KR20200132245A - 전자 장치 및 전자 장치의 제어 방법 - Google Patents

전자 장치 및 전자 장치의 제어 방법 Download PDF

Info

Publication number
KR20200132245A
KR20200132245A KR1020190057448A KR20190057448A KR20200132245A KR 20200132245 A KR20200132245 A KR 20200132245A KR 1020190057448 A KR1020190057448 A KR 1020190057448A KR 20190057448 A KR20190057448 A KR 20190057448A KR 20200132245 A KR20200132245 A KR 20200132245A
Authority
KR
South Korea
Prior art keywords
electronic device
image
contrast ratio
function
input image
Prior art date
Application number
KR1020190057448A
Other languages
English (en)
Inventor
김봉조
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 KR1020190057448A priority Critical patent/KR20200132245A/ko
Priority to EP20805353.8A priority patent/EP3850828B1/en
Priority to PCT/KR2020/095083 priority patent/WO2020231243A1/en
Priority to US16/872,573 priority patent/US11373280B2/en
Publication of KR20200132245A publication Critical patent/KR20200132245A/ko

Links

Images

Classifications

    • 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
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/44—Receiver circuitry for the reception of television signals according to analogue transmission standards
    • H04N5/57—Control of contrast or brightness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/10—Intensity circuits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/68—Circuits for processing colour signals for controlling the amplitude of colour signals, e.g. automatic chroma control circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/0233—Improving the luminance or brightness uniformity across the screen

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Controls And Circuits For Display Device (AREA)
  • Television Receiver Circuits (AREA)

Abstract

전자 장치가 개시된다. 개시되는 전자 장치는, 적어도 하나 이상의 프로세서, 적어도 하나 이상의 메모리를 포함하고, 상기 메모리는, 상기 프로세서가, 입력 영상을 인공 지능 알고리즘을 이용하여 학습된 학습 모델에 적용하여 상기 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정하도록 설정된 적어도 하나 이상의 인스트럭션을 저장하고, 상기 학습 모델은, 고 명암비를 갖는 목표 영상을 단조 증가 함수에 적용하여 생성된 저 명암비를 갖는 학습용 영상 및 상기 단조 증가 함수의 역함수를 학습 데이터로 이용하여 학습된, 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정하도록 설정된 학습 모델일 수 있다. 그 외 다양한 실시예가 가능하다.

