KR20210056733A - Electronic device for providing streaming data and method for operating thereof - Google Patents
Electronic device for providing streaming data and method for operating thereof Download PDFInfo
- Publication number
- KR20210056733A KR20210056733A KR1020190143531A KR20190143531A KR20210056733A KR 20210056733 A KR20210056733 A KR 20210056733A KR 1020190143531 A KR1020190143531 A KR 1020190143531A KR 20190143531 A KR20190143531 A KR 20190143531A KR 20210056733 A KR20210056733 A KR 20210056733A
- Authority
- KR
- South Korea
- Prior art keywords
- streaming data
- deep learning
- electronic device
- resolution
- learning model
- Prior art date
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, rendering scenes according to MPEG-4 scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 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, rendering scenes according to MPEG-4 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- 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
- H04N21/436—Interfacing a local distribution network, e.g. communicating with another STB or one or more peripheral devices inside the home
-
- 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
- H04N21/436—Interfacing a local distribution network, e.g. communicating with another STB or one or more peripheral devices inside the home
- H04N21/43615—Interfacing a Home Network, e.g. for connecting the client to a plurality of peripherals
-
- 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, rendering scenes according to MPEG-4 scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
Abstract
Description
다양한 실시예들은, 멀티미디어 스트리밍 데이터를 표시하는 전자 장치가 스트리밍 데이터를 복원하기 위한 딥러닝 모델을 선택하는 방법 및 장치에 관한 것이다.Various embodiments relate to a method and apparatus for selecting a deep learning model for restoring streaming data by an electronic device displaying multimedia streaming data.
오늘날 네트워크의 발달과 더불어 모바일 단말기의 대중화로 인해 데스크톱, 태블릿 PC, 스마트 폰 등을 통한 멀티미디어 스트리밍 서비스를 이용하는 사용자들이 증가하고 있다. 이에 멀티미디어 스트리밍 서비스를 제공하는 서비스 제공자들은 소비자의 니즈에 따라 멀티미디어를 안정적으로 제공하기 위해 서비스 품질과 사용자 체감품질 향상을 중요시하게 되었다.Today, with the development of networks and popularization of mobile terminals, users who use multimedia streaming services through desktops, tablet PCs, and smart phones are increasing. Accordingly, service providers providing multimedia streaming services have placed importance on improving service quality and user experience quality in order to stably provide multimedia according to the needs of consumers.
한편, 딥러닝 초고해상도(super resolution) 기술은 저해상도의 화질을 고해상도로 바꾸는 역할을 하는 신경망 모델이다. 현재는 TV등의 상용화가 되어 있을 정도로 해당 기술 수준이 상당이 높은 편이며, 최근 GAN network와의 접목으로 완전히 알아 볼 수 없는 이미지 조차 원본과 유사 수준으로 만들 정도로 기술이 발전되고 있다.On the other hand, deep learning super resolution technology is a neural network model that plays the role of changing the picture quality of low resolution to high resolution. Currently, the level of technology is quite high enough that TVs are commercialized, and the technology is being developed to a level similar to the original even images that cannot be fully recognized due to the recent grafting with GAN network.
고해상도의 스트리밍 데이터를 전자 장치에서 실시간으로 재생하기 위해서는 스트리밍 데이터를 인코딩하기 위한 특정 인코딩 기법의 성능이 중요하였다. 최근 고해상도를 뛰어넘어 초고해상도의 스트리밍 데이터를 실시간으로 재생하기 위해서, 단순히 특정 인코딩 기법 또는 특정 알고리즘을 사용하는 upscaling 기법으로는 스트리밍 데이터가 초고해상도의 원시 데이터로 충분히 복원되지 않는 문제점이 있다. In order to reproduce high-resolution streaming data in real time in an electronic device, the performance of a specific encoding technique for encoding streaming data was important. Recently, in order to reproduce streaming data of ultra high resolution beyond high resolution in real time, there is a problem in that streaming data is not sufficiently restored to raw data of ultra high resolution by simply using a specific encoding technique or a specific algorithm.
다양한 실시예들은, 복수의 도메인들에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 딥러닝 모델을 적응적으로 선택하여 외부 전자 장치로부터 획득한 저해상도의 스트리밍 데이터를 원본 스트리밍 데이터만큼 복원할 수 있다.Various embodiments may adaptively select a deep learning model corresponding to a plurality of resolutions of the original streaming data for a plurality of domains to restore low-resolution streaming data acquired from an external electronic device as much as the original streaming data. .
다양한 실시예들에 따라서, 전자 장치는 디스플레이, 통신 모듈, 상기 디스플레이 및 상기 통신 모듈과 작동적으로 연결된 프로세서, 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행 시에, 상기 프로세서가, 상기 통신 모듈을 통하여, 외부 전자 장치로부터 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 획득하고, 상기 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 상기 원본 스트리밍 데이터의 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하고, 상기 제 1 딥러닝 모델을 이용하여 상기 제 1 스트리밍 데이터를 제 1 복원 스트리밍 데이터로 변환하고, 및 상기 디스플레이를 통하여, 상기 제 1 복원 스트리밍 데이터를 표시하도록 하는 인스트럭션들(instructions)을 저장할 수 있다.According to various embodiments, the electronic device includes a display, a communication module, a processor operatively connected to the display and the communication module, and a memory operatively connected to the processor, and the memory, when executed, the The processor, through the communication module, obtains first streaming data corresponding to a first resolution of the original streaming data for a first domain from an external electronic device, and a plurality of Selecting a first deep learning model corresponding to the first resolution of the original streaming data from among deep learning models, and converting the first streaming data into first reconstructed streaming data using the first deep learning model, And instructions for displaying the first reconstructed streaming data through the display.
다양한 실시예들에 따라서, 스트리밍 데이터를 제공하는 방법은, 통신 모듈을 통하여, 외부 전자 장치로부터 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 획득하는 동작, 상기 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 상기 원본 스트리밍 데이터의 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작, 상기 제 1 딥러닝 모델을 이용하여 상기 제 1 스트리밍 데이터를 제 1 복원 스트리밍 데이터로 변환하는 동작, 및 디스플레이를 통하여, 상기 제 1 복원 스트리밍 데이터를 표시하는 동작을 포함할 수 있다.According to various embodiments, a method of providing streaming data includes an operation of acquiring first streaming data corresponding to a first resolution of the original streaming data for a first domain from an external electronic device through a communication module, the original Selecting a first deep learning model corresponding to the first resolution of the original streaming data from among a plurality of deep learning models corresponding to a plurality of resolutions of streaming data, the first deep learning model using the first deep learning model It may include an operation of converting the first streaming data into first reconstructed streaming data, and an operation of displaying the first reconstructed streaming data through a display.
다양한 실시예들에 따라서, 스트리밍 서비스 제공 서버는, 통신 모듈, 상기 통신 모듈과 작동적으로 연결된 프로세서, 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행 시에, 상기 프로세서가, 상기 통신 모듈을 통하여 특정 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 복수의 전자 장치들로 송신하고, 상기 원본 스트리밍 데이터 및 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 복수의 스트리밍 데이터를 이용하여 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련(train)하고, 상기 통신 모듈을 통하여 상기 복수의 전자 장치들에 포함된 전자 장치로부터 상기 특정 도메인에 대한 영상 차이도 또는 상기 원본 스트리밍 데이터의 해상도를 획득하고, 및 상기 통신 모듈을 통하여 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 복수의 딥러닝 모델들 중에서 상기 특정 도메인에 대한 상기 영상 차이도 또는 상기 원본 스트리밍 데이터의 상기 해상도에 대응하는 딥러닝 모델을 상기 전자 장치로 송신하도록 할 수 있다.According to various embodiments, the streaming service providing server includes a communication module, a processor operatively connected to the communication module, and a memory operatively connected to the processor, and the memory is, when executed, the processor And transmitting a plurality of streaming data corresponding to a plurality of resolutions of the original streaming data for a specific domain through the communication module to a plurality of electronic devices, and the plurality of resolutions of the original streaming data and the original streaming data Train a plurality of deep learning models corresponding to the plurality of resolutions of the original streaming data using the plurality of streaming data corresponding to, and included in the plurality of electronic devices through the communication module. The image difference degree for the specific domain or the resolution of the original streaming data is obtained from the electronic device, and the plurality of deep learning models corresponding to the plurality of resolutions of the original streaming data are obtained through the communication module. A deep learning model corresponding to the image difference degree for a specific domain or the resolution of the original streaming data may be transmitted to the electronic device.
다양한 실시예들에 따라서, 전자 장치는 복수의 해상도들에 대하여 훈련된 복수의 딥러닝 모델들 중에서, 원본 스트리밍 데이터의 해상도에 대응하는 딥러닝 모델을 적응적으로 확인하고, 확인된 딥러닝 모델을 이용하여 스트리밍 데이터를 복원함으로써, 초고해상도의 원본 스트리밍 데이터와 유사한 스트리밍 데이터를 제공할 수 있다.According to various embodiments, the electronic device adaptively checks a deep learning model corresponding to the resolution of the original streaming data from among a plurality of deep learning models trained for a plurality of resolutions, and determines the confirmed deep learning model. Streaming data similar to the original streaming data of ultra-high resolution can be provided by restoring the streaming data by using.
도 1은 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예들에 따른, 전자 장치가 딥러닝 모델을 이용하여 복원된 스트리밍 데이터를 표시하는 방법을 설명하기 위한 흐름도이다.
도 3은 다양한 실시예들에 따른, 전자 장치가 딥러닝 모델을 이용하여 스트리밍 데이터를 복원하고, 복원된 스트리밍 데이터를 외부 전자 장치로 송신하는 실시예를 나타내는 도면이다.
도 4a는 다양한 실시예들에 따른, 외부 전자 장치가 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델을 복수의 전자 장치들로 송신하는 실시예를 설명하기 위한 도면이다.
도 4b는 다양한 실시예들에 따른, 외부 전자 장치가 복원 스트리밍 데이터를 이용하여 딥러닝 모델에 대한 영상 차이도를 확인하는 실시예를 설명하기 위한 도면이다.
도 5는 다양한 실시예들에 따른, 전자 장치가 특정 서브 도메인에 대한 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 서브 딥러닝 모델을 선택하는 실시예를 설명하기 위한 도면이다.
도 6은 다양한 실시예들에 따른, 전자 장치가 사용자 입력에 기반하여, 특정 딥러닝 모델을 선택하고, 선택된 특정 딥러닝 모델을 이용하여 복원된 스트리밍 데이터를 표시하는 방법을 설명하기 위한 흐름도이다.
도 7a는 다양한 실시예들에 따른, 전자 장치가 영상 차이도에 대한 사용자 입력에 기반하여, 특정 딥러닝 모델을 선택하는 제 1 실시예를 설명하기 위한 도면이다.
도 7b는 다양한 실시예들에 따른, 전자 장치가 영상 차이도에 대한 사용자 입력에 기반하여, 특정 딥러닝 모델을 선택하는 제 2 실시예를 설명하기 위한 도면이다.
도 8은 다양한 실시예들에 따른, 전자 장치가 복수의 해상도들에 대응하는 압축률 및 영상 차이도에 기반하여 특정 딥러닝 모델을 선택하고, 선택된 특정 딥러닝 모델을 이용하여 복원된 스트리밍 데이터를 표시하는 방법을 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른, 전자 장치가 복수의 해상도들에 대응하는 압축률 및 영상 차이도에 기반하여 특정 해상도에 대응하는 특정 딥러닝 모델을 선택하는 제 1 실시예를 설명하기 위한 도면이다.
도 10은 다양한 실시예들에 따른, 전자 장치가 복수의 해상도들에 대응하는 압축률 및 영상 차이도에 기반하여 특정 해상도에 대응하는 특정 딥러닝 모델을 선택하는 제 2 실시예를 설명하기 위한 도면이다.
도 11은 다양한 실시예들에 따른, 외부 전자 장치가 특정 해상도 범위에 대응하는 특정 딥러닝 모델을 훈련하는 실시예를 설명하기 위한 도면이다.
도 12는 다양한 실시예들에 따른, 외부 전자 장치가 패치된 스트리밍 데이터를 이용하여 특정 딥러닝 모델을 훈련하는 실시예를 설명하기 위한 도면이다.
도 13은 다양한 실시예들에 따른, 외부 전자 장치가 복수의 도메인들에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련하는 실시예를 설명하기 위한 도면이다.
도 14는 다양한 실시예들에 따른, 외부 전자 장치가 특정 도메인에 대한 영상 차이도 또는 특정 도메인에 대한 원본 스트리밍 데이터의 해상도에 대응하는 딥러닝 모델을 전자 장치로 송신하는 방법을 설명하기 위한 흐름도이다.1 is a block diagram of an electronic device in a network environment, according to various embodiments.
2 is a flowchart illustrating a method of displaying, by an electronic device, restored streaming data using a deep learning model, according to various embodiments.
3 is a diagram illustrating an embodiment in which an electronic device restores streaming data using a deep learning model and transmits the restored streaming data to an external electronic device, according to various embodiments.
4A is a diagram illustrating an embodiment in which an external electronic device transmits a plurality of deep learning models corresponding to a plurality of resolutions of original streaming data to a plurality of electronic devices, according to various embodiments.
FIG. 4B is a diagram for describing an embodiment in which an external electronic device checks an image difference degree for a deep learning model using reconstructed streaming data, according to various embodiments.
5 is a diagram for describing an embodiment in which an electronic device selects a specific sub deep learning model corresponding to a specific resolution of original streaming data for a specific sub domain, according to various embodiments.
6 is a flowchart illustrating a method of selecting, by an electronic device, a specific deep learning model based on a user input, and displaying restored streaming data using the selected specific deep learning model, according to various embodiments.
7A is a diagram illustrating a first embodiment in which an electronic device selects a specific deep learning model based on a user input for an image difference diagram, according to various embodiments.
7B is a diagram illustrating a second embodiment in which an electronic device selects a specific deep learning model based on a user input for an image difference diagram, according to various embodiments.
