KR20200068321A

KR20200068321A - 디스플레이 장치 및 그 구동 방법

Info

Publication number: KR20200068321A
Application number: KR1020180155157A
Authority: KR
Inventors: 박재성
Original assignee: 삼성전자주식회사
Priority date: 2018-12-05
Filing date: 2018-12-05
Publication date: 2020-06-15
Also published as: KR102608147B1; US20200184905A1; US10950189B2

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 특히, 디스플레이 장치는, 디스플레이 패널, 복수의 백라이트 블록을 포함하는 백라이트 유닛 및 입력 영상의 픽셀 정보에 인공지능 모델을 적용하여 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득하고, 획득된 전류 듀티에 기초하여 백라이트 유닛을 구동하는 프로세서를 포함하고, 인공지능 모델은, 복수의 샘플 영상 각각에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보에 기초하여 학습된 모델일 수 있다.

Description

디스플레이 장치 및 그 구동 방법 { Display apparatus and driving method thereof }

본 개시는 디스플레이 장치 및 그 구동 방법에 관한 것으로서, 보다 상세하게는, 백라이트를 구비하는 디스플레이 장치 및 그 구동 방법에 관한 것이다.

또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.

근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.

인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공 지능 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, 오브젝트 인식, 오브젝트 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.

한편, 종래의 룰 기반 로컬 디밍(Local Dimming)은 출력 영상의 특성에 대한 고려 없이 입력 영상의 평균 픽셀 값, 최대 픽셀 값 또는 최소 픽셀 값 등만을 고려하여 전류 듀티를 획득하고, 이에 기초하여 백라이트를 제어하였다. 비자발광 디스플레이 장치에서도 출력 영상의 특성을 고려하여 로컬 디밍을 수행하여 자발광 디스플레이 장치 수준의 명암비로 영상을 출력하기 위한 방법이 요구되었다.

본 개시은 상술한 필요성에 따른 것으로, 본 개시의 목적은 인공지능 모델을 이용하여 백라이트를 로컬 디밍하는 디스플레이 장치 및 그 구동 방법을 제공함에 있다.

상기 목적을 달성하기 위한 본 개시에 따른 디스플레이 장치는, 디스플레이 패널, 복수의 백라이트 블록을 포함하는 백라이트 유닛 및 입력 영상의 픽셀 정보에 인공지능 모델을 적용하여 상기 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득하고, 상기 획득된 전류 듀티에 기초하여 상기 백라이트 유닛을 구동하는 프로세서를 포함하고, 상기 인공지능 모델은, 복수의 샘플 영상 각각에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보에 기초하여 학습된 모델이다.

여기서, 상기 복수의 샘플 영상 각각에 대응되는 출력 영상은, 상기 복수의 샘플 영상 각각에 백라이트 로컬 디밍을 적용하여 획득된 출력 영상일 수 있다.

또한, 상기 인공지능 모델은, 상기 복수의 샘플 영상 각각에 초기 인공지능 모델을 적용하여 획득된 상기 출력 영상에 포함된 상기 제1 휘도 정보 및 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 상기 제2 휘도 정보에 기초하여 학습된 모델일 수 있다.

또한, 상기 프로세서는, 상기 백라이트 유닛을 구동함에 따라 출력되는 출력 영상에 포함된 제3 휘도 정보 및 상기 입력 영상에 포함된 픽셀 정보에 대응되는 제4 휘도 정보에 기초하여 상기 인공지능 모델을 업데이트할 수 있다.

또한, 상기 프로세서는, 상기 제3 휘도 정보 및 상기 제4 휘도 정보 간 차이 값에 기초하여 상기 인공지능 모델을 업데이트하고, 새로운 입력 영상이 수신되면, 상기 수신된 새로운 입력 영상의 픽셀 정보에 상기 업데이트된 인공지능 모델을 적용하여 상기 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득할 수 있다.

또한, 상기 프로세서는, 상기 각 백라이트 블록에 포함된 각 광원의 광 프로파일에 기초하여 광 확산(Diffuser) 정보 또는 광 투과 정보 중 적어도 하나를 예측하고, 상기 예측된 정보에 기초하여 상기 제3 휘도 정보를 획득할 수 있다.

또한, 상기 제2 휘도 정보는, 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 기준 전류 값을 적용하여 획득된 휘도 정보일 수 있다.

또한, 상기 복수의 샘플 영상은, 풀 이미지(Full image) 또는 블록 단위 이미지 중 적어도 하나의 형태일 수 있다.

또한, 상기 디스플레이 패널은, 액정 표시 패널(Liquid Crystal Panel)일 수 있다.

또한, 상기 인공지능 모델은, 상기 입력 영상에 차원 축소(Dimensionality Reduction)를 이용하여 상기 복수의 백라이트 블록 각각의 대표 출력 값을 획득하는 DNN(Deep Neural Network) 모델 또는 복수의 DNN 모델의 조합일 수 있다.

한편, 본 발명의 일 실시 예에 따른 백라이트 유닛을 포함하는 디스플레이 장치의 구동 방법은 입력 영상의 픽셀 정보에 인공지능 모델을 적용하여 상기 백라이트 유닛에 포함된 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득하는 단계 및 상기 획득된 전류 듀티에 기초하여 상기 백라이트 유닛을 구동하는 단계를 포함하고, 상기 인공지능 모델은, 복수의 샘플 영상 각각에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보에 기초하여 학습된 모델일 수 있다.

또한, 상기 복수의 샘플 영상 각각에 대응되는 출력 영상은, 상기 복수의 샘플 영상 각각에 백라이트 로컬 디밍을 적용하여 획득된 출력 영상일 수 있다.

또한, 상기 백라이트 유닛을 구동함에 따라 출력되는 출력 영상에 포함된 제3 휘도 정보 및 상기 입력 영상에 포함된 픽셀 정보에 대응되는 제4 휘도 정보에 기초하여 상기 인공지능 모델을 업데이트하는 단계를 포함할 수 있다.

또한, 상기 업데이트하는 단계는, 상기 제3 휘도 정보 및 상기 제4 휘도 정보 간 차이 값에 기초하여 상기 인공지능 모델을 업데이트하고, 상기 전류 듀티를 획득하는 단계는, 새로운 입력 영상이 수신되면, 상기 수신된 새로운 입력 영상의 픽셀 정보에 상기 업데이트된 인공지능 모델을 적용하여 상기 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득할 수 있다.

또한, 상기 각 백라이트 블록에 포함된 각 광원의 광 프로파일에 기초하여 광 확산(Diffuser) 정보 또는 광 투과 정보 중 적어도 하나를 예측하고, 상기 예측된 정보에 기초하여 상기 제3 휘도 정보를 획득하는 단계를 포함할 수 있다.

또한, 상기 디스플레이 장치에 포함된 디스플레이 패널은, 액정 표시 패널(Liquid Crystal Panel)일 수 있다.

이상 설명한 바와 같이 본 개시의 다양한 실시 예에 따르면, 상술한 바와 같이 본 발명의 다양한 실시 예에 따르면, 입력 영상에 최적화된 로컬 디밍을 이용하여 출력 영상의 명암비가 향상시킬 수 있게 된다.

도 1은 본 개시의 일 실시 예에 따른 디스플레이 패널의 특성을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 디스플레이 장치의 구성을 나타내는 블록도이다.
도 3a 및 3b는 본 개시의 일 실시 예에 따른 로컬 디밍 방법을 설명하기 위한 도면들이다.
도 4는 본 개시의 일 실시 예에 따라 각 백라이트 블록에 대응되는 전류 듀티를 획득하는 방법을 설명하기 위한 도면들이다.
도 5는 본 개시의 일 실시 예에 따른 출력 영상을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른, 인공지능 모델을 설명하기 위한 블록도이다.
도 7 및 도 8은 본 개시의 일 실시 예에 따른, 학습부 및 인식부의 구체적인 구성을 나타내는 블록도이다.
도 9 및 도 10은 본 개시의 일 실시 예에 따른 디스플레이 장치의 세부 구성을 설명하기 위한 도면들이다.
도 11은 본 개시의 일 실시 예에 따른 디스플레이 장치의 구동 방법을 설명하기 위한 흐름도이다.

이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.

본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.

본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 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.

본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.

본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

이하 첨부된 도면들을 참조하여 본 개시의 일 실시 예를 보다 상세하게 설명한다.

도 1은 본 개시의 일 실시 예에 따른 디스플레이 패널의 특성을 설명하기 위한 도면이다.