Description

전자 장치 및 전자 장치의 제어 방법{Electronic device and Method of controlling thereof}
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로서, 더욱 상세하게는 입력 영상의 명암비를 증가시키는 학습 모델을 위한 학습 방법에 관한 것이다.
입력되는 영상의 명암비를 증가시키는 학습 모델은 인공 지능 알고리즘을 이용하여 저 명암비를 갖는 영상과 상기 영상과 동일하나 명암비를 향상시킨 영상을 매칭하여 학습 데이터로 이용할 수 있다.
충분한 학습이 완료되면, 전자 장치는 입력 영상을 학습 모델에 적용하여 입력 영상의 명암비를 증가시킨 출력 영상을 생성할 수 있다.
저 명암비를 갖는 영상과 고 명암비를 갖는 영상을 매칭하여 인공 지능 알고리즘을 이용하여 학습 모델을 학습 시키는 경우에, 저 명암비를 갖는 영상에 대하여 수작업을 통하여 고 명암비를 갖는 영상을 생성 해야 하는 불편함이 있을 수 있다.
또한, 저 명암비를 갖는 영상과 고 명암비를 갖는 영상을 매칭하여 학습을 수행하는 알고리즘의 크기가 영상의 데이터 크기에 비례하여 증가하게 되어, 학습 모델의 복잡도 및 메모리의 사용량이 증가하는 불편함이 있을 수 있다.
일 실시예에 따른 전자 장치는, 적어도 하나 이상의 프로세서, 적어도 하나 이상의 메모리를 포함하고, 상기 메모리는, 상기 프로세서가, 입력 영상을 인공 지능 알고리즘을 이용하여 학습된 학습 모델에 적용하여 상기 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정하도록 설정된 적어도 하나 이상의 인스트럭션을 저장하고, 상기 학습 모델은, 고 명암비를 갖는 목표 영상을 단조 증가 함수에 적용하여 생성된 저 명암비를 갖는 학습용 영상, 및 상기 단조 증가 함수의 역함수를 학습 데이터로 하여 학습된, 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정하도록 설정된 학습 모델일 수 있다.
일 실시예에 따른 전자 장치의 제어 방법은, 고 명암비를 갖는 목표 영상을 획득하는 것에 따라, 상기 목표 영상의 명암비를 감소시키는 단조 증가 함수를 획득하는 동작, 상기 단조 증가 함수에 상기 목표 영상을 적용하여 저 명암비를 갖는 학습용 영상을 획득하는 동작, 및 상기 학습용 영상 및 상기 단조 증가 함수의 역함수를 대응시켜, 입력 되는 영상의 명암비를 증가시키는 학습 모델을 위한 학습 데이터로 이용하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 전자 장치는 고 명암비를 갖는 목표 영상을 이용하여 저 명암비를 갖는 영상을 생성할 수 있는 단조 감소 함수를 획득할 수 있다.
다양한 실시예에 따르면, 전자 장치는 복수 개의 단조 감수 함수들을 이용하여 복수 개의 학습용 영상들을 획득할 수 있다.
다양한 실시예에 따르면, 전자 장치는 학습용 영상과 학습용 영상을 생성한 단조 감소 함수의 역함수를 학습 데이터로 하여 학습 모델을 학습시킬 수 있다.
도 1은 일 실시예에 따른 전자 장치의 외형도이다.
도 2는 일 실시예에 따른 전자 장치의 개략적인 블록도이다.
도 3은 일 실시예에 따른 전자 장치가 학습 모델을 학습시키는 상황을 설명하는 도면이다.
도 4는 일 실시예에 따른 전자 장치를 이용하여 고 명암비를 갖는 목표 영상을 생성하는 과정을 설명하는 도면이다.
도 5는 일 실시예에 따른 전자 장치를 이용하여 저 명암비를 갖는 학습용 영상을 생성하는 과정을 설명하는 도면이다.
도 6은 일 실시예에 따른 전자 장치 학습 모델을 이용하여 명암비가 증가된 출력 영상을 생성하는 상황을 설명하는 도면이다.
도 7은 일 실시예에 따른 전자 장치를 이용하여 획득된 출력 영상의 명암비를 다시 조정하는 상황을 설명하는 도면이다.
도 8은 일 실시예에 따른 전자 장치가 학습 데이터를 식별하는 상황을 설명하는 흐름도이다.
도 9는 일 실시예에 따른 전자 장치가 출력 영상을 생성하는 상황을 설명하는 흐름도이다.
도 10은 일 실시예에 따른 전자 장치가 서버와 연동하여 학습 데이터를 식별하는 상황을 설명하는 흐름도이다.
도 11은 일 실시예에 따른 전자 장치가 서버와 연동하여 출력 영상을 생성하는 상황을 설명하는 흐름도이다.
도 12은 본 개시의 다양한 실시예에 따른 전자 장치의 블록도이다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나",“A 또는 B 중 적어도 하나,”"A, B 또는 C," "A, B 및 C 중 적어도 하나,”및 “A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, “기능적으로” 또는 “통신적으로”라는 용어와 함께 또는 이런 용어 없이, “커플드” 또는 “커넥티드”라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 외형도이다.
일 실시예에 따르면, 전자 장치(10)는 TV일 수 있으나, 이는 일 실시예에 불과하면, 디스플레이(11)를 포함하는 다양한 형태로 구현될 수 있다. 예를 들면, 전자 장치(10)는 휴대폰, 태블릿 PC, 디지털 카메라, 캠코더, 노트북 컴퓨터(laptop computer), 태블릿 PC, 데스크탑, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 서버, 착용형 기기(wearable device) 등과 같은 다양한 전자 장치로 구현될 수 있다. 특히, 실시예들은 TV와 같이 디스플레이가 대형인 디스플레이 장치에서 용이하게 구현될 수 있으나, 이에 한정되는 것은 아니다.
또한, 전자 장치(10)는 고정형 또는 이동형일 수 있으며, 디지털 방송 수신이 가능한 디지털 방송 수신기일 수 있다. 또한, 전자 장치(10)는 평면(flat) 디스플레이뿐만 아니라, 곡률을 가지는 화면인 곡면(curved) 디스플레이 또는 곡률을 조정 가능한 가변형(flexible) 디스플레이를 포함할 수 있다. 전자 장치(10)의 출력 해상도는 예를 들어, HD(High Definition), Full HD, Ultra HD, 또는 Ultra HD 보다 더 선명한 해상도를 포함할 수 있다.
전자 장치(10)는 프로세서와 통신부를 포함하여 다른 외부 장치와 통신을 수립할 수 있다. 통신부는 무선 통신 모듈(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈(예: BLE 통신 모듈, wifi(wireless fidelity) 통신 모듈), 유선 통신 모듈(예: LAN(local area network) 통신 모듈, 전력선 통신 모듈)를 포함할 수 있다.
도 2는 일 실시예에 따른 전자 장치의 개략적인 블록도이다.
도 2를 참조하면, 전자 장치(10)는 프로세서(210), 메모리(220), 및 GPU(graphics processing unit)(또는, NPU(neural-network processing unit))(230)를 포함할 수 있다. 그러나 이에 한정되는 것은 아니다. 전자 장치(10)는 적어도 하나 이상의 구성 요소를 더 포함하거나, 일부 구성 요소를 포함하지 않을 수 있다. 예를 들면, 전자 장치(10)는 디스플레이(240)를 더 포함할 수 있다.
일 실시예에 따르면, 메모리(220)는 학습용 영상, 단조 증가 함수의 역함수를 저장할 수 있다. 다양한 실시예에 따르면, 메모리(220)는 학습 모델을 저장할 수 있다. 학습용 영상은, 예를 들면, 단조 증가 함수를 이용하여 생성된 영상일 수 있다.
일 실시예에 따르면, GPU(또는, NPU)(230)는 인공 지능을 위한 연산에 최적화된 프로세서일 수 있다.
인공 지능 기술은 기계 학습(예로, 딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성될 수 있다.
일 실시예에 따르면, GPU(또는, NPU)(230)는 학습 모델을 하드웨어 형태로 저장하거나 또는 메모리(220)에 저장된 학습 모델을 획득하여 이용할 수 있다. GPU(또는, NPU)(230)는 일반 프로세서보다 더 집적화되거나, 딜레이(delay)가 작거나, 성능이 우세하거나, 또는 많은 리소스를 가진 프로세서일 수 있다. 또는, GPU(또는, NPU)(230)는, 예를 들면, 인공 지능을 위한 행렬 연산에 최적화된 프로세서일 수 있다.
일 실시예에 따르면, GPU(또는, NPU)(230)는 프로세서(210)의 제어에 기반하여 입력 영상을 인공 지능 알고리즘을 이용하여 학습된 학습 모델에 적용하여 입력 영상의 명암비(contrast ratio, CR)를 감소시키는 단조 증가 함수의 역함수를 추정할 수 있다. 단조 증가 함수가 입력 영상의 명암비를 감소시키도록 설정되어 있기 때문에, 단조 증가 함수의 역함수는 입력 영상의 명암비를 증가시킬 수 있다.
