KR20210095527A - 전자 장치 및 전자 장치의 제어 방법 - Google Patents

Abstract

전자 장치 및 이의 제어 방법이 개시된다. 본 개시에 따른 전자 장치는 적어도 하나의 인스트럭션(instruction)을 저장하는 메모리 및 적어도 하나의 인스트럭션을 실행하는 프로세서를 포함한다. 그리고, 프로세서는 적어도 하나의 인스트럭션을 실행함으로써, 제1 이미지를 획득하고, 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 제1 이미지가 보정된 제2 이미지를 획득하며, 제1 이미지 및 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키고, 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 학습된 신경망 모델을 이용하여 제3 이미지가 보정된 제4 이미지를 획득한다.

Description

전자 장치 및 전자 장치의 제어 방법{ELECTRONIC DEVICE AND CONTROLLING METHOD OF ELECTRONIC DEVICE}

본 개시는 전자 장치 및 전자 장치의 제어 방법에 관한 것으로서, 구체적으로는 이미지를 보정할 수 있는 전자 장치 및 전자 장치의 제어 방법에 관한 것이다.

근래에는 휴대용 전자 장치의 발전과 소셜 미디어의 발달에 따라, 사용자가 스마트 폰을 비롯한 다양한 종류의 휴대용 전자 장치를 이용하여 이미지를 획득하고, 획득한 이미지를 사용자 자신의 취향에 맞도록 보정하는 것이 일상화되고 있다.

그리고, 사용자가 보정을 원하는 이미지 모두에 대하여 많은 노력을 기울여 보정을 수행함에 따른 불편을 해소하기 위해, 이미지 보정을 위한 어플리케이션이 나날이 발전하고 있으며, 특히 이미지의 보정에 관련된 보정 파라미터를 일일이 사용자가 설정하지 않더라도 이미지를 자동으로 보정할 수 있는 기능이 이미지 보정을 위한 어플리케이션을 통해 제공되고 있다.

그러나, 사용자 개인 별로 선호하는 보정 패턴은 상이할 수 있기 때문에, 일반화된 보정 패턴을 적용하여 이미지를 자동으로 보정하는 기능으로는 다양한 심미감과 취향을 갖는 사용자들을 모두 만족시키기는 어렵다는 한계가 지적되고 있다.

따라서, 원본 이미지를 자동으로 보정하여 사용자의 편의성을 제고함과 동시에, 그 이미지의 보정에 있어서 사용자가 선호하는 보정 패턴을 자동으로 반영함으로써 개별 사용자 각각이 선호하는 패턴으로 보정된 이미지를 제공할 수 있는 기술에 대한 필요성이 대두되고 있다.

본 개시는 상술한 바와 같은 필요성에 따라 안출된 것으로서, 본 개시의 목적은 원본 이미지에 사용자가 선호하는 보정 패턴을 반영하여 보정된 이미지를 획득할 수 있는 전자 장치 및 전자 장치의 제어 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 적어도 하나의 인스트럭션(instruction)을 저장하는 메모리 및 상기 적어도 하나의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 제1 이미지를 획득하고, 상기 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 상기 제1 이미지가 보정된 제2 이미지를 획득하며, 상기 제1 이미지 및 상기 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키고, 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 제4 이미지를 획득한다.

여기서, 상기 프로세서는 상기 제1 이미지의 유형에 관련된 제1 유형 정보를 획득하고, 상기 제1 이미지, 상기 제2 이미지 및 상기 제1 유형 정보를 바탕으로 상기 신경망 모델을 학습시킬 수 있다.

한편, 상기 프로세서는 상기 제3 이미지가 획득되면, 상기 제3 이미지의 유형에 관련된 제2 유형 정보를 획득하고, 상기 제3 이미지를 보정하기 위한 상기 제2 사용자 명령이 수신되면, 상기 제3 이미지 및 상기 제2 유형 정보를 바탕으로, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 상기 제4 이미지를 획득할 수 있다.

한편, 상기 제1 유형 정보는 상기 제1 이미지 및 상기 제2 이미지에 포함된 오브젝트에 대한 정보, 상기 제1 이미지 및 상기 제2 이미지가 획득된 장소에 대한 정보 및 상기 제1 이미지 및 상기 제2 이미지가 획득된 시간에 대한 정보 중 적어도 하나를 포함할 수 있다.

여기서, 상기 신경망 모델은 이미지를 생성하도록 구성된 생성기(generator) 및 복수의 이미지를 구별하도록 구성된 비교기(comparator)를 포함하는 제1 신경망 모델이며, 상기 프로세서는, 상기 생성기에 상기 제1 이미지를 입력하여 상기 제1 이미지가 보정된 제5 이미지를 획득하고, 상기 비교기에 상기 제2 이미지 및 상기 제5 이미지를 입력하여, 상기 제2 이미지의 픽셀 값 및 상기 제5 이미지의 픽셀 값 사이의 차이에 관련된 제1 피드백 정보를 획득하며, 상기 제1 피드백 정보를 바탕으로 상기 생성기를 학습시킬 수 있다.

여기서, 상기 프로세서는 상기 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델에 상기 제3 이미지를 입력하여, 상기 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

한편, 제1 신경망 모델은 GAN(Generative Adversarial Network) 모델이며, 상기 생성기 및 상기 비교기는 서로 적대적으로 학습(adversarial learning)될 수 있다.

한편, 상기 신경망 모델은 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하도록 구성된 실행기(implementor) 및 복수의 이미지를 구별하도록 구성된 비교기(comparator)를 포함하는 제2 신경망 모델이며, 상기 프로세서는 상기 실행기에 상기 제1 이미지를 입력하여 상기 제1 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하고, 상기 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 상기 제1 이미지가 보정된 제6 이미지를 획득하며, 상기 비교기에 상기 제2 이미지 및 상기 제6 이미지를 입력하여, 상기 제2 이미지의 픽셀 값 및 상기 제6 이미지의 픽셀 값 사이의 차이에 관련된 제2 피드백 정보를 획득하고, 상기 제2 피드백 정보 정보를 바탕으로 상기 실행기를 학습시킬 수 있다.

여기서, 상기 프로세서는 상기 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델에 상기 제3 이미지를 입력하여 제3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하고, 상기 3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 상기 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

한편, 상기 전자 장치는 디스플레이를 더 포함하고, 상기 프로세서는, 상기 제4 이미지가 획득되면, 보정 파라미터에 대한 사용자의 설정을 바탕으로 상기 제4 이미지를 보정할 것인지 여부를 선택하기 위한 제1 UI(User Interface) 엘리먼트를 표시하도록 상기 디스플레이를 제어하며, 상기 제1 UI 엘리먼트를 통해 상기 제4 이미지를 보정하는 것으로 선택하는 제3 사용자 명령이 수신되면, 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하기 위한 제2 UI 엘리먼트를 표시하도록 상기 디스플레이를 제어하고, 상기 제2 UI 엘리먼트를 통해 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하는 제4 사용자 명령이 수신되면, 상기 제4 이미지가 보정된 제7 이미지를 획득할 수 있다.

여기서, 상기 프로세서는 상기 제4 이미지가 보정된 제7 이미지가 획득되면, 상기 제3 이미지 및 상기 제7 이미지를 바탕으로 상기 신경망 모델을 학습시킬 수 있다.

한편, 상기 프로세서는 상기 제3 이미지가 획득되면, 상기 제3 이미지에 포함된 적어도 하나의 오브젝트를 식별하고, 상기 식별된 적어도 하나의 오브젝트에 보정의 대상이 되는 오브젝트로 기 설정된 오브젝트가 포함되면, 상기 제3 이미지를 상기 학습된 신경망 모델에 입력하여, 상기 제3 이미지에 포함된 적어도 하나의 오브젝트 중 상기 보정의 대상이 되는 오브젝트가 보정된 제8 이미지를 획득할 수 있다.

한편, 상기 제1 이미지 및 상기 제2 이미지는 상기 제1 이미지 및 상기 제2 이미지 각각에 대응되는 제1 메타데이터 및 제2 메타데이터를 바탕으로 구별되어, 각각 상기 생성기 및 상기 비교기에 입력되며, 상기 제1 메타데이터는 상기 제1 이미지의 생성 시간, 생성 기기 및 수정 시간 중 적어도 하나에 대한 정보를 포함하며, 상기 제2 메타데이터는 상기 제2 이미지의 생성 시간, 생성 기기 및 수정 시간 중 적어도 하나에 대한 정보를 포함할 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법은 제1 이미지를 획득하는 단계, 기 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 상기 제1 이미지가 보정된 제2 이미지를 획득하는 단계, 상기 제1 이미지 및 상기 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키는 단계 및 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 제4 이미지를 획득하는 단계를 포함한다.

여기서, 신경망 모델을 학습시키는 단계는 상기 제1 이미지의 유형 및 상기 제2 이미지의 유형에 관련된 제1 유형 정보를 획득하는 단계 및 상기 제1 이미지, 상기 제2 이미지 및 상기 제1 유형 정보를 바탕으로 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.

여기서, 신경망 모델을 학습시키는 단계는 상기 제3 이미지가 획득되면, 상기 제3 이미지의 유형에 관련된 제2 유형 정보를 획득하는 단계 및 상기 제3 이미지를 보정하기 위한 상기 제2 사용자 명령이 수신되면, 상기 제3 이미지 및 상기 제2 유형 정보를 바탕으로, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 상기 제4 이미지를 획득하는 단계를 더 포함할 수 있다.

한편, 상기 제1 유형 정보는 상기 제1 이미지 및 상기 제2 이미지에 포함된 오브젝트에 대한 정보, 상기 제1 이미지 및 상기 제2 이미지가 획득된 장소에 대한 정보 및 상기 제1 이미지 및 상기 제2 이미지가 획득된 시간에 대한 정보 중 적어도 하나를 포함할 수 있다.

한편, 상기 전자 장치의 제어 방법은 상기 제4 이미지가 획득되면, 보정 파라미터에 대한 사용자의 설정을 바탕으로 상기 제4 이미지를 보정할 것인지 여부를 선택하기 위한 제1 UI(User Interface) 엘리먼트를 표시하는 단계, 상기 제1 UI 엘리먼트를 통해 상기 제4 이미지를 보정하는 것으로 선택하는 제3 사용자 명령이 수신되면, 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하기 위한 제2 UI 엘리먼트를 표시하는 단계 및 상기 제2 UI 엘리먼트를 통해 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하는 제4 사용자 명령이 수신되면, 상기 제4 이미지가 보정된 제7 이미지를 획득하는 단계를 포함할 수 있다.

여기서, 상기 학습시키는 단계는 상기 제4 이미지가 보정된 제7 이미지가 획득되면, 상기 제3 이미지 및 상기 제7 이미지를 바탕으로 상기 신경망 모델을 학습시키는 단계를 더 포함할 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 있어서, 상기 전자 장치의 제어 방법은 제1 이미지를 획득하는 단계, 상기 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 상기 제1 이미지가 보정된 제2 이미지를 획득하는 단계, 상기 제1 이미지 및 상기 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키는 단계 및 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 제4 이미지를 획득하는 단계를 포함한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 간략하게 나타내는 흐름도,
도 2a 및 도 2b는 각각 본 개시의 다른 실시 예에 따른 제1 신경망 모델의 학습 과정과 학습된 제1 신경망 모델을 이용하여 보정된 이미지를 획득하는 과정을 상세하게 설명하기 위한 도면,
도 3a 및 도 3b는 각각 본 개시의 다른 실시 예에 따른 제2 신경망 모델의 학습 과정과 학습된 제2 신경망 모델을 이용하여 보정된 이미지를 획득하는 과정을 상세하게 설명하기 위한 도면,
도 4a 내지 도 4d는 본 개시의 일 실시 예에 따른 사용자 인터페이스를 나타내기 위한 도면,
도 5 내지 도 6b 는 본 개시의 또 다른 실시 예에 따른 사용자 인터페이스를 나타내기 위한 도면,
도 7 은 이미지의 유형에 따라 상이한 방법으로 이미지에 대한 보정을 수행하는 실시 예를 설명하기 위한 도면,
도 8a 및 도 8b는 이미지에 포함된 오브젝트를 식별하여 이미지에 대한 보정을 수행하는 것에 관련된 실시 예를 설명하기 위한 도면, 그리고,
도 9 및 도 10은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내기 위한 블록도이다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 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 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "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 개시에서, "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 개시에서 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: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 개시에서 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) 프로세서"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.

