KR20210127412A - Ai 다운스케일 장치 및 그 동작방법, 및 ai 업스케일 장치 및 그 동작방법 - Google Patents
Ai 다운스케일 장치 및 그 동작방법, 및 ai 업스케일 장치 및 그 동작방법 Download PDFInfo
- Publication number
- KR20210127412A KR20210127412A KR1020200045233A KR20200045233A KR20210127412A KR 20210127412 A KR20210127412 A KR 20210127412A KR 1020200045233 A KR1020200045233 A KR 1020200045233A KR 20200045233 A KR20200045233 A KR 20200045233A KR 20210127412 A KR20210127412 A KR 20210127412A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- dnn
- images
- neural network
- deep neural
- Prior art date
Links
- 238000011017 operating method Methods 0.000 title description 12
- 238000012549 training Methods 0.000 claims abstract description 130
- 238000013519 translation Methods 0.000 claims abstract description 87
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims description 96
- 238000013473 artificial intelligence Methods 0.000 description 317
- 230000014616 translation Effects 0.000 description 70
- 230000008569 process Effects 0.000 description 58
- 230000033001 locomotion Effects 0.000 description 34
- 230000004913 activation Effects 0.000 description 32
- 238000004891 communication Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/001—Image restoration
- G06T5/002—Denoising; Smoothing
-
- G06T5/70—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
- H04N19/172—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a picture, frame or field
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
Abstract
저해상도 영상을 고해상도 영상으로 업스케일하는 AI 업스케일 장치에 관한 것으로, 하나 이상의 인스트럭션들을 저장하는 메모리 및 메모리에 저장된 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 프로세서는, AI 다운스케일 장치가 제1 심층 신경망(DNN)을 이용하여, 원본 영상을 다운스케일한 제1 영상에 대응하는 제2 영상을 획득하며, 제1 심층 신경망에 대응하는 제2 심층 신경망(DNN)을 이용하여, 제2 영상에 업스케일을 수행함으로써, 제3 영상을 획득하고, 제2 심층 신경망은, 원본 훈련 영상에 픽셀 이동을 적용하지 않은 영상에 대해 다운스케일링 및 업스케일링을 수행하여 획득된 원본 훈련 영상에 대한 제1 복원 영상과, 상기 원본 훈련 영상에 픽셀 이동을 적용한 하나 이상의 트랜스레이션 영상들에 대해 다운스케일링 및 업스케일링 후 리트랜스레이션을 수행하여 획득된 하나 이상의 트랜스레이션 영상들에 대한 제2 복원 영상들과의 차이를 최소화하도록 훈련된 것을 특징으로 하는 AI 업스케일 장치가 개시된다.
Description
다양한 실시예들은 영상을 AI 다운스케일하는 딥 뉴럴 네트워크를 포함하는 AI 다운스케일 장치 및 그 동작방법, 및 영상을 AI 업스케일하는 딥 뉴럴 네트워크를 포함하는 AI 업스케일 장치 및 그 동작방법에 관한 것으로서, 더욱 상세하게는 영상의 다운스케일 및 업스케일 과정에서 영상에 발생하는 아티팩트를 제거하기 위한 AI 다운스케일 장치 및 그 동작방법, 및 AI 업스케일 장치 및 그 동작방법에 관한 것이다.
영상은 소정의 데이터 압축 표준, 예를 들어 MPEG (Moving Picture Expert Group) 표준 등을 따르는 코덱(codec)에 의해 부호화된 후 비트스트림의 형태로 기록매체에 저장되거나 통신 채널을 통해 전송된다.
고해상도/고화질의 영상을 재생, 저장할 수 있는 하드웨어의 개발 및 보급에 따라, 고해상도/고화질의 영상을 효과적으로 부호화 및 복호화할 수 있는 코덱의 필요성이 증대하고 있다.
최근에는 고화질 영상의 전송 효율을 높이고 차별화된 영상 복원 화질을 위해 AI 딥러닝 기술이 영상 스트리밍 전송 및 복원 분야에도 적용되고 있다.
영상을 저해상도로 다운스케일한 후, 다시 고해상도로 업스케일하는 경우, 저해상도로 다운스케일 시 손실된 정보로 인해 아티팩트가 발생하게 된다. 즉, 원본 영상을 저해상도로 변환하여 다시 고해상도로 복원하는 경우, 화소(pixel)를 구성하는 정보의 손실이 불가피하기 때문에, 고해상도로 복원 시, 원본 영상과 동일해지지 않으며, 화질 저하 문제가 발생한다.
기존의 영상 스트리밍에서 아티팩트를 제거하기 위해서는 프레임 간 움직임을 추정 및 보상하는 처리를 수행하였다. 그러나, 움직임 추정 및 보상 처리를 수행하기 위해서는, 추가적인 하드웨어 장치가 필요하고, 전체적인 시스템을 변경해야 하며, 비용이 증가하는 문제점이 있다.
다양한 실시예들은, AI 다운스케일된 영상을 AI 업스케일하여 복원하는 과정에서, 아티팩트를 제거할 수 있는 AI 다운스케일 장치 및 그 동작방법, AI 업스케일 장치 및 그 동작방법을 제공할 수 있다. 또한, 아티팩트를 제거할 수 있는 AI 다운스케일 장치와 AI 업스케일 장치를 훈련시키기 위한 방법을 제공할 수 있다.
일 실시예에 따른 AI 업스케일 장치는, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는, AI 다운스케일 장치가 제1 심층 신경망(DNN)을 이용하여, 원본 영상을 다운스케일한 제1 영상에 대응하는 제2 영상을 획득하며, 상기 제1 심층 신경망에 대응하는 제2 심층 신경망(DNN)을 이용하여, 상기 제2 영상에 업스케일을 수행함으로써, 제3 영상을 획득하고, 상기 제2 심층 신경망은, 원본 훈련 영상에 픽셀 이동을 적용하지 않은 영상에 대해 다운스케일링 및 업스케일링을 수행하여 획득된 원본 훈련 영상에 대한 제1 복원 영상과, 상기 원본 훈련 영상에 픽셀 이동을 적용한 하나 이상의 트랜스레이션 영상들에 대해 다운스케일링 및 업스케일링 후 리트랜스레이션을 수행하여 획득된 상기 하나 이상의 트랜스레이션 영상들에 대한 제2 복원 영상들과의 차이를 최소화하도록 훈련될 수 있다.
일 실시예에 따른 제2 심층 신경망은 상기 원본 훈련 영상과, 상기 원본 훈련 영상에 대한 제1 복원 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대한 상기 제2 복원 영상들 중 적어도 하나에 기초하여 획득된 손실 정보를 최소화하도록 훈련될 수 있다.
일 실시예에 따른 손실 정보는 상기 제1 복원 영상 및 상기 제2 복원 영상들 각각과 상기 원본 훈련 영상 사이의 제1 차이 정보를 포함할 수 있다.
일 실시예에 따른 손실 정보는, 상기 제1 복원 영상과 상기 제2 복원 영상들 사이의 제2 차이 정보를 포함할 수 있다.
일 실시예에 따른 제2 심층 신경망은 상기 제2 영상에서 특정 시점에 대한 저해상도 단일 프레임 영상을 입력 받아, 상기 제3 영상에서 상기 특정 시점에 대한 고해상도 단일 프레임 영상을 출력할 수 있다.
일 실시예에 따른 제2 심층 신경망은, 상기 제1 심층 신경망과 연계되어 훈련되고, 상기 제1 심층 신경망에서 획득되는 영상에 기초하여, 훈련된 네트워크일 수 있다.
일 실시예에 따른 AI 다운스케일 장치는, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는, 제1 심층 신경망을 이용하여 원본 영상을 다운스케일한 제1 영상을 획득하고, 상기 제1 영상을 네트워크를 통해 AI 업스케일 장치로 전송하도록 제어하며, 상기 제1 심층 신경망은, 원본 훈련 영상에 픽셀 이동을 적용하지 않은 영상에 대해 다운스케일링 및 업스케일링을 수행하여 획득된 원본 훈련 영상에 대한 제1 복원 영상과, 상기 원본 훈련 영상에 픽셀 이동을 적용한 하나 이상의 트랜스레이션 영상들에 대해 다운스케일링 및 업스케일링 후 리트랜스레이션을 수행하여 획득된 상기 하나 이상의 트랜스레이션 영상들에 대한 제2 복원 영상들과의 차이를 최소화하도록 훈련될 수 있다.
일 실시예에 따른 제1 심층 신경망은 상기 원본 훈련 영상과, 상기 원본 훈련 영상에 대한 제1 복원 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대한 상기 제2 복원 영상들 중 적어도 하나에 기초하여 획득된 손실 정보를 최소화하도록 훈련될 수 있다.
일 실시예에 따른 고해상도 영상을 저해상도 영상으로 다운스케일하는 제1 심층 신경망 또는 저해상도 영상을 고해상도 영상으로 업스케일하는 제2 심층 신경망을 훈련시키는 방법은, 원본 훈련 영상에 트랜스레이션을 적용하여, 하나 이상의 트랜스레이션 영상들을 생성하는 단계, 상기 원본 훈련 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대해 상기 제1 심층 신경망과 연산을 수행함으로써, 상기 원본 훈련 영상과 상기 하나 이상의 트렌스레이션 영상들에 대응하는 복수의 저해상도 영상들을 획득하는 단계, 상기 복수의 저해상도 영상들 각각과 상기 제2 심층 신경망과의 연산을 수행함으로써, 상기 복수의 저해상도 영상들에 대응하는 복수의 고해상도 영상들을 획득하는 단계, 상기 복수의 고해상도 영상들 중, 상기 하나 이상의 트랜스레이션 영상들에 대응되는 고해상도 영상들에 대해 리트랜스레이션을 적용하여, 제2 복원 영상들을 획득하는 단계, 상기 원본 훈련 영상과, 상기 원본 훈련 영상에 대한 제1 복원 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대한 상기 제2 복원 영상들 중 적어도 하나에 기초하여 획득된 손실 정보를 이용하여 상기 제1 심층 신경망의 제1 파라미터들 및 제2 심층 신경망의 제2 파라미터들 중 적어도 하나를 업데이트하는 단계를 포함할 수 있다.
일 실시예에 따른 제1 심층 신경망의 제1 파라미터들 및 제2 심층 신경망의 제2 파라미터들 중 적어도 하나를 업데이트하는 단계는, 상기 손실 정보를 최소화되도록 상기 제1 심층 신경망의 제1 파라미터들 및 제2 심층 신경망의 제2 파라미터들 중 적어도 하나를 업데이트하는 단계를 포함할 수 있다.
일 실시예에 따른 제2 심층 신경망은, 상기 제1 심층 신경망과 연계되어 훈련되고, 상기 제1 심층 신경망에서 획득되는 영상에 기초하여, 훈련된 네트워크일 수 있다.
일 실시예에 따른 AI 다운스케일 장치 및 AI 업스케일 장치는 기존 AI 다운스케일 장치 및 AI 업스케일 장치에 추가적인 하드웨어, 기존 하드웨어의 변경이나 추가적인 비용의 발생 없이, 아티팩트가 제거된 고해상도 영상으로 복원할 수 있다.
도 1은 일 실시예에 따른 AI(artificial intelligence) 부호화 과정 및 AI 복호화 과정을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 AI 다운 스케일 장치의 구성을 도시하는 블록도이다.
도 3은 원본 영상의 AI 다운스케일을 위한 제 1 DNN(300)을 나타내는 예시적인 도면이다.
도 4는 일 실시예에 따른 AI 업스케일 장치의 구성을 도시하는 블록도이다.
도 5는 제 2 영상(135)의 AI 업스케일을 위한 제 2 DNN(300)을 나타내는 예시적인 도면이다.
도 6은 일 실시예에 따른 제1 DNN 및 제2 DNN을 훈련시키는 방법을 나타내는 흐름도이다.
도 7a 내지 도 7e는 일 실시예에 따른 AI 다운스케일을 위한 제1 DNN 및 AI 업스케일을 위한 제2 DNN을 훈련시키는 방법을 설명하기 위해 참조되는 도면들이다.
도 8은 일 실시예에 따른 앙상블 손실 정보를 설명하기 위해 참조되는 도면이다.
도 9는 일 실시예에 따른 AI 다운스케일 장치의 동작방법을 나타내는 흐름도이다.
도 10은 일 실시예에 따른 AI 업스케일 장치의 동작방법을 나타내는 흐름도이다.
도 11은 일 실시예에 따른 AI 다운스케일 장치의 구성을 나타내는 블록도이다.
도 12는 일 실시예에 따른 AI 업스케일 장치의 구성을 나타내는 블록도이다.
도 13은 일 실시예에 따른 제1 DNN 및 제2 DNN을 훈련시키는 훈련 장치의 구성을 나타내는 블록도이다.
도 2는 일 실시예에 따른 AI 다운 스케일 장치의 구성을 도시하는 블록도이다.
도 3은 원본 영상의 AI 다운스케일을 위한 제 1 DNN(300)을 나타내는 예시적인 도면이다.
도 4는 일 실시예에 따른 AI 업스케일 장치의 구성을 도시하는 블록도이다.
도 5는 제 2 영상(135)의 AI 업스케일을 위한 제 2 DNN(300)을 나타내는 예시적인 도면이다.
도 6은 일 실시예에 따른 제1 DNN 및 제2 DNN을 훈련시키는 방법을 나타내는 흐름도이다.
도 7a 내지 도 7e는 일 실시예에 따른 AI 다운스케일을 위한 제1 DNN 및 AI 업스케일을 위한 제2 DNN을 훈련시키는 방법을 설명하기 위해 참조되는 도면들이다.
도 8은 일 실시예에 따른 앙상블 손실 정보를 설명하기 위해 참조되는 도면이다.
도 9는 일 실시예에 따른 AI 다운스케일 장치의 동작방법을 나타내는 흐름도이다.
도 10은 일 실시예에 따른 AI 업스케일 장치의 동작방법을 나타내는 흐름도이다.
도 11은 일 실시예에 따른 AI 다운스케일 장치의 구성을 나타내는 블록도이다.