명암비는, 예를 들면, 디스플레이(240)가 표현하는 가장 밝고, 어두운 정도의 차이를 나타내는 것을 의미할 수 있다. 명암비를 감소 시킨다는 것은, 예를 들면, 디스플레이(240)가 표현하는 가장 밝은 영역을 줄이거나 또는 가장 어두운 영역의 줄이는 것을 의미할 수 있다. 명암비를 증가 시킨다는 것은, 예를 들면, 디스플레이(240)가 표현하는 가장 밝은 영역을 늘리거나 또는 디스플레이(240)가 표현하는 가장 어두운 영역을 늘리는 것을 의미할 수 있다.
일 실시예에 따르면, 프로세서(210)는 메모리(220)에 저장된 학습용 영상 및 단조 증가 함수의 역함수를 획득하여 GPU(또는, NPU)(230)로 전송할 수 있다. 예를 들면, 프로세서(210)는 학습용 영상 및 단조 증가 함수의 역함수의 복사본을 생성하여 GPU(또는, NPU)(230)로 전송할 수 있다.
일 실시예에 따르면, 프로세서(210)는, 입력 영상을 인공 지능 알고리즘을 이용하여 학습된 학습 모델에 적용하여 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정할 수 있다. 이 경우, 상기 학습 모델은, 목표 영상을 단조 증가 함수에 적용하여 생성한 학습용 영상 및 상기 단조 증가 함수의 역함수를 학습 데이터로 하여 학습된, 입력되는 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정할 수 있다.
일 실시예에 따르면, 프로세서(210)는 GPU(또는, NPU)(230)를 이용하여 추정된 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수에 입력 영상을 적용하여 명암비가 높아진 출력 영상을 생성할 수 있다.
다양한 실시예에 따르면, 프로세서(210)는 생성된 출력 영상에 대하여 추가적인 영상 처리를 수행할 수 있다. 예를 들면, 프로세서(210)는 입력 영상과 출력 영상을 비교하여 픽셀값이 설정된 값 이상으로 변한 영역을 식별하고, 식별된 영역의 픽셀값을 조정하는 과정을 수행할 수 있다.
일 실시예에 따르면, 디스플레이(240)는 프로세서(210)의 제어에 기반하여, 입력 영상 또는 출력 영상을 표시할 수 있다. 디스플레이(240)는 도1 의 디스플레이(11)를 포함할 수 있다.
도 3은 일 실시예에 따른 전자 장치가 학습 모델을 학습시키는 상황을 설명하는 도면이다.
일 실시예에 따르면, 전자 장치(10)는 메모리(220) 또는 GP(230) 에 저장된 학습 모델(310)과 메모리(220)에 저장된 학습 데이터(예: 학습용 영상(320) 및 단조 증가 함수의 역함수(330))를 학습기에 입력할 수 있다. 학습용 영상(320) 및 단조 증가 함수의 역함수(330)는 각각 적어도 하나 이상일 수 있다. 또한, 학습용 영상(320)과 단조 증가 함수의 역함수(330)는 서로 쌍을 이루도록 대응시켜 메모리(220)에 저장된 상태일 수 있다. 학습기(340)는, 예를 들면, 학습 모델(310)에 학습 데이터(320, 330)를 입력하여 학습 모델(310)을 학습하도록 설정된 알고리즘일 수 있다.
학습 모델(310)은, 예를 들면, 영상이 입력되면 영상의 명암비를 증가시키는 함수를 추정하도록 학습된 범용 학습 모델일 수 있다. 학습 모델(310)은 전자 장치(10)가 제조되면서 제조사에 의해 탑재된 것일 수 있다. 또는 학습 모델(310)은 전자 장치(10)가 외부 장치로부터 획득한 것일 수 있다.
학습용 영상(320)은, 예를 들면, 고 명암비를 갖는 목표 영상을 이용하여 생성한 영상일 수 있다.
도 4 내지 도 5를 참조하여 학습용 영상(320)을 생성하는 과정을 설명한다.
도 4는 일 실시예에 따른 전자 장치(10)를 이용하여 고 명암비를 갖는 목표 영상을 생성하는 과정을 설명하는 도면이다.
일 실시예에 따르면, 전자 장치(10)는 저 명암비를 갖는 원본 영상(410)을 획득할 수 있다. 명암비가 낮다는 것은, 예를 들면, 영상에 포함된 R(Red), G(Green), B(Blue) 픽셀의 개수를 이용하여 컨트라스트 레벨을 표현하는 그래프에서, 어두운 톤(tone)을 표현하는 영역 또는 밝은 톤을 표현하는 영역에 해당하는 R, G, B 픽셀들의 개수가 중간 톤을 표현하는 영역에 해당하는 R, G, B 픽셀들의 개수에 비하여 적은 상태를 의미할 수 있다.
예를 들어, 도 4의 식별 기호 4-a를 참조하면, 그래프(412)는 원본 영상(410)의 컨트라스트 레벨을 표시할 수 있다. 그래프(412)의 좌측 영역(412a)은 어두운 톤을 표현하는 영역이고, 그래프(412)의 중앙 영역(412b)은 중간 톤을 표현하는 영역이고, 그래프(412)의 우측 영역(412c)은 밝은 톤을 표현하는 영역이다.
예를 들면, 원본 영상(410)의 컨트라스트 레벨을 표시하는 그래프(412)를 보면, 중간 톤을 표현하는 중앙부(412b)에는 R, G, B 픽셀들이 다수 개 존재 하지만, 어두운 톤을 표현하는 좌측 영역(412a)과 밝은 톤을 표현하는 우측 영역(412b)에는 상대적으로 R, G, B 픽셀들이 적게 존재하고 있다.
일 실시예에 따르면, 전자 장치(10)는 외부 입력에 따라서 원본 영상(410)의 명암비를 변경할 수 있다.
도 4의 식별 기호 4-b를 참조하면, 전자 장치(10)는 외부 입력에 따라서 영상의 명암비를 변경할 수 있는 객체(420)를 제공할 수 있다. 영상의 명암비를 변경할 수 있는 객체(420)는 X축, Y축, 및 선(421)를 포함할 수 있다. X축과 Y축은 모두 0~255 범위의 밝기 단계를 의미할 수 있다. 밝기 단계에서 0은 가장 어두운 검은색을 의미하고, 255는 가장 밝은 흰색을 의미할 수 있다.
X축은 입력값이고, Y축은 출력값이다. 영상의 명암비를 변경할 수 있는 객체(420)는 입력 영상에서 획득한 밝기값을 선(421)에 따라서 출력값으로 변경하여 표현할 수 있다. 따라서, 선(421)의 형태가 변경되면, 출력되는 영상의 밝기값이 변경될 수 있다. 밝기값이 변경되면서 명암비가 변경될 수 있다.
사용자는 객체(420)에 포함된 선(421)의 형태를 변경하여 영상의 명암비를 변경할 수 있다.
일 실시예에 따르면, 명암비를 변경할 수 있는 객체(420)에 포함된 선(421)의 좌측 영역(420a)을 Y축을 따라서 상하로 조정하면, 영상에 포함된 어두운 톤의 양이 늘어나거나 줄어들 수 있다. 또한, 선(421)의 우측 영역(420c)을 Y축을 따라서 상하로 조정하면, 영상에 포함된 밝은 톤의 양이 늘어나거나 줄어들 수 있다. 또한, 선(421)의 중간 영역(420b)을 Y축을 따라서 상하로 조정하면, 영상에 포함된 중간 톤의 양이 늘어나거나 줄어들 수 있다.
예를 들어, 사용자는 선(421)의 우측 영역(421c)을 높일 수 있다. 이 경우 전자 장치(10)는 원본 영상(410)에서 밝은 톤의 출력값을 증가시킬 수 있다. 밝은 톤의 츨력값을 증가시킨다는 것은, 예를 들면, 영상에서 흰색에 인접한 회색으로 표현되는 영역을 선(421)이 이동하는 정도에 대응하여 순차적으로 흰색으로 표현하는 것을 의미할 수 있다.
또는, 사용자는 선(421)의 좌측 영역(420a)을 낮출 수 있다. 이 경우, 전자 장치(10)는 원본 영상(410)에서 어두운 톤의 출력값을 감소시킬 수 있다. 어두운 톤의 출력값을 감소시킨다는 것은, 예를 들면, 영상에서 검은색에 인접한 회색으로 표현되는 영역을 선(421)이 이동하는 정도에 대응하여 순차적으로 검은색으로 표현하는 것을 의미할 수 있다.
밝은 톤의 출력값이 증가하고 어두운 톤의 출력값이 감소하면서 원본 영상(410)은 컨트라스트 차이가 증가하게 되었다. 즉, 영상에서 검은색에 인접하여 표현되는 영역과 흰색에 인접하여 표현되는 영역의 차이가 증가하면서, 검은색으로 표현되는 영역과 흰색으로 표현되는 영역의 차이인 명암비가 증가할 수 있다.
사용자는 상기와 같이 선(421)의 형상을 변경하는 과정을 통하여, 사용자가 원하는 명암비를 갖도록 원본 영상(410)을 조정할 수 있다.
도 4의 식별 기호 4-C를 참조하면, 전자 장치(10)는 명암비가 변경된 목표 영상(430)을 생성할 수 있다. 목표 영상(430)은 원본 영상(410)에 비하여 명암비를 증가된 영상일 수 있다.
예를 들어, 목표 영상(430)의 컨트라스트 레벨을 표시하는 그래프(432)를 원본 영상(410)의 컨트라스트 레벨을 표시하는 그래프(412)와 비교해보면, 어두운 톤을 표현하는 좌측 영역(432a)과 밝은 톤을 표현하는 우측 영역(432b)에는 R, G, B 픽셀들의 개수가 증가한 것을 확인할 수 있다.
이와 같이, 본 개시의 다양한 실시예에 따르면, 전자 장치(10)는 사용자의 입력에 대응하여 사용자의 선호도가 반영된 목표 영상(430)을 획득할 수 있다.
도 5는 일 실시예에 따른 전자 장치(10)를 이용하여 저 명암비를 갖는 학습용 영상을 생성하는 과정을 설명하는 도면이다.
일 실시예에 따르면, 전자 장치(10)는 도 4에서 상술한 과정을 이용하여 고 명암비를 갖는 목표 영상(430)을 획득할 수 있다.
