KR20220042986A

KR20220042986A - 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법

Info

Publication number: KR20220042986A
Application number: KR1020200179918A
Authority: KR
Inventors: 남우현; 손윤재; 정현권; 황성희
Original assignee: 삼성전자주식회사
Priority date: 2020-09-28
Filing date: 2020-12-21
Publication date: 2022-04-05

Abstract

인스트럭션을 저장하는 메모리; 및 메모리에 저장된 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는, n개의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하고, 제 1 DNN을 기반으로 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하고, 제 2 DNN을 기반으로 제 1 오디오 신호로부터 m개(m<n)의 채널을 포함하는 제 2 오디오 신호를 생성하고, 제 2 오디오 신호 및 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하되, 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고, 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하는, 일 실시예에 따른 오디오 신호의 처리 장치가 개시된다.

Description

오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법{ENCODING APPARATUS AND METHOD OF AUDIO, AND DECODING APPARATUS AND METHOD OF AUDIO}

본 개시는 오디오의 부호화 및 복호화 분야에 관한 것이다. 보다 구체적으로, 본 개시는 다수의 채널을 포함하는 오디오를 AI(artificial intelligence) 기반으로 부호화 및 복호화하는 분야에 관한 것이다.

오디오는 소정의 압축 표준, 예를 들어, AAC(Advanced Audio Coding) 표준, OPUS 표준 등을 따르는 코덱(codec)에 의해 부호화된 후 비트스트림 형태로 기록매체에 저장되거나 통신 채널을 통해 전송된다.

일반적으로, 범용의 코덱은 청취자에게 공간적인 입체감을 제공하는 다-채널 오디오의 부호화/복호화를 지원하지 않는다는 점에서, 다-채널 오디오를 범용의 코덱을 이용하여 낮은 비트레이트로 부호화/복호화하는 방안이 요구된다.

일 실시예는 소-채널 오디오의 부호화/복호화를 지원하는 범용의 코덱을 이용하여 다-채널 오디오를 부호화/복호화하는 것을 기술적 과제로 한다.

또한, 일 실시예는 다-채널 오디오를 낮은 비트레이트로 부호화하고, 높은 퀄리티로 복원하는 것을 기술적 과제로 한다.

일 실시예에 따른 오디오 신호의 처리 장치는, 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는, n개의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하고, 제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하고, 제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m<n)의 채널을 포함하는 제 2 오디오 신호를 생성하고, 상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하되, 상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고, 상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함할 수 있다.

상기 주파수 특성 신호는, 채널별 대표 값을 포함하고, 상기 채널별 대표 값은, 상기 주파수 도메인의 제 1 오디오 신호의 채널별 복수의 주파수 대역에 대응하는 값일 수 있다.

상기 제 2 DNN은, 상기 제 1 오디오 신호로부터 오디오 특성 신호를 획득하고, 상기 오디오 특성 신호와 상기 주파수 특성 신호가 결합된 통합 특성 신호로부터 상기 제 2 오디오 신호를 출력할 수 있다.

상기 오디오 특성 신호의 채널들 중 일부 채널의 샘플들이 상기 주파수 특성 신호의 샘플들로 대체됨으로써 상기 통합 특성 신호가 획득될 수 있다.

상기 일부 채널은, 상기 오디오 특성 신호의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널 또는 마지막 채널로부터 연속된 소정 개수의 채널을 포함할 수 있다.

상기 오디오 특성 신호의 시간 길이와 상기 주파수 특성 신호의 시간 길이는 동일할 수 있다.

상기 주파수 특성 신호는, 소정 시간 구간에서 각 채널의 샘플의 개수가 1개일 수 있다.

상기 출력 오디오 신호는, 비트스트림으로 표현되며, 상기 주파수 특성 신호는 상기 비트스트림의 부가 영역에 포함될 수 있다.

상기 프로세서는, 상기 제 2 DNN으로부터 출력된 중간 오디오 신호와, 상기 제 1 오디오 신호로부터 다운스케일된 소-채널 오디오 신호를 결합하여 상기 제 2 오디오 신호를 획득할 수 있다.

상기 제 1 DNN은, 제 1 훈련 신호로부터 변환된 주파수 도메인 훈련 신호와, 훈련용 주파수 특성 신호로부터 훈련용 DNN에 의해 복원된 주파수 도메인 훈련 신호의 비교 결과에 따라 훈련되며, 상기 훈련용 주파수 특성 신호는, 상기 제 1 DNN에 기반하여 상기 주파수 도메인 훈련 신호로부터 획득될 수 있다.

상기 제 2 DNN은, 상기 제 1 훈련 신호로부터 상기 제 2 DNN을 통해 획득되는 제 2 훈련 신호와, 상기 제 1 훈련 신호로부터 다운스케일된 소-채널 훈련 신호의 비교 결과, 상기 제 1 훈련 신호와, 훈련용 오디오 데이터로부터 복원된 제 4 훈련 신호의 비교 결과, 및 상기 훈련용 주파수 특성 신호와, 상기 훈련용 오디오 데이터로부터 획득되는 훈련용 주파수 특성 신호 사이의 비교 결과 중 적어도 하나에 따라 훈련될 수 있다.

상기 제 1 DNN과 제 2 DNN은 교대로 훈련될 수 있다.

다른 실시예에 따른 오디오 신호의 처리 장치는, 하나 이상의 인스트럭션들을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는, 입력 오디오 신호를 복호화함으로써 m개의 채널을 포함하는 제 3 오디오 신호 및 주파수 특성 신호를 생성하고, 제 3 DNN을 기반으로, 상기 주파수 특성 신호로부터 n개(n>m)의 채널을 포함하는 가중치 신호를 생성하고, 상기 제 3 오디오 신호로부터 제 4 DNN에 의해 생성되는 n개의 채널을 포함하는 중간 오디오 신호에 상기 가중치 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호를 생성하되, 상기 제 3 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하고, 상기 제 4 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호일 수 있다.

상기 제 4 DNN은, 상기 제 3 오디오 신호를 처리하여 통합 특성 신호를 획득하고, 상기 통합 특성 신호에 포함된 오디오 특성 신호로부터 상기 중간 오디오 신호를 출력하며, 상기 주파수 특성 신호는, 상기 통합 특성 신호로부터 추출되어 상기 제 3 DNN으로 입력될 수 있다.

상기 주파수 특성 신호는, 상기 통합 특성 신호의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널의 샘플들 또는 마지막 채널로부터 연속된 소정 개수의 채널의 샘플들을 포함할 수 있다.

상기 제 3 DNN과 상기 제 4 DNN은, 상기 주파수 특성 신호 및 상기 오디오 특성 신호를 각각 처리하여 상기 제 4 오디오 신호의 시간 길이와 동일한 시간 길이의 상기 가중치 신호와 상기 중간 오디오 신호를 출력할 수 있다.

상기 프로세서는, 상기 중간 오디오 신호의 샘플들과 상기 가중치 신호의 샘플들을 곱하여 상기 제 4 오디오 신호를 획득할 수 있다.

상기 제 3 DNN 및 제 4 DNN은, 제 1 훈련 신호로부터 제 2 DNN을 통해 획득되는 제 2 훈련 신호와, 상기 제 1 훈련 신호로부터 다운스케일된 소-채널 훈련 신호의 비교 결과, 상기 제 1 훈련 신호와, 훈련용 오디오 데이터로부터 상기 제 3 DNN과 상기 제 4 DNN을 통해 복원된 제 4 훈련 신호의 비교 결과, 및 제 1 DNN을 통해 획득되는 훈련용 주파수 특성 신호와, 상기 훈련용 오디오 데이터로부터 상기 제 4 DNN을 통해 획득된 훈련용 주파수 특성 신호 사이의 비교 결과 중 적어도 하나에 따라 훈련될 수 있다.

다른 실시예에 따른 오디오 신호의 처리 방법은, n개(n은 1보다 큰 자연수)의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하는 단계; 제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하는 단계; 제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m은 n보다 작은 자연수)의 채널을 포함하는 제 2 오디오 신호를 생성하는 단계; 및 상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하는 단계를 포함하되, 상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고, 상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함할 수 있다.

다른 실시예에 따른 오디오 신호의 처리 방법은, 입력 오디오 신호를 복호화함으로써 m개의 채널을 포함하는 제 3 오디오 신호 및 주파수 특성 신호를 생성하는 단계; 제 3 DNN을 기반으로, 상기 주파수 특성 신호로부터 n개(n>m)의 채널을 포함하는 가중치 신호를 생성하는 단계; 및 상기 제 3 오디오 신호로부터 제 4 DNN에 의해 생성되는 n개의 채널을 포함하는 중간 오디오 신호에 상기 가중치 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호를 생성하는 단계를 포함하고, 상기 제 3 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하고, 상기 제 4 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호일 수 있다.

일 실시예는 소-채널 오디오의 부호화/복호화를 지원하는 범용의 코덱을 이용하여 다-채널 오디오를 부호화/복호화할 수 있다.

또한, 일 실시예는 다-채널 오디오를 낮은 비트레이트로 부호화하고, 높은 퀄리티로 복원할 수 있다.

다만, 일 실시예에 따른 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 일 실시예에 따른 오디오의 부호화 및 복호화 과정을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 오디오 부호화 장치의 구성을 도시하는 블록도이다.
도 3은 고차 앰비소닉 신호에 포함되는 신호들을 설명하기 위한 예시적인 도면이다.
도 4는 일 실시예에 따른 제 1 DNN을 설명하기 위한 도면이다.
도 5는 도 4에 도시된 주파수 도메인의 제 1 오디오 신호와 주파수 특성 신호를 비교하는 도면이다.
도 6은 일 실시예에 따른 제 2 DNN을 설명하기 위한 도면이다.
도 7은 오디오 특성 신호와 주파수 특성 신호의 결합 방법을 설명하기 위한 도면이다.
도 8은 오디오 특성 신호와 주파수 특성 신호의 결합 방법을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 오디오 복호화 장치의 구성을 도시하는 블록도이다.
도 10은 일 실시예에 따른 제 3 DNN을 설명하기 위한 도면이다.
도 11은 일 실시예에 따른 제 4 DNN을 설명하기 위한 도면이다.
도 12는 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 훈련 방법을 설명하기 위한 도면이다.
도 13은 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 훈련 과정을 설명하기 위한 흐름도이다.
도 14는 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 훈련 과정을 설명하기 위한 흐름도이다.
도 15는 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 다른 훈련 방법을 설명하기 위한 도면이다.
도 16은 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 다른 훈련 과정을 설명하기 위한 흐름도이다.
도 17은 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 다른 훈련 과정을 설명하기 위한 흐름도이다.
도 18은 일 실시예에 따른 오디오 부호화 방법을 설명하는 순서도이다.
도 19는 일 실시예에 따른 오디오 복호화 방법을 설명하는 순서도이다.

본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 설명하고자 한다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

실시예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 실시예의 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 'DNN(deep neural network)'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. 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 오디오 신호'는 오디오 부호화의 대상이 되는 오디오를 의미하고, '제 2 오디오 신호'는 제 1 오디오 신호의 AI 부호화 결과 획득된 오디오를 의미한다. 또한, '제 3 오디오 신호'는 오디오 복호화 과정에서 제 1 복호화를 통해 획득된 오디오를 의미하고, '제 4 오디오 신호'는 제 3 오디오 신호의 AI 복호화 결과 획득된 오디오를 의미한다.

