KR20220085481A - 영상 처리 방법 및 영상 처리 장치 - Google Patents

영상 처리 방법 및 영상 처리 장치 Download PDF

Info

Publication number
KR20220085481A
KR20220085481A KR1020200175575A KR20200175575A KR20220085481A KR 20220085481 A KR20220085481 A KR 20220085481A KR 1020200175575 A KR1020200175575 A KR 1020200175575A KR 20200175575 A KR20200175575 A KR 20200175575A KR 20220085481 A KR20220085481 A KR 20220085481A
Authority
KR
South Korea
Prior art keywords
image
input image
feature
image processing
guide
Prior art date
Application number
KR1020200175575A
Other languages
English (en)
Inventor
김지혜
이선민
김종석
김희원
한승주
한재준
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200175575A priority Critical patent/KR20220085481A/ko
Priority to US17/356,801 priority patent/US11823351B2/en
Publication of KR20220085481A publication Critical patent/KR20220085481A/ko
Priority to US18/380,281 priority patent/US20240037703A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

영상 처리 방법은 입력 영상 및 입력 영상에 대응되는 가이드 영상을 수신하고, 입력 영상 및 가이드 영상으로부터 영상의 화질 향상을 위한 유용한 특징들을 추출하고, 유용한 특징들 중 입력 영상을 위한 제1 특징을 선택적으로 획득하며, 제1 특징을 기초로 입력 영상에 대한 영상 처리를 수행한다.

Description

영상 처리 방법 및 영상 처리 장치{METHOD AND APPARATUS OF IMAGE PROCESSING}
아래의 실시예들은 영상 처리 방법 및 영상 처리 장치에 관한 것이다.
영상 인식(image recognition) 또는 장면 이해(scene understanding)에 있어 3차원 정보의 활용은 매우 중요하다. 2차원의 공간 정보에 깊이(depth) 정보를 추가하는 것은 객체(object)의 공간 상의 분포를 예측할 수 있게 한다. 깊이 정보는 예를 들어, 깊이 카메라를 통해 촬영된 깊이 영상으로부터 획득될 수 있으므로 깊이 영상을 촬영하지 못하는 경우, 객체의 공간 상의 분포를 예측하기 어렵다. 또한, 깊이 정보의 획득이 가능하다고 하더라도 깊이 카메라의 사양에 따라서 깊이 영상으로부터 얻을 수 있는 깊이 정보의 품질 및 정보량이 달라질 수 있다.
일 실시예에 따르면, 영상 처리 방법은 입력 영상 및 상기 입력 영상에 대응되는 가이드 영상(guide image)을 수신하는 단계; 상기 입력 영상 및 상기 가이드 영상으로부터 영상의 화질 향상을 위한 유용한 특징들(informative information)을 추출하는 단계; 상기 유용한 특징들 중 상기 입력 영상을 위한 제1 특징을 선택적으로 획득하는 단계; 및 상기 제1 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행하는 단계를 포함한다.
상기 입력 영상은 깊이 영상(depth image)을 포함하고, 상기 가이드 영상은 적외선 영상(IR image)을 포함할 수 있다.
상기 유용한 특징들을 추출하는 단계는 상기 입력 영상 및 상기 가이드 영상으로부터 지도 학습(supervised)에 의해 상기 유용한 특징들을 추정하는 단계를 포함할 수 있다.
상기 유용한 특징들은 상기 입력 영상의 에지(edge), 상기 가이드 영상의 에지, 상기 입력 영상의 그래디언트(gradient), 상기 가이드 영상의 그래디언트, 상기 입력 영상으로부터 추정되는 표면 법선(surface normal)의 각 방향 벡터의 크기를 강도(intensity)로 가지는 표면 법선 맵(surface normal map), 상기 입력 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 상기 입력 영상으로부터 추정되는 깊이 강도(depth intensity), 상기 가이드 영상으로부터 추정되는 표면 법선의 각 방향 벡터의 크기를 강도로 가지는 표면 법선 맵, 상기 가이드 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 및 상기 가이드 영상에 대응하는 세그먼테이션 맵 중 적어도 하나를 포함할 수 있다.