스스로 발광하지 않는 소자로 구현된 디스플레이 패널, 예를 들어 LCD(Liquid Crystal Display) 패널이 영상을 구현하려면 디스플레이 모듈에 백라이트가 구비되어야 한다.

백라이트를 이용하여 영상을 구현하는 LCD 패널은 영상을 디스플레이하기 위하여 일정 시간 출력 영상 신호를 유지하게 된다. 일 실시 예에 따른 디스플레이 장치(100)는 명암비(contrast ratio), 소비 전력을 개선하기 위한 방법으로, 백라이트 디밍을 이용하고 있다. 백라이트 디밍은 화면을 다수의 영역으로 분할하고 영역 별로 백라이트 점등 시간을 개별 제어하는 로컬 디밍(Local dimming)과 화면 전체의 백라이트 점등 시간을 일괄적으로 제어하는 글로벌 디밍(Global dimming)으로 구분될 수 있다.

일 실시 예에 따른 디스플레이 장치(100)는 영상에서 상대적으로 어두운 부분에 대응되는 백라이트의 점등 시간을 감소시키거나 광량을 줄일 수 있다. 또한, 디스플레이 장치(100)는 영상에서 상대적으로 밝은 부분에 대응되는 백라이트의 점등 시간을 증가시키거나 광량을 늘릴 수 있다. 이에 따라, 디스플레이 장치(100)는 명암비가 증가된 영상을 출력할 수 있다.

이하에서는, 복수의 샘플 영상을 포함하는 기본 데이터로 기계 학습(machine learning)된 인공지능 모델을 이용하여 로컬 디밍을 수행하는 다양한 실시 예에 대해 설명하도록 한다.

도 2는 본 개시의 일 실시 예에 따른 디스플레이 장치의 구성을 나타내는 블록도이다.

도 2에 따르면, 디스플레이 장치(100)는, 디스플레이 패널(110), 백라이트 유닛(120) 및 프로세서(130)를 포함한다.

디스플레이 장치(100)는 스마트 폰, 태블리스, 스마트 TV, 인터넷 TV, 웹 TV, IPTV(Internet Protocol Television), 싸이니지, PC, 스마트 TV, 모니터 등으로 구현될 수 있으나, 이에 한정되는 것은 아니며, LFD(large format display), Digital Signage(디지털 간판), DID(Digital Information Display), 비디오 월(video wall), 프로젝터 디스플레이 등과 같이 디스플레이 기능을 갖춘 다양한 유형의 장치로 구현될 수 있다.

디스플레이 패널(110)은 복수의 픽셀을 포함하며, 각 픽셀은 복수의 서브 픽셀로 이루어질 수 있다. 예를 들어, 각 픽셀은 복수의 광 예를 들어, 적색, 녹색, 청색의 광(R, G, B)에 대응하는 세 개의 서브 픽셀로 이루어질 수 있다. 그러나 이에 한정되지 않고 경우에 따라서 적색, 녹색, 청색의 서브 픽셀 이외에 시안(Cyan), 마젠타(Magenta), 옐로(Yellow), 블랙(Black) 또는 다른 서브 픽셀도 포함될 수 있다. 여기서, 디스플레이 패널(110)은 액정 표시 패널(Liquid Crystal Panel)로 구현될 수 있다. 다만, 본 개시의 일 실시 예에 따른 백라이트 디밍이 적용 가능하다면 다른 형태의 디스플레이 패널로 구현되는 것도 가능하다.

백라이트 유닛(120)은 디스플레이 패널(110)로 광을 조사한다.

특히, 백라이트 유닛(120)은 디스플레이 패널(110)의 배면, 즉 영상이 표시되는 면의 반대 면에서 디스플레이 패널(110)에 광을 조사한다.

백라이트 유닛(120)은 다수의 광원들을 포함하고, 다수의 광원은 램프와 같은 선광원 또는 발광 다이오드와 같은 점광원 등을 포함할 수 있으나 이에 한정되지 않는다. 백라이트 유닛(120)은 직하형(direct type) 백라이트 유닛 또는, 에지형(edge type) 백라이트 유닛으로 구현될 수 있다. 백라이트 유닛(120)의 광원은 LED(Light Emitting Diode), HCFL(Hot Cathode Fluorescent Lamp), CCFL(Cold Cathode Fluorescent Lamp), EEFL(External Electrode Fluorescent Lamp), ELP, FFL 중 어느 하나 또는 두 종류 이상의 광원을 포함할 수 있다.

일 실시 예에 따라 백라이트 유닛(120)은 복수의 백라이트 블록, 복수의 LED 모듈 및/또는, 복수의 LED 캐비넷(cabinet)으로 구현될 수 있다. 또한 백라이트 블록은 복수 개의 LED 픽셀들을 포함할 수 있는데, 일 예에 따라 LED 픽셀은 Blue LED 또는 White LED로 구현될 수 있으나, 이에 한정되는 것은 아니며, RED LED, GREEN LED 또는 BLUE LED 중 적어도 하나를 포함하는 형태로 구현 가능하다.

프로세서(130)는 디스플레이 장치(100)의 전반적인 동작을 제어한다.

일 실시 예에 따라 프로세서(130)는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), GPU(graphics-processing unit) 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(130)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다. 프로세서(130)는 메모리(120)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 다양한 기능을 수행할 수 있다.

프로세서(130)는 디스플레이 패널(110)로 광을 제공하도록 백라이트 유닛(120)을 구동한다. 구체적으로, 프로세서(130)는 백라이트 유닛(120)으로 공급되는 구동 전류(또는 구동 전압)의 공급 시간 및 세기 중 적어도 하나를 조절하여 출력한다.

구체적으로, 프로세서(130)는 듀티비가 가변되는 펄스폭 변조(Pulse Width Modulation, PWM)로 백라이트 유닛(120)에 포함된 광원들의 휘도를 제어하거나, 전류의 세기를 가변하여 백라이트 유닛(120)의 광원들의 휘도를 제어할 수 있다. 여기서, 펄스폭 변조 신호(PWM)는 광원들의 점등 및 소등의 비율을 제어하며, 그 듀티비(duty ratio %)는 프로세서(130)로부터 입력되는 디밍값에 따라 결정된다.

이 경우 프로세서(130)는 백라이트 유닛(120)을 구동하기 위한 드라이버 IC를 포함하는 형태로 구현될 수 있다. 예를 들어, 프로세서(130)는 DSP로 구현되고, 디지털 드라이버 IC와 one chip으로 구현될 수 있다. 다만, 드라이버 IC는 프로세서(130)와 별도의 하드웨어로 구현될 수도 있음은 물론이다. 예를 들어, 백라이트 유닛(120)에 포함된 광원들이 LED 소자로 구현되는 경우, 드라이버 IC는 LED 소자에 인가되는 전류를 제어하는 적어도 하나의 LED 드라이버로 구현될 수 있다. 일 실시 예에 따라, LED 드라이버는 파워 서플라이(power supply)(예를 들어, SMPS(Switching Mode Power Supply)) 후단에 배치되어 파워 서플라이로부터 전압을 인가받을 수 있다. 다만, 다른 실시 예에 따르면, 별도의 전원 장치로부터 전압을 인가받을 수도 있다. 또는, SMPS 및 LED 드라이버가 하나로 통합된 모듈 형태로 구현되는 것도 가능하다.

프로세서(130)는 백라이트 유닛(120)을 구동하기 위한 디밍 비율 즉, 전류의 점등 듀티(이하 전류 듀티라고 함)를 획득한다. 프로세서(130)는 백라이트 유닛(120)에 포함된 복수의 백라이트 블록 각각을 서로 다른 전류 듀티로 구동할 수 있다. 이에 따라, 디스플레이 장치(100)는 로컬 디밍을 구현하고 명암비를 개선할 수 있다.

본 개시의 일 실시 예에 따른 프로세서(130)는 입력 영상의 픽셀 정보에 인공지능 모델을 적용하여 백라이트 유닛(120)을 구동하기 위한 전류 듀티를 획득할 수 있다. 여기서, 인공지능 모델은 복수의 샘플 영상을 포함하는 기본 데이터로 기계 학습된 모델이다. 일 예로, 인공지능 모델은 복수의 샘플 영상에 기초하여 CNN(Convolution Neural Network, 컨볼루션 신경망) 학습(training)된 모델일 수 있다. 여기서, CNN은 음성처리, 이미지 처리 등을 위해 고안된 특수한 연결구조를 가진 다층신경망이다. 특히, CNN은 픽셀에 전처리를 통하여 이미지를 다양하게 필터링하고, 이미지의 특성을 인식할 수 있다. 한편, 인공지능 모델은 CNN에 한정되지 않음은 물론이다. 예를 들어, 디스플레이 장치(100)는 RNN(Recurrent Neural Network), DNN(Deep Neural Network) 등 다양한 신경망(Neural Network)에 기반한 인공지능 모델을 이용할 수 있다.