8 is, according to various embodiments, an electronic device selects a specific deep learning model based on a compression rate and an image difference corresponding to a plurality of resolutions, and displays the restored streaming data using the selected specific deep learning model. This is a flow chart explaining how to do it.
FIG. 9 is a diagram for describing a first embodiment in which an electronic device selects a specific deep learning model corresponding to a specific resolution based on a compression rate corresponding to a plurality of resolutions and an image difference degree according to various embodiments. .
FIG. 10 is a diagram illustrating a second embodiment in which an electronic device selects a specific deep learning model corresponding to a specific resolution based on a compression rate corresponding to a plurality of resolutions and an image difference degree according to various embodiments. .
11 is a diagram for describing an embodiment in which an external electronic device trains a specific deep learning model corresponding to a specific resolution range, according to various embodiments.
12 is a diagram for describing an embodiment in which an external electronic device trains a specific deep learning model using patched streaming data, according to various embodiments.
13 is a diagram for describing an embodiment in which an external electronic device trains a plurality of deep learning models corresponding to a plurality of resolutions of original streaming data for a plurality of domains, according to various embodiments.
14 is a flowchart illustrating a method of transmitting, by an external electronic device, a deep learning model corresponding to an image difference degree for a specific domain or a resolution of original streaming data for a specific domain to the electronic device, according to various embodiments .
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다1 is a block diagram of an
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.The
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. The
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다. The
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다. The
입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)는, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다. The
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.The
표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다. The
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.The
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다. The
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.The
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)은, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.The
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.The
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.The
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.The
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.The
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(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(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다. The
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.The
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.At least some of the components are connected to each other through a communication method (e.g., a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI))) between peripheral devices and a signal ( E.g. commands or data) can be exchanged with each other.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다.. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. According to an embodiment, commands or data may be transmitted or received between the
도 2는 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 딥러닝 모델을 이용하여 복원된 스트리밍 데이터를 표시하는 방법을 설명하기 위한 흐름도이다.FIG. 2 is a flowchart illustrating a method of displaying, by an electronic device (eg, the
도 3은 다양한 실시예들에 따른, 전자 장치(101)가 딥러닝 모델을 이용하여 스트리밍 데이터를 복원하고, 복원된 스트리밍 데이터를 외부 전자 장치(예: 도 1의 서버(108))로 송신하는 실시예를 나타내는 도면이다.3 is a diagram in which the
201 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 통신 모듈(예: 도 1의 통신 모듈(190))을 통하여, 외부 전자 장치(108)로부터 제 1 도메인에 대한 원본 스트리밍 데이터(예: 도 3의 원본 스트리밍 데이터(301))의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(예: 도 3의 제 1 스트리밍 데이터(311))를 획득할 수 있다. 본 명세서에서 설명되는 스트리밍 데이터는 복수의 프레임들 또는 단일의 프레임을 의미할 수 있고, 미디어 스트리밍 데이터(예: 영상 스트리밍 데이터)를 포함할 수 있다.In
다양한 실시예들에 따르면, 외부 전자 장치(108)는 복수의 도메인들에 대한 스트리밍 서비스를 제공하는 서버일 수 있다. 다양한 실시예들에 따르면, 도메인(domain)은 특정 어플리케이션(예: 게임 어플리케이션), 특정 기능(function), 또는 특정 서비스(service)를 포함할 수 있고, 영상 프레임을 제공할 수 있는 다양한 컨텐트를 포함할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 제 1 도메인에 대한 원본 스트리밍 데이터(301)를 제 1 스트리밍 데이터(311)로 변환할 수 있다. 예를 들어, 도 3을 참조하면, 외부 전자 장치(108)는 전자 장치(101)로 스트리밍 데이터를 송신하기 위하여, 원본 스트리밍 데이터(301)의 원본 해상도(예: 100%)를 제 1 해상도(예: 원본 해상도의 80%)로 리사이즈한 제 1 스트리밍 데이터(311)를 생성할 수 있다. 외부 전자 장치(108)는 생성된 제 1 스트리밍 데이터(311)를 전자 장치(101)로 송신할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)의 원본 해상도(예: 100%)를 제 2 해상도(예: 원본 해상도의 60%)로 리사이즈한 제 2 스트리밍 데이터(412)를 생성할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 원본 스트리밍 데이터(301) 및 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 스트리밍 데이터를 이용하여 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 딥러닝 모델을 훈련(train)할 수 있다. 예를 들어, 도 3을 참조하면, 외부 전자 장치(108)는 학습 데이터로서의 제 1 스트리밍 데이터(311) 및 정답 데이터로서의 원본 스트리밍 데이터(301)를 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(예: 도 3의 제 1 딥러닝 모델(310))(예: 훈련 모델)에 제공하여, 제 1 딥러닝 모델(310)을 훈련할 수 있다. 또 다른 예를 들어, 도 3을 참조하면, 외부 전자 장치(108)는 학습 데이터로서의 제 2 스트리밍 데이터(412) 및 정답 데이터로서의 원본 스트리밍 데이터(301)를 원본 스트리밍 데이터(301)의 제 2 해상도에 대응하는 제 2 딥러닝 모델(예: 도 3의 제 2 딥러닝 모델(320))에 제공하여, 제 2 딥러닝 모델(320)을 훈련할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 스트리밍 데이터를 인코딩한 데이터 또는 추가적인 이미지 처리를 수행한 데이터를 학습 데이터로 하여 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 딥러닝 모델을 훈련할 수 있다. 다양한 실시예들에 따르면, 학습 데이터가 되는 스트리밍 데이터에는 제한이 없고, 외부 전자 장치(108)에 의하여 원본 스트리밍 데이터(301)로부터 이미지 처리된 다양한 스트리밍 데이터들이 특정 해상도에 대응하는 특정 딥러닝 모델에 대하여 훈련될 수 있다. 일실시예에 따르면, 복수의 딥러닝 모델들은 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine), 심층 신뢰 신경망(deep belief network), 또는 심층 Q-네트워크(deep Q-network) 중 하나에 기반하여 훈련될 수 있고, 상술한 알고리즘은 일실시예일 뿐, 상술한 예에 한정되지 않고, 당업자에 의하여 적용 가능한 다양한 알고리즘에 기반하여 훈련될 수 있다. According to various embodiments, the external
다양한 실시예들에 따르면, 외부 전자 장치(108)는 스트리밍 서비스 제공 서버를 포함할 수 있다. 일실시예에 따르면, 스트리밍 데이터를 송신하기 위한 스트리밍 데이터 송신 서버 및 스트리밍 데이터를 훈련하기 위한 스트리밍 데이터 훈련 서버는 하나의 구조로서 스트리밍 서비스 제공 서버인 외부 전자 장치(108)에 포함될 수 있고, 또는 각각의 구조가 구분되어 별개의 구조로서 존재할 수 있다.According to various embodiments, the external
203 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 원본 스트리밍 데이터(301)의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 원본 스트리밍 데이터(301)의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 외부 전자 장치(108)로부터 통신 모듈(190)을 통하여 획득할 수 있다. 일실시예에 따르면, 전자 장치(101)는 획득한 복수의 딥러닝 모델들을 메모리(예: 도 1의 메모리(130))에 저장할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310) 및 원본 스트리밍 데이터(301)의 제 2 해상도에 대응하는 제 2 딥러닝 모델(320)을 메모리(130)에 저장할 수 있다. 일실시예에 따르면, 전자 장치(101)는 사용자의 요청, 외부 전자 장치(108)의 요청, 또는 지정된 주기에 기반하여 복수의 딥러닝 모델들 중 적어도 하나를 메모리(130)에서 삭제할 수 있다. 일실시예에 따르면, 전자 장치(101)는 외부 전자 장치(108)로부터 획득한 제 1 스트리밍 데이터(311)가 원본 스트리밍 데이터(301)의 제 1 해상도에 대응함을 확인할 수 있고, 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 제 1 딥러닝 모델(310) 및 제 2 딥러닝 모델(320) 중에서, 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다.In
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 사용자의 입력에 기반하여, 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 일실시예에 따르면, 사용자의 입력은 원본 스트리밍 데이터(301)와 특정 스트리밍 데이터(예: 도 3의 제 1 복원 스트리밍 데이터(321)) 사이의 영상 차이도를 선택하는 사용자 입력을 포함할 수 있다. 일실시예에 따르면, 전자 장치(101)는 사용자에 의하여 선택된 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델 중에서 원본 스트리밍 데이터(301)의 특정 해상도(예: 가장 낮은 해상도)에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 원본 스트리밍 데이터(301)와 특정 스트리밍 데이터 사이의 영상 차이도는, 에러율(error rate)(예: MSE(mean square error)), PSNR(peak signal-to-noise ratio), 또는 SSIM(structural similarity index)) 중 하나의 값으로 나타낼 수 있다. 예를 들어, 에러율은 원본 스트리밍 데이터(301)의 픽셀 값과 특정 스트리밍 데이터의 픽셀 값의 차이를 나타낼 수 있다. 원본 스트리밍 데이터(301)와 특정 스트리밍 데이터 사이의 영상 차이도에 관한 상술한 예는, 일실시예일뿐, 상기 예에 한정되지 않고, 영상 간의 유사도를 확인할 수 있는 다양한 기준들을 포함할 수 있다. 일실시예에 따르면, 사용자 입력은 원본 스트리밍 데이터(301)의 제 1 해상도를 선택하는 사용자 입력을 포함할 수 있다. 일실시예에 따르면, 전자 장치(101)는 사용자에 의하여 선택된 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 네트워크 지연(network latency)을 선택하는 사용자 입력을 획득할 수 있고, 사용자에 의하여 선택된 네트워크 지연에 대응하는 원본 스트리밍 데이터(301)의 해상도를 확인할 수 있고, 확인된 원본 스트리밍 데이터(301)의 해상도에 대응하는 딥러닝 모델을 선택할 수 있다. 사용자 입력에 기반하여 제 1 딥러닝 모델(310)을 선택하는 구체적인 동작은 도 6, 도 7a, 및 도 7b에 관한 설명에서 후술하도록 한다.According to various embodiments, the electronic device 101 (eg, the
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 원본 스트리밍 데이터(301)의 복수의 해상도들에 대응하는 압축률 및 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 특정 해상도에 대응하는 압축률은, 원본 스트리밍 데이터의 특정 해상도에 대응하는 스트리밍 데이터의 사이즈(A)를 원본 스트리밍 데이터의 사이즈(B)로 나눈 값(A/B)을 의미할 수 있다. 일실시예에 따르면, 전자 장치(101)는 복수의 해상도들 각각에 대응하는 압축률에 대하여 복수의 해상도들 각각에 대응하는 영상 차이도를 적용한 값들 중 지정된 조건을 만족하는 값(예: 가장 낮은 값)을 도출하는 제 1 해상도를 확인할 수 있고, 확인된 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 여기서, 특정 해상도에 대응하는 영상 차이도는, 특정 해상도에 대응하는 특정 딥러닝 모델에 대한 영상 차이도를 의미할 수 있다. 복수의 해상도들에 대응하는 압축률 및 영상 차이도에 기반하여, 제 1 딥러닝 모델(310)을 선택하는 구체적인 동작은 도 8 내지 도 10에 관한 설명에서 후술하도록 한다.According to various embodiments, the electronic device 101 (for example, the
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 전자 장치(101)의 네트워크 대역폭(network bandwidth)에 기반하여, 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 스트리밍 데이터를 수신하기 위한 네트워크 대역폭을 측정할 수 있고, 측정된 네트워크 대역폭을 외부 전자 장치(108)로 송신할 수 있다. 이 경우, 외부 전자 장치(108)는 수신된 네트워크 대역폭에 대응하는 원본 스트리밍 데이터(301)의 제 1 해상도를 선택할 수 있고, 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(311)를 전자 장치(101)로 송신할 수 있다. 전자 장치(101)는 네트워크 대역폭에 기반하여 선택된 원본 스트리밍 데이터(301)의 제 1 해상도를 확인할 수 있고, 확인된 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다.According to various embodiments, the electronic device 101 (for example, the
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 프로세서(120))는 지정된 기간 동안 복수의 딥러닝 모델들에 대한 영상 차이도의 이용 통계를 확인할 수 있고, 가장 많이 이용된 영상 차이도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 복수의 전자 장치들에 의하여 지정된 기간 동안 복수의 딥러닝 모델들에 대한 영상 차이도의 이용 통계를 확인할 수 있고, 가장 많이 이용된 영상 차이도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 복수의 전자 장치들에 의하여 지정된 기간 동안 복수의 딥러닝 모델들에 대한 영상 차이도의 이용 통계를 확인할 수 있고, 가장 많이 이용된 영상 차이도를 후술하는 도 8 내지 도 10에서 설명된 수학식들에 적용하여 최적의 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다.According to various embodiments, the electronic device (eg, the
203 동작에서 설명된 방법을 이용하여 각 딥러닝 모델에 대한 영상 차이도를 확인할 수 있고, Using the method described in
전자 장치(101)(예: 도 1의 프로세서(120))는 전자 장치(101)의 네트워크 대역폭(network bandwidth)에 기반하여, 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 선택할 수 있다.The electronic device 101 (for example, the
205 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 제 1 딥러닝 모델(310)을 이용하여 제 1 스트리밍 데이터(311)를 제 1 복원 스트리밍 데이터(321)로 변환할 수 있다. 일실시예에 따르면, 전자 장치(101)는 입력 데이터로서 제 1 스트리밍 데이터(311)를 제 1 딥러닝 모델(310)에 적용할 수 있고, 출력 데이터로서 제 1 스트리밍 데이터(311)를 업스케일링한(upscaling) 제 1 복원 스트리밍 데이터(321)를 획득할 수 있다. 예를 들어, 도 3을 참조하면, 전자 장치(101)는 제 1 스트리밍 데이터(311)를 제 1 딥러닝 모델(310)(예: 추론 모델(inference model))에 적용함으로써, 제 1 복원 스트리밍 데이터(321)를 획득할 수 있다.In
다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 통신 모듈(190)을 통하여, 제 1 복원 스트리밍 데이터(321)를 외부 전자 장치(108)로 송신할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 전자 장치(101)로부터 획득한 제 1 복원 스트리밍 데이터(321)를 이용하여 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)에 대한 영상 차이도를 산출할 수 있다. 제 1 복원 스트리밍 데이터(321)를 이용하여 제 1 딥러닝 모델(310)에 대한 영상 차이도를 산출하는 구체적인 동작은 도 4b에 관한 설명에서 후술하도록 한다.According to various embodiments, the electronic device 101 (eg, the
207 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 디스플레이(예: 도 1의 표시 장치(160))를 통하여, 제 1 복원 스트리밍 데이터(321))를 표시할 수 있다.In
도 4a는 다양한 실시예들에 따른, 외부 전자 장치(108)가 원본 스트리밍 데이터(예: 도 3의 원본 스트리밍 데이터(301))의 복수의 해상도들에 대응하는 복수의 딥러닝 모델을 복수의 전자 장치들로 송신하는 실시예를 설명하기 위한 도면이다.4A illustrates a plurality of deep learning models corresponding to a plurality of resolutions of the original streaming data (eg, the
다양한 실시예들에 따르면, 외부 전자 장치(108)는 제 1 도메인에 대한 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 스트리밍 데이터를 복수의 전자 장치들로 송신할 수 있다. 예를 들어, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(예: 도 3의 제 1 스트리밍 데이터(311))를 제 1 전자 장치(예: 도 1의 전자 장치(101))를 포함하는 복수의 제 1 전자 장치들로 송신할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)의 제 2 해상도에 대응하는 제 2 스트리밍 데이터(412)를 제 2 전자 장치(401)를 포함하는 복수의 제 2 전자 장치들로 송신할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)의 제 3 해상도에 대응하는 제 3 스트리밍 데이터(미도시)를 제 3 전자 장치(미도시)를 포함하는 복수의 제 3 전자 장치들로 송신할 수 있다. 제 2 전자 장치(401) 및 제 3 전자 장치(미도시)는 제 1 전자 장치(101)와 동일한 구성요소들을 포함할 수 있다. According to various embodiments, the external
다양한 실시예들에 따르면, 외부 전자 장치(108)는 원본 스트리밍 데이터(301) 및 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 스트리밍 데이터를 이용하여 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 딥러닝 모델을 훈련(train)할 수 있다. 예를 들어, 외부 전자 장치(108)는 학습 데이터로서의 제 1 스트리밍 데이터(311) 및 정답 데이터로서의 원본 스트리밍 데이터(301)를 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(예: 도 3의 제 1 딥러닝 모델(310))(예: 훈련 모델)에 제공하여, 제 1 딥러닝 모델(310)을 훈련할 수 있다. 외부 전자 장치(108)는 상술한 방법을 이용하여 제 2 딥러닝 모델(예: 도 3의 제 2 딥러닝 모델(320)) 및 제 3 딥러닝 모델(430)을 훈련할 수 있다.According to various embodiments, the external
다양한 실시예들에 따르면, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)의 특정 해상도에 대응하는 특정 딥러닝 모델을 적어도 하나의 전자 장치로 송신할 수 있다. 예를 들어, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(310)을 제 1 전자 장치(101)로 송신할 수 있고, 원본 스트리밍 데이터(301)의 제 2 해상도에 대응하는 제 2 딥러닝 모델(320)을 제 2 전자 장치(401)로 송신할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 지정된 주기에 따라 적어도 하나의 딥러닝 모델을 적어도 하나의 전자 장치로 송신할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 제 1 전자 장치(101)로부터 특정 딥러닝 모델에 대한 요청을 획득한 것에 기반하여, 요청된 특정 딥러닝 모델을 제 1 전자 장치(101)로 송신할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 제 1 전자 장치(101)로부터 특정 해상도에 대응하는 특정 스트리밍 데이터의 송신의 요청을 획득한 후, 특정 스트리밍 데이터를 제 1 전자 장치(101)로 송신하기 전에 특정 해상도에 대응하는 특정 딥러닝 모델을 제 1 전자 장치(101)로 미리 송신할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 특정 딥러닝 모델의 훈련을 진행하면서, 제 1 시점에 특정 딥러닝 모델을 제 1 전자 장치(101)로 송신할 수 있고, 제 1 시점 이후인 제 2 시점에 특정 딥러닝 모델의 업데이트 버전(version)을 제 1 전자 장치(101)로 송신할 수 있다.According to various embodiments, the external
다양한 실시예들에 따르면, 복수의 전자 장치들은 외부 전자 장치(108)로부터 획득한 복수의 딥러닝 모델들을 메모리(예: 도 1의 메모리(130))에 저장할 수 있다. 예를 들어, 제 1 전자 장치(101)는 제 1 딥러닝 모델(310) 및 제 3 딥러닝 모델(430)을 메모리(130)에 저장할 수 있고, 제 2 전자 장치(401)는 제 1 딥러닝 모델(310) 및 제 2 딥러닝 모델(320)을 메모리(130)에 저장할 수 있다. 일실시예에 따르면, 제 1 전자 장치(101)는 외부 전자 장치(108)로부터 획득한 특정 딥러닝 모델의 업데이트 버전(version)을 이용하여, 메모리(130)에 저장된 특정 딥러닝 모델을 업데이트할 수 있다.According to various embodiments, a plurality of electronic devices may store a plurality of deep learning models acquired from the external
도 4b는 다양한 실시예들에 따른, 외부 전자 장치(예: 도 1의 서버(108))가 복원 스트리밍 데이터를 이용하여 딥러닝 모델에 대한 영상 차이도를 확인하는 실시예를 설명하기 위한 도면이다.FIG. 4B is a diagram for describing an embodiment in which an external electronic device (eg, the
다양한 실시예들에 따르면, 외부 전자 장치(108)는 원본 스트리밍 데이터(예: 도 3의 원본 스트리밍 데이터(301))의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(예: 도 3의 제 1 스트리밍 데이터(311))를 제 1 전자 장치(예: 도 1의 전자 장치(101))로 송신할 수 있고, 원본 스트리밍 데이터(301)의 제 2 해상도에 대응하는 제 2 스트리밍 데이터(412)를 제 2 전자 장치(401)로 송신할 수 있다. 제 2 전자 장치(401)는 제 1 전자 장치(101)와 동일한 구성요소들을 포함할 수 있다.According to various embodiments, the external
다양한 실시예들에 따르면, 제 1 전자 장치(101)(예: 도 1의 프로세서(120))는 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(예: 도 3의 제 1 딥러닝 모델(310))을 이용하여 제 1 스트리밍 데이터(311)를 제 1 복원 스트리밍 데이터(예: 도 3의 제 1 복원 스트리밍(321))로 변환할 수 있다. 다양한 실시예들에 따르면, 제 2 전자 장치(401)는 원본 스트리밍 데이터(301)의 제 2 해상도에 대응하는 제 2 딥러닝 모델(320)을 이용하여 제 2 스트리밍 데이터(412)를 제 2 복원 스트리밍 데이터(422)로 변환할 수 있다. According to various embodiments, the first electronic device 101 (eg, the
다양한 실시예들에 따르면, 제 1 전자 장치(101)(예: 도 1의 프로세서(120))는 외부 전자 장치(108)로 제 1 복원 스트리밍 데이터(321)를 송신할 수 있다. 일실시예에 따르면, 제 1 전자 장치(101)는 지정된 주기로 또는 실시간으로 제 1 복원 스트리밍 데이터(321)의 일부 프레임을 외부 전자 장치(108)로 송신할 수 있다. 일실시예에 따르면, 제 1 전자 장치(101)는 외부 전자 장치(108) 또는 사용자로부터 제 1 복원 스트리밍 데이터(321)에 대한 요청을 수신한 것에 응답하여, 제 1 복원 스트리밍 데이터(321)를 외부 전자 장치(108)로 송신할 수 있다. 일실시예에 따르면, 제 2 전자 장치(401)는 외부 전자 장치(108)로 제 2 복원 스트리밍 데이터(422)를 송신할 수 있다.According to various embodiments, the first electronic device 101 (eg, the
다양한 실시예들에 따르면, 외부 전자 장치(108)는 제 1 전자 장치(101)를 포함하는 복수의 제 1 전자 장치들 각각으로부터 제 1 딥러닝 모델(310)을 이용하여 변환된 제 1 복원 스트리밍 데이터(321)를 획득할 수 있고, 원본 스트리밍 데이터(301) 및 복수의 제 1 전자 장치들 각각으로부터 획득한 제 1 복원 스트리밍 데이터(321)를 이용하여 제 1 딥러닝 모델(310)에 대한 영상 차이도를 확인할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 지정된 기간 동안 획득한 제 1 복원 스트리밍 데이터(321)의 프레임들을 이용하여 제 1 딥러닝 모델(310)에 대한 영상 차이도를 산출할 수 있다. 외부 전자 장치(108)는 원본 스트리밍 데이터(301) 및 제 1 복원 스트리밍 데이터(321)의 각 프레임마다 영상 차이도를 산출할 수 있고, 제 1 딥러닝 모델(310)에 대한 영상 차이도로서, 지정된 기간 동안 획득한 각 프레임의 영상 차이도의 평균을 산출할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 제 1 딥러닝 모델(310)에 대한 영상 차이도로서, 특정 시점에서의 원본 스트리밍 데이터(301)의 프레임 및 제 1 복원 스트리밍 데이터(321)의 프레임의 영상 차이도를 산출할 수 있다. 다양한 실시예들에 따르면, 외부 전자 장치(108)는 제 2 전자 장치(401)를 포함하는 복수의 제 2 전자 장치들 각각으로부터 제 2 딥러닝 모델(320)을 이용하여 변환된 제 2 복원 스트리밍 데이터(422)를 획득할 수 있고, 원본 스트리밍 데이터(301) 및 복수의 제 2 전자 장치들 각각으로부터 획득한 제 2 복원 스트리밍 데이터(422)를 이용하여 제 2 딥러닝 모델(320)에 대한 영상 차이도를 확인할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 각 딥러닝 모델에 대한 영상 차이도를 맵핑 테이블(mapping table)의 형태로 메모리에 저장할 수 있다.According to various embodiments, the external
도 5는 다양한 실시예들에 따른, 전자 장치(101)가 특정 서브 도메인에 대한 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 서브 딥러닝 모델을 선택하는 실시예를 설명하기 위한 도면이다.5 is a diagram for describing an embodiment in which the
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는 제 1 도메인에 대한 원본 스트리밍 데이터(예: 도 3의 원본 스트리밍 데이터(301))의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(예: 도 3의 제 1 스트리밍 데이터(311))를 외부 전자 장치(예: 도 1의 서버(108))로부터 획득할 수 있다. 다양한 실시예들에 따르면, 제 1 도메인은 복수의 지정된 영역들 또는 복수의 지정된 기간 중 적어도 하나에 대응하는 복수의 서브 도메인들을 포함할 수 있다. 일실시예에 따르면, 제 1 도메인은 복수의 지정된 영역들에 대응하는 복수의 서브 도메인들을 포함할 수 있다. 예를 들어, <501>을 참조하면, 제 1 도메인(예: 제 1 게임 어플리케이션)은 제 1 영역(예: 일반 필드 영역)에 대응하는 제 1 서브 도메인(510a) 및 제 2 영역(예: 던전 A 영역)에 대응하는 제 2 서브 도메인(510b)을 포함할 수 있다. 일실시예에 따르면, 제 1 도메인은 복수의 지정된 기간들에 대응하는 복수의 서브 도메인들을 포함할 수 있다. 예를 들어, <502>를 참조하면, 제 1 도메인(예: 제 1 게임 어플리케이션)은 제 1 기간(예: 낮)에 대응하는 제 1 서브 도메인(520a) 및 제 2 기간(예: 밤)에 대응하는 제 2 서브 도메인(520b)을 포함할 수 있다. 일실시예에 따르면, 전자 장치(101)는 특정 서브 도메인에 대한 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(311)를 외부 전자 장치(108)로부터 획득할 수 있다.According to various embodiments, the electronic device (eg, the
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 프로세서(120))는 제 1 도메인에 대한 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(예: 도 3의 제 1 딥러닝 모델(310))을 선택할 수 있다. 일실시예에 따르면, 제 1 딥러닝 모델(310)은 복수의 서브 도메인들에 대응하는 복수의 서브 딥러닝 모델들을 포함할 수 있다. 예를 들어, <501>을 참조하면, 제 1 딥러닝 모델(310)은 제 1 서브 도메인(510a)에 대응하는 제 1 서브 딥러닝 모델(511) 및 제 2 서브 도메인(510b)에 대응하는 제 2 서브 딥러닝 모델(512)을 포함할 수 있다. 또 다른 예를 들어, <502>를 참조하면, 제 1 딥러닝 모델(310)은 제 1 서브 도메인(520a)에 대응하는 제 1 서브 딥러닝 모델(511) 및 제 2 서브 도메인(520b)에 대응하는 제 2 서브 딥러닝 모델(512)을 포함할 수 있다. 제 1 서브 도메인(510a)에 대응하는 제 1 서브 딥러닝 모델(511)은, 제 1 서브 도메인(510a)에 대한 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 서브 딥러닝 모델(511)을 의미할 수 있다. 일실시예에 따르면, 전자 장치(101)는 제 1 서브 도메인(510a)에 대한 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(311)를 외부 전자 장치(108)로부터 획득한 것에 기반하여, 제 1 서브 도메인(510a)에 대한 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 서브 딥러닝 모델(511)을 선택할 수 있다. According to various embodiments, the electronic device (eg, the
도 6은 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 사용자 입력에 기반하여, 특정 딥러닝 모델을 선택하고, 선택된 특정 딥러닝 모델을 이용하여 복원된 스트리밍 데이터를 표시하는 방법을 설명하기 위한 흐름도이다.6 illustrates a streaming restored by using an electronic device (for example, the
도 7a는 다양한 실시예들에 따른, 전자 장치(101)가 영상 차이도에 대한 사용자 입력에 기반하여, 특정 딥러닝 모델을 선택하는 제 1 실시예를 설명하기 위한 도면이다.7A is a diagram illustrating a first embodiment in which the
도 7b는 다양한 실시예들에 따른, 전자 장치(101)가 영상 차이도에 대한 사용자 입력에 기반하여, 특정 딥러닝 모델을 선택하는 제 2 실시예를 설명하기 위한 도면이다.7B is a diagram illustrating a second embodiment in which the
601 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 통신 모듈(예: 도 1의 통신 모듈(190))을 통하여, 외부 전자 장치(예: 도 1의 서버(108))로부터 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 스트리밍 데이터를 획득할 수 있다. In
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 사용자 입력에 기반하여, 외부 전자 장치(108)로 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 스트리밍 데이터를 요청할 수 있고, 상기 요청에 응답하여, 외부 전자 장치(108)로부터 특정 해상도에 대응하는 특정 스트리밍 데이터를 획득할 수 있다. 일실시예에 따르면, 사용자 입력은 특정 도메인에 대한 영상 차이도를 선택하는 사용자 입력, 특정 도메인에 대한 네트워크 지연을 선택하는 사용자 입력, 또는 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도를 선택하는 사용자 입력을 포함할 수 있다. 일실시예에 따르면, 전자 장치(101)는 외부 전자 장치(108)로부터 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 수신하는 도중, 사용자 입력을 획득하는 것에 기반하여, 외부 전자 장치(108)로부터 제 2 해상도에 대응하는 제 2 스트리밍 데이터를 수신할 수 있다. 예를 들어, 전자 장치(101)는 외부 전자 장치(108)로부터 원본 스트리밍 데이터의 제 1 해상도(예: 원본 해상도의 80%)에 대응하는 제 1 스트리밍 데이터를 수신하는 도중, 원본 스트리밍 데이터의 제 2 해상도(예: 원본 해상도의 60%)를 선택하는 사용자 입력을 획득하는 것에 기반하여, 외부 전자 장치(108)로 제 2 해상도에 대응하는 제 2 스트리밍 데이터를 요청할 수 있고, 요청에 응답하여, 외부 전자 장치(108)로부터 제 2 해상도에 대응하는 제 2 스트리밍 데이터를 획득할 수 있다.According to various embodiments, the electronic device 101 (for example, the
603 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 사용자 입력에 기반하여, 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다.In
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 영상 차이도를 선택하는 사용자 입력에 기반하여, 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 특정 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 사용자에 의하여 선택된 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델을 확인할 수 있다. 예를 들어, 도 7a를 참조하면, 전자 장치(101)는 제 1 도메인(701)에 대한 원본 스트리밍 데이터의 제 1 해상도(예: 원본 해상도의 80%)에 대응하는 제 1 딥러닝 모델(710), 제 2 해상도(예: 원본 해상도의 60%)에 대응하는 제 2 딥러닝 모델(720), 제 3 해상도(예: 원본 해상도의 40%)에 대응하는 제 3 딥러닝 모델(730), 제 4 해상도(예: 원본 해상도의 20%)에 대응하는 제 4 딥러닝 모델(740), 및 제 5 해상도(예: 원본 해상도의 30%)에 대응하는 제 5 딥러닝 모델(미도시) 중에서, 제 1 시점(T1)(예: 사용자 선택 시점)에서 사용자에 의하여 선택된 영상 차이도(예: 에러율 3%)를 만족하는 제 1 딥러닝 모델(710) 내지 제 3 딥러닝 모델(730)을 확인할 수 있다. 일실시예에 따르면, 전자 장치(101)는 사용자에 의하여 선택된 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델 중에서 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 예를 들어, 도 7a를 참조하면, 전자 장치(101)는 제 1 시점(T1)에서 사용자에 의하여 선택된 영상 차이도(예: 3%)를 만족하는 제 1 딥러닝 모델(710) 내지 제 3 딥러닝 모델(730) 중에서, 원본 스트리밍 데이터의 가장 낮은 해상도(예: 원본 해상도의 40%)에 대응하는 제 3 딥러닝 모델(730)을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 사용자에 의하여 선택된 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델 중에서 특정 네트워크 지연을 갖는 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 예를 들어, 전자 장치(101)는 제 1 시점(T1)에서 사용자에 의하여 선택된 영상 차이도(예: 3%)를 만족하는 제 1 딥러닝 모델(710) 내지 제 3 딥러닝 모델(730) 중에서, 가장 낮은 네트워크 지연(예: 5ms)을 갖는 해상도(예: 원본 해상도의 40%)에 대응하는 스트리밍 데이터(예: 제 3 스트리밍 데이터)를 확인할 수 있고, 확인된 스트리밍 데이터의 해상도에 대응하는 제 3 딥러닝 모델(730)을 선택할 수 있다. 일실시예에 따르면, 제 1 시점에 사용자에 의하여 선택된 영상 차이도를 만족하지 못한 적어도 하나의 딥러닝 모델이 지정된 주기로 복수의 딥러닝 모델의 업데이트 버전을 외부 전자 장치(108)로부터 획득하는 도중, 제 2 시점에 상기 영상 차이도를 만족함을 확인한 것에 기반하여, 전자 장치(101)는 제 2 시점에 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델 중에서 제 1 시점에 선택된 해상도보다 더 낮은 해상도에 대응하는 딥러닝 모델을 선택할 수 있다. 예를 들어, 도 7a를 참조하면, 전자 장치(101)가 지정된 주기로 제 1 딥러닝 모델(710) 내지 제 5 딥러닝 모델(미도시)의 업데이트 버전을 외부 전자 장치(108)로부터 획득하는 동안, 제 1 시점(T1)에 사용자에 의하여 선택된 영상 차이도(예: 에러율 3%)를 만족하지 못한 제 4 딥러닝 모델(740) 및 제 5 딥러닝 모델(미도시)이, 제 2 시점(T2)에 상기 영상 차이도를 만족함을 확인한 것에 기반하여, 전자 장치(101)는 제 2 시점(T2)에 상기 영상 차이도를 만족하는 제 4 딥러닝 모델(740) 및 제 5 딥러닝 모델(750) 중에서 가장 낮은 해상도(예: 원본 해상도의 20%)에 대응하는 제 4 딥러닝 모델(740)을 선택할 수 있다.According to various embodiments, the electronic device 101 (for example, the
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 네트워크 지연을 선택하는 사용자 입력에 기반하여, 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 사용자 입력에 의하여 선택된 네트워크 지연에 대응하는 원본 스트리밍 데이터의 특정 해상도를 확인할 수 있고, 확인된 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 예를 들어, 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터는 5~6ms의 네트워크 지연을 갖고, 제 2 해상도에 대응하는 제 2 스트리밍 데이터는 6~7ms의 네트워크 지연을 가지며, 제 3 해상도에 대응하는 제 3 스트리밍 데이터는 7~8ms의 네트워크 지연을 갖는 경우를 가정해보자. 이 경우, 전자 장치(101)는 사용자 입력에 의하여 선택된 네트워크 지연(예: 5.5ms)을 갖는 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 확인할 수 있고, 확인된 제 1 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택할 수 있다. 다양한 실시예들에 따르면, 외부 전자 장치(108)는 사용자에 의하여 선택된 영상 차이도를 전자 장치(101)로부터 획득할 수 있고, 선택된 영상 차이도를 만족하는 딥러닝 모델들 중에서 특정 해상도에 대응하는 딥러닝 모델을 전자 장치(101)로 송신할 수 있다. 예를 들어, 도 7a를 참조하면, 외부 전자 장치(108)는 사용자에 의하여 선택된 영상 차이도(예: 에러율 3%)를 전자 장치(101)로부터 획득할 수 있고, 선택된 영상 차이도를 만족하는 제 1 딥러닝 모델(710) 내지 제 3 딥러닝 모델(730) 중에서 가장 낮은 해상도에 대응하는 제 3 딥러닝 모델(730)을 전자 장치(101)로 송신할 수 있다. 일실시예에 따르면, 복수의 딥러닝 모델들의 훈련이 진행되는 동안, 제 1 시점에 사용자에 의하여 선택된 영상 차이도를 만족하지 못한 적어도 하나의 딥러닝 모델이, 제 2 시점에 상기 영상 차이도를 만족함을 확인한 것에 기반하여, 외부 전자 장치(108)는 제 2 시점에 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델 중에서 특정 해상도에 대응하는 딥러닝 모델을 전자 장치(101)로 송신할 수 있다. 예를 들어, 도 7a를 참조하면, 제 1 딥러닝 모델(710) 내지 제 5 딥러닝 모델(미도시)의 훈련이 진행되는 동안, 외부 전자 장치(108)는 제 1 시점(T1)에 사용자에 의하여 선택된 영상 차이도(예: 에러율 3%)를 만족하지 못한 제 4 딥러닝 모델(740) 및 제 5 딥러닝 모델(미도시)이, 제 2 시점(T2)에 상기 영상 차이도를 만족함을 확인한 것에 기반하여, 외부 전자 장치(108)는 제 2 시점(T2)에 상기 영상 차이도를 만족하는 제 4 딥러닝 모델(740) 및 제 5 딥러닝 모델(미도시) 중에서 가장 낮은 해상도(예: 원본 해상도의 20%)에 대응하는 제 4 딥러닝 모델(740)을 전자 장치(101)로 송신할 수 있다.According to various embodiments, the electronic device 101 (eg, the
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 특정 도메인에 대한 영상 차이도를 선택하는 사용자 입력에 기반하여, 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 특정 도메인에 대한 영상 차이도를 선택하는 사용자 입력에 기반하여, 선택된 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델 중에서 특정 도메인에 대한 원본 스트리밍 데이터의 가장 낮은 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 예를 들어, 도 7b를 참조하면, 전자 장치(101)는 제 1 도메인(701)(예: A 게임 앱)에 대한 영상 차이도(751)(예: 제 1 에러율 5%)를 선택하는 사용자 입력에 기반하여, 선택된 영상 차이도(751)를 만족하는 제 1 딥러닝 모델(710) 내지 제 3 딥러닝 모델(730) 중에서 제 1 도메인(701)에 대한 원본 스트리밍 데이터의 가장 낮은 해상도에 대응하는 제 3 딥러닝 모델(730)을 선택할 수 있다. 또 다른 예를 들어, 도 7b를 참조하면, 전자 장치(101)는 제 2 도메인(702)(예: B 게임 앱)에 대한 영상 차이도(752)(예: 제 2 에러율 10%)를 선택하는 사용자 입력에 기반하여, 선택된 영상 차이도(752)를 만족하는 제 1 딥러닝 모델(711) 내지 제 4 딥러닝 모델(741) 중에서 제 2 도메인(702)에 대한 원본 스트리밍 데이터의 가장 낮은 해상도에 대응하는 제 4 딥러닝 모델(741)을 선택할 수 있다.According to various embodiments, the electronic device 101 (for example, the
다양한 실시예들에 따르면, 외부 전자 장치(108)는 사용자에 의하여 선택된 특정 도메인에 대한 영상 차이도를 전자 장치(401)로부터 획득할 수 있고, 선택된 영상 차이도를 만족하는 딥러닝 모델들 중에서 가장 낮은 해상도에 대응하는 딥러닝 모델을 전자 장치(101)로 송신할 수 있다. 예를 들어, 도 7b를 참조하면, 외부 전자 장치(108)는 사용자에 의하여 선택된 제 1 도메인(701)에 대한 영상 차이도(761)(예: 제 1 에러율 3%)를 만족하는 딥러닝 모델들 중에서 제 1 도메인(701)에 대한 원본 스트리밍 데이터의 가장 낮은 해상도에 대응하는 제 1 딥러닝 모델(710)을 전자 장치(401)로 송신할 수 있다. 또 다른 예를 들어, 도 7b를 참조하면, 외부 전자 장치(108)는 사용자에 의하여 선택된 제 2 도메인(702)에 대한 영상 차이도(762)(예: 제 2 에러율 5%)를 만족하는 제 1 딥러닝 모델(711) 내지 제 3 딥러닝 모델(731) 중에서 제 2 도메인(702)에 대한 원본 스트리밍 데이터의 가장 낮은 해상도에 대응하는 제 3 딥러닝 모델(731)을 전자 장치(401)로 송신할 수 있다.According to various embodiments, the external
605 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 선택된 특정 딥러닝 모델을 이용하여 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 스트리밍 데이터를 복원 스트리밍 데이터로 변환할 수 있다. 일실시예에 따르면, 전자 장치(101)는 입력 데이터로서 특정 스트리밍 데이터를 선택된 특정 딥러닝 모델에 적용할 수 있고, 출력 데이터로서 특정 스트리밍 데이터를 업스케일링한(upscaling) 복원 스트리밍 데이터를 획득할 수 있다. In
607 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 디스플레이(예: 도 1의 표시 장치(160))를 통하여, 복원 스트리밍 데이터를 표시할 수 있다.In
도 8은 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 복수의 해상도들에 대응하는 압축률 및 영상 차이도에 기반하여 특정 딥러닝 모델을 선택하고, 선택된 특정 딥러닝 모델을 이용하여 복원된 스트리밍 데이터를 표시하는 방법을 설명하기 위한 흐름도이다.FIG. 8 shows, according to various embodiments, an electronic device (eg, the
도 9는 다양한 실시예들에 따른, 전자 장치(101)가 복수의 해상도들에 대응하는 압축률 및 영상 차이도에 기반하여 특정 해상도에 대응하는 특정 딥러닝 모델을 선택하는 제 1 실시예를 설명하기 위한 도면이다.9 illustrates a first embodiment in which the
도 10은 다양한 실시예들에 따른, 전자 장치(101)가 복수의 해상도들에 대응하는 압축률 및 영상 차이도에 기반하여 특정 해상도에 대응하는 특정 딥러닝 모델을 선택하는 제 2 실시예를 설명하기 위한 도면이다.10 illustrates a second embodiment in which the
801 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 전자 장치(101))는 통신 모듈(예: 도 1의 통신 모듈(190))을 통하여, 외부 전자 장치(예: 도 1의 서버(108))로부터 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 스트리밍 데이터를 획득할 수 있다. In
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 압축률 및 복수의 해상도들에 대응하는 영상 차이도에 기반하여 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도를 확인할 수 있고, 외부 전자 장치(108)로 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 스트리밍 데이터를 요청할 수 있고, 상기 요청에 응답하여, 외부 전자 장치(108)로부터 특정 해상도에 대응하는 특정 스트리밍 데이터를 획득할 수 있다. 복수의 해상도들에 대응하는 압축률 및 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도를 확인하는 방법은 803 동작에서 후술하도록 한다.According to various embodiments, the electronic device 101 (for example, the
일실시예에 따르면, 전자 장치(101)는 외부 전자 장치(108)로부터 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 수신하는 도중, 복수의 해상도들에 대응하는 압축률 및 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 외부 전자 장치(108)로부터 제 2 해상도에 대응하는 제 2 스트리밍 데이터를 수신할 수 있다. 예를 들어, 전자 장치(101)는 외부 전자 장치(108)로부터 원본 스트리밍 데이터의 제 1 해상도(예: 원본 해상도의 80%)에 대응하는 제 1 스트리밍 데이터를 수신하는 도중, 복수의 해상도들에 대응하는 압축률 및 복수의 해상도들에 대응하는 영상 차이도를 이용하여, 지정된 조건을 만족하는 값을 도출하는 제 2 해상도(예: 원본 해상도의 60%)를 확인할 수 있다. 이 경우, 전자 장치(101)는 외부 전자 장치(108)로 제 2 해상도에 대응하는 제 2 스트리밍 데이터를 요청할 수 있고, 상기 요청에 응답하여, 외부 전자 장치(108)로부터 제 2 해상도에 대응하는 제 2 스트리밍 데이터를 획득할 수 있다.According to an embodiment, while receiving the first streaming data corresponding to the first resolution of the original streaming data from the external
803 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 압축률 및 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다.In
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 복수의 해상도들 각각에 대응하는 압축률에 대하여 복수의 해상도들 각각에 대응하는 영상 차이도를 적용한 값들 중 지정된 조건을 만족하는 값을 도출하는 특정 해상도를 확인할 수 있고, 확인된 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 특정 해상도에 대응하는 압축률은, 원본 스트리밍 데이터의 특정 해상도에 대응하는 스트리밍 데이터의 사이즈(A)를 원본 스트리밍 데이터의 사이즈(B)로 나눈 값(A/B)을 의미할 수 있다. 일실시예에 따르면, 특정 해상도에 대응하는 영상 차이도는, 특정 해상도에 대응하는 특정 딥러닝 모델에 대한 영상 차이도를 의미할 수 있다. 예를 들어, 도 9의 <901>을 참조하면, 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들은 최초에는 미훈련 상태로 전자 장치(101)에 저장될 수 있고, 복수의 딥러닝 모델들 각각에 대한 영상 차이도(예: 에러율)는 '1'로 동일할 수 있다. 이 경우, 전자 장치(101)는 복수의 해상도들 각각에 대응하는 압축률에 대하여 복수의 해상도들 각각에 대응하는 영상 차이도를 적용한 값들(911)(예: 압축률과 에러율을 합산한 값) 중 지정된 조건을 만족하는 값(921)(예: 가장 낮은 값)을 도출하는 특정 해상도(931)(예: 원본 해상도 100%)를 확인할 수 있고, 특정 해상도(931)에 대응하는 특정 딥러닝 모델을 선택할 수 있다. <901> 그래프에서, 원본 해상도 100%에 해당하는 특정 해상도(931)는 영상 차이도가 0인 값을 가지기 때문에, 지정된 조건을 만족하는 값(921)(예: 가장 낮은 값)이 특정 해상도(931)에서 도출될 수 있다. 또 다른 예를 들어, 도 9의 <902>를 참조하면, 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들은 일정 기간이 경과하면, 훈련된 상태로 전자 장치(101)에 저장될 수 있고, 복수의 딥러닝 모델들 각각에 대한 영상 차이도는 서로 상이할 수 있다. 이 경우, 전자 장치(101)는 복수의 해상도들 각각에 대응하는 압축률에 대하여 복수의 해상도들 각각에 대응하는 영상 차이도를 적용한 값들(912)(예: 압축률과 에러율을 합산한 값) 중 지정된 조건을 만족하는 값(922)(예: 가장 낮은 값)을 도출하는 특정 해상도(932)(예: 원본 해상도의 80%)를 확인할 수 있고, 특정 해상도(932)에 대응하는 특정 딥러닝 모델을 선택할 수 있다. According to various embodiments, the electronic device 101 (for example, the
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 압축률, 복수의 해상도들에 대응하는 영상 차이도, 및 전자 장치(101)의 네트워크 대역폭(network bandwidth)에 기반하여, 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 일실시예에 따르면, 전자 장치(101)는 하기의 [수학식 1] 및 하기의 [수학식 2]를 이용하여, 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다.According to various embodiments, the electronic device 101 (for example, the
E는 원본 스트리밍 데이터의 특정 해상도에 대응하는 영상 차이도를 나타내고, D/O는 원본 스트리밍 데이터의 특정 해상도에 대응하는 스트리밍 데이터의 사이즈(D)를 원본 스트리밍 데이터의 사이즈(O)로 나눈 특정 해상도에 대응하는 압축률을 나타낼 수 있다. L은 특정 시점에서 전자 장치(101)에서 측정한 네트워크 대역폭을 나타내고, D/L는 특정 해상도에 대응하는 스트리밍 데이터를 송신하는데 걸리는 시간을 나타내며, O/L는 원본 스트리밍 데이터를 송신하는데 걸리는 시간을 나타낼 수 있다. 는 특정 해상도에 대응하는 스트리밍 데이터를 제공하기 위하여 미리 정해진 최대 네트워크 지연(network latency)을 나타내고, 는 원본 스트리밍 데이터를 송신하기 위하여 미리 정해진 최소 네트워크 지연을 나타낼 수 있다. g 함수는 원본 스트리밍 데이터를 송신해도 시간이 충분할 경우, 영상 차이도를 0으로 보낼 수 있다. 또한, g 함수는 특정 해상도에 대응하는 스트리밍 데이터의 송신 시간이 미리 정해진 최대 네트워크 지연(network latency)보다 지연될 경우, 특정 해상도에 대응하는 스트리밍 데이터의 제공이 적절하지 않기 때문에 임의의 큰 값을 출력하여서 특정 해상도보다 더 낮은 해상도를 탐색할 수 있도록 유도할 수 있다. 는 영상 차이도와 네트워크 지연 사이의 가중치를 의미할 수 있다. 일실시예에 따르면, 는 전자 장치(101)의 사용자에 의하여 선택될 수 있고 또는 외부 전자 장치(108)에 의하여 미리 설정될 수 있다. 일실시예에 따르면, 는 상술한 [수학식 1] 및 [수학식 2]에서 생략 할 수 있다. 일실시예에 따르면, f 함수 값이 0에 가까워 질수록 영상 차이도 및 압축률이 낮아지므로, 전자 장치(101)는 더 최적화 된 값으로 확인할 수 있다. 일실시예에 따르면, 전자 장치(101)는 가장 낮은 f값을 도출하는 특정 해상도를 확인할 수 있고, 확인된 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 예를 들어, 도 10의 <1001>을 참조하면, 전자 장치(101)는 제 1 시점(T1)에 가장 낮은 f값을 도출하는 원본 스트리밍 데이터의 제 2 해상도(예: 원본 해상도의 20%)에 대응하는 제 2 딥러닝 모델(1020)을 이용하여 복원 스트리밍 데이터를 생성한 후에, 원본 스트리밍 데이터의 제 2 해상도에 대응하는 스트리밍 데이터의 픽셀 변화량이 지정된 범위를 초과함을 확인한 것에 기반하여, 제 2 시점(T2)에 가장 낮은 f값을 도출하는 원본 스트리밍 데이터의 제 1 해상도(예: 원본 해상도의 80%)를 확인할 수 있고, 제 1 해상도에 대응하는 제 1 딥러닝 모델(1010)을 선택하여 복원 스트리밍 데이터를 생성할 수 있다. 또 다른 예를 들어, 도 10의 <1002>를 참조하면, 전자 장치(101)는 제 1 시점(T3)에 가장 낮은 f값을 도출하는 원본 스트리밍 데이터의 제 1 해상도(예: 원본 해상도의 80%)에 대응하는 제 1 딥러닝 모델(1010)을 이용하여 복원 스트리밍 데이터를 생성한 후에, 전자 장치(101)의 네트워크 대역폭이 낮아짐을 확인한 것에 기반하여, 제 2 시점(T4)에 가장 낮은 f값을 도출하는 원본 스트리밍 데이터의 제 2 해상도(예: 원본 해상도의 20%)를 확인할 수 있고, 제 2 해상도에 대응하는 제 2 딥러닝 모델(1020)을 선택하여 복원 스트리밍 데이터를 생성할 수 있다.E denotes the image difference degree corresponding to the specific resolution of the original streaming data, and D/O denotes the specific resolution obtained by dividing the size (D) of the streaming data corresponding to the specific resolution of the original streaming data by the size (O) of the original streaming data. It may represent a compression rate corresponding to. L represents the network bandwidth measured by the
다양한 실시예들에 따르면, 도 8 내지 도 10에서 설명한 특정 해상도를 확인하는 동작들은 외부 전자 장치(108)에 의하여 수행될 수 있고, 외부 전자 장치(108)는 확인된 특정 해상도에 대응하는 특정 딥러닝 모델을 전자 장치(101)로 송신할 수 있다.According to various embodiments, operations for checking a specific resolution described in FIGS. 8 to 10 may be performed by the external
805 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 선택된 특정 딥러닝 모델을 이용하여 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 스트리밍 데이터를 복원 스트리밍 데이터로 변환할 수 있다. 일실시예에 따르면, 전자 장치(101)는 입력 데이터로서 특정 스트리밍 데이터를 선택된 특정 딥러닝 모델에 적용할 수 있고, 출력 데이터로서 특정 스트리밍 데이터를 업스케일링한(upscaling) 복원 스트리밍 데이터를 획득할 수 있다.In
807 동작에서, 다양한 실시예들에 따라서, 전자 장치(101)(예: 도 1의 프로세서(120))는 디스플레이(예: 도 1의 표시 장치(160))를 통하여, 복원 스트리밍 데이터를 표시할 수 있다.In
도 11은 다양한 실시예들에 따른, 외부 전자 장치(예: 도 1의 서버(108))가 특정 해상도 범위에 대응하는 특정 딥러닝 모델을 훈련하는 실시예를 설명하기 위한 도면이다.FIG. 11 is a diagram for describing an embodiment in which an external electronic device (eg, the
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 지정된 주기, 사용자의 요청 또는 외부 전자 장치(108)의 요청에 기반하여 전자 장치(101)에 대한 네트워크 대역폭을 확인할 수 있다. 일실시예에 따르면, 전자 장치(101)는 확인된 네트워크 대역폭을 외부 전자 장치(108)로 송신할 수 있다. According to various embodiments, the electronic device 101 (for example, the
다양한 실시예들에 따르면, 외부 전자 장치(108)는 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 압축률, 복수의 해상도들에 대응하는 영상 차이도, 및 전자 장치(101)의 네트워크 대역폭(network bandwidth)에 기반하여, 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 원본 스트리밍 데이터의 특정 해상도에 대응하는 특정 딥러닝 모델을 선택할 수 있다. 외부 전자 장치(108)가 압축률, 영상 차이도, 및 네트워크 대역폭에 기반하여 특정 해상도를 확인하는 방법은 도 8의 805 동작에서 설명된 전자 장치(101)가 확인하는 방법을 이용할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 확인된 특정 해상도에 대응하는 특정 딥러닝 모델을 전자 장치(101)로 송신할 수 있다. 예를 들어, 외부 전자 장치(108)는 제 1 딥러닝 모델(1110), 제 2 딥러닝 모델(1120), 및 제 3 딥러닝 모델(1130) 중 확인된 특정 해상도에 대응하는 특정 딥러닝 모델을 전자 장치(101)로 송신할 수 있다.According to various embodiments, the external
다양한 실시예들에 따르면, 외부 전자 장치(108)는 특정 도메인에 대한 원본 스트리밍 데이터의 특정 해상도 범위에 대응하는 특정 딥러닝 모델을 훈련할 수 있다. 예를 들어, 외부 전자 장치(108)는 원본 스트리밍 데이터의 제 1 해상도 범위(예: 원본 해상도의 100% 이하 80% 초과)에 대응하는 제 1 딥러닝 모델(1110)을 훈련할 수 있고, 제 2 해상도 범위(예: 원본 해상도의 80% 이하 60% 초과)에 대응하는 제 2 딥러닝 모델(1120)을 훈련할 수 있고, 제 3 해상도 범위(예: 원본 해상도의 60% 이하 40% 초과)에 대응하는 제 3 딥러닝 모델(1130)을 훈련할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 확인된 특정 해상도를 포함하는 특정 해상도 범위 대응하는 특정 딥러닝 모델을 전자 장치(101)로 송신할 수 있다. 예를 들어, 외부 전자 장치(108)는 확인된 특정 해상도(예: 70%)를 포함하는 제 2 해상도 범위에 대응하는 제 2 딥러닝 모델(1120)를 전자 장치(101)로 송신할 수 있다.According to various embodiments, the external
도 12는 다양한 실시예들에 따른, 외부 전자 장치(예: 도 1의 서버(108))가 패치된 스트리밍 데이터를 이용하여 특정 딥러닝 모델을 훈련하는 실시예를 설명하기 위한 도면이다.FIG. 12 is a diagram for describing an embodiment in which an external electronic device (eg, the
다양한 실시예들에 따르면, 외부 전자 장치(108)는 이미지 변환에 관한 딥러닝 알고리즘 또는 소프트웨어 알고리즘에 기반하여, 제 1 도메인에 대한 원본 스트리밍 데이터(예: 도 3의 원본 스트리밍 데이터(301))를 변환할 수 있다. 예를 들어, 외부 전자 장치(108)는 원본 스트리밍 데이터(301)에 소프트웨어 알고리즘(예: 그래픽 패치)을 적용함으로써, 원본 스트리밍 데이터(301)를 구성하는 프로그램 코드를 변경하지 않고, 원본 스트리밍 데이터(301)를 패치된 스트리밍 데이터(1201)로 변환할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 패치된 스트리밍 데이터(1201)를 패치된 스트리밍 데이터(1201)의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(1211)로 변환할 수 있다. 예를 들어, 외부 전자 장치(108)는 패치된 스트리밍 데이터(1201)의 원본 해상도(예: 100%)를 제 1 해상도(예: 원본 해상도의 80%)로 리사이즈한 제 1 스트리밍 데이터(1211)를 생성할 수 있다. 외부 전자 장치(108)는 생성된 제 1 스트리밍 데이터(1211)를 전자 장치(101)로 송신할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 패치된 스트리밍 데이터(1201) 및 패치된 스트리밍 데이터(1201)의 제 1 해상도에 대응하는 제 1 스트리밍 데이터(1211)를 이용하여 패치된 스트리밍 데이터(1201)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(1210)을 훈련(train)할 수 있다. 예를 들어, 외부 전자 장치(108)는 학습 데이터로서의 제 1 스트리밍 데이터(1211) 및 정답 데이터로서의 패치된 스트리밍 데이터(1201)를 패치된 스트리밍 데이터(1201)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(1210)에 제공하여, 제 1 딥러닝 모델(1210)을 훈련할 수 있다. 일실시예에 따르면, 외부 전자 장치(108)는 패치된 스트리밍 데이터(1201)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(1210)을 전자 장치(101)로 송신할 수 있다. 일실시예에 따르면, 패치된 스트리밍 데이터(1201)는 원본 스트리밍 데이터(301)에 포함될 수 있고, 이 경우, 패치된 스트리밍 데이터(1201)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(1210)은 원본 스트리밍 데이터(301)의 제 1 해상도에 대응하는 제 1 딥러닝 모델(예: 도 3의 제 1 딥러닝 모델(310))에 포함될 수 있다. According to various embodiments, the external
도 13은 다양한 실시예들에 따른, 외부 전자 장치(예: 도 1의 서버(108))가 복수의 도메인들에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련하는 실시예를 설명하기 위한 도면이다. 13 is a diagram in which an external electronic device (eg, the
다양한 실시예들에 따르면, 외부 전자 장치(108)는 복수의 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도에 대응하는 복수의 스트리밍 데이터를 생성할 수 있다. 예를 들어, 외부 전자 장치(108)는 제 1 도메인(1301)(예: 제 1 컨텐트로서 영화 A)에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 생성할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 제 2 도메인(1302)(예: 제 2 컨텐트로서 드라마 B)에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 생성할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 제 3 도메인(1303)(예: 제 3 컨텐트로서 생방송 뉴스 C)에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 생성할 수 있다.According to various embodiments, the external
다양한 실시예들에 따르면, 외부 전자 장치(108)는 특정 도메인에 대한 원본 스트리밍 데이터 및 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 이용하여 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련할 수 있다. According to various embodiments, the external
일실시예에 따르면, 외부 전자 장치(108)는 제 1 도메인(1301)에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련할 수 있다. 예를 들어, 외부 전자 장치(108)는 학습 데이터로서의 제 1 도메인(1301)에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터 및 정답 데이터로서의 제 1 도메인에 대한 원본 스트리밍 데이터를 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 딥러닝 모델(1310)에 제공하여, 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 딥러닝 모델(1310)을 훈련할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 학습 데이터로서의 제 1 도메인(1301)에 대한 원본 스트리밍 데이터의 제 2 해상도에 대응하는 제 2 스트리밍 데이터 및 정답 데이터로서의 제 1 도메인에 대한 원본 스트리밍 데이터를 제 1 도메인에 대한 원본 스트리밍 데이터의 제 2 해상도에 대응하는 제 2 딥러닝 모델(미도시)에 제공하여, 제 1 도메인에 대한 원본 스트리밍 데이터의 제 2 해상도에 대응하는 제 2 딥러닝 모델(미도시)을 훈련할 수 있다.According to an embodiment, the external
일실시예에 따르면, 외부 전자 장치(108)는 제 2 도메인(1302)에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련할 수 있다. 예를 들어, 외부 전자 장치(108)는 학습 데이터로서의 제 2 도메인(1302)에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터 및 정답 데이터로서의 제 2 도메인에 대한 원본 스트리밍 데이터를 제 2 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 딥러닝 모델(미도시)에 제공하여, 제 2 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 딥러닝 모델(미도시)을 훈련할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 학습 데이터로서의 제 2 도메인(1302)에 대한 원본 스트리밍 데이터의 제 2 해상도에 대응하는 제 2 스트리밍 데이터 및 정답 데이터로서의 제 2 도메인에 대한 원본 스트리밍 데이터를 제 2 도메인에 대한 원본 스트리밍 데이터의 제 2 해상도에 대응하는 제 2 딥러닝 모델(1320)에 제공하여, 제 2 도메인에 대한 원본 스트리밍 데이터의 제 2 해상도에 대응하는 제 2 딥러닝 모델(1320)을 훈련할 수 있다.According to an embodiment, the external
일실시예에 따르면, 외부 전자 장치(108)는 제 3 도메인(1303)에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련할 수 있다. 예를 들어, 외부 전자 장치(108)는 학습 데이터로서의 제 3 도메인(1303)에 대한 원본 스트리밍 데이터의 제 3 해상도에 대응하는 제 3 스트리밍 데이터 및 정답 데이터로서의 제 3 도메인에 대한 원본 스트리밍 데이터를 제 3 도메인에 대한 원본 스트리밍 데이터의 제 3 해상도에 대응하는 제 3 딥러닝 모델(1330)에 제공하여, 제 3 도메인에 대한 원본 스트리밍 데이터의 제 3 해상도에 대응하는 제 3 딥러닝 모델(1330)을 훈련할 수 있다.According to an embodiment, the external
도 14는 다양한 실시예들에 따른, 외부 전자 장치(예: 도 1의 서버(108))가 특정 도메인에 대한 영상 차이도 또는 특정 도메인에 대한 원본 스트리밍 데이터의 해상도에 대응하는 딥러닝 모델을 전자 장치(예: 도 1의 전자 장치(101))로 송신하는 방법을 설명하기 위한 흐름도이다.FIG. 14 is an electronic diagram of a deep learning model corresponding to an image difference diagram for a specific domain or a resolution of original streaming data for a specific domain by an external electronic device (eg, the
1401 동작에서, 다양한 실시예들에 따라서, 외부 전자 장치(108)는 통신 모듈(예: 도 1의 통신 모듈(190))을 통하여, 특정 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 복수의 전자 장치들로 송신할 수 있다. 예를 들어, 외부 전자 장치(108)는 제 1 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 제 1 전자 장치(예: 도 1의 전자 장치(101))를 포함하는 복수의 제 1 전자 장치들로 송신할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 제 2 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 제 2 전자 장치(예: 도 4의 제 2 전자 장치(401))를 포함하는 복수의 제 2 전자 장치들로 송신할 수 있다. In
다양한 실시예들에 따르면, 외부 전자 장치(108)(예: 도 1의 프로세서(120))는 스트리밍 서비스 제공 서버를 포함할 수 있다. 일실시예에 따르면, 스트리밍 데이터를 송신하기 위한 스트리밍 데이터 송신 서버 및 스트리밍 데이터를 훈련하기 위한 스트리밍 데이터 훈련 서버는 하나의 구조로서 스트리밍 서비스 제공 서버인 외부 전자 장치(108)에 포함될 수 있고, 또는 각각의 구조가 구분되어 별개의 구조로서 존재할 수 있다.According to various embodiments, the external electronic device 108 (eg, the
1403 동작에서, 다양한 실시예들에 따라서, 외부 전자 장치(108)(예: 도 1의 프로세서(120))는 원본 스트리밍 데이터 및 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 이용하여 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련(train)할 수 있다. 예를 들어, 외부 전자 장치(108)는 학습 데이터로서 제 1 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터 및 정답 데이터로서의 제 1 도메인에 대한 원본 스트리밍 데이터를 제 1 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 제 1 딥러닝 모델들에 제공하여, 제 1 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 제 1 딥러닝 모델들을 훈련할 수 있다. 또 다른 예를 들어, 외부 전자 장치(108)는 학습 데이터로서 제 2 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터 및 정답 데이터로서의 제 2 도메인에 대한 원본 스트리밍 데이터를 제 2 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 제 2 딥러닝 모델들에 제공하여, 제 2 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 제 2 딥러닝 모델들을 훈련할 수 있다.In
1405 동작에서, 다양한 실시예들에 따라서, 외부 전자 장치(108)(예: 도 1의 프로세서(120))는 통신 모듈(190)을 통하여 복수의 전자 장치들에 포함된 전자 장치(101)로부터 특정 도메인에 대한 영상 차이도 또는 특정 도메인에 대한 원본 스트리밍 데이터의 해상도를 획득할 수 있다. 일실시예에 따르면, 전자 장치(101)는 특정 도메인에 대한 영상 차이도를 선택하는 사용자 입력 또는 특정 도메인에 대한 원본 스트리밍 데이터의 해상도를 선택하는 사용자 입력을 획득한 것에 기반하여, 해당하는 영상 차이도 또는 해당하는 원본 스트리밍 데이터의 해상도를 외부 전자 장치(108)로 송신할 수 있다.In
1407 동작에서, 다양한 실시예들에 따라서, 외부 전자 장치(108)(예: 도 1의 프로세서(120))는 통신 모듈(190)을 통하여 특정 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 특정 도메인에 대한 영상 차이도 또는 특정 도메인에 대한 원본 스트리밍 데이터의 해상도에 대응하는 딥러닝 모델을 전자 장치(101)로 송신할 수 있다. In
다양한 실시예들에 따르면, 외부 전자 장치(108)(예: 도 1의 프로세서(120))는 도 6, 도 7a, 및 도 7b에 설명된 방법을 이용하여 상술한 1407 동작을 수행할 수 있다.According to various embodiments, the external electronic device 108 (eg, the
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.An electronic device according to various embodiments disclosed in this document may be a device of various types. The electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance. The electronic device according to the embodiment of the present document is not limited to the above-described devices.
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.Various embodiments of the present document and terms used therein are not intended to limit the technical features described in this document to specific embodiments, and should be understood to include various modifications, equivalents, or substitutes of the corresponding embodiments. In connection with the description of the drawings, similar reference numerals may be used for similar or related components. The singular form of a noun corresponding to an item may include one or a plurality of the items unless clearly indicated otherwise in a related context. In this document, “A or B”, “at least one of A and B”, “at least one of A or B”, “A, B or C”, “at least one of A, B and C” and “A, Each of phrases such as "at least one of B or C" may include any one of the items listed together in the corresponding one of the phrases, or all possible combinations thereof. Terms such as "first", "second", or "first" or "second" may be used simply to distinguish the component from other Order) is not limited. Some (eg, a first) component is referred to as “coupled” or “connected” to another (eg, a second) component, with or without the terms “functionally” or “communicatively”. When mentioned, it means that any of the above components may be connected to the other components directly (eg by wire), wirelessly, or via a third component.
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, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다. The term "module" used in this document may include a unit implemented in hardware, software, or firmware, and may be used interchangeably with terms such as logic, logic blocks, parts, or circuits. The module may be an integrally configured component or a minimum unit of the component or a part thereof that performs one or more functions. For example, according to an embodiment, the module may be implemented in the form of an application-specific integrated circuit (ASIC).
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))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.Various embodiments of the present document include one or more instructions stored in a storage medium (eg,
일실시예에 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 두개의 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.According to an embodiment, a method according to various embodiments disclosed in the present document may be provided by being included in a computer program product. Computer program products can be traded between sellers and buyers as commodities. The computer program product is distributed in the form of a device-readable storage medium (e.g. compact disc read only memory (CD-ROM)), or through an application store (e.g. Play Store TM ) or two user devices (e.g. It can be distributed (e.g., downloaded or uploaded) directly between, e.g. smartphones), online. In the case of online distribution, at least a part of the computer program product may be temporarily stored or temporarily generated in a storage medium that can be read by a device such as a server of a manufacturer, a server of an application store, or a memory of a relay server.
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. According to various embodiments, each component (eg, module or program) of the above-described components may include a singular number or a plurality of entities. According to various embodiments, one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added. Alternatively or additionally, a plurality of components (eg, a module or program) may be integrated into one component. In this case, the integrated component may perform one or more functions of each component of the plurality of components in the same or similar to that performed by the corresponding component among the plurality of components prior to the integration. . According to various embodiments, operations performed by a module, program, or other component may be sequentially, parallel, repeatedly, or heuristically executed, or one or more of the operations may be executed in a different order or omitted. Or one or more other actions may be added.
다양한 실시예들에 따라서, 전자 장치(101)는 디스플레이(160), 통신 모듈(190), 상기 디스플레이(160) 및 상기 통신 모듈(190)과 작동적으로 연결된 프로세서(120), 및 상기 프로세서(120)와 작동적으로 연결된 메모리(130)를 포함하고, 상기 메모리(130)는, 실행 시에, 상기 프로세서가, 상기 통신 모듈(190)을 통하여, 외부 전자 장치로부터 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 획득하고, 상기 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 상기 원본 스트리밍 데이터의 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하고, 상기 제 1 딥러닝 모델을 이용하여 상기 제 1 스트리밍 데이터를 제 1 복원 스트리밍 데이터로 변환하고, 및 상기 디스플레이(160)를 통하여, 상기 제 1 복원 스트리밍 데이터를 표시하도록 하는 인스트럭션들(instructions)을 저장할 수 있다.According to various embodiments, the
다양한 실시예들에 따라서, 상기 인스트럭션들은, 상기 프로세서가, 상기 통신 모듈을 통하여, 상기 제 1 복원 스트리밍 데이터를 상기 외부 전자 장치로 송신하도록 할 수 있다.According to various embodiments, the instructions may cause the processor to transmit the first restored streaming data to the external electronic device through the communication module.
다양한 실시예들에 따라서, 상기 제 1 도메인은 복수의 지정된 영역들 또는 복수의 지정된 기간들 중 적어도 하나에 대응하는 복수의 서브 도메인들을 포함할 수 있다.According to various embodiments, the first domain may include a plurality of designated areas or a plurality of sub-domains corresponding to at least one of a plurality of designated periods.
다양한 실시예들에 따라서, 상기 인스트럭션들은, 상기 프로세서가, 사용자 입력에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 할 수 있다.According to various embodiments, the instructions may cause the processor to select the first deep learning model corresponding to the first resolution based on a user input.
다양한 실시예들에 따라서, 상기 사용자 입력은, 영상 차이도를 선택하는 제 1 사용자 입력을 포함하고, 상기 인스트럭션들은, 상기 프로세서가, 상기 제 1 사용자 입력에 기반하여, 상기 복수의 딥러닝 모델들 중에서 상기 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델을 확인하고, 및 상기 적어도 하나의 딥러닝 모델 중에서 상기 원본 스트리밍 데이터의 가장 낮은 해상도인 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 할 수 있다.According to various embodiments, the user input includes a first user input for selecting an image difference degree, and the instructions include, by the processor, the plurality of deep learning models based on the first user input. Among the at least one deep learning model that satisfies the image difference degree is identified, and the first deep learning model corresponding to the first resolution, which is the lowest resolution of the original streaming data, is selected from among the at least one deep learning model. You can choose.
다양한 실시예들에 따라서, 상기 사용자 입력은, 네트워크 지연을 선택하는 제 2 사용자 입력을 포함하고, 상기 인스트럭션들은, 상기 프로세서가, 상기 제 2 사용자 입력에 기반하여, 상기 네트워크 지연에 대응하는 상기 원본 스트리밍 데이터의 상기 제 1 해상도를 확인하고, 및 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 할 수 있다.According to various embodiments, the user input includes a second user input for selecting a network delay, and the instructions include, by the processor, the original corresponding to the network delay, based on the second user input. The first resolution of streaming data may be checked, and the first deep learning model corresponding to the first resolution may be selected.
다양한 실시예들에 따라서, 상기 인스트럭션들은, 상기 프로세서가, 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 압축률 및 상기 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 할 수 있다.According to various embodiments, the instructions, the processor, based on a compression rate corresponding to the plurality of resolutions of the original streaming data and an image difference degree corresponding to the plurality of resolutions, the first resolution. The corresponding first deep learning model may be selected.
다양한 실시예들에 따라서, 상기 인스트럭션들은, 상기 프로세서가, 상기 복수의 해상도들에 대응하는 상기 압축률에 대하여 상기 복수의 해상도들에 대응하는 상기 영상 차이도를 적용한 값들 중 지정된 조건을 만족하는 값을 도출하는 상기 제 1 해상도를 확인하고, 및 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 할 수 있다.According to various embodiments, the instructions include, by the processor, a value that satisfies a specified condition among values obtained by applying the image difference degree corresponding to the plurality of resolutions to the compression rate corresponding to the plurality of resolutions. The first resolution to be derived may be checked, and the first deep learning model corresponding to the first resolution may be selected.
다양한 실시예들에 따라서, 상기 인스트럭션들은, 상기 프로세서가, 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 압축률, 상기 복수의 해상도들에 대응하는 상기 영상 차이도, 및 상기 전자 장치의 네트워크 대역폭에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 할 수 있다.According to various embodiments, the instructions include, by the processor, the compression rate corresponding to the plurality of resolutions of the original streaming data, the image difference degree corresponding to the plurality of resolutions, and the network of the electronic device. Based on the bandwidth, the first deep learning model corresponding to the first resolution may be selected.
다양한 실시예들에 따라서, 상기 제 1 딥러닝 모델은, 상기 제 1 해상도를 포함하는 해상도 범위에 대응할 수 있다.According to various embodiments, the first deep learning model may correspond to a resolution range including the first resolution.
다양한 실시예들에 따라서, 스트리밍 데이터를 제공하는 방법은, 통신 모듈을 통하여, 외부 전자 장치로부터 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 획득하는 동작, 상기 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 상기 원본 스트리밍 데이터의 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작, 상기 제 1 딥러닝 모델을 이용하여 상기 제 1 스트리밍 데이터를 제 1 복원 스트리밍 데이터로 변환하는 동작, 및 디스플레이를 통하여, 상기 제 1 복원 스트리밍 데이터를 표시하는 동작을 포함할 수 있다.According to various embodiments, a method of providing streaming data includes an operation of acquiring first streaming data corresponding to a first resolution of the original streaming data for a first domain from an external electronic device through a communication module, the original Selecting a first deep learning model corresponding to the first resolution of the original streaming data from among a plurality of deep learning models corresponding to a plurality of resolutions of streaming data, the first deep learning model using the first deep learning model It may include an operation of converting the first streaming data into first reconstructed streaming data, and an operation of displaying the first reconstructed streaming data through a display.
다양한 실시예들에 따라서, 스트리밍 데이터를 제공하는 방법은, 상기 통신 모듈을 통하여, 상기 제 1 복원 스트리밍 데이터를 상기 외부 전자 장치로 송신하는 동작을 더 포함할 수 있다.According to various embodiments, the method of providing streaming data may further include transmitting the first restored streaming data to the external electronic device through the communication module.
다양한 실시예들에 따라서, 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은, 사용자 입력에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함할 수 있다.According to various embodiments, the operation of selecting the first deep learning model corresponding to the first resolution includes an operation of selecting the first deep learning model corresponding to the first resolution based on a user input. can do.
다양한 실시예들에 따라서, 상기 사용자 입력은, 영상 차이도를 선택하는 제 1 사용자 입력을 포함하고, 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은, 상기 제 1 사용자 입력에 기반하여, 상기 복수의 딥러닝 모델들 중에서 상기 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델을 확인하는 동작, 및 상기 적어도 하나의 딥러닝 모델 중에서 상기 원본 스트리밍 데이터의 가장 낮은 해상도인 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함할 수 있다.According to various embodiments, the user input includes a first user input for selecting an image difference degree, and the operation of selecting a first deep learning model corresponding to the first resolution may be performed based on the first user input. Based on the operation of checking at least one deep learning model that satisfies the image difference among the plurality of deep learning models, and the first, the lowest resolution of the original streaming data among the at least one deep learning model It may include an operation of selecting the first deep learning model corresponding to the resolution.
다양한 실시예들에 따라서, 상기 사용자 입력은, 네트워크 지연을 선택하는 제 2 사용자 입력을 포함하고, 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은, 상기 제 2 사용자 입력에 기반하여, 상기 네트워크 지연에 대응하는 상기 원본 스트리밍 데이터의 상기 제 1 해상도를 확인하는 동작, 및 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함할 수 있다.According to various embodiments, the user input includes a second user input for selecting a network delay, and the operation of selecting a first deep learning model corresponding to the first resolution is based on the second user input. Thus, it may include an operation of checking the first resolution of the original streaming data corresponding to the network delay, and an operation of selecting the first deep learning model corresponding to the first resolution.
다양한 실시예들에 따라서, 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은, 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 압축률 및 상기 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함할 수 있다.According to various embodiments, the operation of selecting the first deep learning model corresponding to the first resolution includes a compression rate corresponding to the plurality of resolutions of the original streaming data and an image difference corresponding to the plurality of resolutions. Based on the diagram, it may include an operation of selecting the first deep learning model corresponding to the first resolution.
다양한 실시예들에 따라서, 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은, 상기 복수의 해상도들에 대응하는 상기 압축률에 대하여 상기 복수의 해상도들에 대응하는 상기 영상 차이도를 적용한 값들 중 지정된 조건을 만족하는 값을 도출하는 상기 제 1 해상도를 확인하는 동작, 및 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함할 수 있다.According to various embodiments, the operation of selecting the first deep learning model corresponding to the first resolution includes calculating the image difference degree corresponding to the plurality of resolutions with respect to the compression rate corresponding to the plurality of resolutions. An operation of checking the first resolution for deriving a value that satisfies a specified condition among applied values, and an operation of selecting the first deep learning model corresponding to the first resolution.
다양한 실시예들에 따라서, 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은, 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 압축률, 상기 복수의 해상도들에 대응하는 상기 영상 차이도, 및 상기 전자 장치의 네트워크 대역폭에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함할 수 있다.According to various embodiments, the operation of selecting the first deep learning model corresponding to the first resolution includes the compression rate corresponding to the plurality of resolutions of the original streaming data, and the compression rate corresponding to the plurality of resolutions. An operation of selecting the first deep learning model corresponding to the first resolution based on an image difference degree and a network bandwidth of the electronic device may be included.
다양한 실시예들에 따라서, 스트리밍 서비스 제공 서버는, 통신 모듈, 상기 통신 모듈과 작동적으로 연결된 프로세서, 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행 시에, 상기 프로세서가, 상기 통신 모듈을 통하여 특정 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 복수의 전자 장치들로 송신하고, 상기 원본 스트리밍 데이터 및 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 복수의 스트리밍 데이터를 이용하여 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련(train)하고, 상기 통신 모듈을 통하여 상기 복수의 전자 장치들에 포함된 전자 장치로부터 상기 특정 도메인에 대한 영상 차이도 또는 상기 원본 스트리밍 데이터의 해상도를 획득하고, 및 상기 통신 모듈을 통하여 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 복수의 딥러닝 모델들 중에서 상기 특정 도메인에 대한 상기 영상 차이도 또는 상기 원본 스트리밍 데이터의 상기 해상도에 대응하는 딥러닝 모델을 상기 전자 장치로 송신하도록 할 수 있다.According to various embodiments, the streaming service providing server includes a communication module, a processor operatively connected to the communication module, and a memory operatively connected to the processor, and the memory is, when executed, the processor And transmitting a plurality of streaming data corresponding to a plurality of resolutions of the original streaming data for a specific domain through the communication module to a plurality of electronic devices, and the plurality of resolutions of the original streaming data and the original streaming data Train a plurality of deep learning models corresponding to the plurality of resolutions of the original streaming data using the plurality of streaming data corresponding to, and included in the plurality of electronic devices through the communication module. The image difference degree for the specific domain or the resolution of the original streaming data is obtained from the electronic device, and the plurality of deep learning models corresponding to the plurality of resolutions of the original streaming data are obtained through the communication module. A deep learning model corresponding to the image difference degree for a specific domain or the resolution of the original streaming data may be transmitted to the electronic device.
Claims (20)
디스플레이;
통신 모듈;
상기 디스플레이 및 상기 통신 모듈과 작동적으로 연결된 프로세서; 및
상기 프로세서와 작동적으로 연결된 메모리를 포함하고,
상기 메모리는, 실행 시에, 상기 프로세서가,
상기 통신 모듈을 통하여, 외부 전자 장치로부터 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 획득하고,
상기 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 상기 원본 스트리밍 데이터의 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하고,
상기 제 1 딥러닝 모델을 이용하여 상기 제 1 스트리밍 데이터를 제 1 복원 스트리밍 데이터로 변환하고, 및
상기 디스플레이를 통하여, 상기 제 1 복원 스트리밍 데이터를 표시하도록 하는 인스트럭션들(instructions)을 저장하는 전자 장치.
In the electronic device,
display;
Communication module;
A processor operatively connected to the display and the communication module; And
And a memory operatively connected to the processor,
The memory, when executed, the processor,
Obtaining first streaming data corresponding to a first resolution of the original streaming data for a first domain from an external electronic device through the communication module,
Selecting a first deep learning model corresponding to the first resolution of the original streaming data from among a plurality of deep learning models corresponding to a plurality of resolutions of the original streaming data,
Converting the first streaming data into first reconstructed streaming data using the first deep learning model, and
An electronic device that stores instructions for displaying the first reconstructed streaming data through the display.
상기 인스트럭션들은, 상기 프로세서가,
상기 통신 모듈을 통하여, 상기 제 1 복원 스트리밍 데이터를 상기 외부 전자 장치로 송신하도록 하는 전자 장치.
The method of claim 1,
The instructions, the processor,
An electronic device configured to transmit the first restored streaming data to the external electronic device through the communication module.
상기 제 1 도메인은 복수의 지정된 영역들 또는 복수의 지정된 기간들 중 적어도 하나에 대응하는 복수의 서브 도메인들을 포함하는 전자 장치.
The method of claim 1,
The first domain includes a plurality of sub-domains corresponding to at least one of a plurality of designated areas or a plurality of designated periods.
상기 인스트럭션들은, 상기 프로세서가,
사용자 입력에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 하는 전자 장치.
The method of claim 1,
The instructions, the processor,
An electronic device configured to select the first deep learning model corresponding to the first resolution based on a user input.
상기 사용자 입력은, 영상 차이도를 선택하는 제 1 사용자 입력을 포함하고,
상기 인스트럭션들은, 상기 프로세서가,
상기 제 1 사용자 입력에 기반하여, 상기 복수의 딥러닝 모델들 중에서 상기 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델을 확인하고, 및
상기 적어도 하나의 딥러닝 모델 중에서 상기 원본 스트리밍 데이터의 가장 낮은 해상도인 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 하는 전자 장치.
The method of claim 4,
The user input includes a first user input for selecting an image difference degree,
The instructions, the processor,
Based on the first user input, check at least one deep learning model that satisfies the image difference degree among the plurality of deep learning models, and
An electronic device configured to select the first deep learning model corresponding to the first resolution, which is the lowest resolution of the original streaming data from among the at least one deep learning model.
상기 사용자 입력은, 네트워크 지연을 선택하는 제 2 사용자 입력을 포함하고,
상기 인스트럭션들은, 상기 프로세서가,
상기 제 2 사용자 입력에 기반하여, 상기 네트워크 지연에 대응하는 상기 원본 스트리밍 데이터의 상기 제 1 해상도를 확인하고, 및
상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 하는 전자 장치.
The method of claim 4,
The user input includes a second user input for selecting a network delay,
The instructions, the processor,
Based on the second user input, confirming the first resolution of the original streaming data corresponding to the network delay, and
An electronic device configured to select the first deep learning model corresponding to the first resolution.
상기 인스트럭션들은, 상기 프로세서가,
상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 압축률 및 상기 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 하는 전자 장치.
The method of claim 1,
The instructions, the processor,
An electronic device configured to select the first deep learning model corresponding to the first resolution based on a compression rate corresponding to the plurality of resolutions of the original streaming data and an image difference degree corresponding to the plurality of resolutions.
상기 인스트럭션들은, 상기 프로세서가,
상기 복수의 해상도들에 대응하는 상기 압축률에 대하여 상기 복수의 해상도들에 대응하는 상기 영상 차이도를 적용한 값들 중 지정된 조건을 만족하는 값을 도출하는 상기 제 1 해상도를 확인하고, 및
상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 하는 전자 장치.
The method of claim 7,
The instructions, the processor,
Checking the first resolution for deriving a value that satisfies a specified condition among values to which the image difference degree corresponding to the plurality of resolutions is applied with respect to the compression rate corresponding to the plurality of resolutions, and
An electronic device configured to select the first deep learning model corresponding to the first resolution.
상기 인스트럭션들은, 상기 프로세서가,
상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 압축률, 상기 복수의 해상도들에 대응하는 상기 영상 차이도, 및 상기 전자 장치의 네트워크 대역폭에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하도록 하는 전자 장치.
The method of claim 7,
The instructions, the processor,
The first corresponding to the first resolution based on the compression rate corresponding to the plurality of resolutions of the original streaming data, the image difference corresponding to the plurality of resolutions, and a network bandwidth of the electronic device. An electronic device that lets you choose a deep learning model.
상기 제 1 딥러닝 모델은, 상기 제 1 해상도를 포함하는 해상도 범위에 대응하는 전자 장치.
The method of claim 1,
The first deep learning model corresponds to a resolution range including the first resolution.
통신 모듈을 통하여, 외부 전자 장치로부터 제 1 도메인에 대한 원본 스트리밍 데이터의 제 1 해상도에 대응하는 제 1 스트리밍 데이터를 획득하는 동작,
상기 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 딥러닝 모델들 중에서 상기 원본 스트리밍 데이터의 상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작,
상기 제 1 딥러닝 모델을 이용하여 상기 제 1 스트리밍 데이터를 제 1 복원 스트리밍 데이터로 변환하는 동작, 및
디스플레이를 통하여, 상기 제 1 복원 스트리밍 데이터를 표시하는 동작을 포함하는 전자 장치의 동작 방법.
In the method of providing streaming data,
Acquiring first streaming data corresponding to a first resolution of the original streaming data for the first domain from an external electronic device through a communication module,
Selecting a first deep learning model corresponding to the first resolution of the original streaming data from among a plurality of deep learning models corresponding to a plurality of resolutions of the original streaming data,
Converting the first streaming data into first reconstructed streaming data using the first deep learning model, and
And displaying the first restored streaming data through a display.
상기 통신 모듈을 통하여, 상기 제 1 복원 스트리밍 데이터를 상기 외부 전자 장치로 송신하는 동작을 더 포함하는 전자 장치의 동작 방법.
The method of claim 11,
The method of operating an electronic device further comprising transmitting the first restored streaming data to the external electronic device through the communication module.
상기 제 1 도메인은 복수의 지정된 영역들 또는 복수의 지정된 기간들 중 적어도 하나에 대응하는 복수의 서브 도메인들을 포함하는 전자 장치의 동작 방법.
The method of claim 11,
The first domain is a method of operating an electronic device including a plurality of sub-domains corresponding to at least one of a plurality of designated areas or a plurality of designated periods.
상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은,
사용자 입력에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함하는 전자 장치의 동작 방법.
The method of claim 11,
Selecting the first deep learning model corresponding to the first resolution,
And selecting the first deep learning model corresponding to the first resolution based on a user input.
상기 사용자 입력은, 영상 차이도를 선택하는 제 1 사용자 입력을 포함하고,
상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은,
상기 제 1 사용자 입력에 기반하여, 상기 복수의 딥러닝 모델들 중에서 상기 영상 차이도를 만족하는 적어도 하나의 딥러닝 모델을 확인하는 동작, 및
상기 적어도 하나의 딥러닝 모델 중에서 상기 원본 스트리밍 데이터의 가장 낮은 해상도인 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함하는 전자 장치의 동작 방법.
The method of claim 14,
The user input includes a first user input for selecting an image difference degree,
Selecting the first deep learning model corresponding to the first resolution,
Checking at least one deep learning model that satisfies the image difference degree among the plurality of deep learning models based on the first user input, and
And selecting the first deep learning model corresponding to the first resolution, which is the lowest resolution of the original streaming data from among the at least one deep learning model.
상기 사용자 입력은, 네트워크 지연을 선택하는 제 2 사용자 입력을 포함하고,
상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은,
상기 제 2 사용자 입력에 기반하여, 상기 네트워크 지연에 대응하는 상기 원본 스트리밍 데이터의 상기 제 1 해상도를 확인하는 동작, 및
상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함하는 전자 장치의 동작 방법.
The method of claim 14,
The user input includes a second user input for selecting a network delay,
Selecting the first deep learning model corresponding to the first resolution,
Checking the first resolution of the original streaming data corresponding to the network delay based on the second user input, and
And selecting the first deep learning model corresponding to the first resolution.
상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은,
상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 압축률 및 상기 복수의 해상도들에 대응하는 영상 차이도에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함하는 전자 장치의 동작 방법.
The method of claim 11,
Selecting the first deep learning model corresponding to the first resolution,
And selecting the first deep learning model corresponding to the first resolution based on a compression rate corresponding to the plurality of resolutions of the original streaming data and an image difference degree corresponding to the plurality of resolutions. How to operate an electronic device.
상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은,
상기 복수의 해상도들에 대응하는 상기 압축률에 대하여 상기 복수의 해상도들에 대응하는 상기 영상 차이도를 적용한 값들 중 지정된 조건을 만족하는 값을 도출하는 상기 제 1 해상도를 확인하는 동작, 및
상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함하는 전자 장치의 동작 방법.
The method of claim 17,
Selecting the first deep learning model corresponding to the first resolution,
Checking the first resolution for deriving a value that satisfies a specified condition among values to which the image difference degree corresponding to the plurality of resolutions is applied to the compression rate corresponding to the plurality of resolutions, and
And selecting the first deep learning model corresponding to the first resolution.
상기 제 1 해상도에 대응하는 제 1 딥러닝 모델을 선택하는 동작은,
상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 압축률, 상기 복수의 해상도들에 대응하는 상기 영상 차이도, 및 상기 전자 장치의 네트워크 대역폭에 기반하여, 상기 제 1 해상도에 대응하는 상기 제 1 딥러닝 모델을 선택하는 동작을 포함하는 전자 장치의 동작 방법.
The method of claim 17,
Selecting the first deep learning model corresponding to the first resolution,
The first corresponding to the first resolution based on the compression rate corresponding to the plurality of resolutions of the original streaming data, the image difference corresponding to the plurality of resolutions, and a network bandwidth of the electronic device. A method of operating an electronic device including an operation of selecting a deep learning model.
통신 모듈;
상기 통신 모듈과 작동적으로 연결된 프로세서; 및
상기 프로세서와 작동적으로 연결된 메모리를 포함하고,
상기 메모리는, 실행 시에, 상기 프로세서가,
상기 통신 모듈을 통하여 특정 도메인에 대한 원본 스트리밍 데이터의 복수의 해상도들에 대응하는 복수의 스트리밍 데이터를 복수의 전자 장치들로 송신하고,
상기 원본 스트리밍 데이터 및 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 복수의 스트리밍 데이터를 이용하여 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 복수의 딥러닝 모델들을 훈련(train)하고,
상기 통신 모듈을 통하여 상기 복수의 전자 장치들에 포함된 전자 장치로부터 상기 특정 도메인에 대한 영상 차이도 또는 상기 원본 스트리밍 데이터의 해상도를 획득하고, 및
상기 통신 모듈을 통하여 상기 원본 스트리밍 데이터의 상기 복수의 해상도들에 대응하는 상기 복수의 딥러닝 모델들 중에서 상기 특정 도메인에 대한 상기 영상 차이도 또는 상기 원본 스트리밍 데이터의 상기 해상도에 대응하는 딥러닝 모델을 상기 전자 장치로 송신하도록 하는 스트리밍 서비스 제공 서버.In the streaming service providing server,
Communication module;
A processor operatively connected to the communication module; And
And a memory operatively connected to the processor,
The memory, when executed, the processor,
Transmitting a plurality of streaming data corresponding to a plurality of resolutions of the original streaming data for a specific domain to a plurality of electronic devices through the communication module,
Train a plurality of deep learning models corresponding to the plurality of resolutions of the original streaming data using the original streaming data and the plurality of streaming data corresponding to the plurality of resolutions of the original streaming data, and ,
Obtaining an image difference degree for the specific domain or a resolution of the original streaming data from an electronic device included in the plurality of electronic devices through the communication module, and
From the plurality of deep learning models corresponding to the plurality of resolutions of the original streaming data through the communication module, a deep learning model corresponding to the image difference degree for the specific domain or the resolution of the original streaming data A streaming service providing server to transmit to the electronic device.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190143531A KR20210056733A (en) | 2019-11-11 | 2019-11-11 | Electronic device for providing streaming data and method for operating thereof |
PCT/KR2020/013317 WO2021096063A1 (en) | 2019-11-11 | 2020-09-29 | Electronic device providing streaming data and operation method for same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190143531A KR20210056733A (en) | 2019-11-11 | 2019-11-11 | Electronic device for providing streaming data and method for operating thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210056733A true KR20210056733A (en) | 2021-05-20 |
Family
ID=75912686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190143531A KR20210056733A (en) | 2019-11-11 | 2019-11-11 | Electronic device for providing streaming data and method for operating thereof |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20210056733A (en) |
WO (1) | WO2021096063A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022265126A1 (en) * | 2021-06-14 | 2022-12-22 | 주식회사 네트워크디파인즈 | Method and device for improving video editing speed in adaptive media streaming environment |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102511059B1 (en) * | 2017-05-17 | 2023-03-17 | 삼성전자주식회사 | Super-resolution processing method for moving image and image processing apparatus therefor |
KR101876433B1 (en) * | 2017-07-20 | 2018-07-13 | 주식회사 이고비드 | Activity recognition-based automatic resolution adjustment camera system, activity recognition-based automatic resolution adjustment method and automatic activity recognition method of camera system |
US10748247B2 (en) * | 2017-12-26 | 2020-08-18 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
KR102464757B1 (en) * | 2018-03-29 | 2022-11-09 | 삼성전자주식회사 | A system and a method for streaming video data |
KR102022648B1 (en) * | 2018-08-10 | 2019-09-19 | 삼성전자주식회사 | Electronic apparatus, method for controlling thereof and method for controlling server |
-
2019
- 2019-11-11 KR KR1020190143531A patent/KR20210056733A/en unknown
-
2020
- 2020-09-29 WO PCT/KR2020/013317 patent/WO2021096063A1/en active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022265126A1 (en) * | 2021-06-14 | 2022-12-22 | 주식회사 네트워크디파인즈 | Method and device for improving video editing speed in adaptive media streaming environment |
Also Published As
Publication number | Publication date |
---|---|
WO2021096063A1 (en) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110881136B (en) | Video frame rate control method and device, computer equipment and storage medium | |
KR102124188B1 (en) | Electronic device and method for processing image | |
KR20190040416A (en) | Method and electronic device for processing raw image acquired by using camera by using external electronic device | |
US20210136297A1 (en) | Method for providing preview and electronic device for displaying preview | |
CN111866483B (en) | Color restoration method and device, computer readable medium and electronic device | |
CN109040524B (en) | Artifact eliminating method and device, storage medium and terminal | |
KR20200092631A (en) | Apparatus and method for generating slow motion video | |
CN113986177A (en) | Screen projection method, screen projection device, storage medium and electronic equipment | |
CN113424548A (en) | Electronic device and method for playing high dynamic range video | |
KR20200098068A (en) | Method for recommending word and apparatus thereof | |
US11393078B2 (en) | Electronic device and method for correcting image on basis of image transmission state | |
KR20210038129A (en) | Image processing method and electronic device supporting the same | |
CN113455013B (en) | Electronic device for processing image and image processing method thereof | |
KR20210056733A (en) | Electronic device for providing streaming data and method for operating thereof | |
US11606604B2 (en) | System and method for streaming video data | |
KR20190057993A (en) | electronic device and method for sharing image of the same | |
KR20190030946A (en) | Electronic device and method for controlling a plurality of image sensors | |
CN109714628B (en) | Method, device, equipment, storage medium and system for playing audio and video | |
KR102164686B1 (en) | Image processing method and apparatus of tile images | |
US11825235B2 (en) | Electronic device for processing image and image processing method thereof | |
CN111698512B (en) | Video processing method, device, equipment and storage medium | |
CN115691370A (en) | Display control method and related device | |
CN114630152A (en) | Parameter transmission method and device for image processor and storage medium | |
KR20220016695A (en) | Electronic device and method for image segmentation based on deep learning | |
KR20200069828A (en) | An electronic device and a method for generating an image through synthesis of date acquired using a plurality of pixels having different light-receiving times |