실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

한편, 본 개시의 다양한 실시 예에 따른 전자 장치는 예를 들면, 스마트 폰, 태블릿 PC, 데스크탑 PC, 랩탑 PC 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다.

어떤 실시 예들에서, 전자 장치는 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSync^TM, 애플TV^TM, 또는 구글 TV^TM), 게임 콘솔(예: Xbox^TM, PlayStation^TM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.

다른 실시예에서, 전자 장치는 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.

이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 간략하게 나타내는 흐름도이다.

본 개시에 따른 전자 장치는 특히 스마트 폰, 태블릿 등과 같은 휴대용 전자 장치일 수 있으나, 전자 장치의 유형에 특별한 제한이 있는 것은 아니다. 즉, 본 개시에 따른 이미지를 획득하고 이미지를 보정할 수 있도록 구성된 전자 장치라면 모두 본 개시에 따른 전자 장치에 해당될 수 있다. 이하에서는 본 개시에 따른 전자 장치를 전자 장치(100)와 같이 표기하여 설명한다.

도 1을 참조하면, 본 개시의 일 실시 예에 따른 전자 장치(100)는 제1 이미지를 획득할 수 있다(S110). 구체적으로, 전자 장치(100)는 전자 장치(100)에 포함된 카메라를 통해 제1 이미지를 획득할 수 있으며, 전자 장치(100)와 연결된 외부 장치로부터 제1 이미지를 수신하여 획득할 수도 있다. 그리고, 전자 장치(100)는 획득된 제1 이미지를 전자 장치(100)의 메모리(110)에 저장할 수 있다.

제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 전자 장치(100)는 제1 이미지가 보정된 제2 이미지를 획득할 수 있다(S120). 구체적으로, 제1 이미지가 획득된 후 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 전자 장치(100)는 보정 파라미터에 대한 사용자의 설정을 바탕으로 제1 이미지의 보정에 관련된 적어도 하나의 보정 파라미터를 변경하여, 제1 이미지가 보정된 제2 이미지를 획득할 수 있다. 그리고, 전자 장치(100)는 획득된 제2 이미지를 전자 장치(100)의 메모리에 저장할 수 있다.

본 개시를 설명함에 있어서 '보정 파라미터'라는 용어는 이미지의 보정에 관련된 다양한 종류의 파라미터를 총칭하기 위한 용어로 사용된다, 예를 들어, 보정 파라미터는 색조, 명도, 채도, 대비, 노출, 하이라이트, 그림자, 밝기, 색 온도, 노이즈, 비네트 및 블랙포인트 중 하나일 수 있으며, 다만 본 개시에 따른 보정 파라미터가 상술한 예에 국한되는 것은 아니다.

한편, '제1 사용자 명령'은 보정 파라미터에 대한 사용자의 설정을 바탕으로 보정된 이미지를 획득하기 위한 사용자 명령을 의미한다. 구체적으로, 제1 사용자 명령은 전자 장치(100)의 사용자가 제1 이미지의 보정에 관련된 적어도 하나의 보정 파라미터를 어떻게 변경할 것인지를 설정하고, 그 설정된 보정 파라미터를 제1 이미지에 반영하여 제2 이미지를 생성하기 위한 사용자 명령일 수 있다. 예를 들어, 전자 장치(100)의 사용자가 이미지 보정을 위한 어플리케이션을 통해 제1 이미지의 명도 및 채도를 각각 +13 및 +8로 변경하기 위한 제1 사용자 명령을 입력하면, 전자 장치(100)는 제1 이미지의 명도 및 채도가 각각 +13 및 +8로 변경된 제2 이미지를 획득할 수 있다. 또한, 이미지 보정을 위한 어플리케이션에서 보정 파라미터 각각에 대한 수치화된 값을 제공하지 않고 조절 바(control bar) 등과 같은 UI(User Interface)를 제공하는 경우, 사용자가 이러한 조절 바를 통해 노출, 선명도(sharpness), 비네트 등의 보정 파라미터를 조절하는 것이 제1 사용자 명령이며, 전자 장치(100)는 제1 사용자 명령에 따라 노출, 선명도, 비네트 등이 변경된 제2 이미지를 획득할 수 있다.

한편, '제1 이미지'는 제2 이미지가 보정되기 전의 원본 이미지를 말하며, '제2 이미지는 제1 이미지가 보정된 후의 보정 이미지를 말한다. 그리고, 제1 이미지 및 제2 이미지는 후술하는 바와 같은 신경망 모델의 학습에 이용될 수 있다. 한편, 본 개시를 설명함에 있어서, '원본 이미지'라는 것이 전자 장치(100) 또는 외부 장치에 의해 이미지가 획득된 이후에 전혀 보정이 수행되지 않은 이미지만을 의미하는 것은 아니다. 다시 말해, 원본 이미지는 그 원본 이미지에 대한 보정을 수행하여 획득된 이미지와의 관계에서 상대적으로 결정된다.

한편, 원본 이미지와 그 원본 이미지에 대응되는 보정된 이미지는 메타데이터를 바탕으로 서로 구별될 수 있다. 구체적으로, 제1 이미지 및 제2 이미지는 제1 이미지 및 제2 이미지 각각에 대응되는 제1 메타데이터 및 제2 메타데이터를 바탕으로 구별될 수 있다.

먼저, 제1 이미지 및 제2 이미지 각각이 획득되는 경우, 전자 장치(100)는 제1 이미지에 대응되는 제1 메타데이터 및 제2 이미지에 대응되는 제2 메타데이터를 획득할 수 있다. 예를 들어, 제1 메타데이터 및 제2 메타데이터는 각각 제1 이미지 및 제2 이미지의 생성 시간, 생성 기기 및 수정 시간 중 적어도 하나에 대한 정보를 포함할 수 있다. 뿐만 아니라, 제1 메타데이터 및 제2 메타데이터 중 적어도 하나는 이미지의 생성 장소, 화질, 저장 포맷 등과 같은 다양한 정보를 포함할 수 있다. 특히, 제1 메타데이터 및 제2 메타데이터 중 적어도 하나는 EXIF(Exchangeable Image File Format)와 같은 이미지 파일 포멧으로 획득될 수 있다.

제1 메타데이터 및 제2 메타데이터가 획득되면, 전자 장치(100)는 제1 메타데이터 및 제2 메타데이터를 바탕으로 제1 이미지 및 제2 이미지를 각각 원본 이미지 및 보정된 이미지로 구별할 수 있다. 예를 들어, 전자 장치(100)는 학습 데이터에서, 촬영 기기와 촬영 시간이 동일한 복수의 이미지 중 수정 시간이 가장 빠른 이미지를 원본 이미지로, 수정 시간이 원본 이미지보다 느린 이미지를 보정된 이미지로 식별할 수 있다. 또 다른 예로서, 전자 장치(100)는 학습 데이터에서, 생성 장소가 동일한 복수의 이미지 중 수정 시간이 가장 빠른 이미지를 원본 이미지로, 수정 시간이 원본 이미지보다 느린 이미지를 보정된 이미지로 식별할 수 있다.

상술한 바와 같이 원본 이미지 및 보정된 이미지가 구별되면, 전자 장치(100)는 원본 이미지 및 보정된 이미지를 본 개시에 따른 신경망 모델에 입력하여, 이하에서 설명하는 바와 같이 신경망 모델을 학습시킬 수 있다.

즉, 제1 이미지 및 제2 이미지가 획득되면, 전자 장치(100)는 제1 이미지 및 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시킬 수 있다(S130). 여기서, '신경망 모델'은 인공 신경망(neural network)을 포함하는 인공 지능 모델을 말하며, 따라서 신경망 모델이라는 용어는 인공 지능 모델이라는 용어로 대체될 수 있다.

구체적으로, 전자 장치(100)는 제1 이미지 및 제2 이미지를 바탕으로, 신경망 모델이 원본 이미지가 보정된 이미지를 출력하도록 학습시키거나, 신경망 모델이 원본 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 출력하도록 학습시킬 수 있다.

한편, 본 개시를 설명함에 있어서는 설명의 편의를 위해, 주로 제1 이미지 및 제2 이미지라는 한 쌍의 이미지를 바탕으로 신경망 모델을 학습시키는 것으로 설명할 것이지만, 본 개시에 따른 신경망 모델이 여러 쌍의 원본 이미지 및 사용자의 설정에 의해 보정된 이미지를 포함하는 학습 데이터를 바탕으로 학습될 수 있으며, 학습 데이터에 포함된 원본 이미지 및 보정된 이미지의 양이 증가할수록 신경망 모델의 학습 효과가 높아질 수 있음은 물론이다. 즉, 제1 이미지 및 제2 이미지는 본 개시에 따른 신경망 모델의 학습 과정에서, 학습 데이터에 포함된 여러 쌍의 이미지 세트 중에서 무작위로 추출된 하나의 이미지 세트를 지칭하기 위한 것이라고 할 수 있다.

한편, 본 개시에 따른 신경망 모델의 학습은 다양한 조건 하에 수행될 수 있다. 구체적으로, 신경망 모델의 학습 과정은 원본 이미지 및 그 원본 이미지에 대응되는 보정 이미지가 획득되는 것을 조건으로 수행될 수 있다. 다시 말해, 원본 이미지 및 그 원본 이미지에 대응되는 보정 이미지가 획득되면, 전자 장치(100)는 획득된 원본 이미지 및 보정 이미지를 신경망 모델에 입력하여 신경망 모델을 학습시킬 수 있다.

뿐만 아니라, 신경망 모델의 학습 과정은 기 설정된 시간에 수행될 수도 있다. 구체적으로, 전자 장치(100)는 전자 장치(100)의 전원 공급이 충분한 경우 및 사용자가 전자 장치(100)를 사용하는 빈도가 적은 경우에 한하여 신경망 모델을 학습시킬 수 있다. 예를 들어, 전자 장치(100)의 전원 공급이 충분한 경우는 전자 장치(100)에 전원이 연결된 경우일 수 있다. 한편, 사용자가 전자 장치(100)를 사용하는 빈도가 적은 경우인지 여부는 사용자의 사용 빈도가 적은 시간을 사전에 설정함으로써 식별될 수 있으며, 뿐만 아니라 전자 장치(100)에 포함된 자이로 센서(gyro sensor) 등을 통해 감지된 정보를 바탕으로 식별될 수도 있다.

제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 학습된 신경망 모델을 이용하여 제3 이미지가 보정된 제4 이미지를 획득할 수 있다(S140).