상기 제1 특징을 선택적으로 획득하는 단계는 집중 네트워크(attention network)를 이용하여 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득하는 단계를 포함할 수 있다.
상기 제1 특징을 선택적으로 획득하는 단계는 상기 유용한 특징들을 상기 집중 네트워크에 인가함으로써 상기 유용한 특징들 중 상기 입력 영상의 공간(spatial) 및 채널(channel) 중 적어도 하나를 위한 상기 제1 특징을 선택적으로 획득할 수 있다.
상기 제1 특징을 선택적으로 획득하는 단계는 상기 유용한 특징들을 채널 집중(channel attention)을 사용하는 제1 집중 네트워크에 인가함으로써 상기 입력 영상의 채널(channel) 별로 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득하는 단계를 포함할 수 있다.
상기 영상 처리 방법은 상기 입력 영상으로부터 영상 특징들을 추출하는 단계; 및 상기 영상 특징들 중 상기 입력 영상을 위한 제2 특징을 선택적으로 획득하는 단계를 더 포함하고, 상기 영상 처리를 수행하는 단계는 상기 제1 특징 및 상기 제2 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행하는 단계를 포함할 수 있다.
상기 입력 영상에 대한 영상 처리를 수행하는 단계는 상기 제1 특징 및 상기 제2 특징을 통합(aggregation)하여 상기 입력 영상에 대한 영상 처리를 수행하는 단계를 포함할 수 있다.
상기 제2 특징을 선택적으로 획득하는 단계는 상기 영상 특징들을 공간 집중(spatial attention)을 사용하는 제2 집중 네트워크에 인가함으로써 상기 입력 영상의 영역(region) 별로 상기 제2 특징을 선택적으로 획득하는 단계를 포함할 수 있다.
일 실시예에 따르면, 영상 처리 장치는 입력 영상 및 상기 입력 영상에 대응되는 가이드 영상을 수신하는 통신 인터페이스; 및 상기 입력 영상 및 상기 가이드 영상으로부터 영상의 화질 향상을 위한 유용한 특징들을 추출하고, 상기 유용한 특징들 중 상기 입력 영상을 위한 제1 특징을 선택적으로 획득하며, 상기 제1 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행하는 프로세서를 포함한다.
상기 프로세서는 상기 입력 영상 및 상기 가이드 영상으로부터 지도 학습에 의해 상기 유용한 특징들을 추정할 수 있다.
상기 유용한 특징들은 상기 입력 영상의 에지, 상기 가이드 영상의 에지, 상기 입력 영상의 그래디언트, 상기 가이드 영상의 그래디언트, 상기 입력 영상으로부터 추정되는 표면 법선의 각 방향 벡터의 크기를 강도로 가지는 표면 법선 맵, 상기 입력 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 상기 입력 영상으로부터 추정되는 중간 단계의 깊이 강도, 상기 가이드 영상으로부터 추정되는 표면 법선의 각 방향 벡터의 크기를 강도로 가지는 표면 법선 맵, 상기 가이드 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 및 상기 가이드 영상에 대응하는 세그먼테이션 맵 중 적어도 하나를 포함할 수 있다.
상기 프로세서는 집중 네트워크를 이용하여 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득할 수 있다.
상기 프로세서는 상기 유용한 특징들을 상기 집중 네트워크에 인가함으로써 상기 유용한 특징들 중 상기 입력 영상의 공간 및 채널 중 적어도 하나를 위한 상기 제1 특징을 선택적으로 획득할 수 있다.
상기 프로세서는 상기 유용한 특징들을 채널 집중을 사용하는 제1 집중 네트워크에 인가함으로써 상기 입력 영상의 채널 별로 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득할 수 있다.
상기 프로세서는 상기 입력 영상으로부터 영상 특징들을 추출하고, 상기 영상 특징들 중 상기 입력 영상을 위한 제2 특징을 선택적으로 획득하며, 상기 제1 특징 및 상기 제2 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행할 수 있다.
상기 프로세서는 상기 제1 특징 및 상기 제2 특징을 통합하여 상기 입력 영상에 대한 영상 처리를 수행할 수 있다.