도 5의 식별 기호 5-a를 참조하면, 전자 장치(10)는 수식과 같은 단조 증가 함수(Degrade CE curve)에 고 명암비를 갖는 목표 영상(430)을 적용하여 명암비가 감소된 영상(예: 저 명암비를 갖는 영상)을 획득할 수 있다. 예를 들면, 전자 장치(10)는 입력 되는 영상의 평균 밝기값을 획득할 수 있다. 전자 장치(10)는 입력 되는 영상에 포함된 픽셀들 중에서, 평균 밝기값 보다 높은 밝기값을 포함하는 픽셀들의 밝기값은 낮게 조정할 수 있다. 예를 들면, 전자 장치(10)는 입력 되는 영상에 포함된 픽셀들 중에서, 평균 밝기값 보다 낮은 밝기값을 포함하는 픽셀들의 밝기값은 높게 조정할 수 있다.
일 실시예에 따르면, 전자 장치(10)는 수식에 포함된 a값과 λ값을 변경하면서 복수 개의 단조 증가 함수를 생성할 수 있다. 전자 장치(10)는 10개의 a값과 10개의 λ값을 조합하여 100개의 단조 증가 함수들을 생성할 수 있다. 전자 장치(10)는 100개의 단조 증가 함수들과 1,000개의 목표 영상들을 조합하여 100,000 개의 명암비가 감소된 영상을 획득할 수 있다.
도 5의 식별 기호 5-b를 참조하면, 전자 장치(10)는 a값을 0으로 하고, λ값을 1을 하는 제1 단조 증가 함수(521)를 생성할 수 있다. 전자 장치(10)는 제1 단조 증가 함수(521)에 목표 영상(510)을 적용하여 명암비가 감소된 제1 학습용 영상(예: 저 명암비를 갖는 제1 학습용 영상)(523)을 생성할 수 있다. 목표 영상(510)은 도 4의 목표 영상(420)에 대응될 수 있다.
다양한 실시예에 따르면, 전자 장치(10)는 a값을 1으로 하고, λ값을 1을 하는 제2 단조 증가 함수(531)를 생성할 수 있다. 전자 장치(10)는 제1 단조 증가 함수(531)에 목표 영상(510)을 적용하여 명암비가 감소된 제2 학습용 영상(예: 저 명암비를 갖는 제2 학습용 영상) (533)을 생성할 수 있다.
다양한 실시예에 따르면, 전자 장치(10)는 a값을 0.5으로 하고, λ값을 1을 하는 제3 단조 증가 함수(541)를 생성할 수 있다. 전자 장치(10)는 제1 단조 증가 함수(541)에 목표 영상(510)을 적용하여 명암비가 감소된 제3 학습용 영상(예: 저 명암비를 갖는 제3 학습용 영상) (543)을 생성할 수 있다.
이와 같이, 본 개시의 다양한 실시예에 따르면, 전자 장치(10)는 한 장의 원본 영상을 이용하여 복수 개의 학습용 영상과 학습용 영상에 매칭되는 단조 증가 함수를 생성할 수 있다. 이로 인해, 전자 장치(10)는 학습 모델(예: 도 3의 학습 모델(310))에 적용할 많은 수의 학습 데이터를 획득할 수 있다.
도 3을 참조하면, 전자 장치(10)는 학습 모델(310), 학습 데이터(예: 학습용 영상(320) 및 단조 증가 함수의 역함수(330))을 학습기(340)에 입력하여 학습 모델(310)을 학습시킬 수 있다.
단조 증가 함수의 역함수(330)는, 예를 들면, 도 5에서 상술한 입력 영상의 명암비를 낮추는 단조 증가 함수의 역함수로서 입력 영상의 명암비를 높이는 함수일 수 있다.
도 5에서 상술한 바와 같이, 전자 장치(10)는 도 5의 식별 기호 5-a의 수식에 포함된 α값과 λ값을 변경하면서 복수 개의 단조 증가 함수를 생성하고, 생성된 복수 개의 단조 증가 함수를 이용하여 학습용 영상들을 생성할 수 있다. 예를 들어, 전자 장치(10)는 제1 단조 증가 함수(521), 제2 단조 증가 함수(531), 또는 제3 단조 증가 함수(541)를 획득하여 각각에 대응되는 제1 학습용 영상(523), 제2 학습용 영상(533), 또는 제3 학습용 영상(543)을 획득할 수 있다.
전자 장치(10)는 제1 단조 증가 함수(521), 제2 단조 증가 함수(531), 또는 제3 단조 증가 함수(541) 의 각각에 대응하는 역함수를 생성할 수 있다. 전자 장치(10)는 생성된 제1 단조 증가 함수(521)의 역함수와 제1 학습용 영상을 대응시켜 학습 데이터로 이용할 수 있다. 또한, 전자 장치(10)는 생성된 제2 단조 증가 함수(531)의 역함수와 제2 학습용 영상을 대응시켜 학습 데이터로 이용할 수 있다. 또한, 전자 장치(10)는 생성된 제3 단조 증가 함수(541)의 역함수와 제3 학습용 영상을 대응시켜 학습 데이터로 이용할 수 있다.
일 실시예에 따르면, 학습기(340)는 복수 개의 학습용 영상들(320)과 복수 개의 학습용 영상들(320)에 대응되는 복수 개의 단조 증가 함수의 역함수들(330)을 학습 모델(310)에 적용하여 학습을 진행할 수 있다.
일 실시예에 따르면, 학습기(340)는 학습 모델(310)이 입력 영상에 대응되는 단조 증가 함수의 역함수를 추정하는 기준을 갖도록 학습할 수 있다. 학습기(340)는 입력 영상에 대응되는 단조 증가 함수의 역함수를 추정하기 위해 어떤 학습용 데이터를 이용할 지, 또는 학습 모델이 학습용 데이터를 이용하여 단조 증가 함수의 역함수를 어떻게 추정할지에 대한 기준을 갖도록 학습할 수 있다.
일 실시예에 따르면, 기 설정된 시간 또는 기 설정된 학습 데이터의 양을 이용하여 학습 모델(310)의 학습이 완료되면, 학습기(340)는 범용적인 학습 모델(310)을, 사용자의 선호에 따라서 입력 영상의 명암비를 증가시키는 함수(예: 단조 증가 함수의 역함수)를 추정하는 학습 모델(350)을 생성할 수 있다.
그러나 이에 한정되는 것은 아니다. 학습기(340)는 범용적인 학습 모델(310)을 사용자의 선호에 따라서 입력 영상의 명암비를 증가시키는 함수를 추정하는 학습 모델(350)로 수정(또는 변경, 갱신)할 수 있다.
일 실시예에 따르면, 전자 장치(10)는 생성(또는 갱신, 수정, 변경)된 학습 모델(350)을 메모리(220)에 저장할 수 있다. 그러나 이에 한정되는 것은 아니다. 예를 들면, 전자 장치(10)는 학습 모델(350)을 GPU(230)에 저장할 수도 있다.
이와 같이, 본 개시의 일 실시예에 따르면, 전자 장치(10)는 입력 영상과 입력 영상에 대응되는 단조 증가 함수의 역함수를 학습 데이터로 이용할 수 있다. 이로 인해, 전자 장치(10)는 학습 모델(310)을 학습시키는 과정에서 입력 영상과 출력 영상을 이용하여 학습시키는 방법에 비하여 메모리(220)의 사용량을 크게 감소시킬 수 있다.
또한, 본 개시의 일 실시예에 따르면, 전자 장치(10)는 학습 데이터를 생성하는 과정에서, 사용자의 선호도에 맞춘 목표 영상을 이용하여 용이하게 복수 개의 단조 증가 함수와 복수 개의 단조 증가 함수를 이용한 학습용 영상들을 획득할 수 있다.
도 6은 일 실시예에 따른 전자 장치 학습 모델을 이용하여 명암비가 증가된 출력 영상을 생성하는 상황을 설명하는 도면이다.
도 6을 참조하면, 전자 장치(10)는 입력 영상(610)을 획득할 수 있다.
일 실시예에 따르면, 전자 장치(10)는 통신이 수립된 외부 장치로부터 입력 영상(610)을 전송 받을 수 있다. 또는, 전자 장치(10)는 통신이 수립된 외부 장치로부터 스트리밍 형태로 입력 영상(610)을 전송 받을 수 있다. 다양한 실시예에 따르면, 전자 장치(10)는 메모리(220)에 기 저장된 영상들 중에서 하나를 입력 영상(610)으로 식별할 수 있다.
일 실시예에 따르면, 전자 장치(10)는 입력 영상(610)을 학습 모델(350)에 적용할 수 있다. 학습 모델(350)은, 예를 들면, 도 3에서 상술한 입력 영상에 대응하는 단조 증가 함수의 역함수를 추정하도록 설정된 학습 모델일 수 있다.
일 실시예에 따르면, 전자 장치(10)는 입력 영상(610)을 학습 모델(350)에 적용한 결과로서, 입력 영상(610)에 대응되는 것으로 추정되는 단조 증가 함수의 역함수(620)를 획득할 수 있다.
전자 장치(10)는 획득된 단조 증가 함수의 역함수(620)에 입력 영상(610)을 적용할 수 있다. 전자 장치(10)는 입력 영상(610)을 단조 증가 함수의 역함수(620)에 적용한 결과로서, 입력 영상(610)보다 명암비를 증가된 출력 영상(630)을 획득할 수 있다.
도 7은 일 실시예에 따른 전자 장치를 이용하여 획득된 출력 영상의 명암비를 다시 조정하는 상황을 설명하는 도면이다.
도 7의 식별 기호 7-a를 참조하면, 전자 장치(10)는 출력 영상(710)을 디스플레이(11)에 표시할 수 있다. 출력 영상(710)은, 예를 들면, 도 6에서 상술한 바와 같이, 전자 장치(10)가 입력되는 영상에 대응되는 단조 증가 함수의 역함수를 추정하고, 추정된 단조 증가 함수의 역함수에 입력 영상을 적용하여 획득된 영상일 수 있다.
일 실시예에 따르면, 전자 장치(10)는 출력 영상(710)의 명암비를 조정할 수 있는 객체(720)를 디스플레이(11)에 표시할 수 있다. 예를 들어, 전자 장치(10)는 출력 영상(710)을 표시하면서, 동시에 또는 순차적으로 명암비를 조정하는 객체(720)를 표시할 수 있다. 또는, 전자 장치(10)는 기능 실행을 요청하는 사용자 입력에 대응하여 명암비를 조정하는 객체(720)를 표시할 수 있다.
일 실시예에 따르면, 명암비를 조정하는 객체(720)는 명암비를 표시하는 바(722)와 바(722)에 따라서 명암비를 조정할 수 있는 이동부(724)를 포함할 수 있다. 예를 들어, 사용자가 이동부(724)를 바(722)의 상측으로 이동시키면, 전자 장치(10)는 영상의 명암비를 증가시켜서 디스플레이(11)에 표시할 수 있다. 예를 들어, 사용자가 이동부(724)를 바(722)의 하측으로 이동시키면, 전자 장치(10)는 영상의 명암비를 감소시켜서 디스플레이(11)에 표시할 수 있다.
도 7의 식별 기호 7-b를 참조하면, 전자 장치(10)는 이동부(724)를 바(722)의 상측으로 이동시키는 사용자의 입력에 대응하여 디스플레이(11)에 표시되는 출력 영상(710)의 명암비를 변경할 수 있다.
다양한 실시예에 따르면, 전자 장치(10)는 터치 입력이 가능한 터치스크린 디스플레이를 디스플레이(11)로 마련할 수 있다. 이 경우, 전자 장치(10)는 터치 스크린 디스플레이에 표시된 이동부(724)를 상측으로 이동하는 사용자의 터치 앤 드래그 입력에 대응하여 출력 영상(710)의 명암비를 증가시킬 수 있다.
다양한 실시예에 따르면, 전자 장치(10)는 전자 장치(10)를 제어하는 리모컨(remote controller)과 통신을 수립할 수 있다. 이 경우, 전자 장치(10)는 리모컨을 조작하여 이동부(724)를 상측으로 이동하는 사용자의 입력에 대응하여 출력 영상(710)의 명암비를 증가시킬 수 있다. 또는, 전자 장치(10)는 전자 장치(10)와 통신이 수립된 타 전자 장치(예: 스마트 폰, 태블릿 PC 등)를 조작하는 사용자의 입력에 대응하여 출력 영상(710)의 명암비를 변경할 수 있다.
다양한 실시예에 따르면, 전자 장치(10)는 사용자의 음성을 획득하고, 음성을 인식하여 음성의 내용을 식별할 수 있다. 이 경우, 전자 장치(10)는 사용자의 음성에 대응하여 이동부(724)를 상측으로 이동시키면서 출력 영상(710)의 명암비를 증가시킬 수 있다.
일 실시예에 따르면, 전자 장치(10)는 사용자의 입력에 대응하여 출력 영상(710)의 명암비가 수정되면, 수정된 명암비에 대응하도록 입력 영상에 대응되어 추정된 단조 증가 함수의 역함수를 변경할 수 있다. 전자 장치(10)는 변경된 단조 증가 함수의 역함수와 입력 영상을 학습 데이터로 하여 학습 모델(350)을 학습시킬 수 있다.
전자 장치(10)가 사용자의 선호도에 따라 수정된 단조 증가 함수의 역함수와 입력 영상을 매칭하여 학습시키면서, 학습 모델(350)은 추후 입력 되는 입력 영상에 대하여 사용자의 최근 선호도에 대응되는 단조 증가 함수의 역함수를 추정할 수 있고, 전자 장치(10)는 사용자의 최근 선호도에 대응되는 출력 영상을 생성할 수 있다.
도 8은 일 실시예에 따른 전자 장치가 학습 데이터를 식별하는 상황을 설명하는 흐름도이다.
동작 810을 참조하면, 전자 장치(10)는 고 명암비를 갖는 목표 영상을 획득할 수 있다.
예를 들면, 사용자는 저 명암비를 갖는 원본 영상을 전자 장치(10)에 저장하고, 전자 장치(10)에 포함된 명암비를 변경할 수 있는 프로그램을 이용하여 저 명암비를 갖는 원본 영상의 명암비를 조정하여 고 명암비를 갖는 목표 영상을 생성할 수 있다.
동작 820을 참조하면, 전자 장치(10)는 획득된 고 명암비를 갖는 목표 영상을 적용할 단조 증가 함수를 획득할 수 있다.
예를 들면, 전자 장치(10)는 명암비를 감소시키는 단조 증가 함수를 획득할 수 있다. 전자 장치(10)는 단조 증가 함수에 포함된 적어도 하나 이상의 상수값을 변경하여 복수 개의 단조 증가 함수를 획득할 수 있다.
동작 830을 참조하면, 전자 장치(10)는 단조 증가 함수에 고 명암비를 갖는 목표 영상을 적용하여 저 명암비를 갖는 학습용 영상을 획득할 수 있다.
예를 들면, 전자 장치(10)는 획득된 복수 개의 단조 증가 함수들에 목표 영상을 적용하여 복수 개의 학습용 영상들을 획득할 수 있다. 학습용 영상은 단조 증가 함수에 의해 목표 영상보다 명암비가 감소된 상태일 수 있다.
동작 840을 참조하면, 전자 장치(10)는 획득된 저 명암비를 갖는 학습용 영상 및 단조 증가 함수의 역함수를 대응시켜 학습 데이터로 식별할 수 있다.
예를 들면, 전자 장치(10)는 학습용 영상을 생성한 단조 증가 함수에 대응하는 역함수를 획득할 수 있다. 전자 장치(10)는 단조 증가 함수를 이용하여 회득한 학습용 영상과 단조 증가 함수의 역함수를 대응시켜 학습 모델을 학습시킬 학습 데이터를 획득할 수 있다. 전자 장치(10)는 상기의 과정을 반복하여 복수 개의 학습 데이터를 획득하고, 학습 모델을 학습시킬 수 있다.
도 9는 일 실시예에 따른 전자 장치가 출력 영상을 생성하는 상황을 설명하는 흐름도이다.
동작 910을 참조하면, 전자 장치(10)는 입력 영상을 획득할 수 있다.
예를 들면, 전자 장치(10)는 통신이 수립된 외부 장치로부터 입력 영상을 전송 받을 수 있다. 또는, 전자 장치(10)는 통신이 수립된 외부 장치로부터 스트리밍 형태로 입력 영상을 전송 받을 수 있다. 다양한 실시예에 따르면, 전자 장치(10)는 메모리에 기 저장된 영상들 중에서 하나를 입력 영상으로 식별할 수 있다.
동작 920을 참조하면, 전자 장치(10)는 획득된 입력 영상을 학습 모델에 적용하여 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정할 수 있다.
학습 모델은, 예를 들면, 도 3에서 상술한 입력 영상에 대응하는 단조 증가 함수의 역함수를 추정하도록 설정된 학습 모델일 수 있다.
동작 930을 참조하면, 전자 장치(10)는 추정된 단조 증가 함수의 역함수에 입력 영상을 적용하여 출력 영상을 획득할 수 있다.
도 10은 일 실시예에 따른 전자 장치가 서버와 연동하여 학습 데이터를 식별하는 상황을 설명하는 흐름도이다.
일 실시예에 따르면, 학습 모델은 외부의 서버(1000)에 위치할 수 있다. 이 경우, 학습 모델은 서버(1000)의 메모리(미도시)에 소프트웨어 형태로 저장되거나, 또는 서버의 인공 지능 칩의 일부인 하드웨어 형태로 구현될 수 있다.
동작 1010에서, 전자 장치(10)는 고 명암비를 갖는 목표 영상을 획득할 수 있다.
예를 들면, 사용자는 저 명암비를 갖는 원본 영상을 전자 장치(10)에 저장하고, 전자 장치(10)에 포함된 명암비를 변경할 수 있는 프로그램을 이용하여 저 명암비를 갖는 원본 영상의 명암비를 조정하여 고 명암비를 갖는 목표 영상을 생성할 수 있다.
동작 1020을 참조하면, 전자 장치(10)는 획득된 고 명암비를 갖는 목표 영상을 적용할 단조 증가 함수를 획득할 수 있다.
예를 들면, 전자 장치(10)는 명암비를 감소시키는 단조 증가 함수를 획득할 수 있다. 전자 장치(10)는 단조 증가 함수에 포함된 적어도 하나 이상의 상수값을 변경하여 복수 개의 단조 증가 함수를 획득할 수 있다.
동작 1030에서, 전자 장치(10)는 획득된 고 명암비를 갖는 영상 및 단조 증가 함수를 서버(1000)로 전송할 수 있다.
동작 1040에서, 서버(1000)는 단조 증가 함수에 고 명암비를 갖는 목표 영상을 적용하여 저 명암비를 갖는 학습용 영상을 획득할 수 있다.
예를 들면, 서버(1000)는 획득된 복수 개의 단조 증가 함수들에 목표 영상을 적용하여 복수 개의 학습용 영상들을 획득할 수 있다. 학습용 영상은 단조 증가 함수에 의해 목표 영상보다 명암비가 감소된 상태일 수 있다.
동작 1050을 참조하면, 서버(1000)는 획득된 저 명암비를 갖는 학습용 영상 및 단조 증가 함수의 역함수를 대응시켜 학습 데이터로 식별할 수 있다.
예를 들면, 서버(1000)는 학습용 영상을 생성한 단조 증가 함수에 대응하는 역함수를 획득할 수 있다. 서버(1000)는 단조 증가 함수를 이용하여 회득한 학습용 영상과 단조 증가 함수의 역함수를 대응시켜 학습 모델을 학습시킬 학습 데이터를 획득할 수 있다. 서버(1000)는 상기의 과정을 반복하여 복수 개의 학습 데이터를 획득하고, 학습 모델을 학습시킬 수 있다.
도 11은 일 실시예에 따른 전자 장치가 서버와 연동하여 출력 영상을 생성하는 상황을 설명하는 흐름도이다.
동작 1110에서, 전자 장치(10)는 입력 영상을 획득할 수 있다.
예를 들면, 전자 장치(10)는 통신이 수립된 외부 장치로부터 입력 영상을 전송 받을 수 있다. 또는, 전자 장치(10)는 통신이 수립된 외부 장치로부터 스트리밍 형태로 입력 영상을 전송 받을 수 있다. 다양한 실시예에 따르면, 전자 장치(10)는 메모리에 기 저장된 영상들 중에서 하나를 입력 영상으로 식별할 수 있다.
동작 1120에서, 전자 장치(10)는 입력 영상을 서버(1000)로 전송할 수 있다.
동작 1130에서, 서버(1000)는 획득된 입력 영상을 학습 모델에 적용하여 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정할 수 있다.
학습 모델은, 예를 들면, 도 3에서 상술한 입력 영상에 대응하는 단조 증가 함수의 역함수를 추정하도록 설정된 학습 모델일 수 있다.
동작 1140에서, 서버(1000)는 추정된 단조 증가 함수의 역함수에 입력 영상을 적용하여 출력 영상을 획득할 수 있다.
동작 1150에서, 서버(1000)는 획득된 출력 영상을 전자 장치(10)로 전송할 수 있다.
동작 1160에서, 전자 장치(10)는 획득된 출력 영상을 표시할 수 있다.
도 12는 본 개시의 다양한 실시예에 따른 전자 장치의 블록도이다.
도 12에 도시된 바와 같이, 전자 장치(10)는, 프로세서(2010), 통신부(2020) 및 디스플레이(2060) 이외에, 메모리(2090), 튜너부(2015), 감지부(2030), 입/출력부(340), 비디오 처리부(2050), 오디오 처리부(2070), 및 오디오 출력부(2080) 중 적어도 하나를 더 포함할 수 있다.
프로세서(2010), 메모리(2090) 및 디스플레이(2060) 각각은, 도 2의 프로세서(210), 메모리(220), 디스플레이(240)에 각각 대응되어 전술한 중복되는 설명은 생략한다.
프로세서(2010)는, 예를 들면, 메모리(2090)에 저장된 소프트웨어(예로, 프로그램)를 실행하여 프로세서(2010)에 연결된 전자 장치(10)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(2010)는 다른 구성요소로부터 수신된 명령 또는 데이터를 메모리(예로, 휘발성 메모리)(2090)에 로드하고, 메모리(2090)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 메모리(예로, 비휘발성 메모리)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(2010)는 메인 프로세서(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서는 메인 프로세서보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서는 메인 프로세서와 별개로, 또는 그 일부로서 구현될 수 있다. 보조 프로세서는, 예를 들면, 메인 프로세서가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서를 대신하여, 또는 메인 프로세서가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서와 함께, 전자 장치(10)의 구성요소들 중 적어도 하나의 구성요소와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다.
통신부(2020)는 프로세서(2010)의 제어에 의해 전자 장치(10)를 외부 장치(20), 서버(20)와 연결할 수 있다. 통신부(2020)는 프로세서(2010)(예로, 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신부(2020)는 무선 통신 모듈(2021)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(2022)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 서버(20)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다.
디스플레이(2060)는 전자 장치(10)의 외부(예: 사용자)로 정보(예: UI 등)를 시각적으로 제공할 수 있다. 디스플레이(2060)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이(2060)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이(2060)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기 영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고, 전자 장치(10)의 구현 형태에 따라, 전자 장치(10)는 디스플레이(2060)를 2개 이상 포함할 수도 있다.
튜너부(2015)는 유선 또는 무선으로 수신되는 방송 신호를 증폭(amplification), 혼합(mixing), 공진(resonance)등을 통하여 많은 전파 성분 중에서 전자 장치(10)에서 수신하고자 하는 채널의 주파수만을 튜닝(tuning)시켜 선택할 수 있다. 방송 신호는 오디오(audio), 비디오(video) 및 부가 정보(예를 들어, EPG(Electronic Program Guide))를 포함한다.
튜너부(2015)를 통해 수신된 방송 신호는 디코딩(decoding, 예를 들어, 오디오 디코딩, 비디오 디코딩 또는 부가 정보 디코딩)되어 오디오, 비디오 및/또는 부가 정보로 분리된다. 분리된 오디오, 비디오 및/또는 부가 정보는 프로세서(2010)의 제어에 의해 메모리(2090)에 저장될 수 있다. 전자 장치(10)의 튜너부(2015)는 하나이거나 복수일 수 있다. 튜너부(2015)는 전자 장치(10)와 일체형(all-in-one)으로 구현되거나 또는 전자 장치(10)와 전기적으로 연결되는 튜너부를 가지는 별개의 장치, 입/출력부(2040)에 연결되는 튜너부(도시되지 아니함)로 구현될 수 있다.
감지부(2030)는 사용자의 음성, 사용자의 영상, 또는 사용자의 인터랙션을 감지하며, 마이크(2031), 카메라부(2032), 및 광 수신부(2033)를 포함할 수 있다.
마이크(2031)는 사용자의 발화(utterance)된 음성을 수신한다. 마이크(2031)는 수신된 음성을 전기 신호로 변환하여 프로세서(2010)로 출력할 수 있다. 카메라부(2032)는 카메라 인식 범위에서 제스처를 포함하는 사용자의 모션에 대응되는 영상(예를 들어, 연속되는 프레임)을 수신할 수 있다. 광 수신부(2033)는, 외부의 제어 장치(예로, 리모컨)로부터 수신되는 광 신호(제어 신호를 포함)를 수신한다. 광 수신부(2033)는 제어 장치로부터 사용자 입력(예를 들어, 터치, 눌림, 터치 제스처, 음성, 또는 모션)에 대응되는 광 신호를 수신할 수 있다. 수신된 광 신호로부터 프로세서(2010)의 제어에 의해 제어 신호가 추출될 수 있다.
입/출력부(2040)는 프로세서(2010)의 제어에 의해 전자 장치(10)의 외부에서부터 비디오(예를 들어, 동영상 등), 오디오(예를 들어, 음성, 음악 등) 및 부가 정보(예를 들어, EPG 등) 등을 수신한다. 입/출력부(2040)는 HDMI 포트(High-Definition Multimedia Interface port, 2041), 컴포넌트 잭(component jack, 2042), PC 포트(PC port, 2043), 및 USB 포트(USB port, 2044) 중 하나를 포함할 수 있다. 입/출력부(2040)는 HDMI 포트(2041), 컴포넌트 잭(2042), PC 포트(2043), 및 USB 포트(2044)의 조합을 포함할 수 있다.
비디오 처리부(2050)는, 디스플레이(2060)에 의해 표시될 영상을 처리하며, 비디오 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환, 해상도 변환 등과 같은 다양한 영상 처리를 수행할 수 있다.
오디오 처리부(2070)는 오디오 데이터에 대한 처리를 수행한다. 오디오 처리부(2070)에서는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다.
오디오 출력부(2080)는 프로세서(2010)의 제어에 의해 튜너부(2015)를 통해 수신된 방송 신호에 포함된 오디오, 통신부(2020) 또는 입/출력부(2040)를 통해 입력되는 오디오, 메모리(2090)에 저장된 오디오를 출력할 수 있다. 오디오 출력부(2080)는 스피커(2081), 헤드폰 출력 단자(2082) 또는 S/PDIF(Sony/Philips Digital Interface: 출력 단자)(2083) 중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 메모리(2090)는, 프로세서(2010)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(10)로 입력되거나 전자 장치(10)로부터 출력되는 데이터를 저장할 수 있다.
메모리(2090)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(10)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 메모리(220))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(10))의 프로세서(예: 프로세서(210))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체 는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
10: 전자 장치
11: 디스플레이

Claims (20)

  1. 적어도 하나 이상의 프로세서;
    적어도 하나 이상의 메모리; 를 포함하고,
    상기 메모리는, 상기 프로세서가,
    입력 영상을 인공 지능 알고리즘을 이용하여 학습된 학습 모델에 적용하여 상기 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정하도록 설정된 적어도 하나 이상의 인스트럭션을 저장하고,
    상기 학습 모델은, 고 명암비를 갖는 목표 영상을 단조 증가 함수에 적용하여 생성된 저 명암비를 갖는 학습용 영상, 및 상기 단조 증가 함수의 역함수를 학습 데이터로 이용하여 학습된, 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정하도록 설정된 학습 모델인, 전자 장치.
  2. 제1항에 있어서,
    상기 인스트럭션은, 상기 프로세서가,
    상기 입력 영상을 상기 추정된 단조 증가 함수의 역함수에 적용하여, 명암비가 증가된 출력 영상을 생성하도록 설정된, 전자 장치.
  3. 제1항에 있어서,
    상기 인스트럭션은, 상기 프로세서가,
    상기 학습용 영상, 상기 단조 증가 함수의 역함수 및 상기 학습 모델을 학습기에 입력하여 상기 학습 모델을 학습시키도록 설정된, 전자 장치.
  4. 제1항에 있어서,
    상기 단조 증가 함수는 적어도 하나 이상의 상수값을 포함하고,
    상기 인스트럭션은, 상기 프로세서가,
    상기 상수값을 변경하여 복수 개의 단조 증가 함수들을 획득하도록 설정된, 전자 장치.
  5. 제4항에 있어서,
    상기 인스트럭션은, 상기 프로세서가,
    상기 복수 개의 단조 증가 함수에 상기 목표 영상을 적용하여 복수 개의 학습용 영상들을 획득하도록 설정된, 전자 장치.
  6. 제1항에 있어서,
    상기 인스트럭션은, 상기 프로세서가,
    상기 단조 증가 함수를 이용하여, 입력 영상에 포함된 픽셀들의 평균 밝기값 보다 높은 밝기값을 포함하는 픽셀들의 밝기값은 낮게 조정하도록 설정된, 전자 장치.
  7. 제1항에 있어서,
    상기 인스트럭션은, 상기 프로세서가,
    상기 단조 증가 함수를 이용하여, 입력 영상에 포함된 픽셀들의 평균 밝기값 보다 낮은 밝기값을 포함하는 픽셀들의 밝기값은 높게 조정하도록 설정된, 전자 장치.
  8. 제2항에 있어서,
    상기 전자 장치는 디스플레이를 포함하고,
    상기 인스트럭션은, 상기 프로세서가,
    상기 디스플레이를 제어하여, 상기 출력 영상 및 상기 출력 영상의 명암비를 조정하는 객체를 표시하도록 설정된, 전자 장치.
  9. 제8항에 있어서,
    상기 인스트럭션은, 상기 프로세서가,
    상기 객체를 이용하여 명암비를 조정하는 외부 입력에 대응하여,
    상기 디스플레이를 제어하여, 상기 출력 영상의 명암비를 조정하여 표시하도록 설정된, 전자 장치.
  10. 제9항에 있어서,
    상기 인스트럭션은, 상기 프로세서가,
    상기 조정된 명암비를 상기 추정된 단조 증가 함수의 역함수에 반영하고, 상기 입력 영상과 상기 명암비가 조정된 단조 증가 함수의 역함수를 학습 데이터로 이용하도록 설정된, 전자 장치.
  11. 전자 장치의 제어 방법에 있어서,
    고 명암비를 갖는 목표 영상을 획득하는 것에 따라, 상기 목표 영상의 명암비를 감소시키는 단조 증가 함수를 획득하는 동작;
    상기 단조 증가 함수에 상기 목표 영상을 적용하여 저 명암비를 갖는 학습용 영상을 획득하는 동작; 및
    상기 학습용 영상 및 상기 단조 증가 함수의 역함수를 대응시켜, 입력 되는 영상의 명암비를 증가시키는 학습 모델을 위한 학습 데이터로 이용하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  12. 제11항에 있어서,
    상기 전자 장치의 제어 방법은,
    입력 영상을 상기 학습 데이터로 학습된 학습 모델에 적용하여 상기 입력 영상의 명암비를 감소시키는 단조 증가 함수의 역함수를 추정하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  13. 제12항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 추정된 단조 증가 함수의 역함수에 상기 입력 영상을 적용하여, 명암비가 증가된 출력 영상을 생성하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  14. 제11항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 학습용 영상, 상기 단조 증가 함수의 역함수, 및 상기 학습 모델을 학습기에 입력하여 상기 학습 모델을 학습시키는 동작; 을 포함하는, 전자 장치의 제어 방법.
  15. 제11항에 있어서,
    상기 단조 증가 함수는 적어도 하나 이상의 상수값을 포함하고,
    상기 전자 장치의 제어 방법은,
    상기 상수값을 변경하여 복수 개의 단조 증가 함수들을 획득하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  16. 제15항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 복수 개의 단조 증가 함수에 상기 목표 영상을 적용하여 복수 개의 학습용 영상들을 획득하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  17. 제11항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 단조 증가 함수를 이용하여, 입력 영상에 포함된 픽셀들의 평균 밝기값 보다 높은 밝기값을 포함하는 픽셀들의 밝기값은 낮게 조정하고, 또는 입력 영상에 포함된 픽셀들의 평균 밝기값 보다 낮은 밝기값을 포함하는 픽셀들의 밝기값은 높게 조정하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  18. 제13항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 출력 영상을 표시하는 상황에서, 상기 출력 영상의 명암비를 조정하는 객체를 함께 표시하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  19. 제18항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 객체를 이용하여 명암비를 조정하는 외부 입력에 대응하여, 상기 출력 영상의 명암비를 조정하여 제공하는 동작; 을 포함하는, 전자 장치의 제어 방법.
  20. 제19항에 있어서
    상기 전자 장치의 제어 방법은,
    상기 조정된 명암비를 상기 추정된 단조 증가 함수의 역함수에 반영하고, 상기 입력 영상과 상기 명암비가 조정된 단조 증가 함수의 역함수를 학습 데이터로 이용하는 동작; 을 포함하는, 전자 장치의 제어 방법.