여기서, '제3 이미지'는 제1 이미지 및 제2 이미지와 상이한 새로운 원본 이미지를 의미하며, 사용자가 새로 촬영한 이미지 또는 전자 장치(100)에 표시되는 스크린에서 캡쳐한 이미지일 수 있다. 제4 이미지가 보정되기 전의 원본 이미지를 말하며, '제4 이미지'는 제3 이미지가 보정된 후의 보정 이미지를 말한다. 즉, 제3 이미지라는 용어 및 제4 이미지라는 용어 또한, 제1 이미지라는 용어 및 제2 이미지라는 용어와 마찬가지로 원본 이미지 및 그 원본 이미지에 대한 보정을 수행하여 획득된 이미지 사이의 상대적인 관계를 특정하기 위한 용어로 사용된다. 다만, 제1 이미지 및 제2 이미지는 본 개시에 따른 신경망 모델의 학습에 이용되는 이미지를 특정하기 위한 것인 반면, 제3 이미지 및 제4 이미지는 각각 신경망 모델이 학습된 후 학습된 신경망 모델에 입력되는 입력 이미지와 학습된 신경망 모델을 이용하여 획득되는 출력 이미지를 특정하기 위한 것이라는 점에서 차이가 있다.

한편, 전술한 바와 같이 '제1 사용자 명령'은 보정 파라미터에 대한 사용자의 설정을 바탕으로 보정된 이미지를 획득하기 위한 사용자 명령인 반면, '제2 사용자 명령'은 본 개시에 따른 신경망 모델을 통해 보정된 이미지를 획득하기 위한 사용자 명령을 의미한다. 예를 들어, 제2 사용자 명령은 이미지 보정을 위한 어플리케이션을 통해 제공되는 사용자 인터페이스에서 특정 UI 엘리먼트를 선택하는 사용자 인터렉션에 따라 수신될 수 있다. 또한, 제2 사용자 명령은 이미지의 열람을 위한 어플리케이션을 통해 복수의 원본 이미지에 대응되는 복수의 썸네일 이미지가 제공되는 경우, 복수의 썸네일 이미지 중 하나를 선택하는 사용자 인터렉션에 따라 수신될 수 있다. 뿐만 아니라, 제2 사용자 명령은 복수의 썸네일 이미지와 함께 그 썸네일 이미지에 대응되는 원본 이미지에 대한 보정이 가능한지 여부를 나타내는 정보가 표시되는 경우, 보정이 가능한 것으로 표시된 썸네일 이미지 중 하나를 선택하는 사용자 인터렉션에 따라 수신될 수도 있다. 제2 사용자 명령을 입력하기 위한 구체적인 사용자 인터페이스의 일 예에 대해서는 도 4a를 참조하여 보다 상세하게 설명한다.

특히, 본 개시에 따른 신경망 모델은, 이미지를 생성하도록 학습된 생성기(generator) 및 복수의 이미지를 구별하도록 학습된 비교기(comparator)를 포함하는 제1 신경망 모델을 포함할 수 있으며, 그리고, 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하도록 학습된 실행기(implementor) 및 복수의 이미지를 구별하도록 학습된 비교기를 포함하는 제2 신경망 모델을 포함할 수 있다. 예를 들어, 제1 신경망 모델은 GAN(Generative Adversarial Network) 모델일 수 있으나, 본 개시에 따른 신경망 모델이 특정한 종류의 신경망을 포함하는 모델에 국한되는 것은 아니다. 이하에서는 본 개시에 따른 신경망 모델이 제1 신경망 모델로 구현되는 경우와 제2 신경망 모델로 구현되는 경우 각각을 나누어 설명한다.

첫째로, 본 개시에 따른 신경망 모델이 제1 신경망 모델로 구현되는 경우, 제1 이미지 및 제2 이미지와 상이한 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 학습된 제1 신경망 모델에 제3 이미지를 입력하여 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

구체적으로, 제1 신경망 모델에 대한 학습 과정이 수행된 후, 제1 이미지 및 제2 이미지와 상이한 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 학습된 제1 신경망 모델을 이용하여 제3 이미지가 보정된 제4 이미지를 획득할 수 있다. 본 개시에 따른 제1 신경망 모델의 보다 구체적인 특징에 대해서는 도 2a 및 도 2b를 참조하여 상술한다.

둘째로, 본 개시에 따른 신경망 모델이 제2 신경망 모델로 구현되는 경우, 제1 이미지 및 제2 이미지와 상이한 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 학습된 신경망 모델에 신경망 모델이 제3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하고, 획득된 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

구체적으로, 제1 신경망 모델에 대한 학습 과정이 수행된 후, 제1 이미지 및 제2 이미지와 상이한 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 학습된 제2 신경망 모델을 이용하여 제3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득할 수 있게 된다. 그리고, 제3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보가 획득되면, 전자 장치(100)는 획득된 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 제3 이미지가 보정된 제4 이미지를 획득할 수 있다. 본 개시에 따른 제2 신경망 모델의 보다 구체적인 특징에 대해서는 도 3a 및 도 3b를 참조하여 상술한다.

한편, 이상에서는 제3 이미지가 획득된 후 그 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)가 제2 사용자 명령에 응답하여 제3 이미지가 보정된 제4 이미지를 획득하는 실시 예에 대해 설명하였으나, 본 개시가 이에 국한되는 것은 아니다. 즉, 본 개시의 다른 실시 예에 따르면, 전자 장치(100)는 제3 이미지가 획득되는 것 자체를 조건으로, 제3 이미지가 보정된 제4 이미지를 획득할 수도 있다. 다시 말해, 전자 장치(100)는 제3 이미지가 획득되면, 제2 사용자 명령이 수신되지 않더라도 제4 이미지를 획득할 수도 있다.

결국, 도 1을 참조하여 상술한 바와 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치(100)는 원본 이미지 및 사용자의 설정을 바탕으로 보정된 이미지를 포함하는 학습 데이터를 바탕으로 신경망 모델을 학습시킬 수 있다. 그리고, 전자 장치(100)는 학습된 제1 신경망 모델을 이용하여 사용자가 선호하는 보정 패턴에 부합하도록 보정된 이미지를 획득하거나, 학습된 제2 신경망 모델을 이용하여 사용자가 선호하는 보정 패턴에 대응되는 보정 파라미터에 대한 정보를 획득할 수 있다.

이에 따라, 전자 장치(100)는 원본 이미지를 자동으로 보정하여 사용자의 편의성을 제고함과 동시에, 그 이미지의 보정에 있어서 사용자가 선호하는 보정 패턴을 자동으로 반영함으로써 개별 사용자 각각이 선호하는 패턴으로 보정된 이미지를 제공할 수 있게 된다.

본 개시에 따른 신경망 모델의 구체적인 아키텍처 및 그에 따른 본 개시의 실시 예에 대해서는 이하 도 2a, 도 2b, 도 3a 및 도 3d를 참조하여 보다 구체적으로 설명한다.

도 2a 및 도 2b는 각각 본 개시의 다른 실시 예에 따른 제1 신경망 모델(10)의 학습 과정과 학습된 제1 신경망 모델(10)을 이용하여 보정된 이미지를 획득하는 과정을 상세하게 설명하기 위한 도면이다.

도 2a 참조하면, 본 개시의 일 실시 예에 따른 신경망 모델은 생성기(11)(generator) 및 비교기(12)(comparator)를 포함하는 제1 신경망 모델(10)일 수 있다. 본 개시에 따른 신경망 모델이 특정한 종류의 신경망을 포함하는 모델에 국한되는 것은 아니지만, 특히, 제1 신경망 모델(10)은 GAN(Generative Adversarial Network) 모델을 바탕으로 구현될 수 있다.

생성기(11)는 이미지를 생성하도록 구성된 신경망 모델을 말한다. 구체적으로, 학습 데이터에서 무작위로 추출된 하나의 이미지 세트 중 원본 이미지가 입력되면, 생성기(11)는 입력된 원본 이미지를 바탕으로 보정된 이미지를 생성하여 출력할 수 있다. 여기서, 생성기(11)에 이미지가 입력된다는 것은 이미지 그 자체가 입력되는 것뿐만 아니라, 임베더(embedder)와 같은 신경망을 통해 이미지에 포함된 정보에 대응되는 벡터를 획득하고, 획득된 벡터가 입력되는 것을 포함할 수 있다. 그리고, 입력된 이미지를 바탕으로 보정된 이미지를 출력하는 과정은, 이미지의 픽셀 값을 변경하여 보정된 이미지를 생성하거나, 이미지의 보정에 관련된 적어도 하나의 파라미터를 변경하여 보정된 이미지를 생성하는 과정을 통해 수행될 수 있다.

비교기(12)는 복수의 이미지를 구별하도록 구성된 신경망 모델을 말한다. 구체적으로, 생성기(11)가 보정된 이미지를 출력하면, 비교기(12)는 생성기(11)에 의해 생성된 이미지와 학습 데이터의 보정된 이미지를 비교하여 피드백 정보를 출력할 수 있다. 여기서, 학습 데이터의 보정된 이미지란 학습 데이터에 포함된 이미지 세트 중 생성기(11)에 입력된 원본 이미지에 대응되는 보정된 이미지를 말한다. 그리고, 피드백 정보란 생성기(11)에 의해 생성된 이미지가 학습 데이터의 보정된 이미지와 유사한지 여부에 대한 확률 정보를 포함할 수 있다.

이하에서는 이상에서 설명한 바와 같은 아키텍처로 구성된 제1 신경망 모델(10)이 학습되는 과정에 대해 설명한다. 먼저 비교기(12)의 경우, 생성기(11)에 의해 생성된 이미지가 학습 데이터의 보정된 이미지와 유사할수록 1에 가까운 확률 값을 획득하고, 생성기(11)에 의해 생성된 이미지가 학습 데이터의 보정된 이미지와 유사하지 않을수록 0에 가까운 확률 값을 획득할 수 있다. 그리고, 생성기(11)에 의해 생성된 이미지를 비교기(12)에 입력하는 경우의 확률 값과 학습 데이터의 보정된 이미지를 비교기(12)에 입력하는 경우의 확률 값을 합한 값이 비교기(12)의 손실 함수(loss function)가 될 수 있다.

그리고, 이 손실 함수의 값을 최소화하는 방향으로 비교기(12)의 가중치가 업데이트됨으로써 비교기(12)의 학습 과정이 수행될 수 있다. 구체적으로, 손실 함수 값은 역전파(backpropagation)를 통해 생성기(11) 및 비교기(12)에 포함된 각각의 레이어의 가중치에 전달되어 업데이트의 방향과 크기를 결정할 수 있다. 이와 같은 방식으로 가중치를 최적화하는 방식을 경사하강법(gradient descent)이라고 부른다. 다만, 본 개시에 따른 가중치의 최적화 방식이 특정한 방식에 국한되는 것은 아니다.

한편, 생성기(11)의 경우, 생성기(11)에 의해 생성된 이미지를 비교기(12)에 입력하는 경우 비교기(12)가 1에 가까운 확률 값을 획득하도록 학습될 수 있다. 즉, 생성기(11)에 의해 생성된 이미지를 비교기(12)에 입력하는 경우의 확률 값과 1 사이의 차이가 생성기(11)의 손실함수가 되고, 이 손실 함수의 값을 최소화하는 방향으로 생성기(11)의 가중치가 업데이트됨으로써 생성기(11)의 학습 과정이 수행될 수 있다.

결국, 본 개시에 따른 생성기(11)는 학습 데이터의 보정된 이미지와 유사한 이미지를 생성하도록 학습되고, 비교기(12)는 생성기(11)에 의해 생성된 이미지와 학습 데이터의 보정된 이미지를 구별하도록 학습됨으로써, 생성기(11) 및 비교기(12)는 서로 적대적으로 학습(adversarial learning)될 수 있다. 그리고, 그 결과 생성기(11)는 학습 데이터의 보정된 이미지와 구별할 수 없을 만큼 유사한 이미지를 생성하여 출력할 수 있게 된다.