상기 프로세서는 상기 영상 특징들을 공간 집중을 사용하는 제2 집중 네트워크에 인가함으로써 상기 입력 영상의 영역 별로 상기 제2 특징을 선택적으로 획득할 수 있다.
도 1은 일 실시예에 따른 영상 처리 방법을 나타낸 흐름도.
도 2는 일 실시예에 따른 가이드 영상의 특징을 설명하기 위한 도면.
도 3 내지 도 6은 실시예들에 따른 영상 처리 장치의 구성 및 동작을 설명하기 위한 도면들.
도 7은 일 실시예에 따른 영상 처리 장치의 블록도.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 영상 처리 방법을 나타낸 흐름도이다. 도 1을 참조하면, 일 실시예에 따른 영상 처리 장치가 단계(110) 내지 단계(140)을 통해 입력 영상의 화질을 개선하는 과정이 도시된다.
단계(110)에서, 영상 처리 장치는 입력 영상 및 입력 영상에 대응되는 가이드 영상(guide image)을 수신한다. 입력 영상은 예를 들어, 깊이 영상(depth image)을 포함할 수 있다. 깊이 영상은 예를 들어, 깊이 카메라에 의해 촬영된 것일 수도 있고, 또는 스테레오 카메라에 의해 촬영된 영상일 수도 있다. 또한, 가이드 영상은 예를 들어, 적외선 영상(IR image)을 포함할 수 있다. 가이드 영상은 예를 들어 ToF(Time of Flight) 카메라 센서에 의해 감지된 적외선(InfraRed; IR) 영상 또는 적외선 강도(IR Intensity) 영상일 수 있다. 여기서, '입력 영상에 대응되는 가이드 영상'은 입력 영상과 동일한 위치의 동일한 대상을 촬영한 가이드 영상으로 이해될 수 있다. 가이드 영상의 특징에 대하여는 아래의 도 2를 참조하여 보다 구체적으로 설명한다.
단계(120)에서, 영상 처리 장치는 단계(110)에서 수신한 입력 영상 및 가이드 영상으로부터 영상의 화질 향상을 위한 유용한 특징들(informative information)을 추출한다. 단계(120)에서, 영상 처리 장치는 입력 영상 및 가이드 영상으로부터 지도 학습(supervised)에 의해 유용한 특징들을 추정할 수 있다. 영상 처리 장치는 지도 학습된 신경망에 의해 가이드 영상으로부터 보다 풍부한 정보를 갖는 특징들을 추출하거나, 또는 추출된 특징들이 의미가 있는 정보들로 구성되도록 유용한 특징들을 명시적으로 설정하여 추정할 수 있다.
여기서, '유용한 특징들'은 입력 영상 및 가이드 영상 각각으로부터 추출 및/또는 추정되는 영상화 표현이 가능한 다양한 형태의 특징들에 해당할 수 있다. 또한, 유용한 특징들은 입력 영상과 가이드 영상의 결합에 의해 추출 및/또는 추정되는 영상화 표현이 가능한 다양한 형태의 특징들에 해당할 수 있다. 유용한 특징들은 예를 들어, 입력 영상의 에지(edge), 가이드 영상의 에지, 입력 영상의 x, y 방향의 그래디언트(gradient), 가이드 영상의 x, y 방향의 그래디언트, 입력 영상으로부터 추정되는 표면 법선(surface normal)의 각 방향 벡터의 크기를 강도(intensity)로 가지는 표면 법선 맵(surface normal map), 입력 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 입력 영상으로부터 추정되는 깊이 강도(depth intensity), 가이드 영상으로부터 추정되는 표면 법선의 각 방향 벡터의 크기를 강도로 가지는 표면 법선 맵, 가이드 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 및 가이드 영상에 대응하는 세그먼테이션 맵 중 적어도 하나를 포함할 수 있다. 여기서, 입력 영상으로부터 추정되는 깊이 강도는 입력 영상으로부터 신경망을 통해 깊이 강도를 추출하는 중간(Intermediate) 과정에서 산출되는 깊이 강도에 해당할 수 있다. 표면 법선 맵은 해당 객체의 표면의 법선 벡터의 값을 저장하고 있는 맵에 해당할 수 있다. 표면 법선 맵은 예를 들어, 각도화 영상일 수도 있고, 또는 벡터 크기 영상일 수도 있다. 단계(120)은 입력 영상 및 가이드 영상으로부터 획득할 수 있는 다양한 형태의 특징들을 추출하는 과정에 해당할 수 있다.