또한, 본 명세서에서 '제 1 DNN'은 제 1 오디오 신호의 주파수 특성 신호를 획득하는데 이용되는 DNN을 의미하고, '제 2 DNN'은 제 1 오디오 신호의 AI 다운스케일에 이용되는 DNN을 의미한다. 또한, '제 3 DNN'은 주파수 특성 신호로부터 가중치 신호를 획득하는데 이용되는 DNN을 의미하고, '제 4 DNN'은 제 3 오디오 신호의 AI 업스케일에 이용되는 DNN을 의미한다

또한, 본 명세서에서 'AI 다운스케일'은 AI 기반으로 오디오의 채널 수를 감소시키는 처리를 의미하고, '제 1 부호화'는 주파수 변환 기반의 오디오 압축 방법에 의한 부호화 처리를 의미한다. 또한, '제 1 복호화'는 주파수 변환 기반의 오디오 복원 방법에 의한 복호화 처리를 의미하고, 'AI 업스케일'은 AI 기반으로 오디오의 채널 수를 증가시키는 처리를 의미한다.

이하, 본 개시의 기술적 사상에 의한 실시예들을 차례로 상세히 설명한다.

도 1은 일 실시예에 따른 오디오의 부호화 및 복호화 과정을 설명하기 위한 도면이다.

전술한 바와 같이, 오디오 신호의 채널 수가 많아짐에 따라 부호화/복호화를 위한 정보 처리량이 많아지게 되고, 이에 따라 오디오 신호의 부호화 및 복호화 효율을 향상시키기 위한 방안이 필요하다.

도 1에 도시된 바와 같이, 오디오 부호화 과정에서는 다수의 채널을 포함하는 제 1 오디오 신호(105)를 AI 부호화(110)하여 적은 개수의 채널을 포함하는 제 2 오디오 신호(115)를 획득한다. 제 1 오디오 신호(105)는 W 채널, X 채널, Y 채널 및 Z 채널을 포함하는 앰비소닉(ambisonic) 오디오일 수 있고, 제 2 오디오 신호(115)는 L(left) 채널과 R(right) 채널을 포함하는 스테레오 오디오일 수 있다. 구현예에 따라, 제 1 오디오 신호(105)는 5채널 오디오, 6채널 오디오 또는 9채널 오디오 등 1개보다 많은 채널 수를 갖는 오디오일 수 있다. 또한, 제 2 오디오 신호(115)는 1채널의 모노 오디오일 수도 있다. 본 개시에서, 제 1 오디오 신호(105) 및 제 4 오디오 신호(145)와 같이 많은 채널 수를 갖는 오디오 신호를 다-채널 오디오 신호로 참조하고, 제 2 오디오 신호(115) 및 제 3 오디오 신호(135)와 같이 많은 채널 수를 갖는 오디오 신호를 소-채널 오디오 신호로 참조할 수 있다. 소-채널 오디오 신호의 채널 개수는 다-채널 오디오 신호에 포함된 채널 개수보다 적다.

본 개시에서는 제 1 오디오 신호(105)와 비교하여 적은 채널 수를 갖는 제 2 오디오 신호(115)를 대상으로 하여 제 1 부호화(120) 및 제 1 복호화(130)를 수행하므로, 다-채널 오디오 신호의 부호화/복호화를 지원하지 않는 코덱으로도 제 1 오디오 신호(105)의 부호화/복호화가 가능하다.

도 1을 참조하여 상세히 설명하면, 오디오 부호화 과정에서, n개의 채널을 포함하는 제 1 오디오 신호(105)를 AI 부호화(110)하여 m개의 채널을 포함하는 제 2 오디오 신호(115)를 획득하고, 제 2 오디오 신호(115)를 제 1 부호화(120)한다. 일 예시에서, n과 m은 자연수이며, m은 n보다 작다.

오디오 복호화 과정에서는, AI 부호화(110) 결과 획득된 오디오 데이터를 수신하고, 제 1 복호화(130)를 통해 m 채널의 제 3 오디오 신호(135)를 획득하고, 제 3 오디오 신호(135)를 AI 복호화(140)하여 n 채널의 제 4 오디오 신호(145)를 획득한다.

AI 부호화(110) 과정에서는 제 1 오디오 신호(105)를 입력받으면, 저- 채널의 제 2 오디오 신호(115)를 획득하기 위해 제 1 오디오 신호(105)를 AI 다운스케일한다. 그리고, AI 복호화(140) 과정에서는 제 3 오디오 신호(135)를 입력받으면, 다-채널의 제 4 오디오 신호(145)를 획득하기 위해 제 3 오디오 신호(135)를 AI 업스케일한다. 즉, AI 부호화(110)를 통해 제 1 오디오 신호(105)의 채널 수가 감소하고, AI 복호화(140)를 통해 제 3 오디오 신호(135)의 채널 수가 증가하므로, 채널 수 변동에 기인한 제 1 오디오 신호(105)와 제 4 오디오 신호(145)의 차이를 최소화할 필요가 있다.

본 개시의 실시예에서는, AI 부호화(110) 과정과 AI 복호화(140) 과정에서 발생하는 채널 수 변동을 보상하기 위해 주파수 특성 신호를 이용한다. 주파수 특성 신호는 제 1 오디오 신호(105)의 채널 간 상관 관계를 나타내며, AI 복호화(140) 과정에서는 이러한 주파수 특성 신호에 기반하여 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 복원할 수 있다.

AI 부호화(110) 및 AI 복호화(140)를 위한 AI는 DNN(deep neural network)으로 구현될 수 있다. 도 12 등을 참조하여 후술하는 바와 같이, AI 부호화(110) 및 AI 복호화(140)를 위한 DNN들은 손실 정보의 공유를 통해 연계 훈련되므로, 제 1 오디오 신호(105)와 제 4 오디오 신호(145) 사이의 차이가 최소화될 수 있다.

도 1에 도시된 제 1 부호화(120) 및 제 1 복호화(130)에 대해 상세히 설명하면, 제 1 오디오 신호(105)로부터 AI 다운스케일된 제 2 오디오 신호(115)는 제 1 부호화(120)를 통해 정보량이 감축될 수 있다. 제 1 부호화(120)는, 제 2 오디오 신호(115)를 주파수 도메인으로 변환(transformation)하는 과정, 주파수 도메인으로 변환된 신호를 양자화(quantization)하는 과정 및 양자화된 신호를 엔트로피 부호화하는 과정 등을 포함할 수 있다. 이와 같은 제 1 부호화(120) 과정은 AAC(Advanced Audio Coding) 표준, OPUS 표준 등 주파수 변환을 이용한 오디오 신호 압축 방법 중의 하나를 통해 구현될 수 있다.

제 2 오디오 신호(115)에 대응하는 제 3 오디오 신호(135)는 오디오 데이터의 제 1 복호화(130)를 통해 복원될 수 있다. 제 1 복호화(130)는, 오디오 데이터를 엔트로피 복호화하여 양자화된 신호를 생성하는 과정, 양자화된 신호를 역양자화하는 과정 및 주파수 도메인의 신호를 시간 도메인의 신호로 변환하는 과정 등을 포함할 수 있다. 이와 같은 제 1 복호화(130) 과정은 제 1 부호화(120) 과정에서 사용된 AAC 표준, OPUS 표준 등 주파수 변환을 이용한 오디오 신호 압축 방법 중의 하나에 대응되는 오디오 신호 복원 방법을 통해 구현될 수 있다.

오디오 부호화 과정을 통해 획득된 오디오 데이터는 주파수 특성 신호를 포함한다. 전술한 바와 같이, 주파수 특성 신호는 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 복원하는데 이용된다.

오디오 데이터는 비트스트림 형태로 전송될 수 있다. 오디오 데이터는 제 2 오디오 신호(115) 내 샘플 값들에 기초하여 획득되는 데이터, 예를 들어, 제 2 오디오 신호(115)의 양자화된 샘플 값들을 포함할 수 있다. 또한, 오디오 데이터는 제 2 오디오 신호(115)의 제 1 부호화(120) 과정에서 이용된 정보들, 예를 들어, 예측 모드 정보, 양자화 파라미터 관련 정보 등을 포함할 수 있다. 오디오 데이터는 AAC 표준, OPUS 표준 등 주파수 변환을 이용하는 오디오 신호 압축 방법 중 제 1 부호화(120) 과정에서 이용된 오디오 신호 압축 방법의 규칙, 예를 들어, 신택스(syntax)에 따라 생성될 수 있다.

도 2는 일 실시예에 따른 부호화 장치(200)의 구성을 도시하는 블록도이다.

도 2를 참조하면, 일 실시예에 따른 부호화 장치(200)는 AI 부호화부(210) 및 제 1 부호화부(230)를 포함한다. AI 부호화부(210)는 변환부(212), 특성 추출부(214) 및 AI 다운스케일부(216)를 포함할 수 있다. 도 2에 도시되어 있는 바와 같이, 일 실시예에 따른 부호화 장치(200)는 레거시 다운스케일부(250)를 더 포함할 수 있다.

도 2는 AI 부호화부(210), 제 1 부호화부(230) 및 레거시 다운스케일부(250)를 개별적인 구성으로 도시하고 있으나, AI 부호화부(210), 제 1 부호화부(230) 및 레거시 다운스케일부(250)는 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 전용 프로세서로 구현될 수도 있고, AP(application processor) 또는 CPU(central processing unit), GPU(graphic processing unit)와 같은 범용 프로세서와 소프트웨어의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함할 수 있다.

AI 부호화부(210), 제 1 부호화부(230) 및 레거시 다운스케일부(250)는 복수의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 소프트웨어의 조합을 통해 구현될 수도 있다. 변환부(212), 특성 추출부(214) 및 AI 다운스케일부(216)도 서로 다른 프로세서로 구현될 수 있다.

AI 부호화부(210)는 n개의 채널을 포함하는 제 1 오디오 신호(105)로부터 m개의 채널을 포함하는 제 2 오디오 신호(115)와 주파수 특성 신호를 획득한다. 일 예에서, n과 m은 자연수이고, n은 m보다 크다.

제 1 오디오 신호(105)는 n개의 채널을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호일 수 있다. 구체적으로, 제 1 오디오 신호(105)는 0차 신호와 복수의 1차 신호들을 포함하는 고차 앰비소닉 신호일 수 있다. 고차 앰비소닉 신호에 대해 도 3을 참조하여 설명한다.

도 3은 고차 앰비소닉 신호에 포함되는 신호들을 설명하기 위한 예시적인 도면이다.

고차 앰비소닉 신호는, W 채널에 해당하는 0차 신호와, X 채널, Y 채널 및 Z 채널에 해당하는 1차 신호, R 채널, S 채널 등에 해당하는 2차 신호를 포함할 수 있다. 도 3에 도시되어 있진 않지만, 고차 앰비소닉 신호는 3차 신호, 4차 신호 등을 더 포함할 수 있다.

일 실시예에서, 제 1 오디오 신호(105)는 W 채널에 해당하는 0차 신호와, 0차보다 고차인 신호(예를 들어, X 채널, Y 채널 및 Z 채널에 해당하는 1차 신호들)을 포함할 수 있다. 구현예에 따라, 제 1 오디오 신호(105)는 1차 신호와 1차보다 고차인 신호들을 포함할 수도 있다.

일 실시예에서, 제 2 오디오 신호(115)는 스테레오 신호 및 모노 신호 중 어느 하나일 수 있다.

다시 도 2를 참조하면, 제 2 오디오 신호(115)는 제 1 부호화부(230)로 출력되고, 주파수 특성 신호는 특성 추출부(214)로부터 AI 다운스케일부(216)로 출력되거나, 제 1 부호화부(230)로 출력될 수 있다.

AI 부호화부(210)는 AI 기반으로 주파수 특성 신호와 제 2 오디오 신호(115)를 획득할 수 있다. 여기서, AI는 DNN에 의한 처리를 의미할 수 있다. 구체적으로, AI 부호화부(210)는 제 1 DNN을 이용하여 주파수 특성 신호를 획득하고, 제 2 DNN을 이용하여 제 2 오디오 신호(115)를 획득할 수 있다.

