KR20210067699A - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20210067699A
KR20210067699A KR1020190157583A KR20190157583A KR20210067699A KR 20210067699 A KR20210067699 A KR 20210067699A KR 1020190157583 A KR1020190157583 A KR 1020190157583A KR 20190157583 A KR20190157583 A KR 20190157583A KR 20210067699 A KR20210067699 A KR 20210067699A
Authority
KR
South Korea
Prior art keywords
image
artificial intelligence
images
intelligence model
processing
Prior art date
Application number
KR1020190157583A
Other languages
English (en)
Inventor
백광선
김기모
김두현
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190157583A priority Critical patent/KR20210067699A/ko
Priority to EP21202090.3A priority patent/EP3961553B1/en
Priority to EP20166702.9A priority patent/EP3828812B1/en
Priority to US16/842,319 priority patent/US11315227B2/en
Priority to PCT/KR2020/004784 priority patent/WO2021107291A1/en
Priority to CN202010370139.0A priority patent/CN112887788B/zh
Priority to US16/902,379 priority patent/US11138717B2/en
Publication of KR20210067699A publication Critical patent/KR20210067699A/ko
Priority to US17/711,322 priority patent/US11763440B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T5/002—
    • G06T5/003—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

전자 장치가 개시된다. 본 전자 장치는 복수의 이미지가 저장된 메모리 및 복수의 이미지 각각의 품질을 식별하고, 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며, 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 프로세서를 포함하며, 인공 지능 모델은 입력 이미지의 품질을 개선하도록 학습될 수 있다.