단계(130)에서, 영상 처리 장치는 단계(120)에서 추출한 유용한 특징들 중 입력 영상을 위한 제1 특징을 선택적으로 획득한다. 여기서, '입력 영상을 위한' 특징은 입력 영상에서 이용 가능한 형태의 특징 또는 입력 영상에 적용 가능한 형태의 특징으로 이해될 수 있다. 이하, '제1 특징'은 입력 영상 및 가이드 영상으로부터 추출된 유용한 특징들 중 선택된 특징으로 이해될 수 있다.
단계(130)에서, 영상 처리 장치는 집중 네트워크(attention network)를 이용하여 유용한 특징들 중 입력 영상을 위한 제1 특징을 선택적으로 획득할 수 있다. 영상 처리 장치는 유용한 특징들을 집중 네트워크에 인가함으로써 유용한 특징들 중 입력 영상의 공간(spatial) 및 채널(channel) 중 적어도 하나를 위한 제1 특징을 선택적으로 획득할 수 있다. 영상 처리 장치는 집중 네트워크를 이용하여 유용한 특징들 중 원하는 특징(예를 들어, 입력 영상의 공간 및/또는 채널에 적용 가능한 특징)을 선택할 수 있다. 영상 처리 장치는 집중 네트워크를 통해 원하는 특징을 선택함으로써 적외선 영상으로부터 깊이 영상에 부적절한 질감이 복사되는 현상을 방지하는 한편, 깊이 영상에 주요한 성분 또는 특징의 전달을 극대화할 수 있다.
여기서, '집중 네트워크'는 딥러닝 모델이 특정 벡터에 집중(attention)하게 만들어 네트워크의 성능을 높일 수 있다. 집중 네트워크는 예를 들어, 유용한 특징들과 같은 입력으로부터 벡터를 생성하는 인코더(encoder)와 인코더가 출력한 벡터로부터 목표로 하는 결과에 해당하는 입력 영상의 특정 영역에 유용한 특징을 출력하는 디코더(decoder)를 포함하는 인코더-디코더 구조로 구성될 수 있으며, 반드시 이에 한정되지는 않는다.
단계(130)에서, 영상 처리 장치는 단계(120)에서 추출한 유용한 특징들을 채널 집중(channel attention)을 사용하는 제1 집중 네트워크에 인가함으로써 입력 영상의 채널(channel) 별로 상기 유용한 특징들 중 제1 특징을 선택적으로 획득할 수 있다.
실시예에 따라서, 영상 처리 장치는 단계(130)에서, 입력 영상으로부터 영상 특징들을 추출할 수 있다. 영상 처리 장치는 예를 들어, 아래의 도 4에 도시된 것과 같이 컨볼루션 신경망(Convolution Neural Network; CCN)(도 4의 450 참조)에 의해 입력 영상으로부터 영상 특징들을 추출할 수 있다. 또는 입력 영상이 노이즈(noise)가 포함된 깊이 영상인 경우, 영상 처리 장치는 예를 들어, 아래의 도 5에 도시된 것과 같이 노이즈 제거기(도 5의 550 참조)를 통해 입력 영상으로부터 노이즈를 제거하고, 노이즈가 제거된 영상으로부터 영상 특징들을 추출할 수도 있다.
영상 처리 장치는 영상 특징들 중 입력 영상을 위한 제2 특징을 선택적으로 획득할 수 있다. 영상 처리 장치는 예를 들어, 영상 특징들을 공간 집중(spatial attention)을 사용하는 제2 집중 네트워크에 인가함으로써 입력 영상의 영역(region) 별로 제2 특징을 선택적으로 획득할 수 있다. 이하, '제2 특징'은 입력 영상으로부터 추출된 특징들 중 입력 영상의 화질 개선을 위해 선택된 특징으로 이해될 수 있다.