도 12는 일 실시예에 따른 AI 업스케일 장치의 구성을 나타내는 블록도이다.
도 13은 일 실시예에 따른 제1 DNN 및 제2 DNN을 훈련시키는 훈련 장치의 구성을 나타내는 블록도이다.
본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 개시의 실시 형태에 대해 한정하려는 것이 아니며, 본 개시는 여러 실시예들의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 '~부(유닛)', '모듈' 등으로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.
또한, 본 명세서에서, '영상(image)' 또는 '픽처'는 정지영상, 복수의 연속된 정지영상(또는 프레임)으로 구성된 동영상, 또는 비디오를 나타낼 수 있다.
또한, 본 명세서에서 'DNN(deep neural network)' 또는 '심층 신경망(이하, DNN 이라 한다)'은 뇌 신경을 모사한 인공신경망 모델의 대표적인 예시로써, 특정 알고리즘을 사용한 인공신경망 모델로 한정되지 않는다.
또한, 본 명세서에서 '파라미터'는 뉴럴 네트워크를 이루는 각 레이어의 연산 과정에서 이용되는 값으로서 예를 들어, 입력 값을 소정 연산식에 적용할 때 이용되는 가중치를 포함할 수 있다. 또한, 파라미터는 매트릭스 형태로 표현될 수 있다. 파라미터는 훈련의 결과로 설정되는 값으로서, 필요에 따라 별도의 훈련 데이터(training data)를 통해 갱신될 수 있다.
또한, 본 명세서에서 '제 1 DNN' 또는 '제1 심층 신경망(이하, 제1 DNN 이하 한다)'은 영상의 AI 다운스케일을 위해 이용되는 DNN을 의미하고, '제 2 DNN' 또는 '제2 심층 신경망(이하, 제2 DNN이라 한다)'은 영상의 AI 업스케일을 위해 이용되는 DNN을 의미한다.
또한, 본 명세서에서 'DNN 설정 정보'는 DNN을 구성하는 요소와 관련된 정보로서 전술한 파라미터를 포함한다. DNN 설정 정보를 이용하여 제 1 DNN 또는 제 2 DNN이 설정될 수 있다.
또한, 본 명세서에서 '원본 영상'은 AI 부호화의 대상이 되는 영상을 의미하고, '제 1 영상'은 AI 부호화 과정에서 원본 영상의 AI 다운스케일 결과 획득된 영상을 의미한다. 또한, '제 2 영상'은 AI 복호화 과정에서 제 1 복호화를 통해 획득된 영상을 의미하고, '제 3 영상'은 AI 복호화 과정에서 제 2 영상을 AI 업스케일하여 획득된 영상을 의미한다.
또한, 본 명세서에서 'AI 다운스케일'은 AI 기반으로 영상의 해상도를 감소시키는 처리를 의미하고, '제 1 부호화'는 주파수 변환 기반의 영상 압축 방법에 의한 부호화 처리를 의미한다. 또한, '제 1 복호화'는 주파수 변환 기반의 영상 복원 방법에 의한 복호화 처리를 의미하고, 'AI 업스케일'은 AI 기반으로 영상의 해상도를 증가시키는 처리를 의미한다.
또한, 본 명세서에서 '아티팩트(Artifact)'는 고해상도 원본 영상을 저해상도로 변환하여 다시 고해상도로 복원할 경우, 복원된 영상과 원본 영상과의 정보 차이로 인하여 발생하는 화질 저하를 의미한다. 아티팩트는 원본 영상을 저해상도 변환 시 손실된 정보로 인해 발생한다. 아티팩트는 앨리어싱 아티팩트(Aliasing Artifact)와 재깅 아티팩트(Jagging Artifact)를 포함할 수 있으나, 이에 한정되지 않는다.
또한, 본 명세서에서 '이동' 또는 '트랜스레이션(translation)'은 이미지 또는 영상의 픽셀을 이동시키는 것을 의미한다. 트랜스레이션의 방향은 가로, 세로, 대각선을 고려할 수 있고, 트랜스레이션의 크기는 픽셀 단위로 1픽셀, 2픽셀 등으로 이동하는 것을 고려할 수 있다. 일 예로서 원본 이미지 또는 영상을 1픽셀(1칸)씩 가로(1,0), 세로(0,1), 대각선(1,1)으로 이동하는 것을 고려할 수 있다.
또한, 본 명세서에서 '역이동' 또는 '리트랜스레이션(re-translation) '은 트랜스레이션시켰던 이미지 또는 영상의 픽셀을 동일한 크기만큼 반대 방향으로 이동시키는 것을 의미한다. 일 예로서 원본 이미지 또는 영상을 1픽셀(1칸)씩 가로(1,0), 세로(0,1), 대각선(1,1)으로 트랜스레이션시킨 경우, 리트랜스레이션은 각각 가로(-1,0), 세로(0,-1), 대각선(-1,-1) 방향으로 1픽셀(1칸)씩 반대 방향으로 이동하는 것을 고려할 수 있다.
도 1은 일 실시예에 따른 AI(artificial intelligence) 부호화 과정 및 AI 복호화 과정을 설명하기 위한 도면이다.
영상의 해상도가 급격히 커짐에 따라 부호화/복호화를 위한 정보 처리량이 많아지게 되고, 이에 따라 영상의 부호화 및 복호화 효율을 향상시키기 위한 방안이 필요하다.
도 1에 도시된 바와 같이, 본 개시의 일 실시예에 따르면, 해상도가 큰 원본 영상(105)을 AI 다운스케일(110)하여, 제1 영상(115)을 획득한다. 이때, 원본 영상(105) 및 제1 영상(115)은 복수의 프레임 영상들을 포함하는 동영상 또는 비디오일 수 있다. 또한, 상대적으로 작은 해상도의 제1 영상(115)을 대상으로 하여, 부호화(120) 및 복호화(130)를 수행하므로, 원본 영상(105)을 대상으로 하여, 부호화 및 복호화를 수행하는 경우에 비해 처리되는 비트레이트를 크게 감소시킬 수 있다.
도 1을 참조하면, AI 부호화 과정에서, 원본 영상(105)을 AI 다운스케일(110)하여 제1 영상(115)을 획득하고, 제1 영상(115)을 부호화(120)한다. AI 복호화 과정에서는, AI 부호화 결과 획득된 AI 데이터와 영상 데이터를 포함하는 AI 부호화 데이터를 수신하고, 복호화(130)를 통해 제2 영상(135)을 획득하고, 제2 영상(135)을 AI 업스케일(140)하여 제3 영상(145)을 획득한다.
AI 부호화 과정을 좀 더 상세히 살펴보면, 원본 영상(105)을 입력 받으면, 소정 해상도 또는 소정 화질의 제 1 영상(115)을 획득하기 위해 원본 영상(105)을 AI 다운스케일(110)한다. 이때, AI 다운스케일(110)은 AI 기반으로 수행되는데, AI 다운스케일(110)을 위한 AI는 제 2 영상(135)의 AI 업스케일(140)을 위한 AI와 연계되어 훈련되어야(joint trained) 한다. 왜냐하면, AI 다운스케일(110)을 위한 AI와 AI 업스케일(140)을 위한 AI가 분리되어 훈련되는 경우, AI 부호화 대상인 원본 영상(105)과 AI 복호화를 통해 복원된 제 3 영상(145) 사이의 차이가 커지게 되기 때문이다.
본 개시의 실시예에서는, AI 부호화 과정과 AI 복호화 과정에서 이러한 연계 관계를 유지하기 위해, AI 데이터를 이용할 수 있다. 따라서, AI 부호화 과정을 통해 획득된 AI 데이터는 업스케일 타겟을 나타내는 정보를 포함하여야 하고, AI 복호화 과정에서는 AI 데이터에 기초하여 확인되는 업스케일 타겟에 따라 제 2 영상(135)을 AI 업스케일(140)하여야 한다.
AI 다운스케일(110)을 위한 AI 및 AI 업스케일(140)을 위한 AI는 DNN(deep neural network)으로 구현될 수 있다. 도 6 및 7을 참조하여 후술하는 바와 같이, 제 1 DNN과 제 2 DNN은 소정 타겟 하에 손실 정보의 공유를 통해 연계 훈련되므로, AI 부호화 장치는 제 1 DNN과 2 DNN이 연계 훈련할 때 이용된 타겟 정보를 AI 복호화 장치로 제공하고, AI 복호화 장치는 제공받은 타겟 정보에 기초하여 제 2 영상(135)을 타겟하는 해상도로 AI 업스케일(140)할 수 있다.
도 1에 도시된 부호화(120) 및 복호화(130)에 대해 상세히 설명하면, 원본 영상(105)으로부터 AI 다운스케일(110)된 제 1 영상(115)은 부호화(120)를 통해 정보량이 감축될 수 있다. 이와 같은 부호화 과정(120)은 MPEG-2, H.264 AVC(Advanced Video Coding), MPEG-4, HEVC(High Efficiency Video Coding), VC-1, VP8, VP9 및 AV1(AOMedia Video 1) 등 주파수 변환을 이용한 영상 압축 방법 중의 하나를 통해 구현될 수 있다.
제 1 영상(115)에 대응하는 제 2 영상(135)은 영상 데이터의 복호화(130)를 통해 복원될 수 있다. 이와 같은 복호화(130) 과정은 제 1 부호화(120) 과정에서 사용된 MPEG-2, H.264, MPEG-4, HEVC, VC-1, VP8, VP9 및 AV1 등 주파수 변환을 이용한 영상 압축 방법 중의 하나에 대응되는 영상 복원 방법을 통해 구현될 수 있다.
AI 부호화 과정을 통해 획득된 AI 부호화 데이터는, 제 1 영상(115)의 부호화(120) 결과 획득된 영상 데이터 및 원본 영상(105)의 AI 다운스케일(110)과 관련된 AI 데이터를 포함할 수 있다. 영상 데이터는 제 1 복호화(130) 과정에서 이용될 수 있으며, AI 데이터는 AI 업스케일(140) 과정에서 이용될 수 있다.
영상 데이터는 비트스트림 형태로 전송될 수 있다. 영상 데이터는 제 1 영상(115) 내 픽셀 값들에 기초하여 획득되는 데이터, 예를 들어, 제 1 영상(115)과 제 1 영상(115)의 예측 데이터 사이의 차이인 잔차 데이터를 포함할 수 있다.
AI 데이터는 제 2 DNN에 기반한 AI 업스케일(140)에 이용된다. 전술한 바와 같이, 제 1 DNN과 제 2 DNN은 연계 훈련되기 때문에, AI 데이터는 제 2 DNN을 통한 제 2 영상(135)의 정확한 AI 업스케일(140)이 수행될 수 있게 하는 정보를 포함한다. AI 복호화 과정에서는 AI 데이터에 기반하여 제 2 영상(135)을 타겟하는 해상도 및/또는 화질로 AI 업스케일(140)할 수 있다. AI 데이터는 비트스트림의 형태로 영상 데이터와 함께 전송될 수 있다. 또는, 구현예에 따라, AI 데이터는 프레임이나 패킷 형태로 영상 데이터와 구분되어 전송될 수도 있다. AI 부호화 결과 획득된 영상 데이터와 AI 데이터는 동일한 네트워크 또는 서로 상이한 네트워크를 통해 전송될 수 있다.
도 2는 일 실시예에 따른 AI 다운스케일 장치의 구성을 도시하는 블록도이다.
도 2를 참조하면, AI 다운스케일 장치(200)는 AI 부호화부(210) 및 전송부(230)를 포함할 수 있다. AI 부호화부(210)는 AI 다운스케일부(212) 및 부호화부(214)를 포함할 수 있다. 전송부(230)는 데이터 처리부(232) 및 통신부(234)를 포함할 수 있다.
도 2는 AI 부호화부(210) 및 전송부(230)를 개별적인 장치로 도시하고 있으나, AI 부호화부(210) 및 전송부(230)는 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 전용 프로세서로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 범용 프로세서와 S/W의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하여 구현되거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함하여 구현될 수 있다.
또한, AI 부호화부(210) 및 전송부(230)는 복수의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 S/W의 조합을 통해 구현될 수도 있다. AI 다운스케일부(212)와 부호화부(214)도 각각 서로 다른 프로세서로 구현될 수 있다.
AI 부호화부(210)는 원본 영상(105)의 AI 다운스케일 및 제 1 영상(115)의 부호화를 수행하고, AI 데이터 및 영상 데이터를 전송부(230)로 전달한다. 전송부(230)는 AI 데이터 및 영상 데이터를 AI 업스케일 장치로 전송한다.
영상 데이터는 제 1 영상(115)의 부호화 결과 획득된 데이터를 포함한다. 영상 데이터는 제 1 영상(115) 내 픽셀 값들에 기초하여 획득되는 데이터, 예를 들어, 제 1 영상(115)과 제 1 영상(115)의 예측 데이터 사이의 차이인 잔차 데이터를 포함할 수 있다. 또한, 영상 데이터는 제 1 영상(115)의 부호화 과정에서 이용된 정보들을 포함한다. 예를 들어, 영상 데이터는 제 1 영상(115)을 부호화하는데 이용된 예측 모드 정보, 움직임 정보 및 제 1 영상(115)을 부호화하는데 이용된 양자화 파라미터 관련 정보 등을 포함할 수 있다.
AI 데이터는, AI 업스케일 장치가 제 1 DNN의 다운스케일 타겟에 대응하는 업스케일 타겟으로 제 2 영상(135)을 AI 업스케일할 수 있게 하는 정보들을 포함한다. 일 예에서, AI 데이터는 원본 영상(105)과 제 1 영상(115) 사이의 차이 정보를 포함할 수 있다. 또한, AI 데이터는 제 1 영상(115) 관련 정보를 포함할 수도 있다. 제 1 영상(115) 관련 정보는, 제 1 영상(115)의 해상도, 제 1 영상(115)의 부호화 결과 획득된 영상 데이터의 비트레이트 및 제 1 영상(115)의 부호화 시 이용된 코덱 타입 중 적어도 하나에 대한 정보를 포함할 수 있다.