특히, 생성기(11)는 기 구축된 학습 데이터에 포함된 여러 쌍의 원본 이미지 및 보정된 이미지를 바탕으로 학습될 수 있다. 여기서, 기 구축된 학습 데이터에 포함된 보정된 이미지는 특히, 이미지 보정 분야의 전문가에 의해 보정된 이미지일 수 있다. 그리고, 기 구축된 학습 데이터를 바탕으로 생성기(11)가 학습되는 경우, 생성기는 이미지 보정 분야에 있어서 일반적으로 많이 사용되는 효과들을 반영하여 보정된 이미지를 생성할 수 있다.

한편, 생성기(11)는 사용자에 의해 추가된 학습 데이터에 포함된 여러 쌍의 원본 이미지 및 보정된 이미지를 바탕으로 학습될 수 있다. 여기서, 사용자에 의해 추가된 학습 데이터는 전자 장치(100)의 사용자에 의해 획득된 원본 이미지 및 사용자의 설정에 의해 보정된 이미지를 포함할 수 있다. 사용자에 의해 추가된 학습 데이터를 바탕으로 생성기(11)가 학습되는 경우, 생성기는 사용자가 선호하는 패턴으로 보정된 이미지를 생성할 수 있게 된다.

이하에서는 본 개시에 따른 전자 장치(100)가 상술한 바와 같은 제1 신경망을 이용함으로써 본 개시에 따른 실시 예를 구현하는 과정에 대해 설명한다. 먼저, 전자 장치(100)는 제1 신경망 모델(10)의 생성기(11)에 제1 이미지를 입력하여 제1 이미지가 보정된 제5 이미지를 획득할 수 있다. 여기서, '제1 이미지'는 전술한 바와 같이 학습 데이터에서 무작위로 추출된 하나의 이미지 세트 중 원본 이미지를 말하며, '제5 이미지'는 제1 신경망 모델(10)의 학습 과정에서 생성기(11)에 의해 생성되어 출력된 이미지를 말한다.

제5 이미지가 획득되면, 전자 장치(100)는 제1 신경망 모델(10)의 비교기(12)에 제2 이미지 및 제5 이미지를 입력하여, 제2 이미지의 픽셀 값 및 제5 이미지의 픽셀 값 사이의 차이에 관련된 제1 피드백 정보를 획득할 수 있다. 여기서, '제2 이미지'는 전술한 바와 같이 학습 데이터에서 무작위로 추출된 하나의 이미지 세트 중 원본 이미지를 말하며, '제1 피드백 정보'는 제2 이미지의 픽셀 값 및 제5 이미지의 픽셀 값 사이의 차이를 바탕으로 획득된 손실 함수 값에 대한 정보를 포함할 수 있다.

그리고, 생성기(11)는 제1 피드백 정보를 바탕으로 학습될 수 있다. 구체적으로, 전자 장치(100)는 제2 이미지의 픽셀 값 및 제5 이미지의 픽셀 값의 차이를 바탕으로 손실 함수 값을 획득하고, 그 손실 함수 값을 역전파하여, 손실 함수 값이 최소가 되도록 생성기(11)를 학습시킬 수 있다. 보다 구체적으로, 생성기(11)는 보정 파라미터에 대한 사용자의 설정을 바탕으로 획득된 제2 이미지와 생성기(11)에 의해 출력된 제5 이미지 사이의 차이를 최소화하도록 학습될 수 있다. 한편, 비교기(12)는 보정 파라미터에 대한 사용자의 설정을 바탕으로 획득된 제2 이미지와 생성기(11)에 의해 출력된 제5 이미지를 구별하도록 학습될 수 있다.

상술한 바와 같이 제1 이미지 및 제2 이미지를 포함하는 학습 데이터, 즉 여러 쌍의 원본 이미지 및 사용자의 설정을 바탕으로 보정된 이미지를 포함하는 학습 데이터를 바탕으로 제1 신경망 모델(10)이 학습되면, 제1 신경망 모델(10)에 포함된 생성기(11)는 학습 데이터의 보정된 이미지, 즉 사용자의 설정을 바탕으로 보정된 이미지와 구별할 수 없을 만큼 유사한 이미지를 생성하여 출력할 수 있게 된다.

즉, 상술한 바와 같은 학습 과정이 수행된 후, 전자 장치(100)는 학습된 신경망 모델을 이용하여, 제3 이미지가 보정된 제4 이미지를 획득할 수 있다. 구체적으로, 도 2b를 참조하면, 제1 이미지 및 제2 이미지와 상이한 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 제3 이미지를 학습된 생성기(11)에 입력하여 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

이상에서는 본 개시에 따른 신경망 모델이 생성기(11) 및 비교기(12)를 포함하는 제1 신경망 모델(10)인 경우의 실시 예에 대해 상술하였는바, 이하에서는 본 개시에 따른 신경망 모델이 실행기 및 비교기(12)를 포함하는 제2 신경망 모델인 경우의 실시 예에 대해 상술한다.

도 3a 및 도 3b는 각각 본 개시의 다른 실시 예에 따른 제2 신경망 모델(20)의 학습 과정과 학습된 제2 신경망 모델(20)을 이용하여 보정된 이미지를 획득하는 과정을 상세하게 설명하기 위한 도면이다.

도 3a를 참조하면, 본 개시의 일 실시 예에 따른 신경망 모델은 실행기(21)(implementor) 및 비교기(23)를 포함하는 제2 신경망 모델(20)일 수 있다. 또한, 도 3a에 도시된 바와 같이, 제2 신경망 모델(20)의 학습 과정 및 학습된 제2 신경망 모델(20)을 이용하여 보정된 이미지를 획득하는 과정에 있어서는 실행기(21) 및 비교기(23)와 함께 편집기(22)가 이용될 수 있다.

실행기(21)는 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하도록 구성된 신경망 모델을 말한다. 학습 데이터에서 무작위로 추출된 하나의 이미지 세트 중 원본 이미지가 입력되면, 실행기(21)는 입력된 원본 이미지를 바탕으로 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하여 출력할 수 있다. 여기서, 실행기(21)에 이미지가 입력된다는 것의 의미 또한, 생성기(11)에 이미지가 입력되는 경우와 마찬가지로, 이미지 그 자체가 입력되는 것뿐만 아니라, 임베더와 같은 신경망을 통해 이미지에 포함된 정보에 대응되는 벡터를 획득하고, 획득된 벡터가 입력되는 것을 포함할 수 있다. 그리고, 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하는 과정은, 보정된 이미지를 생성하기 하기 위해 원본 이미지에 어떠한 보정 파라미터가 적용되어야 하는지를 식별하거나, 보정된 이미지를 생성하기 하기 위해 어떠한 픽셀 값을 갖는 이미지를 생성하여야 하는지를 식별하는 과정을 통해 수행될 수 있다.

편집기(22)는 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 보정된 이미지를 생성하도록 구성된 모듈을 말한다. 구체적으로, 실행기(21)를 통해 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보가 출력되면, 편집기(22)는 실행기(21)로부터 적어도 하나의 보정 파라미터에 대한 정보를 입력받을 수 있다. 그리고, 적어도 하나의 보정 파라미터에 대한 정보가 입력되면, 편집기(22)는 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 보정된 이미지를 생성하여 출력할 수 있다.

보다 구체적으로, 도 3a에서는 적어도 하나의 보정 파라미터에 대한 정보만이 편집기(22)에 입력되는 것으로 도시하였으나, 적어도 하나의 보정 파라미터에 대한 정보와 함께 실행기(21)에 입력된 원본 이미지가 편집기(22)에 입력될 수 있다. 그리고, 실행기(21)는 원본 이미지에 적어도 하나의 보정 파라미터에 대한 정보를 반영하여 보정된 이미지를 생성하여 출력할 수 있다. 한편, 편집기(22)는 도 3a에 도시된 바와 같이 본 개시에 따른 제2 신경망 모델(20)과 구분되는 별도의 모듈로 구현될 수 있을 뿐만 아니라, 제2 신경망 모델(20)에 포함되는 신경망으로 구현될 수도 있다.

비교기(23)는 제1 신경망 모델의 경우와 마찬가지로, 복수의 이미지를 구별하도록 복수의 이미지를 구별하도록 구성된 신경망 모델을 말한다. 구체적으로, 편집기(22)가 보정된 이미지를 출력하면, 비교기(23)는 편집기(22)에 의해 생성된 이미지와 학습 데이터의 보정된 이미지를 비교하여 피드백 정보를 출력할 수 있다. 전술한 바와 같이, 학습 데이터의 보정된 이미지란 학습 데이터에 포함된 이미지 세트 중 생성기에 입력된 원본 이미지에 대응되는 보정된 이미지를 말한다. 그리고, 피드백 정보란 편집기(22)에 의해 생성된 이미지가 학습 데이터의 보정된 이미지와 유사한지 여부에 대한 확률 정보를 포함할 수 있다.

이하에서는 이상에서 설명한 바와 같은 아키텍처로 구성된 제2 신경망 모델(20)이 학습되는 과정에 대해 설명한다. 먼저 비교기(23)의 경우, 편집기(22)에 의해 생성된 이미지가 학습 데이터의 보정된 이미지와 유사할수록 1에 가까운 확률 값을 획득하고, 편집기(22)에 의해 생성된 이미지가 학습 데이터의 보정된 이미지와 유사하지 않을수록 0에 가까운 확률 값을 획득할 수 있다. 그리고, 편집기(22)에 의해 생성된 이미지를 비교기(23)에 입력하는 경우의 확률 값과 학습 데이터의 보정된 이미지를 비교기(23)에 입력하는 경우의 확률 값을 합한 값이 비교기(23)의 손실 함수가 될 수 있다. 그리고, 이 손실 함수의 값을 최소화하는 방향으로 비교기(23)의 가중치가 업데이트됨으로써 비교기(23)의 학습 과정이 수행될 수 있다.

한편, 생성기의 경우, 생성기에 의해 획득된 적어도 하나의 보정 파라미터에 대한 정보를 비교기(23)에 입력하는 경우 비교기(23)가 1에 가까운 확률 값을 획득하도록 학습될 수 있다. 즉, 편집기(22)에 의해 생성된 이미지를 비교기(23)에 입력하는 경우의 확률 값과 1 사이의 차이가 생성기의 손실함수가 되고, 이 손실 함수의 값을 최소화하는 방향으로 생성기의 가중치가 업데이트됨으로써 생성기의 학습 과정이 수행될 수 있다.

특히, 실행기(21)는 비교기(23)에 의해 획득된 피드백 정보를 바탕으로 학습될 수 있다. 여기서, 피드백 정보는 편집기(22)에 의해 생성된 이미지가 학습 데이터의 보정된 이미지와 유사한 이미지가 되도록 하기 위해 변경해야 할 보정 파라미터 값에 대한 정보를 포함할 수 있다. 보다 구체적으로, 실행기(21)에 의해 출력된 보정 파라미터를 바탕으로 편집기(22)에 의해 이미지가 생성되면, 편집기(22)에 의해 생성된 이미지 및 학습 데이터의 보정된 이미지는 비교기(23)에 입력될 수 있다. 그리고, 비교기(23)는 편집기(22)에 의해 생성된 이미지 및 학습 데이터의 보정된 이미지를 비교하여, 편집기(22)에 의해 생성된 이미지의 픽셀 값 및 학습 데이터의 보정된 이미지의 픽셀 값 사이의 차이에 관련된 피드백 정보를 획득할 수 있다.

그 밖에도, 제2 신경망 모델(20)의 학습 방법에 대해서는 도 3a를 참조하여 상술한 바와 같은 제1 신경망 모델의 학습 방법이 적용될 수 있는바, 중복 설명은 생략한다.