KR1020190057448A 2019-05-16 2019-05-16 전자 장치 및 전자 장치의 제어 방법 KR20200132245A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190057448A KR20200132245A (ko) 2019-05-16 2019-05-16 전자 장치 및 전자 장치의 제어 방법
EP20805353.8A EP3850828B1 (en) 2019-05-16 2020-05-06 Electronic device and method of controlling thereof
PCT/KR2020/095083 WO2020231243A1 (en) 2019-05-16 2020-05-06 Electronic device and method of controlling thereof
US16/872,573 US11373280B2 (en) 2019-05-16 2020-05-12 Electronic device and method of training a learning model for contrast ratio of an image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190057448A KR20200132245A (ko) 2019-05-16 2019-05-16 전자 장치 및 전자 장치의 제어 방법

Publications (1)

Publication Number Publication Date
KR20200132245A true KR20200132245A (ko) 2020-11-25

Family

ID=73230739

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190057448A KR20200132245A (ko) 2019-05-16 2019-05-16 전자 장치 및 전자 장치의 제어 방법

Country Status (4)

Country Link
US (1) US11373280B2 (ko)
EP (1) EP3850828B1 (ko)
KR (1) KR20200132245A (ko)
WO (1) WO2020231243A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11996024B2 (en) 2021-08-31 2024-05-28 Samsung Electronics Co., Ltd. Display device and operating method thereof

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100212B (zh) * 2022-08-29 2022-11-18 卡松科技股份有限公司 一种润滑油污染程度检测方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6826310B2 (en) * 2001-07-06 2004-11-30 Jasc Software, Inc. Automatic contrast enhancement
US7221807B2 (en) * 2002-03-29 2007-05-22 Sharp Laboratories Of America, Inc. Methods and systems for digital image characteristic adjustment using a neural network
JP2004212598A (ja) 2002-12-27 2004-07-29 Sharp Corp 変換装置、補正回路、駆動装置、表示装置、検査装置および表示方法
US7609908B2 (en) 2003-04-30 2009-10-27 Eastman Kodak Company Method for adjusting the brightness of a digital image utilizing belief values
DE60318022T2 (de) * 2003-06-11 2008-09-11 Agfa Healthcare Nv Verfahren und Benutzerschnittstelle zum Verändern von zumindest Kontrast oder Intensität der Pixel eines verarbeiteten Bildes
KR100679052B1 (ko) 2006-01-04 2007-02-06 삼성전자주식회사 최적 선호색 편집 장치 및 방법
JP2009004888A (ja) 2007-06-19 2009-01-08 Noritsu Koki Co Ltd 画像補正方法と画像補正装置
KR101558653B1 (ko) 2013-06-14 2015-10-08 전북대학교산학협력단 신경망을 이용한 영상의 화질 개선 시스템 및 방법
KR101874538B1 (ko) 2016-11-22 2018-07-04 연세대학교 산학협력단 영상의 대비 및 채도 동시 향상시키는 영상 처리 방법 및 장치
KR102563752B1 (ko) * 2017-09-29 2023-08-04 삼성전자주식회사 뉴럴 네트워크를 위한 트레이닝 방법, 뉴럴 네트워크를 이용한 인식 방법 및 그 장치들
US11030722B2 (en) 2017-10-04 2021-06-08 Fotonation Limited System and method for estimating optimal parameters
US10915787B2 (en) * 2018-11-15 2021-02-09 Toyota Research Institute, Inc. System and method for generating training data from synthetic images
US10943681B2 (en) * 2018-11-21 2021-03-09 Enlitic, Inc. Global multi-label generating system
JP7220062B2 (ja) 2018-11-29 2023-02-09 富士通株式会社 学習データ生成プログラム、学習データ生成装置、及び学習データ生成方法
KR20200094608A (ko) 2019-01-30 2020-08-07 삼성전자주식회사 이미지를 처리하기 위한 방법 및 그에 따른 장치
US11295423B2 (en) * 2019-11-25 2022-04-05 Intel Corportation Unsupervised training of neural network for high dynamic range image compression

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11996024B2 (en) 2021-08-31 2024-05-28 Samsung Electronics Co., Ltd. Display device and operating method thereof

Also Published As

Publication number Publication date
US11373280B2 (en) 2022-06-28
EP3850828A1 (en) 2021-07-21
EP3850828B1 (en) 2024-03-20
US20200364837A1 (en) 2020-11-19
WO2020231243A1 (en) 2020-11-19
EP3850828A4 (en) 2021-11-17

Similar Documents

Publication Publication Date Title
US11132775B2 (en) Image processing apparatus and method of operating the same
KR102553092B1 (ko) 전자 장치 및 전자 장치의 제어 방법
KR102586014B1 (ko) 전자 장치 및 전자 장치의 제어 방법
JP2021034009A (ja) 電子装置及びその制御方法
KR20200109140A (ko) 전자 장치 및 전자 장치의 제어 방법
EP3850828B1 (en) Electronic device and method of controlling thereof
KR102535152B1 (ko) 디스플레이 장치 및 디스플레이 장치의 제어 방법
US11205391B2 (en) Image and audio processing apparatus and operating method of the same
US11514107B2 (en) Image display apparatus and operation method of the same
CN111989917B (zh) 电子设备及其控制方法
US20190371268A1 (en) Electronic device and control method thereof
KR102623148B1 (ko) 전자 장치 및 전자 장치의 제어 방법
US10930247B2 (en) Electronic apparatus and method of controlling the same
US20220084540A1 (en) Electronic device and control method therefor
KR20210034946A (ko) 전자장치 및 그 제어방법
US11996024B2 (en) Display device and operating method thereof
KR20210062485A (ko) 전자 장치 및 그 제어 방법
US20230114954A1 (en) Display device and operating method of the same
KR20230032704A (ko) 디스플레이 장치 및 그 동작방법
KR20230050127A (ko) 디스플레이 장치 및 그 동작방법
KR20230068894A (ko) 디스플레이 장치 및 그 동작방법
CN116783614A (zh) 图像处理装置及其操作方法