일 실시예에서, AI 데이터는, 제 1 DNN의 다운스케일 타겟에 대응하는 업스케일 타겟으로 제 2 영상(135)이 AI 업스케일될 수 있도록, 상호 약속된 DNN 설정 정보의 식별자를 포함할 수 있다.
또한, 일 실시예에서, AI 데이터는 제 2 DNN에 세팅 가능한 DNN 설정 정보를 포함할 수도 있다.
AI 다운스케일부(212)는 제 1 DNN을 통해 원본 영상(105)으로부터 AI 다운스케일된 제 1 영상(115)을 획득할 수 있다. AI 다운스케일부(212)는 미리 결정된 기준에 기초하여 원본 영상(105)의 다운스케일 타겟을 결정할 수 있다.
다운스케일 타겟에 부합하는 제 1 영상(115)의 획득을 위해, AI 다운스케일부(212)는 제 1 DNN에 세팅 가능한 복수의 DNN 설정 정보를 저장할 수 있다. AI 다운스케일부(212)는 복수의 DNN 설정 정보 중 다운스케일 타겟에 대응하는 DNN 설정 정보를 획득하고, 획득된 DNN 설정 정보로 세팅된 제 1 DNN을 통해 원본 영상(105)을 AI 다운스케일한다.
상기 복수의 DNN 설정 정보 각각은 미리 결정된 해상도 및/또는 미리 결정된 화질의 제 1 영상(115)을 획득하기 위해 훈련된 것일 수 있다. 예를 들어, 복수의 DNN 설정 정보 중 어느 하나의 DNN 설정 정보는 원본 영상(105)의 해상도보다 1/2배만큼 작은 해상도의 제 1 영상(115), 예를 들어, 4K(4096*2160)의 원본 영상(105)보다 1/2배 작은 2K (2048*1080)의 제 1 영상(115)을 획득하기 위한 정보들을 포함할 수 있고, 다른 하나의 DNN 설정 정보는 원본 영상(105)의 해상도보다 1/4배만큼 작은 해상도의 제 1 영상(115), 예를 들어, 8K(8192*4320)의 원본 영상(105)보다 1/4배 작은 2K (2048*1080)의 제 1 영상(115)을 획득하기 위한 정보들을 포함할 수 있다.
구현예에 따라, DNN 설정 정보를 구성하는 정보들(예를 들어, 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수, 각 필터 커널의 파라미터 등)들이 룩업 테이블 형태로 저장되어 있는 경우, AI 다운스케일부(212)는 다운스케일 타겟에 따라 룩업 테이블 값들 중에서 선택된 일부를 조합하여 DNN 설정 정보를 획득하고, 획득된 DNN 설정 정보를 사용하여 원본 영상(105)을 AI 다운스케일할 수도 있다.
구현예에 따라, AI 다운스케일부(212)는 다운스케일 타겟에 대응되는 DNN의 구조를 결정하고, 결정된 DNN의 구조에 대응하는 DNN 설정 정보, 예를 들어, 필터 커널의 파라미터들을 획득할 수도 있다.
원본 영상(105)의 AI 다운스케일을 위한 복수의 DNN 설정 정보는, 제 1 DNN과 제 2 DNN이 연계 훈련됨으로써, 최적화된 값을 가질 수 있다. 여기서, 각 DNN 설정 정보는 제 1 DNN에 포함되는 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수 및 각 필터 커널의 파라미터 중 적어도 하나를 포함한다.
AI 다운스케일부(212)는 원본 영상(105)의 AI 다운스케일을 위해 결정된 DNN 설정 정보로 제 1 DNN을 세팅하여, 소정 해상도 및/또는 소정 화질의 제 1 영상(115)을 제 1 DNN을 통해 획득할 수 있다. 복수의 DNN 설정 정보 중 원본 영상(105)의 AI 다운스케일을 위한 DNN 설정 정보가 획득되면, 제 1 DNN 내 각 레이어는 DNN 설정 정보에 포함된 정보들에 기초하여 입력된 데이터를 처리할 수 있다.
이하에서는, 도 3을 참조하여, AI 다운스케일의 기반이 되는 제 1 DNN(300)의 예시적인 구조에 대해 설명한다.
도 3은 원본 영상(105)의 AI 다운스케일을 위한 제 1 DNN(300)을 나타내는 예시적인 도면이다.
도 3에 도시된 바와 같이, 원본 영상(105)은 제 1 컨볼루션 레이어(310)로 입력된다. 제 1 컨볼루션 레이어(310)는 5 x 5의 크기의 32개의 필터 커널을 이용하여 원본 영상(105)에 대해 컨볼루션 처리를 한다. 본 개시에 따르면, 제 1 DNN과 제 2 DNN의 연계 훈련을 통해 제1 DNN(300)의 파라미터들, 예를 들어, 제 1 DNN(300)의 컨볼루션 레이어들에서 이용되는 필터 커널의 파라미터들의 값이 최적화될 수 있다.
컨볼루션 처리 결과 생성된 32개의 특징 맵은 제 1 활성화 레이어(320)로 입력된다. 제 1 활성화 레이어(320)는 32개의 특징 맵에 대해 비선형(Non-linear) 특성을 부여할 수 있다. 제 1 활성화 레이어(320)는 시그모이드 함수(sigmoid function), Tanh 함수, ReLU(Rectified Linear Unit) 함수 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
제 1 활성화 레이어(320)는 제 1 컨볼루션 레이어(310)로부터 출력되는 특징 맵들의 샘플 값들을 제 2 컨볼루션 레이어(330)로 전달할지 여부를 결정한다. 예를 들어, 특징 맵들의 샘플 값들 중 어떤 샘플 값들은 제 1 활성화 레이어(320)에 의해 활성화되어 제 2 컨볼루션 레이어(330)로 전달되고, 어떤 샘플 값들은 제 1 활성화 레이어(320)에 의해 비활성화되어 제 2 컨볼루션 레이어(330)로 전달되지 않는다. 제 1 컨볼루션 레이어(310)로부터 출력되는 특징 맵들이 나타내는 정보가 제 1 활성화 레이어(320)에 의해 강조된다.
제 1 활성화 레이어(320)의 출력(325)이 제 2 컨볼루션 레이어(330)로 입력된다. 제 2 컨볼루션 레이어(330)는 5 x 5의 크기의 32개의 필터 커널을 이용하여 입력 데이터에 대해 컨볼루션 처리를 한다. 컨볼루션 처리 결과 출력된 32개의 특징 맵은 제 2 활성화 레이어(340)로 입력되고, 제 2 활성화 레이어(340)는 32개의 특징 맵에 대해 비선형 특성을 부여할 수 있다.
제 2 활성화 레이어(340)의 출력(345)은 제 3 컨볼루션 레이어(350)로 입력된다. 제 3 컨볼루션 레이어(350)는 5 x 5의 크기의 1개의 필터 커널을 이용하여 입력된 데이터에 대해 컨볼루션 처리를 한다. 컨볼루션 처리 결과 제 3 컨볼루션 레이어(350)로부터 1개의 영상이 출력될 수 있다. 제 3 컨볼루션 레이어(350)는 최종 영상을 출력하기 위한 레이어로서 1개의 필터 커널을 이용하여 1개의 출력을 획득한다. 본 개시의 예시에 따르면, 제 3 컨볼루션 레이어(350)는 컨벌루션 연산 결과를 통해 제 1 영상(115)을 출력할 수 있다.
제 1 DNN(300)의 제 1 컨볼루션 레이어(310), 제 2 컨볼루션 레이어(330) 및 제 3 컨볼루션 레이어(350)의 필터 커널의 개수, 필터 커널의 파라미터 등을 나타내는 DNN 설정 정보는 복수 개일 수 있는데, 복수의 DNN 설정 정보는 제 2 DNN의 복수의 DNN 설정 정보와 연계되어야 한다. 제 1 DNN의 복수의 DNN 설정 정보와 제 2 DNN의 복수의 DNN 설정 정보 사이의 연계는, 제 1 DNN 및 제 2 DNN의 연계 학습을 통해 구현될 수 있다.
도 3은 제 1 DNN(300)이 세 개의 컨볼루션 레이어(310, 330, 350)와 두 개의 활성화 레이어(320, 340)를 포함하고 있는 것으로 도시하고 있으나, 이는 하나의 예시일 뿐이며, 구현예에 따라서, 컨볼루션 레이어 및 활성화 레이어의 개수는 다양하게 변경될 수 있다. 또한, 구현예에 따라서, 제 1 DNN(300)은 RNN(recurrent neural network)을 통해 구현될 수도 있다. 이 경우는 본 개시의 예시에 따른 제 1 DNN(300)의 CNN 구조를 RNN 구조로 변경하는 것을 의미한다.
일 실시예에서, AI 다운스케일부(212)는 전술한 컨볼루션 연산 및 활성화 레이어의 연산을 위한 적어도 하나의 ALU(Arithmetic logic unit)를 포함할 수 있다. ALU는 프로세서로 구현될 수 있다. 컨볼루션 연산을 위해, ALU는 원본 영상(105) 또는 이전 레이어에서 출력된 특징 맵의 샘플 값들과 필터 커널의 샘플 값들 사이의 곱 연산을 수행하는 곱셈기 및 곱셈의 결과 값들을 더하는 가산기를 포함할 수 있다. 또한, 활성화 레이어의 연산을 위해, ALU는 미리 결정된 시그모이드 함수, Tanh 함수 또는 ReLU 함수 등에서 이용되는 가중치를 입력된 샘플 값에 곱하는 곱셈기, 및 곱한 결과와 소정 값을 비교하여 입력된 샘플 값을 다음 레이어로 전달할지를 판단하는 비교기를 포함할 수 있다.
다시 도 2를 참조하면, AI 다운스케일부(212)로부터 제 1 영상(115)을 전달받은 부호화부(214)는 제 1 영상(115)을 부호화하여 제 1 영상(115)이 가지는 정보량을 감축시킬 수 있다. 부호화부(214)에 의한 부호화 결과 제 1 영상(115)에 대응하는 영상 데이터가 획득될 수 있다.
데이터 처리부(232)는 AI 데이터 및 영상 데이터 중 적어도 하나가 소정의 형태로 전송될 수 있게 처리한다. 예를 들어, AI 데이터 및 영상 데이터를 비트스트림 형태로 전송하여야 하는 경우, 데이터 처리부(232)는 AI 데이터가 비트스트림 형태로 표현되도록 AI 데이터를 처리하고, 통신부(234)를 통해 하나의 비트스트림 형태의 AI 데이터 및 영상 데이터를 전송한다. 다른 예로, 데이터 처리부(232)는 AI 데이터가 비트스트림 형태로 표현되도록 AI 데이터를 처리하고, 통신부(234)를 통해 AI 데이터에 해당하는 비트스트림 및 영상 데이터에 해당하는 비트스트림 각각을 통신부(234)를 통해 전송한다. 또 다른 예로, 데이터 처리부(232)는 AI 데이터가 프레임 또는 패킷으로 표현되도록 AI 데이터를 처리하고, 비트스트림 형태의 영상 데이터와, 프레임 또는 패킷 형태의 AI 데이터를 통신부(234)를 통해 전송한다.
통신부(234)는 네트워크를 통해 AI 부호화 결과 획득된 AI 부호화 데이터를 전송한다. AI 부호화 결과 획득된 AI 부호화 데이터는 영상 데이터와 AI 데이터를 포함한다. 영상 데이터와 AI 데이터는 동종 네트워크 또는 이종 네트워크를 통해 전송될 수 있다.
일 실시예에서, 데이터 처리부(232)의 처리 결과 획득된 AI 부호화 데이터는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium) 등을 포함하는 데이터 저장 매체에 저장될 수도 있다.
도 4는 일 실시예에 따른 AI 업스케일 장치(400)의 구성을 도시하는 블록도이다.
도 4를 참조하면, 일 실시예에 따른 AI 복호화 장치(400)는 수신부(410) 및 AI 복호화부(430)를 포함할 수 있다. 수신부(410)는 통신부(412), 파싱부(414) 및 출력부(416)를 포함할 수 있다. AI 복호화부(430)는 복호화부(432) 및 AI 업스케일부(434)를 포함할 수 있다.
수신부(410)는 AI 부호화 결과 획득된 AI 부호화 데이터를 수신 및 파싱하고, 영상 데이터와 AI 데이터를 구분하여 AI 복호화부(430)로 출력한다.
구체적으로, 통신부(412)는 네트워크를 통해 AI 부호화 결과 획득된 AI 부호화 데이터를 수신한다. AI 부호화 결과 획득된 AI 부호화 데이터는 영상 데이터와 AI 데이터를 포함한다. 영상 데이터와 AI 데이터는 동종 네트워크 또는 이종 네트워크를 통해 수신될 수 있다.
파싱부(414)는 통신부(412)를 통해 수신된 AI 부호화 데이터를 전달받아 파싱(parsing)하여 영상 데이터와 AI 데이터로 구분한다. 예를 들어, 통신부(412)로부터 획득된 데이터의 헤더를 읽어, 해당 데이터가 영상 데이터인지 또는 AI 데이터인지를 구분할 수 있다. 일 예에서, 파싱부(414)는 통신부(412)를 통해 수신된 데이터의 헤더를 통해 영상 데이터와 AI 데이터를 구분하여 출력부(416)로 전달하고, 출력부(416)는 각각의 구분된 데이터를 복호화부(432) 및 AI 업스케일부(434)로 전달한다. 이 때, AI 부호화 데이터에 포함된 영상 데이터가 소정의 코덱(예를 들어, MPEG-2, H.264, MPEG-4, HEVC, VC-1, VP8, VP9 또는 AV1)을 통해 획득된 영상 데이터인 것으로 확인할 수도 있다. 이 경우, 영상 데이터가 상기 확인된 코덱으로 처리될 수 있도록, 출력부(416)를 통해 해당 정보를 복호화부(432)로 전달할 수 있다.
일 실시예에서, 파싱부(414)가 파싱하는 AI 부호화 데이터는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium) 등을 포함하는 데이터 저장 매체로부터 획득된 것일 수도 있다.