AI 부호화부(210)는 제 1 오디오 신호(105)의 채널 수를 감소시키는 AI 다운스케일뿐만 아니라, 제 1 오디오 신호(105)의 채널 별 특성을 나타내는 주파수 특성 신호를 획득한다. 제 2 오디오 신호(115)와 주파수 특성 신호는 소정의 처리를 통해 복호화 장치(900)로 시그널링되고, 복호화 장치(900)는 주파수 특성 신호를 이용하여 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 복원할 수 있다.

AI 부호화부(210)에 대해 상세히 설명하면, 변환부(212)는 제 1 오디오 신호(105)를 시간 도메인에서 주파수 도메인으로 변환하여 주파수 도메인의 제 1 오디오 신호를 획득한다. 변환부(212)는 STFT(Short Time Fourier Transform) 등의 다양한 변환 방법에 따라 제 1 오디오 신호(105)를 주파수 도메인의 제 1 오디오 신호로 변환할 수 있다.

제 1 오디오 신호(105)는 채널 및 시간에 따라 구분되는 샘플들을 포함하며, 주파수 도메인의 제 1 오디오 신호는 채널, 시간 및 주파수 빈(frequency bin)에 따라 구분되는 샘플들을 포함한다. 여기서, 주파수 빈이란, 각 샘플이 어느 주파수(또는 주파수 대역)에 해당하는 값을 가지고 있는지를 나타내는 일종의 주파수 인덱스를 의미한다.

특성 추출부(214)는 제 1 DNN을 통해 주파수 도메인의 제 1 오디오 신호로부터 주파수 특성 신호를 획득한다. 전술한 바와 같이, 주파수 특성 신호는 제 1 오디오 신호(105)의 채널 간 상관 관계를 나타내고, 후술하는 복호화 장치(900)는 주파수 특성 신호를 이용하여 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 획득할 수 있다.

특성 추출부(214)는 샘플들의 개수가 주파수 도메인의 제 1 오디오 신호보다 적은 주파수 특성 신호를 획득한다. 주파수 특성 신호를 획득하는 이유는 AI 다운스케일에 의한 채널 수 변동에 따른 신호 손실을 보상하고, 제 1 부호화부(230)에 의한 부호화를 가능하게 하고, 오디오 데이터의 비트 수를 감소시키기 위함이다. 제 1 오디오 신호(105)의 채널 간 상관 관계는 주파수 도메인의 제 1 오디오 신호로부터 파악될 수 있으나, 주파수 도메인의 제 1 오디오 신호 역시 제 1 오디오 신호(105)와 마찬가지로 n 채널을 가지므로 제 1 부호화의 대상이 되지 않고, 큰 크기로 인해 오디오 데이터의 비트 수를 증가시키는 요인이 된다. 이에 일 실시예에 따른 특성 추출부(214)는 주파수 도메인의 제 1 오디오 신호 대비 샘플 수가 감소된 주파수 특성 신호를 획득함으로써 오디오 데이터의 비트 수를 감소시키는 동시에 복호화 장치(900)에게 제 1 오디오 신호(105)의 채널 간 상관 관계를 시그널링할 수 있다.

AI 다운스케일부(216)는 제 1 오디오 신호(105)를 제 2 DNN으로 처리하여 제 2 오디오 신호(115)를 획득한다. 제 2 오디오 신호(115)의 채널 수는 제 1 오디오 신호(105)의 채널 수보다 작다. 전술한 바와 같이, 제 1 부호화부(230)는 제 1 오디오 신호(105)의 부호화를 지원하지 않지만, 제 2 오디오 신호(115)의 부호화는 지원할 수 있다.

일 실시예에서, 제 1 오디오 신호(105)는 4채널의 앰비소닉 오디오일 수 있고, 제 2 오디오 신호(115)는 스테레오 오디오일 수 있으나, 제 1 오디오 신호(105)와 제 2 오디오 신호(115)의 채널 수는 각각 4채널 및 2 채널로 한정되지 않는다.

특성 추출부(214)가 획득한 주파수 특성 신호가 AI 다운스케일부(216)로 출력되는 경우, AI 다운스케일부(216)는 제 2 DNN을 통한 제 1 오디오 신호(105)의 처리 중에 주파수 특성 신호를 임베딩(embedding)한다. 주파수 특성 신호를 임베딩하는 과정에 대해서는 도 6 내지 도 8을 참조하여 후술한다.

제 1 부호화부(230)는 AI 다운스케일부(216)로부터 출력된 제 2 오디오 신호(115)를 제 1 부호화하여 제 2 오디오 신호(115)가 가지는 정보량을 감축시킬 수 있다. 제 1 부호화부(230)에 의한 제 1 부호화 결과 오디오 데이터가 획득될 수 있다. 오디오 데이터는 비트스트림의 형태로 표현될 수 있고, 네트워크를 통해 복호화 장치(900)로 전송될 수 있다. 오디오 데이터는 출력 오디오 신호로 참조될 수도 있다.

주파수 특성 신호가 특성 추출부(214)로부터 제 1 부호화부(230)로 출력되는 경우, 제 1 부호화부(230)는 제 2 오디오 신호(115)와 함께 주파수 특성 신호를 제 1 부호화한다. 일 실시예에서, 주파수 특성 신호는 제 1 오디오 신호(105)와 마찬가지로 n개의 채널을 가질 수 있으므로, 주파수 변환 기반의 부호화 방식 대신 오디오 데이터에 해당하는 비트스트림의 부가 영역에 포함될 수 있다. 예를 들어, 주파수 특성 신호는 오디오 데이터의 페이로드 영역 또는 사용자 정의 영역(User Defined Region)에 포함될 수 있다.

도 2에 도시된 바와 같이, 부호화 장치(200)는 레거시 다운스케일부(250)를 더 포함할 수 있는데, 레거시 다운스케일부(250)는 제 1 오디오 신호(105)를 레거시 다운스케일하여 소-채널의 오디오 신호를 획득한다. 예를 들어, 소-채널 오디오 신호는 제 2 오디오 신호(115)와 마찬가지로 m개의 채널을 가질 수 있다.

소-채널의 오디오 신호는 AI 다운스케일부(216)에서 출력된 오디오 신호에 합해지고, 합한 결과로서 획득된 제 2 오디오 신호(115)가 제 1 부호화부(230)로 입력될 수 있다.

일 실시예에서, 레거시 다운스케일부(250)는 제 1 오디오 신호(105)의 채널 수를 감소시키는 여러 알고리즘 중 적어도 하나의 알고리즘을 이용하여 소-채널 오디오 신호를 획득할 수 있다.

일 예로, 제 1 오디오 신호(105)가 W 채널 신호, X 채널 신호, Y 채널 신호 및 Z 채널 신호를 포함하는 4채널 오디오인 경우, W 채널 신호, X 채널 신호, Y 채널 신호 및 Z 채널 신호 중 2개 이상의 신호를 조합하여 소-채널 오디오 신호를 획득할 수 있다. 여기서, W 채널 신호는 전 방향 음원의 세기의 합을 나타내고, X 채널 신호는 전후 음원의 세기의 차이를 나타내고, Y 채널 신호는 좌우 음원의 세기의 차이를 나타내고, Z 채널 신호는 상하 음원의 세기의 차이를 나타낼 수 있다. 제 2 오디오 신호(115)가 스테레오 오디오인 경우, 레거시 다운스케일부(250)는 W 채널 신호에서 Y 채널 신호를 차감한 신호를 L(left) 채널 신호로, W 채널 신호와 Y 채널 신호를 합산한 신호를 R(right) 채널 신호로 획득할 수 있다. 다른 예로, 레거시 다운스케일부(250)는 UHJ 인코딩을 통해 소-채널 오디오 신호를 획득할 수도 있다.

소-채널의 오디오 신호는 제 2 오디오 신호(115)의 예측 버전(prediction version)에 해당하고, AI 다운스케일부(216)에서 출력된 오디오 신호는 제 2 오디오 신호(115)의 잔차 버전(residual version)에 해당한다. 즉, 제 2 오디오 신호(115)의 예측 버전(prediction version)에 해당하는 소-채널의 오디오 신호를 스킵 커넥션(skip connection)의 형태로 AI 다운스케일부(216)에서 출력된 오디오 신호에 합함으로써, 제 2 DNN의 레이어들의 개수를 감소시킬 수 있다.

이하에서는, 주파수 특성 신호를 추출하는 제 1 DNN 및 제 1 오디오 신호(105)를 AI 다운스케일하는 제 2 DNN에 대해 도 4 내지 도 8을 참조하여 설명한다.

도 4는 일 실시예에 따른 제 1 DNN(400)을 설명하기 위한 도면이다.

제 1 DNN(400)은 적어도 하나의 컨볼루션(convolution) 레이어 및 적어도 하나의 리쉐입(reshape) 레이어를 포함할 수 있다.

컨볼루션 레이어는 미리 결정된 크기의 필터로 입력 데이터를 처리하여 특성 데이터를 획득한다. 컨볼루션 레이어의 필터의 파라미터들은 후술하는 훈련 과정을 통해 최적화될 수 있다.

리쉐입 레이어는 입력된 데이터의 샘플들의 위치를 변경하여 입력 데이터의 크기를 변경한다.

도 4를 참조하면, 주파수 도메인의 제 1 오디오 신호(107)가 제 1 DNN(400)으로 입력된다. 주파수 도메인의 제 1 오디오 신호(107)는 채널, 시간 및 주파수 빈으로 구분되는 샘플들을 포함한다. 즉, 주파수 도메인의 제 1 오디오 신호(107)는 샘플들의 3차원 데이터일 수 있다. 주파수 도메인의 제 1 오디오 신호(107)의 각 샘플은 주파수 변환 결과로 획득된 주파수 계수일 수 있다.

도 4는 주파수 도메인의 제 1 오디오 신호(107)의 크기가 (32, 4, 512)임을 도시하고 있는데, 이는, 주파수 도메인의 제 1 오디오 신호(107)의 시간 길이가 32이고, 채널 수는 4이고, 주파수 빈의 개수가 512임을 나타낸다. 32라는 시간 길이는 프레임의 개수가 32임을 의미하며, 각 프레임은 소정의 시간 구간(예를 들어, 5ms)에 대응한다. 주파수 도메인의 제 1 오디오 신호(107)의 크기가 (32, 4, 512)라는 것은 하나의 예시일 뿐이며, 구현 예에 따라 주파수 도메인의 제 1 오디오 신호(107)의 크기나, 각 레이어의 입출력 신호의 크기는 다양하게 변경될 수 있다.

제 1 컨볼루션 레이어(410)는 3x1 크기의 a개의 필터로 주파수 도메인의 제 1 오디오 신호(107)를 처리한다. 제 1 컨볼루션 레이어(410)의 처리 결과, (32, 4, a) 크기의 특성 신호(415)가 획득될 수 있다.

제 2 컨볼루션 레이어(420)는 3x1 크기의 b개의 필터로 입력된 신호를 처리한다. 제 2 컨볼루션 레이어(420)의 처리 결과, (32, 4, b) 크기의 특성 신호(425)가 획득될 수 있다.

제 3 컨볼루션 레이어(430)는 3x1 크기의 4개의 필터로 입력된 신호를 처리한다. 제 3 컨볼루션 레이어(430)의 처리 결과, (32, 4, 4) 크기의 특성 신호(435)가 획득될 수 있다.

