KR20200054720A - 디스플레이장치, 그 제어방법 및 기록매체 - Google Patents

디스플레이장치, 그 제어방법 및 기록매체 Download PDF

Info

Publication number
KR20200054720A
KR20200054720A KR1020180138373A KR20180138373A KR20200054720A KR 20200054720 A KR20200054720 A KR 20200054720A KR 1020180138373 A KR1020180138373 A KR 1020180138373A KR 20180138373 A KR20180138373 A KR 20180138373A KR 20200054720 A KR20200054720 A KR 20200054720A
Authority
KR
South Korea
Prior art keywords
filter
filters
processing
combination
video signal
Prior art date
Application number
KR1020180138373A
Other languages
English (en)
Other versions
KR102622950B1 (ko
Inventor
이상조
나상권
김두현
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 KR1020180138373A priority Critical patent/KR102622950B1/ko
Priority to EP19207013.4A priority patent/EP3651462A1/en
Priority to PCT/KR2019/015016 priority patent/WO2020101257A1/en
Priority to JP2021513901A priority patent/JP7214845B2/ja
Priority to AU2019381040A priority patent/AU2019381040B2/en
Priority to TW108140585A priority patent/TW202025090A/zh
Priority to CN201911098874.4A priority patent/CN111179163A/zh
Priority to US16/680,974 priority patent/US11265564B2/en
Publication of KR20200054720A publication Critical patent/KR20200054720A/ko
Priority to US17/671,070 priority patent/US11968382B2/en
Application granted granted Critical
Publication of KR102622950B1 publication Critical patent/KR102622950B1/ko

Links

Images

Classifications

    • 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
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
    • H04N21/440263—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by altering the spatial resolution, e.g. for displaying on a connected PDA
    • 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
    • H04N19/117—Filters, e.g. for pre-processing or post-processing
    • 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
    • H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
    • 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
    • G06T3/4092—Image resolution transcoding, e.g. by using client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06T3/10—Selection of transformation methods according to the characteristics of the input images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • H04N19/17—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 an image region, e.g. an object
    • 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
    • H04N19/59—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial sub-sampling or interpolation, e.g. alteration of picture size or resolution
    • 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
    • H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
    • 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
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234363—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by altering the spatial resolution, e.g. for clients with a lower screen 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]
    • H04N21/40—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
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Controls And Circuits For Display Device (AREA)
  • Image Processing (AREA)
  • Television Systems (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 디스플레이장치, 그 제어방법 및 기록매체에 관한 것으로서, 디스플레이장치는, 입력되는 비디오신호를 디코딩하는 비디오 디코더; 가변 조합이 가능한 복수의 필터를 포함하며, 복수의 필터를 이용하여 디코딩된 비디오신호를 처리하여 영상의 해상도를 조절하는 AI 스케일러; 머신러닝 기반 처리에 대응하여, 복수의 필터 중 제1조합의 필터를 이용하여 디코딩된 비디오신호를 처리하도록 하고, 딥러닝 기반 처리에 대응하여, 복수의 필터 중 제1조합과는 다른 제2조합의 필터를 이용하여 디코딩된 비디오신호를 처리하도록 AI 스케일러를 제어하는 제어부를 포함한다. 이에 의하여, 가변 조합이 가능한 복수의 필터를 포함하는 AI 스케일러에 의해, 머신러닝 처리에 기반한 해상도 조절과 딥러닝 처리에 기반한 영상도 조절을 필요에 따라 선택적으로 수행할 수 있다.