복호화부(432)는 영상 데이터에 기초하여 제 1 영상(115)에 대응하는 제 2 영상(135)을 복원한다. 복호화부(432)에 의해 획득된 제 2 영상(135)은 AI 업스케일부(434)로 제공된다. 구현예에 따라서는, 영상 데이터에 포함된 예측 모드 정보, 움직임 정보, 양자화 파라미터 정보 등의 복호화 관련 정보가 AI 업스케일부(434)로 더 제공될 수 있다.
AI 데이터를 수신한 AI 업스케일부(434)는 AI 데이터에 기초하여 제 2 영상(135)을 AI 업스케일한다. 구현예에 따라서는, 영상 데이터에 포함된 예측 모드 정보, 양자화 파라미터 정보 등의 복호화 관련 정보를 더 이용하여 AI 업스케일 할 수 있다.
일 실시예에 따른 수신부(410) 및 AI 복호화부(430)는 개별적인 장치로 설명되었으나, 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 수신부(410) 및 AI 복호화부(430)는 전용 프로세서로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 범용 프로세서와 S/W의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하여 구현되거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함하여 구현될 수 있다.
또한, 수신부(410) 및 AI 복호화부(430)는 복수의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 S/W의 조합을 통해 구현될 수도 있다. 마찬가지로 AI 업스케일부(434)와 복호화부(432)도 각각 서로 다른 프로세서로 구현될 수 있다.
AI 업스케일부(434)로 제공되는 AI 데이터는, 제 2 영상(135)을 AI 업스케일할 수 있게 하는 정보들을 포함한다. 이때, 업스케일 타겟은 제 1 DNN의 다운스케일에 대응하여야 한다. 따라서, AI 데이터는 제 1 DNN의 다운스케일 타겟을 확인할 수 있는 정보가 포함되어야 한다.
AI 데이터에 포함된 정보를 구체적으로 예시하면, 원본 영상(105)의 해상도와 제 1 영상(115)의 해상도의 차이 정보, 제 1 영상(115) 관련 정보가 있다.
차이 정보는, 원본 영상(105) 대비 제 1 영상(115)의 해상도 변환 정도에 대한 정보(예를 들어, 해상도 변환률 정보)로 표현될 수 있다. 그리고, 복원된 제 2 영상(135)의 해상도를 통해 제 1 영상(115)의 해상도를 알게 되고 이를 통해 해상도 변환 정도를 확인할 수 있기 때문에, 차이 정보는 원본 영상(105)의 해상도 정보만으로 표현될 수도 있다. 여기서 해상도 정보는 가로/세로의 화면 사이즈로 표현될 수도 있고, 비율(16:9, 4:3 등)과 한 축의 사이즈로 표현될 수도 있다. 또한, 기 설정된 해상도 정보가 있는 경우는 인덱스 또는 플래그의 형태로 표현될 수도 있다.
그리고, 제 1 영상(115) 관련 정보는, 제 1 영상(115)의 제 1 부호화 결과 획득된 영상 데이터의 비트레이트 및 제 1 영상(115)의 제 1 부호화시 이용된 코덱 타입 중 적어도 하나에 대한 정보를 포함할 수 있다.
AI 업스케일부(434)는 AI 데이터에 포함된 차이 정보 및 제 1 영상(115) 관련 정보 중 적어도 하나에 기초하여 제 2 영상(135)의 업스케일 타겟을 결정할 수 있다. 업스케일 타겟은 예를 들어, 제 2 영상(135)을 어느 정도의 해상도로 업스케일하여야 하는지를 나타낼 수 있다. AI 업스케일부(434)는 업스케일 타겟이 결정되면, 업스케일 타겟에 대응하는 제 3 영상(145)을 획득하기 위해 제 2 DNN을 통해 제 2 영상(135)을 AI 업스케일한다.
이하에서는, 도 5를 참조하여, AI 업스케일부(434)가 제 2 DNN을 통해 제2 영상을 AI 업스케일하는 과정에 대해서 설명하기로 한다.
도5는 제 2 영상(135)의 AI 업스케일을 위한 제 2 DNN(300)을 나타내는 예시적인 도면이다.
도 5에 도시된 바와 같이, 제 2 영상(135)은 제 1 컨볼루션 레이어(510)로 입력된다. 도 5에 도시된 제 1 컨볼루션 레이어(510)에 표시된 3X3X4는 3 x 3의 크기의 4개의 필터 커널을 이용하여 1개의 입력 영상에 대해 컨볼루션 처리를 하는 것을 예시한다. 컨볼루션 처리 결과 4개의 필터 커널에 의해 4개의 특징 맵이 생성된다. 각 특징 맵은 제 2 영상(135)의 고유한 특성들을 나타낸다. 예를 들어, 각 특징 맵은 제 2 영상(135)의 수직 방향 특성, 수평 방향 특성 또는 에지 특성 등을 나타낼 수 있다.
본 개시에 따르면, 제 1 DNN과 제 2 DNN의 연계 훈련을 통해 제 2 DNN의 파라미터들, 예를 들어, 제 2 DNN의 컨볼루션 레이어들에서 이용되는 필터 커널의 파라미터들의 값이 최적화될 수 있다. 전술한 바와 같이, AI 업스케일부(434)는 AI 데이터에 기초하여, 제 1 DNN의 다운스케일 타겟에 대응하는 업스케일 타겟을 결정하고, 결정된 업스케일 타겟에 대응하는 파라미터들을 제 2 DNN의 컨볼루션 레이어들에서 이용되는 필터 커널의 파라미터들로 결정할 수 있다.
제 1 컨볼루션 레이어(510)에서 출력된 특징 맵들은 제 1 활성화 레이어(520)로 입력된다.
제 1 활성화 레이어(520)는 각각의 특징 맵에 대해 비선형(Non-linear) 특성을 부여할 수 있다. 제 1 활성화 레이어(520)는 시그모이드 함수(sigmoid function), Tanh 함수, ReLU(Rectified Linear Unit) 함수 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
제 1 활성화 레이어(520)에서 비선형 특성을 부여하는 것은, 제 1 컨볼루션 레이어(510)의 출력인, 특징 맵의 일부 샘플 값을 변경하여 출력하는 것을 의미한다. 이때, 변경은 비선형 특성을 적용하여 수행된다.
제 1 활성화 레이어(520)는 제 1 컨볼루션 레이어(510)로부터 출력되는 특징 맵들의 샘플 값들을 제 2 컨볼루션 레이어(530)로 전달할지 여부를 결정한다. 예를 들어, 특징 맵들의 샘플 값들 중 어떤 샘플 값들은 제 1 활성화 레이어(520)에 의해 활성화되어 제 2 컨볼루션 레이어(530)로 전달되고, 어떤 샘플 값들은 제 1 활성화 레이어(520)에 의해 비활성화되어 제 2 컨볼루션 레이어(530)로 전달되지 않는다. 특징 맵들이 나타내는 제 2 영상(135)의 고유 특성이 제 1 활성화 레이어(520)에 의해 강조된다.
제 1 활성화 레이어(520)에서 출력된 특징 맵들(525)은 제 2 컨볼루션 레이어(530)로 입력된다.
제 2 컨볼루션 레이어(530)에 표시된 3X3X4는 3 x 3의 크기의 4개의 필터 커널을 이용하여 입력된 특징 맵들(525)에 대해 컨볼루션 처리하는 것을 예시한다. 제 2 컨볼루션 레이어(530)의 출력은 제 2 활성화 레이어(540)로 입력된다. 제 2 활성화 레이어(540)는 입력 데이터에 대해 비선형 특성을 부여할 수 있다.
제 2 활성화 레이어(540)에서 출력된 특징 맵들(345)은 제 3 컨볼루션 레이어(550)로 입력된다. 도 5에 도시된 제3 컨볼루션 레이어(550)에 표시된 3X3X1는 3 x 3의 크기의 1개의 필터 커널을 이용하여 1개의 출력 영상을 만들기 위해 컨볼루션 처리를 하는 것을 예시한다. 제 3 컨볼루션 레이어(550)는 최종 영상을 출력하기 위한 레이어로서 1개의 필터 커널을 이용하여 1개의 출력을 생성한다. 본 개시의 예시에 따르면, 제 3 컨볼루션 레이어(550)는 컨벌루션 연산 결과를 통해 제 3 영상(145)을 출력할 수 있다.
제 2 DNN(500)의 제 1 컨볼루션 레이어(510), 제 2 컨볼루션 레이어(530) 및 제 3 컨볼루션 레이어(550)의 필터 커널의 개수, 필터 커널의 파라미터 등을 나타내는 DNN 설정 정보는 복수 개일 수 있는데, 복수의 DNN 설정 정보는 제 1 DNN의 복수의 DNN 설정 정보와 연계되어야 한다. 제 2 DNN의 복수의 DNN 설정 정보와 제 1 DNN의 복수의 DNN 설정 정보 사이의 연계는, 제 1 DNN 및 제 2 DNN의 연계 학습을 통해 구현될 수 있다.
도 5은 제 2 DNN(500)이 세 개의 컨볼루션 레이어(510, 530, 550)와 두 개의 활성화 레이어(520, 540)를 포함하고 있는 것으로 도시하고 있으나, 이는 하나의 예시일 뿐이며, 구현예에 따라서, 컨볼루션 레이어 및 활성화 레이어의 개수는 다양하게 변경될 수 있다. 또한, 구현예에 따라서, 제 2 DNN(500)은 RNN(recurrent neural network)을 통해 구현될 수도 있다. 이 경우는 본 개시의 예시에 따른 제 2 DNN(500)의 CNN 구조를 RNN 구조로 변경하는 것을 의미한다.
일 실시예에서, AI 업스케일부(434)는 전술한 컨볼루션 연산 및 활성화 레이어의 연산을 위한 적어도 하나의 ALU(Arithmetic logic unit)를 포함할 수 있다. ALU는 프로세서로 구현될 수 있다.
이하에서, AI 업스케일부(434)가 업스케일 타겟에 맞춰 제 2 영상(135)을 AI 업스케일하는 방법을 설명한다.
일 실시예에서, AI 업스케일부(434)는 제 2 DNN에 세팅 가능한 복수의 DNN 설정 정보를 저장할 수 있다.
여기서, DNN 설정 정보는 제 2 DNN에 포함되는 컨볼루션 레이어의 수, 컨볼루션 레이어별 필터 커널의 개수 및 각 필터 커널의 파라미터 중 적어도 하나에 대한 정보를 포함할 수 있다. 복수의 DNN 설정 정보는 다양한 업스케일 타겟에 각각 대응될 수 있으며, 특정 업스케일 타겟에 대응되는 DNN 설정 정보에 기반하여 제 2 DNN이 동작할 수 있다. DNN 설정 정보에 따라 제 2 DNN이 서로 다른 구조를 가질 수 있다. 예를 들어, 어느 DNN 설정 정보에 따라 제 2 DNN이 3개의 컨볼루션 레이어를 포함할 수 있고, 다른 DNN 설정 정보에 따라 제 2 DNN이 4개의 컨볼루션 레이어를 포함할 수 있다.
일 실시예에서, DNN 설정 정보는 제 2 DNN에서 사용되는 필터 커널의 파라미터만을 포함할 수도 있다. 이 경우, 제 2 DNN의 구조는 변경되지 않는 대신, DNN 설정 정보에 따라 내부의 필터 커널의 파라미터만이 달라질 수 있다.
AI 업스케일부(434)는 복수의 DNN 설정 정보 중 제 2 영상(135)의 AI 업스케일을 위한 DNN 설정 정보를 획득할 수 있다. 여기서 사용되는 복수의 DNN 설정 정보 각각은 미리 결정된 해상도 및/또는 미리 결정된 화질의 제 3 영상(145)을 획득하기 위한 정보로, 제 1 DNN과 연계하여 훈련된 것이다.
예를 들어, 복수의 DNN 설정 정보 중 어느 하나의 DNN 설정 정보는 제 2 영상(135)의 해상도보다 2배 큰 해상도의 제 3 영상(145), 예를 들어, 2K (2048*1080)의 제 2 영상(135)보다 2배 큰 4K(4096*2160)의 제 3 영상(145)을 획득하기 위한 정보들을 포함할 수 있고, 다른 하나의 DNN 설정 정보는 제 2 영상(135)의 해상도보다 4배 큰 해상도의 제 3 영상(145), 예를 들어, 2K (2048*1080)의 제 2 영상(135)보다 4배 큰 8K(8192*4320)의 제 3 영상(145)을 획득하기 위한 정보들을 포함할 수 있다.
복수의 DNN 설정 정보 각각은 AI 부호화 장치(200)의 제 1 DNN의 DNN 설정 정보와 연계되어 만들어진 것이며, AI 업스케일부(434)는 제 1 DNN의 DNN 설정 정보의 축소 비율에 대응되는 확대 비율에 따라 복수의 DNN 설정 정보 중 하나의 DNN 설정 정보를 획득한다. 이를 위해, AI 업스케일부(434)는 제 1 DNN의 정보를 확인하여야 한다. 제 1 DNN의 정보를 AI 업스케일부(434)가 확인하기 위해, 일 실시예에 따른 AI 복호화 장치(400)는 AI 부호화 장치(200)로부터 제 1 DNN의 정보를 포함하는 AI 데이터를 수신한다.
다시 말하면, AI 업스케일부(434)는 AI 부호화 장치(200)로부터 수신되는 정보들을 이용하여, 제 1 영상(115)을 획득하기 위해 이용된 제 1 DNN의 DNN 설정 정보가 타겟하는 정보를 확인하고, 그와 연계 훈련된 제 2 DNN의 DNN 설정 정보를 획득할 수 있는 것이다.
복수의 DNN 설정 정보 중 제 2 영상(135)의 AI 업스케일을 위한 DNN 설정 정보가 획득되면, 획득된 DNN 설정 정보에 따라 동작하는 제 2 DNN에 기초하여 입력 데이터가 처리될 수 있다.