리쉐입 레이어(440)는 (32, 4, 4) 크기의 특성 신호(435)를 변경하여 (128, 4) 크기의 주파수 특성 신호(109)를 획득한다. 리쉐입 레이어(440)는 (32, 4, 4) 크기의 특성 신호(435)의 샘플들 중 두 번째 주파수 빈 내지 네 번째 주파수 빈으로 특정되는 샘플들을 시간 축 방향으로 이동시켜 (128, 4) 크기의 주파수 특성 신호(109)를 획득할 수 있다.

본 개시의 일 실시예에 따른 제 1 DNN(400)은 주파수 도메인의 제 1 오디오 신호(107)와 채널 수는 동일하되, 소정 시간 구간에서 각 채널의 샘플의 개수가 주파수 도메인의 제 1 오디오 신호(107)보다 적은 주파수 특성 신호(109)를 획득한다. 도 4는 제 1 DNN(400)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 주파수 도메인의 제 1 오디오 신호(107)와 채널 수는 동일하고, 샘플들의 개수는 주파수 도메인의 제 1 오디오 신호(107)보다 적은 주파수 특성 신호(109)를 획득할 수 있다면, 제 1 DNN(400)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용되는 필터의 개수 및 크기도 다양하게 변경될 수 있다.

도 5는 도 4에 도시된 주파수 도메인의 제 1 오디오 신호(107)와 주파수 특성 신호(109)를 비교하는 도면이다.

주파수 도메인의 제 1 오디오 신호(107)의 각 샘플은 프레임(즉, 시간), 주파수 빈 및 채널에 따라 구분된다. 도 5를 참조하면, 제 1 프레임 동안 제 1 채널에 k개의 샘플들이 존재한다.

주파수 특성 신호(109)는 소정 시간 구간 동안 채널 별 샘플의 개수가 주파수 도메인의 제 1 오디오 신호(107)보다 적다. 예를 들어, 소정 시간 구간 동안 각 채널의 샘플의 개수는 1개일 수 있다. 도 5에 도시된 것과 같이, 제 1 프레임 동안 제 1 채널에 속한 샘플의 개수는 1개일 수 있다.

주파수 특성 신호(109)의 샘플들은 소정 시간 구간 동안의 특정 채널의 복수의 주파수 대역의 대표 값일 수 있다. 예를 들어, 제 1 프레임 동안의 제 4 채널의 대표 값, 즉 샘플 값 0.5는 제 1 프레임 동안의 제 4 채널의 제 1 주파수 빈 내지 제 k 주파수 빈에 해당하는 주파수 대역들의 대표 값일 수 있다.

전술한 바와 같이, 주파수 특성 신호(109)는 제 1 오디오 신호(105)의 채널 간 상관 관계, 구체적으로는 제 1 오디오 신호(105)의 주파수 도메인에서의 채널 간 상관 관계를 나타낼 수 있다. 예를 들어, 주파수 특성 신호(109)의 제 1 프레임 동안 제 3 채널의 샘플 값이 0이라는 것은, 주파수 도메인의 제 1 오디오 신호(107)의 제 1 프레임 동안의 제 3 채널 신호의 샘플들, 즉 주파수 계수들이 0임을 의미할 수 있다. 또한, 주파수 특성 신호(109)의 제 1 프레임 동안 제 1 채널의 샘플 값이 0.5이고, 제 2 채널의 샘플 값이 0.2라는 것은, 주파수 도메인의 제 1 오디오 신호(107)의 제 1 프레임 동안의 제 1 채널 신호 내 0이 아닌 주파수 성분, 즉 0이 아닌 주파수 계수들이 제 2 채널 신호보다 많다는 것을 의미할 수 있다.

본 개시의 일 실시예에 따르면, 주파수 도메인의 제 1 오디오 신호(107) 대비 샘플의 개수가 적은 주파수 특성 신호(109)를 이용하여 복호화 장치(900)에게 채널 간 상관 관계를 시그널링하므로, 주파수 도메인의 제 1 오디오 신호(107) 자체를 이용하는 경우에 비해 오디오 데이터의 비트 수를 감소시킬 수 있다.

도 6은 일 실시예에 따른 제 2 DNN(600)을 설명하기 위한 도면이다.

제 2 DNN(600)은 적어도 하나의 컨볼루션 레이어와 적어도 하나의 리쉐입 레이어를 포함한다.

제 2 DNN(600)에 포함된 적어도 하나의 컨볼루션 레이어는 제 1 DNN(400)의 2차원 컨볼루션 레이어와 달리 1차원 컨볼루션 레이어일 수 있다. 1차원 컨볼루션 레이어의 경우, 필터가 컨볼루션 처리를 위해 스트라이드에 따라 횡방향 또는 종방향으로만 이동하지만, 2차원 컨볼루션 레이어의 필터는 스트라이드에 따라 횡방향 및 종방향으로 이동한다는 점에서 차이가 있다.

도 6을 참조하면, 제 1 오디오 신호(105)가 제 2 DNN(600)으로 입력된다. 제 1 오디오 신호(105)의 샘플들은 시간과 채널로 구분된다. 즉, 제 1 오디오 신호(105)는 2차원 데이터일 수 있다.

제 1 컨볼루션 레이어(610)는 33의 크기의 a 개의 필터로 제 1 오디오 신호(105)를 컨볼루션 처리한다. 제 1 컨볼루션 레이어(610)의 필터의 크기가 33이라는 것은, 필터의 가로 크기가 33이고, 세로 크기는 입력된 신호의 세로 크기, 즉, 제 1 오디오 신호(105)의 세로 크기(채널 개수)와 동일하다는 것을 의미할 수 있다. 제 1 컨볼루션 레이어(610)의 처리 결과 (128, a) 크기를 갖는 특성 신호(615)가 출력된다.

제 2 컨볼루션 레이어(620)는 제 1 컨볼루션 레이어(610)의 출력 신호를 입력받고, 33의 크기의 b 개의 필터로 입력된 신호를 처리한다. 처리 결과 (128, b) 크기의 오디오 특성 신호(625)가 획득될 수 있다. 후술하는 주파수 특성 신호(109)의 결합 방식에 따라 오디오 특성 신호(625)의 크기는 (128, b-4)일 수도 있다.

주파수 특성 신호(109)는, 제 1 오디오 신호(105)에 대한 제 2 DNN(600)의 처리 과정 중에 임베딩될 수 있는데, 도 6에 도시된 바와 같이, 주파수 특성 신호(109)는 오디오 특성 신호(625)와 결합될 수 있고, 결합 결과로 획득된 통합 특성 신호(628)가 다음 레이어로 입력될 수 있다.

주파수 특성 신호(109)와 오디오 특성 신호(625)의 결합 방법은 도 7 및 도 8을 참조하여 설명한다.

도 7 및 도 8은 오디오 특성 신호(625)와 주파수 특성 신호(109)의 결합 방법을 설명하기 위한 도면이다.

도 7을 참조하면, 오디오 특성 신호(625) 내 소정 개수(도 7에서는 4)의 채널들의 샘플들이 주파수 특성 신호(109)의 샘플들로 대체될 수 있다. 대체 대상인 오디오 특성 신호(625)의 채널들은 오디오 특성 신호(625)의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널 또는 마지막 채널로부터 연속된 소정 개수의 채널을 포함할 수 있다. 예를 들어, 주파수 특성 신호(109)가 4개의 채널을 갖는다면, 오디오 특성 신호(625)의 첫 번째 채널부터 네 번째 채널까지의 샘플들이 주파수 특성 신호(109)의 샘플들로 대체됨으로써 통합 특성 신호(628)가 획득될 수 있다.

다음으로, 도 8을 참조하면, 오디오 특성 신호(625)에 주파수 특성 신호(109)가 부가될 수도 있다. 즉, 오디오 특성 신호(625)가 b-4개의 채널을 갖고, 주파수 특성 신호(109)가 4개의 채널을 갖는다면, 오디오 특성 신호(625)에 주파수 특성 신호(109)를 부가함으로써 b개의 채널을 갖는 통합 특성 신호(628)가 획득될 수 있다. 주파수 특성 신호(109)는 오디오 특성 신호(625)의 첫 번째 채널의 앞에 부가될 수도 있고, 오디오 특성 신호(625)의 마지막 채널의 뒤에 부가될 수도 있다.

도 7 및 도 8에서 주파수 특성 신호(109)를 오디오 특성 신호(625)의 앞 부분이나 뒷 부분에 결합시키는 이유는 복호화 장치(900)가 통합 특성 신호로부터 주파수 특성 신호를 쉽게 분리할 수 있게 하기 위함이다.

다시 도 6을 참조하면, 통합 특성 신호(628)는 리쉐입 레이어(630)로 입력된다. (128, b)의 크기를 갖는 통합 특성 신호(628)는 리쉐입 레이어(630)를 통해 (16384, 2) 크기의 특성 신호(635)로 변경될 수 있다.

리쉐입 레이어(630)의 출력 신호(635)는 제 3 컨볼루션 레이어(640)로 입력된다. 제 3 컨볼루션 레이어(640)는 1의 크기의 2개의 필터로 입력된 신호를 컨볼루션 처리하여 (16384, 2) 크기의 제 2 오디오 신호(115)를 획득한다. 제 2 오디오 신호(115)의 크기가 (16384, 2)라는 것은, 제 2 오디오 신호(115)가 2개의 채널을 갖는 16384개의 프레임의 스테레오 신호임을 의미한다. 구현예에 따라, 제 2 오디오 신호(115)가 모노 신호인 경우, 제 2 오디오 신호(115)의 크기는 (16384, 1)일 수 있다.

일 실시예에 따른 제 2 DNN(600)은 제 1 오디오 신호(105)의 시간 길이와 동일한 시간 길이를 가지면서, 제 1 오디오 신호(105)의 채널 수보다 적은 채널 수를 갖는 제 2 오디오 신호(115)를 출력한다. 이러한 제 2 오디오 신호(115)를 출력할 수 있는 제 2 DNN(600)이라면, 제 2 DNN(600)은 도 6에 도시된 구조 이외의 다양한 구조를 가질 수 있다. 다시 말하면, 도 6은 제 2 DNN(600)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 제 1 오디오 신호(105)의 시간 길이와 동일한 시간 길이를 가지면서, 제 1 오디오 신호(105)의 채널 수보다 적은 채널 수를 갖는 제 2 오디오 신호(115)를 획득할 수 있다면, 제 2 DNN(600)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용하는 필터의 개수 및 크기도 다양하게 변경될 수 있다.

부호화 장치(200)는 AI 부호화 및 제 1 부호화를 통해 획득된 오디오 데이터를 네트워크를 통해 복호화 장치(900)로 전송할 수 있다. 구현예에 따라, 오디오 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 9는 일 실시예에 따른 오디오 복호화 장치(900)의 구성을 도시하는 블록도이다.

도 9를 참조하면, 복호화 장치(900)는 제 1 복호화부(910) 및 AI 복호화부(930)를 포함한다. AI 복호화부(930)는 가중치 신호 획득부(912), AI 업스케일부(914) 및 결합부(916)를 포함할 수 있다.

도 9는 제 1 복호화부(910) 및 AI 복호화부(930)를 개별적인 구성으로 도시하고 있으나, 제 1 복호화부(910) 및 AI 복호화부(930)는 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 전용 프로세서로 구현될 수도 있고, AP(application processor) 또는 CPU(central processing unit), GPU(graphic processing unit)와 같은 범용 프로세서와 소프트웨어의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함할 수 있다.

제 1 복호화부(910) 및 AI 복호화부(930)는 복수의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 소프트웨어의 조합을 통해 구현될 수도 있다. 가중치 신호 획득부(912), AI 업스케일부(914) 및 결합부(916)도 각각 서로 다른 프로세서로 구현될 수 있다.