단계(140)에서, 영상 처리 장치는 단계(130)에서 획득한 제1 특징을 기초로, 입력 영상에 대한 영상 처리를 수행한다. 예를 들어, 단계(130)에서 제1 특징 이외에 제2 특징을 선택적으로 획득한 경우, 단계(140)에서 영상 처리 장치는 제1 특징 및 제2 특징을 기초로, 입력 영상에 대한 영상 처리를 수행할 수 있다. 영상 처리 장치는 예를 들어, 제1 특징 및 제2 특징을 통합(aggregation)하여 입력 영상에 대한 영상 처리를 수행할 수 있다. 여기서, '입력 영상에 대한 영상 처리'는 예를 들어, 입력 영상에 정보를 추가함으로써 화질을 개선하는 영상 처리에 해당할 수 있다.
도 2는 일 실시예에 따른 가이드 영상의 특징을 설명하기 위한 도면이다. 도 2를 참조하면, 일 실시예에 따른 ToF 카메라 센서를 이용하여 획득한 가이드 영상으로부터 획득 가능한 특징들을 설명하기 위한 도면이 도시된다.
가이드 영상은 예를 들어, ToF(Time of Flight) 카메라 센서에 의해 감지된 적외선(InfraRed; IR) 영상 또는 적외선 강도(IR Intensity) 영상일 수 있다. ToF 카메라 센서는 예를 들어, 적외선 광원 또는 투광 조명 센서와 같은 IR 발광부를 통해 대상체(200)의 표면(210)에 입사광(적외선 파장)을 쏘아보내고, IR 수광부가 대상체(200)의 표면(210)으로부터 반사되어 돌아오는 반사광을 수신하기까지 걸리는 비상(Flight) 시간을 측정하여 대상체(200)와의 거리를 환산하는 방식으로 동작할 수 있다. ToF 카메라 센서는 적외선을 쏘아 대상체(200)를 스캔(scan)하므로 ToF 카메라 센서를 통해 획득한 가이드 영상은 대상체(200)에 대한 3D 스캔 정보를 획득할 수 있다.
또한, 가이드 영상은 대상체(200)의 색상 및 반사도를 포함하는 재질 특성, 대상체 표면(210)의 법선 방향(normal), 대상체(200)에 대한 입사광 방향, 및 대상체(200)와의 거리 등과 같은 특징을 포함할 수 있다.
도 3은 일 실시예에 따른 영상 처리 장치의 구성 및 동작을 설명하기 위한 도면이다. 도 3을 참조하면, 영상 처리 장치는 입력 영상(310) 및 가이드 영상(320)으로부터 입력 영상(310)의 화질 향상을 위한 유용한 특징들(335)을 추출할 수 있다. 입력 영상(310)은 예를 들어, 노이즈가 포함된 깊이 영상일 수 있다. 또한, 가이드 영상(320)은 예를 들어, 도 2와 같은 ToF 카메라 센서를 통해 획득한 단일 적외선 영상일 수 있다.
영상 처리 장치는 예를 들어, 특징 추출기(feature extractor) (330) 또는 인코더(encoder) 등과 같이 지도 학습된(supervised) 신경망에 의해 입력 영상(310) 및/또는 가이드 영상(320)으로부터 유용한 특징들(335)을 추출할 수 있다. 이때, 특징 추출기(330)는 입력 영상(310) 및/또는 가이드 영상(320)으로부터 얻을 수 있는 정보를 명시적인 지도 학습(supervision)에 의해 가이드 함으로써 입력 영상(310)의 화질 개선을 위한 유용한 특징들(335)을 추출할 수 있다.
영상 처리 장치는 집중 네트워크(340)를 이용하여 유용한 특징들(335) 중 입력 영상을 위한 제1 특징을 선택적으로 획득할 수 있다. 영상 처리 장치는 입력 영상(310)과 제1 특징을 결합(345)하여 입력 영상(310)의 해상도 또는 깊이 정보를 개선된 출력 영상(350)을 생성할 수 있다.
영상 처리 장치는 가이드 영상(320)을 입력 영상(310)과 함께 딥 러닝(Deep learning)에 의해 트레이닝하여 얼굴의 주요 특징을 보전하면서 입력 영상(310)을 복원할 수 있다.
도 4는 일 실시예에 따른 영상 처리 장치의 구성 및 동작을 설명하기 위한 도면이다. 도 4를 참조하면, 영상 처리 장치가 가이드 영상(420)인 단일 적외선 영상에 의해 입력 영상(410)인 노이즈가 있는 깊이 영상을 향상시켜 향상된 깊이 정보를 얻는 구조가 도시된다.
영상 처리 장치는 입력 영상(410)과 가이드 영상(420)으로부터 유용한 특징들(430)을 추출할 수 있다. 유용한 특징들(430)은 전술한 것과 같이 다양한 형태로 영상화 표현이 가능한 특징들에 해당할 수 있다. 유용한 특징들(430)은 입력 영상(410) 및/또는 가이드 영상(420) 각각의 에지 및/또는 그래디언트일 수 있다. 또는 유용한 특징들(430)은 입력 영상(410) 및/또는 가이드 영상(420)으로부터 추정될 수 있는 다른 형태의 영상일 수 있다. 유용한 특징들(430)은 예를 들어, 입력 영상(410) 및/또는 가이드 영상(420)의 표면 법선(Surface normal)의 각 방향 벡터의 크기를 강도로 가지는 영상 형태이거나, 또는 법선(normal)의 각도를 강도로 가지는 영상 형태일 수 있다. 이 밖에도, 유용한 특징들(430)은 세그먼테이션 맵이나 신경망을 통해 깊이 값을 추정하는 중간 단계의 결과물일 수도 있다. 유용한 특징들(430)은 특징을 추출하는 신경망에 대한 지도 학습을 통해 추정될 수도 있다. 또한, 유용한 특징들(430)에는 별도의 지도 학습이 없이 추출된 다양한 특징들이 추가될 수 있다.
전술한 유용한 특징들(430)이 입력 영상(410)의 깊이를 개선하는데 결과적으로는 도움이 되지만, 입력 영상(410)의 모든 영역 별로 동일하게 도움이 되는 것은 아니다. 유용한 특징들(430)이 입력 영상(410)의 깊이 또는 해상도를 개선하는 데에 도움이 되는지 여부는 입력 영상(410)의 영역 별(또는 공간 별)로 달라질 수 있다. 예를 들어, 깊이를 가질 수 없는 가이드 영상(420)의 정보가 깊이로 전환(transfer)경우, 입력 영상(410)의 A 영역 또는 X 채널의 깊이는 가이드 영상(420)의 정보로 인해 결함(artifact)을 초래할 수 있다.
따라서, 영상 처리 장치는 제1 집중 네트워크를 이용하여 유용한 특징들(430) 중 입력 영상(410)의 A 영역에 유용한 특징('제1 특징')(440)을 선택적으로 획득할 수 있다. 또는 영상 처리 장치는 유용한 특징들(430)에 포함된 다중 채널 특징(435) 중 제1 집중 네트워크를 이용하여 입력 영상(410)의 X 채널에 유용한 제1 특징(440)을 선택적으로 획득할 수도 있다. 이때, 집중 네트워크의 집중 방향은 예를 들어, 입력 영상(410)의 채널 또는 공간 등에 다양하게 적용될 수 있다.
또한, 영상 처리 장치는 컨볼루션 신경망(450)에 의해 입력 영상(410)으로부터 영상 특징들을 추출하고, 제2 집중 네트워크를 이용하여 영상 특징들 중 입력 영상(410)을 위한 특징('제2 특징')(460)을 선택적으로 획득할 수 있다. 이렇게 선택적으로 획득된 제2 특징(460)은 제1 특징(440)과 결합되어 최종 깊이를 형성할 수 있다.
다시 말해, 두 영상으로부터 다양한 정보를 얻었다고 하더라도, 이를 모두 사용하는 것은 예를 들어, 깊이와 무관한 텍스쳐 정보를 그대로 복사하는 텍스쳐 복사(texture copying)와 같은 부적절한 전환(improper transfer) 현상을 초래할 수 있다. 따라서, 영상 처리 장치는 두 영상으로부터 영역 별로 다르게 정보를 획득해야 할 수도 있고, 채널 별로 다르게 정보를 획득해야 할 수도 있다. 영상 처리 장치는 추출한 정보 또는 특징들을 공간 집중(spatial attention) 또는 채널 집중(channel attention)을 사용한 집중 네트워크에 통과시켜 최종적으로 깊이로 전환할 특징만을 선택할 수 있다.