예를 들어, 어느 하나의 DNN 설정 정보가 획득되면, 도 5에 도시된 제 2 DNN(500)의 제 1 컨볼루션 레이어(510), 제 2 컨볼루션 레이어(530) 및 제 3 컨볼루션 레이어(550) 각각에 대해서, 각 레이어에 포함되는 필터 커널의 개수와 필터 커널의 파라미터들을, 상기 획득된 DNN 설정 정보에 포함된 값으로 설정할 수 있다.
AI 업스케일부(434)는 AI 데이터에 포함된 정보에 기초하여 복수의 DNN 설정 정보 중 제 2 영상(135)을 업스케일하기 위한 DNN 설정 정보를 획득할 수 있는데, DNN 설정 정보를 획득하는데 이용되는 AI 데이터에 대해 구체적으로 설명한다.
일 실시예에서, AI 업스케일부(234)는 AI 데이터에 포함된 차이 정보에 기초하여, 복수의 DNN 설정 정보 중 제 2 영상(135)을 업스케일하기 위한 DNN 설정 정보를 획득할 수 있다. 예를 들어, 차이 정보에 기초하여 원본 영상(105)의 해상도(예를 들어, 4K(4096*2160))가 제 1 영상(115)의 해상도(예를 들어, 2K (2048*1080))보다 2배 큰 것으로 확인된 경우, AI 업스케일부(234)는 제 2 영상(135)의 해상도를 2배 증가시킬 수 있는 DNN 설정 정보를 획득할 수 있다.
다른 실시예에서, AI 업스케일부(434)는 AI 데이터에 포함된 제 1 영상(115) 관련 정보에 기초하여, 복수의 DNN 설정 정보 중 제 2 영상(135)을 AI 업스케일하기 위한 DNN 설정 정보를 획득할 수 있다. AI 업스케일부(434)는 영상 관련 정보들과 DNN 설정 정보들 사이의 매핑 관계를 미리 결정하고, 제 1 영상(115) 관련 정보에 매핑된 DNN 설정 정보를 획득할 수 있다.
한편, 도 1 내지 도 5에서 설명한 바와 같이, 원본 영상(105)을 저해상도 영상(예를 들어, 도 1의 제1 영상(115))으로 다운스케일하고, 다시, 저해상도 영상(예를 들어, 도 1의 제2 영상(135))을 업스케일하여, 고해상도 영상(예를 들어, 도 1의 제3 영상(145))으로 복원하는 경우, 원본 영상에 포함되는 픽셀을 구성하는 정보의 손실이 불가피하기 때문에, 고해상도 영상으로 복원 시, 손실 정보가 발생할 수 밖에 없다. 즉, 이로 인해, 복원된 고해상도 영상은 원본 영상과 달라지게 되며, 아티팩트가 발생하게 된다. 아티팩트는 앨리어싱 아티팩트(Aliasing Artifact)와 재깅 아티팩트(Jagging Artifact)를 포함할 수 있으나, 이에 한정되지 않는다.
앨리어싱 아티팩트는 물결 무늬와 유사한 패턴이 발생하는 현상을 의미하며, 재깅 아티팩트는 라인이나 엣지 영역이 계단식으로 꺾이는 현상을 의미한다. 또한, 앨리어싱 아티팩트는 픽셀 값 차이가 급격하게 변하는 고주파 영역에서 주로 발생하며, 프레임 영상에 포함된 동일한 오브젝트 내의 패턴(또는 텍스쳐)이 프레임에 따라 일정하게 유지되지 않고 떨리거나 깜빡거리는 플리커링(flickering) 현상으로 나타난다.
이러한 아티팩트는 영상의 화질에 큰 영향을 주기 때문에 화질의 선명함(sharpness)을 향상시키는 것과 함께 화질 개선에 중요한 요소가 되고 있다.
한편, 비디오와 같은 영상 스트리밍에서 아티팩트를 제거하기 위해서는 영상 프레임들 간의 움직임 정보를 활용하는 것이 대표적인 방법이다. 예를 들어, 복수의 영상 프레임들의 움직임 정보를 이용하여, 현재 또는 앞으로 생성하게 될 프레임 영상의 최적 상태를 예측한다. 즉, 움직임 추정(motion estimation)과 움직임 보상(motion compensation)을 이용하여 아티팩트를 제거한다. 그러나, 움직임 추정과 움직임 보상을 이용하여 아티팩트를 제거하는 시스템은, 움직임 추정과 움직임 보상을 처리하기 위한 연산 장치가 별도로 필요하다.
또한, 움직임 추정 및 움직임 보상을 이용하기 위해서는 현재 프레임 영상 이외에 이전 프레임 영상 또는 다음 프레임 영상에 대한 정보가 필요하게 되며, 복수의 프레임 영상 정보를 저장하기 위한 추가적인 메모리가 필요하다.
또한, 추가 연산부 및 메모리 접근으로 인한 추가적인 트래픽이 발생하게 되며, 이로 인해 시스템 딜레이가 발생하게 된다.
따라서, 추가적인 하드웨어, 기존 하드웨어의 변경, 추가적인 비용의 발생 없이, 아티팩트를 제거할 수 있는, AI 업스케일 장치 및 AI 다운스케일 장치가 필요하다.
일 실시예에 따른 AI 다운스케일 장치 및 AI 업스케일 장치는 기존 AI 다운 스케일 장치 및 AI 업 스케일 장치에 추가적인 장치(하드웨어), 기존 하드웨어의 변경, 추가적인 비용의 발생 없이, 영상을 AI 다운 스케일하고, AI 업스케일하는 과정에서 발생하는 아티팩트를 제거할 수 있다.
이하, 도면들을 참조하여 일 실시예에 따른 AI 다운 스케일 장치 및 AI 업 스케일 장치에 대해 자세히 설명하기로 한다.
도 6은 일 실시예에 따른 제1 DNN 및 제2 DNN을 훈련시키는 방법을 나타내는 흐름도이다.
제1 DNN의 훈련 과정에서는 제2 DNN의 설정 정보(예를 들어, 제2 DNN의 제2 파라미터들)를 고정(fix) 시키고, 제1 DNN의 설정 정보(예를 들어, 제1 DNN의 제1 파라미터들) 중 적어도 하나를 업데이트 할 수 있다. 또한, 제2 DNN의 훈련 과정에서는 제1 DNN의 설정 정보를 고정시키고, 제2 DNN의 설정 정보 중 적어도 하나를 업데이트 할 수 있다.
도 6을 참조하면, 일 실시예에 따른 훈련 장치는 원본 영상에 이동 또는 트랜스레이션(Translation)을 적용하여, 하나 이상의 트랜스레이션 영상들을 생성할 수 있다(S610).
이때, 원본 영상은 비디오를 구성하는 적어도 하나의 프레임 영상일 수 있다. 또한, 트랜스레이션은, AI 다운스케일을 통해 감소시키려는 해상도에 따라 결정될 수 있다. 예를 들어, 해상도를 1/n배로 감소시키고자 하는 경우, 원본 영상에서 n개의 픽셀 당 1개의 픽셀을 샘플링하게 되며, 원본 영상에서 픽셀 이동이 없는 1개의 영상과, 픽셀 이동이 발생한 n-1개의 트랜스레이션 영상을 생성될 수 있다. 이에 따라, 원본 영상에 트랜스레이션을 적용하지 않은1개의 원본영상(픽셀 이동이 없는 영상)과, n-1개의 트랜스레이션을 적용한 n-1개의 트랜스레이션 영상들이 획득될 수 있다.
예컨대, n=4인 경우, 픽셀 이동이 없는 원본 영상과, 원본 영상을 오른쪽, 위쪽, 대각선으로 각각 1픽셀씩 이동시킨 3개의 트랜스레이션 영상들(제1, 제2, 제3 트랜스레이션 영상)의 총 4개의 영상들이 획득된다.한편, 훈련 장치는 훈련 진행 전에, 제1 DNN 및 제2 DNN의 DNN 설정 정보를 초기 설정할 수 있다. 제1 DNN 및 제2 DNN은 미리 결정된 DNN 설정 정보에 따라 동작할 수 있으며, DNN 설정 정보는 제1 DNN 및 제2 DNN에 포함되는 컨볼루션 레이어의 수, 컨볼루션 레이어 별 필터 커널의 개수, 컨볼루션 레이어별 필터 커널의 크기 및 각 필터 커널의 파라미터들(제1 파라미터들 및 제2 파라미터들) 중 적어도 하나에 대한 정보를 포함할 수 있다.
훈련 장치는 픽셀 이동이 없는 원본 영상과, 하나 이상의 트랜스레이션 영상들 각각에 대해, 제1 DNN의 제1 파라미터들과의 연산을 수행하여, 복수의 저해상도 영상들을 획득할 수 있다(S620).
훈련 장치는 초기 설정된 DNN 설정 정보에 따라 제1 DNN의 제1 파라미터들의 값을 설정할 수 있다. 제1 DNN은 도 3에서 설명한 바와 같이, 픽셀 이동이 없는 원본 영상과, 하나 이상의 트랜스레이션 영상들 각각에 대해, 설정된 제1 파라미터들과의 컨볼루션 연산 및 활성화 레이어의 연산 등을 수행할 수 있다. 이에 따라, 제1 DNN은, 픽셀 이동이 없는 원본 영상과, 하나 이상의 트랜스레이션 영상들이 AI 다운스케일된 복수의 저해상도 영상들을 출력한다.
훈련 장치는 제1 DNN으로부터 획득한 복수의 저해상도 영상들 각각과 제2 DNN의 제2 파라미터들과의 연산을 수행하여, 복수의 고해상도 영상들을 획득할 수 있다(S630).
훈련 장치는 초기 설정된 DNN 설정 정보에 따라 제2 DNN의 제2 파라미터들의 값을 설정할 수 있다. 제2 DNN은 도 5에서 설명한 바와 같이, 복수의 저해상도 영상들 각각에 대해, 설정된 제2 파라미터들과의 컨볼루션 연산 및 활성화 레이어의 연산 등을 수행할 수 있다. 이에 따라, 제2 DNN은, 복수의 저해상도 영상들이 AI 업스케일된 복수의 고해상도 영상들을 출력한다.
훈련 장치는 복수의 고해상도 영상들에 역이동 또는 리트렌스레이션(Re-translation)을 적용하여, 복수의 복원 영상들(또는 결과 영상들)을 생성할 수 있다(S640). 복원 영상들(또는 결과 영상들)은 픽셀 이동이 없는 원본 영상에 대한 복원 영상인 원본 복원 영상(제1 복원 영상)과, 하나 이상의 트랜스레이션 영상들에 대한 복원 영상들인 트랜스레이션 복원 영상들(제2 복원 영상들)을 포함할 수 있다.
이때, 리트렌스레이션은 단계 610(S610)에서 적용된 트랜스레이션에 기초하여 결정될 수 있다. 예를 들어, 리트랜스레이션은 트랜스레이션과 반대되는 방향의 이동일 수 있다. 트랜스레이션에서, 오른쪽으로 이동하면, 리트랜스레이션에서는 왼쪽으로, 트랜스레이션에서 왼쪽으로 이동한 경우, 리트랜스레이션에서는 오른쪽으로 이동할 수 있다. 또한, 트랜스레이션에서 위쪽으로 이동하면, 리트랜스레이션에서는 아래쪽으로, 트랜스레이션에서 아래쪽으로 이동한 경우, 리트랜스레이션에서는 위쪽으로 이동할 수 있다. 다만, 이에 한정되지 않는다.
훈련 장치는 복원 영상들(원본 복원 영상 및 트랜스레이션 복원 영상들) 각각과 원본 영상의 제1 차이 정보(컨텐츠 손실 정보(Lc))와 복수의 복원 영상들(픽셀 이동이 없는 원본 영상에 대한 복원 영상인 원본 복원 영상과, 하나 이상의 트랜스레이션 영상들에 대한 복원 영상인 트랜스레이션 복원 영상들) 사이의 제2 차이 정보(앙상블 손실 정보(Le))를 획득할 수 있다(S650).
훈련 장치는 제1 차이 정보 및 제2 차이 정보에 기초하여, 제1 DNN의 제1 파라미터들 및 제2 DNN의 제2 파라미터들 중 적어도 하나를 업데이트할 수 있다(S660).
예를 들어, 훈련 장치는 제1 차이 정보 및 제2 차이 정보에 기초하여, 최종 손실 정보를 결정할 수 있으며, 최종 손실 정보가 감소 또는 최소화되도록 제1 파라미터들 및 제2 파라미터들 중 적어도 하나를 업데이트할 수 있다.
제1 DNN의 훈련 과정에서는 제2 DNN의 제2 파라미터들을 고정(fix) 시키고, 제1 DNN의 제1 파라미터들 중 적어도 하나를 업데이트 할 수 있다. 또한, 제2 DNN의 훈련 과정에서는 제1 DNN의 제1 파라미터들을 고정시키고, 제2 DNN의 제2 파라미터들 중 적어도 하나를 업데이트 할 수 있다. 또는, 제1 DNN의 제1 파라미터들과 제2 DNN의 제2 파라미터들을 함께 업데이트할 수도 있다.
도 6의 일 실시예에 따른 제1 DNN 및 제2 DNN을 훈련시키는 방법에 대해서는, 이하 도 7 및 8을 참조하여 더 구체적으로 설명하기로 한다.
도 7a 내지 도 7e는 일 실시예에 따른 AI 다운스케일을 위한 제1 DNN 및 AI 업스케일을 위한 제2 DNN을 훈련시키는 방법을 설명하기 위해 참조되는 도면들이다.
도 7a 내지 도 7e의 제1 DNN(730)은 도 3의 제1 DNN(300)에 대응하고, 도 7a 내지 도 7e의 제2 DNN(750)은 도 5의 제2 DNN(500)에 대응할 수 있다.