제 1 복호화부(910)는 오디오 데이터를 획득한다. 제 1 복호화부(910)가 획득하는 오디오 데이터는 입력 오디오 신호로 참조될 수도 있다. 오디오 데이터는 네트워크를 통해 수신되거나, 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 획득될 수도 있다.

제 1 복호화부(910)는 오디오 데이터를 제 1 복호화한다. 오디오 데이터의 제 1 복호화 결과 제 3 오디오 신호(135)가 획득되고, 제 3 오디오 신호(135)는 AI 업스케일부(914)로 출력된다. 제 3 오디오 신호(135)는 제 2 오디오 신호(115)와 마찬가지로 m개의 채널을 포함할 수 있다.

전술한 바와 같이, 주파수 특성 신호가 오디오 데이터의 부가 영역에 포함되는 경우, 오디오 데이터의 제 1 복호화를 통해 주파수 특성 신호가 복원된다. 주파수 특성 신호가 제 3 오디오 신호(135) 내에 임베딩되어 있는 경우에는, AI 업스케일부(914)의 제 4 DNN에 의한 처리를 통해 주파수 특성 신호가 획득될 수 있다.

AI 복호화부(930)는 제 3 오디오 신호(135) 및 주파수 특성 신호에 기반하여 n개의 채널을 포함하는 제 4 오디오 신호(145)를 복원한다.

제 3 오디오 신호(135)를 AI 업스케일하여 제 4 오디오 신호(145)를 획득하는 것만으로는 전술한 AI 다운스케일에 의한 채널 변동에 따른 신호 손실을 보상할 수 없으므로, 일 실시예에 따른 AI 복호화부(930)는 주파수 특성 신호로부터 신호 손실을 보상하기 위한 가중치 신호를 획득한다.

구체적으로, 가중치 신호 획득부(912)는 제 3 DNN을 통해 n 채널의 주파수 특성 신호를 처리하여 n 채널의 가중치 신호를 획득한다. 가중치 신호의 시간 길이는 AI 업스케일부(914)를 통해 획득되는 중간 오디오 신호의 시간 길이와 동일하고, 주파수 특성 신호의 시간 길이보다 클 수 있다. 가중치 신호에 포함된 샘플 값들은 AI 업스케일부(914)를 통해 획득되는 중간 오디오 신호의 샘플들 각각에 적용될 가중치로서, 중간 오디오 신호의 각 채널의 샘플 값들에 대해 제 1 오디오 신호(105)의 채널 간 상관 관계를 반영하기 위해 이용된다.

가중치 신호 획득부(912)의 제 3 DNN에 대해 도 10을 참조하여 설명한다.

도 10은 일 실시예에 따른 제 3 DNN(1000)을 설명하기 위한 도면이다.

도 10을 참조하면, 제 3 DNN(1000)은 적어도 하나의 컨볼루션 레이어 및 적어도 하나의 리쉐입 레이어를 포함할 수 있다. 제 3 DNN(1000)에 포함된 컨볼루션 레이어는 2차원 컨볼루션 레이어일 수 있다.

주파수 특성 신호(136)는 제 3 DNN(1000)으로 입력되고, 제 3 DNN(1000)에서의 처리 과정을 통해 가중치 신호(137)가 획득된다.

도 10에 도시된 바와 같이, 주파수 특성 신호(136)의 크기는 (128, 4)이며, 이는 주파수 특성 신호(136)가 128개의 프레임의 4개의 채널을 갖는다는 것을 의미한다.

제 1 컨볼루션 레이어(1010)는 3x1 크기의 a개의 필터로 주파수 특성 신호(136)를 처리하여 (128, 4, a) 크기의 특성 신호(1015)를 획득한다.

제 2 컨볼루션 레이어(1020)는 3x1 크기의 b개의 필터로 입력된 신호를 처리하여 (128, 4, b) 크기의 특성 신호(1025)를 획득한다.

제 3 컨볼루션 레이어(1030)는 3x1 크기의 128개의 필터로 입력된 신호를 처리하여 (128, 4, 128) 크기의 특성 신호(1035)를 획득한다.

리쉐입 레이어(1040)는 (128, 4, 128) 크기의 특성 신호(1035) 내 샘플들의 위치를 변경하여 (16384, 4) 크기의 가중치 신호(137)를 획득한다. 예를 들어, 리쉐입 레이어(1040)는 (128, 4, 128) 크기의 특성 신호(1035) 내 샘플들 중 두 번째 주파수 빈부터 128번째 주파수 빈의 샘플들을 시간 축으로 이동시켜 (16384, 4) 크기의 가중치 신호(137)를 획득할 수 있다.

일 실시예에 따른 제 3 DNN(1000)은 AI 업스케일부(914)에 의해 출력되는 중간 오디오 신호의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 가중치 신호(137)를 획득한다. 따라서, 이러한 가중치 신호(137)를 출력할 수 있는 제 3 DNN(1000)이라면, 제 3 DNN(1000)은 도 10에 도시된 구조 이외의 다양한 구조를 가질 수 있다. 다시 말하면, 도 10은 제 3 DNN(1000)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 중간 오디오 신호의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 가중치 신호(137)를 획득할 수 있다면, 제 3 DNN(1000)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용하는 필터의 개수 및 크기도 다양하게 변경될 수 있다.

한편, 앞서 제 1 DNN(400)은 제 1 오디오 신호(105)로부터 변환된 주파수 도메인의 제 1 오디오 신호(107)를 대상으로 주파수 특성 신호(109)를 획득하는데, 가중치 신호 획득부(912)는 주파수 특성 신호(136)나 가중치 신호(137)를 시간 도메인으로 역변환하지 않는 것을 알 수 있다. 이는, 서버-클라이언트 구조에서 역변환에 의한 지연을 방지하기 위함이다. 다시 말하면, 서버로부터 오디오 신호를 스트리밍 방식으로 수신하는 클라이언트 단말의 신속한 컨텐츠 소비를 위해 역변환에 의한 지연을 제거한 것이다.

다음으로는, AI 업스케일부(914)의 제 4 DNN에 대해 도 11을 참조하여 설명한다.

도 11은 일 실시예에 따른 제 4 DNN(1100)을 설명하기 위한 도면이다.

도 11을 참조하면, 제 4 DNN(1100)은 적어도 하나의 컨볼루션 레이어와 적어도 하나의 리쉐입 레이어를 포함할 수 있다. 제 4 DNN(1100)의 컨볼루션 레이어는 1차원 컨볼루션 레이어일 수 있다.

제 3 오디오 신호(135)는 제 4 DNN(1100)으로 입력되고, 제 4 DNN(1100)에서의 처리 과정을 통해 중간 오디오 신호(138)로 AI 업스케일된다.

도 11에 도시된 바와 같이, 제 3 오디오 신호(135)의 크기는 (16384, 2)이며, 이는 제 3 오디오 신호(135)가 16384개의 프레임의 2개의 채널을 갖는다는 것을 의미한다.

제 1 컨볼루션 레이어(1110)는 33 크기의 a개의 필터로 제 3 오디오 신호(135)를 처리하여 (4096, a) 크기의 특성 신호(1115)를 획득한다.

제 2 컨볼루션 레이어(1120)는 33 크기의 b개의 필터로 입력된 신호를 처리하여 (128, b) 크기의 통합 특성 신호(1128)를 획득한다. 제 4 DNN(1100)는 후술하는 훈련 과정을 통해 제 2 DNN(600)에 의한 제 1 오디오 신호(105)의 처리 과정 중에 획득되는 통합 특성 신호(628)와 동일/유사한 통합 특성 신호(1128)를 제 2 컨볼루션 레이어(1120)를 통해 출력하도록 훈련될 수 있다.

주파수 특성 신호(136)가 제 3 오디오 신호(135) 내에 임베딩된 경우, 통합 특성 신호(1128)로부터 주파수 특성 신호(136)가 추출된다. 구체적으로, 통합 특성 신호(1128)의 채널들 중 첫 번째 채널부터 연속된 소정 개수의 채널 또는 마지막 채널부터 연속된 소정 개수의 채널의 샘플들이 주파수 특성 신호(136)로 추출될 수 있다. 전술한 바와 같이, 주파수 특성 신호(136)는 가중치 신호 획득부(912)로 전달된다.

제 3 컨볼루션 레이어(1130)는 33 크기의 c개의 필터로 입력된 신호(예를 들어, 통합 특성 신호(1128)로부터 분리된 오디오 특성 신호(1125))를 처리하여 (256, c) 크기의 특성 신호(1135)를 획득한다.

리쉐입 레이어는 (256, c) 크기의 특성 신호(1135) 내 샘플들의 위치를 변경하여 (16384, 4) 크기의 중간 오디오 신호(138)를 출력한다.

일 실시예에 따른 제 4 DNN(1100)은 제 1 오디오 신호(105)의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 중간 오디오 신호(138)를 획득한다. 따라서, 이러한 중간 오디오 신호(138)를 출력할 수 있는 제 4 DNN(1100)이라면, 제 4 DNN(1100)은 도 11에 도시된 구조 이외의 다양한 구조를 가질 수 있다. 다시 말하면, 도 11은 제 4 DNN(1100)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 제 1 오디오 신호(105)의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 중간 오디오 신호(138)를 획득할 수 있다면, 제 4 DNN(1100)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용하는 필터의 개수 및 크기도 다양하게 변경될 수 있다.

다시 도 9를 참조하면, 가중치 신호 획득부(912)에 의해 출력된 가중치 신호와 AI 업스케일부(914)에 의해 출력된 중간 오디오 신호는 결합부(916)로 입력되고, 결합부(916)는 중간 오디오 신호의 샘플들에 가중치 신호의 샘플들을 적용하여 제 4 오디오 신호(145)를 획득할 수 있다. 예를 들어, 결합부(916)는 중간 오디오 신호의 샘플 값들과 가중치 신호의 샘플 값들을 서로 대응하는 샘플끼리 1:1로 곱하여 제 4 오디오 신호(145)를 획득할 수 있다.

한편, 도 9에 도시된 오디오 복호화 장치(900)와 달리 AI 복호화를 수행하지 못하는 레거시 복호화 장치의 경우, 오디오 데이터를 제 1 복호화하여 제 3 오디오 신호(135)를 획득할 수 있다. 레거시 복호화 장치는 제 3 오디오 신호(135)를 스피커에 의한 재생을 위해 출력할 수 있다. 즉, 일 실시예에 따른 제 2 오디오 신호(115)의 제 1 부호화 결과로 획득된 오디오 데이터는 AI 복호화 기능을 수행하는 오디오 복호화 장치(900)와 AI 복호화를 수행하지 못하는 레거시 복호화 장치 모두에 의해 이용될 수 있는 하위 호환성을 가질 수 있다.

이하에서는, 도 12 내지 도 17을 참조하여, 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 방법에 대해 설명한다.

도 12는 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 방법을 설명하기 위한 도면이다.

도 12는 주파수 특성 신호를 제 2 오디오 신호(115) 내에 임베딩하는 제 2 DNN(600)을 위한 훈련 방법을 나타낸다.

도 12에서 제 1 훈련 신호(1201)는 제 1 오디오 신호(105)에 대응하고, 제 2 훈련 신호(1205)는 제 2 오디오 신호(115)에 대응한다. 또한, 제 3 훈련 신호(1206)는 제 3 오디오 신호(135)에 대응하고, 제 4 훈련 신호(1210)는 제 4 오디오 신호(145)에 대응한다.

제 1 훈련 신호(1201)에 대한 주파수 변환(1220)을 통해 주파수 도메인 훈련 신호(1202)가 획득되고, 주파수 도메인 훈련 신호(1202)는 제 1 DNN(400)으로 입력된다. 제 1 DNN(400)은 미리 설정된 파라미터에 따라 주파수 도메인 훈련 신호(1202)를 처리하여 훈련용 주파수 특성 신호(1203)를 획득한다. 훈련용 주파수 특성 신호(1203)는 제 1 훈련 신호(1201)와 함께 제 2 DNN(600)으로 입력되고, 제 2 DNN(600)은 미리 설정된 파라미터를 통해 훈련용 주파수 특성 신호(1203)가 임베딩된 제 2 훈련 신호(1205)를 획득한다.

제 2 훈련 신호(1205)는 제 1 부호화 및 제 1 복호화(1250)를 통해 제 3 훈련 신호(1206)로 변경된다. 구체적으로, 제 2 훈련 신호(1205)에 대한 제 1 부호화를 통해 훈련용 오디오 데이터가 획득되고, 훈련용 오디오 데이터의 제 1 복호화를 통해 제 3 훈련 신호(1206)가 획득된다. 제 3 훈련 신호(1206)는 제 4 DNN(1100)으로 입력된다. 제 4 DNN(1100)은 미리 설정된 파라미터를 통해 제 3 훈련 신호(1206)로부터 훈련용 주파수 특성 신호(1207)와 훈련용 중간 오디오 신호(1209)를 획득한다. 제 3 DNN(1000)은 미리 설정된 파라미터를 통해 훈련용 주파수 특성 신호(1207)를 처리하여 훈련용 가중치 신호(1208)를 획득한다. 훈련용 가중치 신호(1208)와 훈련용 중간 오디오 신호(1209)가 결함됨으로써 제 4 훈련 신호(1210)가 획득한다.

도 12에서 제 1 DNN(400)에 의해 획득된 훈련용 주파수 특성 신호(1203)가 훈련용 DNN(1240)으로 입력되는데, 훈련용 DNN(1240)은 제 1 DNN(400)에 의해 훈련용 주파수 특성 신호(1203)가 정확하게 생성되었는지를 검증하기 위한 DNN이다. 훈련용 DNN(1240)은 제 1 DNN(400)의 미러(mirror) 구조를 가질 수 있다. 훈련용 DNN(1240)은 훈련용 주파수 특성 신호(1203)를 처리하여 주파수 도메인 훈련 신호(1204)를 복원한다.

주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 훈련용 DNN(1240)에 의해 획득된 주파수 도메인 훈련 신호(1204) 사이의 비교 결과에 따라 생성 손실 정보(LossDG)(1260)가 획득된다. 생성 손실 정보(LossDG)(1260)는 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 훈련용 DNN(1240)에 의해 획득된 주파수 도메인 훈련 신호(1204) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 생성 손실 정보(1260)는 다음의 수학식 1로 표현될 수 있다.

[수학식 1]

수학식 1에서 F()는 주파수 변환(1220)을 의미하고, Anch는 제 1 훈련 신호(1201)를 나타낸다. D()는 훈련용 DNN(1240)에 의한 처리를 의미하고, CEmbed는 훈련용 주파수 특성 신호(1203)를 나타낸다.

생성 손실 정보(1260)는 훈련용 DNN(1240)이 훈련용 주파수 특성 신호(1203)를 처리하여, 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 어느 정도로 유사한 주파수 도메인 훈련 신호(1204)를 생성하였는지를 나타낸다.

제 1 훈련 신호(1201)는 레거시 다운스케일(1230)을 통해 소-채널 훈련 신호로 변경되는데, 소-채널 훈련 신호와 제 2 훈련 신호(1205)의 비교 결과에 따라 다운 손실 정보(LossDown)(1270)가 획득된다. 다운 손실 정보(LossDown)(1270)는 소-채널 오디오 신호와 제 2 훈련 신호(1205) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 다운 손실 정보(1270)는 다음의 수학식 2로 표현될 수 있다.

[수학식 2]

수학식 2에서 β는 미리 결정된 가중치이고, Smch는 제 2 훈련 신호(1205)이고, SLabel은 소-채널 훈련 신호를 나타낸다. 그리고, F()는 주파수 변환을 나타낸다.

다운 손실 정보(1270)는 훈련용 주파수 특성 신호(1203)를 임베딩한 제 2 훈련 신호(1205)가 레거시 다운스케일(1230)을 통해 획득된 소-채널 훈련 신호와 어느 정도로 유사한지를 나타낸다. 제 2 훈련 신호(1205)가 소-채널 훈련 신호와 유사할수록 제 3 훈련 신호(1206)의 퀄리티가 향상될 수 있다. 특히, 레거시 복호화 장치에 의해 복원되는 신호의 퀄리티가 향상될 수 있다.

제 1 훈련 신호(1201)와 제 4 훈련 신호(1210)의 비교 결과에 따라 업 손실 정보(LossUp)(1280)가 획득된다. 업 손실 정보(LossUp)(1280)는 제 1 훈련 신호(1201)와 제 4 훈련 신호(1210) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 업 손실 정보(1280)는 다음의 수학식 3으로 표현될 수 있다.

[수학식 3]

수학식 3에서 β는 미리 결정된 가중치이고, Anch는 제 1 훈련 신호(1201)이고, Apnch는 제 4 훈련 신호(1210)를 나타낸다. 그리고, F()는 주파수 변환을 나타낸다.

업 손실 정보(1280)는 훈련용 가중치 신호(1208)와 훈련용 중간 오디오 신호(1209)가 어느 정도로 정확하게 생성되었는지를 나타낸다.

제 1 DNN(400)에 의해 출력된 훈련용 주파수 특성 신호(1203)와 제 4 DNN(1100)을 통해 추출된 훈련용 주파수 특성 신호(1207) 사이의 비교 결과에 따라 매칭 손실 정보(LossM)(1290)가 획득된다. 매칭 손실 정보(LossM)(1290)는 두 훈련용 주파수 특성 신호(1203, 1207) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 매칭 손실 정보(1290)는 다음의 수학식 4로 표현될 수 있다.

[수학식 4]

수학식 4에서 CEmbed는 제 2 훈련 신호(1205)에 임베딩되는 훈련용 주파수 특성 신호(1203)를 나타내고, CExtract는 제 4 DNN(1100)에 의해 추출되는 훈련용 주파수 특성 신호(1207)를 나타낸다.

매칭 손실 정보(1290)는 제 4 DNN(1100)이 중간에 출력하는 통합 특성 신호가, 제 2 DNN(600)을 통해 획득되는 통합 특성 신호와 어느 정도로 유사한지를 나타낸다. 제 4 DNN(1100)이 출력하는 통합 특성 신호와 제 2 DNN(600)을 통해 획득되는 통합 특성 신호가 유사한 경우, 두 주파수 특성 신호 역시 유사해진다.

제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 생성 손실 정보(1260), 다운 손실 정보(1270), 업 손실 정보(1280) 및 매칭 손실 정보(1290) 중 적어도 하나를 결합하여 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.

구체적으로, 제 1 DNN(400)과 훈련용 DNN(1240)은 생성 손실 정보(1260)가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다. 또한, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1270), 업 손실 정보(1280) 및 매칭 손실 정보(1290)의 결합 결과로 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.

제 1 DNN(400) 및 훈련용 DNN(1240)의 훈련을 수식으로 표현하면 다음과 같다.

[수학식 5]

수학식 5에서

은 제 1 DNN(400) 및 훈련용 DNN(1240)의 파라미터 세트를 나타낸다. 제 1 DNN(400) 및 훈련용 DNN(1240)은 훈련을 통해 생성 손실 정보(LossDG)(1260)를 최소화하는 파라미터 세트를 획득한다.

제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련을 수식으로 표현하면 다음과 같다.

[수학식 6]

수학식 6에서

는 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 세트를 나타내고, α 및

는 미리 설정된 가중치를 나타낸다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 훈련을 통해 다운 손실 정보(LossDown)(1270), 업 손실 정보(LossUp)(1280) 및 매칭 손실 정보(LossM)(1290)를 미리 설정된 가중치에 따라 조합한 최종 손실 정보를 최소화하는 파라미터 세트가 획득된다.

일 실시예에서, 제 1 DNN(400)과 훈련용 DNN(1240)의 훈련, 그리고 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련이 교대로 수행될 수도 있다. 구체적으로, 제 1 DNN(400)과 훈련용 DNN(1240)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한 후, 생성 손실 정보(1260)에 따라 파라미터를 갱신한다. 그리고, 제 1 DNN(400)과 훈련용 DNN(1240)은 갱신된 파라미터에 따라 입력된 신호를 처리하고, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 입력 신호의 처리 결과로 획득되는 매칭 손실 정보(1290), 업 손실 정보(1280) 및 다운 손실 정보(1270) 중 적어도 하나에 따라 파라미터를 갱신한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 갱신이 완료되면, 제 1 DNN(400)과 훈련용 DNN(1240)이 재차 파라미터를 갱신한다. 즉, 일 실시예에 따르면, 제 1 DNN(400)과 훈련용 DNN(1240)의 훈련, 그리고 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련이 교대로 수행됨으로써, 각 DNN의 파라미터를 더욱 높은 정확도 수준까지 안정적으로 훈련시킬 수 있다.

도 13 및 도 14는 훈련 장치(1300)에 의한 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 과정을 설명하기 위한 흐름도이다.

도 12와 관련하여 설명한 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련은 훈련 장치(1300)에 의해 수행될 수 있다. 훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)을 포함할 수 있다. 훈련 장치(1300)는 예를 들어, 오디오 부호화 장치(200) 또는 별도의 서버일 수 있다. 훈련 결과 획득된 제 3 DNN(1000)과 제 4 DNN(1100)은 오디오 복호화 장치(900)에 저장될 수 있다.

훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터를 초기 세팅한다(S1310).

훈련 장치(1300)는 제 1 훈련 신호(1201)로부터 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)를 제 1 DNN(400)으로 입력한다(S1320). 제 1 DNN(400)은 훈련용 주파수 특성 신호(1203)를 훈련용 DNN(1240)으로 출력하고(S1330), 훈련용 DNN(1240)은 복원된 주파수 도메인 훈련 신호(1204)를 훈련 장치(1300)로 출력한다(S1340).

훈련 장치(1300)는 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 훈련용 DNN(1240)에서 출력된 주파수 도메인 훈련 신호(1204)를 비교하여 생성 손실 정보(1260)를 산출한다(S1350). 그리고, 제 1 DNN(400)과 훈련용 DNN(1240)은 생성 손실 정보(1260)에 따라 파라미터를 갱신한다(S1360, S1370).

훈련 장치(1300)는 제 1 훈련 신호(1201)로부터 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)를 제 1 DNN(400)으로 다시 입력한다(S1380). 제 1 DNN(400)은 갱신된 파라미터를 통해 주파수 도메인 훈련 신호(1202)를 처리하여 훈련용 주파수 특성 신호(1203)를 훈련 장치(1300)와 제 2 DNN(600)으로 출력한다(S1390).

다음으로, 도 14에서 훈련 장치(1300)는 제 1 훈련 신호(1201)를 제 2 DNN(600)으로 입력하고(S1410), 제 2 DNN(600)은 훈련용 주파수 특성 신호(1203)와 제 1 훈련 신호(1201)를 처리하여 제 2 훈련 신호(1205)를 훈련 장치(1300)로 출력한다(S1420).

훈련 장치(1300)는 제 1 훈련 신호(1201)로부터 레거시 다운스케일(1230)된 소-채널 훈련 신호와 제 2 훈련 신호(1205)의 비교 결과에 따라 다운 손실 정보(1270)를 획득한다(S1430).

훈련 장치(1300)는 제 2 훈련 신호(1205)의 제 1 부호화 및 제 1 복호화(1250)를 통해 획득된 제 3 훈련 신호(1206)를 제 4 DNN(1100)으로 입력하고(S1440), 제 4 DNN(1100)은 훈련용 주파수 특성 신호(1207)를 제 3 DNN(1000)과 훈련 장치(1300)로 출력한다(S1450).

훈련 장치(1300)는 S1390 단계에서 제 1 DNN(400)에 의해 출력된 훈련용 주파수 특성 신호(1203)와 제 4 DNN(1100)에 의해 출력된 훈련용 주파수 특성 신호(1207)를 비교하여 매칭 손실 정보(1290)를 산출한다(S1460).

제 4 DNN(1100)은 제 3 훈련 신호(1206)의 처리를 통해 훈련용 중간 오디오 신호(1209)를 출력하고(S1470), 제 3 DNN(1000)은 훈련용 주파수 특성 신호(1207)의 처리를 통해 훈련용 가중치 신호(1208)를 출력한다(S1480).

훈련 장치(1300)는 훈련용 중간 오디오 신호(1209)와 훈련용 가중치 신호(1208)를 결합하여 제 4 훈련 신호(1210)를 획득하고, 제 1 훈련 신호(1201)와 제 4 훈련 신호(1210)를 비교하여 업 손실 정보(1280)를 획득한다(S1490).

제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1270), 매칭 손실 정보(1290) 및 업 손실 정보(1280) 중 적어도 하나를 조합하여 획득한 최종 손실 정보에 따라 파라미터를 갱신한다(S1492, S1494, S1496).

훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터들이 최적화될때까지 전술한 S1320 단계 내지 S1496 단계를 반복할 수 있다.

도 12 내지 도 14는 주파수 특성 신호가 제 2 오디오 신호(115)에 임베딩되는 경우의 훈련 과정을 도시하고 있는데, 주파수 특성 신호가 제 2 오디오 신호(115)에 임베딩되지 않는 경우의 훈련 과정에 대해 도 15 내지 도 17을 참조하여 설명한다.

도 15는 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 다른 훈련 방법을 설명하기 위한 도면이다.

도 15에서 제 1 훈련 신호(1501)는 제 1 오디오 신호(105)에 대응하고, 제 2 훈련 신호(1505)는 제 2 오디오 신호(115)에 대응한다. 또한, 제 3 훈련 신호(1506)는 제 3 오디오 신호(135)에 대응하고, 제 4 훈련 신호(1510)는 제 4 오디오 신호(145)에 대응한다.

제 1 훈련 신호(1501)에 대한 주파수 변환(1520)을 통해 주파수 도메인 훈련 신호(1502)가 획득되고, 주파수 도메인 훈련 신호(1502)는 제 1 DNN(400)으로 입력된다. 제 1 DNN(400)은 미리 설정된 파라미터에 따라 주파수 도메인 훈련 신호(1502)를 처리하여 훈련용 주파수 특성 신호(1503)를 획득한다.

제 1 훈련 신호(1501)는 제 2 DNN(600)으로 입력되고, 제 2 DNN(600)은 미리 설정된 파라미터를 통해 제 2 훈련 신호(1505)를 획득한다.

훈련용 주파수 특성 신호(1503)와 제 2 훈련 신호(1505)는 제 1 부호화 및 제 1 복호화(1550)를 통해 처리된다. 구체적으로, 훈련용 주파수 특성 신호(1503)와 제 2 훈련 신호(1505)의 제 1 부호화를 통해 훈련용 오디오 데이터가 획득되고, 훈련용 오디오 데이터의 제 1 복호화를 통해 제 3 훈련 신호(1506)와 훈련용 주파수 특성 신호(1507)가 획득된다. 훈련용 주파수 특성 신호(1507)는 제 3 DNN(1000)으로 입력되고, 제 3 훈련 신호(1506)는 제 4 DNN(1100)으로 입력된다. 제 3 DNN(1000)은 미리 설정된 파라미터를 통해 훈련용 주파수 특성 신호(1507)를 처리하여 훈련용 가중치 신호(1508)를 획득한다.

제 4 DNN(1100)은 미리 설정된 파라미터를 통해 제 3 훈련 신호(1506)로부터 훈련용 중간 오디오 신호(1509)를 획득한다. 훈련용 가중치 신호(1508)와 훈련용 중간 오디오 신호(1509)가 결함됨으로써 제 4 훈련 신호(1510)가 획득한다.

도 15에서 제 1 DNN(400)에 의해 획득된 훈련용 주파수 특성 신호(1503)가 훈련용 DNN(1540)으로 입력되는데, 훈련용 DNN(1540)은 제 1 DNN(400)에 의해 훈련용 주파수 특성 신호(1503)가 정확하게 생성되었는지를 검증하기 위한 DNN이다. 훈련용 DNN(1540)은 제 1 DNN(400)의 미러 구조를 가질 수 있다. 훈련용 DNN(1540)은 훈련용 주파수 특성 신호(1503)를 처리하여 주파수 도메인 훈련 신호(1504)를 복원한다.

주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)와 훈련용 DNN(1540)에 의해 획득된 주파수 도메인 훈련 신호(1504) 사이의 비교 결과에 따라 생성 손실 정보(LossDG)(1560)가 획득된다. 생성 손실 정보(LossDG)(1560)는 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)와 훈련용 DNN(1540)에 의해 획득된 주파수 도메인 훈련 신호(1504) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 생성 손실 정보(1560)는 전술한 수학식 1로 표현될 수 있다.

제 1 훈련 신호(1501)는 레거시 다운스케일(1530)을 통해 소-채널 훈련 신호로 변경되는데, 소-채널 훈련 신호와 제 2 훈련 신호(1505)의 비교 결과에 따라 다운 손실 정보(LossDown)(1570)가 획득된다. 다운 손실 정보(LossDown)(1570)는 소-채널 훈련 신호와 제 2 훈련 신호(1505) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 다운 손실 정보(1570)는 전술한 수학식 2로 표현될 수 있다.

제 1 훈련 신호(1501)와 제 4 훈련 신호(1510)의 비교 결과에 따라 업 손실 정보(LossUp)(1580)가 획득된다. 업 손실 정보(LossUp)(1580)는 제 1 훈련 신호(1501)와 제 4 훈련 신호(1510) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 업 손실 정보(1580)는 전술한 수학식 3으로 표현될 수 있다.

도 12에서 설명한 훈련 과정과 비교하면, 도 15의 훈련 과정에서는 매칭 손실 정보(LossM)(1290)가 획득되지 않는다. 그 이유는 도 15의 훈련 과정에서는 훈련용 주파수 특성 신호(1503)가 제 2 훈련 신호(1505)에 임베딩되지 않기 때문이고, 제 1 복호화를 통해 획득된 훈련용 주파수 특성 신호(1507)와 제 1 DNN(400)을 통해 획득된 훈련용 주파수 특성 신호(1503) 사이의 동일성이 인정되기 때문이다.

제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 생성 손실 정보(1560), 다운 손실 정보(1570) 및 업 손실 정보(1580) 중 적어도 하나를 결합하여 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.

구체적으로, 제 1 DNN(400)과 훈련용 DNN(1540)은 생성 손실 정보(1560)가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다. 또한, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1570) 및 업 손실 정보(1580)의 결합 결과로 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.

제 1 DNN(400) 및 훈련용 DNN(1540)의 훈련은 전술한 수학식 5로 표현될 수 있고, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련은 다음의 수학식 7로 표현될 수 있다.

[수학식 7]

수학식 7에서

는 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 세트를 나타내고, α는 미리 설정된 가중치를 나타낸다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 훈련을 통해 다운 손실 정보(LossDown)(1570) 및 업 손실 정보(LossUp)(1580)의 조합 결과로 획득되는 최종 손실 정보를 최소화하는 파라미터 세트를 획득한다.

일 실시예에서, 제 1 DNN(400)과 훈련용 DNN(1540)의 훈련, 그리고 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련이 교대로 수행될 수도 있다. 구체적으로, 제 1 DNN(400)과 훈련용 DNN(1540)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한 후, 생성 손실 정보(1560)에 따라 파라미터를 갱신한다. 그리고, 제 1 DNN(400)과 훈련용 DNN(1540)은 갱신된 파라미터에 따라 입력된 신호를 처리하고, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 입력 신호의 처리 결과로 획득되는 업 손실 정보(1580) 및 다운 손실 정보(1570) 중 적어도 하나에 따라 파라미터를 갱신한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 갱신이 완료되면, 제 1 DNN(400)과 훈련용 DNN(1540)이 재차 파라미터를 갱신한다.

도 16 및 도 17은 훈련 장치(1300)에 의한 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 과정을 설명하기 위한 흐름도이다.

도 15와 관련하여 설명한 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련은 훈련 장치(1300)에 의해 수행될 수 있다. 훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)을 포함할 수 있다. 훈련 장치(1300)는 예를 들어, 오디오 부호화 장치(200) 또는 별도의 서버일 수 있다. 훈련 결과 획득된 제 3 DNN(1000)과 제 4 DNN(1100)은 오디오 복호화 장치(900)에 저장될 수 있다.

도 16을 참조하면, 훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터를 초기 세팅한다(S1610).

훈련 장치(1300)는 제 1 훈련 신호(1501)로부터 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)를 제 1 DNN(400)으로 입력한다(S1620). 제 1 DNN(400)은 훈련용 주파수 특성 신호(1503)를 훈련용 DNN(1540)으로 출력하고(S1630), 훈련용 DNN(1540)은 복원된 주파수 도메인 훈련 신호(1504)를 훈련 장치(1300)로 출력한다(S1640).

훈련 장치(1300)는 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)와 훈련용 DNN(1540)에서 출력된 주파수 도메인 훈련 신호(1504)를 비교하여 생성 손실 정보(1560)를 산출한다(S1650). 그리고, 제 1 DNN(400)과 훈련용 DNN(1540)은 생성 손실 정보(1560)에 따라 파라미터를 갱신한다(S1660, S1670).

훈련 장치(1300)는 제 1 훈련 신호(1501)로부터 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)를 제 1 DNN(400)으로 다시 입력한다(S1680). 제 1 DNN(400)은 갱신된 파라미터를 통해 주파수 도메인 훈련 신호(1502)를 처리하여 훈련용 주파수 특성 신호(1503)를 훈련 장치(1300)로 출력한다(S1690). 도 13과 비교하면, 훈련용 주파수 특성 신호(1503)가 제 2 훈련 신호(1505)에 임베딩되지 않으므로, 도 16에서는 훈련용 주파수 특성 신호(1503)가 제 2 DNN(600)으로 입력되지 않는다.

다음으로, 도 17에서 훈련 장치(1300)는 제 1 훈련 신호(1501)를 제 2 DNN(600)으로 입력하고(S1710), 제 2 DNN(600)은 제 1 훈련 신호(1501)를 처리하여 제 2 훈련 신호(1505)를 훈련 장치(1300)로 출력한다(S1720).

훈련 장치(1300)는 제 1 훈련 신호(1501)로부터 레거시 다운스케일(1530)된 소-채널 훈련 신호와 제 2 훈련 신호(1505)의 비교 결과에 따라 다운 손실 정보(1570)를 획득한다(S1730).

훈련 장치(1300)는 제 1 부호화 및 제 1 복호화를 통해 획득된 제 3 훈련 신호(1506)와 훈련용 주파수 특성 신호(1507)를 각각 제 4 DNN(1100)과 제 3 DNN(1000)으로 입력한다(S1740, S1750). 제 4 DNN(1100)은 제 3 훈련 신호(1506)의 처리를 통해 훈련용 중간 오디오 신호(1509)를 출력하고(S1760), 제 3 DNN(1000)은 훈련용 주파수 특성 신호(1507)의 처리를 통해 훈련용 가중치 신호(1508)를 출력한다(S1770).

훈련 장치(1300)는 훈련용 중간 오디오 신호(1509)와 훈련용 가중치 신호(1508)를 결합하여 제 4 훈련 신호(1510)를 획득하고, 제 1 훈련 신호(1501)와 제 4 훈련 신호(1510)를 비교하여 업 손실 정보(1580)를 획득한다(S1780).

제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1570) 및 업 손실 정보(1580) 중 적어도 하나를 조합하여 획득한 최종 손실 정보에 따라 파라미터를 갱신한다(S1792, S1794, S1796).

훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터들이 최적화될때까지 전술한 S1620 단계 내지 S1796 단계를 반복할 수 있다.

도 18은 일 실시예에 따른 오디오 부호화 방법을 설명하는 순서도이다.

S1810 단계에서, 부호화 장치(200)는 n개의 채널을 포함하는 제 1 오디오 신호(105)를 시간 도메인에서 주파수 도메인으로 변환한다. 변환 결과 획득된 주파수 도메인의 제 1 오디오 신호는 n 개의 채널을 가질 수 있다.

S1820 단계에서, 부호화 장치(200)는 주파수 도메인의 제 1 오디오 신호를 제 1 DNN(400)으로 처리하여 소정 시간 구간에서 채널 별 샘플들의 개수가 주파수 도메인의 제 1 오디오 신호의 채널 별 샘플들의 개수보다 적은 주파수 특성 신호를 획득한다.

S1830 단계에서, 부호화 장치(200)는 제 2 DNN(600)을 이용하여 제 1 오디오 신호(105)로부터 m개의 채널(m<n)을 포함하는 제 2 오디오 신호(115)를 획득한다. 제 2 오디오 신호(115)의 시간 길이는 제 1 오디오 신호(105)의 시간 길이와 동일하고, 제 2 오디오 신호(115)의 채널 수는 제 1 오디오 신호(105)의 채널 수보다 작을 수 있다.

S1840 단계에서, 부호화 장치(200)는 제 2 오디오 신호(115)와 주파수 특성 신호를 제 1 부호화하여 오디오 데이터를 획득한다. 전술한 바와 같이, 주파수 특성 신호는 제 2 오디오 신호(115)에 임베딩된 후 제 1 부호화될 수 있고, 또는 제 2 오디오 신호(115)와 주파수 특성 신호가 각각 제 1 부호화를 통해 오디오 데이터에 포함될 수도 있다.

도 19는 일 실시예에 따른 오디오 복호화 방법을 설명하는 순서도이다.

S1910 단계에서, 복호화 장치(900)는 오디오 데이터를 제 1 복호화하여 m개의 채널을 포함하는 제 3 오디오 신호(135)와 주파수 특성 신호를 획득한다. 주파수 특성 신호는 제 4 DNN(1100)에 의한 제 3 오디오 신호(135)의 처리 과정 중에 추출될 수도 있다.

S1920 단계에서, 복호화 장치(900)는 제 3 DNN(1000)을 이용하여 주파수 특성 신호로부터 가중치 신호를 획득한다. 가중치 신호의 시간 길이 및 채널 수는 제 1 오디오 신호(105) 및 제 4 오디오 신호(145)의 시간 길이 및 채널 수와 동일할 수 있다.

S1930 단계에서, 복호화 장치(900)는 제 4 DNN(1100)을 이용하여 제 3 오디오 신호(135)로부터 n개의 채널을 포함하는 중간 오디오 신호를 획득한다. 중간 오디오 신호의 시간 길이 및 채널 수는 제 1 오디오 신호(105) 및 제 4 오디오 신호(145)의 시간 길이 및 채널 수와 동일할 수 있다.

S1940 단계에서, 복호화 장치(900)는 중간 오디오 신호에 가중시 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호(145)를 획득한다.

제 4 오디오 신호(145)는 재생을 위해 재생 장치(예를 들어, 스피커)로 출력될 수 있다.

한편, 상술한 본 개시의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 작성된 프로그램은 매체에 저장될 수 있다.

매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 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), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상, 본 개시의 기술적 사상을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 개시의 기술적 사상은 상기 실시예들에 한정되지 않고, 본 개시의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형 및 변경이 가능하다.

Claims

하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는,
n개의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하고,
제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하고,
제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m<n)의 채널을 포함하는 제 2 오디오 신호를 생성하고,
상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하되,
상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고,
상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하는, 오디오 신호의 처리 장치.
제1항에 있어서,
상기 주파수 특성 신호는, 채널별 대표 값을 포함하고,
상기 채널별 대표 값은, 상기 주파수 도메인의 제 1 오디오 신호의 채널별 복수의 주파수 대역에 대응하는 값인, 오디오 신호의 처리 장치.
제1항에 있어서,
상기 제 2 DNN은,
상기 제 1 오디오 신호로부터 오디오 특성 신호를 획득하고, 상기 오디오 특성 신호와 상기 주파수 특성 신호가 결합된 통합 특성 신호로부터 상기 제 2 오디오 신호를 출력하는, 오디오 신호의 처리 장치.
제3항에 있어서,
상기 오디오 특성 신호의 채널들 중 일부 채널의 샘플들이 상기 주파수 특성 신호의 샘플들로 대체됨으로써 상기 통합 특성 신호가 획득되는, 오디오 신호의 처리 장치.
제4항에 있어서,
상기 일부 채널은,
상기 오디오 특성 신호의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널 또는 마지막 채널로부터 연속된 소정 개수의 채널을 포함하는, 오디오 신호의 처리 장치.
제3항에 있어서,
상기 오디오 특성 신호의 시간 길이와 상기 주파수 특성 신호의 시간 길이는 동일한, 오디오 신호의 처리 장치.
제1항에 있어서,
상기 주파수 특성 신호는,
소정 시간 구간에서 각 채널의 샘플의 개수가 1개인, 오디오 신호의 처리 장치.
제1항에 있어서,
상기 출력 오디오 신호는, 비트스트림으로 표현되며,
상기 주파수 특성 신호는 상기 비트스트림의 부가 영역에 포함되는, 오디오 신호의 처리 장치.
제1항에 있어서,
상기 프로세서는,
상기 제 2 DNN으로부터 출력된 중간 오디오 신호와, 상기 제 1 오디오 신호로부터 다운스케일된 소-채널 오디오 신호를 결합하여 상기 제 2 오디오 신호를 획득하는, 오디오 신호의 처리 장치.
제1항에 있어서,
상기 제 1 DNN은,
제 1 훈련 신호로부터 변환된 주파수 도메인 훈련 신호와, 훈련용 주파수 특성 신호로부터 훈련용 DNN에 의해 복원된 주파수 도메인 훈련 신호의 비교 결과에 따라 훈련되며,
상기 훈련용 주파수 특성 신호는, 상기 제 1 DNN에 기반하여 상기 주파수 도메인 훈련 신호로부터 획득된, 오디오 신호의 처리 장치.
제10항에 있어서,
상기 제 2 DNN은,
상기 제 1 훈련 신호로부터 상기 제 2 DNN을 통해 획득되는 제 2 훈련 신호와, 상기 제 1 훈련 신호로부터 다운스케일된 소-채널 훈련 신호의 비교 결과,
상기 제 1 훈련 신호와, 훈련용 오디오 데이터로부터 복원된 제 4 훈련 신호의 비교 결과, 및
상기 훈련용 주파수 특성 신호와, 상기 훈련용 오디오 데이터로부터 획득되는 훈련용 주파수 특성 신호 사이의 비교 결과 중 적어도 하나에 따라 훈련되는, 오디오 신호의 처리 장치.
제11항에 있어서,
상기 제 1 DNN과 제 2 DNN은 교대로 훈련되는, 오디오 신호의 처리 장치.
하나 이상의 인스트럭션들을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고,
상기 프로세서는,
입력 오디오 신호를 복호화함으로써 m개의 채널을 포함하는 제 3 오디오 신호 및 주파수 특성 신호를 생성하고,
제 3 DNN을 기반으로, 상기 주파수 특성 신호로부터 n개(n>m)의 채널을 포함하는 가중치 신호를 생성하고,
상기 제 3 오디오 신호로부터 제 4 DNN에 의해 생성되는 n개의 채널을 포함하는 중간 오디오 신호에 상기 가중치 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호를 생성하되,
상기 제 3 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하고,
상기 제 4 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호인, 오디오 신호의 처리 장치.
제13항에 있어서,
상기 제 4 DNN은,
상기 제 3 오디오 신호를 처리하여 통합 특성 신호를 획득하고, 상기 통합 특성 신호에 포함된 오디오 특성 신호로부터 상기 중간 오디오 신호를 출력하며,
상기 주파수 특성 신호는, 상기 통합 특성 신호로부터 추출되어 상기 제 3 DNN으로 입력되는, 오디오 신호의 처리 장치.
제14항에 있어서,
상기 주파수 특성 신호는,
상기 통합 특성 신호의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널의 샘플들 또는 마지막 채널로부터 연속된 소정 개수의 채널의 샘플들을 포함하는, 오디오 신호의 처리 장치.
제14항에 있어서,
상기 제 3 DNN과 상기 제 4 DNN은, 상기 주파수 특성 신호 및 상기 오디오 특성 신호를 각각 처리하여 상기 제 4 오디오 신호의 시간 길이와 동일한 시간 길이의 상기 가중치 신호와 상기 중간 오디오 신호를 출력하는, 오디오 신호의 처리 장치.
제13항에 있어서,
상기 프로세서는,
상기 중간 오디오 신호의 샘플들과 상기 가중치 신호의 샘플들을 곱하여 상기 제 4 오디오 신호를 획득하는, 오디오 신호의 처리 장치.
제13항에 있어서,
상기 제 3 DNN 및 제 4 DNN은,
제 1 훈련 신호로부터 제 2 DNN을 통해 획득되는 제 2 훈련 신호와, 상기 제 1 훈련 신호로부터 다운스케일된 소-채널 훈련 신호의 비교 결과,
상기 제 1 훈련 신호와, 훈련용 오디오 데이터로부터 상기 제 3 DNN과 상기 제 4 DNN을 통해 복원된 제 4 훈련 신호의 비교 결과, 및
제 1 DNN을 통해 획득되는 훈련용 주파수 특성 신호와, 상기 훈련용 오디오 데이터로부터 상기 제 4 DNN을 통해 획득된 훈련용 주파수 특성 신호 사이의 비교 결과 중 적어도 하나에 따라 훈련되는, 오디오 신호의 처리 장치.
오디오 신호의 처리 장치에 의한 오디오 신호의 처리 방법에 있어서,
n개(n은 1보다 큰 자연수)의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하는 단계;
제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하는 단계;
제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m은 n보다 작은 자연수)의 채널을 포함하는 제 2 오디오 신호를 생성하는 단계; 및
상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하는 단계를 포함하되,
상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고,
상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하는, 오디오 신호의 처리 방법.
오디오 신호의 처리 장치에 의한 오디오 신호의 처리 방법에 있어서,
입력 오디오 신호를 복호화함으로써 m개의 채널을 포함하는 제 3 오디오 신호 및 주파수 특성 신호를 생성하는 단계;
제 3 DNN을 기반으로, 상기 주파수 특성 신호로부터 n개(n>m)의 채널을 포함하는 가중치 신호를 생성하는 단계; 및
상기 제 3 오디오 신호로부터 제 4 DNN에 의해 생성되는 n개의 채널을 포함하는 중간 오디오 신호에 상기 가중치 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호를 생성하는 단계를 포함하고,
상기 제 3 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하고,
상기 제 4 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호인, 오디오 신호의 처리 방법.
하드웨어와 결합하여 제19항의 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.