제 1b-1 DNN (1312)을 통한 AI 다운스케일링을 수행함으로써, AI 다운스케일된 4K, 20Mbps의 영상 데이터(1342)를 획득할 수 있다. 서버(1310)는 제 1 단말(1320)의 요청에 따라, 4K, 20Mbps로의 AI 다운스케일과 관련된 AI 데이터 및 AI 부호화된 4K, 20Mbps의 영상 데이터를 전송할 수 있다. 한편, 제 1 단말(1320)은 수신된 영상 데이터에 제 1b-1 DNN (1312)과 연계 훈련된 제 2b-1 DNN(1322)을 통해 AI 업스케일을 수행하여 AI 업스케일된 영상 데이터(1352)를 획득할 수 있다. 이 때, 제 1 단말(1320)은 수신된 AI 데이터에 포함된 정보를 기초로 AI 다운스케일 적용 여부, AI 스케일 변환 레벨 및 AI 업스케일에 이용되는 DNN 설정 정보 중 적어도 하나를 획득하여, 전술한 AI 업스케일을 수행할 수 있다.
다른 예에 따라, 서버(1310)는 AI 다운스케일된 4K의 영상(1342)에 제 1b-2 DNN(1314)을 통한 AI 다운스케일링을 수행함으로써, AI 다운스케일된 FHD, 7Mbps의 영상 데이터(1344)를 획득할 수 있다. 서버(1310)는 제 1 단말(1320)의 요청에 따라, FHD, 7Mbps로의 AI 다운스케일과 관련된 AI 데이터 및 AI AI 부호화된 FHD, 7Mbps의 영상 데이터를 전송할 수 있다. 예를 들어, 제 1 단말(1320)은 전술한 예에서와 같이 AI 부호화된 4K, 20Mbps의 영상 데이터를 요청하여 수신하는 중에 네트워크 혼잡도가 악화되었다고 판단되는 경우, AI 부호화된 FHD, 7Mbps의 영상 데이터를 요청할 수 있다. 한편, 제 1 단말(1320)은 요청에 따라 수신된 영상 데이터에 제 1b-2 DNN(1314)과 연계 훈련된 제 2b-2 DNN(1324)를 통해 AI 업스케일을 수행하여, AI 업스케일된 영상 데이터(1354)를 획득할 수 있다. 이 때, 제 1 단말(1320)은 전술한 예에서와 같이 AI 데이터에 포함된 정보를 AI 업스케일에 이용할 수 있다.
또 다른 예에 따라, 서버(1310)는 AI 다운스케일 된 FHD의 영상(1344)에 제 2b-3 DNN (1316)을 통한 AI 다운스케일링을 수행함으로써, AI 다운스케일된 HD, 4Mbps의 영상 데이터(1346)를 획득할 수 있다. 서버(1310)는 제 1 단말(1320)의 요청에 따라, HD, 4Mbps로의 AI 다운스케일과 관련된 AI 데이터 및 AI 부호화된 HD, 4Mbps의 영상 데이터를 전송할 수 있다. 한편, 제 1 단말(1320)은 수신된 영상 데이터에 제 1b-3 DNN(1316)과 연계 훈련된 제 2b-3 DNN(1326)을 통해 AI 업스케일을 수행하여, AI 업스케일된 영상 데이터(1356)를 획득할 수 있다. 이 때, 제 1 단말(1320)은 전술한 예에서와 같이 AI 데이터에 포함된 정보를 AI 업스케일에 이용할 수 있다.
전술한 예에서는, 제 1 단말(1320)이 제 1 DNN을 통해 AI 부호화된 영상 데이터를 수신하는 예에 대해서만 설명하였으나, 제 1 단말(1320)은 AI 다운스케일되지 않은 영상 데이터(예를 들어, 1350)를 수신할 수도 있다.
또한, 도 13에 도시된 DNN의 구조는 일 예시로, 제 1a-1 DNN(1312), 제 1a-2 DNN(1314) 및 제 1a-3 DNN(1316) 중 적어도 하나가 레거시(legacy) 스케일러로 대체될 수도 있다. 또한, 이에 연계되어 제 2a-1 DNN(1322), 제 2a-2 DNN(1324) 및 제 2a-3 DNN(1326) 중 적어도 하나가 레거시(legacy) 스케일러로 대체될 수도 있다.
한편, 제 2 단말(1330)은 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 업스케일이 지원되지 않는 단말로서, 제 2 단말(1330)은 서버(1310)로부터 수신된 영상 데이터가 제 1 DNN을 통한 AI 다운스케일이 수행된 영상 데이터인지 여부를 판단하지 않고, 수신된 영상 데이터를 처리할 수 있다. 제 1 DNN을 통한 다운스케일이 수행된 영상 데이터의 경우, 일반적인 다운스케일 기법이 수행된 영상 데이터 보다 화질 손실이 적으므로, 제 2 단말(1330)은 제 2 DNN을 통한 업스케일을 지원하지 않더라도, 이를 통해 기존보다 높은 품질의 영상 데이터를 제공받을 수 있다.
도 12 및 도 13에 도시된 영상 데이터는 일 예시일 뿐, 상이한 품질로 저장된 복수의 영상 데이터가 AI 부호화된 4K, AI 부호화된 FHD, AI 부호화된 HD 등에 한정되는 것은 아니다. 예를 들어, 서버(1210)는 8K의 원본 영상 데이터에 대해 AI 다운스케일을 수행하여 5K (5120 x 2880), 3K (2560 x 1440), 540p (960 x 540), 360p (640 x 360) 등과 같은 다양한 AI 부호화된 영상 데이터를 저장할 수 있다. 또한, 서버(1210)는 특정 해상도의 영상 데이터에 대해서도 서로 다른 비트레이트를 가지는 영상 데이터를 저장할 수도 있다. 가령, AI 부호화된 4K 영상 데이터는 4K, 20Mbps 영상 데이터와 4K, 15Mbps 영상 데이터 등으로 저장될 수 있다. 이를 위해, 도 12 및 도 13에 도시된 제 1 DNN 구조 또한 다양하게 구성될 수 있다. 즉, 8K 영상 데이터를 AI 부호화된 3K 영상 데이터로 변환하기 위한 제 1 DNN 구조, 3K 영상 데이터를 AI부호화된 540p 영상 데이터로 변환하기 위한 제 1 DNN 구조, 8K, 60Mbps 영상 데이터를 AI 부호화된 4K, 15Mbps 영상 데이터로 변환하기 위한 제 1 DNN 구조 등이 사용될 수 있다.
도 14는 일 실시예에 따른 서버(910)가 단말(920)의 캐퍼빌리티를 고려하여 영상 데이터의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
단계 S1410에서, 단말(920)은 서버(910)에 캐퍼빌리티에 관한 정보를 전송할 수 있다. 일 실시예에 따른 캐퍼빌리티에 관한 정보에는 단말(920)이 네트워크 상태에 따라 적응적으로(adaptive) 요청하는 영상 데이터의 품질을 변경할 수 있는 단말인지 여부, 단말(920)이 제 2 DNN을 통한 AI 업스케일을 지원가능한 단말인지 여부 및 단말(920)에서 지원가능한 AI 업스케일 레벨에 관한 정보 중 적어도 하나가 포함될 수 있다. 다만, 이는 일 예일 뿐, 캐퍼빌리티에 관한 정보에는 단말(920)에서 지원하는 코덱에 관한 정보가 포함될 수도 있다.
단계 S1420에서, 단말(920)은 서버(910)에 부가 정보를 요청할 수 있다. 서버(910)와 단말(920) 간의 적응적인 스트리밍을 위해서는, 서버(910)에서 제공 가능한 복수의 영상 데이터 각각의 품질 및 AI 부호화 여부 등에 대한 정보를 확인할 필요가 있다. 이에 따라, 단말(920)은 서버(910)에 부가 정보를 요청할 수 있다. 부가 정보에 대해서는 도 16 내지 도 19를 참조하여 보다 구체적으로 후술하도록 한다. 이에 따라, 단말(920)은 복수의 영상 데이터에 관한 부가 정보를 서버(910)에 요청할 수 있다.
단계 S1430에서, 서버(910)는 단말(920)에 부가 정보를 전송할 수 있다. 서버(910)는 단말(920)로부터 요청이 수신됨에 따라, 요청에 대응되는 부가 정보를 결정할 수 있다. 예를 들어, 서버(910)는 단말(920)의 요청에 포함된 부가 정보의 식별자를 기초로, 서버(910)에 저장된 복수의 부가 정보 중 단말(920)이 요청한 부가 정보를 결정할 수 있다. 부가 정보는 서버(910)에서 직접 생성될 수도 있으나, 다른 예에 따라, 다른 서버로부터 수신될 수도 있다.
단계 S1440에서, 단말(920)은 부가 정보를 기초로, 네트워크 상태에 대응되는 품질을 갖는 영상 데이터를 서버(910)에 요청할 수 있다.
본 실시예에서는, 단말(920)이 서버(910)에 영상 데이터를 요청하기 위해 전송하는 요청 메시지에 네트워크 상태에 대응되는 품질에 관한 정보만이 포함되는 것으로 가정한다. 예를 들어, 단말(920)은 네트워크 상태에 대응되는 영상 데이터의 해상도가 FHD에 해당하고, 비트레이트가 5Mbps에 해당한다는 정보를 포함한 요청 메시지를 서버(910)에 전송할 수 있다.
단계 S1450에서, 서버(910)는 단말(920)의 캐퍼빌리티에 기초하여 요청에 대응되는 영상 데이터를 결정할 수 있다.
서버(910)는 특정 품질의 영상 데이터가 요청된 경우, 다운스케일이 적용된 영상 데이터를 전송할지 여부를 결정할 수 있다. 서버(910)는 단말(920)의 캐퍼빌리티를 기초로 판단한 결과, 단말(920)에서 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일을 지원 가능한 경우, AI 부호화된 영상 데이터를 전송할 수 있다.
또한, 서버(910)는 단말(920)이 지원가능한 AI 업스케일 레벨을 고려하여, 어느 정도 레벨의 AI 다운스케일이 수행된 영상 데이터를 전송할지 여부를 결정할 수 있다. 예를 들어, 서버(910)는 단말(920)이 AI 부호화된 FHD, 5Mbps의 영상 데이터를 요청한 경우, 8K, 30Mbps의 영상 데이터에 제 1a DNN을 통해 AI 다운스케일을 수행한 결과 생성된 FHD, 5Mbps의 영상 데이터를 전송할 것인지 또는 4K, 10Mbps의 영상 데이터에 제 1b DNN을 통해 AI 다운스케일을 수행한 결과 생성된 FHD, 5Mbps의 영상 데이터를 전송할 것인지 여부를 결정할 수 있다. 한편, 전술한 제1a DNN 및 제 1b DNN은 서로 상이한 DNN 설정 정보를 가질 수 있다.
다음은, 서버(910)에서 단말(920)에 제공할 수 있는 영상 데이터의 해상도 및 비트레이트의 값을 포함한 테이블로서, 하기 테이블을 참조하여 스케일 변환 레벨에 대해 설명하면 4K, 20Mbps와 4K, 10Mbps의 차이 및 4K, 10Mbps와 FHD, 5Mbps의 차이를 각각 1레벨로 정의할 수 있다. 다만, 이는 일 예일 뿐, 본 개시에 따른 스트리밍 시스템에 지원하는 해상도 및 비트레이트가 하기에 첨부된 테이블의 값에 한정되는 것은 아니다.
해상도 비트레이트
8K 40 Mbps
30 Mbps
4K 20 Mbps
10 Mbps
FHD 5 Mbps
HD 1 Mbps
단계 S1460에서, 서버(910)는 결정에 기초하여 AI 데이터 및 영상 데이터를 단말(920)에 전송할 수 있다. AI 데이터에는 AI 부호화된 영상 데이터를 단말(920) 측에서 AI 업스케일하는데 필요한 정보가 포함될 수 있으며, 이는 도 9를 참조하여 전술한 바와 대응될 수 있다.
단계 S1470에서, 단말(920)은 수신된 영상 데이터에 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일을 수행할 수 있다.
단말(920)은 수신된 영상 데이터에 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일을 적용해야 하는지 여부를, AI 데이터를 기초로 결정할 수 있다. 단말(920)은 AI 데이터에 수신된 영상 데이터가 AI 부호화된 영상 데이터임을 나타내는 정보가 포함된 경우, 수신된 영상 데이터에 제 2 DNN을 통한 AI 업스케일을 수행할 수 있다. 또한, AI 데이터에는 AI 스케일 변환 레벨 및 AI 업스케일에 이용되는 DNN 설정 정보 중 적어도 하나에 관한 정보가 포함될 수 있다. 예를 들어, AI 데이터에는 AI 부호화된 FHD, 5Mbps의 영상 데이터가 8K, 30Mbps의 영상 데이터로부터 제 1a DNN을 통해 AI 다운스케일을 수행한 것인지 또는 4K, 10Mbps의 영상 데이터에 제 1b DNN을 통해 AI 다운스케일을 수행한 결과 생성된 것인지를 나타내는 정보가 포함될 수 있다.
도 15는 일 실시예에 따른 서버(910)가 네트워크 상태 및 단말(920)의 캐퍼빌리티를 고려하여 영상 데이터의 스트리밍을 수행하는 방법을 설명하기 위한 도면이다.
단계 S1510에서, 단말(920)은 서버(910)에 캐퍼빌리티에 관한 정보를 전송할 수 있다. 일 실시예에 따른 캐퍼빌리티에 관한 정보에는 단말(920)이 네트워크 상태에 따라 적응적으로(adaptive) 요청하는 영상 데이터의 품질을 변경할 수 있는 단말인지 여부, 단말(920)이 제 2 DNN을 통한 AI 업스케일을 지원가능한 단말인지 여부 및 단말(920)에서 지원가능한 AI 업스케일 레벨에 관한 정보 중 적어도 하나가 포함될 수 있다. 다만, 이는 일 예일 뿐, 캐퍼빌리티에 관한 정보에는 단말(920)에서 지원하는 코덱에 관한 정보가 포함될 수도 있다.
단계 S1520에서, 단말(920)은 서버(910)에 부가 정보를 요청할 수 있다. 단말(920)은 영상 데이터에 관한 부가 정보를 서버(910)에 요청할 수 있다. 단계 S1520은 도 14를 참조하여 전술한 단계 S1420과 대응될 수 있다.
단계 S1530에서, 서버(910)는 단말(920)에 부가 정보를 전송할 수 있다. 서버(910)는 단말(920)의 요청에 대한 응답으로 부가 정보를 전송할 수 있다. 단계 S1530은 도 14를 참조하여 전술한 단계 S1430과 대응될 수 있다.
단계 S1540에서, 단말(920)는 특정 품질의 영상 데이터를 서버(910)에 요청할 수 있다. 예를 들어, 단말(920)는 사용자의 선택에 따라, 8K, 30Mbps의 영상 데이터를 서버(910)에 요청할 수 있다. 또한, 단말(920)은 특정 품질의 영상 데이터에 대한 요청에 단말(920)의 네트워크 상태에 관한 정보를 함께 포함시켜 전송할 수 있다. 예를 들어, 단말(920)은 요청 메시지에 이전에 수신되었던 영상 데이터의 BER, 타임 스탬프 등에 관한 정보를 포함시켜 서버(910)에 전송할 수 있다.
단계 S1550에서, 서버(910)는 네트워크 상태 및 단말의 캐퍼빌리티를 고려하여 요청에 대응되는 영상 데이터를 결정할 수 있다.
서버(910)는 단말(920)로부터 수신한 요청에 포함된 네트워크 상태에 관한 정보를 기초로 이에 대응되는 영상 데이터의 품질을 결정할 수 있다. 예를 들어, 서버(910)는 네트워크 상태에 대응되는 영상 데이터의 품질을 4K, 20Mbps로 결정할 수 있다.
한편, 단계 S1540에서 전술한 바와 같이, 단말(920)이 8K, 30Mbps의 영상 데이터를 요청하여, 단말(920)의 요청과 네트워크 상태가 대응되지 않는 것으로 판단됨에 따라, 서버(910)는 단말(920)의 캐퍼빌리티에 관한 정보를 기초로, 단말(920)이 제 1DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일을 지원하는지 여부를 판단할 수 있다. 서버(10)는 판단 결과, 단말(920)이 AI 업스케일을 지원하는 경우, 8K, 30Mbps의 영상 데이터에 제 1DNN을 통해 AI 다운스케일을 수행한 결과 생성된 4K, 20Mbps의 영상 데이터를 단말(920)에 송신하는 것으로 결정할 수 있다.
단계 S1560에서, 서버(910)는 결정에 기초하여 AI 데이터 및 영상 데이터를 단말(920)에 전송할 수 있다. AI 데이터에는 AI 부호화된 영상 데이터를 단말(920) 측에서 AI 업스케일하는데 필요한 정보가 포함될 수 있으며, 이는 도 9를 참조하여 전술한 바와 대응될 수 있다.
단계 S1570에서, 단말(920)은 수신된 영상 데이터에 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일을 수행할 수 있다.
단말(920)는 수신된 영상 데이터에 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일을 적용해야 하는지 여부를, AI 데이터를 기초로 결정할 수 있다. 단말(920)은 AI 데이터에 수신된 영상 데이터가 AI 부호화된 영상 데이터임을 나타내는 정보가 포함된 경우, 수신된 영상 데이터에 제 2 DNN을 통한 AI 업스케일을 수행할 수 있다. 또한, AI 데이터에는 AI 스케일 변환 레벨 및 AI 업스케일에 이용되는 DNN 설정 정보 중 적어도 하나에 관한 정보가 포함될 수 있다. 예를 들어, AI 데이터에는 AI 부호화된 4K, 20Mbps의 영상 데이터가 8K, 30Mbps의 영상 데이터로부터 AI 부호화된 것임을 나타내는 정보가 포함될 수 있다. 다른 예에 따라, AI 데이터에는 AI 스케일 변환 레벨이 포함될 수 있고, 단말(920)은 해상도 및 비트레이트를 기초로 DNN 설정 정보를 결정할 수 있다.
도 16은 일 실시예에 따른 스트리밍을 위해 제공되는 부가 정보를 설명하기 위한 도면이다.
도 16을 참조하면, 부가 정보에는 영상 데이터 셋 엘리먼트(1610), 영상 데이터 엘리먼트(1620), 세그먼트 엘리먼트(1630)가 계층적으로 포함될 수 있다. 전술한 엘리먼트들(1610, 1620, 1630) 각각은 영상 데이터 셋, 영상 데이터, 세그먼트의 속성(attribute)을 나타내는 정보들을 포함할 수 있다. 영상 데이터 셋은 상호교환 가능한(interchangeable) 영상 데이터들의 집합일 수 있다. 예를 들어, 영상 데이터 셋은 컨텐트의 제 1 구간(period)을 서로 다른 품질로 인코딩한 결과 생성된 영상 데이터들의 집합일 수 있으며, 이는 MPEG DASH에서의 어뎁테이션 셋(adaptation set)에 대응될 수 있다. 또한, 세그먼트는 영상 데이터를 시간에 기초하여 분할한 결과 생성된 부분일 수 있다.
영상 데이터 셋 엘리먼트(1610)에는 영상 데이터 셋 각각의 타입(1612) 및 ID(1614) 등에 관한 정보가 포함될 수 있다. 여기에서, 타입(1612)은 영상 데이터 셋에 포함된 컨텐트의 타입을 나타내며, 영상, 오디오, 텍스트 등이 타입의 일 예일 수 있다. 또한, ID(1614)는 영상 데이터 셋 각각을 구별하기 위한 식별자를 포함할 수 있다.
영상 데이터 엘리먼트(1620)에는 영상 데이터의 ID(1622), 품질(1624), AI 스케일 변환 정보(1626) 등이 포함될 수 있다. ID(1622)에는 영상 데이터를 구별하기 위한 식별자가 포함되며, 품질(1624)에는 비트레이트, 해상도 등 다양한 속성들이 포함될 수 있다. AI 스케일 변환 정보(1626)에는 AI 업스케일 변환에 이용되는 제 2 DNN에 적합한 코덱 정보, 영상 데이터 별로 변환 가능한 AI 업스케일 레벨의 정보, 제 1 DNN에서 이용하는 파라미터셋에 대응되는 제 2 DNN의 파라미터셋에 관한 정보 등이 더 포함될 수 있다.
세그먼트 엘리먼트(1630)에는 세그먼트의 ID(1632), 오프셋(1634) 등에 관한 정보가 포함될 수 있다. ID(1632)에는 세그먼트를 구별하기 위한 식별자가 포함되며, 오프셋(1634)에는 타임라인 상에서의 세그먼트의 위치에 관한 정보가 포함될 수 있다. 오프셋(1634)은 네트워크 상태의 변경에 따라, 수신되는 영상 데이터의 품질을 변경해야 하는 경우, 이전 품질의 영상 데이터와 새롭게 수신하고자 하는 품질의 영상 데이터의 싱크를 맞추는데 이용될 수 있다. 예를 들어, 복수의 영상 데이터가 각각 타임 오프셋이 2ms, 4ms, 6ms, 8ms인 세그먼트들로 구성된 경우, 단말은 4K, 10Mbps의 영상 데이터에 대해 4ms인 세그먼트 까지 수신하고, 이후에 네트워크 상태 변경에 따라 FHD, 5Mbps의 영상 데이터를 요청한 경우, 4K, 10Mbps의 영상 데이터와의 싱크를 맞춰 6ms인 세그먼트부터 재생되도록 처리할 수 있다.
한편, 도 16에 도시된 부가 정보의 구조는 일 예일 뿐, 적응적 스트리밍을 위한 부가 정보가 이에 한정되는 것은 아니다. 다른 예에 따라, AI 스케일 변환 정보(1626)는 세그먼트 엘리먼트(1630)에 포함될 수도 있다. 또 다른 예에 따라, 부가 정보에는 단말이 제 2 DNN의 파라미터를 서버의 제 1 DNN의 파라미터와 연계하여 업데이트할 수 있도록 파라미터 업데이트 관련 정보가 추가적으로 포함될 수 있다. 다만, 이는 일 예일 뿐, 제 2 DNN의 파라미터를 업데이트하기 위한 정보는 부가 정보와 독립적으로 단말에 제공될 수도 있다.
도 17은 일 실시예에 따른 부가 정보의 세부 구조를 설명하기 위한 도면이다.
도 17을 참조하면, 일 실시예에 따른, 부가 정보에는 "mediadataset" 속성이 정의될 수 있다. "mediadataset" 속성은 서로 다른 품질을 갖는 미디어 데이터로 구성된 미디어 데이터 셋의 속성을 나타내기 위한 것으로, 미디어 데이터 셋의 식별자를 나타내는 "id" 엘리먼트, 컨텐트의 타입을 나타내는 "type" 엘리먼트 등을 포함할 수 있다. 본 실시예는, 미디어 데이터가 영상 데이터인 경우로, "type" 엘리먼트가 video로 설정될 수 있다. 이하에서는, 미디어 데이터가 영상 데이터인 경우에 대해 한정하여 설명하도록 한다.
"mediadata" 속성은 서로 다른 품질을 갖는 영상 데이터 각각의 속성을 정의하기 위한 것으로, 미디어 데이터의 식별자를 나타내는 "id" 엘리먼트, 해상도를 나타내는 "resolution" 엘리먼트, 비트레이트를 나타내는 "bitrate" 엘리먼트, AI 업스케일의 적용이 필요한지 여부를 나타내는 "AIupscale" 엘리먼트 등을 포함할 수 있다. 단말은 각 영상 데이터의 "AIupscale" 엘리먼트를 기초로 영상 데이터가 단말의 제 2 DNN과 연계 훈련된 제 1 DNN을 통해 AI 다운스케일되었는지 여부를 확인할 수 있다. "AIupscale" 엘리먼트는 전술한 AI 스케일 변환 정보에 포함될 수 있다.
단말은 부가 정보에 포함된 각 영상 데이터의 속성을 확인하고, 이를 기초로 특정 영상 데이터를 요청할 수 있다. 예를 들어, 단말은 복수의 영상 데이터 중 AI 부호화된 4K, 10Mbps의 영상 데이터를 서버에 요청할 수 있다. 이러한 경우, 단말은, 예를 들어, id=2에 관한 정보를 포함한 요청 메시지를 서버에 전송할 수 있다.
단말은 요청에 대응되는 영상 데이터가 수신되는 경우, 서버의 제 1 DNN과 연계 훈련된 제 2 DNN을 통해 수신된 영상 데이터에 AI 업스케일을 수행할 수 있다. 이 때, 단말은 영상 데이터의 해상도, 비트레이트 등에 관한 정보를 기초로, 제 2 DNN에서 영상 데이터에 AI 업스케일을 수행하는데 최적화된 DNN 설정 정보를 획득할 수 있다. DNN 설정 정보는 제 2 DNN에서 사용되는 필터 커널의 정보(예를 들어, 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수, 각 필터 커널의 파라미터 등)를 포함할 수 있다. 예를 들어, 단말에는 AI 부호화된 4K, 10Mbps의 영상 데이터에 대해서는 A DNN 설정 정보를 이용하여 제 2 DNN을 통한 업스케일을 수행해야 한다는 정보가 서버 측의 제 1 DNN과 연계되어 훈련되어 있을 수 있다.
한편, 다른 실시예에 따라, 영상 데이터의 해상도, 비트레이트 등 뿐만 아니라, 영상 데이터가 구성하는 컨텐트의 장르에 따라, 제 2 DNN에서 AI 업스케일을 수행하는데 최적화된 DNN 설정 정보가 상이할 수도 있다. 예를 들어, 단말에는 스포츠 장르의 경우에는 AI 부호화된 4K, 10Mbps의 영상 데이터를 스포츠 장르, 4K, 10Mbps에 대응하는 DNN 설정 정보를 이용하여 제 2 DNN을 통한 업스케일을 수행해야 하고, 드라마 장르의 경우에는 AI 부호화된 4K, 10Mbps의 영상 데이터를 드라마 장르, 4K, 10Mbps에 대응하는 DNN 설정 정보를 이용하여 제 2 DNN을 통한 업스케일을 수행해야한다는 정보가 서버 측의 제 1 DNN과 연계되어 훈련되어 있을 수 있다.
도 18은 다른 실시예에 따른 부가 정보의 세부 구조를 설명하기 위한 도면이다.
도 18을 참조하면, 일 실시예에 따른, 부가 정보에는 "mediadataset" 속성 및 "mediadata" 속성이 정의될 수 있다. 본 실시예에서는 도 17을 참조하여 전술한 실시예와 대응되는 부분에 대해서는 설명을 생략하고, 이와 상이한 "AIupscalelevel" 엘리먼트에 대해 보다 구체적으로 설명하도록 한다.
"mediadata" 속성에 포함된 "AIupscalelevel" 엘리먼트는 AI 부호화된 영상 데이터와 원본 영상 데이터 간의 차이를 나타낸다. 도 18의 실시예에서, 8K, 40Mbps의 영상 데이터는 원본 영상 데이터를 나타낸다. 본 실시예에서, "AIupscalelevel" 엘리먼트의 값은 id=n인 8K, 40Mbps 의 영상 데이터의 비트레이트 및 해상도와 AI 부호화된 영상 데이터의 비트레이트 및 해상도 간의 차이에 기초하여 결정될 수 있다.
예를 들어, id=2인 AI 부호화된 영상 데이터의 경우, 8K, 40Mbps의 영상 데이터로부터 2레벨 AI 다운스케일을 수행한 결과 생성된 것이고, id=3인 AI 부호화된 영상 데이터의 경우 8K, 40Mbps의 영상 데이터로부터 3레벨 AI 다운스케일을 수행한 결과 생성될 수 있다.
단말은 단말의 캐퍼빌리티에 기초하여 4K, 20Mbps, 1 레벨의 AI 부호화된 영상 데이터 및 4K, 20Mbps, 2 레벨의 AI 부호화된 영상 데이터 중 AI 업스케일을 수행할 수 있는 영상 데이터를 선택하고, 선택한 영상 데이터를 요청할 수 있다.
한편, 도 18의 실시예에서, id = n+1인 영상 데이터 및 id=n+2인 영상 데이터는 레거시 다운스케일러를 통한 다운스케일을 수행함으로써 획득된 영상 데이터에 해당한다.
도 19는 다른 실시예에 따른 부가 정보의 세부 구조를 설명하기 위한 도면이다.
도 19를 참조하면, 일 실시예에 따른, 부가 정보에는 "mediadataset" 속성 및 "mediadata" 속성이 정의될 수 있다. 본 실시예에서는 도 17을 참조하여 전술한 실시예와 대응되는 부분에 대해서는 설명을 생략하고, 이와 상이한 "AIupscaleparameterset" 엘리먼트에 대해 보다 구체적으로 설명하도록 한다.
"mediadata" 속성에 포함된 "AIupscaleparameterset" 엘리먼트는 AI 다운스케일된 영상 데이터에 AI 업스케일을 수행하는데 사용될 수 있는 다양한 DNN 설정 정보에 대한 정보를 제공할 수 있다. 예를 들어, 동일한 4K, 20Mbps의 AI 부호화된 영상 데이터인 경우에도, 이를 AI 업스케일하는데 사용할 수 있는 DNN 설정 정보가 다양할 수 있다. 한편, 이는 일 예일 뿐, 단말은 해상도 및 비트레이트를 기초로 AI 업스케일에 사용할 수 있는 DNN 설정 정보를 결정할 수도 있다.
단말은 하드웨어 사양 또는 코덱에 기초하여 복수의 DNN 설정 정보 중 적어도 하나의 DNN 설정 정보를 획득할 수 있다. 예를 들어, 단말은 동일한 4K, 20Mbps의 AI 부호화된 영상 데이터를 AI 업스케일하는데 적용 가능한 DNN 설정 정보 중 단말의 코덱에 대응되는 DNN 설정 정보 를 획득할 수 있다. 이에 따라, 단말은 4K, 20Mbps에 대응되는 DNN 설정 정보를 기반으로 AI 부호화된 영상 데이터를 서버에 요청할 수 있다.
도 20은 일 실시예에 따라 서버로부터 단말로 스트리밍 되는 AI 데이터(2010) 및 영상 데이터(2020)를 설명하기 위한 도면이다.
도 20을 참조하면, 서버는 단말의 요청에 따라, 이에 대응되는 AI 데이터(2010) 및 영상 데이터(2020)를 단말에 전송할 수 있다.
AI 데이터(2010)에는 영상 데이터(2020)에 AI 다운스케일이 수행되었는지 여부가 포함될 수 있다. 또한, 영상 데이터(2020)가 AI 부호화된 것인 경우, AI 데이터(2010)에는 AI 스케일 변환 레벨 및 AI 업스케일에 이용되는 DNN 설정 정보 중 적어도 하나에 관한 정보가 포함될 수 있다. 또 다른 예에 따라, AI 데이터(2010)에는 AI 스케일 변환 레벨이 포함되고, AI 업스케일을 위한 DNN 설정 정보는 단말이 해상도 및 비트레이트에 기초하여 결정할 수 있다.
한편, AI 데이터(2010)는 MPEG DASH의 초기화 세그먼트(initialization segment)에 대응될 수 있는 것으로, 단말은 영상 데이터(2020)가 서버의 제 1 DNN과 연계 훈련된 제 2 DNN을 통한 AI 업스케일이 수행된 것인지 여부를 판단할 수 있다.
한편, AI 데이터(2010)는 전술한 정보 이외에도 영상 데이터(2020)를 복호화하는데 필요한 다른 정보를 포함할 수 있다. 예를 들어, AI 데이터(2020)는 코덱 종류, ID, 오프셋 등의 정보를 더 포함할 수 있다.
영상 데이터(2020)는 복수의 세그먼트(2022, 2024)로 구성될 수 있다. 복수의 세그먼트(2020, 2024)는 영상 데이터(2020)를 시간에 기초하여 분할한 결과 생성될 수 있다. 서버는 단말의 요청에 따라 영상 데이터(2020)를 세그먼트 단위로 단말에 전송할 수 있다. 이에 따라, 서버와 단말 사이의 네트워크 상태가 변경되는 경우, 보다 효율적으로 단말이 서버에 요청하는 영상 데이터의 품질을 변경할 수 있다.
한편, 도 20을 참조하여 전술한 AI 데이터(2010) 및 영상 데이터(2020)의 구조는 일 예일 뿐, 일 실시예에 따른 스트리밍을 위한 AI 데이터 및 영상 데이터의 구조가 이에 한정되는 것은 아니다.
도 21은 일 실시예에 따른 서버(2100)의 구성을 나타내는 블록도이다.
도 21을 참조하면, 일 실시예에 따른 서버(2100)는 통신부(2110), 프로세서(2120) 및 메모리(2130)를 포함할 수 있다. 다만, 이는 일 예일 뿐, 서버(2100)는 다른 구성 요소를 추가적으로 더 포함할 수 있다. 예를 들어, 서버(2100)는 복수의 프로세서를 포함할 수 있다.
일 실시예에 따른 통신부(2110)는 다른 기기(예를 들어, 단말)와 통신을 수행하기 위한 인터페이스를 제공할 수 있다. 통신부(2110)는 예를 들어, 단말로부터 부가 정보 또는 영상 데이터에 대한 요청을 수신할 수 있다. 또한, 통신부(2110)는 단말에 부가 정보 또는 미디어를 전송할 수 있다.
일 실시예에 따른 프로세서(2120)는 도 1 내지 도 8을 참조하여 전술한 영상 부호화 장치 및 도 9 내지 도 20을 참조하여 전술한 서버 관련 동작을 수행하기 위해, 메모리(2130)에 저장된 하나 이상의 프로그램들을 실행하도록 서버(2100)를 전반적으로 제어할 수 있다.
일 실시예에 따른 메모리(2130)는 서버(2100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(2130)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(2130)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(2120)에 의해 실행될 수 있다.
도 22는 일 실시예에 따른 단말(2200)의 구성을 나타내는 블록도이다.
도 22를 참조하면, 일 실시예에 따른 단말(2200)은 통신부(2210), 프로세서(2220) 및 메모리(2230)를 포함할 수 있다. 다만, 이는 일 예일 뿐, 단말(2200)은 다른 구성 요소를 추가적으로 더 포함할 수 있다. 예를 들어, 단말(2200)은 복수의 프로세서를 포함할 수 있다.
일 실시예에 따른 통신부(2210)는 다른 기기(예를 들어, 서버)와 통신을 수행하기 위한 인터페이스를 제공할 수 있다. 통신부(2210)는 예를 들어, 서버에 부가 정보 또는 영상 데이터를 요청할 수 있다. 또한, 통신부(2210)는 서버로부터 부가 정보 또는 미디어를 수신할 수 있다.
일 실시예에 따른 프로세서(2220)는 도 1 내지 도 9를 참조하여 전술한 영상 복호화 장치 및 도 10 내지 도 20을 참조하여 전술한 단말 관련 동작을 수행하기 위해, 메모리(2230)에 저장된 하나 이상의 프로그램들을 실행하도록 단말(2200)을 전반적으로 제어할 수 있다.
일 실시예에 따른 메모리(2230)는 단말(2200)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(2230)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(2230)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(2220)에 의해 실행될 수 있다.
블록도의 각 구성요소는 실제 구현되는 기기의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 블록에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
한편, 상술한 본 개시의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 작성된 프로그램은 매체에 저장될 수 있다.
매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
한편, 상술한 DNN과 관련된 모델은, 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(예를 들어, 명령어(instruction)를 포함하는 프로그램 모듈)로 구현되는 경우, DNN 모델은 컴퓨터로 읽을 수 있는 판독 가능한 기록매체에 저장될 수 있다.
또한, DNN 모델은 하드웨어 칩 형태로 집적되어 전술한 영상 복호화 장치, 영상 부호화 장치, 서버 및 단말 중 적어도 하나의 일부가 될 수도 있다. 예를 들어, DNN 모델은 인공 지능을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예를 들어, CPU 또는 애플리케이션 프로세서) 또는 그래픽 전용 프로세서(예를 들어, GPU)의 일부로 제작될 수도 있다.
또한, DNN 모델은 다운로드 가능한 소프트웨어 형태로 제공될 수도 있다. 컴퓨터 프로그램 제품은 제조사 또는 전자 마켓을 통해 전자적으로 배포되는 소프트웨어 프로그램 형태의 상품(예를 들어, 다운로드 가능한 애플리케이션)을 포함할 수 있다. 전자적 배포를 위하여, 소프트웨어 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사 또는 전자 마켓의 서버, 또는 중계 서버의 저장매체가 될 수 있다.
이상, 본 개시의 기술적 사상을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 개시의 기술적 사상은 상기 실시예들에 한정되지 않고, 본 개시의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형 및 변경이 가능하다.

Claims (21)

  1. 단말이 데이터 스트리밍을 수행하는 방법에 있어서,
    서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 서버로부터 수신하는 단계;
    상기 단말과 상기 서버 간의 네트워크 상태를 결정하는 단계;
    상기 부가 정보를 기초로, 상기 복수의 영상 데이터 중 상기 결정된 네트워크 상태에 대응되는 품질의 영상 데이터를 상기 서버에 요청하는 단계;
    상기 요청에 대응되는 영상 데이터 및 AI(artificial intelligence) 데이터가 수신됨에 따라, 상기 AI 데이터를 기초로 상기 수신된 영상 데이터에 대한 AI 업스케일 수행 여부를 결정하는 단계;
    상기 AI 업스케일 수행 여부에 관한 결정에 기초하여, 상기 서버의 다운스케일용 DNN과 연계 훈련된 업스케일용 DNN(deep neural network)을 통해, 상기 수신된 영상 데이터에 AI 업스케일을 수행하는 단계; 및
    상기 네트워크 상태가 변경됨에 따라, 상기 부가 정보를 기초로 상기 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터를 상기 서버에 요청하는 단계를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 AI 데이터를 기초로, 상기 서버의 다운스케일용 DNN을 통해 상기 영상 데이터에 AI 다운스케일이 수행되었는지 여부를 결정하는 단계를 더 포함하고,
    상기 AI 업스케일 수행 여부를 결정하는 단계는,
    상기 영상 데이터에 상기 AI 다운스케일이 수행된 것으로 확인되면, 상기 영상 데이터에 상기 AI 업스케일을 수행하는 것으로 결정하는, 방법.
  3. 제1항에 있어서, 상기 요청하는 단계는,
    상기 부가 정보에 포함된 상기 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 중 적어도 하나를 기초로 상기 단말의 네트워크 상태에 대응되는 영상 데이터를 요청하는, 방법.
  4. 제1항에 있어서,
    상기 단말의 AI 업스케일 지원 여부 및 지원 가능한 AI 업스케일 레벨을 포함하는 캐퍼빌리티(capability) 정보를 상기 서버에 전송하는 단계를 더 포함하는, 방법.
  5. 제4항에 있어서,
    상기 수신된 영상 데이터에 수행된 AI 다운스케일의 레벨은, 상기 단말에서 지원 가능한 AI 업스케일 레벨 및 상기 네트워크 상태를 기초로 결정되는, 방법.
  6. 서버가 데이터 스트리밍을 수행하는 방법에 있어서,
    서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 단말에 전송하는 단계;
    상기 부가 정보를 기초로, 상기 단말과 상기 서버 간의 네트워크 상태에 대응되는 품질의 영상 데이터에 대한 요청을 상기 단말로부터 수신하는 단계;
    상기 요청에 기초하여, 상기 단말의 업스케일용 DNN과 연계 훈련된 다운스케일용 DNN을 통해 AI 부호화된 영상 데이터 및 AI 데이터를 상기 단말에 전송하는 단계; 및
    상기 단말과 상기 서버 간의 네트워크 상태가 변경됨에 따라, 상기 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터에 대한 요청을 상기 단말로부터 수신하는 단계를 포함하는, 방법.
  7. 제6항에 있어서, 상기 AI 데이터는,
    상기 AI 부호화된 영상 데이터에 적용된 상기 다운스케일용 DNN에 관한 정보를 포함하는, 방법.
  8. 제6항에 있어서, 상기 요청을 수신하는 단계는,
    상기 부가 정보에 포함된 상기 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 중 적어도 하나를 기초로 결정된 상기 네트워크 상태에 대응되는 영상 데이터에 대한 요청을 수신하는, 방법.
  9. 제6항에 있어서,
    상기 단말의 AI 업스케일 지원 여부 및 지원 가능한 AI 업스케일 레벨을 포함하는 캐퍼빌리티(capability) 정보를 상기 단말로부터 수신하는 단계를 더 포함하는, 방법.
  10. 제9항에 있어서, 상기 AI 부호화된 영상 데이터에 수행된 AI 다운스케일의 레벨은,
    상기 단말에서 지원 가능한 AI 업스케일 레벨 및 상기 네트워크 상태를 기초로 결정되는, 방법.
  11. 데이터 스트리밍을 수행하는 단말에 있어서,
    통신부;
    하나 이상의 인스트럭션들을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 서버로부터 수신하고, 상기 단말과 상기 서버 간의 네트워크 상태를 결정하며, 상기 부가 정보를 기초로, 상기 복수의 영상 데이터 중 상기 결정된 네트워크 상태에 대응되는 품질의 영상 데이터를 상기 서버에 요청하도록 상기 통신부를 제어하고,
    상기 요청에 대응되는 영상 데이터 및 AI(artificial intelligence) 데이터가 수신됨에 따라, 상기 AI 데이터를 기초로 상기 수신된 영상 데이터에 대한 AI 업스케일 수행 여부를 결정하며,
    상기 AI 업스케일 수행 여부에 관한 결정에 기초하여, 상기 서버의 다운스케일용 DNN과 연계 훈련된 업스케일용 DNN(deep neural network)을 통해, 상기 수신된 영상 데이터에 AI 업스케일을 수행하며,
    상기 네트워크 상태가 변경됨에 따라, 상기 부가 정보를 기초로 상기 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터를 상기 서버에 요청하도록 상기 통신부를 제어하는, 단말.
  12. 제11항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 AI 데이터를 기초로, 상기 서버의 다운스케일용 DNN을 통해 상기 영상 데이터에 AI 다운스케일이 수행되었는지 여부를 결정하고,
    상기 영상 데이터에 상기 AI 다운스케일이 적용된 것으로 확인되면, 상기 영상 데이터에 상기 AI 업스케일을 수행하는 것으로 결정하는, 단말.
  13. 제11항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 부가 정보에 포함된 상기 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 중 적어도 하나를 기초로 상기 단말의 네트워크 상태에 대응되는 영상 데이터를 요청하도록 상기 통신부를 제어하는, 단말.
  14. 제11항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 단말의 AI 업스케일 지원 여부 및 지원 가능한 AI 업스케일 레벨을 포함하는 캐퍼빌리티(capability) 정보를 상기 서버에 전송하도록 상기 통신부를 제어하는, 단말.
  15. 제14항에 있어서,
    상기 수신된 영상 데이터에 수행된 AI 다운스케일의 레벨은, 상기 단말에서 지원 가능한 AI 업스케일 레벨 및 상기 네트워크 상태를 기초로 결정되는, 단말.
  16. 데이터 스트리밍을 수행하는 서버에 있어서,
    통신부;
    하나 이상의 인스트럭션들을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    서로 다른 품질을 갖는 복수의 영상 데이터의 부가 정보를 단말에 전송하고, 상기 부가 정보를 기초로 결정된, 상기 단말과 상기 서버 간의 네트워크 상태에 대응되는 품질의 영상 데이터에 대한 요청을 상기 단말로부터 수신하며, 상기 요청에 기초하여, 상기 단말의 업스케일용 DNN과 연계 훈련된 다운스케일용 DNN을 통해 AI 부호화된 영상 데이터 및 AI 데이터를 상기 단말에 전송하고, 상기 단말과 상기 서버 간의 네트워크 상태가 변경됨에 따라, 상기 변경된 네트워크 상태에 대응되는 다른 품질의 영상 데이터에 대한 요청을 상기 단말로부터 수신하도록 상기 통신부를 제어하는, 서버.
  17. 제16항에 있어서, 상기 AI 데이터는,
    상기 AI 부호화된 영상 데이터에 적용된 상기 다운스케일용 DNN에 관한 정보를 포함하는 AI, 서버.
  18. 제16항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 부가 정보에 포함된 상기 복수의 영상 데이터 각각의 품질 정보 및 AI 스케일 변환 정보 중 적어도 하나를 기초로 결정된 상기 네트워크 상태에 대응되는 영상 데이터에 대한 요청을 수신하도록 상기 통신부를 제어하는, 서버.
  19. 제16항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 단말의 AI 업스케일 지원 여부 및 지원 가능한 AI 업스케일 레벨을 포함하는 캐퍼빌리티(capability) 정보를 상기 단말로부터 수신하도록 상기 통신부를 제어하는, 서버.
  20. 제19항에 있어서, 상기 AI 부호화된 영상 데이터에 수행된 AI 다운스케일의 레벨은,
    상기 단말에서 지원 가능한 업스케일 레벨 및 상기 네트워크 상태를 기초로 결정되는, 서버.
  21. 제 1 항 내지 제 10 항 중 어느 한 항의 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020190077250A 2018-10-19 2019-06-27 데이터 스트리밍 방법 및 장치 KR102525577B1 (ko)

Priority Applications (9)

Application Number Priority Date Filing Date Title
EP19873269.5A EP3811618A4 (en) 2018-10-19 2019-10-18 METHOD AND APPARATUS FOR CONTINUOUS DATA DISSEMINATION
CN201980068264.1A CN112868229A (zh) 2018-10-19 2019-10-18 用于流传输数据的方法和设备
PCT/KR2019/013733 WO2020080873A1 (en) 2018-10-19 2019-10-18 Method and apparatus for streaming data
US16/659,061 US10817986B2 (en) 2018-10-19 2019-10-21 Method and apparatus for streaming data
US16/822,665 US10817987B2 (en) 2018-10-19 2020-03-18 Method and apparatus for streaming data
US16/824,486 US10817988B2 (en) 2018-10-19 2020-03-19 Method and apparatus for streaming data
US17/080,501 US11170472B2 (en) 2018-10-19 2020-10-26 Method and apparatus for streaming data
US17/080,543 US11170473B2 (en) 2018-10-19 2020-10-26 Method and apparatus for streaming data
US17/385,995 US11748847B2 (en) 2018-10-19 2021-07-27 Method and apparatus for streaming data

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20180125406 2018-10-19
KR1020180125406 2018-10-19
KR20190041110 2019-04-08
KR1020190041110 2019-04-08

Publications (2)

Publication Number Publication Date
KR20200044666A true KR20200044666A (ko) 2020-04-29
KR102525577B1 KR102525577B1 (ko) 2023-04-26

Family

ID=70466762

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190077250A KR102525577B1 (ko) 2018-10-19 2019-06-27 데이터 스트리밍 방법 및 장치

Country Status (3)

Country Link
EP (1) EP3811618A4 (ko)
KR (1) KR102525577B1 (ko)
CN (1) CN112868229A (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021242066A1 (en) * 2020-05-29 2021-12-02 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence encoding and artificial intelligence decoding on image
KR20210147830A (ko) * 2020-05-29 2021-12-07 삼성전자주식회사 영상의 ａｉ 부호화 및 ａｉ 복호화를 위한 장치, 및 방법
US11200639B1 (en) 2020-06-11 2021-12-14 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence encoding and decoding on image by using low-complexity neural network
WO2021251659A1 (en) * 2020-06-11 2021-12-16 Samsung Electronics Co., Ltd. Method and apparatus for performing artificial intelligence encoding and artificial intelligence decoding
KR20210154061A (ko) * 2020-06-11 2021-12-20 삼성전자주식회사 인공지능 부호화 및 인공지능 복호화를 수행하기 위한 방법 및 장치
KR20210154062A (ko) * 2020-06-11 2021-12-20 삼성전자주식회사 저복잡도 신경망을 이용한 영상의 ai 부호화 장치 및 방법, ai 복호화 장치 및 방법
WO2023018288A1 (ko) * 2021-08-13 2023-02-16 삼성전자 주식회사 Ai 기반의 영상 제공 장치 및 이에 의한 방법, 및 ai 기반의 디스플레이 장치 및 이에 의한 방법
WO2023027503A1 (ko) * 2021-08-25 2023-03-02 삼성전자 주식회사 화상회의시 ai(artificial intelligence)를 이용한 다운스케일 및 업스케일 방법 및 장치
WO2024063168A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 라이브 비디오 분석에 대한 네트워크 자원 및 연산 자원 조인트 스케줄링을 위한 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548403B (zh) * 2022-02-22 2023-05-12 深圳市医未医疗科技有限公司 一种医学图像数据平台的数据处理方法与系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009540625A (ja) * 2006-02-16 2009-11-19 ヴィドヨ，インコーポレーテッド スケーラブルビデオコーディングビットストリームのシニングのためのシステムおよび方法
KR20150087103A (ko) * 2012-11-19 2015-07-29 엘지전자 주식회사 신호 송수신 장치 및 신호 송수신 방법
KR20170100045A (ko) * 2012-09-28 2017-09-01 브이아이디 스케일, 인크. 다층 비디오 코딩을 위한 적응적 업샘플링
KR101885855B1 (ko) * 2017-03-30 2018-08-07 단국대학교 산학협력단 고해상도 추정 기법을 활용한 영상 신호 전송

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100689489B1 (ko) * 2004-12-07 2007-03-02 삼성전자주식회사 연속적인 비디오 디스플레이를 위한 트랜스코딩 방법
CN102273216A (zh) * 2009-01-08 2011-12-07 日本电气株式会社 分发系统、方法以及变换装置
JP5899518B2 (ja) * 2012-02-06 2016-04-06 パナソニックＩｐマネジメント株式会社 サーバ装置、システム制御方法及びシステム制御プログラム
US20140086319A1 (en) * 2012-09-25 2014-03-27 Sony Corporation Video coding system with adaptive upsampling and method of operation thereof
KR102062764B1 (ko) * 2013-07-19 2020-02-21 삼성전자주식회사 모바일 단말 화면을 위한 3ｋ해상도를 갖는 디스플레이 영상 생성 방법 및 장치
KR20160080929A (ko) * 2014-12-30 2016-07-08 한국전자통신연구원 클라우드 기반의 적응형 초고화질 멀티미디어 스트리밍 서비스 장치 및 방법
GB2539845B (en) * 2015-02-19 2017-07-12 Magic Pony Tech Ltd Offline training of hierarchical algorithms
WO2016205733A1 (en) * 2015-06-19 2016-12-22 Huawei Technologies Co., Ltd. Template uniform resource locator signing
KR101915469B1 (ko) * 2016-11-29 2018-11-06 에스케이텔레콤 주식회사 스트리밍 서비스 제공 방법 및 이를 위한 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009540625A (ja) * 2006-02-16 2009-11-19 ヴィドヨ，インコーポレーテッド スケーラブルビデオコーディングビットストリームのシニングのためのシステムおよび方法
KR20170100045A (ko) * 2012-09-28 2017-09-01 브이아이디 스케일, 인크. 다층 비디오 코딩을 위한 적응적 업샘플링
KR20150087103A (ko) * 2012-11-19 2015-07-29 엘지전자 주식회사 신호 송수신 장치 및 신호 송수신 방법
KR101885855B1 (ko) * 2017-03-30 2018-08-07 단국대학교 산학협력단 고해상도 추정 기법을 활용한 영상 신호 전송

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Feng Jiang, et al. An End-to-End Compression Framework Based on Convolutional Neural Networks, Cornell University, 2017-08-02, pp. 1-13 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021242066A1 (en) * 2020-05-29 2021-12-02 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence encoding and artificial intelligence decoding on image
KR20210147830A (ko) * 2020-05-29 2021-12-07 삼성전자주식회사 영상의 ａｉ 부호화 및 ａｉ 복호화를 위한 장치, 및 방법
US11223841B2 (en) 2020-05-29 2022-01-11 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence encoding and artificial intelligence decoding on image
KR20210154062A (ko) * 2020-06-11 2021-12-20 삼성전자주식회사 저복잡도 신경망을 이용한 영상의 ai 부호화 장치 및 방법, ai 복호화 장치 및 방법
WO2021251611A1 (en) * 2020-06-11 2021-12-16 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence encoding and decoding on image by using low-complexity neural network
KR20210154061A (ko) * 2020-06-11 2021-12-20 삼성전자주식회사 인공지능 부호화 및 인공지능 복호화를 수행하기 위한 방법 및 장치
WO2021251659A1 (en) * 2020-06-11 2021-12-16 Samsung Electronics Co., Ltd. Method and apparatus for performing artificial intelligence encoding and artificial intelligence decoding
US11200639B1 (en) 2020-06-11 2021-12-14 Samsung Electronics Co., Ltd. Apparatus and method for performing artificial intelligence encoding and decoding on image by using low-complexity neural network
US11270469B2 (en) 2020-06-11 2022-03-08 Samsung Electronics Co., Ltd. Method and apparatus for performing artificial intelligence encoding and artificial intelligence decoding
US11816872B2 (en) 2020-06-11 2023-11-14 Samsung Electronics Co., Ltd. Method and apparatus for performing artificial intelligence encoding and artificial intelligence decoding
WO2023018288A1 (ko) * 2021-08-13 2023-02-16 삼성전자 주식회사 Ai 기반의 영상 제공 장치 및 이에 의한 방법, 및 ai 기반의 디스플레이 장치 및 이에 의한 방법
WO2023027503A1 (ko) * 2021-08-25 2023-03-02 삼성전자 주식회사 화상회의시 ai(artificial intelligence)를 이용한 다운스케일 및 업스케일 방법 및 장치
WO2024063168A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 라이브 비디오 분석에 대한 네트워크 자원 및 연산 자원 조인트 스케줄링을 위한 방법 및 장치

Also Published As

Publication number Publication date
EP3811618A4 (en) 2021-08-04
KR102525577B1 (ko) 2023-04-26
EP3811618A1 (en) 2021-04-28
CN112868229A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
KR102525577B1 (ko) 데이터 스트리밍 방법 및 장치
US10817987B2 (en) Method and apparatus for streaming data
KR102285738B1 (ko) 영상의 주관적 품질을 평가하는 방법 및 장치
KR102287947B1 (ko) 영상의 ａｉ 부호화 및 ａｉ 복호화 방법, 및 장치
KR102525578B1 (ko) 부호화 방법 및 그 장치, 복호화 방법 및 그 장치
KR102500761B1 (ko) 영상의 ａｉ 부호화 및 ａｉ 복호화 방법, 및 장치
US10205763B2 (en) Method and apparatus for the single input multiple output (SIMO) media adaptation
KR102312337B1 (ko) Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법
CN107005700B (zh) 用于组成中间视频表示的方法
US11720998B2 (en) Artificial intelligence (AI) encoding apparatus and operating method thereof and AI decoding apparatus and operating method thereof
KR102287942B1 (ko) 전처리를 이용한 영상의 ａｉ 부호화 및 ａｉ 복호화 방법, 및 장치
KR102436512B1 (ko) 부호화 방법 및 그 장치, 복호화 방법 및 그 장치
KR102312338B1 (ko) Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법
KR20200044662A (ko) 영상의 ａｉ 부호화 및 ａｉ 복호화를 위한 장치, 및 방법
US20220405884A1 (en) Method and apparatus for adaptive artificial intelligence downscaling for upscaling during video telephone call
KR20220063063A (ko) 인공지능 부호화 및 인공지능 복호화를 수행하기 위한 방법 및 장치
JP7419478B2 (ja) コーデックレート歪み補償ダウンサンプラ
KR20210154700A (ko) 화상통화시 업스케일을 위한 적응적 인공지능 다운스케일 방법 및 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application
E601 Decision to refuse application
E801 Decision on dismissal of amendment
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2021101002679; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20211018

Effective date: 20220829

GRNO Decision to grant (after opposition)