제1 DNN의 훈련 과정에서는 제2 DNN의 설정 정보(제2 파라미터들)를 고정(fix) 시키고, 제1 DNN의 설정 정보(제1 파라미터들) 중 적어도 하나를 업데이트 한다. 제2 DNN의 훈련 과정에서는 제1 DNN의 설정 정보(제1 파라미터들)를 고정시키고, 제2 DNN의 설정 정보(제2 파라미터들) 중 적어도 하나를 업데이트 한다. 또는, 제1 DNN의 설정 정보(제1 파라미터들)와 제2 DNN의 설정 정보(제2 파라미터들)를 고정하지 않고, 최종 손실 정보가 감소 또는 최소화되도록 제1 DNN(730)의 설정 정보(제1 파라미터들)와 제2 DNN(750)의 설정 정보(제2 파라미터들)을 함께 갱신할 수 있다. 다만, 이에 한정되지 않는다.
도 1에서 전술한 바와 같이, 일 실시예에 따른 AI 다운스케일 과정을 통해 AI 다운스케일된 원본 영상(105)은 AI 업스케일 과정을 통해 제3 영상(145)으로 복원되는데, AI 업스케일 결과 획득된 제3 영상(145)과 원본 영상(105)과의 유사성을 유지하기 위해서는 AI 다운스케일 과정과 AI 업스케일 과정에 연관성이 필요하다. 즉, AI 다운스케일 과정에서 손실된 정보를 AI 업스케일 과정에서 복원할 수 있어야 하는데, 이를 위해 제1 DNN(730)과 제2 DNN(750)의 연계 훈련이 요구된다.
도 7a에서, 원본 훈련 영상(710)은 AI 다운스케일의 대상이 되는 영상이다. 원본 훈련 영상(710)은 복수의 프레임들로 이루어진 동영상 또는 비디오를 포함할 수 있다. 원본 훈련 영상(710)에 이동 또는 트랜스레이션(715)이 적용되어, 픽셀 이동이 없는 원본 영상과, 하나 이상의 트랜스레이션 영상들을 포함하는 복수의 영상들(720)이 생성될 수 있다. 이때 복수의 영상들(720)의 개수는 AI 다운스케일을 통해 감소시키려는 해상도에 따라 결정될 수 있다. 도 7a에서는, AI 다운스케일을 통해 해상도를 1/4배로 감소시키려는 경우를 예로 들어 설명하기로 한다.
AI 다운스케일을 통해 해상도를 1/4배로 감소시키고자 하는 경우, 4개의 영상들(720)이 생성될 수 있다. 즉, 4개의 영상들(720)은 1개의 원본 훈련 영상(픽셀 이동이 없는 영상, 721)과, 3개의 트랜스레이션 영상들(722,723,724)을 포함할 수 있다. 예를 들어, 3개의 트랜스레이션 영상들(722,723,724)은, 원본 훈련 영상(710)에 포함되는 픽셀들을 오른쪽으로 한 픽셀씩 이동시킨 영상(제1트랜스레이션 영상(722)), 원본 훈련 영상(710)에 포함되는 픽셀들을 아래쪽으로 한 픽셀씩 이동시킨 영상(제2트랜스레이션 영상(723)), 원본 훈련 영상(710)에 포함되는 픽셀들을 오른쪽 한 픽셀씩, 아래쪽으로 한 픽셀씩 이동시킨 영상(제3 트랜스레이션 영상(724))을 포함할 수 있다.
원본 훈련 영상(721)과, 제1 내지 제3 트랜스레이션 영상들(722, 723, 724)은 제1 DNN(730)에 입력될 수 있다. 원본 훈련 영상(721)과, 제1 내지 제3 트랜스레이션 영상들(722, 723, 724)이 제1 DNN(730)에 입력되면, 제1 DNN(730)은 원본 훈련 영상(721)과, 제1 내지 제3 트랜스레이션 영상들(722, 723, 724)을 AI 다운스케일한 4개의 저해상도 영상들(740)을 출력할 수 있다.
제1 DNN(730) 및 제2 DNN(750)의 연계 훈련을 위해, 제1 DNN(730)으로부터 획득한 4개의 저해상도 영상들(740)이 제2 DNN(750)에 입력될 수 있다. 제1 DNN(730)으로부터 획득한 4개의 저해상도 영상들(740)이 제2 DNN(750)에 입력되면, 제2 DNN(750)은 4개의 저해상도 영상들(740)을 AI 업스케일한 4개의 고해상도 영상들(760)을 출력할 수 있다.
제2 DNN으로부터 획득된 4개의 고해상도 영상들(760)에 역이동 또는 리트랜스레이션(765)이 적용되어 4개의 복원 영상들(또는 결과 영상들)(770)이 생성될 수 있다. 이때, 리트랜스레이션(765)은 원본 훈련 영상에 적용되었던 트랜스레이션(715)과 반대되는 방향의 이동일 수 있다. 예를 들어, 원본 훈련 영상(721)에 대응하는 제1 고해상도 영상(761)은 그대로 제1 복원 영상(771)이 될 수 있다. 또한, 제1 트랜스레이션 영상(722)에 대응하는 제2 고해상도 영상(762)은, 제2 고해상도 영상(762)에 포함되는 픽셀들을 왼쪽으로 한 픽셀씩 이동시킨 제2 복원 영상(772)으로 리트랜스레이션될 수 있다. 제2 트랜스레이션 영상(723)에 대응하는 제3 고해상도 영상(763)은, 제3 고해상도 영상(763)에 포함되는 픽셀들을 위쪽으로 한 픽셀씩 이동시킨 제3 복원 영상(773)으로 리트랜스레이션될 수 있다. 제3 트랜스레이션 영상(724)에 대응하는 제4 고해상도 영상(764)은, 제4 고해상도 영상(764)에 포함되는 픽셀들을 왼쪽으로 한 픽셀씩, 위쪽으로 한 픽셀씩 이동시킨 제4 복원 영상(774)으로 리트랜스레이션될 수 있다. 여기서, 제1 복원 영상(771)은 픽셀 이동이 없는 원본 영상에 대한 복원 영상인 원본 복원 영상이고, 제2, 제3 및 제4 복원 영상(772,773,774)은 하나 이상의 트랜스레이션 영상들에 대한 복원 영상인 트랜스레이션 복원 영상들이다.훈련이 진행됨에 따라, 컨텐츠 손실 정보(Lc) 및 앙상블 손실 정보(Le)가 결정될 수 있다. 컨텐츠 손실 정보(Lc)는 복수의 복원 영상들(770) 각각과 원본 훈련 영상(710)의 차이 정보에 기초하여 결정될 수 있다. 컨텐츠 손실 정보(Lc)는 복수의 복원 영상들(770)이 원본 훈련 영상(710)과 어느 정도로 유사한지를 나타내는 정보이다. 컨텐츠 손실 정보(Lc)가 작을수록 복수의 복원 영상들(770)이 원본 훈련 영상(710)에 더 유사해진다.
컨텐츠 손실 정보(Lc)는, 다음과 같은 수학식 1로 나타낼 수 있다.
컨텐츠 손실 정보(Lc)는 복수의 복원 영상들 각각과 원본 훈련 영상의 평균 제곱 오차(MSE, mean square error)를 합한 값으로 나타낼 수 있다. 수학식 1에서, x1, x2 ,..., xn은 복수의 복원 영상들을 나타내며, y는 원본 훈련 영상을 나타낸다.
예를 들어, 도 7a의 경우, 컨텐츠 손실 정보(Lc)는 제1 복원 영상(771, x1)과 원본 훈련 영상(710, y)의 제1 평균 제곱 오차(mean square error), 제2 복원 영상(772, x2)과 원본 훈련 영상(710, y)의 제2 평균 제곱 오차, 제3 복원 영상(773, x3)과 원본 훈련 영상(710, y)의 제3 평균 제곱 오차, 제4 복원 영상(774, x4)과 원본 훈련 영상(710, y)의 제4 평균 제곱 오차를 합한 값으로 결정될 수 있다.
또한, 앙상블 손실 정보(Le)는 복수의 복원 영상들(770) 사이의 차이 정보에 기초하여 결정될 수 있다. 앙상블 손실 정보(Le)에 대해서는, 도 8을 참조하여 자세히 설명하기로 한다.
도 8은 일 실시예에 따른 앙상블 손실 정보를 설명하기 위해 참조되는 도면이다.
도 8을 참조하면, 원본 영상(810)에 포함되는 픽셀들을 한 픽셀씩 오른쪽으로 이동시켜, 트랜스레이션 영상(820)을 생성한다. 이때, 트랜스레이션 영상(820)을 생성하는 것은, 원본 영상(810)이 t 프레임 영상이라고 가정하면, t+1 프레임 영상을 생성하는 것과 유사하다. 즉, 원본 영상(810)은 t 프레임 영상에 대응하고, 트랜스레이션 영상(820)은 t+1 프레임 영상에 대응하는 것으로 볼 수 있다.
원본 영상(810)과 트랜스레이션 영상(820)의 해상도를 1/4배로 감소시키기 위해, 픽셀 샘플링을 수행할 수 있다. 원본 영상(810)은 픽셀 샘플링이 수행되어 제1 저해상도 영상(815)으로 다운스케일되며, 트랜스레이션 영상(820)은 픽셀 샘플링이 수행되어 제2 저해상도 영상(825)으로 다운스케일된다. 또한, 제1 저해상도 영상(815)은 제1 고해상도 영상(817)으로 4배 업스케일되고, 제2 저해상도 영상(825)은 제2 고해상도 영상(827)으로 4배 업스케일된다.
또한, 제2 고해상도 영상(827)에 포함되는 픽셀들을 한 픽셀씩 왼쪽으로 이동시켜, 복원 영상(829)을 생성한다. 이때, 픽셀들을 이동시켜 복원 영상(829)을 생성하는 것은, t+1 프레임 영상을 t 프레임 영상에 맞춰주는 움직임 보상 과정과 유사하다. 그러나, 제1 고해상도 영상(817)과 복원 영상(829)은 서로 달라지며, 이로 인해, 아티팩트가 발생하게 된다.
도 8을 참조하면, 원본 영상(810)과 트랜스레이션 영상(820)의 다운스케일 시, 픽셀 샘플링되는 픽셀 정보가 다르기 때문에, 손실되는 정보가 달라지고, 이에 따라, 업스케일 및 리트랜스레이션으로 영상을 복원하여도, 복원된 영상 정보가 달라지게 된다. 따라서, 아티팩트를 제거하기 위해서는 복원 영상들(817, 829)이 서로 같아져야 하며, 복수의 복원 영상들의 차이 정보에 기초하여 결정되는 앙상블 손실 정보(Le)는 작아져야 한다. 즉, 앙상블 손실 정보(Le)는 복수의 복원 영상들이 서로 어느 정도로 유사한지를 나타내는 정보이며, 앙상블 손실 정보가 작을수록 복원 영상들이 서로 유사해지며, 아티팩트가 감소한다.
다시 도 7a를 참조하면, 앙상블 손실 정보는 다음과 같은 수학식 2로 나타낼 수 있다.
앙상블 손실 정보(Le)는 복수의 복원 영상들 사이의 평균 제곱 오차(MSE)를 합한 값으로 나타낼 수 있다. 수학식 2에서, x1, x2,..., xn은 복수의 복원 영상들을 나타낸다.
예를 들어, 도 7a의 경우, 앙상블 손실 정보(Le)는 제1 복원 영상(771, x1)과 제2 복원 영상(772, x2)의 평균 제곱 오차, 제1 복원 영상(771, x1)과 제3 복원 영상(773, x3)의 평균 제곱 오차, 제1 복원 영상(771, x1)과 제4 복원 영상(774, x4)의 평균 제곱 오차, 제2 복원 영상(772, x2)과 제3 복원 영상(773, x3)의 평균 제곱 오차, 제2 복원 영상(772, x2)과 제4 복원 영상(774, x4)의 평균 제곱 오차, 제3 복원 영상(773, x3)과 제4 복원 영상(774, x4)의 평균 제곱 오차를 합한 값으로 결정될 수 있다.
도 7a를 참조하면, 제1 DNN(730) 및 제2 DNN(750)은 컨텐츠 손실 정보(Lc)와 앙상블 손실 정보(Le)에 기초하여 결정된 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다. 또한, 도 7b에 도시한 바와 같이, 제1 DNN(730)의 제1 파라미터를 훈련시킬 때는 제2 DNN(750)의 제2 파라미터가 고정됨으로써, 제2 DNN(750)은 고정된 업 스케일러(fixed up-scaler)로 동작할 수 있다. 예를 들어, 원본 훈련 영상(710)에 트랜스레이션(715)을 적용하여, 복수의 트랜스레이션 영상들(722,723,724)을 생성하고, 1개의 원본 훈련 영상(픽셀 이동이 없는 영상, 721)과, 복수의 트랜스레이션 영상들(722,723,724)을 제1 DNN(730)에 입력하여, AI 다운스케일된 저해상도 이미지들(740)을 출력한다. 출력된 저해상도 이미지들(740)을 제2 파라미터가 고정된 제2 DNN(750)에 입력하여, AI 업 스케일된 고해상도 이미지들(760)을 출력한다. AI 업스케일된 고해상도 이미지들(760)에 리트랜스레이션(765)을 적용하여, 복원 영상들(770)을 생성한다. 원본 훈련 영상(710)과 복원 영상들(770)에 기초하여 컨텐츠 손실 정보(Lc) 및 앙상블 손실 정보(Le)를 결정하고, 컨텐츠 손실 정보(Lc) 및 앙상블 손실 정보(Le)에 기초하여 결정된 최종 손실 정보가 최소화되는 방향으로 제1 DNN(730)의 제1 파라미터를 갱신할 수 있다.
제1 DNN의 훈련이 완료되면, 도 7c에 도시된 바와 같이, 제1 DNN(730)의 제1 파라미터의 최종 값이 결정되며, 훈련이 완료된 제1 DNN(730)에 원본 영상(105)이 입력되면, 원본 영상이 AI 다운스케일된 저해상도 영상(제1 영상, 115)이 출력될 수 있다.