Description

전자 장치 및 그 제어 방법 { ELECTRONIC APPARATUS AND CONTROL METHOD THEREOF }
본 개시는 전자 장치 및 그 제어 방법에 대한 것으로, 더욱 상세하게는 적어도 하나의 이미지를 인공 지능 모델을 통해 처리하는 전자 장치 및 그 제어 방법에 대한 것이다.
디스플레이 장치는 다양한 이미지를 포함하는 그래픽(Graphic) 영상을 생성하고, 그래픽 이미지의 화질을 개선하여 디스플레이할 수 있다. 이때, 그래픽 이미지에 포함된 다양한 이미지는 서로 품질이 다를 수 있으며, 그에 따라 화질 개선 처리 과정을 거치면 경우에 따라 일부 이미지의 노이즈가 더 부각되거나 선명도가 낮아지는 부작용이 발생하였다.
예를 들어, 디스플레이 장치는 도 1a의 복수의 썸네일(thumbnail) 이미지를 포함하는 그래픽 이미지를 생성하기 위해, 도 1b에 도시된 바와 같이, 복수의 컨텐츠 제공자 각각으로부터 이미지를 수신하고, 수신된 이미지를 메모리에 저장한다. 그리고, 디스플레이 장치에 구비된 GPU(Graphics Processing Unit)는 복수의 이미지를 포함하는 한 장의 그래픽 이미지를 생성하여 다시 메모리에 저장하며, 이후 그래픽 이미지는 디스플레이 장치의 해상도에 대응되도록 스케일링(scaling)되고, 화질 보정이 수행된 후 디스플레이된다. 여기서, 화질 보정 작업은 노이즈(noise)를 제거하는 작업, 스케일링 동작 후 발생하는 블러(blur) 현상을 보상하기 위한 선명도 개선 작업 등을 포함할 수 있다.
이때, 복수의 컨텐츠 제공자로부터 수신되는 복수의 이미지는 고품질의 이미지와 저품질의 이미지 등 품질이 상이할 수 있다. 즉, 복수의 이미지를 포함하는 그래픽 이미지에 화질 개선 알고리즘을 적용할 경우, 복수의 이미지의 품질이 상이하기 때문에 최적의 화질 개선이 불가능한 문제가 있다. 가령, 노이즈를 제거하는 화질 개선 알고리즘은 저품질의 이미지의 화질 개선에 유리하나 고품질의 이미지의 고주파 영역을 제거하는 문제가 있다. 또는 선명도를 높여주는 화질 개선 알고리즘은 고품질의 이미지의 선명도를 높여주나, 저품질의 이미지의 노이즈를 더욱 부각시키는 문제가 있다.
그에 따라, 그래픽 이미지에 포함된 복수의 이미지가 균일한 품질을 유지하면서도 그래픽 이미지의 화질을 개선할 수 있는 방법을 개발할 필요가 있다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 복수의 이미지를 포함하는 그래픽 이미지를 균일한 품질로 화질 개선하기 위한 전자 장치 및 그 제어 방법을 제공함에 있다.
이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 복수의 이미지가 저장된 메모리 및 상기 복수의 이미지 각각의 품질을 식별하고, 상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며, 상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 프로세서를 포함하며, 상기 인공 지능 모델은 입력 이미지의 품질을 개선하도록 학습될 수 있다.
여기서, 상기 인공 지능 모델은 노이즈를 감소시키도록 학습된 제1 인공 지능 모델 및 선명도를 향상시키도록 학습된 제2 인공 지능 모델을 포함하며, 상기 프로세서는 상기 복수의 이미지 중 제1 이미지에 포함된 노이즈가 임계 노이즈 이상인 것으로 식별되면, 상기 제1 인공 지능 모델을 이용하여 상기 제1 이미지를 처리하며, 상기 복수의 이미지 중 제2 이미지가 선명도가 임계 선명도 미만인 것으로 식별되면, 상기 제2 인공 지능 모델을 이용하여 상기 제2 이미지를 처리할 수 있다.
그리고, 상기 인공 지능 모델은 상이한 강도의 노이즈를 감소시키도록 학습된 제3 인공 지능 모델 및 제4 인공 지능 모델을 포함하며, 상기 프로세서는 상기 복수의 이미지 중 제3 이미지에 포함된 노이즈 강도에 기초하여 상기 제3 인공 지능 모델 또는 상기 제4 인공 지능 모델을 이용하여 상기 제3 이미지를 처리할 수 있다.
또한, 통신 인터페이스를 더 포함하며, 상기 프로세서는 상기 통신 인터페이스를 통해 입력되는 입력 데이터를 디코딩하여 상기 복수의 이미지를 획득하고, 상기 복수의 이미지를 상기 메모리에 저장하며, 상기 입력 데이터에 포함된 메타 데이터에 기초하여 상기 복수의 이미지 각각의 품질을 식별할 수 있다.
그리고, 디스플레이를 더 포함하며, 상기 프로세서는 상기 그래픽 이미지를 상기 디스플레이의 해상도에 대응되도록 처리하고, 상기 처리된 그래픽 이미지를 디스플레이하도록 상기 디스플레이를 제어하며, 상기 처리는 스케일링 처리 또는 화질 개선 처리 중 적어도 하나를 포함할 수 있다.
여기서, 상기 프로세서는 상기 복수의 이미지 각각의 품질을 식별하는 제1 프로세싱 유닛, 상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하는 제2 프로세싱 유닛, 상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 제3 프로세싱 유닛 및 상기 그래픽 이미지를 처리하는 제4 프로세싱 유닛을 포함할 수 있다.
그리고, 상기 제2 프로세싱 유닛은 상기 제4 프로세싱 유닛에 의해 수행되는 처리 및 상기 식별된 품질에 대응되는 인공 지능 모델에 기초하여 상기 복수의 이미지 각각을 처리할 수 있다.
여기서, 상기 제1 프로세싱 유닛은 운영 체제(Operating System)에 기초하여 동작하며, 상기 제2 프로세싱 유닛은 NPU(Neural Processing Unit)이고, 상기 제3 프로세싱 유닛 및 상기 제4 프로세싱 유닛은 기 설정된 동작을 수행할 수 있다.
한편, 상기 메모리는 비디오 컨텐츠를 더 저장하고, 상기 프로세서는 상기 비디오 컨텐츠를 처리하여 비디오 이미지를 획득하고, 상기 비디오 이미지 및 상기 그래픽 이미지를 믹싱하여 출력 이미지를 획득할 수 있다.
그리고, 상기 복수의 이미지는 복수의 컨텐츠 제공자로부터 제공된 이미지일 수 있다.
한편, 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법은 복수의 이미지 각각의 품질을 식별하는 단계, 상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하는 단계 및 상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 단계를 포함하며, 상기 인공 지능 모델은 입력 이미지의 품질을 개선하도록 학습될 수 있다.
여기서, 상기 인공 지능 모델은 노이즈를 감소시키도록 학습된 제1 인공 지능 모델 및 선명도를 향상시키도록 학습된 제2 인공 지능 모델을 포함하며, 상기 처리하는 단계는 상기 복수의 이미지 중 제1 이미지에 포함된 노이즈가 임계 노이즈 이상인 것으로 식별되면, 상기 제1 인공 지능 모델을 이용하여 상기 제1 이미지를 처리하며, 상기 복수의 이미지 중 제2 이미지가 선명도가 임계 선명도 미만인 것으로 식별되면, 상기 제2 인공 지능 모델을 이용하여 상기 제2 이미지를 처리할 수 있다.
그리고, 상기 인공 지능 모델은 상이한 강도의 노이즈를 감소시키도록 학습된 제3 인공 지능 모델 및 제4 인공 지능 모델을 포함하며, 상기 처리하는 단계는 상기 복수의 이미지 중 제3 이미지에 포함된 노이즈 강도에 기초하여 상기 제3 인공 지능 모델 또는 상기 제4 인공 지능 모델을 이용하여 상기 제3 이미지를 처리할 수 있다.
또한, 입력 데이터를 수신하는 단계 및 상기 입력 데이터를 디코딩하여 상기 복수의 이미지를 획득하는 단계를 더 포함하며, 상기 식별하는 단계는 상기 입력 데이터에 포함된 메타 데이터에 기초하여 상기 복수의 이미지 각각의 품질을 식별할 수 있다.
그리고, 상기 그래픽 이미지를 상기 전자 장치에 구비된 디스플레이의 해상도에 대응되도록 처리하는 단계 및 상기 처리된 그래픽 이미지를 디스플레이하는 단계를 더 포함하며, 상기 처리는 스케일링 처리 또는 화질 개선 처리 중 적어도 하나를 포함할 수 있다.
여기서, 상기 식별하는 단계는 제1 프로세싱 유닛에 의해 상기 복수의 이미지 각각의 품질을 식별하고, 상기 인공 지능 모델을 이용하여 처리하는 단계는 제2 프로세싱 유닛에 의해 상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며, 상기 획득하는 단계는 제3 프로세싱 유닛에 의해 상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하고, 상기 디스플레이의 해상도에 대응되도록 처리하는 단계는 제4 프로세싱 유닛에 의해 상기 그래픽 이미지를 처리할 수 있다.
그리고, 상기 인공 지능 모델을 이용하여 처리하는 단계는 상기 제4 프로세싱 유닛에 의해 수행되는 처리 및 상기 식별된 품질에 대응되는 인공 지능 모델에 기초하여 상기 복수의 이미지 각각을 처리할 수 있다.
여기서, 상기 제1 프로세싱 유닛은 운영 체제(Operating System)에 기초하여 동작하며, 상기 제2 프로세싱 유닛은 NPU(Neural Processing Unit)이고, 상기 제3 프로세싱 유닛 및 상기 제4 프로세싱 유닛은 상기 설정된 동작을 수행할 수 있다.
한편, 비디오 컨텐츠를 처리하여 비디오 이미지를 획득하는 단계 및 상기 비디오 이미지 및 상기 그래픽 이미지를 믹싱하여 출력 이미지를 획득하는 단계를 더 포함할 수 있다.
그리고, 상기 복수의 이미지는 복수의 컨텐츠 제공자로부터 제공된 이미지일 수 있다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 복수의 이미지 각각의 품질을 식별하고, 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며, 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득함에 따라, 그래픽 이미지를 화질 개선하더라도 복수의 이미지가 균일한 품질을 유지할 수 있다.
도 1a 및 도 1b는 종래 기술의 문제점을 설명하기 위한 도면들이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블럭도이다.
도 3은 본 개시의 일 실시 예에 따른 프로세서의 동작을 설명하기 위한 도면이다.
도 4 및 도 5는 본 개시의 일 실시 예에 따른 복수의 이미지의 처리 방법을 설명하기 위한 도면들이다.
도 6은 본 개시의 일 실시 예에 따른 비디오 이미지와 그래픽 이미지의 믹싱을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.
본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공 지능 전자 장치)를 지칭할 수 있다.
이하 첨부된 도면들을 참조하여 본 개시의 일 실시 예를 보다 상세하게 설명한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내는 블럭도이다.
전자 장치(100)는 그래픽 이미지를 획득하는 장치로서, TV, 데스크탑 PC, 노트북, 비디오 월(video wall), LFD(large format display), Digital Signage(디지털 간판), DID(Digital Information Display), 프로젝터 디스플레이, DVD(digital video disk) 플레이어, 스마트폰, 태블릿 PC, 모니터, 스마트 안경, 스마트 워치 등과 같이 디스플레이를 구비하고, 획득된 그래픽 이미지를 직접 디스플레이하는 장치일 수 있다. 또는, 전자 장치(100)는 셋탑박스(STB), 스피커, 컴퓨터 본체 등과 같이 디스플레이가 구비되지 않은 장치로서, 획득된 그래픽 이미지를 디스플레이 장치로 제공하는 장치일 수도 있다. 다만, 이에 한정되는 것은 아니며, 전자 장치(100)는 그래픽 이미지를 획득할 수 있는 장치라면 어떠한 장치라도 무방하다.
도 2에 따르면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다. 다만, 이에 한정되는 것은 아니며, 전자 장치(100)는 일부 구성이 제외된 형태로 구현될 수도 있다.
메모리(110)는 복수의 이미지를 저장할 수 있다. 복수의 이미지는 서로 품질이 다를 수 있다. 가령, 복수의 이미지는 각각 복수의 컨텐츠 제공자로부터 제공된 이미지이며, 그에 따라 서로 품질이 다를 수 있다.
메모리(110)는 다양한 인공 지능 모델(Artificial Intelligence Model)에 대한 정보를 저장할 수 있다. 여기서, 인공 지능 모델은 입력 이미지의 품질을 개선하도록 학습된 인공 지능 모델일 수 있다.
예를 들어, 메모리(110)는 노이즈를 감소시키도록 학습된 제1 인공 지능 모델에 대한 정보 및 선명도를 향상시키도록 학습된 제2 인공 지능 모델에 대한 정보를 저장할 수 있다. 여기서, 제1 인공 지능 모델 또는 제2 인공 지능 모델 중 적어도 하나는 복수일 수도 있다. 예를 들어, 메모리(110)는 노이즈 강도에 따라 구분된 복수의 제1 인공 지능 모델을 저장할 수도 있다. 가령, 노이즈 강도가 임계 강도 미만이면 제1 인공 지능 모델 1이 이용되고, 노이즈 강도가 임계 강도 이상이면 제1 인공 지능 모델 2가 이용될 수 있다. 또는, 메모리(110)는 노이즈의 타입에 따라 구분된 복수의 제1 인공 지능 모델을 저장할 수도 있다. 가령, 노이즈 타입이 지글거림(mosquito) 타입이면 제1 인공 지능 모델 3이 이용되고, 노이즈 타입이 컨투어(contour) 타입이면 제1 인공 지능 모델 4가 이용될 수 있다.
메모리(110)는 복수의 이미지 각각이 인공 지능 모델에 적용된 이미지를 저장할 수 있다. 예를 들어, 메모리(110)는 이미지 1 및 이미지 2를 저장할 수 있다. 그리고, 메모리(110)는 이미지 1이 제1 인공 지능 모델에 적용된 이미지 1' 및 이미지 2가 제2 인공 지능 모델에 적용된 이미지 2'를 저장할 수 있다.
메모리(110)는 비디오 컨텐츠를 더 저장할 수도 있다.
메모리(110)는 비휘발성 메모리 및 휘발성 메모리 등으로 구현될 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 메모리(110) 대신 하드디스크가 이용될 수도 있으며, 데이터를 저장할 수 있는 구성이라면 어떠한 구성이라도 가능하다.
프로세서(120)는 전자 장치(100)의 동작을 전반적으로 제어한다. 구체적으로, 프로세서(120)는 전자 장치(100)의 각 구성과 연결되어 전자 장치(100)의 동작을 전반적으로 제어할 수 있다. 예를 들어, 프로세서(120)는 메모리(110), 디스플레이(미도시), 통신 인터페이스(미도시) 등과 같은 구성과 연결되어 전자 장치(100)의 동작을 제어할 수 있다.
일 실시 예에 따라 프로세서(120)는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(120)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
프로세서(120)는 메모리(110)에 저장된 복수의 이미지 각각의 품질을 식별할 수 있다. 예를 들어, 프로세서(120)는 제1 이미지의 노이즈가 임계 노이즈 이상인 이미지로 식별하고, 제2 이미지의 선명도가 임계 선명도 이하인 이미지로 식별할 수 있다.
다만, 이에 한정되는 것은 아니며, 프로세서(120)는 얼마든지 다양한 방식으로 이미지의 품질을 식별할 수도 있다. 예를 들어, 프로세서(120)는 제1 이미지의 노이즈가 제1 임계 노이즈 이상이고 제2 임계 노이즈 미만인 이미지로 식별하고, 제2 이미지의 노이즈가 제2 임계 노이즈 이상인 이미지로 식별할 수도 있다. 또는, 프로세서(120)는 제1 이미지의 노이즈 타입이 지글거림(mosquito) 타입인 이미지이고, 제2 이미지의 노이즈 타입이 컨투어(contour) 타입인 이미지로 식별할 수도 있다.
여기서, 전자 장치(100)는 통신 인터페이스(미도시)를 더 포함하며, 프로세서(120)는 통신 인터페이스를 통해 입력되는 입력 데이터를 디코딩하여 복수의 이미지를 획득하고, 복수의 이미지를 메모리(110)에 저장하며, 입력 데이터에 포함된 메타 데이터에 기초하여 복수의 이미지 각각의 품질을 식별할 수 있다.
예를 들어, 프로세서(120)는 인코딩된 상태로 수신되는 입력 데이터의 헤더 정보로부터 메타 데이터를 획득할 수 있다. 메타 데이터는 입력 데이터에 대응되는 이미지의 압축 강도에 대한 정보를 포함할 수 있다.
다만, 이에 한정되는 것은 아니며, 프로세서(120)는 얼마든지 다양한 방법으로 이미지의 품질을 식별할 수도 있다. 예를 들어, 프로세서(120)는 이미지의 품질을 식별하도록 학습된 인공 지능 모델을 이용하여 이미지의 품질을 식별할 수도 있으며, 이미지의 품질을 식별하는 방법에는 그 제한이 없다. 또한, 프로세서(120)는 이미지의 품질을 좀더 세분화하여 식별할 수도 있다. 예를 들어, 프로세서(120)는 이미지의 선명도가 임계 선명도 미만이고, 이미지가 컨투어 타입의 노이즈를 포함하는 것으로 식별할 수도 있다.
프로세서(120)는 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리할 수 있다.
예를 들어, 인공 지능 모델은 노이즈를 감소시키도록 학습된 제1 인공 지능 모델 및 선명도를 향상시키도록 학습된 제2 인공 지능 모델을 포함하며, 프로세서(120)는 복수의 이미지 중 제1 이미지에 포함된 노이즈가 임계 노이즈 이상인 것으로 식별되면, 제1 인공 지능 모델을 이용하여 제1 이미지를 처리하며, 복수의 이미지 중 제2 이미지가 선명도가 임계 선명도 미만인 것으로 식별되면, 제2 인공 지능 모델을 이용하여 제2 이미지를 처리할 수 있다.
또는, 인공 지능 모델은 상이한 강도의 노이즈를 감소시키도록 학습된 제3 인공 지능 모델 및 제4 인공 지능 모델을 포함하며, 프로세서(120)는 복수의 이미지 중 제3 이미지에 포함된 노이즈 강도에 기초하여 제3 인공 지능 모델 또는 제4 인공 지능 모델을 이용하여 제3 이미지를 처리할 수도 있다.
또는, 인공 지능 모델은 지글거림 타입의 노이즈를 제거하도록 학습된 제5 인공 지능 모델 및 컨투어 타입의 노이즈를 제거하도록 학습된 제6 인공 지능 모델을 포함하며, 프로세서(120)는 복수의 이미지 중 제5 이미지가 지글거림 타입의 노이즈를 포함하면, 제5 인공 지능 모델을 이용하여 제5 이미지를 처리하며, 복수의 이미지 중 제6 이미지가 컨투어 타입의 노이즈를 포함하면, 제6 인공 지능 모델을 이용하여 제6 이미지를 처리할 수도 있다.
또는, 인공 지능 모델은 이미지의 선명도에 따라 복수의 인공 지능 모델로 구분되고, 프로세서(120)는 이미지의 선명도에 따라 대응되는 인공 지능 모델로 이미지를 처리할 수도 있다.
이상과 같이 이미지의 품질은 다양한 카테고리로 구분될 수 있으며, 특별한 제한이 없다. 또한, 프로세서(120)는 이미지의 품질에 따라 복수의 인공 지능 모델을 적용할 수도 있다. 가령, 프로세서(120)는 이미지의 선명도가 임계 선명도 미만이고, 이미지가 컨투어 타입의 노이즈를 포함하면, 제2 인공 지능 모델 및 제6 인공 지능 모델을 순차적으로 이용하여 이미지를 처리할 수도 있다.
또는, 프로세서(120)는 좀더 세분화된 인공 지능 모델을 이용하여 이미지를 처리할 수도 있다. 예를 들어, 인공 지능 모델은 컨투어 타입의 노이즈를 제거하고 선명도를 향상시키는 인공 지능 모델, 컨투어 타입의 노이즈를 제거하고 선명도를 유지시키는 인공 지능 모델, 지글거림 타입의 노이즈를 제거하고 선명도를 향상시키는 인공 지능 모델 및 지글거림 타입의 노이즈를 제거하고 선명도를 유지시키는 인공 지능 모델을 포함할 수 있으며, 프로세서(120)는 이미지의 품질에 따라 대응되는 인공 지능 모델을 이용하여 이미지를 처리할 수도 있다.
프로세서(120)는 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득할 수 있다. 예를 들어, 프로세서(120)는 복수의 이미지가 매트릭스 형태로 배열된 그래픽 이미지를 획득할 수 있다.
전자 장치(100)는 디스플레이(미도시)를 더 포함하며, 프로세서(120)는 그래픽 이미지를 디스플레이의 해상도에 대응되도록 처리하고, 처리된 그래픽 이미지를 디스플레이하도록 디스플레이를 제어할 수 있다. 여기서, 처리는 스케일링 처리 또는 화질 개선 처리 중 적어도 하나를 포함할 수 있다.
다만, 이에 한정되는 것은 아니며, 프로세서(120)는 그래픽 이미지를 외부의 디스플레이 장치의 해상도에 대응되도록 처리하고, 처리된 그래픽 이미지를 외부의 디스플레이 장치로 전송할 수도 있다.