Description

디스플레이장치, 그 제어방법 및 기록매체{DISPLAY APPARATUS, METHOD FOR CONTROLLING THEREOF AND RECORDING MEDIA THEREOF}
본 발명은 디스플레이장치, 그 제어방법 및 기록매체에 관한 것으로서, 보다 상세하게는 AI 학습기반으로 비디오신호를 처리하는 디스플레이장치, 그 제어방법 및 기록매체에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 AI 학습 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 머신러닝(기계학습), 딥러닝과 같은 학습기반 처리 및 학습을 활용한 요소 기술들로 구성된다.
학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
본 발명은, AI 학습기반으로 비디오신호를 처리하는데 있어, 머신러닝 또는 딥러닝 기반에 따른 영상의 해상도 조절을 선택적으로 적용할 수 있는 디스플레이장치, 그 제어방법 및 기록매체를 제공한다.
본 발명 일 실시예에 따른 디스플레이장치는, 입력되는 비디오신호를 디코딩하는 비디오 디코더; 가변 조합이 가능한 복수의 필터를 포함하며, 복수의 필터를 이용하여 디코딩된 비디오신호를 처리하여 영상의 해상도를 조절하는 AI 스케일러; 제1 AI학습기반 처리에 대응하여, 복수의 필터 중 제1조합의 필터를 이용하여 디코딩된 비디오신호를 처리하도록 하고, 제2 AI학습기반 처리에 대응하여, 복수의 필터 중 제1조합과는 다른 제2조합의 필터를 이용하여 디코딩된 비디오신호를 처리하도록 AI 스케일러를 제어하는 제어부를 포함한다. 이에 의하여, AI 스케일러가 제1학습(머신러닝) 기반 처리에 의한 해상도 조절과 제2학습(딥러닝) 기반 처리에 의한 영상도 조절을 필요에 따라 선택적으로 수행할 수 있다.
제어부는, 제1 AI학습기반 처리와 제2 AI학습기반 처리 중 어느 하나를 나타내는 구성제어 신호에 대응하여 복수의 필터 각각이 온 또는 오프되도록 제어하여, AI 스케일러가 제1조합의 필터와 제2조합의 필터 중 어느 하나를 이용하여 디코딩된 비디오신호를 처리하도록 제어할 수 있다.
제1조합의 필터는, 비디오신호의 영상 특성을 분석하는 제1필터와, 분석된 영상의 특성에 대응하는 파라미터로 세팅되어 영상의 해상도를 조절하는 제2필터를 포함할 수 있다. 이에, 영상의 특성에 기초한 해상도 확장이 수행될 수 있다.
사전에 제1 AI학습을 수행하여, 영상의 특성 별로 생성된 룩업테이블이 저장된 저장부를 더 포함하고, 제어부는, 제1필터에 의해 분석된 영상의 특성에 대응하는 파라미터를 룩업테이블로부터 추출하고, 추출된 파라미터로 제2필터를 세팅할 수 있다.
AI 스케일러는, 제2필터에 의해 해상도가 조절된 영상에 대해, 노이즈제거 또는 디테일 강화 중 적어도 하나에 대응하는 후처리를 수행하는 제3필터를 더 포함하는 제3조합의 필터를 이용하여 디코딩된 비디오 신호를 처리할 수 있다. 이에, 유휴자원의 활용도를 높이고, 영상의 화질 개선이 이루어지는 장점이 발생한다.
제2조합의 필터는, 각각이 소정 파라미터로 세팅되어 영상의 해상도를 조절하는 복수의 필터를 포함할 수 있다. 이에, 딥 신경방 방식에 따른 영상의 해상도 확장이 수행될 수 있다.
사전에 제2 AI학습을 수행하여 생성된 룩업테이블이 저장된 저장부를 더 포함하고, 제어부는, 룩업테이블로부터 추출된 파라미터로 복수의 필터를 세팅할 수 있다.
제어부는, 비디오 디코더로부터 비디오신호의 코덱정보를 획득하고, 획득된 코덱 정보에 기초하여 룩업테이블로부터 파라미터를 추출할 수 있다. 코덱 정보는 코덱 종류 또는 압축 강도 중 적어도 하나를 포함할 수 있다. 이에, 코덱의 종류나 압축 강도 등에 따른 영상 압축 특성까지 반영한 해상도 조절이 가능하다.
복수의 필터 중 적어도 하나의 필터는 제1조합의 필터 및 제2조합의 필터에 포함되어, 제1 AI학습기반 처리와 제2 AI학습기반 처리에서 공용으로 사용할 수 있다.
한편, 본 발명 일 실시예에 따른 디스플레이장치의 제어방법은, 입력되는 비디오신호를 디코딩하는 단계; 및 가변 조합이 가능한 복수의 필터를 이용하여 디코딩된 비디오신호를 처리하여 영상의 해상도를 조절하는 단계를 포함하며, 영상의 해상도를 조절하는 단계는, 제1 AI학습기반 처리에 대응하여, 복수의 필터 중 제1조합의 필터를 이용하여 디코딩된 비디오신호를 처리하는 단계, 또는 제2 AI학습기반 처리에 대응하여, 복수의 필터 중 제1조합과는 다른 제2조합의 필터를 이용하여 디코딩된 비디오신호를 처리하는 단계를 포함한다. 이에 의하여, AI 스케일러가 제1학습(머신러닝) 기반 처리에 의한 해상도 조절과 제2학습(딥러닝) 기반 처리에 의한 영상도 조절을 필요에 따라 선택적으로 수행할 수 있다.
영상의 해상도를 조절하는 단계는, 제1 AI학습기반 처리와 제2 AI학습기반 처리 중 어느 하나를 나타내는 구성제어 신호에 대응하여 복수의 필터 각각이 온 또는 오프되도록 제어하여, 제1조합의 필터와 제2조합의 필터 중 어느 하나를 이용하여 디코딩된 비디오신호를 처리하는 단계를 포함할 수 있다.
제1조합의 필터를 이용하여 비디오신호를 처리하는 단계는, 제1필터에 의해 비디오신호의 영상 특성을 분석하는 단계와; 분석된 영상의 특성에 대응하는 파라미터로 세팅된 제2필터에 의해 영상의 해상도를 조절하는 단계를 포함할 수 있다. 이에, 영상의 특성에 기초한 해상도 확장이 수행될 수 있다.
사전에 제1 AI학습을 수행하여, 영상의 특성 별로 생성된 룩업테이블을 저장하는 단계를 더 포함하고, 제1조합의 필터를 이용하여 비디오신호를 처리하는 단계는, 제1필터에 의해 분석된 영상의 특성에 대응하는 파라미터를 룩업테이블로부터 추출하는 단계; 및 추출된 파라미터로 제2필터를 세팅하는 단계를 포함할 수 있다.
제1조합의 필터를 이용하여 비디오신호를 처리하는 단계는, 제2필터에 의해 해상도가 조절된 영상에 대해, 제3필터에 의해 노이즈제거 또는 디테일 강화 중 적어도 하나에 대응하는 후처리를 수행하는 단계를 더 포함할 수 있다. 이에, 유휴자원의 활용도를 높이고, 영상의 화질 개선이 이루어지는 장점이 발생한다.
제2조합의 필터를 이용하여 비디오신호를 처리하는 단계는, 각각이 소정 파라미터로 세팅된 복수의 필터에 의해 영상의 해상도를 조절하는 단계를 포함할 수 있다. 이에, 딥 신경방 방식에 따른 영상의 해상도 확장이 수행될 수 있다.
사전에 제2 AI학습을 수행하여 생성된 룩업테이블을 저장하는 단계를 더 포함하고, 제2조합의 필터를 이용하여 비디오신호를 처리하는 단계는, 룩업테이블로부터 추출된 파라미터로 복수의 필터를 세팅하는 단계를 더 포함할 수 있다.
제2조합의 필터를 이용하여 비디오신호를 처리하는 단계는, 비디오 디코더로부터 비디오신호의 코덱정보를 획득하는 단계; 및 획득된 코덱 정보에 기초하여 룩업테이블로부터 파라미터를 추출하는 단계를 더 포함할 수 있다. 코덱 정보는 코덱 종류 또는 압축 강도 중 적어도 하나를 포함할 수 있다. 이에, 코덱의 종류나 압축 강도 등에 따른 영상 압축 특성까지 반영한 해상도 조절이 가능하다.
한편, 본 발명 일실시예에 따른 디스플레이장치의 프로세서에 의해 실행 가능한 방법의 프로그램이 기록된, 컴퓨터에 의해 독취가능한 비휘발성의 기록매체에 있어서, 방법은, 디스플레이장치의 제어방법에 있어서,
입력되는 비디오신호를 디코딩하는 단계; 및 가변 조합이 가능한 복수의 필터를 이용하여 디코딩된 비디오신호를 처리하여 영상의 해상도를 조절하는 단계를 포함하며, 영상의 해상도를 조절하는 단계는, 제1 AI학습기반 처리에 대응하여, 복수의 필터 중 제1조합의 필터를 이용하여 디코딩된 비디오신호를 처리하는 단계, 또는 제2 AI학습기반 처리에 대응하여, 복수의 필터 중 제1조합과는 다른 제2조합의 필터를 이용하여 디코딩된 비디오신호를 처리하는 단계를 포함한다. 이에 의하여, AI 스케일러가 제1학습(머신러닝) 기반 처리에 의한 해상도 조절과 제2학습(딥러닝) 기반 처리에 의한 영상도 조절을 필요에 따라 선택적으로 수행할 수 있다.
상기한 바와 같은 본 발명의 디스플레이장치, 그 제어방법 및 기록매체에 따르면, 가변 조합이 가능한 복수의 필터를 포함하는 AI 스케일러에 의해, 머신러닝 처리에 기반한 해상도 조절과 딥러닝 처리에 기반한 영상도 조절을 필요에 따라 선택적으로 수행할 수 있는 장점이 있다.
또한, 본 발명의 디스플레이장치, 그 제어방법 및 기록매체에 따르면, 코덱 정보를 이용하여 각 필터의 파라미터를 설정함으로써, 코덱의 종류나 압축 강도 등에 따른 영상 압축 특성까지 반영한 해상도 조절이 가능하다.
또한, 본 발명의 디스플레이장치, 그 제어방법 및 기록매체에 따르면, 사용하지 않는 필터에 의해 영상 화질 개선을 위한 후처리를 수행함으로써, 유휴자원의 활용도를 높이고, 보다 향상된 화질의 영상을 생성할 수 있는 효과가 있다.
도 1은 본 발명 일 실시예에 의한 디스플레이장치의 구성을 도시한 블록도이다.
도 2는 본 발명 일 실시예의 디스플레이장치에서 비디오신호 처리를 위한 구성을 상세하게 도시한 블록도이다.
도 3 내지 도 6은 본 발명 일 실시예에 따른 AI 학습기반 처리 과정을 설명하기 위한 도면이다.
도 7은 본 발명 일 실시예에 따라 제1 AI 학습기반 처리를 위한 제1 조합의 필터로 이루어진 AI 스케일러를 도시한 블록도이다.
도 8은 본 발명 일 실시예에 따라 제2 AI 학습기반 처리를 위한 제2 조합의 필터로 이루어진 AI 스케일러를 도시한 블록도이다.
도 9와 도 10은 DNN 모드로 동작하는 경우 필터의 동작을 설명하기 위한 도면이다.
도 11과 도 12는 영상분석 모드로 동작하는 경우 필터의 동작을 설명하기 위한 도면이다.
도 13은 본 발명 다른 실시예의 디스플레이장치에서 비디오신호 처리를 위한 구성을 상세하게 도시한 블록도이다.
이하에서는 첨부 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면에서 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 구성요소를 지칭하며, 도면에서 각 구성요소의 크기는 설명의 명료성과 편의를 위해 과장되어 있을 수 있다. 다만, 본 발명의 기술적 사상과 그 핵심 구성 및 작용이 이하의 실시예에 설명된 구성 또는 작용으로만 한정되지는 않는다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
본 발명의 실시예에서, 제1, 제2 등과 같이 서수를 포함하는 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 발명의 실시예에서, '구성되다', '포함하다', '가지다' 등의 용어는 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 또한, 본 발명의 실시예에서, '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있으며, 적어도 하나의 모듈로 일체화되어 구현될 수 있다. 또한, 본 발명의 실시예에서, 복수의 요소 중 적어도 하나(at least one)는, 복수의 요소 전부뿐만 아니라, 복수의 요소 중 나머지를 배제한 각 하나 혹은 이들의 조합 모두를 지칭한다.
도 1은 본 발명 일 실시예에 의한 디스플레이장치의 구성을 도시한 블록도이다. 도 2는 본 발명 일 실시예의 디스플레이장치에서 비디오신호 처리를 위한 구성을 상세하게 도시한 블록도이다.
본 발명 일 실시예에 따른 디스플레이장치(100)는 외부의 신호공급원 즉, 영상소스(미도시)으로부터 제공되는 영상신호를 기 설정된 프로세스에 따라 처리하여 영상으로 표시한다.
일 실시예에서 디스플레이장치(100)는 방송국의 송출장비로부터 수신되는 방송신호, 방송정보, 또는 방송데이터 중 적어도 하나에 기초한 방송 영상을 처리하는 텔레비전(TV)과 같은 디스플레이장치를 포함한다.
디스플레이장치(100)는, 예를 들면 방송국으로부터 송출되는 RF(radio frequency) 신호 즉, 방송신호를 무선으로 수신할 수 있으며, 이를 위해 방송신호를 수신하는 안테나 및 방송신호를 채널 별로 튜닝하기 위한 튜너를 포함할 수 있다. 디스플레이장치가 수신하는 방송신호는 지상파, 케이블, 위성 등을 통해서 수신 가능하며, 본 발명에서의 신호공급원은 방송국에 한정되지 않는다. 즉, 셋탑박스나, 블루레이(Blu-ray) 또는 DVD 등의 광디스크가 재생 가능한 플레이어(player)와 같이, 데이터의 송수신 또는 중계가 가능한 장치 또는 스테이션이라면 본 발명의 신호공급원에 포함될 수 있다.
디스플레이장치(100)에서 수신되는 신호의 규격은 그 구현 형태에 대응하여 다양한 방식으로 구성될 수 있으며, 예를 들면, HDMI(high definition multimedia interface), 컴포지트(composite) 비디오, 컴포넌트(component) 비디오, 슈퍼 비디오(super video), SCART(Syndicat des Constructeurs d'Appareils Radiorecepteurs et Televiseurs) 규격 등에 의하여 유선으로 영상신호를 수신할 수 있다. 또한, 디스플레이장치(100)는 와이파이(Wi-Fi), 와이파이 다이렉트(Wi-Fi direct), 또는 블루투스(Bluetooth)와 같은 무선 통신을 통해 무선으로 영상신호를 수신할 수 있다.
또한, 디스플레이장치(100)는 내부/외부의 저장매체에 저장된 신호/데이터에 기초한 동영상, 정지영상, 어플리케이션(application), OSD(on-screen display), 다양한 동작 제어를 위한 사용자 인터페이스(user interface, UI)(이하, GUI(graphic user interface) 라고도 한다) 등을 화면에 표시하도록 신호를 처리할 수 있다.
일 실시예에서 디스플레이장치(100)는 스마트 TV 또는 IP TV(Internet Protocol TV)로 동작 가능하다. 스마트 TV는 실시간으로 방송신호를 수신하여 표시할 수 있고, 웹 브라우징 기능을 가지고 있어 실시간 방송신호의 표시와 동시에 인터넷을 통하여 다양한 컨텐츠 검색 및 소비가 가능하고 이를 위하여 편리한 사용자 환경을 제공할 수 있는 텔레비전이다. 또한, 스마트 TV는 개방형 소프트웨어 플랫폼을 포함하고 있어 사용자에게 양방향 서비스를 제공할 수 있다. 따라서, 스마트 TV는 개방형 소프트웨어 플랫폼을 통하여 다양한 컨텐츠, 예를 들어 소정의 서비스를 제공하는 어플리케이션을 사용자에게 제공할 수 있다. 이러한 어플리케이션은 다양한 종류의 서비스를 제공할 수 있는 응용 프로그램으로서, 예를 들어 SNS, 금융, 뉴스, 날씨, 지도, 음악, 영화, 게임, 전자 책 등의 서비스를 제공하는 어플리케이션을 포함한다.
그러나, 본 발명에서 디스플레이장치(100)의 구현 형태는 TV 에 한정되는 것은 아니며, 예를 들면 랩탑(laptop) 또는 데스크탑(desktop)을 포함하는 컴퓨터(PC) 장치(또는 컴퓨터 본체와 연결된 모니터) 등 다양한 장치를 포함할 수 있다.
본 발명 일 실시예에 따른 디스플레이장치(100)는, 도 1에 도시된 바와 같이, 신호수신부(110), 통신부(120), 비디오처리부(130), 디스플레이부(140), 사용자입력부(150), 저장부(160) 및 제어부(170)를 포함한다.
신호수신부(110)는 외부로부터 영상신호(컨텐츠)를 수신하여 비디오처리부(130)로 전달한다. 수신되는 신호의 규격은 디스플레이장치(100)의 구현 형태에 대응하여 다양한 방식으로 구성될 수 있다. 예를 들면, 신호수신부(110)는 방송국(미도시)으로부터 송출되는 RF 신호를 무선으로 수신하거나, 컴포지트 비디오, 컴포넌트 비디오, 슈퍼 비디오, SCART, HDMI 규격 등에 의한 영상신호를 유선으로 수신할 수 있다.
신호수신부(110)는 디스플레이장치(100)가 외부 영상소스와 유선 연결되도록 하는 접속부(111)를 포함한다. 일 실시예에서 접속부(111)는 HDMI 케이블을 통해 영상소스에 접속되지만, 접속되는 방식이 HDMI에 한정되는 것은 아니다.
디스플레이장치(100)는, 유선 연결된 접속부(111)를 통해 셋탑박스와 같은 영상소스로부터 컨텐츠를 제공받을 수 있다. 접속부(111)는 기본적으로는 영상소스로부터 신호를 수신하지만, 양방향으로 신호를 송수신 가능하게 마련될 수 있다.
접속부(111)는 다양한 종류의 통신 프로토콜에 대응하는 통신모듈(S/W module, chip 등)과 포트(port) 등이 조합된 데이터 입출력 인터페이스를 포함하는 통신회로(communication circuitry)로서 구현될 수 있다.
일 실시예에서 접속부(111)를 통해 디스플레이장치(100)와 유선 연결되는 장치는 셋탑박스나 PC와 같은 영상소스가 되지만, 본 발명은 이에 한정되지 않는다. 예를 들면, 다른 실시예로서 디스플레이장치(100)는 접속부(111)를 통해 모바일장치와 유선 연결될 수도 있다.
일 실시예에서 신호수신부(110)는 영상신호가 방송신호인 경우, 이 방송신호를 채널 별로 튜닝하기 위한 튜너를 포함할 수 있다.
또한, 영상신호는 다양한 주변장치로부터 입력될 수 있다. 또한, 영상신호는 인터넷 등과 같은 네트워크를 통해 수신되는 데이터로부터 기인한 것일 수 있으며, 이 경우 디스플레이장치(100)는, 후술하는 통신부(120)를 통해 영상신호를 수신할 수 있다.
또한, 영상신호는 플래시메모리, 하드디스크 등과 같은 비휘발성의 저장부(160)에 저장된 데이터로부터 기인한 것일 수 있다. 저장부(160)는 디스플레이장치(100)의 내부 또는 외부에 마련될 수 있으며, 외부에 마련되는 경우 저장부(160)는 접속부(111)를 통해 디스플레이장치(100)에 연결될 수 있다.
일 실시예에서, 신호수신부(110)는 신호공급원 즉, 컨텐츠 제공장치 측의 인코딩 단에서, 소정 AI 학습기반 처리를 이용하여 인코딩된 비디오신호를 컨텐츠로서 제공받을 수 있다.
통신부(120)는 적어도 하나의 외부장치(200, 300)와 유선 혹은 무선 통신방식을 사용하여 통신 가능하게 마련된다. 통신부(120)는 유선 및/또는 무선 통신모듈을 포함한다.
통신부(120)는 다양한 종류의 통신 프로토콜에 대응하는 통신모듈(S/W module, chip 등)을 포함하는 통신회로(communication circuitry)로서 구현될 수 있다.
일 실시예에서 통신부(120)는 무선랜유닛을 포함한다. 무선랜유닛은 제어부(170)의 제어에 따라 AP(access point)를 통해 제어 대상인 적어도 하나의 디바이스(300)로 해당 신호가 전달되도록 할 수 있다. 무선랜유닛은 와이파이(Wi-Fi) 통신모듈을 포함한다.
일 실시예에서 통신부(120)는 블루투스(bluetooth), 블루투스 저에너지(bluetooth low energy), RF(radio frequency) 통신, 와이파이 다이렉트(Wi-Fi Direct), 지그비(Zigbee), UWB(Ultra Wideband), NFC(Near Field Communication), 적외선통신(IrDA, infrared data association) 등의 근거리 통신모듈 중 적어도 하나를 포함한다. 근거리 통신모듈은 AP 없이 무선으로 디스플레이장치(100)와 적어도 하나의 디바이스(300) 사이에 다이렉트로 통신을 지원하도록 마련된다.
일 실시예에서 통신부(120)는 이더넷(Ethernet) 등과 같은 유선 통신모듈을 더 포함할 수 있다.
본 발명 실시예에 따른 디스플레이장치(100)의 통신부(120)는 성능에 따라 무선랜유닛, 근거리 통신모듈, 유선통신모듈 중 하나 또는 2 이상의 조합으로 이루어질 수 있다.
일 실시예에서 디스플레이장치(100)는 통신부(120)를 통해 적어도 하나의 외부장치와 무선통신을 수행한다. 디스플레이장치(100)가 적어도 하나의 외부장치와 다이렉트로 무선통신을 수행하는 경우, 저장부(160)에는 통신 대상 장치에 대한 식별정보(예를 들어, MAC address각 또는 IP address)가 저장될 수 있다.
비디오처리부(130)는 신호수신부(110) 또는 통신부(120) 중 적어도 하나로부터 수신된 영상신호에 대해 기 설정된 다양한 영상/음성 처리 프로세스를 수행한다. 비디오처리부(130)는 이러한 영상처리 프로세스를 수행하여 생성 또는 결합한 출력 신호를 디스플레이부(140)에 출력함으로써, 디스플레이부(140)에 영상신호에 대응하는 영상이 표시되게 한다.
비디오처리부(130)는, 도 1에 도시된 바와 같이, 디코더(decoder)(131)와, AI 스케일러(scaler)(133)를 포함한다.
비디오 디코더(131)는 영상신호를 디스플레이장치(100)의 영상 포맷에 대응하도록 디코드한다. 비디오 디코더(131)는 예를 들어, H.264 디코더인 것을 일례로 하지만 이에 한정되는 것은 아니다. 즉, 본 발명 실시예에 따른 비디오 디코더(131)는 MPEG(Moving Picture Experts Group) 디코더 또는 HEVC(High Efficiency Video Codec) 디코더 등 다양한 압축 표준에 따른 디코더로서 구현 가능하다.
AI 스케일러(133)는 영상신호를 디스플레이부(140)의 출력규격에 맞도록 조절 또는 변환하는 스케일링을 수행한다.
본 발명 실시예에 따른 디스플레이장치(100)에서 AI 스케일러(133)는 비디오 즉, 영상의 해상도를 확장하는 해상도 확장 모듈 즉, 스케일링 업 모듈(Scaling-Up Module)로서 구현된다. 다시 말해, AI 스케일러(133)는 업 스케일링에 의해 저해상도 영상(Low Resolution Image)으로부터 고해상도 영상(High Resolution Image) 또는 수퍼 해상도 영상(Super Resolution Image)을 생성할 수 있다.
일 실시예에서, AI 스케일러(133)는 비디오 디코더(131)에 의해 디코딩된 비디오신호를 소정 AI 학습기반 처리에 의해 스케일링 업되도록 한다. 여기서, AI 스케일러(133)는 신호공급원 즉, 컨텐츠 제공장치의 인코딩 단에서 사용된 AI 학습 기반처리에 대응하여 비디오신호를 스케일링 업하도록 구현 가능하다.
구체적으로, AI 스케일러(133)는, 도 2에 도시된 바와 같이, 가변 조합 즉, 플렉서블(flexible)한 필터의 조합이 가능한 복수의 필터(Filter 1, Filter 2, ? , Filter M, Filter N)를 포함하며, 복수의 필터의 조합에 의해 비디오신호를 처리함으로써 비디오(영상)의 해상도를 조절할 수 있다. 일 시예에서, 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N)는 비디오신호를 처리하는 픽셀 데이터 경로(path)를 구성한다.
일 실시예에서, 비디오처리부(130)는, 도 2에 도시된 바와 같이, 비디오 디코더(131)로부터 출력된 비디오신호가 AI 스케일러(133)로 전달되도록 전처리(pre-processing)를 수행하는 전처리모듈(132)과, AI 스케일러(133)로부터 출력된 비디오신호에 대해 화질 개선을 위한 후처리(post-processing)를 수행하는 후처리모듈(134)을 더 포함할 수 있다.
일 실시예에서, 전처리모듈(132), AI 스케일러(133) 및 후처리모듈(134)는 영상의 화질을 개선하기 위한 구성으로서 이른바 화질 체인(c)에 포함된다.
본 발명 일 실시예에 따른 AI 스케일러(133)는 제1 AI 학습기반 처리에 대응하여 비디오신호를 처리하거나, 또는 제1 AI 학습기반 처리와 상이한 제2 AI 학습기반 처리에 대응하여 비디오신호를 처리하여, 비디오(영상)의 해상도를 조절할 수 있도록 구성된다.
여기서, 제1 AI 학습기반 처리는 기계학습 즉, 머신러닝(Machine Learning, ML) 기반 처리에, 제2 AI 학습기반 처리는 딥 신경망 네트워크(Deep Neural Network, DNN) 즉, 딥 러닝(Deep Learning) 기반 처리에 각각 대응된다. 제1 AI 학습기반 처리와 제2 AI 학습기반 처리의 구체적인 동작에 대해서는 이후에서 보다 상세하게 설명하기로 한다.
한편, 본 발명의 비디오처리부(130)가 수행하는 프로세스의 종류는 한정되지 않는바, 비디오처리부(130)는 예를 들면 인터레이스(interlace) 방식의 방송신호를 프로그레시브(progressive) 방식으로 변환하는 디인터레이싱(de-interlacing), 영상 화질 개선을 위한 노이즈 감소(noise reduction), 디테일 강화(detail enhancement), 프레임 리프레시 레이트(frame refresh rate) 변환, 라인 스캐닝(line scanning) 다양한 프로세스를 수행하기 위한 적어도 하나의 모듈을 더 포함할 수 있다.
비디오처리부(130)는 이러한 각 프로세스를 독자적으로 수행할 수 있는 개별적 구성 즉, 모듈의 그룹으로 구현되거나, 또는 여러 기능을 통합시킨 메인 SoC(System-on-Chip)에 포함되는 형태로서 구현 가능하다. 메인 SoC는 후술하는 제어부(170)를 구현하는 일례인 적어도 하나의 프로세서 예를 들면, 마이크로프로세서 또는 CPU를 포함할 수 있다.
일 실시예에서 비디오처리부(130)는 이러한 각 프로세스를 수행하기 위한 다양한 칩셋, 메모리, 전자부품, 배선 등의 회로 구성이 인쇄회로기판(PCB) 상에 실장된 영상보드로 구현될 수 있다. 이 경우, 디스플레이장치(100)에는 튜너, 비디오처리부(130) 및 제어부(170)가 단일의 영상보드에 마련될 수 있다. 물론, 이는 일례에 불과하고 서로 통신 가능하게 연결된 복수의 인쇄회로기판에 배치될 수도 있다.
비디오처리부(130)에 의해 처리된 영상신호는 디스플레이부(140)로 출력된다. 디스플레이부(140)는 비디오처리부(130)로부터 수신된 영상신호에 대응하는 영상을 표시한다.
일 실시예에서 디스플레이부(140)는 비디오처리부(130)의 AI 스케일러(133)의 스케일링 업에 의해 해상도가 확장된 고해상도 영상을 표시할 수 있다.
디스플레이부(140)의 구현 방식은 한정되지 않으며, 예를 들면 액정(liquid crystal), 플라즈마(plasma), 발광 다이오드(light-emitting diode), 유기발광 다이오드(organic light-emitting diode), 면전도 전자총(surface-conduction electron-emitter), 탄소 나노 튜브(carbon nano-tube), 나노 크리스탈(nano-crystal) 등의 다양한 디스플레이 방식으로 구현될 수 있다. 일 실시예에서, 디스플레이부(140)는 영상을 표시하는 디스플레이 패널을 포함하며, 그 구현 방식에 따라서 부가적인 구성, 예를 들면 구동부(driver)를 더 포함할 수 있다.
사용자입력부(150)는 사용자의 입력에 의해, 기설정된 다양한 제어 커맨드 또는 한정되지 않은 정보를 제어부(170)에 전달한다.
일 실시예에서 사용자입력부(150)는 AI 스케일러(133)가 제1 AI 학습기반 처리와 제2 AI 학습기반 처리 중 어느 하나에 따라 동작하도록 하는 구성제어 신호(configuration control signal)를 제어부(170)로 출력할 수 있다.
사용자입력부(150)는 디스플레이장치(100) 본체에 마련된 전원키, 숫자키, 메뉴키 등의 버튼을 포함하는 키패드(또는 입력패널)를 포함한다.
일 실시예에서 사용자입력부(150)는 디스플레이장치(100)를 원격으로 제어 가능하게 기설정된 커맨드/데이터/정보/신호를 생성하여 디스플레이장치(100)로 전송하는 입력장치를 포함한다. 입력장치는 디스플레이장치(100) 본체와 이격 분리되어, 사용자 입력을 수신 가능한 리모컨(remote control), 키보드(keyboard), 마우스 등을 포함한다.
리모컨에는 사용자의 터치입력을 수신하는 터치 감지부 및/또는 사용자에 의한 자체 모션을 감지하는 모션 감지부가 마련될 수 있다. 입력장치는 리모컨 어플리케이션이 설치된 스마트 폰과 같은 단말장치를 포함하며, 이 경우 터치스크린을 통한 사용자의 터치입력이 수신 가능하다.
입력장치는 디스플레이장치(100)와 무선통신하는 외부장치에 포함되며, 무선통신은 와이파이, 블루투스, 적외선 통신, RF 통신, 무선랜, 와이파이 다이렉트 등을 포함한다.
일 실시예에서 사용자입력부(150)는 사용자로부터 발화된 음성/사운드를 수신하는 음성입력부를 더 포함할 수 있다. 음성입력부는 음성신호를 수신하는 마이크로폰(microphone)으로 구현될 수 있다.
저장부(160)는 디스플레이장치(100)의 다양한 데이터를 저장하도록 구성된다. 저장부(160)는 디스플레이장치(100)에 공급되는 전원이 차단되더라도 데이터들이 남아있어야 하며, 변동사항을 반영할 수 있도록 쓰기 가능한 비휘발성 메모리(writable memory)로 구비될 수 있다. 저장부(160)는 하드디스크(HDD), 플래쉬 메모리(flash memory), EPROM 또는 EEPROM 중 적어도 하나를 포함할 수 있다.
저장부(160)는 RAM과 같은 휘발성 메모리(volatile memory)를 더 포함하며, 휘발성 메모리는 디스플레이장치(100)의 읽기 또는 쓰기 속도가 비휘발성 메모리에 비해 빠른 DRAM 또는 SRAM으로 구비될 수 있다. 즉, 본 발명에서 저장부라는 용어는 비휘발성 메모리뿐 아니라, 휘발성 메모리, 제어부(170)의 내부에 마련되는 캐시메모리, 접속부(111)를 통해 디스플레이장치(100)에 장착 가능한 메모리 카드(예를 들어, micro SD 카드, 메모리 스틱 등)를 포괄하는 용어로서 정의된다.
저장부(160)에 저장되는 데이터는, 예를 들면 디스플레이장치(100)의 구동을 위한 운영체제를 비롯하여, 이 운영체제 상에서 실행 가능한 다양한 어플리케이션, 영상데이터, 부가데이터 등을 포함한다.
구체적으로, 저장부(160)는 제어부(170)의 제어에 따라 각 구성요소들의 동작에 대응되게 입/출력되는 신호 또는 데이터를 저장할 수 있다. 저장부(160)는 디스플레이장치(100)의 제어를 위한 프로그램, 제조사에서 제공되거나 외부로부터 다운로드 받은 어플리케이션과 관련된 UI, UI를 제공하기 위한 이미지들, 사용자 정보, 문서, 데이터베이스들 또는 관련 데이터들을 저장할 수 있다.
일 실시예에서 저장부(160)에는 제1 AI 학습기반 처리와 제 AI 학습기반 처리에 각각 대응되게 마련된 룩업테이블(Look-Up table, LUT)이 저장될 수 있다.
제1 AI 학습기반 처리에 대응되는 LUT는 사전에 제1 AI 학습 즉, 머신러닝을 수행함에 따라 영상의 특성 별로 생성된 필터 파라미터(이하, 파라미터 라고도 한다)가 저장된 제1 LUT를 포함한다. AI 스케일러(133)는, 제1 AI 학습기반 처리에 의한 프로세스를 수행하는 런타임(run time) 시, 상기와 같이 머신러닝에 의해 미리 생성된 제1 LUT로부터 입력되는 영상(비디오신호)의 특성에 대응하는 파라미터 세트를 추출하여 해상도 확장을 위한 스케일링 업을 수행하게 된다.
제2 AI 학습기반 처리에 대응되는 LUT는 사전에 제2 AI 학습기반 처리 즉, 딥러닝을 수행하여 생성된 필터 파라미터가 저장된 제2 LUT를 포함한다. 제2 LUT는 영상의 특성과 관계없이 생성된 파라미터들로 구성된다. AI 스케일러(133)는, 제2 AI 학습기반 처리에 의한 프로세스를 수행하는 런타임 시, 상기와 같이 딥러닝에 의해 미리 생성된 제2 LUT로부터 파라미터 세트를 추출하여 해상도 확장을 위한 스케일링 업을 수행하게 된다.
일 실시예에서 제2 AI 학습기반 처리에 따라 비딩오신호를 처리하는 AI 스케일러(133)는, 제2 LUT로부터 영상의 코덱(codec) 또는 압축 특성에 대응하는 필터 파라미터 세트를 추출하여 스케일링 업을 수행할 수 있다.
제어부(170)는 디스플레이장치(100)의 제반 구성들이 동작하기 위한 제어를 수행한다. 제어부(170)는 제어프로그램이 설치된 비휘발성의 메모리로부터 제어프로그램의 적어도 일부를 휘발성의 메모리로 로드하고, 로드된 제어프로그램을 실행하는 적어도 하나의 범용 프로세서를 포함하며, 예를 들면 CPU(Central Processing Unit), AP(application processor), 또는 마이크로프로세서(microprocessor)로 구현될 수 있다.
제어부(170)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 또는 그 배수로 이루어진 하나 이상의 코어가 탑재된 적어도 하나의 프로세서를 포함할 수 있다. 프로세서는 복수의 프로세서, 예를 들어, 메인 프로세서(main processor) 및 슬립 모드(sleep mode, 예를 들어, 대기 전원만 공급되고 디스플레이장치로서 동작하지 않는)에서 동작하는 서브 프로세서(sub processor)를 포함할 수 있다. 또한, 프로세서, 롬 및 램은 내부 버스(bus)를 통해 상호 연결될 수 있다.
일 실시예에서 제어부(170)는 그래픽 처리를 위한 GPU(Graphic Processing Unit)를 더 포함할 수 있다.
일 실시예에서 제어부(170)는 디스플레이장치(100)에 내장되는 PCB 상에 실장되는 메인 SoC(Main SoC)에 포함되는 형태로서 구현 가능하다. 다른 실시예에서 메인 SoC는 비디오신호를 처리하는 비디오처리부(130)를 더 포함할 수 있다.
제어프로그램은, BIOS, 디바이스드라이버, 운영체제, 펌웨어, 플랫폼 및 응용프로그램(어플리케이션) 중 적어도 하나의 형태로 구현되는 프로그램(들)을 포함할 수 있다. 일 실시예로서, 응용프로그램은, 디스플레이장치(100)의 제조 시에 디스플레이장치(100)에 미리 설치 또는 저장되거나, 혹은 추후 사용 시에 외부로부터 응용프로그램의 데이터를 수신하여 수신된 데이터에 기초하여 디스플레이장치(100)에 설치될 수 있다. 응용 프로그램의 데이터는, 예를 들면, 어플리케이션 마켓과 같은 외부 서버로부터 디스플레이장치(100)로 다운로드될 수도 있다. 이와 같은 외부 서버는, 본 발명의 컴퓨터프로그램제품의 일례이나, 이에 한정되는 것은 아니다.
일 실시예로서, 상기와 같은 제어부(170)의 동작은 디스플레이장치(100)와 별도로 마련되는 컴퓨터프로그램제품(미도시)에 저장된 컴퓨터프로그램으로 구현될 수도 있다.
이 경우, 컴퓨터프로그램제품은 컴퓨터프로그램에 해당하는 인스트럭션이 저장된 메모리와, 프로세서를 포함한다. 인스트럭션은, 프로세서에 의해 실행되면, 제1 AI학습기반 처리에 대응하여 제1조합의 필터를 이용하여 디코딩된 비디오신호를 처리하도록 하고, 제2 AI학습기반 처리에 대응하여 제1조합과는 다른 제2조합의 필터를 이용하여 디코딩된 비디오신호를 처리하도록 AI 스케일러(133)를 제어함으로써 제어부(170)의 동작을 수행할 수 있다.
이에 따라, 디스플레이장치(100)는 별도의 컴퓨터프로그램제품에 저장된 컴퓨터프로그램을 디스플레이장치(100)로 다운로드 및 실행하여, 제어부(170)의 동작을 수행할 수 있다.
또한, 일 실시예로서, 제어부(170)의 동작은 기록매체에 저장되며 컴퓨터가 판독 가능한 프로그램으로 구현될 수도 있다. 기록매체에 저장된 프로그램 즉, 데이터는 제어부(170)에 의해 직접 액세스되어 실행되거나, 컴퓨터 시스템이 상호 결합된 유무선 네트워크를 통해 구현되는 전송매체를 통해 디스플레이장치(100)로 다운로드되어 실행됨으로써, 동작을 수행할 수 있다.
본 발명 실시예에 따른 디스플레이장치(100)에서, 제어부(170)는, 도 2에 도시된 바와 같이, 구성제어모듈(171), LUT 제어모듈(173), 파라미터 추출모듈(174)을 포함한다. 일 실시예에서 제어부(170)는 코덱분석모듈(172)을 더 포함할 수 있다.
일 실시예에서 구성제어모듈(171), 코덱분석모듈(172), LUT 제어모듈(173), 파라미터 추출모듈(174)은 필터 구성 및 파라미터 생성을 위한 제어 경로(control path)를 구성한다.
상기와 같은 제어부(170)의 구성들(171, 172, 173, 174) 중 적어도 하나는, 하드웨어 모듈로 구현되거나, 앞서 설명한 컴퓨터프로그램으로 구현될 수 있다. 이하에서 AI 스케일러(133)가 소정 AI 학습기반 처리 수행하도록 하기 위한 제어 동작들은 디스플레이장치(100)의 제어부(170)에 의해 수행되는 것으로 이해될 것이다.
이하, 도면을 참조하여 본 발명 실시예에 따라 수행되는 AI 학습기반 처리에 의한 해상도 확장 프로세스에 대해서 상세하게 설명하도록 한다.
도 3 내지 도 6은 본 발명 일 실시예에 따른 AI 학습기반 처리 과정을 설명하기 위한 도면이다.
도 3에 도시된 바와 같이, 디스플레이장치(100)의 비디오 디코더(131)는 신호수신부(110)를 통해 입력되는 비디오신호를 디코딩한다(200).
단계 200에서 디코딩된 비디오신호는, 제1 AI학습기반 처리에 대응하여, AI 스케일러(133)를 구성하는 복수의 필터 중 제1조합의 필터를 이용하여 처리되거나(201), 또는 제2 AI학습기반 처리에 대응하여, AI 스케일러(133)를 구성하는 복수의 필터 중 제1조합과는 다른 제2조합의 필터를 이용하여 처리된다(202).
도 2 및 4를 참조하면, 디스플레이장치(100)에서, 제어부(170)의 구성제어모듈(171)은 구성제어 신호(configuration control signal)를 입력 받는다(301).
구성제어 신호는 외부 입력 신호로서, 예를 들면 사용자입력부(140)를 통한 사용자선택에 대응하여 구성제어모듈(171)로 입력되거나, 또는 통신부(120)를 통해 외부장치로부터 수신된 신호에 대응하여 구성제어모듈(171)로 입력될 수 있다.
다른 예로서, 구성제어 신호는 소정 이벤트의 발생에 응답하여 디스플레이장치(100)에서 자동으로 생성될 수 있다.
일 실시예에서 구성제어 신호는 디스플레이장치(100)의 제조 과정 또는 최초 설치 과정에서 결정될 수 있다.
제어부(170)는, 입력된 구성제어 신호를 식별하고, 그 식별결과에 기초하여, 제1 AI 학습기반 처리와 제2 AI 학습기반처리 중 어느 하나에 대응하도록 AI 스케일러(133)의 동작 모드(operation mode)를 결정할 수 있다(302).
구성제어 신호는 AI 스케일러(133)의 동작모드를 나타낸다. 구체적으로, 구성제어 신호는, AI 스케일러(133)가 제1 AI 학습기반 처리 즉, 머신러닝 기법으로 동작하는 영상분석 모드와, AI 스케일러(133)가 제2 AI 학습기반 처리 즉, 딥 신경망 네트워크(DNN)(딥러닝) 기법으로 동작하는 DNN 모드 중 어느 하나를 나타낼 수 있다.
AI 스케일러(133)는 상기와 같이 입력된 구성제어 신호에 대응하여 영상분석 모드와 DNN 모드 중 어느 하나로 동작한다. AI 스케일러(133)는 가변 조합이 가능한 복수의 필터를 포함한다.
일 실시예에서 AI 스케일러(133)는 동작 모드에 대응하여 서로 다른 조합의 필터를 이용하여 비디오신호를 처리하게 된다.
즉. 영상분석 모드로 동작하는 AI 스케일러(133)는 제1조합의 필터를 이용하여 비디오신호를 처리하며, DNN 모드로 동작하는 AI 스케일러(133)는 제2조합의 필터를 이용하여 비디오신호를 처리할 수 있다.
일 실시예에서, AI 스케일러(133)의 복수의 필터 중 적어도 하나의 필터는 영상분석 모드와 DNN 모드에서 공용으로 사용될 수 있다. 예를 들면, 도 2에 도시된 제1필터(Filter 1)와 제2필터(Filter 2)는 제1조합의 필터와 제2조합의 필터에 모두 포함될 수 있다.
영상분석 모드에서는 사전에 제1 AI 학습기반 처리를 수행함에 따라 생성된 데이터(필터 파라미터)에 기반하여 제1조합의 필터 각각을 독립적으로 제어한다. 여기서, 제1 AI 학습기반 처리에 따른 필터 파라미터는 비디오신호(영상)의 특성에 대응하여 마련되는 것이므로, 제1 AI 학습기반 처리는 머신러닝으로 설계될 수 있다.
DNN 모드에서는 사전에 제2 AI 학습기반 처리를 수행함에 따라 생성된 데이터(필터 파라미터)에 기반하여 제2조합의 필터 각각을 독립적으로 제어한다. 여기서, 제1 AI 학습기반 처리에 따른 필터 파라미터는 비디오신호(영상)의 특성과 관계없이 마련되는 것이므로, 제2 AI 학습기반 처리는 딥러닝으로 설계될 수 있다.
구성제어모듈(171)은 입력된 구성제어 신호에 기초하여, 도 2와 같이, 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N) 각각을 온(ON) 또는 오프(OFF)하는 필터 제어(filter control) 신호를 출력하여, AI 스케일러(133)가 그 동작 모드에 대응하는 필터 레이어(layer)를 구성하도록 한다.
또한, 구성제어모듈(171)로 입력된 구성제어 신호는 LUT 제어모듈(173) 및 파라미터 추출모듈(174)로 전달되어, 각 레이어를 구성하는 필터의 동작 파라미터(parameter)가 설정되도록 한다.
LUT 제어모듈(173)은 구성제어 신호에 응답하여, 저장부(160)에 마련된 제1 LUT와 제2 LUT 중 동작모드에 대응하는 하나를 선택할 수 있다.
파라미터 추출모듈(174)은 선택된 LUT로부터 필터 파라미터를 추출하여, 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N) 각각에 대해 파라미터 정보를 출력한다. 여기서, 파라미터 추출모듈(174)는 복수의 필터 중 필터 제어신호에 의해 온 된 필터에 대해 선택적으로 파라미터 정보를 출력할 수 있다.
도 4를 참조하면, 입력된 구성제어 신호가 영상분석 모드를 나타내는 경우, 다시 말해 단계 302에서 DNN 모드를 나타내지 않는 것으로 식별되면, 구성제어모듈(171)로부터 출력되는 필터 제어 신호에 기초하여 영상분석유닛을 포함하는 제1 조합의 필터로서 필터 레이어가 구성되고, 파라미터 추출모듈(174)로부터 출력된 파라미터 정보에 기초하여 LUT로부터 파라미터 세트가 로드된다(303).
상기와 같이 구성된 제1 조합의 필터에서, 어느 하나의 필터, 예를 들면 제1 필터(Filter 1)는 영상 즉, 비디오신호의 특성을 분석하는 영상분석유닛으로 동작하며, 영상분석유닛(Filter 1)의 영상분석(image analysis) 결과는 LUT 제어모듈(173)로 출력되어, 파라미터 추출모듈(174)에서 LUT로부터 분석된 영상의 특성에 대응하여 파라미터 세트가 로드될 수 있다.
그리고, 필터제어신호 즉, 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N)에 대한 온/오프 신호와, 로드된 파라미터 정보가 대응되는 각 필터로 출력된다(304).
반면, 입력된 구성제어 신호가 단계 302에서 DNN 모드를 나타내는 것으로 식별되면, 구성제어모듈(171)로부터 출력되는 필터 제어 신호에 기초하여 제2 조합의 필터로서 필터 레이어가 구성되고, 파라미터 추출모듈(174)로부터 출력된 파라미터 정보에 기초하여 LUT로부터 파라미터 세트가 로드된다(305).
여기서, AI 스케일러(133)가 DNN 모드로 동작하는 경우, 코덱분석모듈(172)은 비디오 디코더(131)로부터 처리 대상인 비디오신호의 코덱 정보를 획득할 수 있다. 코덱분석모듈(172)의 코덱 분석 결과는 LUT 제어모듈(173)로 출력되어, 파라미터 추출모듈(174)에서 LUT로부터 분석된 코덱에 대응하여 파라미터 세트가 생성될 수 있게 된다.
그리고, 필터제어신호 즉, 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N)에 대한 온/오프 신호와, 로드된 파라미터 정보가 대응되는 각 필터로 출력된다(306).
상기의 과정들에서, LUT 제어모듈(173)의 동작을 도 5를 참조하여 설명하면 다음과 같다.
AI 스케일러(133)가 영상분석 모드로 동작하는 경우, 복수의 필터 (Filter 1, Filter 2, … , Filter M, Filter N) 중 어느 하나가 영상분석유닛으로 동작하며, 도 5에 도시된 바와 같이, 영상분석유닛으로부터 영상분석정보가 출력된다(401).
LUT 제어모듈(173)은 단계 401에서 출력된 영상분석정보에 기초하여, LUT로부터 분석된 영상의 특성에 대응하는 파라미터 세트를 로드한다(402). 여기서, LUT 제어모듈(173)은 구성제어 신호가 나타내는 모드정보에 따라 영상분석 모드에 대응하도록 미리 마련된 제1 LUT로부터 분석된 영상의 특성에 대응하는 파라미터 세트를 선택적으로 로드할 수 있다.
그리고, 로드된 파라미터 세트로부터 각 필터에 적용되는 파라미터가 추출되어(403), 추출된 파라미터가 대응되는 필터로 출력된다(404).
반면, AI 스케일러(133)가 DNN 모드로 동작하는 경우, 도 5에 도시된 바와 같이, 코덱분석모듈(172)로부터 코덱 정보가 출력된다(405). 여기서, 코덱 정보는 코덱 종류 또는 압축 강도 중 적어도 하나를 포함한다.
구체적으로, 코덱분석모듈(172)은 비디오 디코더(131)로부타 획득한 코덱 메타 정보(codec meta information) 기반으로 코덱 종류별, 압축 강도별로 정보를 생성하여 LUT 제어모듈(173)로 출력할 수 있다. 예를 들면, 코덱분석모듈(172)는 코덱 종류 및 압축 강도를 나타내는 양자화 파라미터(Quantization Parameter, QP)를 이용하여LUT 선택을 위한 정보를 생성할 수 있다.
LUT 제어모듈(173)은 단계 401에서 출력된 코덱정보에 기초하여, LUT로부터 해당 코덱에 대응하는 파라미터 세트를 생성한다(406). 여기서, LUT 제어모듈(173)은 구성제어 신호가 나타내는 모드정보에 따라 DNN 모드에 대응하도록 미리 마련된 제2 LUT로부터 식별된 코덱에 대응하는 파라미터 세트를 생성할 수 있다.
그리고, 생성된 파라미터 세트로부터 각 필터에 적용되는 파라미터가 추출되어(403), 추출된 파라미터가 대응되는 필터로 출력된다(404).
상기의 과정들에서, 필터 제어신호가 출력되는 동작을 도 6을 참조하여 설명하면 다음과 같다.
도 4 및 도 5에서 설명한 바와 같이, 구성제어 신호에 기반하여, 구성제어모듈(171)이 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N) 각각에 출력되는 필터 제어(filter control) 신호를 생성함으로써 각 필터 별로 온(ON) 또는 오프(OFF) 여부가 결정되고, 파라미터 추출모듈(174)이 LUT로부터 필터 파라미터를 추출함으로써 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N) 각각에 대한 파라미터 값이 설정된다(501).
그리고, 단계 501에서 각 필터 별로 즉, 필터 레이어를 구성하는 각 채널 별로 온/오프 신호 및 파라미터가 출력된다(502). 오프신호를 수신하는 필터는 바이패스 모드(By-pass mode)로 동작하게 된다.
본 발명 실시예에 따른 AI 스케일러(133)는 상기와 같은 과정들을 통해, 제1 AI 학습기반 처리 즉, 머신러닝 기반으로 동작하는 영상분석모드와 제2 AI 학습기반 처리 즉, 딥러닝 기반으로 동작하는 DNN 모드 중 하나에 대응하도록 조합된 복수의 필터로 구성된다.
도 7은 본 발명 일 실시예에 따라 제1 AI 학습기반 처리를 위한 제1 조합의 필터로 이루어진 AI 스케일러를 도시한 블록도이고, 도 8은 본 발명 일 실시예에 따라 제2 AI 학습기반 처리를 위한 제2 조합의 필터로 이루어진 AI 스케일러를 도시한 블록도이다.
도 7에 도시된 바와 같이, 제1 AI 학습기반 처리를 위한 제1 조합의 필터로 이루어진 AI 스케일러(133)에서는, 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N) 중에서 어느 하나 즉, 제1 필터(Filter 1)가 영상분석유닛의 역할을 수행하고, 다른 하나 즉, 제2 필터(Filter 2)가 스케일링 업에 따라 해상도가 조절된 고해상도 영상(High Resolution Image)을 생성하는 역할을 수행할 수 있다.
영상분석유닛(Filter 1)으로부터 출력된 영상분석 결과는 LUT 제어모듈(173)로 출력되며, LUT 제어모듈(173)은 제1 LUT로부터 분석된 영상의 특성에 대응하는 파라미터를 읽어, 파라미터 추출모듈(174)이 해당 파라미터를 제2 필터(Filter 2)로 출력하게 된다.
제2 필터(Filter 2)는, 예를 들면 추출된 파라미터에 기초한 보간(Interpolation)에 의해 추정되는 방식에 의해 고해상도 영상을 생성할 수 있다.
도 8에 도시된 바와 같이, 제1 AI 학습기반 처리를 위한 제2 조합의 필터로 이루어진 AI 스케일러(133)는 다수의 층 즉, 레이어(layer)로 구성된 멀티 필터 구조를 갖는다.
제2 조합의 필터로 이루어진 AI 스케일러(133)에서, 각 필터(Filter 1, Filter 2, … , Filter M, Filter N)는 사전에 DNN(딥러닝) 기반의 트레이닝(training)에 의해 생성된 제2 LUT로부터 추출된 파라미터에 의해 세팅된다. 저해상도의 입력 영상 즉, 비디오신호는 대응되는 파라미터에 의해 세팅된 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N)를 순차적으로 통과하면서, 자동으로 해상도가 확장된 고해상도 영상이 생성된다.
상기와 같이 제2 조합의 필터로 이루어진 AI 스케일러(133)에서는, 각 필터 별로 파라미터가 세팅됨으로써 다층 레이어(layer)가 각기 독립적으로 제어될 수 있다.
일 실시예에서, 제어부(170)가 코덱분석모듈(172)을 더 포함하는 경우, 각 필터(Filter 1, Filter 2, … , Filter M, Filter N)는, 비디오 디코더(131)로부터 획득된 코덱 정보에 기초하여, 해당 코덱에 대응하는 파라미터 값으로 세팅될 수 있다.
본 발명 실시예에 따른 디스플레이장치(100)는 상기와 같이 코덱 정보를 각 필터(Filter 1, Filter 2, … , Filter M, Filter N)의 파라미터 세팅에 이용함으로써, 코덱의 종류나 압축 강도 등에 따른 영상 압축 특성까지 반영한 해상도 확장이 가능한 장점을 갖게 된다.
이하, 도면을 참조하여 상기와 같이 제1조합의 필터 또는 제2조합의 필터로 구성된 AI 스케일러(133)에서 각 필터의 구체적인 동작에 관해 설명하기로 한다.
도 9와 도 10은 DNN 모드로 동작하는 경우 필터의 동작을 설명하기 위한 도면이다.
도 9에 도시된 바와 같이, DNN 동작모드에서 각 필터는 컨볼루션 필터(convolution filter)(601)와 비선형 함수(non linear function)(602)로 구성된다.
일 실시예에서 컨볼루션 필터(601)는 1x1 ~ NxN까지 다양하게 사용 가능하며, 예를 들면 1x1, 3x3, 5x5 필터의 형태로 구현될 수 있다. 다른 실시예에서, 컨볼루션 필터(601)는 M개의 채널(CH)로 구성될 수도 있다.
비선형 함수(602)에는, 도 10에 도시된 바와 같이, 다양한 형태를 갖는 비선형 함수(701, 702)가 적용될 수 있다.
도 9와 같이 컨볼루션 필터(601)와 비선형 함수(602)로 구성된 각 필터는, 컨볼루션 신경망(Convolutional Neural Network, CNN) 알고리즘에 의해 동작하면서, 영상데이터를 입력받아 해상도 확장 처리된 영상데이터를 출력한다. 저해상도 영상인 입력 비디오신호는 각 필터를 통과하면서 스케일링 업에 따라 해상도가 조절됨으로써 고해상도 영상으로 생성된다.
도 11과 도 12는 영상분석 모드로 동작하는 경우 필터의 동작을 설명하기 위한 도면이다.
도 11은 영상분석유닛의 역할을 하는 필터, 예를 들면 도 7의 제1 필터(Filter 1)의 동작을 도시한다.
도 11에 도시된 바와 같이, 필터가 영상분석 기능을 수행하는 경우, 입력된 영상데이터에 NxN 형태의 컨볼루션 필터를 곱해서 출력 데이터를 획득한다(801). 획득된 출력 데이터는 영상 분석결과로서 LUT 제어모듈(173)로 출력된다. 다른 실시예에서, 컨볼루션 필터는 M개의 채널(CH)로 구성될 수도 있다.
특정 필터가 영상분석 기능을 수행하는 경우, 다음 처리 단계인 비선형 함수는 동작하지 않고 입력된 영상데이터를 바이패스(by-pass)한다(802). 그에 따라, 입력된 영상데이터가 그대로 필터를 통과하여 출력됨으로써, 다음 필터, 예를 들면 도 7의 제2 필터(Filter 2)에서 조절이 이루어질 수 있게 된다.
도 12는 해상도 확장(스케일링 업)을 수행하는 필터, 예를 들면 도 7의 제2 필터(Filter 2)의 동작을 도시한다.
도 12에 도시된 바와 같이, 스케일링 업을 수행하는 필터, 예를 들면 도 7의 제2 필터(Filter 2)는, 도 9에서 설명한 DNN 모드에서의 필터와 같은 방식으로 동작한다. 다시 말해, 필터는 영상데이터를 입력받아 처리된 영상데이터를 출력함으로써, 저해상도 영상인 비디오신호가 스케일링 업에 따라 해상도가 조절된 고해상도 영상으로 생성되도록 한다.
한편, 본 발명 다른 실시예에서, AI 스케일러(133)가 영상분석 모드로 동작하는 경우, 사용하지 않는 필터들 중 적어도 하나를 이용하여 후처리를 수행하도록 구현될 수 있다.
도 13은 본 발명 다른 실시예의 디스플레이장치에서 비디오신호 처리를 위한 구성을 상세하게 도시한 블록도이다.
도 13에 도시된 바와 같이, AI 스케일러(133)를 구성하는 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N) 중 제3조합의 필터를 이용하여 비디오신호가 처리될 수 있다.
제3조합의 필터는, 도 7에 도시된 바와 같은 제1조합의 필터에 후처리를 수행하는 하나 이상의 필터를 더 포함하는 형태로 조합될 수 있다.
구체적으로, 제3조합의 필터에서, 어느 하나의 필터, 예를 들면 제1 필터(Filter 1)는 영상 즉, 비디오신호의 특성을 분석하는 영상분석유닛의 역할을 수행하고, 다른 하나 즉, 제2 필터(Filter 2)가 스케일링 업에 따라 해상도가 조절된 고해상도 영상(High Resolution Image)을 생성하는 역할을 수행한다. 그리고, 도 13에 도시된 바와 같이, 복수의 필터(Filter 1, Filter 2, … , Filter M, Filter N) 중 또 다른 적어도 하나, 예를 들면 N번째 필터(Filter N)가 영상의 화질 개선을 위한 후처리(post-processing)를 수행할 수 있다.
여기서, 후처리는 노이즈 감소, 디테일 강화 등의 영상 화질 개선을 위한 다양한 프로세스를 포함하며, 후처리의 종류는 한정되지 않는다.
상기와 같은 N번째 필터(Filter N)는 사실상 도 2의 일 실시예에서 후처리모듈(134)의 기능을 적어도 일부 수행하는 것이 된다.
상기와 같은 다른 실시예에 따른 디스플레이장치(100)에서는 AI 스케일러(133)의 가변 조합이 가능한 복수의 필터 중에서 영상분석 모드에서는 사용하지 않는 필터 즉 유휴자원을 후처리에 활용함으로써, 자원의 활용도를 높이고 영상 화질 개선의 향상된 효과를 기대할 수 있게 된다.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며 특허청구범위 내에서 다양하게 실시될 수 있다.
100 : 디스플레이장치 110 : 신호수신부
111 : 접속부 120 : 통신부
130 : 비디오 처리부 131 : 비디오 디코더
133 : AI 스케일러 140 : 디스플레이부
150 : 사용자입력부 160 : 저장부
170 : 제어부

Claims (20)

  1. 디스플레이장치에 있어서,
    입력되는 비디오신호를 디코딩하는 비디오 디코더;
    가변 조합이 가능한 복수의 필터를 포함하며, 상기 복수의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하여 영상의 해상도를 조절하는 AI 스케일러;
    제1 AI학습기반 처리에 대응하여, 상기 복수의 필터 중 제1조합의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하도록 하고,
    제2 AI학습기반 처리에 대응하여, 상기 복수의 필터 중 상기 제1조합과는 다른 제2조합의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하도록 상기 AI 스케일러를 제어하는 제어부를 포함하는 디스플레이장치.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 제1 AI학습기반 처리와 상기 제2 AI학습기반 처리 중 어느 하나를 나타내는 구성제어 신호에 대응하여 상기 복수의 필터 각각이 온 또는 오프되도록 제어하여, 상기 AI 스케일러가 상기 제1조합의 필터와 상기 제2조합의 필터 중 어느 하나를 이용하여 상기 디코딩된 비디오신호를 처리하도록 제어하는 디스플레이장치.
  3. 제1항에 있어서,
    상기 제1조합의 필터는,
    상기 비디오신호의 영상 특성을 분석하는 제1필터와, 상기 분석된 영상의 특성에 대응하는 파라미터로 세팅되어 상기 영상의 해상도를 조절하는 제2필터를 포함하는 디스플레이장치.
  4. 제3항에 있어서,
    사전에 상기 제1 AI학습을 수행하여, 영상의 특성 별로 생성된 룩업테이블이 저장된 저장부를 더 포함하고,
    상기 제어부는,
    상기 제1필터에 의해 분석된 영상의 특성에 대응하는 파라미터를 상기 룩업테이블로부터 추출하고, 상기 추출된 파라미터로 상기 제2필터를 세팅하는 디스플레이장치.
  5. 제3항에 있어서,
    상기 AI 스케일러는,
    상기 제2필터에 의해 해상도가 조절된 영상에 대해, 노이즈제거 또는 디테일 강화 중 적어도 하나에 대응하는 후처리를 수행하는 제3필터를 더 포함하는 제3조합의 필터를 이용하여 상기 디코딩된 비디오 신호를 처리하는 디스플레이장치.
  6. 제1항에 있어서,
    상기 제2조합의 필터는,
    각각이 소정 파라미터로 세팅되어 상기 영상의 해상도를 조절하는 복수의 필터를 포함하는 디스플레이장치.
  7. 제6항에 있어서,
    사전에 상기 제2 AI학습을 수행하여 생성된 룩업테이블이 저장된 저장부를 더 포함하고,
    상기 제어부는,
    상기 룩업테이블로부터 추출된 파라미터로 상기 복수의 필터를 세팅하는 디스플레이장치.
  8. 제7항에 있어서,
    상기 제어부는,
    상기 비디오 디코더로부터 상기 비디오신호의 코덱정보를 획득하고, 상기 획득된 코덱 정보에 기초하여 상기 룩업테이블로부터 파라미터를 추출하는 디스플레이장치.
  9. 제8항에 있어서,
    상기 코덱 정보는 코덱 종류 또는 압축 강도 중 적어도 하나를 포함하는 디스플레이장치.
  10. 제1항에 있어서,
    상기 복수의 필터 중 적어도 하나의 필터는 제1조합의 필터 및 제2조합의 필터에 포함되어, 상기 제1 AI학습기반 처리와 상기 제2 AI학습기반 처리에서 공용으로 사용되는 디스플레이장치.
  11. 디스플레이장치의 제어방법에 있어서,
    입력되는 비디오신호를 디코딩하는 단계; 및
    가변 조합이 가능한 복수의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하여 영상의 해상도를 조절하는 단계를 포함하며,
    상기 영상의 해상도를 조절하는 단계는,
    제1 AI학습기반 처리에 대응하여, 상기 복수의 필터 중 제1조합의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하는 단계, 또는
    제2 AI학습기반 처리에 대응하여, 상기 복수의 필터 중 상기 제1조합과는 다른 제2조합의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하는 단계를 포함하는 디스플레이장치의 제어방법.
  12. 제11항에 있어서,
    상기 영상의 해상도를 조절하는 단계는,
    상기 제1 AI학습기반 처리와 상기 제2 AI학습기반 처리 중 어느 하나를 나타내는 구성제어 신호에 대응하여 상기 복수의 필터 각각이 온 또는 오프되도록 제어하여, 상기 제1조합의 필터와 상기 제2조합의 필터 중 어느 하나를 이용하여 상기 디코딩된 비디오신호를 처리하는 단계를 포함하는 디스플레이장치의 제어방법.
  13. 제11항에 있어서,
    상기 제1조합의 필터를 이용하여 비디오신호를 처리하는 단계는,
    제1필터에 의해 상기 비디오신호의 영상 특성을 분석하는 단계와;
    상기 분석된 영상의 특성에 대응하는 파라미터로 세팅된 제2필터에 의해 상기 영상의 해상도를 조절하는 단계를 포함하는 디스플레이장치의 제어방법.
  14. 제13항에 있어서,
    사전에 상기 제1 AI학습을 수행하여, 영상의 특성 별로 생성된 룩업테이블을 저장하는 단계를 더 포함하고,
    상기 제1조합의 필터를 이용하여 비디오신호를 처리하는 단계는,
    상기 제1필터에 의해 분석된 영상의 특성에 대응하는 파라미터를 상기 룩업테이블로부터 추출하는 단계; 및
    상기 추출된 파라미터로 상기 제2필터를 세팅하는 단계를 포함하는 디스플레이장치의 제어방법.
  15. 제13항에 있어서,
    상기 제1조합의 필터를 이용하여 비디오신호를 처리하는 단계는,
    상기 제2필터에 의해 해상도가 조절된 영상에 대해, 제3필터에 의해 노이즈제거 또는 디테일 강화 중 적어도 하나에 대응하는 후처리를 수행하는 단계를 더 포함하는 디스플레이장치의 제어방법.
  16. 제11항에 있어서,
    상기 제2조합의 필터를 이용하여 비디오신호를 처리하는 단계는,
    각각이 소정 파라미터로 세팅된 복수의 필터에 의해 상기 영상의 해상도를 조절하는 단계를 포함하는 디스플레이장치의 제어방법.
  17. 제16항에 있어서,
    사전에 상기 제2 AI학습을 수행하여 생성된 룩업테이블을 저장하는 단계를 더 포함하고,
    상기 제2조합의 필터를 이용하여 비디오신호를 처리하는 단계는,
    상기 룩업테이블로부터 추출된 파라미터로 상기 복수의 필터를 세팅하는 단계를 더 포함하는 디스플레이장치의 제어방법.
  18. 제17항에 있어서,
    상기 제2조합의 필터를 이용하여 비디오신호를 처리하는 단계는,
    상기 비디오 디코더로부터 상기 비디오신호의 코덱정보를 획득하는 단계; 및
    상기 획득된 코덱 정보에 기초하여 상기 룩업테이블로부터 파라미터를 추출하는 단계를 더 포함하는 디스플레이장치의 제어방법.
  19. 제18항에 있어서,
    상기 코덱 정보는 코덱 종류 또는 압축 강도 중 적어도 하나를 포함하는 디스플레이장치의 제어방법.
  20. 디스플레이장치의 프로세서에 의해 실행 가능한 방법의 프로그램이 기록된, 컴퓨터에 의해 독취가능한 비휘발성의 기록매체에 있어서,
    상기 방법은,
    디스플레이장치의 제어방법에 있어서,
    입력되는 비디오신호를 디코딩하는 단계; 및
    가변 조합이 가능한 복수의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하여 영상의 해상도를 조절하는 단계를 포함하며,
    상기 영상의 해상도를 조절하는 단계는,
    제1 AI학습기반 처리에 대응하여, 상기 복수의 필터 중 제1조합의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하는 단계, 또는
    제2 AI학습기반 처리에 대응하여, 상기 복수의 필터 중 상기 제1조합과는 다른 제2조합의 필터를 이용하여 상기 디코딩된 비디오신호를 처리하는 단계를 포함하는 기록매체.
KR1020180138373A 2018-11-12 2018-11-12 디스플레이장치, 그 제어방법 및 기록매체 KR102622950B1 (ko)

Priority Applications (9)

Application Number Priority Date Filing Date Title
KR1020180138373A KR102622950B1 (ko) 2018-11-12 2018-11-12 디스플레이장치, 그 제어방법 및 기록매체
EP19207013.4A EP3651462A1 (en) 2018-11-12 2019-11-04 Display apparatus and method of scaling the image resolution
JP2021513901A JP7214845B2 (ja) 2018-11-12 2019-11-07 ディスプレイ装置及びその制御方法
AU2019381040A AU2019381040B2 (en) 2018-11-12 2019-11-07 Display apparatus and method of controlling the same
PCT/KR2019/015016 WO2020101257A1 (en) 2018-11-12 2019-11-07 Display apparatus and method of controlling the same
TW108140585A TW202025090A (zh) 2018-11-12 2019-11-08 顯示器裝置以及控制其的方法
CN201911098874.4A CN111179163A (zh) 2018-11-12 2019-11-11 显示装置及其控制方法
US16/680,974 US11265564B2 (en) 2018-11-12 2019-11-12 Display apparatus and method of controlling the same
US17/671,070 US11968382B2 (en) 2018-11-12 2022-02-14 Display apparatus and method of controlling the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180138373A KR102622950B1 (ko) 2018-11-12 2018-11-12 디스플레이장치, 그 제어방법 및 기록매체

Publications (2)

Publication Number Publication Date
KR20200054720A true KR20200054720A (ko) 2020-05-20
KR102622950B1 KR102622950B1 (ko) 2024-01-10

Family

ID=68468557

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180138373A KR102622950B1 (ko) 2018-11-12 2018-11-12 디스플레이장치, 그 제어방법 및 기록매체

Country Status (8)

Country Link
US (2) US11265564B2 (ko)
EP (1) EP3651462A1 (ko)
JP (1) JP7214845B2 (ko)
KR (1) KR102622950B1 (ko)
CN (1) CN111179163A (ko)
AU (1) AU2019381040B2 (ko)
TW (1) TW202025090A (ko)
WO (1) WO2020101257A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022065977A1 (ko) * 2020-09-28 2022-03-31 현대자동차주식회사 가변계수 딥러닝 기반 인터 예측 방법
WO2022154137A1 (ko) * 2021-01-13 2022-07-21 삼성전자(주) 전자장치 및 그 제어방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11570397B2 (en) * 2020-07-10 2023-01-31 Disney Enterprises, Inc. Deinterlacing via deep learning
TWI824289B (zh) 2021-02-08 2023-12-01 明俐科技有限公司 影像處理演算法的測試系統及測試方法
US11979565B2 (en) * 2021-05-27 2024-05-07 Tencent America LLC Content-adaptive online training method and apparatus for post-filtering
TWI806258B (zh) * 2021-11-25 2023-06-21 宏碁股份有限公司 電子裝置及其操作方法
CN115984675B (zh) * 2022-12-01 2023-10-13 扬州万方科技股份有限公司 一种用于实现多路视频解码及ai智能分析的系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150135637A (ko) * 2014-05-22 2015-12-03 주식회사 칩스앤미디어 복호화 정보를 이용한 해상도 변환 장치 및 그 방법
WO2016132152A1 (en) * 2015-02-19 2016-08-25 Magic Pony Technology Limited Interpolating visual data
KR20180009048A (ko) * 2015-06-16 2018-01-25 엘지전자 주식회사 영상의 부호화/복호화 방법 및 이를 위한 장치

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7630576B2 (en) * 2004-02-19 2009-12-08 Sony Corporation Signal processing apparatus and method, and command-sequence data structure
US7738739B2 (en) * 2006-01-26 2010-06-15 Vestel Elektronik Sanayi Ve Ticaret A.S. Method and apparatus for adjusting the resolution of a digital image
EP2123051B1 (en) * 2006-12-18 2010-11-10 Koninklijke Philips Electronics N.V. Image compression and decompression
US8073282B2 (en) 2007-07-23 2011-12-06 Qualcomm Incorporated Scaling filter for video sharpening
US8204128B2 (en) * 2007-08-01 2012-06-19 Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of Industry, Through The Communications Research Centre Canada Learning filters for enhancing the quality of block coded still and video images
JP2009151896A (ja) 2007-12-21 2009-07-09 Sony Corp 画像処理装置、動画再生装置、これらにおける処理方法およびプログラム
JP4140662B2 (ja) * 2008-03-10 2008-08-27 ソニー株式会社 係数種データ生成装置および係数データ生成装置
US10123050B2 (en) * 2008-07-11 2018-11-06 Qualcomm Incorporated Filtering video data using a plurality of filters
JP5366855B2 (ja) * 2010-02-16 2013-12-11 富士フイルム株式会社 画像処理方法及び装置並びにプログラム
US8964853B2 (en) * 2011-02-23 2015-02-24 Qualcomm Incorporated Multi-metric filtering
US20140067739A1 (en) * 2012-08-29 2014-03-06 Bae Systems Information And Electronics Systems Integration Inc. Reduction or elimination of training for adaptive filters and neural networks through look-up table
GB201603144D0 (en) * 2016-02-23 2016-04-06 Magic Pony Technology Ltd Training end-to-end video processes
US20160321523A1 (en) * 2015-04-30 2016-11-03 The Regents Of The University Of California Using machine learning to filter monte carlo noise from images
WO2017002283A1 (ja) * 2015-07-01 2017-01-05 パナソニックＩｐマネジメント株式会社 符号化方法、復号方法、符号化装置、復号装置および符号化復号装置
KR102124714B1 (ko) * 2015-09-03 2020-06-19 미디어텍 인크. 비디오 코딩에서의 신경망 기반 프로세싱의 방법 및 장치
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
WO2017191749A1 (ja) * 2016-05-02 2017-11-09 ソニー株式会社 画像処理装置及び画像処理方法
US10645384B2 (en) 2016-05-02 2020-05-05 Sony Corporation Encoding apparatus and encoding method as well as decoding apparatus and decoding method
WO2018131524A1 (ja) * 2017-01-12 2018-07-19 ソニー株式会社 画像処理装置及び画像処理方法
KR20180089939A (ko) * 2017-02-01 2018-08-10 삼성전자주식회사 비디오 코딩 모듈 및 그것의 동작 방법
CN110383836A (zh) 2017-03-15 2019-10-25 索尼公司 编码装置、编码方法、解码装置和解码方法
JP6994868B2 (ja) * 2017-08-09 2022-01-14 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 符号化装置、復号装置、符号化方法、および復号方法
US10979718B2 (en) * 2017-09-01 2021-04-13 Apple Inc. Machine learning video processing systems and methods
US10986340B2 (en) * 2018-06-01 2021-04-20 Qualcomm Incorporated Coding adaptive multiple transform information for video coding

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150135637A (ko) * 2014-05-22 2015-12-03 주식회사 칩스앤미디어 복호화 정보를 이용한 해상도 변환 장치 및 그 방법
WO2016132152A1 (en) * 2015-02-19 2016-08-25 Magic Pony Technology Limited Interpolating visual data
KR20180009048A (ko) * 2015-06-16 2018-01-25 엘지전자 주식회사 영상의 부호화/복호화 방법 및 이를 위한 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022065977A1 (ko) * 2020-09-28 2022-03-31 현대자동차주식회사 가변계수 딥러닝 기반 인터 예측 방법
WO2022154137A1 (ko) * 2021-01-13 2022-07-21 삼성전자(주) 전자장치 및 그 제어방법

Also Published As

Publication number Publication date
AU2019381040A1 (en) 2021-04-08
US20220166996A1 (en) 2022-05-26
US20200154123A1 (en) 2020-05-14
EP3651462A1 (en) 2020-05-13
US11265564B2 (en) 2022-03-01
JP7214845B2 (ja) 2023-01-30
CN111179163A (zh) 2020-05-19
WO2020101257A1 (en) 2020-05-22
JP2022511310A (ja) 2022-01-31
KR102622950B1 (ko) 2024-01-10
AU2019381040B2 (en) 2022-03-10
US11968382B2 (en) 2024-04-23
TW202025090A (zh) 2020-07-01

Similar Documents

Publication Publication Date Title
KR102622950B1 (ko) 디스플레이장치, 그 제어방법 및 기록매체
US11727951B2 (en) Display apparatus, voice acquiring apparatus and voice recognition method thereof
RU2719439C1 (ru) Устройство отображения изображения и способ его работы
CN114302190B (zh) 一种显示设备及画质调整方法
US10817979B2 (en) Image display device and method of operating the same
US11308650B2 (en) Display apparatus, image providing apparatus, and methods of controlling the same
KR20190093722A (ko) 전자장치, 그 제어방법 및 컴퓨터프로그램제품
EP3839874B1 (en) Apparatus and method to compress an image
US11205391B2 (en) Image and audio processing apparatus and operating method of the same
US20160191841A1 (en) Display device and display method
US11373659B2 (en) Display apparatus and method of controlling the same
US11303958B2 (en) Display device and image display method of the same
US11930236B2 (en) Content playback device using voice assistant service and operation method thereof
KR20210093605A (ko) 디스플레이 장치 및 그 동작 방법
KR20240011779A (ko) 조정 가능한 사용자 인터페이스(ui) 요소를 통한 수화 비디오의 디스플레이
CN114554266A (zh) 显示设备及显示方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right