또한, 도 7d에 도시한 바와 같이, 제2 DNN(750)의 제2 파라미터를 훈련시킬 때는 제1 DNN(730)의 제1 파라미터가 고정됨으로써, 제1 DNN(730)은 고정된 다운 스케일러(fixed down-scaler)로 동작할 수 있다. 예를 들어, 원본 훈련 영상(710)에 트랜스레이션(715)을 적용하여, 복수의 트랜스레이션 영상들(722,723,724)을 생성하고, 1개의 원본 훈련 영상(픽셀 이동이 없는 영상, 721)과, 복수의 트랜스레이션 영상들(722,723,724)을 제1 파라미터가 고정된 제1 DNN(730)에 입력하여, AI 다운스케일된 저해상도 이미지들(740)을 출력한다. 출력된 저해상도 이미지들(740)을 제2 DNN(750)에 입력하여, AI 업 스케일된 고해상도 이미지들(760)을 출력한다. AI 업스케일된 고해상도 이미지들(760)에 리트랜스레이션(765)을 적용하여, 복원 영상들(770)을 생성한다. 원본 훈련 영상(710)과 복원 영상들(770)에 기초하여 컨텐츠 손실 정보(Lc) 및 앙상블 손실 정보(Le)를 결정하고, 컨텐츠 손실 정보(Lc) 및 앙상블 손실 정보(Le)에 기초하여 결정된 최종 손실 정보가 최소화되는 방향으로 제2 DNN(750)의 제2 파라미터를 갱신할 수 있다.
제2 DNN의 훈련이 완료되면, 도 7e에 도시된 바와 같이, 제2 DNN(750)의 제2 파라미터의 최종 값이 결정되며, 훈련이 완료된 제2 DNN(750)에 제2 영상(135)이 입력되면, 제2 영상(135)이 AI 업스케일된 고해상도 영상(제3 영상, 145)이 출력될 수 있다.
도 7a, 7b, 7d 및 8에서는 설명의 편의를 위해, 제1 DNN(730)이 해상도를 1/4배 감소시키고, 제2 DNN(750)이 해상도를 4배 증가시키는 경우의 제1 DNN(730) 및 제2 DNN(750)의 훈련 방법을 예로 들어 설명하였다. 다만, 이에 한정되는 것은 아니며, 제1 DNN(730)을 통한 해상도의 감소 정도 또는 제2 DNN(750)을 통한 해상도의 증가 정도에 따라, 트랜스레이션 영상들의 개수, 복원 영상들의 개수, 컨텐츠 손실 정보, 앙상블 손실 정도 등이 변경될 수 있다.
도 9는 일 실시예에 따른 AI 다운스케일 장치의 동작방법을 나타내는 흐름도이다.
도 9를 참조하면, 일 실시예에 따른 AI 다운스케일 장치(200)는 원본 영상과 제1 DNN에 포함된 제1 파라미터들의 연산을 수행함으로써, 원본 영상을 AI 다운스케일한 제1 영상을 획득한다(S910).
일 실시예에 따른 제1 DNN은 영상을 AI 다운스케일하는 네트워크로, 영상을 AI 업스케일하는 제2 DNN에 대응되며, 제2 DNN과 연계되어 훈련된 네트워크일 수 있다. 제1 DNN과 제2 DNN이 연계되어 훈련됨에 따라, 제1 DNN에 포함되는 제1 파라미터들은 제2 DNN에 포함되는 제2 파라미터들과 연관된 값들로 결정된다.
예를 들어, 일 실시예에 따른 제1 DNN은 도 7에서 설명한 바와 같이, 제2 DNN과 연계되어 훈련되며, 제1 DNN과 제2 DNN의 훈련 과정에서 제1 DNN의 제1 파라미터들이 업데이트되면, 제1 DNN에서 출력되는 복수의 저해상도 영상들이 달라지게 되고, 제2 DNN에 입력되는 복수의 저해상도 영상들이 달라지면, 제2 DNN에서 출력되는 복수의 고해상도 영상들도 달라지며, 복원 영상들도 달라지게 된다. 이에 따라, 훈련을 위한 손실 정보(예를 들어, 컨텐츠 손실 정보(Lc) 및 앙상블 손실 정보(Le))가 새롭게 결정된다. 이에 따라, 제2 DNN의 제2 파라미터들은 새롭게 결정된 손실 정보를 최소화하는 방향으로 업데이트된다. 따라서, 훈련이 완료된 제1 DNN의 제1 파라미터들과 제2 DNN의 제2 파라미터들은 서로 연관된 값들을 가지게 된다.
또한, 제1 DNN의 제1 파라미터들 및 제2 DNN의 제2 파라미터들은 훈련 과정에서 앙상블 손실 정보를 최소화하는 방향으로 업데이트되므로, 훈련이 완료된 제1 DNN을 이용한 AI 다운스케일 후에, 제2 DNN을 이용하여 AI 업스케일한 복원되는 영상에는 아티팩트가 제거될 수 있다.
AI 다운스케일 장치(200)는 획득한 제1 영상을 부호화할 수 있다(S920).
AI 다운스케일 장치(200)는 제1 영상을 부호화하여 AI 업스케일 장치로 전송할 수 있다.
도 10은 일 실시예에 따른 AI 업스케일 장치의 동작방법을 나타내는 흐름도이다.
도 10을 참조하면, 일 실시예에 따른 AI 업스케일 장치(400)는 제1 영상에 대응하는 영상 데이터를 획득할 수 있다(S1010).
이때, 제1 영상은 제1 DNN을 이용하여, 원본 영상을 AI 다운스케일한 영상일 수 있으며, 영상 데이터는 제1 영상의 부호화 결과 생성될 수 있다. AI 업스케일 장치(400)는 영상 데이터를 비트스트림 형태로 수신할 수 있다.
AI 업스케일 장치(400)는 영상 데이터에 기초하여, 제1 영상에 대응하는 제2 영상을 복원할 수 있다(S1020).
AI 업스케일 장치(400)는 영상 데이터 및 AI 데이터를 수신할 수 있으며, 영상 데이터를 이용하여, 제2 영상의 잔차 데이터를 획득하고, 예측 데이터와 잔차 데이터를 이용하여 제2 영상을 복원할 수 있다.
AI 업스케일 장치(400)는 복원된 제2 영상을 제2 DNN에 입력하고, 제2 DNN에 입력된 제2 영상과 제2 DNN에 포함된 제2 파라미터들의 연산을 수행함으로써, 제2 영상을 AI 업스케일하고 아티팩트를 제거한 제3 영상을 획득할 수 있다(S1030).
일 실시예에 따른 제2 DNN은 영상을 AI 업스케일하는 네트워크로, 영상을 AI 다운스케일하는 제1 DNN에 대응되며, 제1 DNN과 연계되어 훈련된 네트워크이다. 제2 DNN과 제1 DNN이 연계되어 훈련됨에 따라, 제2 DNN에 포함되는 제2 파라미터들은 제1 DNN에 포함되는 제1 파라미터들과 연관되는 값들로 결정된다.
예를 들어, 일 실시예에 따른 제1 DNN은 도 7에서 설명한 바와 같이, 제2 DNN과 연계되어 훈련되며, 제1 DNN과 제2 DNN의 훈련 과정에서 제1 DNN의 제1 파라미터들이 업데이트되면, 제1 DNN에서 출력되는 복수의 저해상도 영상들이 달라지게 되고, 제2 DNN에 입력되는 복수의 저해상도 영상들이 달라지면, 제2 DNN에서 출력되는 복수의 고해상도 영상들도 달라지며, 복원 영상들도 달라지게 된다. 이에 따라, 훈련을 위한 손실 정보(예를 들어, 컨텐츠 손실 정보(Lc) 및 앙상블 손실 정보(Le))가 새롭게 결정된다. 이에 따라, 제2 DNN의 제2 파라미터들은 새롭게 결정된 손실 정보를 최소화하는 방향으로 업데이트된다. 따라서, 훈련이 완료된 제1 DNN의 제1 파라미터들과 제2 DNN의 제2 파라미터들은 서로 연관된 값들을 가지게 된다.
또한, 제1 DNN의 제1 파라미터들 및 제2 DNN의 제2 파라미터들은 훈련 과정에서 앙상블 손실 정보를 최소화하는 방향으로 업데이트되므로, 훈련이 완료된 제1 DNN을 이용한 AI 다운스케일 후에, 제2 DNN을 이용하여 AI 업스케일한 영상에는 아티팩트가 제거될 수 있다.
도 11은 일 실시예에 따른 AI 다운스케일 장치의 구성을 나타내는 블록도이다.
도 11을 참조하면, 일 실시예에 따른 AI 다운스케일 장치(1100)는 프로세서(1110), 메모리(1120) 및 통신부(1130)를 포함할 수 있다.
일 실시예에 따른 프로세서(1110)는 AI 다운스케일 장치(1100)를 전반적으로 제어할 수 있다. 일 실시예에 다른 프로세서(1110)는 메모리(1120)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다.
일 실시예에 따른 메모리(1120)는 AI 다운스케일 장치(1100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(1120)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(1120)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(1110)에 의해 실행될 수 있다.
일 실시예에 따른 프로세서(1110)는 도 2에서 도시하고 설명한 AI 부호화부(210) 및 데이터 처리부(232)의 동작들 및 도 9에서 설명한 AI 다운스케일 장치(200)의 동작들 중 적어도 하나를 수행할 수 있다.
예를 들어, 프로세서(1110)는 원본 영상과 제1 DNN(300)에 포함되는 제1 파라미터들과의 연산을 수행하여, 원본 영상을 AI 다운스케일한 제1 영상을 획득할 수 있으며, 제1 영상을 부호화할 수 있다.
일 실시예에 따른 통신부(1130)는 도 2의 통신부(234)에 대응될 수 있다. 따라서, 도 2에서 설명한 내용과 동일한 내용은 도 11에서 생략하기로 한다.
일 실시예에 따른 통신부(1130)는 프로세서(1110)의 제어에 의해 외부 장치(예를 들어, AI 업스케일 장치)와 데이터 또는 신호를 송수신할 수 있다. 통신부(1130)는 네트워크를 통해 AI 부호화 데이터를 AI 업스케일 장치로 전송할 수 있다.
도 12는 일 실시예에 따른 AI 업스케일 장치의 구성을 나타내는 블록도이다.
도 12를 참조하면, 일 실시에에 따른 AI 업스케일 장치(1200)는 통신부(1210), 프로세서(1220), 메모리(1230) 및 디스플레이(1240)를 포함할 수 있다.
일 실시예에 따른 통신부(1210)는 도 4의 통신부(412)에 대응될 수 있다. 따라서, 도 4에서 설명한 내용과 동일한 내용은 도 12에서 생략하기로 한다.
일 실시예에 따른 통신부(1210)는 프로세서(1220)의 제어에 의해 외부 장치(예를 들어, AI 다운스케일 장치)와 데이터 또는 신호를 송수신할 수 있다. 통신부(1210)는 AI 다운스케일 장치로부터, 네트워크를 통해 AI 부호화 데이터를 수신할 수 있다.
통신부(1210)는 AI 업스케일 장치(1200)의 성능 및 구조에 대응하여, 무선랜(예를 들어, 와이- 파이(Wi-Fi)), 블루투스, 및 유선 이더넷(Ethernet) 중 하나를 포함할 수 있다. 또한, 통신부(1210)는 무선랜, 블루투스 및 유선 이더넷의 조합을 포함할 수 있다.
일 실시예에 따른 프로세서(1220)는 AI 업스케일 장치(1200)를 전반적으로 제어할 수 있다. 일 실시예에 따른 프로세서(1220)는 메모리(1230)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다.
일 실시예에 따른 메모리(1230)는 AI 업스케일 장치(1200)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(1230)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(1230)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(1220)에 의해 실행될 수 있다.
일 실시예에 따른 프로세서(1220)는 도 4에서 도시하고 설명한 수신부(410) 및 AI 복호화부(430)의 동작들 및 도 10에서 설명한 AI 업스케일 장치(400)의 동작들 중 적어도 하나를 수행할 수 있다.
예를 들어, 프로세서(1220)는 AI 다운스케일 장치로부터 수신한 영상 데이터에 기초하여, 제2 영상을 획득하고, 제2 영상과 제2 DNN에 포함되는 제2 파라미터들과의 연산을 수행하여, 제2 영상을 AI 업스케일하고 아티팩트를 제거함으로써, 제3 영상을 획득할 수 있다.
일 실시예에 따른 디스플레이(1240)는 프로세서(1220)에서 처리된 영상 신호, 데이터 신호, OSD 신호, 제어 신호 등을 변환하여 구동 신호를 생성한다. 디스플레이(1240)는 PDP, LCD, OLED, 플렉시블 디스플레이(flexible display)등으로 구현될 수 있으며, 또한, 3차원 디스플레이(3D display)로 구현될 수 있다. 또한, 디스플레이(1240)는, 터치 스크린으로 구성되어 출력 장치 이외에 입력 장치로 사용되는 것도 가능하다. 디스플레이(1240)는 AI 업스케일되고 아티팩트가 제거된 제3 영상을 디스플레이할 수 있다.
도 13은 일 실시예에 따른 제1 DNN 및 제2 DNN을 훈련시키는 훈련 장치의 구성을 나타내는 블록도이다.
도 13을 참조하면, 일 실시예에 따른 훈련 장치(1300)는 통신부(1330), 프로세서(1310) 및 메모리(1320)를 포함할 수 있다. 일 실시예에 따른 프로세서(1310)는 훈련 장치(1300)를 전반적으로 제어할 수 있다. 일 실시예에 따른 프로세서(1310)는 메모리(1320)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다.
일 실시예에 따른 메모리(1320)는 훈련 장치(1300)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리(1320)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(1320)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(1310)에 의해 실행될 수 있다.
일 실시예에 따른 프로세서(1310)는 도 6 및 도 7에서 도시하고 설명한 제1 DNN 및 제2 DNN의 훈련 동작들 중 적어도 하나를 수행할 수 있다.
프로세서(1310)는 제1 DNN 및 제2 DNN을 연계하여 훈련시키며, 제1 DNN 및 제2 DNN의 훈련이 완료되어, 제1 DNN에 포함되는 제1 파라미터들의 값과 제2 DNN에 포함되는 제2 파라미터들의 값이 결정되면, 메모리(1320)에 저장할 수 있다.