이하에서는 본 개시에 따른 전자 장치(100)가 상술한 바와 같은 제2 신경망을 이용함으로써 본 개시에 따른 실시 예를 구현하는 과정에 대해 설명한다. 먼저, 전자 장치(100)는 제2 신경망 모델(20)의 생성기에 제1 이미지를 입력하여 제1 이미지의 보정에 관련된 적어도 하나의 보정 파라미터를 획득할 수 있다. 전술한 바와 같이, 적어도 하나의 보정 파라미터는 색조, 명도, 채도 및 대비 중 적어도 하나를 포함할 수 있다. 뿐만 아니라, 적어도 하나의 보정 파라미터는 노출, 하이라이트, 그림자, 밝기, 색 온도, 노이즈, 비네트, 블랙포인트 등과 같이, 이미지의 보정에 관련된 다양한 보정 파라미터를 포함할 수도 있다.

제1 이미지의 보정에 관련된 적어도 하나의 보정 파라미터가 획득되면, 전자 장치(100)는 제1 이미지의 보정에 관련된 적어도 하나의 보정 파라미터를 편집기(22)에 입력하여 제1 이미지가 보정된 제6 이미지를 획득할 수 있다. 여기서, '제6 이미지'라는 용어는 제2 신경망 모델(20)의 학습 과정에서 실행기(21)에 의해 출력된 보정 파라미터를 바탕으로 편집기(22)에 의해 출력된 이미지를 특정하기 위한 것이다. 한편, '편집기(22)'는 이미지 보정을 위한 어플리케이션을 통해 구현될 수 있으며, 제2 신경망 모델(20)에 포함된 형태로 구현될 수도 있다.

제6 이미지가 획득되면, 전자 장치(100)는 비교기(23)에 제2 이미지 및 제6 이미지를 입력하여, 제2 이미지의 픽셀 값 및 제6 이미지의 픽셀 값 사이의 차이에 관련된 제2 피드백 정보를 획득할 수 있다. 여기서, '제2 피드백 정보'는 제2 이미지의 픽셀 값 및 제6 이미지의 픽셀 값 사이의 차이를 바탕으로 획득된 손실 함수 값에 대한 정보를 포함할 수 있다.

그리고, 실행기(21)는 제2 피드백 정보를 바탕으로 학습될 수 있다. 전술한 바와 같이, 제1 신경망 모델에 대한 학습 방법은 제2 신경망 모델(20)에 대한 학습 방법에도 적용될 수 있는바, 상세한 내용에 대한 중복 설명은 생략한다.

상술한 바와 같은 학습 과정이 학습 데이터에 포함된 여러 쌍의 이미지를 바탕으로 수행되면, 실행기(21)는 사용자에 의해 설정된 보정 파라미터와 구별할 수 없을 만큼 유사한 보정 파라미터를 획득할 수 있게 된다. 그리고, 편집기(22)는 실행기(21)에 의해 획득된 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 사용자의 설정을 바탕으로 보정된 이미지와 구별할 수 없을 만큼 유사한 이미지를 생성하여 출력할 수 있게 된다.

나아가, 상술한 바와 같은 학습 과정이 수행된 후, 전자 장치(100)는 학습된 신경망 모델을 이용하여, 제3 이미지가 보정된 제4 이미지를 획득할 수 있다. 구체적으로, 도 3b를 참조하면, 제1 이미지 및 제2 이미지와 상이한 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 학습된 신경망 모델에 신경망 모델이 제3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하고, 획득된 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

이하에서는 도 4a 내지 도 8b를 참조하여, 본 개시의 또 다른 실시 예에 대해 설명한다.

도 4a 내지 도 4d는 본 개시의 일 실시 예에 따른 사용자 인터페이스를 나타내기 위한 도면이다.

도 4a는 본 개시의 일 실시 예에 따른 제1 사용자 인터페이스(41)를 나타낸다. 제1 사용자 인터페이스(41)는 원본 이미지인 제3 이미지 및 제1 UI 엘리먼트(User Interface Element)(410)를 포함할 수 있다. 도 4a에 도시된 제3 이미지에는 "인물의 얼굴 부분"과 "인물의 손 부분"에는 음영 처리가 되어 있는바, 이는 원본 이미지에서 보정된 이미지보다 상대적으로 명도가 낮은 부분을 나타내기 위한 것이다.

한편, 본 개시에 따른 신경망 모델을 통해 제3 이미지를 보정하기 위한 제2 사용자 명령은 도 4a의 제1 UI 엘리먼트(410)를 터치하는 사용자 인터렉션을 바탕으로 입력될 수 있다. 제1 UI 엘리먼트(410)를 터치하는 사용자 인터렉션을 바탕으로 제2 사용자 명령이 수신되면, 전자 장치(100)는 학습된 신경망 모델을 이용하여, 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

도 4b는 도 4a를 참조하여 설명한 과정에 따라 획득된 제4 이미지를 포함하는 제2 사용자 인터페이스(42)를 나타낸다. 구체적으로, 제2 사용자 인터페이스(42)는 제4 이미지 및 제4 이미지의 보정 여부를 선택하기 위한 제2 UI 엘리먼트를 포함할 수 있다. 도 4b에 도시된 제4 이미지에서 "인물의 손 부분"에는 음영 처리가 되어 있으나 "인물의 얼굴 부분"에는 음영 처리가 되어 있지 않은바, 이는 신경망 모델을 통한 보정에 의해 "인물의 얼굴 부분"의 명도가 높게 보정되었다는 것을 나타내기 위한 것이다. 즉, 전자 장치(100)는 원본 이미지인 제3 이미지의 "인물의 얼굴 부분"에 대한 명도가 보정된 제4 이미지를 획득할 수 있다.

한편, 제2 사용자 인터페이스(42)는 보정 파라미터에 대한 사용자의 설정을 바탕으로 제4 이미지를 추가로 보정할 것인지 여부를 선택하기 위한 제1 UI 엘리먼트(420)를 포함할 수 있다. 예를 들어, 도 4b에 도시된 바와 같은 제1 UI 엘리먼트(420)의 "OK" 항목을 터치하는 사용자 인터렉션이 수신되면, 전자 장치(100)는 보정 파라미터에 대한 사용자의 설정을 바탕으로 제4 이미지를 추가적으로 보정하지 않는 것으로 결정하고, 제4 이미지를 저장할 수 있다. 반면, 도 4b에 도시된 바와 같은 제2 UI 엘리먼트(420)의 "edit more" 항목을 터치하는 사용자 인터렉션이 수신되면, 전자 장치(100)는 사용자의 설정을 바탕으로 제4 이미지를 추가적으로 보정하는 것으로 결정할 수 있다.

도 4c는 도 4b를 참조하여 설명한 과정에 따라 사용자의 설정을 바탕으로 제4 이미지를 추가적으로 보정하는 것으로 결정된 경우에 표시되는 제3 사용자 인터페이스(43)을 나타낸다.

제3 사용자 인터페이스(43)는 도 4c에 도시된 바와 같은 제3 UI 엘리먼트(430)을 포함할 수 있다. 구체적으로, 사용자의 설정을 바탕으로 제4 이미지를 추가적으로 보정하는 것으로 결정되면, 전자 장치(100)는 "Shadow", "Saturation" 및 "Lightness"와 같은 파라미터를 선택하기 위한 제3 UI 엘리먼트(430)를 포함하는 제3 사용자 인터페이스(43)를 표시할 수 있다. 또한, 제3 UI 엘리먼트(430)에 포함되는 파라미터는 사용자의 사용 빈도가 높은 파라미터 중 적어도 하나를 포함할 수 있다. 그리고, 제2 UI 엘리먼트(430)를 통해 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하는 제4 사용자 명령이 수신되면, 전자 장치(100)는 제4 이미지가 보정된 제7 이미지를 획득하여 표시할 수 있다.

도 4d는 도 4c를 참조하여 설명한 제3 UI 엘리먼트(430)를 통해 보정 파라미터에 대한 사용자의 설정이 수행된 경우에 표시되는 제4 사용자 인터페이스(44)를 나타낸다.

제4 사용자 인터페이스(44)는 제4 이미지가 보정된 제7 이미지를 포함할 수 있다. 예를 들어, 도 4d에 도시된 제7 이미지에서 "인물의 얼굴 부분"와 "인물의 손 부분" 모두에 음영 처리가 되어 있지 않은 바, 이는 신경망 모델을 통한 보정에 의해 "인물의 얼굴 부분"의 명도가 높게 보정된 이후, 사용자의 설정에 의해 "인물의 손 부분"에 대한 명도 또한 높게 보정되었다는 것을 나타내기 위한 것이다. 즉, 전자 장치(100)는 원본 이미지인 제4 이미지의 "인물의 손 부분"에 대한 명도가 보정된 제4 이미지를 획득할 수 있다.

한편, 제4 이미지가 보정된 제7 이미지가 획득되면, 전자 장치(100)는 제3 이미지 및 제7 이미지를 바탕으로 신경망 모델을 학습시킬 수 있다. 다시 말해, 원본 이미지인 제3 이미지 및 도 4a 내지 도 4d를 참조하여 설명한 바와 같은 실시 예에 따라 보정된 이미지인 제7 이미지 또한 본 개시에 따른 신경망 모델의 학습에 이용되는 학습 데이터에 포함될 수 있다.

도 5 내지 도 6b는 본 개시의 또 다른 실시 예에 따른 사용자 인터페이스를 나타내기 위한 도면이다.

이상에서는 도 4b를 참조하여, 신경망 모델을 통해 원본 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)가 학습된 신경망 모델을 통해 원본 이미지에 대응되는 하나의 보정된 이미지를 획득하고, 그 하나의 보정된 이미지를 사용자의 설정에 의해 추가로 보정하는 실시 예에 대해 설명한 바 있으나, 본 개시가 이에 국한되는 것은 아니다.

구체적으로, 도 5에 도시된 바와 같이, 신경망 모델을 통해 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 신경망 모델을 통해 원본 이미지에 대응되는 복수의 보정된 이미지를 획득하고, 획득된 복수의 보정된 이미지를 포함하는 제5 사용자 인터페이스(510)를 표시할 수 있다. 그리고, 제5 사용자 인터페이스(510)를 통해 복수의 보정된 이미지 중 하나를 선택하는 사용자 명령이 수신되면, 전자 장치(100)는 선택된 이미지를 보정된 이미지로 저장하고, 원본 이미지 및 선택된 보정된 이미지를 바탕으로 신경망 모델을 학습시킬 수 있다.

또 다른 실시 예에 따르면, 전자 장치(100)는 기 정의된 방식으로 보정 파라미터를 변경하여 보정된 이미지를 획득할 것인지, 아니면 본 개시에 따른 신경망 모델을 통해 보정된 이미지를 획득할 것인지를 선택하도록 하기 위한 제6 사용자 인터페이스(610, 620)를 표시할 수 있다. 예를 들어, 도 6a 및 도 6b에 도시된 바와 같이, 제6 사용자 인터페이스(610, 620)는 기 정의된 보정 방식을 선택하기 위한 UI 엘리먼트("고대비", "밝게" 및 "부드럽게") 및 본 개시에 따른 신경망 모델을 통해 보정된 이미지를 획득하는 것을 선택하기 위한 UI 엘리먼트("AI 추천")를 포함하는 추천 리스트를 포함할 수 있다.

여기서, 복수의 UI 엘리먼트가 표시되는 순서는 사용자의 설정에 의해 보정된 이미지가 획득됨에 따라 변경될 수 있다. 특히, 도 6a에 도시된 바와 같이, 학습 데이터에 사용의 설정에 의해 보정된 이미지의 양이 많지 않은 경우에는 사용자에 의해 자주 사용되는 보정 방식을 선택하기 위한 UI 엘리먼트를 추천 리스트의 상위 항목에 표시하고, 신경망 모델을 통해 보정된 이미지를 획득하는 것을 선택하기 위한 UI 엘리먼트를 추천 리스트의 하위 항목에 표시할 수 있다. 한편, 도 6b에 도시된 바와 같이, 학습 데이터에 사용의 설정에 의해 보정된 이미지의 양이 많아 지게 되면, 본 개시에 따른 신경망 모델은 개별 사용자 각각이 선호하는 패턴으로 보정된 이미지를 제공할 수 있게 되는바, 이 경우 전자 장치(100)는 제6 사용자 인터페이스(610, 620)의 추천 리스트에서, 신경망 모델을 통해 보정된 이미지를 획득하는 것을 선택하기 위한 UI 엘리먼트("AI 추천")를 기 정의된 보정 방식을 선택하기 위한 UI 엘리먼트("고대비", "밝게" 및 "부드럽게")보다 상위 항목에 표시할 수 있다.

도 7은 이미지의 유형에 따라 상이한 방법으로 이미지에 대한 보정을 수행하는 실시 예를 설명하기 위한 도면이다.

이상에서는 단순히 제1 이미지 및 제2 이미지를 바탕으로 신경망 모델을 학습시키고, 학습된 신경망 모델을 이용하여 제3 이미지가 보정된 제4 이미지를 획득함으로써 사용자가 선호하는 보정 패턴에 부합하도록 보정된 이미지를 획득하는 방법에 대해 상술하였으나, 사용자가 선호하는 보정 패턴은 이미지의 유형에 따라 달라질 수도 있다. 예를 들어, 사용자는 이미지에 "인물"이 포함된 경우에는 "인물의 얼굴"에 대응되는 영역을 밝은 색조로 보정(예: 밝기 값 증가)하는 것을 선호할 수 있고, 이미지에 "식물"이 포함된 경우에는 "식물의 잎"에 대응되는 영역을 선명한 색조로 보정(예: sharpness 값 증가)하는 것을 선호할 수 있다.

따라서, 본 개시의 일 실시 예에 따르면, 전자 장치(100)는 이미지의 유형에 따라 상이한 방법으로 이미지에 대한 보정을 수행할 수 있는바, 이하에서 도 7을 참조하여 상세하게 설명한다.

전술한 바와 같이, 전자 장치(100)는 원본 이미지인 제1 이미지 및 제1 이미지가 보정된 제2 이미지를 획득할 수 있다(S710). 그리고, 전자 장치(100)는 제1 이미지의 유형 및 제2 이미지의 유형에 관련된 제1 유형 정보를 획득할 수 있다(S720).

여기서, 제1 유형 정보라는 용어는 제1 이미지의 유형을 분류하기 위해 사용될 수 있는 모든 정보를 총칭하기 위해 사용된다. 구체적으로, 제1 유형 정보는 제1 이미지에 포함된 오브젝트에 대한 정보, 제1 이미지가 촬영된 장소에 대한 정보 및 제1 이미지가 촬영된 시간에 대한 정보 중 적어도 하나를 포함할 수 있다.

특히, 제1 이미지에 포함된 오브젝트에 대한 정보는 아래와 같은 과정을 통해 획득될 수 있다. 구체적으로, 전자 장치(100)는 제1 이미지 내의 경계를 추출하여 오브젝트의 존재 여부 및 오브젝트의 위치를 식별할 수 있다. 예를 들어, 전자 장치(100)는 2D 이미지 매칭, OCR(Optical Character Recognition), 그리고, 객체 인식을 위한 인공지능 모델 등을 통해 제1 이미지에 포함된 적어도 하나의 오브젝트를 식별할 수 있다. 보다 구체적으로, 전자 장치(100)는 엣지 검출(Edge Detection), 코너 검출(Corner Detection), 히스토그램 특징 검출, 영상 고주파 분석, 영상 분산(variance) 분석 등과 같은 다양한 방법을 이용하여, 제1 이미지에 포함된 오브젝트의 특징을 추출할 수 있다. 그리고, 전자 장치(100)는 추출된 특징을 바탕으로 제1 이미지에 포함된 오브젝트가 오브젝트를 분류하기 위한 복수의 카테고리 각각에 대응될 확률을 획득하고, 그에 따라 제3 이미지에 포함된 적어도 하나의 오브젝트를 식별할 수 있다.

또한, 전자 장치(100)는 학습된 객체 인식 모델을 통해 제1 이미지에 포함된 적어도 하나의 오브젝트를 식별할 수 있다. 구체적으로, 전자 장치(100)는 제1 이미지를 학습된 인공지능 모델에 입력하여 이미지에 포함된 적어도 하나의 오브젝트를 식별할 수 있다. 여기서, 객체 인식 모델은 기계학습, 신경망, 유전자, 딥러닝 및 분류 알고리즘과 같은 인공지능 알고리즘 중 적어도 하나를 이용하여 학습된 인공지능 모델일 수 있으며, 특히 CNN(Convolutional Neural Network) 및 RNN(Recurrent Neural Network) 중 적어도 하나의 인공 신경망을 포함할 수 있다. 다만, 본 개시에 따른 객체 인식 모델의 종류 및 그에 포함되는 인공 신경망의 종류에 특별한 제한이 있는 것은 아니다.

본 개시에 따른 객체 인식 모델은 사용자 인식 모델(user recognition model), 음식 인식 모델(food recognition model) 및 풍경 인식 모델(user recognition model) 등과 같이 오브젝트의 유형 별로 구현된 세부 모델을 포함할 수 있다. 또한, 사용자 인식 모델보다 더 구체적으로 사용자의 얼굴을 인식하기 위한 얼굴 인식 모델(face recognition model) 및 사용자의 얼굴 표정 등을 바탕으로 사용자의 감정을 인식하기 위한 감정 인식 모델(emotion recognition model) 등을 포함할 수도 있다. 그리고, 위와 같은 모델 중 적어도 일부는 인공 지능이 아닌 기 정의된 규칙에 기반하여 동작할 수도 있다.

한편, 제1 이미지가 촬영된 장소에 대한 정보 및 제1 이미지가 촬영된 시간에 대한 정보는 제1 이미지의 획득과 함께 전술한 바와 같은 메타데이터의 형태로 획득될 수 있다. 특히, 제1 이미지가 촬영된 장소에 대한 정보는 제1 이미지에 포함된 오브젝트 중 배경에 대한 정보를 바탕으로 획득될 수 있을 뿐만 아니라, 전자 장치(100)에 포함된 센서를 바탕으로 획득된 GPS(Global Positioning System) 정보를 바탕으로 획득될 수도 있다.

제1 유형 정보가 획득되면, 전자 장치(100)는 제1 이미지, 제2 이미지 및 제1 유형 정보를 바탕으로 신경망 모델을 학습시킬 수 있다(S730). 구체적으로, 이상에서는 신경망 모델이 하나의 신경망 모델로 구현되는 경우를 전제로 설명하였으나, 본 개시에 따른 신경망 모델은 입력된 이미지의 유형에 따라 구분되는 복수의 신경망 모델을 포함할 수 있다. 그리고, 전자 장치(100)는 상술한 바와 같은 제1 유형 정보를 바탕으로 복수의 신경망 모델 중 제1 이미지의 유형에 대응되는 신경망 모델을 식별하고, 제1 이미지의 유형에 대응되는 것으로 식별된 신경망 모델에 제1 이미지 및 제2 이미지를 입력함으로써 복수의 신경망 모델 별로 학습을 수행할 수 있다.

예를 들어, 제1 유형 정보를 바탕으로 제1 이미지가 "인물"이라는 오브젝트를 포함한다는 것이 식별되면, 전자 장치(100)는 복수의 신경망 모델 중 "인물"의 보정을 위한 신경망 모델을 식별하고, 제1 이미지 및 제2 이미지를 바탕으로, 식별된 신경망 모델을 학습시킬 수 있다. 또 다른 예를 들어, 제1 유형 정보를 바탕으로 제1 이미지의 촬영 장소가 "A 지역"이라는 것이 식별되면, 전자 장치(100)는 복수의 신경망 모델 중 촬영 장소가 "A 지역"인 이미지의 보정을 위한 신경망 모델을 식별하고, 제1 이미지 및 제2 이미지를 바탕으로, 식별된 신경망 모델을 학습시킬 수 있다.

한편, 전술한 바와 같이, 전자 장치(100)는 제1 이미지 및 제2 이미지와 상이한 새로운 원본 이미지인 제3 이미지를 획득할 수 있다(S740). 그리고, 제3 이미지가 획득되면, 전자 장치(100)는 제3 이미지의 유형에 관련된 제2 유형 정보를 획득할 수 있다(S750). 여기서, 여기서, 제2 유형 정보라는 용어는 제3 이미지의 유형을 분류하기 위해 사용될 수 있는 모든 정보를 총칭하기 위해 사용된다. 구체적으로, 제2 유형 정보는 제3 이미지에 포함된 오브젝트에 대한 정보, 제3 이미지가 촬영된 장소에 대한 정보 및 제3 이미지가 촬영된 시간에 대한 정보 중 적어도 하나를 포함할 수 있다.

제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 제3 이미지 및 제2 유형 정보를 바탕으로, 학습된 신경망 모델을 이용하여 제3 이미지가 보정된 제4 이미지 획득할 수 있다(S760). 구체적으로, 전자 장치(100)는 제2 유형 정보를 바탕으로, 상술한 바와 같이 이미지의 유형 별로 학습된 복수의 신경망 모델 중 제3 이미지의 유형에 대응되는 신경망 모델을 식별하고, 제3 이미지의 유형에 대응되는 것으로 식별된 신경망 모델에 제3 이미지를 입력하여 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

예를 들어, 제2 유형 정보를 바탕으로 제3 이미지가 "인물"이라는 오브젝트를 포함한다는 것이 식별되면, 전자 장치(100)는 학습된 복수의 신경망 모델 중 "인물"의 보정을 위한 신경망 모델을 식별하고, 식별된 신경망 모델에 제3 이미지를 입력함으로써 제3 이미지가 보정된 제4 이미지를 획득할 수 있다. 또 다른 예를 들어, 제2 유형 정보를 바탕으로 촬영 장소가 "A 지역"이라는 것이 식별되면, 전자 장치(100)는 학습된 복수의 신경망 모델 중 "A 지역"의 보정을 위한 신경망 모델을 식별하고, 식별된 신경망 모델에 제3 이미지를 입력함으로써 제3 이미지가 보정된 제4 이미지를 획득할 수 있다.

한편, 이상에서는 제1 이미지 및 제3 이미지가 "인물"이라는 오브젝트를 포함하는 경우를 예로 들어 설명하였으나, 이미지의 유형은 "인물"과 같은 카테고리로 분류될 수 있을 뿐만 아니라, "X라는 특정 인물"과 같은 카테고리로 분류될 수 있다. 그 밖에도, 이미지의 유형을 분류하기 위한 카테고리의 종류와 광협은 설계에 따라 다양한 방식으로 구현될 수 있다.

한편, 제1 이미지 및 제3 이미지의 촬영 장소가 "A 지역"인 경우를 예로 들어 설명하였으나, 제1 이미지를 바탕으로 복수의 신경망 모델 중 촬영 장소가 "A 지역(예를 들어, 오로라가 유명한 A 지역)"인 이미지의 보정을 위한 신경망 모델이 학습된 후, 촬영 장소가 "A 지역과 유사한 B 지역(예를 들어, A 지역과 마찬가지로 오로라가 유명한 B 지역)"인 제3 이미지가 획득되더라도, 제3 이미지의 보정에 있어서 촬영 장소가 "A 지역"인 이미지의 보정을 위한 신경망 모델을 이용하도록 구현될 수도 있다.

한편, 이상에서는 제1 유형 정보를 바탕으로 복수의 신경망 모델 중 제1 이미지의 유형에 대응되는 신경망 모델을 식별하고, 제1 이미지의 유형에 대응되는 것으로 식별된 신경망 모델에 제1 이미지 및 제2 이미지를 입력함으로써 복수의 신경망 모델 별로 학습을 수행하는 경우에 대해 설명하였으나, 제1 유형 정보를 바탕으로 복수의 신경망 모델 중 제1 이미지의 유형에 대응되는 신경망 모델을 식별하는 과정과 제1 이미지 및 제2 이미지를 바탕으로 학습을 수행하는 과정이 하나의 신경망 모델을 통해 수행되도록 구현될 수도 있다.

한편, 이상에서는 본 개시에 따른 신경망 모델이 이미지의 유형에 따라 복수의 신경망 모델로 구현되는 경우를 전제로 설명하였으나, 본 개시에 따른 신경망 모델은 하나의 통합적인 신경망 모델로 구현되고, 전자 장치(100)는 제1 이미지 및 제2 이미지와 함께 제1 유형 정보를 신경망 모델에 입력하여 신경망 모델을 학습시킬 수도 있다.

도 8a 및 도 8b는 이미지에 포함된 오브젝트를 식별하여 이미지에 대한 보정을 수행하는 것에 관련된 실시 예를 설명하기 위한 도면이다.

도 8a는 이미지에 포함된 오브젝트를 식별하여 이미지에 대한 보정을 수행하는 것에 관련된 실시 예의 각 단계를 나타내는 흐름도이고, 도 8b는 이미지에 포함된 오브젝트의 식별을 보다 구체적으로 설명하기 위한 도면이다.

제3 이미지가 획득되면(S810), 전자 장치(100)는 제3 이미지에 포함된 적어도 하나의 오브젝트를 식별할 수 있다(S820). 이미지에 포함된 오브젝트를 식별하는 방법에 대해서는 도 7에 대한 설명에서 상술하였으므로, 중복 설명은 생략한다.

예를 들어, 전자 장치(100)는 상술한 바와 같은 방법을 통해, 도 8b에 도시된 바와 같이, 인물이 포함된 제3 이미지에서 그 인물의 얼굴, 머리 및 머리카락 부분을 포함하는 오브젝트(510)를 식별할 수 있다.

제3 이미지에 포함된 적어도 하나의 오브젝트가 식별되면, 전자 장치(100)는 식별된 적어도 하나의 오브젝트에 보정의 대상이 되는 오브젝트로 기 설정된 오브젝트가 포함되는지 여부를 바탕으로, 제3 이미지에 대한 보정의 수행 여부를 결정할 수 있다.

구체적으로, 식별된 적어도 하나의 오브젝트에 보정의 대상이 되는 오브젝트로 기 설정된 오브젝트가 포함되면(S830-Y), 전자 장치(100)는 제3 이미지를 학습된 신경망 모델에 입력하여, 제3 이미지에 포함된 적어도 하나의 오브젝트 중 보정의 대상이 되는 오브젝트가 보정된 제8 이미지를 획득할 수 있다(S840).

여기서, '보정'이란 본 개시에 따른 신경망 모델을 이용하여 수행되는 보정을말한다. 그리고, 보정의 대상이 되는 오브젝트로 기 설정된다는 것은, 이미지에 특정 오브젝트가 포함되면 본 개시에 따른 신경망 모델을 이용하여 보정을 수행하도록 사용자에 의해 기 설정되는 경우뿐만 아니라, 이미지에 사용자의 보정 빈도가 높은 오브젝트가 포함되면 본 개시에 따른 신경망 모델을 이용하여 보정을 수행하도록 전자 장치(100)에 의해 기 설정되는 경우를 포함할 수 있다.

예를 들어, 이미지에 인물의 얼굴, 머리 및 머리카락 부분을 포함하는 오브젝트가 포함되면 본 개시에 따른 신경망 모델을 이용하여 보정을 수행하도록 기 설정된 경우, 제3 이미지에 인물의 얼굴, 머리 및 머리카락 부분을 포함하는 오브젝트(810)가 포함되는 것으로 식별되면, 전자 장치(100)는 제3 이미지를 학습된 신경망 모델에 입력하여, 제3 이미지에 포함된 적어도 하나의 오브젝트 중 보정의 대상이 되는 오브젝트(810)가 보정된 제8 이미지를 획득할 수 있다.

한편, 식별된 적어도 하나의 오브젝트에 보정의 대상이 되는 오브젝트로 기 설정된 오브젝트가 포함되지 않으면(S830-N), 전자 장치(100)는 학습된 신경망 모델을 이용하여 제3 이미지에 대한 보정을 수행하지 않을 수 있다.

도 8a 및 도 8b를 참조하여 상술한 바와 같은 본 개시의 일 실시 예에 따르면, 전자 장치(100)는 사용자가 보정하기를 원하는 오브젝트를 포함하는 이미지에 대해서만 신경망 모델을 이용한 보정을 수행함으로써, 보다 높은 사용자 만족도를 제공할 수 있게 된다.

도 9 및 도 10은 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내기 위한 블록도이다.

도 9는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 간략하게 나타내는 블록도이고, 도 7은 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 상세하게 나타내는 블록도이다.

도 9에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다. 또한, 도 10에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치(100)는 통신부(130), 입력부(150) 및 출력부(140)를 더 포함할 수 있다. 그러나, 이와 같은 구성은 예시적인 것으로서, 본 개시를 실시함에 있어 이와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음을 물론이다.

메모리(110)에는 전자 장치(100)에 관한 적어도 하나의 명령이 저장될 수 있다. 그리고, 메모리(110)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(110)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(110)는 플래시 메모리(Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.

구체적으로, 메모리(110)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(120)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.

한편, 본 개시에서 메모리(110)라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 메모리(110)에는 본 개시에 따른 신경망 모델을 학습시키기 위한 학습 데이터, 제1 이미지 내지 제8 이미지에 대한 정보, 제1 피드백 정보 및 제2 피드백 정보, 제1 메타데이터 및 제2 메타데이터 등에 대한 정보가 저장될 수 있다. 그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(110)에 저장될 수 있으며, 메모리(110)에 저장된 정보는 서버 또는 외부 장치로부터 수신되거나 사용자에 의해 입력됨에 따라 갱신될 수도 있다.

프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 프로세서(120)는 상술한 바와 같은 메모리(110), 통신부(130), 출력부(140) 및 입력부(150)를 포함하는 전자 장치(100)의 구성과 연결되며, 상술한 바와 같은 메모리(110)에 저장된 적어도 하나의 명령을 실행하여 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.

프로세서(120)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(120)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에서 프로세서(120)라는 용어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Main Processing Unit)등을 포함하는 의미로 사용될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 적어도 하나의 인스트럭션을 실행함으로써, 제1 이미지를 획득하고, 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 제1 이미지가 보정된 제2 이미지를 획득하며, 제1 이미지 및 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키고, 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 학습된 신경망 모델을 이용하여 제3 이미지가 보정된 제4 이미지를 획득할 수 있다. 프로세서(120)의 제어를 바탕으로 한 본 개시에 따른 다양한 실시 예에 대해서는 도 1 내지 도 8b를 참조하여 상술하였으므로, 중복 설명은 생략한다.

통신부(130)는 회로를 포함하며, 서버 또는 외부 장치와의 통신을 수행할 수 있다. 구체적으로, 프로세서(120)는 통신부(130)를 통해 연결된 서버 또는 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 서버 또는 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다.

통신부(130)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다. 구체적으로, WiFi 모듈과 Bluetooth 모듈 각각은 WiFi 방식, Bluetooth 방식으로 통신을 수행할 수 있다. WiFi 모듈이나 Bluetooth 모듈을 이용하는 경우에는 SSID 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.

또한, 무선 통신 모듈은 IEEE, Zigbee, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행할 수 있다. 그리고, NFC 모듈은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 통신을 수행할 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 신경망 모델을 학습시키기 위한 학습 데이터에 포함되는 복수의 이미지는 통신부(130)를 통해 외부 장치로부터 수신될 수 있다.

한편, 본 개시에 따른 신경망 모델은 전자 장치(100)에 온 디바이스(on-device)의 형태로 포함될 수 있을 뿐만 아니라, 전자 장치(100) 외부의 서버에 포함될 수 있다. 그리고, 신경망 모델이 전자 장치(100) 외부의 서버에 포함되는 경우, 전자 장치(100)는 서버의 신경망 모델을 이용하여, 본 개시에 따른 다양한 실시 예를 구현할 수 있다. 예를 들어, 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 전자 장치(100)는 제3 이미지와 함께 제2 사용자 명령에 대응되는 제어 명령을 서버로 전송하도록 통신부(130)를 제어하고, 통신부(130)를 통해 서버로부터 제3 이미지가 보정된 제4 이미지를 수신하여 획득할 수도 있다.

출력부(140)는 회로를 포함하며, 프로세서(120)는 출력부(140)를 통해 전자 장치(100)가 수행할 수 있는 다양한 기능을 출력할 수 있다. 그리고, 출력부(140)는 디스플레이, 스피커 및 인디케이터 중 적어도 하나를 포함할 수 있다.

디스플레이는 프로세서(120)의 제어에 의하여 영상 데이터를 출력할 수 있다. 구체적으로, 디스플레이는 프로세서(120)의 제어에 의하여 메모리(110)에 기 저장된 영상을 출력할 수 있다. 특히, 본 개시의 일 실시 예에 따른 디스플레이는 메모리(110)에 저장된 사용자 인터페이스(User Interface)를 표시할 수도 있다.

디스플레이는 LCD(Liquid Crystal Display Panel), OLED(Organic Light Emitting Diodes) 등으로 구현될 수 있으며, 또한 디스플레이는 경우에 따라 플렉서블 디스플레이, 투명 디스플레이 등으로 구현되는 것도 가능하다. 다만, 본 개시에 따른 디스플레이가 특정한 종류에 한정되는 것은 아니다. 스피커는 프로세서(120)의 제어에 의하여 오디오 데이터를 출력할 수 있으며, 인디케이터는 프로세서(120)의 제어에 의하여 점등될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 디스플레이는 본 개시에 따른 다양한 종류의 이미지를 표시할 수 있으며, 도 4a 내지 도 4d에 도시된 바와 같은 다양한 종류의 사용자 인터페이스를 표시할 수도 있다.

입력부(150)는 회로를 포함하며, 프로세서(120)는 입력부(150)를 통해 전자 장치(100)의 동작을 제어하기 위한 사용자 명령을 수신할 수 있다. 구체적으로, 입력부(150)는 마이크, 카메라, 및 리모컨 신호 수신부 등과 같은 구성으로 이루어 질 수 있다. 그리고, 입력부(150)는 터치 스크린으로서 디스플레이에 포함된 형태로 구현될 수도 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 이미지를 보정하기 위한 제1 사용자 명령 및 제2 사용자 명령은 입력부(150)를 통해 입력될 수 있다. 예를 들어, 제1 사용자 명령 및 제2 사용자 명령 중 적어도 하나는 터치 스크린을 통한 사용자 인터렉션의 형태로 입력될 수 있으며, 마이크를 통해 음성 신호의 형태로 입력될 수도 있다. 한편, 프로세서(120)는 카메라를 통해 본 개시에 따른 원본 이미지를 획득할 수 있다.

한편, 상술한 바와 같은 다양한 실시 예에 따른 전자 장치(100)의 제어 방법은 프로그램으로 구현되어 전자 장치(100)에 제공될 수 있다. 특히, 전자 장치(100)의 제어 방법을 포함하는 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.

구체적으로, 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치(100)의 제어 방법은 제1 이미지를 획득하는 단계, 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 제1 이미지가 보정된 제2 이미지를 획득하는 단계, 제1 이미지 및 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키는 단계 및 제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 학습된 신경망 모델을 이용하여 제3 이미지가 보정된 제4 이미지를 획득하는 단계를 포함한다.

여기서, 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리(110) 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리(110)카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

이상에서 본 개시에 따른 전자 장치(100), 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해 간략하게 설명하였으나, 이는 중복 설명을 생략하기 위한 것일 뿐이며, 전자 장치(100)의 제어 방법에 대한 다양한 실시 예는 전자 장치(100), 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해서도 적용될 수 있음은 물론이다.

상술한 바와 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치(100)는 원본 이미지를 자동으로 보정하여 사용자의 편의성을 제고함과 동시에, 그 이미지의 보정에 있어서 사용자가 선호하는 보정 패턴을 자동으로 반영함으로써, 개별 사용자 각각이 선호하는 패턴으로 보정된 이미지를 제공할 수 있게 된다.

나아가, 본 개시의 다양한 실시 예에 따르면, 이미지의 스타일 자체를 변환하는 것에 그치는 종래 기술과는 달리, 원본 이미지와 보정된 이미지 사이의 미세한 차이점을 추출하여 신경망 모델을 학습시킬 수 있으며, 그에 따라 사용자들이 주요 사용하는 인물 및 풍경 등에 대해 보다 자연스러운 보정 효과를 적용할 수 있게 된다.

본 개시에 따른 인공 지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 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.

인공지능 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 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 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) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

이상에서 상술한 바와 같은 본 개시의 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.

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: 전자 장치 (100))를 포함할 수 있다.

상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 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 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.

100: 전자 장치 110: 메모리
120: 프로세서 130: 통신부
140: 출력부 150: 입력부

Claims (20)

1. 전자 장치에 있어서,
   적어도 하나의 인스트럭션(instruction)을 저장하는 메모리; 및
   상기 적어도 하나의 인스트럭션을 실행하는 프로세서; 를 포함하고,
   상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
   제1 이미지를 획득하고,
   상기 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 상기 제1 이미지가 보정된 제2 이미지를 획득하며,
   상기 제1 이미지 및 상기 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키고,
   제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 제4 이미지를 획득하는 전자 장치.
   
2. 제1 항에 있어서,
   상기 프로세서는,
   상기 제1 이미지의 유형에 관련된 제1 유형 정보를 획득하고,
   상기 제1 이미지, 상기 제2 이미지 및 상기 제1 유형 정보를 바탕으로 상기 신경망 모델을 학습시키는 전자 장치.
   
3. 제2 항에 있어서,
   상기 프로세서는,
   상기 제3 이미지가 획득되면, 상기 제3 이미지의 유형에 관련된 제2 유형 정보를 획득하고,
   상기 제3 이미지를 보정하기 위한 상기 제2 사용자 명령이 수신되면, 상기 제3 이미지 및 상기 제2 유형 정보를 바탕으로, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 상기 제4 이미지를 획득하는 전자 장치.
   
4. 제2 항에 있어서,
   상기 제1 유형 정보는 상기 제1 이미지 및 상기 제2 이미지에 포함된 오브젝트에 대한 정보, 상기 제1 이미지 및 상기 제2 이미지가 획득된 장소에 대한 정보 및 상기 제1 이미지 및 상기 제2 이미지가 획득된 시간에 대한 정보 중 적어도 하나를 포함하는 전자 장치.
   
5. 제1 항에 있어서,
   상기 신경망 모델은,
   이미지를 생성하도록 구성된 생성기(generator) 및 복수의 이미지를 구별하도록 구성된 비교기(comparator)를 포함하는 제1 신경망 모델이며,
   상기 프로세서는,
   상기 생성기에 상기 제1 이미지를 입력하여 상기 제1 이미지가 보정된 제5 이미지를 획득하고,
   상기 비교기에 상기 제2 이미지 및 상기 제5 이미지를 입력하여, 상기 제2 이미지의 픽셀 값 및 상기 제5 이미지의 픽셀 값 사이의 차이에 관련된 제1 피드백 정보를 획득하며,
   상기 제1 피드백 정보를 바탕으로 상기 생성기를 학습시키는 전자 장치.
   
6. 제5 항에 있어서,
   상기 프로세서는,
   상기 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델에 상기 제3 이미지를 입력하여, 상기 제3 이미지가 보정된 제4 이미지를 획득하는 전자 장치.
   
7. 제5 항에 있어서,
   제1 신경망 모델은 GAN(Generative Adversarial Network) 모델이며,
   상기 생성기 및 상기 비교기는 서로 적대적으로 학습(adversarial learning)되는 전자 장치.
   
8. 제1 항에 있어서,
   상기 신경망 모델은,
   이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하도록 구성된 실행기(implementor) 및 복수의 이미지를 구별하도록 구성된 비교기를 포함하는 제2 신경망 모델이며,
   상기 프로세서는,
   상기 실행기에 상기 제1 이미지를 입력하여 상기 제1 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하고,
   상기 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 상기 제1 이미지가 보정된 제6 이미지를 획득하며,
   상기 비교기에 상기 제2 이미지 및 상기 제6 이미지를 입력하여, 상기 제2 이미지의 픽셀 값 및 상기 제6 이미지의 픽셀 값 사이의 차이에 관련된 제2 피드백 정보를 획득하고,
   상기 제2 피드백 정보 정보를 바탕으로 상기 실행기를 학습시키는 전자 장치.
   
9. 제8 항에 있어서,
   상기 프로세서는,
   상기 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델에 상기 제3 이미지를 입력하여 제3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 획득하고,
   상기 3 이미지의 보정에 관련된 적어도 하나의 보정 파라미터에 대한 정보를 바탕으로 상기 제3 이미지가 보정된 제4 이미지를 획득하는 전자 장치.
   
10. 제1 항에 있어서,
    디스플레이; 를 더 포함하고,
    상기 프로세서는,
    상기 제4 이미지가 획득되면, 보정 파라미터에 대한 사용자의 설정을 바탕으로 상기 제4 이미지를 보정할 것인지 여부를 선택하기 위한 제1 UI(User Interface) 엘리먼트를 표시하도록 상기 디스플레이를 제어하며,
    상기 제1 UI 엘리먼트를 통해 상기 제4 이미지를 보정하는 것으로 선택하는 제3 사용자 명령이 수신되면, 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하기 위한 제2 UI 엘리먼트를 표시하도록 상기 디스플레이를 제어하고,
    상기 제2 UI 엘리먼트를 통해 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하는 제4 사용자 명령이 수신되면, 상기 제4 이미지가 보정된 제7 이미지를 획득하는 전자 장치.
    
11. 제10 항에 있어서,
    상기 프로세서는,
    상기 제4 이미지가 보정된 제7 이미지가 획득되면, 상기 제3 이미지 및 상기 제7 이미지를 바탕으로 상기 신경망 모델을 학습시키는 전자 장치.
    
12. 제1 항에 있어서,
    상기 프로세서는,
    상기 제3 이미지가 획득되면, 상기 제3 이미지에 포함된 적어도 하나의 오브젝트를 식별하고,
    상기 식별된 적어도 하나의 오브젝트에 보정의 대상이 되는 오브젝트로 기 설정된 오브젝트가 포함되면, 상기 제3 이미지를 상기 학습된 신경망 모델에 입력하여, 상기 제3 이미지에 포함된 적어도 하나의 오브젝트 중 상기 보정의 대상이 되는 오브젝트가 보정된 제8 이미지를 획득하는 전자 장치.
    
13. 제5 항에 있어서,
    상기 제1 이미지 및 상기 제2 이미지는 상기 제1 이미지 및 상기 제2 이미지 각각에 대응되는 제1 메타데이터 및 제2 메타데이터를 바탕으로 구별되어, 각각 상기 생성기 및 상기 비교기에 입력되며,
    상기 제1 메타데이터는 상기 제1 이미지의 생성 시간, 생성 기기 및 수정 시간 중 적어도 하나에 대한 정보를 포함하며,
    상기 제2 메타데이터는 상기 제2 이미지의 생성 시간, 생성 기기 및 수정 시간 중 적어도 하나에 대한 정보를 포함하는 전자 장치.
    
14. 전자 장치의 제어 방법에 있어서,
    제1 이미지를 획득하는 단계;
    상기 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 상기 제1 이미지가 보정된 제2 이미지를 획득하는 단계;
    상기 제1 이미지 및 상기 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키는 단계; 및
    제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 제4 이미지를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
    
15. 제14 항에 있어서,
    신경망 모델을 학습시키는 단계는,
    상기 제1 이미지의 유형 및 상기 제2 이미지의 유형에 관련된 제1 유형 정보를 획득하는 단계; 및
    상기 제1 이미지, 상기 제2 이미지 및 상기 제1 유형 정보를 바탕으로 상기 신경망 모델을 학습시키는 단계; 를 포함하는 전자 장치.
    
16. 제15 항에 있어서,
    신경망 모델을 학습시키는 단계는,
    상기 제3 이미지가 획득되면, 상기 제3 이미지의 유형에 관련된 제2 유형 정보를 획득하는 단계; 및
    상기 제3 이미지를 보정하기 위한 상기 제2 사용자 명령이 수신되면, 상기 제3 이미지 및 상기 제2 유형 정보를 바탕으로, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 상기 제4 이미지를 획득하는 단계; 를 더 포함하는 전자 장치.
    
17. 제15 항에 있어서,
    상기 제1 유형 정보는 상기 제1 이미지 및 상기 제2 이미지에 포함된 오브젝트에 대한 정보, 상기 제1 이미지 및 상기 제2 이미지가 획득된 장소에 대한 정보 및 상기 제1 이미지 및 상기 제2 이미지가 획득된 시간에 대한 정보 중 적어도 하나를 포함하는 전자 장치.
    
    
18. 제14 항에 있어서,
    상기 제4 이미지가 획득되면, 보정 파라미터에 대한 사용자의 설정을 바탕으로 상기 제4 이미지를 보정할 것인지 여부를 선택하기 위한 제1 UI(User Interface) 엘리먼트를 표시하는 단계;
    상기 제1 UI 엘리먼트를 통해 상기 제4 이미지를 보정하는 것으로 선택하는 제3 사용자 명령이 수신되면, 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하기 위한 제2 UI 엘리먼트를 표시하는 단계; 및
    상기 제2 UI 엘리먼트를 통해 상기 제4 이미지의 보정에 관련된 적어도 하나의 파라미터를 선택하는 제4 사용자 명령이 수신되면, 상기 제4 이미지가 보정된 제7 이미지를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
    
19. 제18 항에 있어서,
    상기 학습시키는 단계는,
    상기 제4 이미지가 보정된 제7 이미지가 획득되면, 상기 제3 이미지 및 상기 제7 이미지를 바탕으로 상기 신경망 모델을 학습시키는 단계; 를 더 포함하는 전자 장치의 제어 방법.
    
    
20. 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 있어서,
    상기 전자 장치의 제어 방법은,
    제1 이미지를 획득하는 단계;
    상기 제1 이미지를 보정하기 위한 제1 사용자 명령이 수신되면, 상기 제1 이미지가 보정된 제2 이미지를 획득하는 단계;
    상기 제1 이미지 및 상기 제2 이미지를 바탕으로, 입력 이미지가 보정된 출력 이미지를 획득하기 위한 신경망 모델을 학습시키는 단계; 및
    제3 이미지를 보정하기 위한 제2 사용자 명령이 수신되면, 상기 학습된 신경망 모델을 이용하여 상기 제3 이미지가 보정된 제4 이미지를 획득하는 단계; 를 포함하는 컴퓨터 판독 가능 기록매체.
    

Images