한편, 메모리(110)는 비디오 컨텐츠를 더 저장하고, 프로세서(120)는 비디오 컨텐츠를 처리하여 비디오 이미지를 획득하고, 비디오 이미지 및 그래픽 이미지를 믹싱하여 출력 이미지를 획득할 수 있다.
한편, 프로세서(120)는 복수의 이미지 각각의 품질을 식별하는 제1 프로세싱 유닛, 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하는 제2 프로세싱 유닛, 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 제3 프로세싱 유닛 및 그래픽 이미지를 처리하는 제4 프로세싱 유닛을 포함할 수 있다.
예를 들어, 제1 프로세싱 유닛은 CPU(Central Processing Unit) 등과 같이 운영 체제(Operating System)에 기초하여 동작하며, 제2 프로세싱 유닛은 NPU(Neural Processing Unit)이고, 제3 프로세싱 유닛 및 제4 프로세싱 유닛은 기 설정된 동작을 수행할 수 있다. 가령, 제3 프로세싱 유닛은 DSP(Digital Signal Processor), GPU(Graphics Processing Unit) 등과 같은 신호 처리 전용 프로세싱 유닛이고, 제4 프로세싱 유닛은 스케일링 또는 화질 개선 중 적어도 하나를 수행하는 회로일 수 있다.
NPU(Neural Processing Unit)는 신경망 연산 전용 프로세서로서, 복수의 연산 소자(Processing Element)를 포함할 수 있다. 인접한 연산 소자 간에는 데이터의 일방향 시프트 또는 양방향 시프트가 가능하다.
연산 소자 각각은 기본적으로 곱셈기(multiplier) 및 산술 논리 연산 장치(Arithmetic Logic Unit, ALU)를 포함하며, ALU는 적어도 하나 이상의 가산기(adder)를 포함할 수 있다. 연산 소자는 곱셈기 및 ALU를 이용하여 사칙 연산을 수행할 수 있다. 다만, 이에 한정되는 것은 아니며, 사칙 연산 및 시프트 등과 같은 기능을 수행할 수 있다면 얼마든지 다른 구조로 형성될 수도 있다. 또한, 연산 소자 각각은 데이터를 저장하기 위한 레지스터를 포함할 수 있다.
제2 프로세싱 유닛은 제4 프로세싱 유닛에 의해 수행되는 처리 및 식별된 품질에 대응되는 인공 지능 모델에 기초하여 복수의 이미지 각각을 처리할 수 있다. 예를 들어, 제4 프로세싱 유닛이 스케일링 동작 후 블러 현상을 보상하기 위한 선명도 개선 성능이 뛰어나다면, 제2 프로세싱 유닛은 이미지를 고품질로 제공하기 위한 인공 지능 모델을 이용할 수 있다. 저품질의 이미지가 제4 프로세싱 유닛에 의해 처리될 경우, 노이즈가 증가할 수 있기 때문이다. 또는, 제4 프로세싱 유닛이 노이즈 제거 성능이 뛰어나다면, 제2 프로세싱 유닛은 이미지를 저품질로 제공하기 위한 인공 지능 모델을 이용할 수 있다. 고품질의 이미지가 제4 프로세싱 유닛에 의해 처리될 경우, 고주파 성분이 제거되어 선명도가 낮아질 수 있기 때문이다.
한편, 이상에서는 프로세서(120)가 제1 프로세싱 유닛 내지 제4 프로세싱 유닛을 포함하는 것으로 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 제1 프로세싱 유닛 내지 제4 프로세싱 유닛은 모두 개별적인 칩의 형태로 구현될 수 있다. 또는, 프로세서(120)는 제1 프로세싱 유닛 내지 제3 프로세싱 유닛을 포함하고, 디스플레이가 제4 프로세싱 유닛과 같은 회로를 포함하는 형태로 구현될 수도 있다.
한편, 본 개시에 따른 인공 지능과 관련된 기능은 프로세서(120)와 메모리(110)를 통해 동작된다.
프로세서(120)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공 지능 전용 프로세서인 경우, 인공 지능 전용 프로세서는 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
여기서, 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공 지능 모델은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN(Convolutional Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Network) 또는 심층 Q-네트워크(Deep Q-Networks) 등이 있으나, 이에 한정되는 것은 아니다.
한편, 전자 장치(100)는 디스플레이, 통신 인터페이스를 더 포함할 수도 있다.
디스플레이는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel), micro LED, Laser Display, VR, Glass 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 등으로 구현될 수 있다.
통신 인터페이스는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신 인터페이스는 와이파이 모듈, 블루투스 모듈, 적외선 통신 모듈 및 무선 통신 모듈 등을 포함한다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다.
프로세서(120)는 통신 인터페이스를 이용하여 각종 외부 장치와 통신을 수행할 수 있다. 여기서, 외부 장치는 서버, 블루투스 이어폰, 디스플레이 장치 등을 포함할 수 있다.
와이파이 모듈, 블루투스 모듈은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 모듈이나 블루투스 모듈을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.
적외선 통신 모듈은 시 광선과 밀리미터파 사이에 있는 적외선을 이용하여 근거리에 무선으로 데이터를 전송하는 적외선 통신(IrDA, infrared Data Association)기술에 따라 통신을 수행한다.
무선 통신 모듈은 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다.
그 밖에 통신 인터페이스는 LAN(Local Area Network) 모듈, 이더넷 모듈, 또는 페어 케이블, 동축 케이블 또는 광섬유 케이블 등을 이용하여 통신을 수행하는 유선 통신 모듈 중 적어도 하나를 포함할 수 있다.
통신 인터페이스는 입출력 인터페이스를 더 포함할 수 있다. 입출력 인터페이스는 HDMI(High Definition Multimedia Interface), MHL (Mobile High-Definition Link), USB (Universal Serial Bus), DP(Display Port), 썬더볼트(Thunderbolt), VGA(Video Graphics Array)포트, RGB 포트, D-SUB(D-subminiature), DVI(Digital Visual Interface) 중 어느 하나의 인터페이스일 수 있다.
입출력 인터페이스는 오디오 및 비디오 신호 중 적어도 하나를 입출력 할 수 있다.
구현 예에 따라, 입출력 인터페이스는 오디오 신호만을 입출력하는 포트와 비디오 신호만을 입출력하는 포트를 별개의 포트로 포함하거나, 오디오 신호 및 비디오 신호를 모두 입출력하는 하나의 포트로 구현될 수 있다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 복수의 이미지 각각의 품질을 식별하고, 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며, 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득함에 따라, 그래픽 이미지를 화질 개선하더라도 복수의 이미지가 균일한 품질을 유지할 수 있다.
이하에서는 다양한 도면을 통해 프로세서(120)의 동작을 좀더 구체적으로 설명한다. 이하의 도면에서 각각의 실시 예는 개별적으로 구현될 수도 있고, 조합된 형태로 구현될 수도 있다.
도 3은 본 개시의 일 실시 예에 따른 프로세서(120)의 동작을 설명하기 위한 도면이다.
프로세서(120)는 도 3에 도시된 바와 같이, CPU(310), NPU(320), GPU(330), Graphic Path(340)가 각각 구분된 형태로 구현될 수 있다. 또는, 프로세서(120)는 CPU(310), NPU(320), GPU(330), Graphic Path(340)를 포함하는 하나의 칩으로 구현될 수도 있다.
CPU(310)는 입력 데이터를 디코딩하여 복수의 이미지를 획득하고, 획득된 복수의 이미지를 버퍼에 저장할 수 있다. CPU(310)는 입력 데이터로부터 메타 데이터를 획득할 수 있다. 메타 데이터는 입력 데이터에 대응되는 이미지의 압축 강도에 대한 정보를 포함할 수 있다. CPU(310)는 메타 데이터에 포함된 이미지의 압축 강도에 대한 정보를 버퍼에 저장할 수 있다.
버퍼는 복수의 이미지, 각 이미지의 압축 강도에 대한 정보 및 복수의 인공 지능 모델을 저장할 수 있다.
NPU(320)는 버퍼에 저장된 복수의 이미지 각각을 대응되는 압축 강도에 대한 정보에 따라 선택된 인공 지능 모델을 이용하여 처리할 수 있다. NPU(320)는 복수의 이미지 각각을 인공 지능 모델을 이용하여 처리한 후, 처리된 복수의 이미지를 다시 버퍼에 저장할 수 있다.
NPU(320)에 의해 처리되기 전의 복수의 이미지는 품질이 서로 상이할 수 있으나, NPU(320)에 의해 처리된 복수의 이미지는 품질이 서로 유사할 수 있다.
또한, NPU(320)는 Graphic Path(340)의 성능을 더 고려하여 복수의 이미지 각각을 처리할 인공 지능 모델을 결정할 수 있다. 가령, Graphic Path(340)의 선명도 개선 성능이 뛰어나다면, NPU(320)는 복수의 이미지를 고품질로 제공하기 위한 인공 지능 모델을 이용할 수 있다. 또는, Graphic Path(340)의 노이즈 제거 성능이 뛰어나다면, NPU(320)는 복수의 이미지를 저품질로 제공하기 위한 인공 지능 모델을 이용할 수도 있다.
GPU(330)는 인공 지능 모델에 의해 처리된 복수의 이미지를 포함하는 한 장의 그래픽 이미지를 생성하여 메모리(110)에 저장할 수 있다.
Graphic Path(340)는 그래픽 이미지를 디스플레이의 해상도에 대응되도록 스케일링하고, 화질 개선을 수행할 수 있다. 여기서, 화질 개선은 노이즈의 제거, 선명도 개선 등을 포함할 수 있다.
이상과 같이 그래픽 이미지를 생성하기 전에 그래픽 이미지에 포함될 복수의 이미지를 균일한 품질로 처리함에 따라, 그래픽 이미지에 대한 화질 개선이 이루어지더라도 복수의 이미지의 품질이 균일하게 유지될 수 있다.
도 4 및 도 5는 본 개시의 일 실시 예에 따른 복수의 이미지의 처리 방법을 설명하기 위한 도면들이다.
이미지가 입력되면(S410), 프로세서(120)는 노이즈가 임계 노이즈를 초과하는지 식별할 수 있다(S420). 이미지의 노이즈는 압축에 따른 열화에 기인할 수 있다. 예를 들어, 이미지는 JPEG 표준 정지 영상 압축 방식에 따라 저장 또는 전송되며, 그에 따라 노이즈의 유무는 이미지가 어느 정도로 압축이 되었는지로부터 식별할 수 있다.
압축 노이즈의 제거는 먼저 도 5를 통해 설명한다. 도 5에 도시된 바와 같이, 전자 장치(100)는 정지 영상 압축 디코더(510), 압축 강도 판별기(520), 뉴럴넷 모델 저장 메모리(530), 뉴럴넷 모델 적재기(540), 압축 노이즈 제거 뉴럴넷(550) 및 분배기(560)를 포함할 수 있다. 정지 영상 압축 디코더(510), 압축 강도 판별기(520), 뉴럴넷 모델 적재기(540), 압축 노이즈 제거 뉴럴넷(550) 및 분배기(560) 각각은 프로세서(120)의 일 구성으로서 하드웨어적으로 구현될 수도 있고, 소프트웨어 모듈로서 구현되어 프로세서(120)가 소프트웨어 모듈에 따라 동작하도록 구현될 수도 있다.
정지 영상 압축 디코더(510)는 입력 데이터를 디코딩하여 복수의 이미지를 출력할 수 있다. 그리고, 정지 영상 압축 디코더(510)는 디코딩 과정에서 입력 데이터에 포함된 메타 데이터를 획득할 수 있다. 메타 데이터는 입력 데이터에 대응되는 이미지의 압축 강도에 대한 정보를 포함할 수 있다. 가령, 메타 데이터는 양자화 파라미터를 포함할 수 있다.
정지 영상 압축 디코더(510)는 복수의 이미지를 분배기(560)로 제공하며, 이에 대하여는 분배기(560)와 함께 후술한다.
압축 강도 판별기(520)는 양자화 파라미터에 기초하여 압축 강도를 식별할 수 있다. 예를 들어, 양자화 파라미터를 기설정된 복수의 구간으로 나누고, 각 구간 별로 압축 강도를 숫자로 매핑하여 저장해두며, 압축 강도 판별기(520)는 양자화 파라미터가 입력되면 대응되는 숫자의 압축 강도를 식별할 수 있다.
뉴럴넷 모델 적재기(540)는 뉴럴넷 모델 저장 메모리(530)에 저장된 복수의 인공 지능 모델 중 압축 강도에 대응되는 인공 지능 모델을 독출할 수 있다. 즉, 압축 강도에 따라 사용되는 인공 지능 모델이 달라질 수 있다.
압축 노이즈 제거 뉴럴넷(550)은 독출된 인공 지능 모델을 이용하여 이미지를 처리할 수 있다.
분배기(560)는 정지 영상 압축 디코더(510)로부터 출력되는 디코딩된 이미지 및 압축 노이즈 제거 뉴럴넷(550)로부터 출력되는 처리된 이미지 중 하나를 압축 강도에 기초하여 출력할 수 있다. 예를 들어, 분배기(560)는 압축 강도가 임계 강도 이상이면 압축 노이즈 제거 뉴럴넷(550)로부터 출력되는 처리된 이미지를 출력하고, 압축 강도가 임계 강도 미만이면 정지 영상 압축 디코더(510)로부터 출력되는 디코딩된 이미지를 출력할 수 있다.
한편, 이상에서 복수의 인공 지능 모델은 압축 강도 각각에 따라 압축 및 복원된 이미지를 학습하여 획득될 수 있다.
다시 도 4를 설명하면, 프로세서(120)는 노이즈가 임계 노이즈를 초과하면, 노이즈를 제거할 수 있다(S430). 그리고, 프로세서(120)는 노이즈가 임계 노이즈를 초과하지 않으면, 노이즈 제거 동작을 생략할 수 있다.
프로세서(120)는 이미지의 선명도가 임계 선명도 미만인지 식별할 수 있다(S440). 예를 들어, 프로세서(120)는 이미지를 FFT(fast fourier transform) 처리하여 이미지에 포함되어 있는 주파수 성분에 기초하여 이미지의 선명도가 임계 선명도 미만인지 식별할 수 있다. 가령, 이미지가 업스케일링된 이미지라면 주파수 분포 측면에서 고주파 성분이 적을 수 있고, 원본 이미지라면 고주파 성분이 높을 수 있다. 즉, 프로세서(120)는 고주파 성분의 분포에 기초하여 이미지의 선명도가 임계 선명도 미만인지 식별할 수 있다.
이상에서는 프로세서(120)가 노이즈를 제거하고 선명도를 개선하는 것으로 설명하였으나, 그 순서는 무관하다. 또한, 노이즈의 제거 및 선명도의 개선 중 어느 하나만이 수행될 수도 있다. 또한, 노이즈의 유무 판단 또는 선명도의 정도 판단 중 적어도 하나는 인공 지능 모델을 이용하여 수행될 수도 있다. 가령, 프로세서(120)는 노이즈의 유무를 식별하도록 학습된 인공 지능 모델을 이용하여 이미지가 노이즈를 포함하는지 식별할 수도 있다.
도 6은 본 개시의 일 실시 예에 따른 비디오 이미지와 그래픽 이미지의 믹싱을 설명하기 위한 도면이다. 도 6에 도시된 구성 중 그래픽 이미지를 획득하는 구성은 도 3과 동일하므로 중복 설명은 생략한다.
도 6에 도시된 바와 같이, 전자 장치(100)는 비디오 프로세서(Video Processor, 610) 및 믹서(Mixer, 620)를 더 포함할 수 있다. 비디오 프로세서(Video Processor, 610) 및 믹서(Mixer, 620) 각각은 프로세서(120) 내의 일 구성으로서 하드웨어적으로 구현될 수도 있고, 소프트웨어 모듈로서 구현되어 프로세서(120)가 소프트웨어 모듈에 따라 동작하도록 구현될 수도 있다.
비디오 프로세서(610)는 일종의 DSP(Digital signal processor)로서, 메모리(110)에 저장된 비디오 컨텐츠를 처리하여 비디오 이미지를 획득할 수 있다.
믹서(620)는 비디오 프로세서(610)로부터 출력되는 비디오 이미지 및 Graphic Path(340)로부터 출력되는 그래픽 이미지를 믹싱하여 출력 이미지를 획득할 수 있다. 출력 이미지는 디스플레이를 통해 디스플레이될 수 있다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
먼저, 복수의 이미지 각각의 품질을 식별한다(S710). 그리고, 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리한다(S720). 그리고, 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득한다(S730). 여기서, 인공 지능 모델은 입력 이미지의 품질을 개선하도록 학습될 수 있다.
인공 지능 모델은 노이즈를 감소시키도록 학습된 제1 인공 지능 모델 및 선명도를 향상시키도록 학습된 제2 인공 지능 모델을 포함하며, 처리하는 단계(S720)는 복수의 이미지 중 제1 이미지에 포함된 노이즈가 임계 노이즈 이상인 것으로 식별되면, 제1 인공 지능 모델을 이용하여 제1 이미지를 처리하며, 복수의 이미지 중 제2 이미지가 선명도가 임계 선명도 미만인 것으로 식별되면, 제2 인공 지능 모델을 이용하여 제2 이미지를 처리할 수 있다.
또한, 인공 지능 모델은 상이한 강도의 노이즈를 감소시키도록 학습된 제3 인공 지능 모델 및 제4 인공 지능 모델을 포함하며, 처리하는 단계(S720)는 복수의 이미지 중 제3 이미지에 포함된 노이즈 강도에 기초하여 제3 인공 지능 모델 또는 제4 인공 지능 모델을 이용하여 제3 이미지를 처리할 수 있다.
그리고, 입력 데이터를 수신하는 단계 및 입력 데이터를 디코딩하여 복수의 이미지를 획득하는 단계를 더 포함하며, 식별하는 단계(S710)는 입력 데이터에 포함된 메타 데이터에 기초하여 복수의 이미지 각각의 품질을 식별할 수 있다.
한편, 그래픽 이미지를 전자 장치에 구비된 디스플레이의 해상도에 대응되도록 처리하는 단계 및 처리된 그래픽 이미지를 디스플레이하는 단계를 더 포함하며, 처리는 스케일링 처리 또는 화질 개선 처리 중 적어도 하나를 포함할 수 있다.
여기서, 식별하는 단계(S710)는 제1 프로세싱 유닛에 의해 복수의 이미지 각각의 품질을 식별하고, 인공 지능 모델을 이용하여 처리하는 단계(S720)는 제2 프로세싱 유닛에 의해 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며, 획득하는 단계(S730)는 제3 프로세싱 유닛에 의해 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하고, 디스플레이의 해상도에 대응되도록 처리하는 단계는 제4 프로세싱 유닛에 의해 그래픽 이미지를 처리할 수 있다.
그리고, 인공 지능 모델을 이용하여 처리하는 단계(S720)는 제4 프로세싱 유닛에 의해 수행되는 처리 및 식별된 품질에 대응되는 인공 지능 모델에 기초하여 복수의 이미지 각각을 처리할 수 있다.
여기서, 제1 프로세싱 유닛은 운영 체제(Operating System)에 기초하여 동작하며, 제2 프로세싱 유닛은 NPU(Neural Processing Unit)이고, 제3 프로세싱 유닛 및 제4 프로세싱 유닛은 기 설정된 동작을 수행할 수 있다.
한편, 비디오 컨텐츠를 처리하여 비디오 이미지를 획득하는 단계, 및 비디오 이미지 및 그래픽 이미지를 믹싱하여 출력 이미지를 획득하는 단계를 더 포함할 수 있다.
그리고, 복수의 이미지는 복수의 컨텐츠 제공자로부터 제공된 이미지일 수 있다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 복수의 이미지 각각의 품질을 식별하고, 복수의 이미지 각각을 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며, 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득함에 따라, 그래픽 이미지를 화질 개선하더라도 복수의 이미지가 균일한 품질을 유지할 수 있다.
한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.
한편, 상술한 다양한 실시 예들에 따른 기기의 프로세싱 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 기기에서의 처리 동작을 특정 기기가 수행하도록 한다. 비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100 : 전자 장치 110 : 메모리
120 : 프로세서

Claims (20)

  1. 복수의 이미지가 저장된 메모리; 및
    상기 복수의 이미지 각각의 품질을 식별하고,
    상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며,
    상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 프로세서;를 포함하며,
    상기 인공 지능 모델은,
    입력 이미지의 품질을 개선하도록 학습된, 전자 장치.
  2. 제1항에 있어서,
    상기 인공 지능 모델은,
    노이즈를 감소시키도록 학습된 제1 인공 지능 모델 및 선명도를 향상시키도록 학습된 제2 인공 지능 모델을 포함하며,
    상기 프로세서는,
    상기 복수의 이미지 중 제1 이미지에 포함된 노이즈가 임계 노이즈 이상인 것으로 식별되면, 상기 제1 인공 지능 모델을 이용하여 상기 제1 이미지를 처리하며,
    상기 복수의 이미지 중 제2 이미지가 선명도가 임계 선명도 미만인 것으로 식별되면, 상기 제2 인공 지능 모델을 이용하여 상기 제2 이미지를 처리하는, 전자 장치.
  3. 제1항에 있어서,
    상기 인공 지능 모델은,
    상이한 강도의 노이즈를 감소시키도록 학습된 제3 인공 지능 모델 및 제4 인공 지능 모델을 포함하며,
    상기 프로세서는,
    상기 복수의 이미지 중 제3 이미지에 포함된 노이즈 강도에 기초하여 상기 제3 인공 지능 모델 또는 상기 제4 인공 지능 모델을 이용하여 상기 제3 이미지를 처리하는, 전자 장치.
  4. 제1항에 있어서,
    통신 인터페이스;를 더 포함하며,
    상기 프로세서는,
    상기 통신 인터페이스를 통해 입력되는 입력 데이터를 디코딩하여 상기 복수의 이미지를 획득하고, 상기 복수의 이미지를 상기 메모리에 저장하며,
    상기 입력 데이터에 포함된 메타 데이터에 기초하여 상기 복수의 이미지 각각의 품질을 식별하는, 전자 장치.
  5. 제1항에 있어서,
    디스플레이;를 더 포함하며,
    상기 프로세서는,
    상기 그래픽 이미지를 상기 디스플레이의 해상도에 대응되도록 처리하고,
    상기 처리된 그래픽 이미지를 디스플레이하도록 상기 디스플레이를 제어하며,
    상기 처리는,
    스케일링 처리 또는 화질 개선 처리 중 적어도 하나를 포함하는, 전자 장치.
  6. 제5항에 있어서,
    상기 프로세서는,
    상기 복수의 이미지 각각의 품질을 식별하는 제1 프로세싱 유닛;
    상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하는 제2 프로세싱 유닛;
    상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 제3 프로세싱 유닛; 및
    상기 그래픽 이미지를 처리하는 제4 프로세싱 유닛;을 포함하는, 전자 장치.
  7. 제6항에 있어서,
    상기 제2 프로세싱 유닛은,
    상기 제4 프로세싱 유닛에 의해 수행되는 처리 및 상기 식별된 품질에 대응되는 인공 지능 모델에 기초하여 상기 복수의 이미지 각각을 처리하는, 전자 장치.
  8. 제7항에 있어서,
    상기 제1 프로세싱 유닛은,
    운영 체제(Operating System)에 기초하여 동작하며,
    상기 제2 프로세싱 유닛은,
    NPU(Neural Processing Unit)이고,
    상기 제3 프로세싱 유닛 및 상기 제4 프로세싱 유닛은,
    기 설정된 동작을 수행하는, 전자 장치.
  9. 제1항에 있어서,
    상기 메모리는,
    비디오 컨텐츠를 더 저장하고,
    상기 프로세서는,
    상기 비디오 컨텐츠를 처리하여 비디오 이미지를 획득하고,
    상기 비디오 이미지 및 상기 그래픽 이미지를 믹싱하여 출력 이미지를 획득하는, 전자 장치.
  10. 제1항에 있어서,
    상기 복수의 이미지는,
    복수의 컨텐츠 제공자로부터 제공된 이미지인, 전자 장치.
  11. 전자 장치의 제어 방법에 있어서,
    복수의 이미지 각각의 품질을 식별하는 단계;
    상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하는 단계; 및
    상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하는 단계;를 포함하며,
    상기 인공 지능 모델은,
    입력 이미지의 품질을 개선하도록 학습된, 제어 방법.
  12. 제11항에 있어서,
    상기 인공 지능 모델은,
    노이즈를 감소시키도록 학습된 제1 인공 지능 모델 및 선명도를 향상시키도록 학습된 제2 인공 지능 모델을 포함하며,
    상기 처리하는 단계는,
    상기 복수의 이미지 중 제1 이미지에 포함된 노이즈가 임계 노이즈 이상인 것으로 식별되면, 상기 제1 인공 지능 모델을 이용하여 상기 제1 이미지를 처리하며,
    상기 복수의 이미지 중 제2 이미지가 선명도가 임계 선명도 미만인 것으로 식별되면, 상기 제2 인공 지능 모델을 이용하여 상기 제2 이미지를 처리하는, 제어 방법.
  13. 제11항에 있어서,
    상기 인공 지능 모델은,
    상이한 강도의 노이즈를 감소시키도록 학습된 제3 인공 지능 모델 및 제4 인공 지능 모델을 포함하며,
    상기 처리하는 단계는,
    상기 복수의 이미지 중 제3 이미지에 포함된 노이즈 강도에 기초하여 상기 제3 인공 지능 모델 또는 상기 제4 인공 지능 모델을 이용하여 상기 제3 이미지를 처리하는, 제어 방법.
  14. 제11항에 있어서,
    입력 데이터를 수신하는 단계; 및
    상기 입력 데이터를 디코딩하여 상기 복수의 이미지를 획득하는 단계;를 더 포함하며,
    상기 식별하는 단계는,
    상기 입력 데이터에 포함된 메타 데이터에 기초하여 상기 복수의 이미지 각각의 품질을 식별하는, 제어 방법.
  15. 제11항에 있어서,
    상기 그래픽 이미지를 상기 전자 장치에 구비된 디스플레이의 해상도에 대응되도록 처리하는 단계; 및
    상기 처리된 그래픽 이미지를 디스플레이하는 단계;를 더 포함하며,
    상기 처리는,
    스케일링 처리 또는 화질 개선 처리 중 적어도 하나를 포함하는, 제어 방법.
  16. 제15항에 있어서,
    상기 식별하는 단계는,
    제1 프로세싱 유닛에 의해 상기 복수의 이미지 각각의 품질을 식별하고,
    상기 인공 지능 모델을 이용하여 처리하는 단계는,
    제2 프로세싱 유닛에 의해 상기 복수의 이미지 각각을 상기 식별된 품질에 대응되는 인공 지능 모델을 이용하여 처리하며,
    상기 획득하는 단계는,
    제3 프로세싱 유닛에 의해 상기 처리된 복수의 이미지를 포함하는 그래픽 이미지를 획득하고,
    상기 디스플레이의 해상도에 대응되도록 처리하는 단계는,
    제4 프로세싱 유닛에 의해 상기 그래픽 이미지를 처리하는, 제어 방법.
  17. 제16항에 있어서,
    상기 인공 지능 모델을 이용하여 처리하는 단계는,
    상기 제4 프로세싱 유닛에 의해 수행되는 처리 및 상기 식별된 품질에 대응되는 인공 지능 모델에 기초하여 상기 복수의 이미지 각각을 처리하는, 제어 방법.
  18. 제17항에 있어서,
    상기 제1 프로세싱 유닛은,
    운영 체제(Operating System)에 기초하여 동작하며,
    상기 제2 프로세싱 유닛은,
    NPU(Neural Processing Unit)이고,
    상기 제3 프로세싱 유닛 및 상기 제4 프로세싱 유닛은,
    기 설정된 동작을 수행하는, 제어 방법.
  19. 제11항에 있어서,
    비디오 컨텐츠를 처리하여 비디오 이미지를 획득하는 단계; 및
    상기 비디오 이미지 및 상기 그래픽 이미지를 믹싱하여 출력 이미지를 획득하는 단계;를 더 포함하는, 제어 방법.
  20. 제11항에 있어서,
    상기 복수의 이미지는,
    복수의 컨텐츠 제공자로부터 제공된 이미지인, 제어 방법.
KR1020190157583A 2019-11-29 2019-11-29 전자 장치 및 그 제어 방법 KR20210067699A (ko)

Priority Applications (8)

Application Number Priority Date Filing Date Title
KR1020190157583A KR20210067699A (ko) 2019-11-29 2019-11-29 전자 장치 및 그 제어 방법
EP21202090.3A EP3961553B1 (en) 2019-11-29 2020-03-30 Electronic apparatus and control method thereof
EP20166702.9A EP3828812B1 (en) 2019-11-29 2020-03-30 Electronic apparatus and control method thereof
US16/842,319 US11315227B2 (en) 2019-11-29 2020-04-07 Electronic apparatus and control method thereof
PCT/KR2020/004784 WO2021107291A1 (en) 2019-11-29 2020-04-09 Electronic apparatus and control method thereof
CN202010370139.0A CN112887788B (zh) 2019-11-29 2020-04-30 电子装置及其控制方法
US16/902,379 US11138717B2 (en) 2019-11-29 2020-06-16 Electronic apparatus and control method thereof
US17/711,322 US11763440B2 (en) 2019-11-29 2022-04-01 Electronic apparatus and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190157583A KR20210067699A (ko) 2019-11-29 2019-11-29 전자 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20210067699A true KR20210067699A (ko) 2021-06-08

Family

ID=70058220

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190157583A KR20210067699A (ko) 2019-11-29 2019-11-29 전자 장치 및 그 제어 방법

Country Status (5)

Country Link
US (3) US11315227B2 (ko)
EP (2) EP3961553B1 (ko)
KR (1) KR20210067699A (ko)
CN (1) CN112887788B (ko)
WO (1) WO2021107291A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023214708A1 (ko) * 2022-05-06 2023-11-09 삼성전자 주식회사 영상 처리 장치 및 그 동작 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114981836A (zh) * 2020-01-23 2022-08-30 三星电子株式会社 电子设备和电子设备的控制方法
KR20230007425A (ko) * 2020-04-24 2023-01-12 스펙트럼 옵틱스 아이엔씨. 신경망 지원 카메라 이미지 또는 비디오 처리 파이프라인
WO2022145295A1 (ja) * 2020-12-28 2022-07-07 富士フイルム株式会社 撮像支援装置、撮像装置、撮像支援方法、及びプログラム

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR940010474B1 (ko) 1992-02-25 1994-10-22 삼성전자 주식회사 화질 개선 방법
KR100255636B1 (ko) 1996-06-20 2000-05-01 윤종용 잡음에 적응하는 히스토그램 등화를 이용한 화질 개선회로 및 그 방법
JP2004264920A (ja) 2003-02-26 2004-09-24 Sony Corp サムネイル画像を作成すると共にサイズ変更された画像の画像品質を改善する装置及び方法
JP2006253800A (ja) * 2005-03-08 2006-09-21 Fuji Xerox Co Ltd 画像処理装置、画像処理方法およびプログラム
WO2006099743A1 (en) * 2005-03-25 2006-09-28 Algolith Inc. Apparatus and method for objective assessment of dct-coded video quality with or without an original video sequence
KR100718130B1 (ko) * 2005-06-04 2007-05-14 삼성전자주식회사 디스플레이 구동 장치 및 방법
US7676103B2 (en) * 2005-06-20 2010-03-09 Intel Corporation Enhancing video sharpness and contrast by luminance and chrominance transient improvement
US8659704B2 (en) * 2005-12-20 2014-02-25 Savant Systems, Llc Apparatus and method for mixing graphics with video images
KR101448308B1 (ko) 2008-02-04 2014-10-08 삼성전자주식회사 썸네일 이미지 생성 방법 및 장치
US8340452B2 (en) * 2008-03-17 2012-12-25 Xerox Corporation Automatic generation of a photo guide
KR101457741B1 (ko) 2008-03-20 2014-11-03 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. 썸네일 기반의 이미지 품질 검사
US8447128B2 (en) * 2008-04-07 2013-05-21 Fujifilm Corporation Image processing system
PT2866447T (pt) * 2010-07-30 2016-07-13 Deutsche Telekom Ag Método e aparelho para avaliar a qualidade de uma sequência de vídeo através de sincronização temporária entre o fluxo de entrada de bits encriptado de um descodificador de vídeo com a seuqência de vídeo processada obtida por um descodificador de vídeo externo
US8494983B2 (en) * 2010-11-16 2013-07-23 Microsoft Corporation Object-sensitive image search
US9235875B2 (en) * 2012-11-01 2016-01-12 Google Inc. Image enhancement using learned non-photorealistic effects
US9786255B2 (en) * 2014-05-30 2017-10-10 Nvidia Corporation Dynamic frame repetition in a variable refresh rate system
US20160119672A1 (en) 2014-10-24 2016-04-28 The Nielsen Company (Us), Llc Methods and apparatus to identify media using image recognition
KR101654724B1 (ko) * 2014-11-18 2016-09-22 엘지전자 주식회사 적어도 하나의 메모리를 포함하는 디바이스의 제어 방법 및 스마트 tv
KR102290419B1 (ko) * 2015-01-13 2021-08-18 삼성전자주식회사 디지털 컨텐츠의 시각적 내용 분석을 통해 포토 스토리를 생성하는 방법 및 장치
GB2543429B (en) * 2015-02-19 2017-09-27 Magic Pony Tech Ltd Machine learning for visual processing
US10108883B2 (en) * 2016-10-28 2018-10-23 Intuit Inc. Image quality assessment and improvement for performing optical character recognition
KR102359391B1 (ko) * 2016-11-08 2022-02-04 삼성전자주식회사 디바이스가 이미지를 보정하는 방법 및 그 디바이스
WO2018088794A2 (ko) 2016-11-08 2018-05-17 삼성전자 주식회사 디바이스가 이미지를 보정하는 방법 및 그 디바이스
US10726244B2 (en) * 2016-12-07 2020-07-28 Samsung Electronics Co., Ltd. Method and apparatus detecting a target
US10963676B2 (en) * 2016-12-23 2021-03-30 Samsung Electronics Co., Ltd. Image processing method and apparatus
US10902244B2 (en) * 2017-03-27 2021-01-26 Samsung Electronics Co., Ltd. Apparatus and method for image processing
JP7169094B2 (ja) * 2017-06-01 2022-11-10 株式会社東芝 画像処理システム及び医用情報処理システム
TWI722221B (zh) 2017-07-27 2021-03-21 優派國際股份有限公司 調整輸出影像的方法與多畫面顯示系統
US10957037B2 (en) 2017-09-07 2021-03-23 Siemens Healthcare Gmbh Smart imaging using artificial intelligence
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
KR102033078B1 (ko) 2017-10-30 2019-10-16 에스케이텔레콤 주식회사 화질 측정 기반 영상 처리방법 및 그 장치
US10699663B2 (en) * 2018-02-27 2020-06-30 Tobii Ab Providing an image with a scaler chip in direct communication with an eye tracking device
KR102661826B1 (ko) 2018-02-27 2024-04-26 엘지전자 주식회사 신호 처리 장치 및 이를 구비하는 영상표시장치
US11681001B2 (en) * 2018-03-09 2023-06-20 The Board Of Trustees Of The Leland Stanford Junior University Deep learning method for nonstationary image artifact correction
KR102525159B1 (ko) * 2018-03-19 2023-04-25 삼성전자주식회사 전자 장치, 전자 장치의 이미지 처리 방법 및 컴퓨터 판독 가능 매체
US11234666B2 (en) * 2018-05-31 2022-02-01 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (PET)
TWI678927B (zh) * 2018-09-18 2019-12-01 宏碁股份有限公司 動態調整影像清晰度的方法及其影像處理裝置
CN110163237B (zh) * 2018-11-08 2023-03-14 腾讯科技（深圳）有限公司 模型训练及图像处理方法、装置、介质、电子设备
WO2020126023A1 (en) * 2018-12-21 2020-06-25 Huawei Technologies Co., Ltd. Image processor
JP7302988B2 (ja) * 2019-03-07 2023-07-04 富士フイルムヘルスケア株式会社 医用撮像装置、医用画像処理装置、及び、医用画像処理プログラム
CN111881927B (zh) 2019-05-02 2021-12-21 三星电子株式会社 电子装置及其图像处理方法
KR102210940B1 (ko) 2019-05-02 2021-02-03 삼성전자주식회사 전자 장치 및 그 영상 처리 방법
CN110084317B (zh) * 2019-05-06 2023-04-21 北京字节跳动网络技术有限公司 用于识别图像的方法和装置
CN110120024B (zh) 2019-05-20 2021-08-17 百度在线网络技术（北京）有限公司 图像处理的方法、装置、设备和存储介质
JP7016835B2 (ja) * 2019-06-06 2022-02-07 キヤノン株式会社 画像処理方法、画像処理装置、画像処理システム、学習済みウエイトの製造方法、および、プログラム
CN110290289B (zh) * 2019-06-13 2021-07-09 Oppo广东移动通信有限公司 图像降噪方法、装置、电子设备以及存储介质
CN110166707B (zh) * 2019-06-13 2020-09-25 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备以及存储介质
KR20190104927A (ko) 2019-08-22 2019-09-11 엘지전자 주식회사 사진 영상 제공 장치 및 사진 영상 제공 방법
US20210077060A1 (en) * 2019-09-17 2021-03-18 GE Precision Healthcare LLC System and methods for interventional ultrasound imaging
KR20190119550A (ko) * 2019-10-02 2019-10-22 엘지전자 주식회사 영상의 해상도를 향상시키기 위한 방법 및 장치
KR20210061146A (ko) 2019-11-19 2021-05-27 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20210062477A (ko) 2019-11-21 2021-05-31 삼성전자주식회사 전자 장치 및 그 제어 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023214708A1 (ko) * 2022-05-06 2023-11-09 삼성전자 주식회사 영상 처리 장치 및 그 동작 방법

Also Published As

Publication number Publication date
CN112887788A (zh) 2021-06-01
EP3961553B1 (en) 2024-08-21
US20220230296A1 (en) 2022-07-21
WO2021107291A1 (en) 2021-06-03
US11315227B2 (en) 2022-04-26
EP3961553A1 (en) 2022-03-02
CN112887788B (zh) 2024-04-09
US20210166368A1 (en) 2021-06-03
EP3828812B1 (en) 2023-11-22
US20210166369A1 (en) 2021-06-03
US11763440B2 (en) 2023-09-19
US11138717B2 (en) 2021-10-05
EP3828812A1 (en) 2021-06-02

Similar Documents

Publication Publication Date Title
US11763440B2 (en) Electronic apparatus and control method thereof
US11481586B2 (en) Electronic apparatus and controlling method thereof
US11315222B2 (en) Image processing apparatus and image processing method thereof
KR20210067783A (ko) 전자 장치, 그 제어 방법 및 시스템
US20240221245A1 (en) Display apparatus and image processing method thereof for applying random patches to pixel block
KR102436020B1 (ko) 전자 장치 및 그 제어 방법
KR20210032857A (ko) 전자 장치 및 그 제어 방법
US11778139B2 (en) Electronic apparatus and control method thereof
US20220414828A1 (en) Electronic apparatus, control method thereof and electronic system
US11336905B2 (en) Storing index information for pixel combinations with similarity to a pixel to replace the pixel information
US20220092735A1 (en) Electronic apparatus and controlling method thereof
KR20220036061A (ko) 전자 장치, 그 제어 방법 및 전자 시스템
US20230109358A1 (en) Electronic apparatus and control method thereof
US11817036B2 (en) Display apparatus and control method thereof
US20240013697A1 (en) Display apparatus and control method thereof
KR20240005371A (ko) 잔상 발생을 최소화하기 위한 디스플레이 장치 및 그 제어 방법
KR20230048805A (ko) 전자 장치 및 그 제어 방법