일 실시예에 따른 통신부(1330)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 통하여 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다.
통신부(1330)는 훈련이 완료된 제1 DNN 및 제2 DNN의 파라미터들을 일 실시예에 따른 AI 다운스케일 장치(1100) 또는 AI 업스케일 장치(1200)로 전송할 수 있다. 예를 들어, 통신부(1310)는 제1 DNN의 제1 파라미터들을 AI다운스케일 장치로 전송하고, 제2 DNN의 제2 파라미터들을 AI 업스케일 장치로 전송할 수 있다.
한편, 도 11 내지 13에 도시된 AI 다운스케일 장치(1100), AI 업스케일 장치(1200) 및 훈련 장치(1300)의 블록도는 일 실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 AI 다운스케일 장치(1100), AI 업스케일 장치(1200) 및 훈련 장치(1300)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 블록에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
일 실시예에 따른 AI 다운스케일 장치의 동작방법, AI 업스케일 장치의 동작방법 및 제1 DNN 및 제2DNN의 훈련방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
또한, 개시된 실시예들에 따른 고AI 다운스케일 장치의 동작방법, AI 업스케일 장치의 동작방법 및 제1 DNN 및 제2DNN의 훈련방법은 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 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제3 장치로 전송되거나, 제3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 클라이언트 장치 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.
Claims (15)
- AI 업스케일 장치에 있어서,
하나 이상의 인스트럭션들을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고,
상기 프로세서는,
AI 다운스케일 장치가 제1 심층 신경망(DNN)을 이용하여, 원본 영상을 다운스케일한 제1 영상에 대응하는 제2 영상을 획득하며,
상기 제1 심층 신경망에 대응하는 제2 심층 신경망(DNN)을 이용하여, 상기 제2 영상에 업스케일을 수행함으로써, 제3 영상을 획득하고,
상기 제2 심층 신경망은,
원본 훈련 영상에 픽셀 이동을 적용하지 않은 영상에 대해 다운스케일링 및 업스케일링을 수행하여 획득된 원본 훈련 영상에 대한 제1 복원 영상과, 상기 원본 훈련 영상에 픽셀 이동을 적용한 하나 이상의 트랜스레이션 영상들에 대해 다운스케일링 및 업스케일링 후 리트랜스레이션을 수행하여 획득된 상기 하나 이상의 트랜스레이션 영상들에 대한 제2 복원 영상들과의 차이를 최소화하도록 훈련된 것을 특징으로 하는 AI 업스케일 장치. - 제1항에 있어서,
상기 제2 심층 신경망은 상기 원본 훈련 영상과, 상기 원본 훈련 영상에 대한 제1 복원 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대한 상기 제2 복원 영상들 중 적어도 하나에 기초하여 획득된 손실 정보를 최소화하도록 훈련된 것인, AI 업스케일 장치. - 제2항에 있어서,
상기 손실 정보는 상기 제1 복원 영상 및 상기 제2 복원 영상들 각각과 상기 원본 훈련 영상 사이의 제1 차이 정보를 포함하는 AI 업스케일 장치. - 제2항에 있어서,
상기 손실 정보는, 상기 제1 복원 영상과 상기 제2 복원 영상들 사이의 제2 차이 정보를 포함하는 AI 업스케일 장치. - 제1항에 있어서,
상기 제2 심층 신경망은 상기 제2 영상에서 특정 시점에 대한 저해상도 단일 프레임 영상을 입력 받아, 상기 제3 영상에서 상기 특정 시점에 대한 고해상도 단일 프레임 영상을 출력하는, AI 업스케일 장치. - 제1항에 있어서,
상기 제2 심층 신경망은, 상기 제1 심층 신경망과 연계되어 훈련되고, 상기 제1 심층 신경망에서 획득되는 영상에 기초하여, 훈련된 네트워크인, AI 업스케일 장치. - AI 다운스케일 장치에 있어서,
하나 이상의 인스트럭션들을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고,
상기 프로세서는, 제1 심층 신경망을 이용하여 원본 영상을 다운스케일한 제1 영상을 획득하고, 상기 제1 영상을 네트워크를 통해 AI 업스케일 장치로 전송하도록 제어하며,
상기 제1 심층 신경망은,
원본 훈련 영상에 픽셀 이동을 적용하지 않은 영상에 대해 다운스케일링 및 업스케일링을 수행하여 획득된 원본 훈련 영상에 대한 제1 복원 영상과, 상기 원본 훈련 영상에 픽셀 이동을 적용한 하나 이상의 트랜스레이션 영상들에 대해 다운스케일링 및 업스케일링 후 리트랜스레이션을 수행하여 획득된 상기 하나 이상의 트랜스레이션 영상들에 대한 제2 복원 영상들과의 차이를 최소화하도록 훈련된 것을 특징으로 하는 AI 다운스케일 장치. - 제7항에 있어서,
상기 제1 심층 신경망은 상기 원본 훈련 영상과, 상기 원본 훈련 영상에 대한 제1 복원 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대한 상기 제2 복원 영상들 중 적어도 하나에 기초하여 획득된 손실 정보를 최소화하도록 훈련된 것인, AI 업스케일 장치. - 제8항에 있어서,
상기 손실 정보는 상기 제1 복원 영상 및 상기 제2 복원 영상들 각각과 상기 원본 훈련 영상 사이의 제1 차이 정보를 포함하는 AI 업스케일 장치. - 제8항에 있어서,
상기 손실 정보는, 상기 제1 복원 영상과 제2 복원 영상들 사이의 제2 차이 정보를 포함하는 AI 업스케일 장치. - 고해상도 영상을 저해상도 영상으로 다운스케일하는 제1 심층 신경망 또는 저해상도 영상을 고해상도 영상으로 업스케일하는 제2 심층 신경망을 훈련시키는 방법에 있어서,
원본 훈련 영상에 트랜스레이션을 적용하여, 하나 이상의 트랜스레이션 영상들을 생성하는 단계;
상기 원본 훈련 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대해 상기 제1 심층 신경망과 연산을 수행함으로써, 상기 원본 훈련 영상과 상기 하나 이상의 트렌스레이션 영상들에 대응하는 복수의 저해상도 영상들을 획득하는 단계;
상기 복수의 저해상도 영상들 각각과 상기 제2 심층 신경망과의 연산을 수행함으로써, 상기 복수의 저해상도 영상들에 대응하는 복수의 고해상도 영상들을 획득하는 단계;
상기 복수의 고해상도 영상들 중, 상기 하나 이상의 트랜스레이션 영상들에 대응되는 고해상도 영상들에 대해 리트랜스레이션을 적용하여, 제2 복원 영상들을 획득하는 단계;
상기 원본 훈련 영상과, 상기 원본 훈련 영상에 대한 제1 복원 영상과, 상기 하나 이상의 트랜스레이션 영상들에 대한 상기 제2 복원 영상들 중 적어도 하나에 기초하여 획득된 손실 정보를 이용하여 상기 제1 심층 신경망의 제1 파라미터들 및 제2 심층 신경망의 제2 파라미터들 중 적어도 하나를 업데이트하는 단계를 포함하는, 훈련 방법. - 제11항에 있어서,
상기 손실 정보는 상기 제1 복원 영상 및 상기 제2 복원 영상들 각각과 상기 원본 훈련 영상 사이의 제1 차이 정보를 포함하는 훈련 방법. - 제11항에 있어서,
상기 손실 정보는, 상기 제1 복원 영상 및 상기 제2 복원 영상들 사이의 제2 차이 정보를 포함하는 훈련 방법. - 제11항에 있어서,
상기 제1 심층 신경망의 제1 파라미터들 및 제2 심층 신경망의 제2 파라미터들 중 적어도 하나를 업데이트하는 단계는,
상기 손실 정보를 최소화되도록 상기 제1 심층 신경망의 제1 파라미터들 및 제2 심층 신경망의 제2 파라미터들 중 적어도 하나를 업데이트하는 단계를 포함하는, 훈련 방법. - 제11항에 있어서,
상기 제2 심층 신경망은, 상기 제1 심층 신경망과 연계되어 훈련되고, 상기 제1 심층 신경망에서 획득되는 영상에 기초하여, 훈련된 네트워크인, 훈련 방법.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200045233A KR20210127412A (ko) | 2020-04-14 | 2020-04-14 | Ai 다운스케일 장치 및 그 동작방법, 및 ai 업스케일 장치 및 그 동작방법 |
| US17/312,276 US20230177638A1 (en) | 2020-04-14 | 2021-01-11 | Ai downscaling apparatus and operating method thereof, and ai upscaling apparatus and operating method thereof |
| EP21788636.5A EP4044105A4 (en) | 2020-04-14 | 2021-01-11 | AI DOWNSCALE DEVICE AND METHOD OF OPERATION THEREOF, AI DOWNSCALE DEVICE AND METHOD OF OPERATION THEREOF |
| CN202180028641.6A CN115398468A (zh) | 2020-04-14 | 2021-01-11 | Ai缩小装置及其操作方法，以及ai放大装置及其操作方法 |
| PCT/KR2021/000346 WO2021210761A1 (ko) | 2020-04-14 | 2021-01-11 | Ai 다운스케일 장치 및 그 동작방법, 및 ai 업스케일 장치 및 그 동작방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200045233A KR20210127412A (ko) | 2020-04-14 | 2020-04-14 | Ai 다운스케일 장치 및 그 동작방법, 및 ai 업스케일 장치 및 그 동작방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210127412A true KR20210127412A (ko) | 2021-10-22 |
Family
ID=78085169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200045233A KR20210127412A (ko) | 2020-04-14 | 2020-04-14 | Ai 다운스케일 장치 및 그 동작방법, 및 ai 업스케일 장치 및 그 동작방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230177638A1 (ko) |
| EP (1) | EP4044105A4 (ko) |
| KR (1) | KR20210127412A (ko) |
| CN (1) | CN115398468A (ko) |
| WO (1) | WO2021210761A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107925762B (zh) * | 2015-09-03 | 2020-11-27 | 联发科技股份有限公司 | 基于神经网络的视频编解码处理方法和装置 |
| KR101974261B1 (ko) * | 2016-06-24 | 2019-04-30 | 한국과학기술원 | Cnn 기반 인루프 필터를 포함하는 부호화 방법과 장치 및 복호화 방법과 장치 |
| KR20180100976A (ko) * | 2017-03-03 | 2018-09-12 | 한국전자통신연구원 | 딥 신경망 기반 블러 영상 학습을 이용한 영상 부호화/복호화 방법 및 장치 |
| KR20190062283A (ko) * | 2017-11-28 | 2019-06-05 | 한국전자통신연구원 | 선택적 손실 함수를 이용한 생성적 적대 네트워크의 학습을 위한 방법 및 장치 |
| KR102082816B1 (ko) * | 2018-04-24 | 2020-02-28 | 주식회사 지디에프랩 | 스트리밍 파일의 해상도 개선 방법 |
-
2020
- 2020-04-14 KR KR1020200045233A patent/KR20210127412A/ko not_active Application Discontinuation
-
2021
- 2021-01-11 CN CN202180028641.6A patent/CN115398468A/zh active Pending
- 2021-01-11 WO PCT/KR2021/000346 patent/WO2021210761A1/ko unknown
- 2021-01-11 EP EP21788636.5A patent/EP4044105A4/en active Pending
- 2021-01-11 US US17/312,276 patent/US20230177638A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230177638A1 (en) | 2023-06-08 |
| EP4044105A1 (en) | 2022-08-17 |
| CN115398468A (zh) | 2022-11-25 |
| EP4044105A4 (en) | 2023-02-01 |
| WO2021210761A1 (ko) | 2021-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10750179B2 (en) | Decomposition of residual data during signal encoding, decoding and reconstruction in a tiered hierarchy | |
| KR102525578B1 (ko) | 부호화 방법 및 그 장치, 복호화 방법 및 그 장치 | |
| KR102520957B1 (ko) | 인코딩 장치, 디코딩 장치 및 이의 제어 방법 | |
| KR102263625B1 (ko) | 티어드 신호 품질 계층에서의 모션 맵들 및 다른 보조 맵들의 업샘플링 및 다운샘플링 | |
| KR102500761B1 (ko) | 영상의 ａｉ 부호화 및 ａｉ 복호화 방법, 및 장치 | |
| KR102312337B1 (ko) | Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법 | |
| US11200639B1 (en) | Apparatus and method for performing artificial intelligence encoding and decoding on image by using low-complexity neural network | |
| US10284810B1 (en) | Using low-resolution frames to increase frame rate of high-resolution frames | |
| KR20210067788A (ko) | 전자 장치, 시스템 및 그 제어 방법 | |
| EP4107628A1 (en) | Method and apparatus for deep neural network based inter-frame prediction in video coding | |
| US20190141332A1 (en) | Use of synthetic frames in video coding | |
| KR20210050962A (ko) | 부호화 방법 및 그 장치, 복호화 방법 및 그 장치 | |
| KR20200044662A (ko) | 영상의 ａｉ 부호화 및 ａｉ 복호화를 위한 장치, 및 방법 | |
| US11270469B2 (en) | Method and apparatus for performing artificial intelligence encoding and artificial intelligence decoding | |
| KR20210127412A (ko) | Ai 다운스케일 장치 및 그 동작방법, 및 ai 업스케일 장치 및 그 동작방법 | |
| CN113747242B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US9788025B2 (en) | Reproduction device, encoding device, and reproduction method | |
| KR102421718B1 (ko) | 인공지능 부호화 및 인공지능 복호화를 수행하기 위한 방법 및 장치 | |
| KR102421719B1 (ko) | 저복잡도 신경망을 이용한 영상의 ai 부호화 장치 및 방법, ai 복호화 장치 및 방법 | |
| US20240054602A1 (en) | Electronic apparatus and method for reproducing image based on artificial intelligence according to application | |
| US20230196505A1 (en) | Artificial intelligence-based image providing apparatus and method, and artificial intelligence-based display apparatus and method | |
| KR20220081648A (ko) | Ai 부호화 장치 및 그 동작방법, 및 ai 복호화 장치 및 그 동작방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |