KR20210084230A - 전자 장치 및 이의 제어 방법 - Google Patents

Abstract

전자 장치의 제어 방법이 개시된다. 본 개시에 따른, 전자 장치는 복수의 패널을 포함하는 적층형 디스플레이; 및 서로 다른 시점(view point)의 제1 LF(Light Field) 영상을 획득하고, LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델에 제1 LF 영상을 입력하여 제1 LF 영상 내의 뎁스 정보를 나타내는 복수의 시프팅 파라미터가 각각 적용된 복수의 레이어 스택을 획득하고, 획득된 복수의 레이어 스택 각각을 적층형 디스플레이 상에 순차적으로 반복하여 표시하도록 적층형 디스플레이를 제어하는 프로세서;를 포함하고, 인공지능 모델은 제1 LF 영상에 대한 뎁스 정보를 바탕으로 획득된 복수의 시프팅 파라미터(shifting parameter)가 적용되어 학습된 것을 특징으로 한다.

Description

전자 장치 및 이의 제어 방법{ELECTRONIC APPARATUS AND METHOD FOR CONTROLLING THEREOF}

본 발명은 전자 장치 및 이의 제어 방법에 관한 것으로, 더욱 상세하게는 적층형 디스플레이 장치에 표시하기 위한 영상을 획득하기 위한 전자 장치 및 이의 제어 방법에 관한 것이다.

전자 기술의 발달에 힘입어 다양한 유형의 전자기기가 개발 및 보급 되고 있다. 특히, 일반 가정에서 가장 많이 사용되고 있는 가전 제품 중 하나인 TV와 같은 디스플레이 장치는 최근 수년 간 급속도로 발전하고 있다.

디스플레이 장치의 성능이 고급화면서, 디스플레이 장치에서 디스플레이하는 컨텐츠의 종류도 다양하게 증대되었다. 특히, 최근에는 3D 컨텐츠까지 시청할 수 있는 입체 디스플레이 시스템이 개발되어 보급되고 있다.

입체 디스플레이 시스템은 크게 안경 없이 시청 가능한 무안경식 시스템과, 안경을 착용하여 시청하여야 하는 안경식 시스템으로 분류될 수 있다.

안경식 시스템은 만족스러운 입체감을 제공할 수 있으나, 시청자가 반드시 안경을 사용하여야만 한다는 불편함이 있었다. 이에 비해, 무안경식 시스템은 안경 없이도 3D 이미지를 시청할 수 있다는 장점이 있어, 무안경식 시스템에 대한 개발 논의가 지속적으로 이루어지고 있다.

한편, 기존의 무안경식 시스템의 경우, 서로 다른 시점(view point)으로 촬영한 복수의 LF(Light Field)영상을 이용하거나, 복수의 LF(Light Field)영상을 팩토리제이션 하여 획득한 복수의 레이어를 포함하는 적층형 영상인 레이어 스택을 이용하여, 이미지 렌더링을 수행하였다. 그리고, 종래에는 복수의 LF(Light Field) 영상에 대한 팩토리제이션을 수행하기 위한 NTF(Non-negative tensor factorization)모델 또는 NMF(Non-negative Matric factorization) 모델에 복수의 LF(Light Field) 영상을 입력하여 복수의 LF(Light Field) 복수의 레이어를 포함하는 레이어 스택을 획득하고, 복수의 레이어를 복수의 패널을 포함하는 적층형 디스플레이 상에 동시에 겹쳐서 표시하는 방식으로, 이미지 렌더링이 수행되었다.

다만, 종래 방식에 따른 레이어 스택의 경우, 표현 가능한 뎁스 범위에 한계가 존재 하였다. 또한, 종래 방식에 따라 획득된 레이어 스택을 적층형 디스플레이 상에 표시하는 경우, LF 영상에 비해 영상 품질이 저하되고, 아티팩트(artifact)가 발생되는 문제점이 있었다.

본 개시는 상술한 필요성에 따라 안출된 것으로, 본 개시는 복수의 LF(Light Field) 영상에 포함된 오브젝트에 대한 뎁스 정보를 반영한 레이어 스택을 생성하여, 이미지 렌더링을 수행하는 전자 장치 및 이의 제어 방법을 제공하는 것을 목적으로 한다.

본 개시의 상술한 목적을 달성하기 위한 일 실시 예에 따른 전자 장치는 복수의 패널을 포함하는 적층형 디스플레이; 및 서로 다른 시점(view point)의 제1 LF(Light Field) 영상을 획득하고, LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델에 상기 제1 LF 영상을 입력하여 상기 제1 LF 영상 내의 뎁스 정보를 나타내는 복수의 시프팅 파라미터가 각각 적용된 복수의 레이어 스택을 획득하고, 상기 획득된 복수의 레이어 스택 각각을 상기 적층형 디스플레이 상에 순차적으로 반복하여 표시하도록 상기 적층형 디스플레이를 제어하는 프로세서;를 포함하고, 상기 인공지능 모델은 상기 제1 LF 영상에 대한 뎁스 정보를 바탕으로 획득된 복수의 시프팅 파라미터(shifting parameter)가 적용되어 학습된 것을 특징으로 한다.

그리고, 상기 복수의 레이어 스택은 상기 제1 LF 영상 내의 제1 뎁스 정보를 나타내는 제1 시프팅 파라미터가 적용된 제1 레이어 스택 및 상기 제1 LF 영상 내의 제2 뎁스 정보를 나타내는 제2 시프팅 파라미터가 적용된 제2 레이어 스택을 포함하며, 상기 제1 레이어 스택은 상기 제1 LF 영상 내 제1 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택이며, 상기 제2 레이어 스택은 상기 제1 LF 영상 내 제2 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택인 것을 특징으로 할 수 있다.

그리고, 상기 복수의 레이어 스택은 제3 레이어 스택을 더 포함하며, 상기 프로세서는, 상기 제1 레이어 스택, 상기 제2 레이어 스택 및 상기 제3 레이어 스택을 상기 적층형 디스플레이 상에 순차적으로 반복하여 표시할 수 있다.

그리고, 상기 프로세서는, 상기 복수의 레이어 스택 및 상기 복수의 시프팅 파라미터를 이용하여 제2 LF 영상을 복원하고, 상기 제1 LF 영상과 상기 제2 LF 영상을 비교하여 손실함수를 획득하고, 상기 손실함수를 바탕으로, 상기 인공지능 모델을 학습시킬 수 있다.

그리고, 상기 프로세서는, 상기 복수의 레이어 스택 각각에 상기 복수의 시프팅 파라미터를 각각 적용하여, 상기 복수의 레이어 스택 각각에 대한 복수의 제3 LF 영상을 획득하고, 상기 복수의 제3 LF 영상을 바탕으로, 상기 제2 LF 영상을 복원할 수 있다.

그리고, 상기 인공지능 모델은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나로 구현되는 것을 특징으로 할 수 있다.

그리고, 상기 인공지능 모델이 DNN 모델이면, 상기 손실함수를 통해 상기 DNN 모델의 가중치가 업데이트되는 것을 특징으로 할 수 있다.

그리고, 기 인공지능 모델이 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나이면, 상기 손실함수를 통해 상기 인공지능 모델의 파라미터가 업데이트되는 것을 특징으로 할 수 있다.

그리고, 스테레오 정합(stereo matching) 기법을 통해 상기 제1 LF 영상에서 뎁스 정보를 획득되고, 상기 뎁스 정보를 바탕으로 상기 복수의 시프팅 파라미터가 획득되는 것을 특징으로 할 수 있다.

그리고, 상기 복수의 시프팅 파라미터의 개수는 상기 복수의 레이어 스택의 개수와 동일한 것을 특징으로 할 수 있다.

한편, 본 개시의 상술한 목적을 달성하기 위한 일 실시 예에 따른 전자 장치의 제어 방법은 서로 다른 시점(view point)의 제1 LF(Light Field) 영상을 획득하는 단계; LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델에 상기 제1 LF 영상을 입력하여 상기 제1 LF 영상 내의 뎁스 정보를 나타내는 복수의 시프팅 파라미터가 각각 적용된 복수의 레이어 스택을 획득하는 단계; 및 상기 획득된 복수의 레이어 스택 각각을 적층형 디스플레이 상에 순차적으로 반복하여 표시하는 단계;를 포함하고, 상기 인공지능 모델은 상기 제1 LF 영상에 대한 뎁스 정보를 바탕으로 획득된 복수의 시프팅 파라미터(shifting parameter)가 적용되어 학습된 것을 특징으로 한다.

그리고, 상기 복수의 레이어 스택은 상기 제1 LF 영상 내의 제1 뎁스 정보를 나타내는 제1 시프팅 파라미터가 적용된 제1 레이어 스택 및 상기 제1 LF 영상 내의 제2 뎁스 정보를 나타내는 제2 시프팅 파라미터가 적용된 제2 레이어 스택 을 포함하며, 상기 제1 레이어 스택은 상기 제1 LF 영상 내 제1 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택이며, 상기 제2 레이어 스택은 상기 제1 LF 영상 내 제2 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택인 것을 특징으로 할 수 있다.

그리고, 상기 복수의 레이어 스택은 제3 레이어 스택을 더 포함하며,

상기 표시하는 단계는, 상기 제1 레이어 스택, 상기 제2 레이어 스택 및 상기 제3 레이어 스택을 순차적으로 반복하여 표시하는 단계인 것을 특징으로 할 수 있다.

그리고, 상기 복수의 레이어 스택 및 상기 복수의 시프팅 파라미터를 이용하여 제2 LF 영상을 복원하는 단계; 상기 제1 LF 영상과 상기 제2 LF 영상을 비교하여 손실함수를 획득하는 단계; 및 상기 손실함수를 바탕으로, 상기 인공지능 모델을 학습시키는 단계;를 더 포함할 수 있다.

그리고, 상기 제2 LF 영상을 복원하는 단계는, 상기 복수의 레이어 스택 각각에 상기 복수의 시프팅 파라미터를 각각 적용하여, 상기 복수의 레이어 스택 각각에 대한 복수의 제3 LF 영상을 획득하는 단계; 및 상기 복수의 제3 LF 영상을 바탕으로, 상기 제2 LF 영상을 복원하는 단계;를 더 포함할 수 있다.

그리고, 상기 인공지능 모델은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나로 구현될 수 있다.

그리고, 상기 인공지능 모델이 DNN 모델이면, 상기 손실함수를 통해 상기 DNN 모델의 가중치가 업데이트되는 것을 특징으로 할 수 있다.

그리고, 상기 인공지능 모델이 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나이면, 상기 손실함수를 통해 상기 인공지능 모델의 파라미터가 업데이트되는 것을 특징으로 할 수 있다.

그리고, 스테레오 정합(stereo matching) 기법을 통해 상기 제1 LF 영상에서 뎁스 정보가 획득되고, 상기 뎁스 정보를 바탕으로 상기 복수의 시프팅 파라미터가 획득되는 것을 특징으로 할 수 있다.

그리고, 상기 복수의 시프팅 파라미터의 개수는 상기 복수의 레이어 스택의 개수와 동일한 것을 특징으로 할 수 있다.

도 1a은 본 개시의 일 실시 예에 따른, 전자 장치의 동작을 설명하기 위한 도면이다.
도 1b은 본 개시의 일 실시 예에 따른, 학습된 인공지능 모델을 통해 복수의 레이어 스택을 획득하는 방법을 설명하기 위한 도면이다.
도 1c는 본 개시의 일 실시 예에 따른, 타임 멀티플렉싱 기법을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른, 전자 장치의 구성을 나타내는 블록도 이다.
도 3은 본 개시의 일 실시 예에 따른, 시프팅 파라미터를 획득하기 위한 방법을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른, 팩토리제이션을 수행하기 위한 인공지능 모델을 학습하기 위한 전자 장치의 동작을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 팩토리제이션을 수행하기 위한 인공지능 모델을 나타내는 도면이다.
도 6a는 5x5로 구성된 LF 영상 세트를 나타내는 도면이다.
도 6b는 레이어 스택 내 3장의 영상이 LF 영상 각각에 해당하는 뷰에 따라 시프팅되어 LF 영상이 복원되는 방법에 대한 도면이다.
도 7은 본 개시에 따른, 복수의 레이어 스택 각각에 서로 다른 시프팅 파라미터가 적용되어 LF 영상이 복원되는 과정을 설명하기 위한 도면이다.
도 8은 본 개시에 따른, 학습이 완료된 팩토리제이션을 수행하기 위한 인공지능 모델을 적용하는 과정을 나타내는 도면이다.
도 9a는 본 개시의 일 실시 예에 따른 시프팅 파라미터를 설명하기 위한 도면이다.
도 9b는 본 개시의 일 실시 예에 따른 타임 멀티플렉싱을 적용하기 위한 복수의 레이어 스택을 도시한 도면이다.
도 9c는 본 개시의 일 실시 예에 따른, 타임 멀티플렉싱을 수행하는 방법을 설명하기 위한 도면이다.
도 10은 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법을 나타내는 흐름도이다.
도 11은 본 개시의 일 실시 예에 따른, 학습된 팩토리제이션을 수행하기 위한 인공지능 모델을 학습하는 방법을 나타내는 흐름도이다.

이하에서는 본 개시의 다양한 실시 예를 첨부된 도면을 참조하여 상세히 설명한다.

도 1a은 본 개시의 일 실시 예에 따른, 전자 장치의 동작을 설명하기 위한 도면이다.

본 개시에 따른 전자 장치는 서로 다른 시점(view point)의 제1 LF(Light Field) 영상(110)을 획득할 수 있다. LF(Light Field) 영상이란, LF(Light Field) 카메라를 통해 촬영된 영상으로, LF 카메라는 적어도 하나의 오브젝트를 서로 다른 시점(view point)으로 촬영할 수 있다. 즉, LF 카메라를 통해 적어도 하나의 오브젝트가 복수의 시점(view point)에서 촬영된 복수의 영상 세트가 LF 영상일 수 있다. 따라서, 본 개시에 따른 제1 LF 영상(110)은 적어도 하나의 오브젝트를 LF 카메라로 촬영하여 획득된 복수의 영상 세트일 수 있다.

그리고, 본 개시의 일 실시 예에 따른 전자 장치는 제1 LF 영상(110)에서 시프팅 파라미터 모듈(10)을 통해 복수의 시프팅 파라미터(shifting parameter, (120)를 획득할 수 있다. 시프팅 파라미터 모듈(10)은 LF 영상에 대한 뎁스 정보를 획득하고, 뎁스 정보에 대응되는 복수의 시프팅 파라미터를 획득하기 위한 구성이다. 즉, 복수의 시프팅 파라미터(120)란 LF 영상 내 포함된 대표 뎁스 정보 값을 나타내며, 본 개시에 따른 뎁스 정보를 바탕으로 복수의 시프팅 파라미터(120)가 획득될 수 있다.

일 실시 예로, 뎁스 정보는 LF 영상에 포함된 적어도 하나의 오브젝트간의 거리 정보를 나타내는 정보일 수 있다. 구체적으로, 시프팅 파라미터 모듈(10)을 통해 획득된 시프팅 파라미터를 바탕으로, 복수의 제1 LF 영상(110)에 포함된 적어도 하나의 오브젝트간의 뎁스의 차이가 식별될 수 있다. 예로, 복수의 제1 LF 영상(110)에 포함된 적어도 하나의 오브젝트 중 시프팅 파라미터의 크기가 0인 기준 오브젝트가 설정될 수 있다. 그리고, 복수의 시프팅 파라미터 중 제1 시프팅 파라미터(S1)의 크기가 제2 시프팅 파라미터(S2)의 크기보다 큰 경우, 복수의 제1 LF 영상(110)에 포함된 적어도 하나의 오브젝트 중 제2 시프팅 파라미터(S2)에 대응되는 오브젝트는 제1 시프팅 파라미터(S1)에 대응되는 오브젝트보다 상대적으로 기준 오브젝트와 더 가까울 수 있다.

그리고, 시프팅 파라미터(120)는 본 개시에 따른 복수의 레이어 스택(130-1, 130-2, …, 130-N)에 대응되는 개수만큼 획득될 수 있다. 일 실시 예로, 제1 LF 영상(110)에 포함된 오브젝트의 개수가 N개 인 경우, 복수의 레이어 스택의 개수도 N개일 수 있다. 다만, 이에 한정되지 않고, 복수의 레이어 스택의 개수에 따라서, 복수의 제1 LF 영상(110)에 포함된 오브젝트의 개수가 정해질 수 있다. 즉, 본 개시에 따른 복수의 제1 LF 영상(110)에 포함된 오브젝트의 개수는 복수의 제1 LF 영상(110)에 포함된 실재 물체의 개수에 한정되지 않으며, 오브젝트의 개수는 복수의 제1 LF 영상(110)의 개수에 따라, 복수의 제1 LF 영상(110)에 포함된 실재 물체의 개수보다 많거나 적을 수도 있다. 예로, 도 9a를 참조하면, 하나의 공룡 물체에서 두 개의 시프팅 파라미터(shift1, shift2)를 획득할 수 있다. 제1 LF 영상(110)에 포함된 오브젝트 및 시프팅 파라미터에 대한 구체적인 내용은 도 9a를 통해 후술하도록 한다.

도 1a을 참조하면, 팩토리제이션을 수행하기 위한 인공지능 모델(20)을 통해 획득된 복수의 레이어 스택(130-1, 130-2, …, 130-N)의 개수가 N 개인 경우, 전자 장치는 시프팅 파라미터 모듈(10)을 통해 복수의 제1 LF 영상(110)으로부터 N개의 시프팅 파라미터(120)를 획득할 수 있다. 시프팅 파라미터 모듈(10)에 대해서는 도 3을 통해 상세히 설명하도록 한다.

그리고, 전자 장치는 LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델(20)에 복수의 제1 LF 영상(110) 및 복수의 시프팅 파라미터(120)를 입력하여 복수의 레이어 스택(130-1, 130-2, …, 130-N)을 획득할 수 있다. 인공지능 모델(20)은 복수의 LF(Light Field) 영상을 복수의 레이어 스택으로 변환하기 위한 팩토리제이션(factorization) 모델로, 본 개시에 따른 인공지능 모델(20)은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 또는 NMF(Non-negative Matric factorization) 모델일 수 있다. 그리고, 도 1a의 인공지능 모델(20)은 학습이 완료되지 않은 모델일 수 있으며, 학습 과정을 통해 성능이 향상될 수 있다.

본 개시의 일 실시 예에 따르면, 복수의 레이어 스택(130-1, 130-2, …, 130-N)은 제1 레이어 스택(130-1) 내지 제N 레이어 스택(130-N)으로 구성될 수 있다. 본 개시에 따른, 복수의 레이어 스택(130-1, 130-2, …, 130-N) 각각은 제1 LF 영상에 포함된 적어도 하나의 오브젝트 중 복수의 레이어 스택(130-1, 130-2, …, 130-N) 각각에 적용되는 시프팅 파라미터에 해당되는 오브젝트를 선명하게 표현하기 위한 레이어 스택일 수 있다.

예로, 제1 레이어 스택(130-1)은 제1 시프팅 파라미터(S1)가 적용되어, 복수의 제1 LF 영상에 포함된 오브젝트 중 제1 오브젝트를 선명하게 표현하기 위한 레이어 스택일 수 있다. 즉, 제1 시프팅 파라미터(S1)는 제1 오브젝트에 대한 제1 뎁스 정보를 나타내는 파라미터일 수 있으며, 제1 레이어 스택(130-1)은 제1 LF 영상 내 제1 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택일 수 있다.

그리고, 제2 레이어 스택(130-2) 은 제2 시프팅 파라미터(S2)가 적용되어, 복수의 제1 LF 영상에 포함된 적어도 하나의 오브젝트 중 제2 오브젝트를 선명하게 표현하기 위한 레이어 스택일 수 있다. 즉, 제2 시프팅 파라미터(S2)는 제2 오브젝트에 대한 제2 뎁스 정보를 나타내는 파라미터일 수 있으며, 제2 레이어 스택(130-2)은 제1 LF 영상 내 제2 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택일 수 있다.

그리고, 본 개시의 일 실시 예에 따른 복수의 레이어 스택(130-1, 130-2, …, 130-N) 각각은 복수의 레이어를 포함할 수 있다. 예로, 복수의 레이어 스택(130-1, 130-2, …, 130-N)을 표시하기 위한 적층형 디스플레이 장치의 패널이 3개인 경우, 제1 레이어 스택(130-1)은 3개의 레이어 영상을 포함하며, 제2 레이어 스택(130-2), 제3 레이어 스택(130-3) 및 제N 레이어 스택(130-N) 각각도 3개의 레이어 영상을 포함할 수 있다.

도 1a에서는 복수의 레이어 스택(130-1, 130-2, …, 130-N) 각각이 3개의 레이어를 포함하는 것으로 도시되어 있지만(예로, 도1a를 참조하면 제1 레이어 스택(130-1)은 3개의 레이어를 포함), 본 개시는 이에 한정되지 않으며, 복수의 레이어 스택을 타임 멀티플렉싱(time multiplexing) 기법을 통해 렌더링 하기 위한 전자 장치의 하드웨어의 성능 또는 복수의 레이어 스택을 표시하기 위한 적층형 디스플레이의 패널의 개수에 따라, 복수의 레이어 스택(130-1, 130-2, …, 130-N) 내 각각의 레이어의 개수가 변경될 수 있다.

그리고, 본 개시의 일 실시 예에 따르면, 전자 장치는 인공지능 모델(20)을 통해 획득된 복수의 레이어 스택(130-1, 130-2, …, 130-N)을 LF 영상 형식으로 복원하여 제2 LF 영상(140)을 획득할 수 있다. 그리고, 전자 장치는 제2 LF 영상(140)과 제1 LF 영상(110)을 비교하여 인공지능 모델(20)을 학습시킬 수 있다.

도 1a를 참조하면, 전자 장치는 복수의 레이어 스택(130-1, 130-2, …, 130-N) 및 복수의 시프팅 파라미터(120)를 이용하여 제2 LF 영상(140)을 복원할 수 있다.

제2 LF 영상(140)은 인공지능 모델(20)을 학습시키기 위해 레이어 스택을 LF 영상 형식으로 복원한 영상이다. 구체적으로, 전자 장치는 인공지능 모델(20)에 복수의 시프팅 파라미터(120) 및 복수의 제1 LF 영상(110)을 입력하여, 현재의 인공지능 모델(20)의 성능에 따라 복수의 시프팅 파라미터(120)가 각각 반영된 복수의 제1 레이어 스택(130-1, 130-2, …, 130-N)을 획득할 수 있다. 그리고, 전자 장치는 복수의 레이어 스택(130-1, 130-2, …, 130-N)에 대한 영상의 품질에 관한 정보를 획득하기 위해, 복수의 레이어 스택(130-1, 130-2, …, 130-N) 각각에 대해 시점(view) 별로 복수의 시프팅 파라미터에 따라 시프팅을 수행하여, 제2 LF 영상(140)을 획득할 수 있다. 본 개시의 일 실시 예에 따르면, 제1 LF 영상은 LF(Light Field) 카메라를 통해 촬영된 복수의 영상이며, 제2 LF 영상은 복수의 레이어 스택 및 복수의 시프팅 파라미터를 바탕으로 복수의 레이어 스택을 LF 영상 형식으로 복원한 영상이다.

그리고, 전자 장치는 획득된 복수의 제2 LF 영상(140)을 복수의 제1 LF 영상(110)과 비교하여 복수의 제2 LF 영상(140)의 품질에 관한 정보를 획득하고, 획득된 영상의 품질에 관한 정보를 바탕으로 인공지능 모델(20)을 학습할 수 있다. 본 개시의 일 실시 예에 따르면, 복수의 제2 LF 영상(140)의 품질에 관한 정보는 손실함수(loss function)를 통해 획득될 수 있다. 손실함수(loss fuction)란 인공지능 모델(20)의 현재 학습 상태를 나타내는 지표로, 손실함수를 바탕으로, 팩토리제이션을 수행하기 위한 모델을 학습 시킬 수 있다. 제1 LF 영상(110) 및 제2 LF 영상(140)을 바탕으로 인공지능 모델(20)을 학습시키는 방법 및 손실함수에 대해서는 도 4를 통해 상세히 설명하도록 한다.

도 1a에 따라 인공지능 모델(20)의 학습이 완료되면, 도 1b와 같이 학습된 인공지능 모델(20-1)을 통해 복수의 레이어 스택(135-1, 135-2 ,,, 135-N)을 획득할 수 있다. 도 1b은 본 개시의 일 실시 예에 따른, 학습된 인공지능 모델(20-1)을 통해 복수의 레이어 스택을 획득하는 방법을 설명하기 위한 도면이다.

즉, 도 1b의 학습된 인공지능 모델(20-1)을 통해 획득된 복수의 레이어 스택(135-1, 135-2 ,,, 135-N)은 도 1a의 인공지능 모델(20)보다 성능이 향상된 학습된 인공지능 모델(20-1)을 통해 획득된 복수의 레이어 스택(135-1, 135-2 ,,, 135-N)으로 도 1a의 복수의 레이어 스택(130-1, 130-2 ,,, 130-N)에 비해 시프팅 파라미터가 잘 반영된 레이어 스택들 일 수 있다. 즉, 도 1b의 복수의 레이어 스택(135-1, 135-2 ,,, 135-N)은 복수의 레이어 스택(135-1, 135-2 ,,, 135-N)에 비해 아티팩트가 제거되고, PSNR(Peak to Noise Ratio)이 향상된 레이어 스택들일 수 있다.

그리고, 전자 장치는 학습된 인공지능 모델(20-1)을 통해 획득된 복수의 레이어 스택(135-1 내지 135-N)을 적층형 디스플레이 상에 순차적으로 반복하여 표시하는 타임 멀티플렉싱(time multiplexing) 기법을 통해 이미지 렌더링 작업을 수행할 수 있다.

도 1c는 본 개시의 일 실시 예에 따른, 타임 멀티플렉싱 기법을 설명하기 위한 도면이다. 도 1c를 참조하면, 전자 장치는 학습된 인공지능 모델(20-1)을 통해 획득된 복수의 레이어 스택(135-1 내지 135-N)을 적층형 디스플레이 상에 타임 멀티플렉싱 기법으로 순차적으로 표시할 수 있다. 적층형 디스플레이란 3차원 입체 영상을 제공하기 위한 디스플레이로 복수의 패널로 구성되고, 복수의 패널 각각에 영상이 동시에 표시되어 입체 영상이 제공될 수 있다. 즉, 본 개시에 따른 도 1b의 학습된 인공지능 모델(20-1)을 통해 획득된 복수의 레이어 스택(135-1, 135-2 ,,, 135-N) 중 제1 레이어 스택(135-1) 내 3개의 영상 각각이 적층형 디스플레이 장치의 패널 각각에 동시에 표시되어 입체 영상이 제공될 수 있다.

본 개시에 따른, 타임 멀티플렉싱 기법이란, 학습된 인공지능 모델(20-1)을 통해 획득된 제1 레이어 스택(135-1), 제2 레이어 스택(130-2) 내지 제N 레이어 스택(135-N)을 순서대로 랜더링하여 표시하는 기법이다.

즉, 도 1c를 참조하면, 전자 장치는 학습된 인공지능 모델(20-1)을 통해 획득된 제1 레이어 스택(135-1)을 적층형 디스플레이 상에 t1 시간에 표시할 수 있다. 즉, 적층형 디스플레이의 3개의 패널 각각에 제1 레이어 스택(135-1)에 포함된 3개의 영상 각각을 t1 시간에 표시할 수 있다. 그리고, 전자 장치는 제2 레이어 스택(135-2)을 적층형 디스플레이 상에 t2시간에 표시할 수 있다. 여기서 t1과 t2사이의 시간 간격은 짧은 시간 간격(예로, 0.01초)일 수 있다. 또한, t1과 t2사이의 시간 간격은 적층형 디스플레이의 주사율에 따라 변경될 수 있다.

전자 장치는 이러한 과정을 반복하여, 제N 레이어 스택(135-N)을 적층형 디스플레이 상에 tn 시간에 표시할 수 있다. 그리고, 전자 장치는 tn+1 시간에 제1 레이어 스택(135-1)을 적층형 디스플레이 상에 다시 표시할 수 있다. 즉, 전자 장치는 학습된 인공지능 모델(20-1)을 통해 획득된 복수의 레이어 스택(135-1 내지 135-N)을 반복하여 고속 재생하는 타임 멀티플렉싱 기법을 통해 복수의 레이어 스택을 적층형 디스플레이 상에 표시함으로, 적층형 디스플레이 장치에서 표현 가능한 뎁스의 범위가 증가될 수 있다.

전자 장치는 상술한 과정들을 통해 학습된 인공지능 모델(20-1)을 통해 시프팅 파라미터가 각각 적용된 복수의 레이어 스택(135-1 내지 135-N)을 획득할 수 있다. 즉, 복수의 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보가 반영된 복수의 레이어 스택을 생성하여 표현 가능한 뎁스 범위의 제한이 없어지고, 레이어 스택에 대한 이미지 렌더링에서 발생될 수 있는 아티팩트가 제거될 수 있다.

그리고, 전자 장치는 시프팅 파라미터가 각각 적용된 복수의 레이어 스택을 반복하여 고속 재생하여, 이미지 렌더링을 수행함으로써, PSNR(Peak to Noise Ratio)이 향상된 렌더링 영상을 획득할 수 있다.

도 2는 본 개시의 일 실시 예에 따른, 전자 장치의 구성을 나타내는 블록도 이다.

도 2를 참조하면, 전자 장치(200)는 메모리(210) 및 프로세서(220)를 포함할 수 있다. 본 개시에 따른 전자 장치(200)는 복수의 패널을 포함하는 적층형 디스플레이 장치일 수 있다. 일 실시 예로, 전자 장치(200)가 3개의 패널을 포함하는 적층형 디스플레이 장치인 경우, 전자 장치(200)는 도 1c와 같이 3개의 영상을 포함하는 레이어 스택을 통해 영상을 제공할 수 있다.

메모리(210)는 전자 장치(200)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 메모리(210)에는 적어도 하나의 인스트럭션이 저장될 수 있다. 프로세서(220)는 메모리(210)에 저장된 인스트럭션을 실행함으로써 전자 장치(200)의 동작을 수행할 수 있다.

구체적으로, 메모리(210)는 전자 장치(200)의 적어도 하나의 다른 구성요소에 관계된 명령(instruction) 또는 데이터를 저장할 수 있다. 특히, 메모리(210)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(210)는 프로세서(220)에 의해 액세스되며, 프로세서(220)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(210), 프로세서(220) 내 롬(미도시), 램(미도시) 또는 전자 장치(200)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.

본 개시에 따른 인공지능과 관련된 기능은 프로세서(220)와 메모리(210)를 통해 동작된다.

프로세서(220)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU(Central Processing Unit), AP(application processor) 등과 같은 범용 프로세서, GPU(Graphics Processing Unit). VPU(Visual Processing Unit) 등과 같은 그래픽 전용 프로세서 또는 NPU(Neural Processing Unit) 와 같은 인공지능 전용 프로세서일 수 있다.

하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, 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) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

프로세서(220)는 메모리(210)와 전기적으로 연결되어 전자 장치(200)의 전반적인 동작 및 기능을 제어할 수 있다. 특히, 프로세서(220)는 메모리(210)에 저장된 적어도 하나의 명령어를 실행함으로써, 적어도 하나의 오브젝트를 서로 다른 시점(view point)으로 촬영한 제1 LF 영상을 획득할 수 있다. 본 개시에 따른 제1 LF 영상은 적어도 하나의 오브젝트를 LF 카메라로 촬영하여 획득된 복수의 영상일 수 있다.

그리고, 프로세서(220)는 시프팅 파라미터 모듈(10)을 통해 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득할 수 있다. 즉, 시프팅 파라미터 모듈(10)은 LF 영상에서 뎁스 정보를 획득하고, 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득하기 위한 구성이다.

복수의 시프팅 파라미터란 본 개시에 따른 복수의 제1 LF 영상에 포함된 적어도 하나의 오브젝트간의 거리 정보를 나타내기 위한 파라미터이다. 구체적으로, 시프팅 파라미터 모듈(10)은 스테레오 정합(stereo matching) 기법을 통해 복수의 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 획득할 수 있다. 일 실시 예로, 뎁스 정보는 뎁스 맵(Depth map) 형태가 될 수 있다. 뎁스 맵(Depth map)이란 영상의 각 영역 별 뎁스 정보를 포함하고 있는 테이블을 의미하며, 그리고, 시프팅 파라미터 모듈(10)는 획득한 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득할 수 있다. 구체적으로, 시프팅 파라미터 모듈(10)는 복수의 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 바탕으로 뎁스 맵을 획득하고, 뎁스 맵에서 대표적인 시차(disparity) 정보를 추출하여, 제1 레이어 스택의 개수에 대응되는 개수의 시프팅 파라미터를 획득할 수 있다. 스테레오 정합 기법을 통해 뎁스 정보 및 시프팅 파라미터가 획득되는 방법에 대해서는 도 3을 통해 상세히 설명하도록 한다.

그리고, 프로세서(220)는 인공지능 모델(20)에 제1 LF 영상을 입력하여 복수의 레이어 스택을 획득할 수 있다. 인공지능 모델(20)은 LF 영상을 복수의 레이어 스택으로 변환하기 위한 모델이다. 즉, 인공지능 모델(20)을 통해 팩토리제이션이 수행되어, LF 영상이 적층형 디스플레이 상에 표시하기 위한 레이어 스택으로 변환될 수 있다. 본 개시에 따른 인공지능 모델(20)은 학습이 완료되지 않은 인공지능 모델로, 프로세서(220)는 인공지능 모델(20)에서 획득되는 복수의 레이어 스택을 바탕으로 인공지능 모델(20)을 학습 시킬 수 있다. 구체적으로, 프로세서(220)는 학습이 완료되지 않은 인공지능 모델(20)을 통해 복수의 레이어 스택을 획득하고, 획득된 복수의 레이어 스택 및 복수의 시프팅 파라미터를 이용하여 복수의 제2 LF 영상을 복원할 수 있다. 복수의 제2 LF 영상은 인공 지능 모델(20)을 학습하기 위한 복수의 LF 영상이다. 복수의 제2 LF 영상을 복원하는 방법에 대해서는 도 4를 통해 상세히 설명하도록 한다.

그리고, 프로세서(220)는 복수의 제1 LF 영상 및 복수의 제2 LF 영상을 바탕으로 인공지능 모델(20)을 학습시킬 수 있다. 그리고, 프로세서(220)는 학습된 인공지능 모델(20-1)에 복수의 제1 LF 영상을 입력하여, 복수의 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보가 반영된 복수의 레이어 스택을 획득할 수 있다. 그리고, 프로세서(220)는 학습이 완료된 인공지능 모델(20-1)을 통해 획득된 복수의 레이어 스택을 반복하여 고속 재생하는 타임 멀티플렉싱 기법을 통해, 이미지 렌더링을 수행할 수 있다.

본 개시의 일 실시 예에 따르면, 인공지능 모델(20)은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 또는 NMF(Non-negative Matric factorization) 모델로 구현될 수 있다.

인공지능 모델(20)이 DNN(Deep Neural Network) 모델인 경우, 프로세서(220)는 제1 LF 영상을 학습되지 않은 DNN 모델에 입력하여 복수의 레이어 스택을 획득하고, 복수의 레이어 스택을 제2 LF 영상으로 복원할 수 있다. 그리고, 프로세서(220)는 복수의 제1 LF 영상과 복수의 제2 LF 영상을 비교하여 손실함수(loss fuction)을 획득할 수 있다. 손실함수(loss fuction)란 인공지능 모델의 현재 학습 상태를 나타내는 지표로, 손실함수를 바탕으로, 팩토리제이션을 수행하기 위한 모델을 학습 시킬 수 있다. 구체적으로, 손실함수는 인공지능 모델에 대한 현재 성능의 나쁨을 나타내는 지표로, 인공지능 모델은 손실함수가 감소하는 방향으로 학습될 수 있다. 손실함수에 대한 자세한 내용은 도 4를 통해 설명하도록 한다.

그리고, 프로세서(220)는 획득된 손실함수를 바탕으로 DNN 모델의 가중치를 업데이트 할 수 있다. 그리고, 프로세서(220)는 학습이 완료된 DNN 모델에 제1 LF 영상을 입력하여 적층형 디스플레이 장치에 표시하기 위한 제2 레이어 스택을 획득할 수 있다.

인공지능 모델(20)이 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 중 하나인 경우, 프로세서(220)는 제1 LF 영상을 학습되지 않은 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 중 하나의 모델에 입력하여 복수의 레이어 스택을 획득할 수 있다. 인공지능 모델(20)이 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 중 하나인 경우, 프로세서(220)는 제1 LF 영상과 제2 LF 영상을 비교하여 손실함수(loss fuction)을 획득할 수 있다. 그리고, 프로세서(220)는 획득된 손실함수를 바탕으로 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 복수의 제1 LF 영상이 입력된 모델의 파라미터를 업데이트 할 수 있다.

그리고, 프로세서(220)는 제1 LF 영상을 학습이 완료된 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 중 하나의 모델에 입력하여 적층형 디스플레이 상에 표시하기 위한 복수의 레이어 스택을 획득할 수 있다.

일 실시 예로, 전자 장치(200)는 적층형 디스플레이(미도시)를 더 포함할 수 있다. 일 예로, 적층형 디스플레이 복수의 디스플레이 패널을 포함할 수 있다. 복수의 디스플레이 패널은 LCD(Liquid Crystal Display) 패널로 구현될 수 있으며, 이 경우, 적층형 디스플레이는 백라이트를 더 포함할 수 있다. 백라이트는 디스플레이 패널에 빛을 조사하기 위한 구성이다. 즉, 백라이트 유닛은 복수의 디스플레이 패널 상에 빛을 조사하기 위한 구성이다.

일 실시 예로, 적층형 디스플레이가 백라이트 유닛을 포함하고, 제1 디스플레이 패널, 제2 디스플레이 패널 및 제3 디스플레이 패널을 포함하는 경우, 제1 디스플레이 패널은 백라이트 유닛 상에 적층될 수 있다. 그리고, 제2 디스플레이 패널은 제1 디스플레이 패널 상에 적층되며, 제3 디스플레이 패널은 제2 디스플레이 패널 상에 적층될 수 있다.

백라이트는 도광판, 광학 시트 및 광원을 포함할 수 있으며, 광원은 LED(발광 다이오드: Light Emitting Diode) 또는 CCFL(냉음극관: Cold Cathode Flourescent Lamp)으로 구현될 수 있다. 또한, 백라이트는 광원이 도광판의 측면에 배치되어 디스플레이 패널에 광을 간접적으로 조사하는 에지형(Edge-Lit type)으로 구현되거나, 광원이 디스플레이 패널의 후방에 배치되는 직하형(Direct-Lit type)으로 구현될 수 있다.

또 다른 실시 예로, 복수의 디스플레이 패널은 OLED(Organic Light Emitting Diodes) 패널로도 구현될 수 있다. 복수의 디스플레이 패널이 OLED(Organic Light Emitting Diodes) 패널로 구현되는 경우, 적층형 디스플레이는 백라이트를 포함하지 않을 수 있다. 즉, 백라이트 없이 각각의 OLED(Organic Light Emitting Diodes) 패널 자체에서 빛이 조사될 수 있다.

도 3은 본 개시의 일 실시 예에 따른, 시프팅 파라미터를 획득하기 위한 방법을 설명하기 위한 도면이다.

도 3을 참조하면, 전자 장치(200)는 제1 LF 영상(310)에서 시프팅 파라미터 모듈(10)을 통해 제1 복수의 시프팅 파라미터(320)을 획득할 수 있다. 우선, 전자 장치(200)는 제1 LF 영상(310)을 획득할 수 있다. 제1 LF 영상(310)은 적어도 하나의 오브젝트를 서로 다른 시점(view point)으로 촬영한 복수의 LF 영상일 수 있다.

그리고, 전자 장치(200)는 시프팅 파라미터 모듈(10)을 통해 제1 LF 영상 내 적어도 하나의 오브젝트에 대한 뎁스 정보를 획득할 수 있다. 본 개시의 일 실시 예에 따르면, 전자 장치(200)는 시프팅 파라미터 모듈(10)을 통해 스테레오 정합(stereo matching) 기법을 이용하여 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 획득할 수 있다. 스테레오 정합(stereo matching) 기법이란, 적어도 하나의 오브젝트를 서로 다른 시점(view point)으로 촬영한 복수의 영상을 바탕으로, 복수의 영상에 포함된 적어도 하나의 오브젝트간의 거리를 계산하기 위한 기법이다. 구체적으로, 스테레오 정합 기법은 적어도 하나의 오브젝트에 대해 서로 다른 시점(view point)으로 촬영된 복수의 영상 중 하나의 기준 영상을 설정하고, 기준 영상에서의 한 영역에 대응되는 동일한 영역을 다른 복수의 영상에서 찾아 영상에 포함된 깊이 정보를 획득하는 기법이다. 즉, 스테레오 정합 기법을 통해 적어도 하나의 오브젝트에 대해 서로 다른 시점(view point)으로 촬영된 복수의 영상의 시차(disparity) 정보를 획득할 수 있다. 특히, 스테레오 정합 기법은 2차원으로 촬영된 복수의 영상을 바탕으로, 복수의 영상의 3차원 깊이 정보를 획득하기 위해 사용될 수 있다.

일 실시 예로, 전자 장치(200)는 시프팅 파라미터 모듈(10)을 통해 스테레오 정합 기법을 이용해 제1 LF 영상(310)의 각 영역 별 뎁스 맵을 획득할 수 있다. 뎁스 맵(Depth map)이란 영상의 각 영역 별 뎁스 정보를 포함하고 있는 테이블을 의미한다. 구체적으로, 전자 장치(200)는 시프팅 파라미터 모듈(10)을 통해 스테레오 정합 기법을 이용하여 제1 LF 영상(310) 중 하나의 LF 영상을 기준 영상으로 설정하고, 하나의 기준 영상에서의 한 영역과, 다른 복수의 영상에서 기준 영상의 한 영역에 대응되는 부분의 위치 차이를 나타내는 시차(disparity) 정보를 포함하는 뎁스 맵(315)을 획득할 수 있다.

그리고, 전자 장치(200)는 획득된 뎁스 맵을 바탕으로 시프팅 파라미터 모듈(10)을 통해 복수의 시프팅 파라미터(320)를 획득할 수 있다. 즉, 전자 장치는 획득된 뎁스 맵에서의 대표적인 시차(disparity) 정보를 복수의 제1 레이어 스택의 개수에 대응되는 수만큼 추출하여 복수의 시프팅 파라미터(320)를 획득하거나, 뎁스 맵에서 추출된 시차(disparity) 정보를 보간(scaling)한 값을 시프팅 파라미터(320)로 획득할 수 있다. 본 개시에 따른, 시프팅 파라미터(320) 값은 정수(integer) 또는 실수(real number)일 수 있다.

상술한 과정을 통해, 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보가 획득되고, 뎁스 정보를 바탕으로, 복수의 제1 레이어 스택에 대응되는 개수의 시프팅 파라미터가 획득될 수 있다.

도 4는 본 개시의 일 실시 예에 따른, 팩토리제이션을 수행하기 위한 인공지능 모델을 학습하기 위한 전자 장치의 동작을 설명하기 위한 도면이다.

도 4를 참조하면, 우선 전자 장치(200)는 제1 LF 영상(410)을 획득할 수 있다. 그리고, 전자 장치(200)는 팩토리제이션을 수행하기 위한 인공지능 모델(400)에 제1 LF 영상(410)을 입력하여, 복수의 레이어 스택(430-1, 430-2, 430-3)을 획득할 수 있다. 인공지능 모델(400)은 복수의 LF(Light Field) 영상을 복수의 레이어 스택으로 변환하기 위한 모델로, 본 개시에 따르면, 전자 장치(200)는 인공지능 모델(400)을 통해 획득한 복수의 레이어 스택을 반복하여 고속 재생하는 타임 멀티플렉싱(time multiplexing) 기법을 통해 이미지 렌더링을 수행할 수 있다. 본 개시의 일 실시 예에 따른, 인공지능 모델(400)은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 또는 NMF(Non-negative Matric factorization) 모델일 수 있다.

도 4에 따르면, 복수의 레이어 스택은 제1 레이어 스택(430-1), 제2 레이어 스택(430-2) 및 제3 레이어 스택(430-3)을 포함할 수 있다. 도 4에서는 복수의 제1 레이어 스택이 3개의 레이어 스택으로 구성된 것으로 도시되어 있지만, 이에 한정되지 않고, 복수의 레이어 스택을 타임 멀티플렉싱(time multiplexing) 기법을 통해 렌더링 하기 위한 전자 장치의 하드웨어의 성능에 따라, 복수의 제1 레이어 스택의 개수가 변경될 수 있다.

제1 레이어 스택(430-1), 제2 레이어 스택(430-2) 및 제3 레이어 스택(430-3) 각각은 3개의 레이어 영상을 포함할 수 있다. 즉, 제1 레이어 스택(430-1) 내지 제3 레이어 스택(430-N)은 3개의 패널을 포함하는 적층형 디스플레이 장치 각각에 표시하기 위한 3개의 레이어 영상을 포함할 수 있다.

그리고, 전자 장치는 도 3에서 설명한 방법을 통해 제1 LF 영상(410)에서 3개의 시프팅 파라미터(s1, s2, s3)를 획득하고, 복수의 레이어 스택(430-1, 430-2, 430-3) 각각에 시프팅 파라미터(s1, s2, s3)를 각각 적용하여 복수의 레이어 스택(430-1, 430-2, 430-3) 각각에 대한 복수의 제3 LF 영상(435-1, 435-2, 435-3)을 복원할 수 있다. 구체적으로, 복수의 제3 LF 영상(435-1, 435-2, 435-3)은 복수의 레이어 스택(430-1, 430-2, 430-3)이 복수의 LF 영상 형식으로 복원된 영상이다.

복수의 제3 LF 영상(435-1, 435-2, 435-3)은 복수의 제3-1 LF 영상(435-1), 복수의 제3-2 LF 영상(435-2) 및 복수의 제 3-3 LF 영상(435-3)을 포함할 수 있다.

구체적으로, 복수의 제3-1 LF 영상(435-1)은 제1 레이어 스택(430-1)에서 시프팅 파라미터 s1이 적용되어, 제1 레이어 스택(430-1)이 복수의 LF 영상 형식으로 복원된 영상이며, 복수의 제3-2 LF 영상(435-2)은 제2 레이어 스택(430-2)에서 시프팅 파라미터 s2가 적용되어, 제2 레이어 스택(430-2)이 복수의 LF 영상 형식으로 복원된 영상이다. 그리고, 복수의 제3-3 LF 영상(435-3)은 제3 레이어 스택(430-3)에서 시프팅 파라미터 s3이 적용되어, 제3 레이어 스택(430-3)이 복수의 LF 영상 형식으로 복원된 영상이다. 복수의 레이어 스택 각각에 복수의 시프팅 파라미터가 적용되어 LF 영상이 복원되는 구체적인 방법에 대해서는 도 6a 및 도 6b를 통해 상술하도록 한다.

그리고, 전자 장치는 복원된 복수의 제3 LF 영상(435-1, 435-2, 435-3)을 바탕으로, 복수의 제2 LF 영상(440)을 획득할 수 있다. 복수의 제2 LF 영상(440)은 복수의 제3-1 LF 영상(435-1), 복수의 제3-2 LF 영상(435-2) 및 복수의 제3-3 LF 영상(435-3)들의 평균 값을 바탕으로 복원된 복수의 LF 영상일 수 있다. 구체적으로, 복수의 제2 LF 영상(440)은 복수의 제3-1 LF 영상(435-1), 복수의 제3-2 LF 영상(435-2) 및 복수의 제3-3 LF 영상(435-3)에 포함된 픽셀 값들을 각각 평균 내어 합친 영상일 수 있다.

그리고, 전자 장치는 복원된 복수의 제2 LF 영상(440) 및 제1 LF 영상(410)을 바탕으로 인공지능 모델(400)을 학습할 수 있다.

본 개시에 따른 일 실시 예에 따르면, 전자 장치는 복원된 복수의 제2 LF 영상(440) 및 제1 LF 영상(410)을 비교하여 손실함수(loss function)를 획득하고, 획득된 손실함수를 바탕으로, 인공지능 모델(400)을 학습할 수 있다.

구체적으로, 인공지능 모델(400)이 DNN 모델인 경우, 손실함수를 바탕으로 DNN 모델의 가중치를 업데이트할 수 있다. 또한, 팩토리제이션을 수행하기 위한 인공지능 모델(400)이 NTF(Non-negative tensor factorization)모델 또는 NMF(Non-negative Matric factorization) 모델인 경우, 손실함수를 바탕으로, NTF(Non-negative tensor factorization)모델 또는 NMF(Non-negative Matric factorization) 모델의 파라미터를 업데이트 할 수 있다.

본 개시에 따른 손실함수를 획득하는 방법은, 평균 제곱의 오차를 이용하여 손실함수를 계산하는 Mean squared error 방법, 영상에 대한 화질을 측정하여 손실함수를 계산하는 SSIM(structural similarity index) 방법, 최소절대편차(least absolute deviations) 또는 최소절대오차(least absolute errors)를 이용하여 손실함수를 계산하는 L1 norm 방법 및 최소제곱오차(least squares errors)를 이용하여 손실함수를 계산하는 L2 norm 방법 등이 있다. 다만, 이에 한정되지 않고, 상술한 방법을 조합하여 이용하거나, 다른 방법에 의해서도 손실함수가 획득될 수 있다.

그리고, 전자 장치는 획득한 손실함수를 감소시키는 방향으로, 인공지능 모델(400)을 학습시킬 수 있다.

상술한 과정을 통해, 팩토리제이션(factorization)을 수행하기 위한 인공지능 모델(400)이 학습되고, 학습된 인공지능 모델에 제1 LF 영상을 입력하는 경우, 복수의 시프팅 파라미터가 반영된 복수의 제2 레이어 스택이 획득될 수 있다.

도 5는 본 개시의 일 실시 예에 따른 팩토리제이션을 수행하기 위한 인공지능 모델이 DNN 모델인 경우를 나타내는 도면이다.

도 5를 참조하면, 본 개시의 일 실시 예에 따른, 팩토리제이션을 수행하기 위한 인공지능 모델은 인코더(encoder) 및 디코더(decoder)를 포함하는 DNN((Deep Neural Network) 모델(500)일 수 있다. 본 개시의 일 실시 예에 따른, DNN 모델(500)의 인코더(500-1)에는 제1 LF 영상(510)이 입력될 수 있으며, 디코더(500-2)는 제1 LF 영상(510)에 대한 복수의 제1 레이어 스택(520-1, 520-2, 520-3)을 출력할 수 있다. 그리고, 각각의 인코더(500-1) 및 디코더(500-2)는 컨볼루션 층(convolutional layer)을 포함할 수 있다. 컨볼루션 층(convolutional layer)은 컨볼루션 층에 입력되는 데이터에 대한 합성곱 연산을 처리하는 계층으로, 주로, 영상 또는 이미지처럼 형상을 가진 데이터를 처리하기 위해 사용될 수 있다.

전자 장치는 팩토리제이션을 수행하기 위한 DNN 모델(500)에 제1 LF 영상을 입력하여, 제1 LF 영상에 대한 복수의 제1 레이어 스택(520-1, 520-2, 520-3)을 획득할 수 있다. 그리고, 전자 장치는 도 4에서 상술한 손실함수를 바탕으로, 팩토리제이션을 수행하기 위한 DNN 모델(500)의 가중치를 업데이트 하여, 팩토리제이션을 수행하기 위한 DNN 모델(500)을 학습할 수 있다.

도 6a는 5x5로 구성된 LF 영상 세트를 나타내는 도면이다. 도 6a의 LF 영상(600)는 본 개시의 일 실시 예에 따른, 복수의 레이어 스택 중 어느 하나의 레이어 스택 및 해당 레이어 스택에 대응되는 시프팅 파라미터(Sn)를 이용하여 복원된 (제2) LF 영상(600)일 수 있다. 즉, 본 개시에 따른 제2 LF 영상(600)은 도 6a와 같이 25개의 시점(view)에서 촬영된 것으로 복원된 복수의 영상을 포함할 수 있다.

일 실시 예로, 하나의 레이어 스택은 도 6b와 같이 3개의 레이어 영상(610, 620, 630)를 포함할 수 있으며, 3개의 레이어 영상 (610, 620, 630)에서 시점(view) 별로 시프팅 파라미터(Sn)가 각각 상이하게 적용되어 LF 영상(600)가 복원될 수 있다. 즉, 본 개시에 따르면, 시점(view) 단위 별로 각각 상이한 시점(view) 간 디스페리티가 적용되어 제2 LF 영상(600)가 획득될 수 있다. 시점(view) 간 디스페리티란 본 개시에 따른 렌더링된 레이어 스택을 바라보는 사용자의 시점(view)에 따른 뎁스 차를 나타내는 척도로, 사용자의 시점 별 시점 간 디스페리티가 적용된 시프팅 파라미터에 따라 제2 LF 영상(600)이 복원될 수 있다. 즉, 도 6a의 제2 LF 영상(600)은 서로 다른 시점에서 레이어 스택에 포함된 적어도 하나의 오브젝트를 촬영된 것으로 복원된 복수의 영상 세트를 포함할 수 있다. 일 실시 예로, 제2 LF 영상(600)은 레이어 스택에 포함된 적어도 하나의 오브젝트를 정면 시점 (2,2)에서 촬영된 것으로 복원된 (2,2) 뷰 영상을 포함할 수 있다. 즉, (2, 2) 뷰 영상은 사용자가 적층형 디스플레이 장치를 통해 렌더링된 레이어 스택을 정면에서 바라보는 것으로 복원된 영상일 수 있다. 이 경우, 레이어 스택에 포함된 레이어들 간의 정면 시점에 따른 뎁스 차는 없으므로, (2, 2) 뷰 영상에서의 시점 간 디스페리티를 (0, 0)으로 설정할 수 있다. 그리고, 제1 레이어 스택에서 (0, 0)의 시점 간 디스페리티가 적용되어, 레이어 스택 내 영상들의 시프팅 없이 (2, 2) 뷰 영상이 복원될 수 있다.

그리고, 제2 LF 영상(600)은 레이어 스택에 포함된 적어도 하나의 오브젝트를 정면 (2,2) 기준에서 y 축으로 -2 시점(view) 간격, x축으로 -2 시점(view) 간격 떨어진 시점에서 촬영된 것으로 복원된 (0,0) 뷰 영상(600-1)을 포함할 수 있다. 즉, (0, 0) 뷰 영상(600-1)은 사용자가 적층형 디스플레이 장치를 통해 렌더링된 레이어 스택을 정면 시점 기준 y축으로 -2 시점(view) 간격, x축으로 -2(view) 간격 떨어진 시점에서 바라보는 것으로 복원된 영상일 수 있다. 이 경우, 레이어 스택에 포함된 레이어들 간의 시점 간 디스페리티를 (2, 2)로 설정할 수 있다. 그리고, 제1 레이어 스택에서 (2, 2)의 시점 간 디스페리티에 따라 제1 레이어 스택의 전면 레이어 및 후면 레이어가 시프팅되어 (0, 0) 뷰 영상(600-1)이 복원될 수 있다.

도 6a에서는 제2 LF 영상이 25개의 시점(view)에서 촬영된 것으로 복원된 25개의 영상을 포함하는 것으로 도시되어 있으나, 이에 한정되지 않고, 제2 LF 영상이 16개, 36개, 49개, 64개 등 (n*n)개의 영상을 포함할 수 있다.

또한, 도 6a에서는 하나의 레이어 스택만을 통해 제2 LF 영상이 복원되는 것으로 설명하였으나, 이에 한정되지 않는다. 즉, 일 실시 예로, 전자 장치(200)는 제1 레이어 스택을 통해 제3-1 LF 영상을 복원하고, 제2 레이어 스택을 통해 제3-2 LF 영상을 복원하고, 제N 레이어 스택을 통해 제3-N LF 영상을 복원하여, N개의 LF 영상 세트를 포함하는 복수의 제3 LF 영상을 획득할 수 있다. 그리고, 전자 장치(200)는 복수의 제3 LF 영상에 포함된 N개의 LF 영상들을 통해, 하나의 제2 LF 영상을 획득할 수 있다. 복수의 제3 LF 영상에 포함된 N개의 LF 영상들을 통해, 하나의 제2 LF 영상을 획득하는 구체적인 방법에 대해서는 도 7을 통해 후술하도록 한다.

도 6b는 레이어 스택내 3장의 영상이 LF 영상 각각에 해당하는 뷰에 따라 시프팅되어 LF 영상이 복원되는 방법에 대한 도면이다. 도 6b는 레이어 스택에 포함된 3개의 레이어 영상(610, 620, 630)을 도시하고 있으며, 레이어 스택은 후면 레이어 영상(610), 중간 레이어 영상(620) 및 전면 레이어 영상(630)를 포함할 수 있다.

그리고, 본 개시의 일 실시 예에 따른, 인공지능 모델(20)에 대한 학습을 수행하기 위해, 전자 장치(200)는 레이어 스택에 포함된 후면 레이어 영상(610), 중간 레이어 영상(620) 및 전면 레이어 영상(630) 각각에 시점(view) 간 디스페리티에 따라 시프팅 파라미터를 적용하여, 후면 레이어 영상(610), 중간 레이어 영상(620) 및 전면 레이어 영상(630)이 포함된 레이어 스택을 제2 LF 영상(600)으로 복원할 수 있다. 그리고, 전자 장치는 복원된 제2 LF 영상(600) 및 제1 LF 영상을 바탕으로 팩토리제이션을 수행하기 위한 인공지능 모델을 학습할 수 있다.

본 개시에 따르면, 시점(view)간 디스페리티에 따라 LF 영상 내 각각의 뷰 영상의 시프팅 파라미터의 계수가 결정될 수 있다. 일 실시 예로, 정면 시점(view)을 나타내는 (2, 2) 뷰 LF 영상은 (0, 0) 뷰 기준 y축으로 +2, x축으로 +2 뷰 이동된 뷰 LF 영상으로, 모든 레이어 영상이 시프팅 되지 않을 수 있다. 즉, 시프팅 파라미터 계수에 대한 기준점은 정면 시점(view)인 (2, 2) 뷰 LF 영상이 되며, (2, 2) LF 뷰 영상에서는 시점 간 디스페리티가 (0, 0)이 될 수 있다. 그리고, 본 개시에 따르면, 중간 레이어(620)는 시프팅의 기준이 되는 레이어로 시프팅되지 않을 수 있다. 따라서, 중간 레이어(620)에는 시프팅 파라미터가 적용되지 않을 수 있다. 그리고, 시점(view)에 따라 후면 레이어(610) 및 전면 레이어(630)에 대한 시프팅 파라미터(Sn)의 계수가 달라질 수 있다. 일 실시 예로, 일 실시 예로, (0, 0) 시점(view)을 나타내는 (0,0) 뷰 LF 영상(600-1)에는 (2, 2)의 시점 간 디스페리티가 적용되어, 후면 레이어(610)에 (-2, -2)로 시프팅 파라미터(Sn)의 계수가 적용되고, 전면 레이어(630)에는 (+2, +2)로 시프팅 파라미터(Sn)의 계수가 적용될 수 있다. 따라서, (0, 0) 뷰 LF 영상(600-1)은 후면 레이어 영상(610-1)를 (-2Sny, -2Snx) 만큼 시프팅 하고, 전면 레이어 영상(630-1)를 (+2Sny, +2Snx) 만큼 시프팅 하고 시프팅된 후면 레이어 영상(610-1) 및 전면 레이어 영상(630-1)과 중간 레이어 영상(620-1)들을 크롭하여 생성된 LF 영상일 수 있다.

본 개시에 따른 Snx는 X축 방향에 대한 시프팅 파라미터이며, Sny는 Y축 방향에 대한 시프팅 파라미터일 수 있으며, 일 실시 예로, Snx와 Sny의 값이 동일할 수 있다.

그리고, (1, 0) 시점(view)을 나타내는 (1, 0) 뷰 LF 영상(600-2)에서는 (1, 2)의 시점 간 디스페리티가 적용될 수 있다. 따라서, (1, 0) 뷰 LF 영상(600-2)은 후면 레이어(610-2)를 (-Sny, -2Snx) 만큼 시프팅 하고, 전면 레이어(630)를 (+Sny, +2Sny) 만큼 시프팅 하여 생성된 뷰 LF 영상일 수 있다.

또한, (2, 0) 시점(view)을 나타내는 (2, 0) 뷰 LF 영상(600-3)에서는 (0, 2)의 시점 간 디스페리티가 적용될 수 있다. 따라서, (2, 0) 뷰 LF 영상(600-3)은 후면 레이어(610-3)가 (0, -2Snx)만큼 시프팅되고, 전면 레이어(630-3)가 (0, 2Snx)만큼 시프팅되어 생성된 뷰 LF 영상일 수 있다. 또한, (3, 2) 시점(view)을 나타내는 (3, 2) 뷰 LF 영상(600-6)에서는 (-1, 0)의 시점 간 디스페리티가 적용될 수 있다. 따라서, (3, 2) 뷰 LF 영상(600-6)은 후면 레이어(610-6)가 (+Sny, 0) 만큼 시프팅되고, 전면 레이어(630-6)가 (-Sny, 0) 만큼 시프팅되어 생성된 뷰 LF 영상일 수 있다.

도 6b에서는 레이어 스택이 3개의 레이어 영상(610, 620, 630)를 포함하고 있는 것으로 설명하였으나, 이에 한정되지 않고, 레이어 스택이 포함하고 있는 레이어 영상의 개수는 렌더링을 수행하는 전자 장치(200)의 성능 또는 적층형 디스플레이 장치의 패널의 개수에 따라 변경될 수 있다.

도 7은 본 개시에 따른, 복수의 제1 레이어 스택 각각에 서로 다른 시프팅 파라미터가 적용되는 과정을 설명하기 위한 도면이다. 도 7은 제1 레이어 스택(710-1) 내지 제5 레이어 스택(710-5)을 통해 도 6a의 (3,1) 뷰의 LF 영상을 생성하기 위해, 제1 레이어 스택(710-1) 내지 제5 레이어 스택(710-5) 각각의 후면 레이어를 (sy,sx) 만큼 시프팅 시키고, 전면 레이어를 (-sy,-sx) 만큼 시프팅 시키는 것을 나타낸다.

구체적으로, 도 7은 인공지능 모델(20)을 학습하기 위해 제1 레이어 스택(710-1) 내지 제5 레이어 스택(710-5)을 통해 복수의 제3 LF 영상을 복원하는 과정을 설명하기 위한 도면으로, 도 7을 참조하면, 복수의 레이어 스택은 제1 레이어 스택(710-1) 내지 제5 레이어 스택(710-5)으로 구성될 수 있다. 일 실시 예로, 전자 장치(200)는 제1 레이어 스택(710-1)을 제3-1 LF 영상으로 복원하고, 제2 레이어 스택(710-2)을 제3-2 LF 영상으로 복원할 수 있다.

그리고, 제1 레이어 스택(710-1)에는 제1 시프팅 파라미터(shift 1)가 적용되어 복수의 제3-1 LF 영상 내 (3,1) 뷰 LF 영상이 획득되고, 제1 레이어 스택(710-2)에는 제2 시프팅 파라미터(shift 2)가 적용되어 복수의 제3-2 LF 영상내 (3,1) 뷰 LF 영상이 획득될 수 있다. 그리고, 제5 레이어 스택(710-5)에는 제5 시프팅 파라미터(shift 5)가 적용되어 복수의 제3-5 LF 영상내 (3,1) 뷰 LF 영상이 획득될 수 있다. 그리고, 전자 장치(200)는 제1 레이어 스택(710-1) 내지 제5 레이어 스택(710-5) 각각을 (0,0) 뷰 내지 (4,4) 뷰 각각에 해당되는 시점 간 디스페리티를 통해 시프팅을 수행하여, 제3-1 LF 영상 내지 제3-5 LF 영상을 획득할 수 있다.

그리고, 전자 장치는 제3-1 LF 영상 내지 제 3-5 LF 영상을 바탕으로 복수의 제2 LF 영상을 복원할 수 있다. 일 실시 예로, 도 7과 같이 획득된 제3-1 LF 영상내 (3,1) 뷰 LF 영상 내지 제3-5 LF 영상내 (3,1) 뷰 LF 영상들의 픽셀 값들을 평균하여 제2 LF 영상 내 (3,1) 뷰 LF 영상을 복원할 수 있다.

도 7을 참조하면, 제1 레이어 스택(710-1)은 제5 레이어 스택(710-5)에 비해 시프팅 되는 정도가 적을 수 있다. 즉, 제1 레이어 스택(710-1)에 적용되는 제1 시프팅 파라미터(shift 1)의 크기가 제5 레이어 스택(710-5)에 적용되는 제5 시프팅 파라미터(shift 5)의 크기에 비해 적을 수 있다.

본 개시에 따르면, 복수의 레이어 스택에 포함된 오브젝트 중 하나의 오브젝트를 기준 오브젝트로 설정할 수 있다. 그리고, 제1 시프팅 파라미터(shift 1)가 적용되는 제1 레이어 스택(710-1)은 기준 오브젝트를 선명하게 표현하기 위한 레이어 스택이며, 제5 시프팅 파라미터(shift 5)가 적용되는 제5 레이어 스택(710-5)은 기준 오브젝트와 가장 멀리 떨어진 오브젝트를 선명하게 표현하기 위한 레이어 스택일 수 있다.

즉, 전자 장치는 레이어 스택의 개수만큼 시프팅 파라미터를 획득하고, 복수의 레이어 스택 각각에 복수의 시프팅 파라미터를 각각 적용하여, 복수의 레이어 스택 각각에 대한 복수의 제3 LF 영상을 획득할 수 있다. 그리고, 전자 장치는 복수의 제3 LF 영상을 바탕으로, 제2 LF 영상을 복원할 수 있다.

도 8은 본 개시에 따른, 학습이 완료된 팩토리제이션을 수행하기 위한 인공지능 모델을 적용하는 과정을 나타내는 도면이다.

도 8의 모델(800)은 도 4에서 상술한 손실함수를 바탕으로, 학습이 완료된 팩토리제이션을 수행하기 위한 DNN 모델(800)일 수 있다.

전자 장치는 적어도 하나의 오브젝트를 서로 다른 시점(view point)으로 촬영한 제1 LF 영상(810)을 학습이 완료된 인공지능 모델(800)에 입력하여 복수의 레이어 스택(820-1, 820-2, …, 820-N)을 획득할 수 있다. 복수의 레이어 스택(820-1, 820-2, …, 820-N)은 제1 LF 영상(810)에 포함된 적어도 하나의 오브젝트간의 거리 정보를 나타내는 시프팅 파라미터가 반영된 복수의 레이어 스택이다. 전자 장치는 복수의 레이어 스택을 반복하여 고속 재생하는 타임 멀티플렉싱(time multiplexing) 기법을 통해 복수의 레이어 스택(820-1, 820-2, …, 820-N)에 대한 이미지 렌더링을 수행함으로써, 표현 가능한 뎁스 범위의 제한이 없어지고, 레이어 스택에 대한 이미지 렌더링에서 발생될 수 있는 아티팩트가 제거될 수 있다.

복수의 레이어 스택을 반복하여 고속 재생하는 타임 멀티플렉싱(time multiplexing) 기법에 대해서는 도 9a 내지 도 9c를 통해 설명하도록 한다.

도 9a는 본 개시의 일 실시 예에 따른 시프팅 파라미터를 설명하기 위한 도면이다.

도 9a의 영상(900)은 본 개시에 따른, 전자 장치(200)가 복수의 레이어 스택을 반복하여 고속 재생하는 타임 멀티플렉싱(time multiplexing) 기법을 통해 복수의 레이어 스택에 대한 이미지 렌더링이 수행되어 실재로 보여지는 영상(900)일 수 있다.

일 실시 예로, 영상(900)에는 3개의 시프팅 파라미터(shift 1, shift 5, shift 15)를 포함할 수 있다. 즉, 도 9a에 도시된 영상(900)은 3개의 레이어 스택을 반복하여 고속 재생하는 타임 멀티 플렉싱 기법을 통해 3개의 레이어 스택에 대한 이미지 렌더링이 수행된 영상(900)일 수 있으며, 전자 장치(200)는 영상(900)에 포함된 오브젝트들을 서로 다른 시점에서 촬영한 제1 LF 영상을 통해 3개의 시프팅 파라미터를 획득할 수 있다. 이 경우, 시프팅 파라미터의 개수는 레이어 스택의 개수와 동일하게 3개일 수 있다.

예로, 도 9a를 참조하면, 뎁스의 기준이 되는 영역 근처의 영역이 shift 1의 시프팅 파라미터를 갖는 영역(910)으로 설정될 수 있다. 즉, 전자 장치(200)는 영상(900)에 포함된 오브젝트들을 서로 다른 시점에서 촬영한 제1 LF 영상을 통해 공룡의 허벅지에 해당되는 영역을 뎁스의 기준이 되는 영역으로 설정할 수 있으며, 공룡의 허벅지 근처의 영역을 shift 1의 시프팅 파라미터를 갖는 영역(910)으로 설정할 수 있다.

그리고, 전자 장치는 뎁스의 기준이 되는 영역(910)에서 shift 15의 시프팅 파라미터 만큼 떨어진 영역을 shift 15의 시프팅 파라미터를 갖는 영역(930)으로 설정할 수 있다. 즉, 도 9a를 참조하면, 뎁스의 기준이 되는 영역에서 shift 15의 시프팅 파라미터 만큼 떨어진 영역(930)은 영상(900)에서 하늘에 해당되는 영역일 수 있다.

그리고, 전자 장치는 뎁스의 기준이 되는 영역(910)에서 shift 5의 시프팅 파라미터 만큼 떨어진 영역을 shift 5의 시프팅 파라미터를 갖는 영역(920)으로 설정할 수 있다. 즉, 도 9a를 참조하면, 뎁스의 기준이 되는 영역에서 shift 5의 시프팅 파라미터 만큼 떨어진 영역(920)은 영상(900)에서 공룡의 머리에 해당되는 영역일 수 있다. 본 개시의 일 실시 예에 따르면, 영상(900)에 포함된 하나의 공룡 오브젝트에 shift 1 및 shift 5의 시프팅 파라미터를 갖는 영역이 설정될 수 있다. 즉, 상술한 실시 예에서는 하나의 오브젝트 당 하나의 시프팅 파라미터를 가지는 것으로 설명하였으나, 본 개시는 이제 한정되지 않고 영상에 포함된 하나의 오브젝트에 복수 개의 시프팅 파라미터를 갖는 영역이 설정될 수 있다. 또한, 일 실시 예에 따르면, 영상에 포함된 복수개의 오브젝트들에 하나의 시프팅 파라미터를 갖는 영역이 설정될 수 있다.

즉, 상술한 바와 같이, 전자 장치(200)는 영상(900)에 포함된 적어도 하나의 오브젝트간의 거리 정보를 나타내는 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득할 수 있다. 구체적으로, 전자 장치(200)는 도 9a의 영상(900)에 포함된 적어도 하나의 오브젝트들을 LF 카메라를 통해 서로 다른 시점(view point)으로 촬영하여, 제1 LF 영상을 획득하고, 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득할 수 있다.

도 9b는 본 개시의 일 실시 예에 따른 타임 멀티플렉싱을 적용하기 위한 복수의 레이어 스택을 도시한 도면이다.

전자 장치(200)는 도 9b에 도시된 복수의 레이어 스택(910-1, 910-2, 910-3)을 반복하여 고속 재생하는 타임 멀티플렉싱(time multiplexing) 기법을 이용하여, 이미지 렌더링을 수행하여, 도 9a와 같은 영상(900)을 제공할 수 있다. 구체적으로 도 9b를 참조하면, 복수의 레이어 스택은 제1 레이어 스택(910-1), 제2 레이어 스택(910-2) 및 제3 레이어 스택(910-3)을 포함할 수 있다. 그리고, 복수의 레이어 스택(910-1, 910-2, 910-3) 각각은 3개의 레이어(L1, L2, L3)를 포함할 수 있다. 본 개시의 일 실시 예에 따르면, 제1 레이어 스택(910-1), 제2 레이어 스택(910-2) 및 제3 레이어 스택(910-3)은 학습이 완료된 인공지능 모델에 제1 LF 영상을 입력하여 획득된 레이어 스택일 수 있다. 구체적으로, 제1 레이어 스택(910-1)은 제1 LF 영상에서 shift 1의 시프팅 파라미터가 적용된 레이어 스택일 수 있으며, 제2 레이어 스택(910-2)은 제1 LF 영상에서 shift 5의 시프팅 파라미터가 적용된 레이어 스택일 수 있다. 그리고, 제3 레이어 스택(910-3)은 제1 LF 영상에서 shift 15의 시프팅 파라미터가 적용된 레이어 스택일 수 있다.

도 9c는 본 개시의 일 실시 예에 따른, 타임 멀티플렉싱을 수행하는 방법을 설명하기 위한 도면이다.

전자 장치(200)는 도 9c에 도시된 바와 같이, t1의 시간에 제1 레이어 스택(910-1)에 포함된 3개의 레이어를 적층형 디스플레이의 패널 각각에 렌더링 하여 표시하고, t2의 시간에 제2 레이어 스택(910-2)에 포함된 3개의 레이어를 적층형 디스플레이의 패널 각각에 렌더링 하여 표시할 수 있다. 그리고, 전자 장치(200)는 t3의 시간에 제3 레이어 스택(910-3)에 포함된 3개의 레이어를 적층형 디스플레이의 패널 각각에 렌더링 하여 표시할 수 있다. 그리고, 전자 장치(200)는 t4의 시간에 제1 레이어 스택(910-1)에 포함된 3개의 레이어를 적층형 디스플레이의 패널 각각에 렌더링 하여 표시하고, t5의 시간에 제2 레이어 스택(910-2)에 포함된 3개의 레이어를 적층형 디스플레이의 패널 각각에 렌더링 하여 표시하고, t6의 시간에 제3 레이어 스택(910-3)에 포함된 3개의 레이어를 적층형 디스플레이의 패널 각각에 렌더링 함으로써, 복수의 레이어 스택을 반복하여 고속 재생할 수 있다. 즉, 전자 장치(200)는 t1 ~ t3의 주기로 복수의 레이어 스택을 반복하여 고속 재생할 수 있다.

즉, 도 9a 내지 도 9c에서 상술한 바와 같이 전자 장치는 시프팅 파라미터가 적용된 복수의 레이어 스택을 바탕으로 타임 멀티플렉싱을 이용한 이미지 렌더링을 수행하여, 복수의 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보가 반영된 영상을 표시할 수 있다.

도 10은 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법을 나타내는 흐름도이다.

도 10을 참조하면, 우선 전자 장치(200)는 서로 다른 시점의 제1 LF 영상을 획득할 수 있다(S1010). 구체적으로 제1 LF 영상은 적어도 하나의 오브젝트를 서로 다른 시점(view point)으로 촬영한 복수의 LF 영상일 수 있다.

그리고, 전자 장치(200)는 LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델에 제1 LF 영상을 입력하여 제1 LF 영상 내의 뎁스 정보를 나타내는 복수의 시프팅 파라미터가 각각 적용된 복수의 레이어 스택을 획득할 수 있다(S1020).

본 개시의 일 실시 예에 따르면, 전자 장치(200)는 스테레오 정합 기법을 통해 복수의 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 획득하고, 획득한 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득할 수 있다.

그리고, 일 실시 예로, 전자 장치(200)는 인공지능 모델에 제1 LF 영상 및 복수의 시프팅 파라미터를 입력하여 복수의 레이어 스택을 획득할 수 있다.

LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 또는 NMF(Non-negative Matric factorization) 모델일 수 있다. 그리고, 복수의 레이어 스택 각각은 복수의 제1 LF 영상에 포함된 적어도 하나의 오브젝트 중 하나의 오브젝트를 선명하게 표현하기 위한 레이어 스택일 수 있으며, 복수의 제1 레이어 스택 각각은 복수의 레이어를 포함할 수 있다. 그리고, 본 개시의 일 실시 예에 따르면, 복수의 시프팅 파라미터의 개수는 복수의 레이어 스택의 개수와 동일할 수 있다.

그리고, 전자 장치(200)는 복수의 레이어 스택 각각을 적층형 디스플레이 상에 순차적으로 반복하여 표시함으로(S1030), 복수의 레이어 스택에 대한 이미지 렌더링을 수행할 수 있다.

상술한 과정을 통해, 전자 장치는 학습된 인공지능 모델을 바탕으로 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보가 반영된 복수의 레이어 스택을 생성하여 표현 가능한 뎁스 범위의 제한이 없어지고, 레이어 스택에 대한 이미지 렌더링에서 발생될 수 있는 아티팩트가 제거될 수 있다.

도 11은 본 개시의 일 실시 예에 따른, 학습된 팩토리제이션을 수행하기 위한 인공지능 모델을 학습하는 방법을 나타내는 흐름도이다.

도 11을 참조하면, 우선, 전자 장치(200)는 제1 LF 영상을 획득할 수 있다(S1110).

그리고, 전자 장치(200)는 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득할 수 있다(S1120). 본 개시의 일 실시 예에 따르면, 전자 장치는 스테레오 정합 기법을 통해 제1 LF 영상에 포함된 적어도 하나의 오브젝트에 대한 뎁스 정보를 획득하고, 획득한 뎁스 정보를 바탕으로 복수의 시프팅 파라미터를 획득할 수 있다.

그리고, 전자 장치(200)는 인공지능 모델에 제1 LF 영상을 입력하여 복수의 레이어 스택을 획득할 수 있다(S1130).

그리고, 전자 장치(200)는 복수의 레이어 스택 및 복수의 시프팅 파라미터를 이용하여 제2 LF 영상을 복원할 수 있다(S1140). 구체적으로, 제2 LF 영상은 인공지능 모델을 학습하기 위한 복수의 LF 영상이다.

그리고, 전자 장치(200)는 제1 LF 영상 및 제2 LF 영상을 바탕으로 인공지능 모델을 학습할 수 있다(S1150). 구체적으로, 전자 장치(200)는 제2 LF 영상을 제1 LF 영상과 비교하여 제2 LF 영상에 대한 영상의 품질에 관한 정보를 획득하고, 획득된 영상의 품질에 관한 정보를 바탕으로 인공지능 모델을 학습시킬 수 있다. 본 개시의 일 실시 예에 따르면, 제2 LF 영상에 대한 영상의 품질에 관한 정보는 손실함수(loss function)를 통해 획득될 수 있다. 본 개시의 일 실시 예에 따르면, 전자 장치(200)는 상술한 S1130 내지 S1150 과정을 반복하여 수행함으로, 인공지능 모델을 계속 학습시킬 수 있다.

그리고, 전자 장치(200)는 학습이 완료된 인공지능 모델에 제1 LF 영상을 입력하여 복수의 레이어 스택을 획득할 수 있다(S1160).

그리고, 전자 장치(200)는 학습된 인공지능 모델을 통해 획득된 복수의 레이어 스택을 반복하여 고속 재생함으로(S1170), 복수의 레이어 스택에 대한 이미지 렌더링을 수행할 수 있다.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 문서의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 문서에서, "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.

본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다. 본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.

본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 디스플레이 장치(100))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 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.

일 실시 예에 따르면, 본 문서에 개시된 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.

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

200: 전자 장치
210: 메모리
220: 프로세서

Claims (20)

1. 전자 장치에 있어서,
   복수의 패널을 포함하는 적층형 디스플레이; 및
   서로 다른 시점(view point)의 제1 LF(Light Field) 영상을 획득하고,
   LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델에 상기 제1 LF 영상을 입력하여 상기 제1 LF 영상 내의 뎁스 정보를 나타내는 복수의 시프팅 파라미터가 각각 적용된 복수의 레이어 스택을 획득하고,
   상기 획득된 복수의 레이어 스택 각각을 상기 적층형 디스플레이 상에 순차적으로 반복하여 표시하도록 상기 적층형 디스플레이를 제어하는 프로세서;를 포함하고,
   상기 인공지능 모델은 상기 제1 LF 영상에 대한 뎁스 정보를 바탕으로 획득된 복수의 시프팅 파라미터(shifting parameter)가 적용되어 학습된 것을 특징으로 하는 전자 장치.
2. 제1항에 있어서,
   상기 복수의 레이어 스택은 상기 제1 LF 영상 내의 제1 뎁스 정보를 나타내는 제1 시프팅 파라미터가 적용된 제1 레이어 스택 및 상기 제1 LF 영상 내의 제2 뎁스 정보를 나타내는 제2 시프팅 파라미터가 적용된 제2 레이어 스택을 포함하며,
   상기 제1 레이어 스택은 상기 제1 LF 영상 내 제1 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택이며, 상기 제2 레이어 스택은 상기 제1 LF 영상 내 제2 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택인 것을 특징으로 하는 전자 장치.
3. 제2항에 있어서,
   상기 복수의 레이어 스택은 제3 레이어 스택을 더 포함하며,
   상기 프로세서는,
   상기 제1 레이어 스택, 상기 제2 레이어 스택 및 상기 제3 레이어 스택을 상기 적층형 디스플레이 상에 순차적으로 반복하여 표시하는 전자 장치.
4. 제1항에 있어서,
   상기 프로세서는,
   상기 복수의 레이어 스택 및 상기 복수의 시프팅 파라미터를 이용하여 제2 LF 영상을 복원하고,
   상기 제1 LF 영상과 상기 제2 LF 영상을 비교하여 손실함수를 획득하고,
   상기 손실함수를 바탕으로, 상기 인공지능 모델을 학습시키는 전자 장치.
5. 제4항에 있어서,
   상기 프로세서는,
   상기 복수의 레이어 스택 각각에 상기 복수의 시프팅 파라미터를 각각 적용하여, 상기 복수의 레이어 스택 각각에 대한 복수의 제3 LF 영상을 획득하고,
   상기 복수의 제3 LF 영상을 바탕으로, 상기 제2 LF 영상을 복원하는 전자 장치.
6. 제4항에 있어서
   상기 인공지능 모델은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나로 구현되는 것을 특징으로 하는 전자 장치.
7. 제6항에 있어서,
   상기 인공지능 모델이 DNN 모델이면, 상기 손실함수를 통해 상기 DNN 모델의 가중치가 업데이트되는 것을 특징으로 하는 전자 장치.
8. 제6항에 있어서,
   상기 인공지능 모델이 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나이면, 상기 손실함수를 통해 상기 인공지능 모델의 파라미터가 업데이트되는 것을 특징으로 하는 전자 장치.
9. 제1항에 있어서,
   스테레오 정합(stereo matching) 기법을 통해 상기 제1 LF 영상에서 뎁스 정보가 획득되고, 상기 뎁스 정보를 바탕으로 상기 복수의 시프팅 파라미터가 획득되는 것을 특징으로 하는 전자 장치.
10. 제1항에 있어서,
    상기 복수의 시프팅 파라미터의 개수는 상기 복수의 레이어 스택의 개수와 동일한 것을 특징으로 하는 전자 장치.
11. 전자 장치의 제어 방법에 있어서,
    서로 다른 시점(view point)의 제1 LF(Light Field) 영상을 획득하는 단계;
    LF 영상을 레이어 스택으로 변환하기 위한 인공지능 모델에 상기 제1 LF 영상을 입력하여 상기 제1 LF 영상 내의 뎁스 정보를 나타내는 복수의 시프팅 파라미터가 각각 적용된 복수의 레이어 스택을 획득하는 단계; 및
    상기 획득된 복수의 레이어 스택 각각을 적층형 디스플레이 상에 순차적으로 반복하여 표시하는 단계;를 포함하고,
    상기 인공지능 모델은 상기 제1 LF 영상에 대한 뎁스 정보를 바탕으로 획득된 복수의 시프팅 파라미터(shifting parameter)가 적용되어 학습된 것을 특징으로 하는 제어 방법.
12. 제11항에 있어서,
    상기 복수의 레이어 스택은 상기 제1 LF 영상 내의 제1 뎁스 정보를 나타내는 제1 시프팅 파라미터가 적용된 제1 레이어 스택 및 상기 제1 LF 영상 내의 제2 뎁스 정보를 나타내는 제2 시프팅 파라미터가 적용된 제2 레이어 스택 을 포함하며,
    상기 제1 레이어 스택은 상기 제1 LF 영상 내 제1 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택이며, 상기 제2 레이어 스택은 상기 제1 LF 영상 내 제2 뎁스 정보에 대응되는 영역을 선명하게 표시하기 위한 레이어 스택인 것을 특징으로 하는 제어 방법.
13. 제12항에 있어서,
    상기 복수의 레이어 스택은 제3 레이어 스택을 더 포함하며,
    상기 표시하는 단계는,
    상기 제1 레이어 스택, 상기 제2 레이어 스택 및 상기 제3 레이어 스택을 순차적으로 반복하여 표시하는 단계인 것을 특징으로 하는 제어 방법.
14. 제11항에 있어서,
    상기 복수의 레이어 스택 및 상기 복수의 시프팅 파라미터를 이용하여 제2 LF 영상을 복원하는 단계;
    상기 제1 LF 영상과 상기 제2 LF 영상을 비교하여 손실함수를 획득하는 단계; 및
    상기 손실함수를 바탕으로, 상기 인공지능 모델을 학습시키는 단계;를 포함하는 제어방법.
15. 제14항에 있어서,
    상기 제2 LF 영상을 복원하는 단계는,
    상기 복수의 레이어 스택 각각에 상기 복수의 시프팅 파라미터를 각각 적용하여, 상기 복수의 레이어 스택 각각에 대한 복수의 제3 LF 영상을 획득하는 단계; 및
    상기 복수의 제3 LF 영상을 바탕으로, 상기 제2 LF 영상을 복원하는 단계;를 더 포함하는 것을 특징으로 하는 제어 방법.
16. 제14항에 있어서
    상기 인공지능 모델은 DNN(Deep Neural Network) 모델, NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나로 구현되는 것을 특징으로 하는 제어 방법.
17. 제16항에 있어서,
    상기 인공지능 모델이 DNN 모델이면, 상기 손실함수를 통해 상기 DNN 모델의 가중치가 업데이트되는 것을 특징으로 하는 제어방법.
18. 제16항에 있어서,
    상기 인공지능 모델이 NTF(Non-negative tensor factorization)모델 및 NMF(Non-negative Matric factorization) 모델 중 하나이면, 상기 손실함수를 통해 상기 인공지능 모델의 파라미터가 업데이트되는 것을 특징으로 하는 제어방법.
19. 제11항에 있어서,
    스테레오 정합(stereo matching) 기법을 통해 상기 제1 LF 영상에서 뎁스 정보가 획득되고, 상기 뎁스 정보를 바탕으로 상기 복수의 시프팅 파라미터가 획득되는 것을 특징으로 하는 제어방법.
20. 제11항에 있어서,
    상기 복수의 시프팅 파라미터의 개수는 상기 복수의 레이어 스택의 개수와 동일한 것을 특징으로 하는 제어방법.
    

Images