본 개시의 일 실시 예에 따른 입력 영상의 픽셀 정보(또는 픽셀 물리량)는, 입력 영상의 픽셀 별 픽셀 값, 평균 픽셀 값, 최대 픽셀 값(또는 피크 픽셀 값), 최저 픽셀 값 및 중간 픽셀 값 및 APL(Average Picture Level) 중 적어도 하나가 될 수 있다. 또는, 픽셀 정보는 입력 영상에 포함된 각 영상 블록 영역의 평균 픽셀 값, 최대 픽셀 값(또는 피크 픽셀 값), 최저 픽셀 값 및 중간 픽셀 값 및 APL 중 적어도 하나가 될 수 있다. 이 경우, 픽셀 값은 휘도 값(또는 계조 값) 및 색 좌표 값 중 적어도 하나를 포함할 수 있다. 이하에서는 설명의 편의를 위하여 픽셀 정보로서 입력 영상의 픽셀 별 픽셀 값을 이용하는 경우를 상정하여 설명하도록 한다.

도 3a 및 3b는 본 개시의 일 실시 예에 따른 로컬 디밍 방법을 설명하기 위한 도면들이다.

도 3a를 참조하면, 프로세서(130)는 입력 영상의 픽셀 정보에 인공지능 모델 학습부(310)을 적용하여 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 듀티를 획득할 수 있다.

본 개시의 일 실시 예에 따른 프로세서(130)는 입력 영상에 백라이트 로컬 디밍을 적용하여 출력하기 위한 복수의 백라이트 블록 각각의 구동 전류의 듀티를 획득할 수 있다. 예를 들어, 백라이트 유닛(120)이 M × N 형태로 배치된 복수의 백라이트 블록을 포함하는 경우를 상정할 수 있다. 프로세서(130)는 M × N 형태로 배치된 복수의 백라이트 블록 각각을 개별적으로 구동하기 위한 M × N 개의 전류 듀티를 획득할 수 있다.

본 개시의 일 실시 예에 따른 프로세서(130)는 입력 영상에서 휘도 정보 및 색상 정보를 획득하고, 휘도 정보에 인공지능 모델 학습부(310)를 적용하여 복수의 백라이트 블록 각각을 구동하기 위한 디밍 비율 즉, 전류 듀티를 획득할 수 있다. 또한, 프로세서(130)는 획득된 색상 정보를 후술하는 바와 같이 출력영상 획득부(340)로 전송할 수 있다.본 개시의 일 실시 예에 따른 인공지능 모델은 입력 영상에 차원 축소(Dimensionality Reduction)를 이용하여 복수의 백라이트 블록 각각의 대표 출력 값을 획득하는 DNN(Deep Neural Network) 모델 또는 복수의 DNN 모델의 조합일 수 있다. 일 예로, 입력 영상은 고 차원(Dimension)의 입력 정보를 포함할 수 있고, 인공지능 모델은 입력 영상에 차원 축소를 활용하여 블록 각각에 대응되는 대표 출력 값을 획득할 수 있다. 여기서, 대표 출력 값은 블록을 구동하기 위한 디밍 비율, 전류 듀티 등을 의미할 수 있다.

여기서, 차원 축소는 특징 선택(feature selection)과 특징 추출 (feature extraction) 등을 의미할 수 있다. 일 예로, 특징 선택은 프로세서(130)가 고차원의 입력 영상에서 각 블록에 대응하는 영역 별 특징을 선택하고, 선택된 특징을 입력 데이터로 하여 인공지능 모델을 적용할 수 있다. 이어서, 프로세서(130)는 각 블록 별 대표 출력 값을 획득할 수 있다.

다른 예로, 특징 추출은 프로세서(130)가 고차원의 입력 영상에서 각 블록에 대응하는 영역 별 특징을 추출하고, 추출된 특징을 입력 데이터로 하여 인공지능 모델을 적용할 수 있다. 이어서, 프로세서(130)는 각 블록 별 대표 출력 값을 획득할 수 있다.

한편, 상술한 인공지능 모델은 일 실시 예로서 다양한 알고리즘을 기반으로 하는 인공지능 모델이 적용될 수 있음은 물론이다.

도 3을 참조하면, 본 개시에서는 설명의 편의를 위해 프로세서(130)가 인공지능 모델 학습부(310)에 기초하여 획득한 복수의 백라이트 블록 각각에 대응되는 전류 듀티는 M × N Backlight Intensities(320), 가설(hypothesis), 예측 값 등으로 불릴 수 있으나, 이하에서는 설명의 편의를 위해 전류 듀티로 통칭하도록 한다.

본 개시의 일 실시 예에 따른 프로세서(130)는 백라이트 프로파일 판단부(Backlight Profile Estimation)(330)을 통해 전류 듀티(또는, M × N Backlight Intensities(320))에 대응되도록 복수의 백라이트 블록을 구동할 수 있다. 이에 대해서는 도 4를 참조하여 구체적으로 설명하도록 한다.

도 4는 본 개시의 일 실시 예에 따라 각 백라이트 블록에 대응되는 전류 듀티를 획득하는 방법을 설명하기 위한 도면들이다.

프로세서(130)는 화면을 복수의 영역으로 식별하고 영역 별로 백라이트를 개별 제어하는 로컬 디밍(Local dimming)으로 백라이트 유닛(120)을 구동할 수 있다.

프로세서(130)는 화면을 백라이트 유닛(120)의 구현 형태에 따라 별도 제어가 가능한 복수의 화면 영역으로 식별하고, 각 화면 영역의 디스플레이될 영상(이하, 영상 영역)의 픽셀 정보에 인공지능 모델 학습부(310)을 적용하여 각 영상 영역에 대응되는 백라이트 유닛(120)의 광원을 각각 구동하기 위한 전류 듀티를 획득할 수 있다. 여기서, 복수의 영상 영역에 대응되는 각 백라이트 영역은 백라이트 블록을 의미한다. 도 4를 참조하면, 백라이트 유닛(120)은 M × N 형태로 배치된 복수의 백라이트 블록(120-1, 120-2, ..., 120-n)을 포함하고, 백라이트 블록 각각은 적어도 하나의 광원 예를 들어, 복수의 광원을 포함할 수 있다.

이어서, 프로세서(130)는 복수의 백라이트 블록(120-1, 120-2, ..., 120-n)을 각각을 서로 다른 전류 듀티로 구동할 수 있다.

한편, 도 4에 도시된 백라이트 유닛(120)은 일 실시 예로서, 백라이트 유닛(120)에 포함된 복수의 백라이트의 크기 및 개수는 다양할 수 있고, 배치 형태도 다양할 수 있음은 물론이다.

일 실시 예에 따라 백라이트 유닛(120)은 도 4에 도시된 바와 같이 직하형 백라이트 유닛으로 구현될 수 있다. 예를 들어, 직하형 백라이트 유닛은 디스플레이 패널(110) 하부에 다수의 광학 시트들과 확산판이 적층되고 확산판 하부에 다수의 광원들이 배치되는 구조로 구현될 수 있다.

직하형 백라이트 유닛의 경우, 복수의 광원의 배치 구조에 기초하여 도 4에 도시된 바와 같이 복수의 백라이트 블록(120-1, 120-2, ..., 120-n)으로 구분될 수 있다. 이 경우 복수의 백라이트 블록(120-1, 120-2, ..., 120-n) 각각은 도시된 바와 같이 대응되는 화면 영역의 픽셀 정보에 인공지능 모델 학습부(310)를 적용하여 획득한 전류 듀티에 따라 구동될 수 있다.

다른 실시 예에 따라, 백라이트 유닛(120)이 에지형 백라이트 유닛으로 구현될 수도 있다. 예를 들어, 에지형 백라이트 유닛은 디스플레이 패널(110) 하부에 다수의 광학 시트들과 도광판이 적층되고 도광판의 측면에 다수의 광원들이 배치되는 구조로 구현될 수 있다. 에지형 백라이트 유닛의 경우, 복수의 광원의 배치 구조에 기초하여 복수의 백라이트 블록으로 구분될 수 있다.

도 3a로 돌아와서, 일 실시 예에 따른 프로세서(130)는 백라이트 프로파일 판단부(Backlight Profile Estimation)(330) 및 출력 영상 예측부(340)를 통해 복수의 백라이트 블록 각각에 포함된 광원의 광 프로파일(profile)에 기초하여 출력이 예상되는 영상을 획득할 수 있다.

일 실시 예에 따른 프로세서(130)는 백라이트 프로파일 판단부(Backlight Profile Estimation)(330)를 통해 광 프로파일에 기초하여 백라이트 블록에 포함된 광원이 디스플레이 패널(110)로 조사한 광의 확산(Diffuser) 정보 또는 투과 정보에 중 적어도 하나를 예측하고, 예측된 정보에 기초하여 출력 영상의 휘도 정보를 획득할 수 있다. 이하에서는 설명의 편의를 위해 백라이트 유닛(120)을 구동함에 따라 출력되는 출력 영상에 포함된 휘도 정보를 출력 영상의 휘도 정보로 통칭하도록 한다.

본 개시의 일 실시 예에 따른 프로세서(130)는 출력 영상 예측부(340)를 통해 입력 영상에서 획득된 색상 정보 및 백라이트 프로파일 판단부(Backlight Profile Estimation)(330)에서 획득된 출력 영상의 휘도 정보에 기초하여 출력 영상을 획득할 수 있다. 한편, 이는 일 실시 예로서 반드시 이에 한정되는 것은 아니다.

도 5는 본 개시의 일 실시 예에 따른 출력 영상을 설명하기 위한 도면이다.

도 5를 참조하면, 본 개시의 일 실시 예에 따른 백라이트 유닛(120)은 13 × 11 형태로 배치된 복수의 백라이트 블록(120-1, 120-2, ..., 120-n)을 포함하고, 백라이트 블록 각각은 적어도 하나의 광원을 포함할 수 있다.

복수의 백라이트 블록(120-1, 120-2, ..., 120-n) 각각에 포함된 광원이 방출한 광은 확산 또는 투과 등을 통해 디스플레이 패널(110)에 도달할 수 있다.

본 개시의 일 실시 예에 따른 프로세서(130)는 각 백라이트 블록에 포함된 각 광원의 광 프로파일에 기초하여 광 확산 정보 또는 광 투과 정보 중 적어도 하나를 예측할 수 있다. 이어서, 프로세서(130)는 전류 듀티 및 예측된 정보에 기초하여 디스플레이 패널(110)의 해상도 Width × Height에 대응되는 출력 영상을 획득할 수 있다. 또한, 프로세서(130)는 출력 영상의 휘도 정보를 획득할 수 있다.

도 3a으로 돌아와서, 본 개시의 일 실시 예에 따른 프로세서(130)는 입력 영상의 픽셀 정보에 기초하여 휘도 정보를 획득할 수 있다. 일 예로, 프로세서(130)는 입력 영상의 픽셀 별 픽셀 값(또는, 계조 값)에 대응되는 휘도 값을 획득할 수 있다.

출력 영상의 휘도 정보는 백라이트 유닛(120)에 포함된 백라이트 블록의 개수, 크기 및 배치 형태 등에 영향을 받는데 반하여, 입력 영상의 휘도 정보는 백라이트 블록의 개수, 크기 및 배치 형태 등과는 독립적인 입력 영상의 자체적인 특성을 의미할 수 있다. 입력 영상의 휘도 정보는 Ground Truth(GT), 실제 값 등으로 불릴 수 있으나, 이하에서는 설명의 편의를 위해 입력 영상의 휘도 정보로 통칭하도록 한다.

본 개시의 일 실시 예에 따른 프로세서(130)는 출력 영상의 휘도 정보 및 입력 영상의 휘도 정보에 기초하여 인공지능 모델 학습부(310)를 업데이트할 수 있다. 구체적으로, 본 개시의 일 실시 예에 따른 프로세서(130)는 Ground Truth 대비부(350)를 통해 출력 영상의 휘도 정보 및 입력 영상의 휘도 정보 간 차이 값을 획득할 수 있다. 여기서, 차이 값은 니트(nit) 또는 칸델라(Cd/㎡) 단위의 휘도 값 차이를 의미할 수 있다. 다만, 이는 일 실시 예로서 프로세서(130)는 출력 영상의 특성과 입력 영상의 특성 간 차이를 식별할 수도 있음은 물론이다. 예를 들어, 출력 영상의 명암비와 입력 영상의 명암비 간의 차이 값, 대조비의 차이 값 등을 획득할 수도 있음은 물론이다. 여기서, 프로세서(130)가 획득된 차이 값은 후술하는 바와 같이 인공지능 모델 학습부(310)로 제공되어, 인공지능 모델 학습부(310)를 업데이트하기 위한 피드백(Feedback)으로 이용될 수 있다.

이어서, 프로세서(130)는 차이 값에 기초하여 인공지능 모델 학습부(310)를 업데이트할 수 있다. 예를 들어, 획득된 차이 값이 임계 값을 초과하면, 프로세서(130)는 인공지능 모델이 과적합(Overfitting) 또는 과소적합(Underfitting)에 해당하는 것으로 판단할 수 있다. 프로세서(130)는 획득된 차이 값에 기초하여 인공지능 모델(130)을 업데이트하고, 새로운 입력 영상이 수신되면, 수신된 새로운 입력 영상의 픽셀 정보에 업데이트된 인공지능 모델 학습부(310’)를 적용하여 전류 듀티를 획득할 수 있다.

본 개시의 일 실시 예에 따른 프로세서(130)는 기설정된 함수(또는 연산 알고리즘)에 기초하여 픽셀 정보에 대응하는 전류 듀티를 획득하거나, 룩업 테이블 또는 그래프 형태에 기초하여 픽셀 정보에 대응되는 전류 듀티를 획득하는 것이 아니라, 복수의 샘플 영상에 기초하여 기계 학습된 인공지능 모델 학습부(310)를 이용하여 입력 영상의 픽셀 정보에 대응되는 전류 듀티를 획득할 수 있다. 또한, 프로세서(130)는 출력 영상의 휘도 정보 및 입력 영상의 휘도 정보에 기초하여 인공지능 모델 학습부(310)를 업데이트할 수도 있다.

본 개시의 일 실시 예에 따른 프로세서(130)는 새로운 입력 영상이 수신되면, 새로운 입력 영상의 픽셀 정보에 업데이트된 인공 지능 모델 학습부(310’)를 적용하여 복수의 백라이트 블록(120-1, 120-2, ..., 120-n) 각각을 구동하기 위한 구동 전류의 듀티를 획득할 수 있다. 이어서, 프로세서(130)는 획득된 듀티로 백라이트 블록(120-1, 120-2, ..., 120-n)을 구동하여 새로운 입력 영상에 로컬 디밍을 적용하여 출력할 수 있다.

한편, 도 3a에서 인공지능 모델 학습부(310), M × N Backlight Intensities(320), 백라이트 프로파일 판단부(Backlight Profile Estimation)(330), 출력 영상 예측부(340) 및 Ground Truth(350)가 별도의 하드웨어로 구현되는 것으로 도시하였으나, 이는 일 실시 예로서 프로세서(130)에 의해 각 동작이 수행될 수도 있음은 물론이다. 한편, 도 3a에서는 인공지능 모델의 학습이 디스플레이 장치(100) 내에서 자체적으로 수행되는 것으로 도시하였으나, 이는 일 실시 예로서 이에 한정되는 것은 아니다.

도 3b는 본 개시의 다른 실시 예에 따른 로컬 디밍 방법을 설명하기 위한 도면이다.

도 3b을 참조하면, 인공지능 모델 학습부(310’), M × N Backlight Intensities(320’), 백라이트 프로파일 판단부(Backlight Profile Estimation)(330’), 출력 영상 예측부(340’) 및 Ground Truth(350’)가 서버에 구비될 수 있다. 일 예로, 서버는 M × N Backlight Intensities(320’)를 통해 입력 영상에 기초하여 디스플레이 장치(100)에 구비된 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득할 수 있다. 이어서, 서버는 백라이트 프로파일 판단부(Backlight Profile Estimation)(330’) 및 출력 영상 예측부(340’)를 통해 입력 영상에 대응되는 출력 영상을 예측할 수 있다. 이어서, 서버는 입력 영상의 휘도 정보와 출력 영상의 휘도 정보 간 차이 값을 획득할 수 있다.

본 개시의 일 실시 예에 따른 서버는 획득된 차이 값을 디스플레이 장치(100)에 포함된 인공지능 모델로 제공할 수 있고, 디스플레이 장치(100)는 서버로부터 수신된 차이 값에 기초하여 인공지능 모델을 업데이트할 수 있다. 여기서, 차이 값은 피드백 등으로 불릴 수 있음은 물론이다.

도 6은 본 개시의 일 실시 예에 따른, 인공지능 모델을 설명하기 위한 블록도이다.

도 6을 참조하면, 프로세서(600)는 학습부(610) 또는 인식부(620) 중 적어도 하나를 포함할 수 있다. 도 6의 프로세서(600)는 도 2의 디스플레이 장치(100)의 프로세서(130) 또는 데이터 학습 서버(미도시)의 프로세서에 대응될 수 있다.

학습부(610)는 학습 데이터를 이용하여 입력 영상에 대응되는 백라이트 유닛(120)의 구동 전류의 듀티를 획득하기 위한 기준을 갖는 인공지능 모델을 생성 또는 학습시킬 수 있다. 학습부(610)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 인공지능 모델을 생성할 수 있다.

일 예로, 학습부(610)는 복수의 샘플 영상 각각에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보를 학습 데이터로 복수의 샘플 영상 각각에 대응되는 백라이트 유닛(120)의 구동 전류의 듀티를 획득하도록 학습할 수 있다.

여기서, 샘플 영상에 대응되는 출력 영상은 샘플 영상에 백라이트 로컬 디밍을 적용하여 획득된 영상일 수 있다. 일 예로, 프로세서(130)는 복수의 샘플 영상 각각에 초기 인공지능 모델을 적용하여 백라이트 로컬 디밍이 적용된 출력 영상을 획득할 수 있다. 여기서, 초기 인공지능 모델은 본 개시의 다양한 실시 예에 따른 갱신 또는 업데이트 전의 인공지능 모델을 의미한다.

초기 인공지능 모델의 일 실시 예로서 프로세서(130)는 백라이트 유닛(120)의 백라이트 블록 각각에 대응되는 샘플 영상의 영역 각각의 픽셀 정보, 예를 들어 APL 정보를 획득하고, 획득된 픽셀 정보에 기초하여 영상의 영역에 대응되는 백라이트 블록의 전류 듀티를 산출할 수 있다. 다른 예로, 백라이트 유닛(120)의 백라이트 블록 각각에 대응되는 샘플 영상의 영역 각각의 최대(또는, 최소) 픽셀 값를 획득하고, 획득된 픽셀 값에 기초하여 영상의 영역에 대응되는 백라이트 블록의 전류 듀티를 산출할 수 있다. 한편, 샘플 영상은 풀 이미지(Full image) 또는 블록 단위 이미지 중 적어도 하나의 형태일 수 있다. 예를 들어, 샘플 영상은 디스플레이 패널(110)의 해상도에 대응되는 풀 이미지일 수 있다. 다른 예로, 샘플 영상은 복수의 백라이트 블록(120-1, 120-2, ..., 120-n) 중 어느 하나에 대응되는 블록 단위 이미지일 수도 있다.

이어서, 프로세서(130)는 산출된 전류 듀티로 샘플 영상에 백라이트 로컬 디밍을 적용하여 출력이 예상되는 영상을 획득할 수 있다. 이하에서는, 설명의 편의상 출력이 예상되는 영상을 출력 영상으로 칭하도록 한다.

학습부(610)는 샘플 영상에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 샘플 영상에 포함된 픽셀 정보에 대응되는 제2 휘도 정보의 차이 값을 학습 데이터로 샘플 영상에 대응되는 백라이트 유닛(120)의 전류 듀티를 획득하도록 학습할 수 있다. 학습부(610)는 백라이트 유닛(120)의 전류 듀티가 변경됨에 따라 제1 휘도 정보 및 제2 휘도 정보 간의 차이 값이 작아지도록 학습할 수 있다.

또한, 학습부(610)는 샘플 영상의 휘도 정보 및 샘플 영상에 대응되는 출력 영상의 휘도 정보를 학습 데이터로서 이용하여 백라이트 유닛(120)에 포함된 복수의 백라이트 블록(120-1, 120-2, …, 120-n) 각각의 구동 전류의 듀티를 획득하기 위한 인공지능 모델을 생성, 학습 또는 갱신시킬 수 있다.

인식부(620)는 소정의 데이터를 학습된 인공지능 모델의 입력 데이터로 사용하여, 입력 영상의 픽셀 정보에 대응되는 복수의 백라이트 블록(120-1, 120-2, …, 120-n) 각각의 구동 전류의 전류 듀티를 획득할 수 있다.

일 예로, 인식부(620)는 입력 영상의 픽셀 정보를 학습된 인공지능 모델의 입력 데이터로 사용하여 복수의 백라이트 블록(120-1, 120-2, …, 120-n) 각각의 구동 전류의 전류 듀티를 획득(또는, 추정, 추론)할 수 있다.

본 개시의 일 실시 예로, 학습부(610) 및 인식부(620)는 외부 서버(미도시)에 포함될 수 있으나, 이는 일 실시 예에 불과할 뿐, 디스플레이 장치(100) 내부에 탑재될 수 있다. 구체적으로, 학습부(610)의 적어도 일부 및 인식부(620)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 디스플레이 장치(100)에 탑재될 수 있다. 예를 들어, 학습부(610) 및 인식부(620) 중 적어도 하나는 인공지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다. 이때, 인공지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(610) 및 인식부(620)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

이 경우, 학습부(610) 및 인식부(620)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(610) 및 인식부(620) 중 하나는 디스플레이 장치(100)에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또한, 학습부(610) 및 인식부(620)는 유선 또는 무선으로 통하여, 학습부(610)가 구축한 모델 정보를 인식부(620)로 제공할 수도 있고, 학습부(610)로 입력된 데이터가 추가 학습 데이터로서 학습부(610)로 제공될 수도 있다.

도 7 및 도 8은 본 개시의 일 실시 예에 따른, 학습부 및 인식부의 구체적인 구성을 나타내는 블록도이다.

도 7을 참조하면, 일부 실시 예에 따른 학습부(610)는 학습 데이터 획득부(610-1) 및 모델 학습부(610-4)를 포함할 수 있다. 또한, 학습부(610)는 학습 데이터 전처리부(610-2), 학습 데이터 선택부(610-3) 및 모델 평가부(610-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.

학습 데이터 획득부(610-1)는 입력 영상에 대응되는 백라이트 유닛(120)의 전류 듀티를 획득하기 위한 인공지능 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시 예로, 학습 데이터 획득부(610-1)는 샘플 영상의 휘도 정보 및 샘플 영상에 대응되는 출력 영상의 휘도 정보 간 차이 값 등을 학습 데이터로서 획득할 수 있다. 여기서, 샘플 영상의 휘도 정보는 샘플 영상의 자체적인 특성을 의미할 수 있다. 샘플 영상의 휘도 정보는 Ground Truth(GT), 실제 값 등으로 불릴 수 있으나, 이하에서는 설명의 편의를 위해 샘플 영상의 휘도 정보로 통칭하도록 한다. 한편, 일 실시 예에 따른 샘플 영상의 휘도 정보는 샘플 영상에 포함된 픽셀 정보에 기준 전류 값을 적용하여 획득된 휘도 정보일 수 있다.

또한, 학습 데이터 획득부(610-1)는 입력 영상에 대응되는 백라이트 유닛(120)의 전류 듀티를 획득하기 위하여 입력 영상의 픽셀 정보, 백라이트 유닛(120)에 포함된 각 광원의 광 프로파일, 전류 듀티에 따른 출력 영상의 휘도 변화 등을 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(610) 또는 학습부(610)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.

모델 학습부(610-4)는 학습 데이터를 이용하여, 인공지능 모델이 백라이트 유닛(120)의 전류 듀티를 획득하는 기준을 갖도록 학습시킬 수 있다. 일 예로, 모델 학습부(610-4)는 학습 데이터 중 적어도 일부를 백라이트 유닛(120)의 전류 듀티를 획득하기 위한 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또는, 모델 학습부(610-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 백라이트 유닛(120)의 전류 듀티를 획득하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(610-4)는, 예를 들어, 학습에 따른 판단 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(610-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 모델을 학습시킬 수 있다

또한, 모델 학습부(610-4)는 입력 영상에 대응되는 백라이트 유닛(120)의 전류 듀티를 획득하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준을 학습할 수도 있다.

모델 학습부(610-4)는 미리 구축된 인공지능 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 모델을 학습할 인공지능 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 인공지능 모델은 데이터의 타입별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

인공지능 모델이 학습되면, 모델 학습부(610-4)는 학습된 인공지능 모델을 저장할 수 있다. 이 경우, 모델 학습부(610-4)는 학습된 인공지능 모델을 외부 서버의 메모리에 저장할 수 있다. 또는, 모델 학습부(610-4)는 학습된 인공지능 모델을 외부 서버와 유선 또는 무선 네트워크로 연결되는 서버 또는 전자 장치의 메모리에 저장할 수도 있다.

학습부(610)는 인공지능 모델의 판단 결과를 향상시키거나, 인공지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(610-2) 및 학습 데이터 선택부(610-3)를 더 포함할 수도 있다.

학습 데이터 전처리부(610-2)는 백라이트 유닛(120)의 전류 듀티를 획득하기 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(610-2)는 모델 학습부(610-4)가 백라이트 유닛(120)의 전류 듀티를 획득하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 학습 데이터 전처리부(610-2)는 입력된 정보 중 인공지능 모델이 응답을 제공할 때 불필요한 정보를 제거할 수 있다.

학습 데이터 선택부(610-3)는 학습 데이터 획득부(610-1)에서 획득된 데이터 또는 학습 데이터 전처리부(610-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(610-4)에 제공될 수 있다. 학습 데이터 선택부(610-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(610-3)는 모델 학습부(610-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.

학습부(610)는 인공지능 모델의 판단 결과를 향상시키기 위하여, 모델 평가부(610-5)를 더 포함할 수도 있다.

모델 평가부(610-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 판단 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(610-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.

예를 들어, 모델 평가부(610-5)는 평가 데이터에 대한 학습된 인공지능 모델의 판단 결과 중에서, 판단 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

한편, 학습된 인공지능 모델이 복수 개가 존재하는 경우, 모델 평가부(610-5)는 각각의 학습된 인공지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(610-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 모델로서 결정할 수 있다.

도 7의 (b)를 참조하면, 일부 실시 예에 따른 인식부(620)는 입력 데이터 획득부(620-1) 및 판단 결과 제공부(620-4)를 포함할 수 있다.

또한, 인식부(620)는 입력 데이터 전처리부(620-2), 입력 데이터 선택부(620-3) 및 모델 갱신부(620-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.

입력 데이터 획득부(620-1)는 백라이트 유닛(120)의 전류 듀티를 획득하기 위해 필요한 데이터를 획득할 수 있다. 판단 결과 제공부(620-4)는 입력 데이터 획득부(620-1)에서 획득된 입력 데이터를 입력 값으로 학습된 인공지능 모델에 적용하여 백라이트 유닛(120)의 전류 듀티를 획득할 수 있다. 판단 결과 제공부(620-4)는 후술할 입력 데이터 전처리부(620-2) 또는 입력 데이터 선택부(620-3)에 의해 선택된 데이터를 입력 값으로 인공지능 모델에 적용하여 판단 결과를 획득할 수 있다.

일 실시 예로, 판단 결과 제공부(620-4)는 입력 데이터 획득부(620-1)에서 획득한 입력 영상의 픽셀 정보를 학습된 인공지능 모델 적용하여 입력 영상에 대응되는 백라이트 유닛(120)의 전류 듀티를 획득할 수 있다.

인식부(620)는 인공지능 모델의 판단 결과를 향상시키거나, 판단 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(620-2) 및 입력 데이터 선택부(620-3)를 더 포함할 수도 있다.

입력 데이터 전처리부(620-2)는 백라이트 유닛(120)의 전류 듀티를 획득하기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(620-2)는 판단 결과 제공부(620-4)가 백라이트 유닛(120)의 전류 듀티를 획득하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.

입력 데이터 선택부(620-3)는 입력 데이터 획득부(620-1)에서 획득된 데이터 또는 입력 데이터 전처리부(620-2)에서 전처리된 데이터 중에서 응답 제공에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 판단 결과 제공부(620-4)에게 제공될 수 있다. 입력 데이터 선택부(620-3)는 응답 제공을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(620-3)는 모델 학습부(610-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.

모델 갱신부(620-5)는 판단 결과 제공부(620-4)에 의해 제공되는 판단 결과에 대한 평가에 기초하여, 인공지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(620-5)는 판단 결과 제공부(620-4)에 의해 제공되는 판단 결과를 모델 학습부(610-4)에게 제공함으로써, 모델 학습부(610-4)가 인공지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다. 특히, 모델 갱신부(620-5)는 사용자 입력에 따른 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다.

본 개시의 일 실시 예에 따른 프로세서(600)는 입력 영상에 대응되는 전류 듀티에 기초하여 백라이트 유닛(120)을 구동함에 따라 출력되는 출력 영상에 포함된 제3 휘도 정보를 획득할 수 있다. 또한, 프로세서(600)는 입력 영상에 포함된 픽셀 정보에 대응되는 제4 휘도 정보를 획득할 수 있다. 이어서, 프로세서(600)는 출력 영상의 제3 휘도 정보 및 입력 영상의 제4 휘도 정보에 기초하여 인공지능 모델이 갱신, 추가 학습 또는 업데이트하도록 제어할 수 있다. 예를 들어, 프로세서(600)는 출력 영상의 제3 휘도 정보 및 입력 영상의 제4 휘도 정보 간 차이 값에 기초하여 인공지능 모델이 업데이트하도록 제어할 수 있다. 구체적으로, 프로세서(600)는 차이 값이 감소되도록 인공지능 모델을 업데이트할 수 있다.

도 8은, 일 실시 예에 따른 디스플레이 장치(100) 및 외부의 서버(S)가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.

도 8을 참조하면, 외부의 서버(S)는 백라이트 유닛(120)의 전류 듀티를 획득하기 위한 기준을 학습할 수 있으며, 디스플레이 장치(100)는 서버(S)에 의한 학습 결과에 기초하여 입력 영상에 대응되는 전류 듀티로 백라이트 유닛(120)을 구동하고 로컬 디밍을 적용하여 제공할 수 있다.

이 경우, 서버(S)의 모델 학습부(610-4)는 도 6에 도시된 학습부(610)의 기능을 수행할 수 있다. 즉, 서버(S)의 모델 학습부(610-4)는 백라이트 유닛(120)의 전류 듀티를 획득하기 위하여 입력 영상의 픽셀 정보, 입력 영상의 휘도 정보 및 입력 영상에 대응되는 출력 영상의 휘도 정보를 이용하여 새로운 입력 영상에 대응되는 백라이트 유닛(120)의 전류 듀티를 어떻게 획득할지에 관한 기준을 학습할 수 있다.

또한, 디스플레이 장치(100)의 판단 결과 제공부(620-4)는 입력 데이터 선택부(620-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 인공지능 모델에 적용하여 백라이트 유닛(120)의 전류 듀티를 획득할 수 있다. 또는, 디스플레이 장치(100)의 판단 결과 제공부(620-4)는 서버(50)에 의해 생성된 인공지능 모델을 서버(50)로부터 수신하고, 수신된 인공지능 모델을 이용하여 백라이트 유닛(120)의 전류 듀티를 획득할 수 있다.

도 9 및 도 10은 본 개시의 일 실시 예에 따른 디스플레이 장치의 세부 구성을 설명하기 위한 도면들이다.

도 9에 따르면, 디스플레이 장치(100)는 디스플레이 패널(110), 백라이트 유닛(120), 프로세서(130), 센서(140), 백라이트 구동부(150), 패널 구동부(160) 및 저장부(170)를 포함한다. 도 9에 도시된 구성 중 도 2에 도시된 구성과 중복되는 구성에 대해서는 자세한 설명을 생략하도록 한다.

센서(140)는 외부 광을 센싱한다.

구체적으로, 센서(140)는 빛의 조도, 세기, 컬러, 입사 방향, 입사 면적, 분포도 등과 같은 다양한 특성들 중에서 적어도 하나 이상을 감지할 수 있다. 구현 예에 따라 센서(140)는 조도 센서, 온도 감지 센서, 광량 센싱 레이어, 카메라 등이 될 수 있다. 특히, 센서(140)는 RGB 광을 센싱하는 조도 센서로 구현 가능하지만, 이에 한정되는 것은 아니며, White 센서, IR 센서, IR+RED 센서, HRM 센서, 카메라 등과 같이 광 센싱이 가능한 장치라면 모두 적용 가능하다.

한편, 센서(140)는 적어도 한 개 이상 구비될 수 있으며, 센서(140)가 복수개 구비되는 경우 서로 다른 방향의 조도를 측정할 수 있는 위치라면 다른 위치라도 적용 가능하다. 예를 들어, 제2 센서는 제1 센서 대비 90°이상 차이가 나는 각도의 다른 방향의 조도 센싱이 가능한 위치에 구비될 수 있다. 일 예로, 센서(140)는 디스플레이 패널(110)에 구비된 글래스 내부에 배치될 수 있다.

프로세서(130)는 경우에 따라 센서(140)에 의해 센싱된 외부 광의 세기에 기초하여 백라이트 블록 별 전류 듀티를 조정하는 것도 가능하다.

디스플레이 패널(110)는 게이트 라인들(GL1 내지 GLn)과 데이터 라인들(DL1 내지 DLm)이 상호 교차하도록 형성되고, 그 교차로 마련되는 영역에 R, G, B 서브 픽셀(PR, PG, PB)이 형성된다. 인접한 R, G, B 서브 픽셀(PR, PG, PB)은 하나의 픽셀을 이룬다. 즉, 각 픽셀은 적색(R)을 표시하는 R 서브 픽셀(PR), 녹색(G)을 표시하는 G 서브 픽셀(PG) 및 청색(B)을 표시하는 B 서브 픽셀(PB)을 포함하여 적색(R), 녹색(G), 청색(B)의 3원색으로 피사체의 색을 재현한다.

디스플레이 패널(110)이 LCD 패널로 구현되는 경우, 각 서브 픽셀(PR, PG, PB)은 픽셀 전극 및 공통 전극을 포함하고, 양 전극 간 전위차로 형성되는 전계로 액정 배열이 바뀌면서 광 투과율이 변화하게 된다. 게이트 라인들(GL1 내지 GLn)과 데이터 라인들(DL1 내지 DLm)의 교차부에 형성되는 TFT들은 각각 게이트 라인(GL1 내지 GLn)으로부터의 스캔 펄스에 응답하여 데이터 라인(DL1 내지 DLm)으로부터의 비디오 데이터, 즉 적색(R), 녹색(G), 청색(B) 데이터를 각 서브 픽셀(PR, PG, PB)의 픽셀 전극에 공급한다.

백라이트 구동부(150)는 백라이트 유닛(120)을 구동하기 위한 드라이버 IC를 포함하는 형태로 구현될 수 있다. 일 예에 따라, 드라이버 IC는 프로세서(130)와 별도의 하드웨어로 구현될 수 있다. 예를 들어, 백라이트 유닛(120)에 포함된 광원들이 LED 소자로 구현되는 경우, 드라이버 IC는 LED 소자에 인가되는 전류를 제어하는 적어도 하나의 LED 드라이버로 구현될 수 있다. 일 실시 예에 따라, LED 드라이버는 파워 서플라이(power supply)(예를 들어, SMPS(Switching Mode Power Supply)) 후단에 배치되어 파워 서플라이로부터 전압을 인가받을 수 있다. 다만, 다른 실시 예에 따르면, 별도의 전원 장치로부터 전압을 인가받을 수도 있다. 또는, SMPS 및 LED 드라이버가 하나로 통합된 모듈 형태로 구현되는 것도 가능하다.

패널 구동부(160)는 디스플레이 패널(110)을 구동하기 위한 드라이버 IC를 포함하는 형태로 구현될 수 있다. 일 예에 따라, 드라이버 IC는 프로세서(130)와 별도의 하드웨어로 구현될 수 있다. 예를 들어, 패널 구동부(160)는 데이터 라인들에 비디오 데이터를 공급하는 데이터 구동부(161) 및 게이트 라인들에 스캔 펄스를 공급하는 게이트 구동부(162)를 포함할 수 있다.

데이터 구동부(161)는 데이터 신호를 생성하는 수단으로, 프로세서(130)(또는 타이밍 컨트롤러(미도시))로부터 R/G/B 성분의 영상 데이터를 전달받아 데이터 신호를 생성한다. 또한, 데이터 구동부(161)는 디스플레이 패널(110)의 데이터 선(DL1, DL2, DL3,..., DLm)과 연결되어 생성된 데이터 신호를 디스플레이 패널(110)에 인가한다.

게이트 구동부(162)(또는 스캔 구동부)는 게이트 신호(또는 스캔 신호)를 생성하는 수단으로, 게이트 라인(GL1, GL2, GL3,..., GLn)에 연결되어 게이트 신호를 디스플레이 패널(110)의 특정한 행에 전달한다. 게이트 신호가 전달된 픽셀에는 데이터 구동부(161)에서 출력된 데이터 신호가 전달되게 된다.

그 밖에 패널 구동부(160)는 타이밍 컨트롤러(미도시)를 더 포함할 수 있다. 타이밍 컨트롤러(미도시)는 외부, 예를 들어 프로세서(130)로부터 입력 신호(IS), 수평 동기 신호(Hsync), 수직 동기 신호(Vsync) 및 메인 클럭 신호(MCLK) 등을 입력받아 영상 데이터 신호, 주사 제어 신호, 데이터 제어 신호, 발광 제어 신호 등을 생성하여 디스플레이 패널(110), 데이터 구동부(161), 게이트 구동부(162) 등에 제공할 수 있다.

저장부(170)는 디스플레이 장치(100)의 동작에 필요한 다양한 데이터를 저장한다.

특히, 저장부(170)는 프로세서(130)가 각종 처리를 실행하기 위해 필요한 데이터를 저장한다. 일 예로, 프로세서(130)에 포함된 롬(ROM), 램(RAM) 등의 내부 메모리로 구현되거나, 프로세서(130)와 별도의 메모리로 구현될 수도 있다. 이 경우, 저장부(170)는 데이터 저장 용도에 따라 디스플레이 장치(100)에 임베디드된 메모리 형태로 구현되거나, 디스플레이 장치(100)에 탈부착이 가능한 메모리 형태로 구현될 수도 있다. 예를 들어, 디스플레이 장치(100)의 구동을 위한 데이터의 경우 디스플레이 장치(100)에 임베디드된 메모리에 저장되고, 디스플레이 장치(100)의 확장 기능을 위한 데이터의 경우 디스플레이 장치(100)에 탈부착이 가능한 메모리에 저장될 수 있다. 한편, 디스플레이 장치(100)에 임베디드된 메모리의 경우 비휘발성 메모리, 휘발성 메모리, 플래시 메모리, 하드 디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등과 같은 형태로 구현되고, 디스플레이 장치(100)에 탈부착이 가능한 메모리의 경우 메모리 카드(예를 들어, micro SD 카드, USB 메모리 등), USB 포트에 연결가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.

한편, 다른 실시 예에 따르면, 저장부(170)에 저장된 상술한 정보들(예를 들어 전류 조정 커브, 픽셀 데이터 보상 곡선 등)은, 저장부(170)에 저장되어 있지 않고 외부 장치로부터 획득되는 것도 가능하다. 예를 들어, 일부 정보는, 셋탑 박스, 외부 서버, 사용자 단말 등과 같은 외부 장치로부터 실시간으로 수신될 수도 있다.

도 11은 본 개시의 일 실시 예에 따른 디스플레이 장치의 구동 방법을 설명하기 위한 흐름도이다.

백라이트 유닛을 포함하는 디스플레이 장치의 구동 방법은 입력 영상의 픽셀 정보에 인공지능 모델을 적용하여 백라이트 유닛에 포함된 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득한다(S1110).

이어서, 획득된 전류 듀티에 기초하여 백라이트 유닛을 구동한다(S1120). 여기서, 인공지능 모델은, 복수의 샘플 영상 각각에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보에 기초하여 학습된 모델일 수 있다.

여기서, 복수의 샘플 영상 각각에 대응되는 출력 영상은, 복수의 샘플 영상 각각에 백라이트 로컬 디밍을 적용하여 획득된 출력 영상일 수 있다.

또한, 인공지능 모델은, 복수의 샘플 영상 각각에 초기 인공지능 모델을 적용하여 획득된 출력 영상에 포함된 제1 휘도 정보 및 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보에 기초하여 학습된 모델일 수 있다.

본 개시의 일 실시 예에 따른 구동 모델은 백라이트 유닛을 구동함에 따라 출력되는 출력 영상에 포함된 제3 휘도 정보 및 입력 영상에 포함된 픽셀 정보에 대응되는 제4 휘도 정보에 기초하여 인공지능 모델을 업데이트하는 단계를 포함할 수 있다.

여기서, 업데이트하는 단계는, 제3 휘도 정보 및 제4 휘도 정보 간 차이 값에 기초하여 인공지능 모델을 업데이트하고, 전류 듀티를 획득하는 S1110 단계는, 새로운 입력 영상이 수신되면, 수신된 새로운 입력 영상의 픽셀 정보에 업데이트된 인공지능 모델을 적용하여 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득할 수 있다.

본 개시의 일 실시 예에 따른 제어 방법은 각 백라이트 블록에 포함된 각 광원의 광 프로파일에 기초하여 광 확산(Diffuser) 정보 또는 광 투과 정보 중 적어도 하나를 예측하고, 예측된 정보에 기초하여 제3 휘도 정보를 획득하는 단계를 포함할 수 있다.

또한, 제2 휘도 정보는, 복수의 샘플 영상 각각에 포함된 픽셀 정보에 기준 전류 값을 적용하여 획득된 휘도 정보일 수 있다.

또한, 복수의 샘플 영상은, 풀 이미지(Full image) 또는 블록 단위 이미지 중 적어도 하나의 형태일 수 있다.

또한, 디스플레이 장치에 포함된 디스플레이 패널은, 액정 표시 패널(Liquid Crystal Panel)일 수 있다. 또한, 인공지능 모델은, CNN(Convolution Neural Network) 모델일 수 있다.

한편, 상술한 실시 예들에서는 예를 들어, 백라이트 디밍을 위한 전류 듀티가 디스플레이 장치에서 산출되는 것으로 설명하였지만, 경우에 따라서는 디스플레이 패널을 구비하지 않은 별도의 영상 처리 장치(미도시)에 의해 전류 듀티가 산출되는 것도 가능하다. 예를 들어, 영상 처리 장치는 디스플레이 패널로 영상 신호를 제공하는 셋탑 박스, 센딩 박스 등 영상 처리가 가능한 다양한 장치로 구현될 수 있다.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.

또한, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.

또한, 상술한 본 개시의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 전자 장치 및 디스플레이 장치 중 적어도 하나의 외부 서버를 통해 수행되는 것도 가능하다.

한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.

또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

110: 디스플레이 패널 120: 백라이트 유닛
130: 프로세서

Claims

디스플레이 패널;
복수의 백라이트 블록을 포함하는 백라이트 유닛; 및
입력 영상의 픽셀 정보에 인공지능 모델을 적용하여 상기 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득하고, 상기 획득된 전류 듀티에 기초하여 상기 백라이트 유닛을 구동하는 프로세서;를 포함하고,
상기 인공지능 모델은,
복수의 샘플 영상 각각에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보에 기초하여 학습된 모델인, 디스플레이 장치.
제1항에 있어서,
상기 복수의 샘플 영상 각각에 대응되는 출력 영상은,
상기 복수의 샘플 영상 각각에 백라이트 로컬 디밍을 적용하여 획득된 출력 영상인, 디스플레이 장치.
제1항에 있어서,
상기 인공지능 모델은,
상기 복수의 샘플 영상 각각에 초기 인공지능 모델을 적용하여 획득된 상기 출력 영상에 포함된 상기 제1 휘도 정보 및 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 상기 제2 휘도 정보에 기초하여 학습된 모델인, 디스플레이 장치.
제1항에 있어서,
상기 프로세서는,
상기 백라이트 유닛을 구동함에 따라 출력되는 출력 영상에 포함된 제3 휘도 정보 및 상기 입력 영상에 포함된 픽셀 정보에 대응되는 제4 휘도 정보에 기초하여 상기 인공지능 모델을 업데이트하는, 디스플레이 장치.
제4항에 있어서,
상기 프로세서는,
상기 제3 휘도 정보 및 상기 제4 휘도 정보 간 차이 값에 기초하여 상기 인공지능 모델을 업데이트하고,
새로운 입력 영상이 수신되면, 상기 수신된 새로운 입력 영상의 픽셀 정보에 상기 업데이트된 인공지능 모델을 적용하여 상기 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득하는, 디스플레이 장치.
제4항에 있어서,
상기 프로세서는,
상기 각 백라이트 블록에 포함된 각 광원의 광 프로파일에 기초하여 광 확산(Diffuser) 정보 또는 광 투과 정보 중 적어도 하나를 예측하고, 상기 예측된 정보에 기초하여 상기 제3 휘도 정보를 획득하는, 디스플레이 장치.
제1항에 있어서,
상기 제2 휘도 정보는,
상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 기준 전류 값을 적용하여 획득된 휘도 정보인, 디스플레이 장치.
제1항에 있어서,
상기 복수의 샘플 영상은,
풀 이미지(Full image) 또는 블록 단위 이미지 중 적어도 하나의 형태인, 디스플레이 장치.
제1항에 있어서,
상기 디스플레이 패널은,
액정 표시 패널(Liquid Crystal Panel)인, 디스플레이 장치.
제1항에 있어서,
상기 인공지능 모델은, 상기 입력 영상에 차원 축소(Dimensionality Reduction)를 이용하여 상기 복수의 백라이트 블록 각각의 대표 출력 값을 획득하는 DNN(Deep Neural Network) 모델 또는 복수의 DNN 모델의 조합인, 디스플레이 장치.
백라이트 유닛을 포함하는 디스플레이 장치의 구동 방법에 있어서,
입력 영상의 픽셀 정보에 인공지능 모델을 적용하여 상기 백라이트 유닛에 포함된 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득하는 단계; 및
상기 획득된 전류 듀티에 기초하여 상기 백라이트 유닛을 구동하는 단계;를 포함하고,
상기 인공지능 모델은,
복수의 샘플 영상 각각에 대응되는 출력 영상에 포함된 제1 휘도 정보 및 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 제2 휘도 정보에 기초하여 학습된 모델인, 구동 방법.
제11항에 있어서,
상기 복수의 샘플 영상 각각에 대응되는 출력 영상은,
상기 복수의 샘플 영상 각각에 백라이트 로컬 디밍을 적용하여 획득된 출력 영상인, 구동 방법.
제11항에 있어서,
상기 인공지능 모델은,
상기 복수의 샘플 영상 각각에 초기 인공지능 모델을 적용하여 획득된 상기 출력 영상에 포함된 상기 제1 휘도 정보 및 상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 대응되는 상기 제2 휘도 정보에 기초하여 학습된 모델인, 구동 방법.
제11항에 있어서,
상기 백라이트 유닛을 구동함에 따라 출력되는 출력 영상에 포함된 제3 휘도 정보 및 상기 입력 영상에 포함된 픽셀 정보에 대응되는 제4 휘도 정보에 기초하여 상기 인공지능 모델을 업데이트하는 단계;를 포함하는, 구동 방법.
제14항에 있어서,
상기 업데이트하는 단계는,
상기 제3 휘도 정보 및 상기 제4 휘도 정보 간 차이 값에 기초하여 상기 인공지능 모델을 업데이트하고,
상기 전류 듀티를 획득하는 단계는,
새로운 입력 영상이 수신되면, 상기 수신된 새로운 입력 영상의 픽셀 정보에 상기 업데이트된 인공지능 모델을 적용하여 상기 복수의 백라이트 블록 각각을 구동하기 위한 구동 전류의 전류 듀티를 획득하는, 구동 방법.
제14항에 있어서,
상기 각 백라이트 블록에 포함된 각 광원의 광 프로파일에 기초하여 광 확산(Diffuser) 정보 또는 광 투과 정보 중 적어도 하나를 예측하고, 상기 예측된 정보에 기초하여 상기 제3 휘도 정보를 획득하는 단계;를 포함하는, 구동 방법.
제11항에 있어서,
상기 제2 휘도 정보는,
상기 복수의 샘플 영상 각각에 포함된 픽셀 정보에 기준 전류 값을 적용하여 획득된 휘도 정보인, 구동 방법.
제11항에 있어서,
상기 복수의 샘플 영상은,
풀 이미지(Full image) 또는 블록 단위 이미지 중 적어도 하나의 형태인, 구동 방법.
제11항에 있어서,
상기 디스플레이 장치에 포함된 디스플레이 패널은,
액정 표시 패널(Liquid Crystal Panel)인, 구동 방법.
제11항에 있어서,
상기 인공지능 모델은,
상기 입력 영상에 차원 축소(Dimensionality Reduction)를 이용하여 상기 복수의 백라이트 블록 각각의 대표 출력 값을 획득하는 DNN(Deep Neural Network) 모델 또는 복수의 DNN 모델의 조합인, 구동 방법.