영상 처리 장치는 입력 영상(410)의 부정확한 깊이 정보를 보완할 수 있는 특징을 집중 네트워크를 통해 선택적으로 획득함으로써 최종적인 출력 영상(480)에서의 오류를 방지할 수 있다.
도 5는 일 실시예에 따른 영상 처리 장치의 구성 및 동작을 설명하기 위한 도면이다. 도 5를 참조하면, 예를 들어, 영상 처리 장치가 가이드 영상(520)인 단일 적외선 영상에 의해 입력 영상(510)인 노이즈가 있는 깊이 영상을 향상시켜 향상된 깊이 정보를 포함하는 출력 영상을 얻는 구조가 도시된다.
영상 처리 장치는 입력 영상(510)과 가이드 영상(520)으로부터 유용한 특징들(535)을 추출할 수 있다(530). 유용한 특징들(535)은 예를 들어, 재질, 색상, 반사도, 법선, 입력 영상의 에지, x축 방향의 에지, y 축 방향의 에지, 가이드 영상의 에지 등과 같은 유용한 특징들을 포함할 수 있다.
영상 처리 장치는 제1 집중 네트워크(540)를 이용하여 유용한 특징들(535) 중 입력 영상(510)에 유용한 제1 특징을 선택적으로 획득할 수 있다. 영상 처리 장치는 제1 집중 네트워크(540)를 통해 적외선 영상인 가이드 영상(520)으로부터 추출된 정보 중 입력 영상(510)을 위해 전달하고자 하는 정보(예를 들어, 깊이 관련 정보)는 채널 별 및/또는 공간 별로 선택적으로 전달하고, 전달하고 싶지 않은 정보(예를 들어, 텍스쳐 정보)는 전달되지 않도록 할 수 있다.
또한, 영상 처리 장치는 노이즈 제거기(Denoiser)(550)에 의해 입력 영상(510)으로부터 노이즈를 제거하고, 제2 집중 네트워크(560)를 이용하여 노이즈가 제거된 입력 영상(510)으로부터 제2 특징을 선택적으로 획득할 수 있다.
영상 처리 장치는 제1 집중 네트워크(540)로부터 출력된 제1 특징과 제2 네트워크(560)로부터 출력된 제2 특징을 결합(570)하여 출력 영상(580)을 위한 최종 깊이를 형성할 수 있다.
도 6은 일 실시예에 따른 영상 처리 장치의 구성 및 동작을 설명하기 위한 도면이다. 도 6을 참조하면, 일 실시예에 따른 영상 처리 장치의 구성을 구체화한 실시예가 도시된다.
영상 처리 장치는 입력 영상(610)을 공간 집중 네트워크(Spatial Attention Net)(640)에 인가하여 제2 특징을 추출할 수 있다. 공간 집중 네트워크(640)는 예를 들어, 인코더(encoder)-디코더(decoder) 구조를 갖는 신경망일 수 있으며, 반드시 이에 한정되지는 않는다.
영상 처리 장치는 시그모이드 함수(sigmoid function)(645)에 의해 제2 특징을 0에서 1 사이의 값 또는 -1에서 1 사이의 값으로 변환할 수 있다. 여기서, 시그모이드 함수(645)는 실수 전체를 정의역으로 가지며, 반환 값은 0에서 1까지 또는 -1에서 1까지의 범위를 가질 수 있다. 시그모이드 함수(645)는 예를 들어, 공간 집중 네트워크(640)에서 인공 뉴런의 활성화 함수로 사용될 수 있다. 시그모이드 함수(645)에 의해 0에서 1 사이(또는 -1에서 1사이)의 값으로 변환된 제2 특징은 입력 영상(610)과 결합(647)되어 가중치로 활용될 수 있다.
또한, 영상 처리 장치는 입력 영상(610)과 가이드 영상(620)으로부터 유용한 특징들(638)을 획득할 수 있다. 보다 구체적으로, 영상 처리 장치는 에지 추출기(Edge Extractor)(631)를 통해 입력 영상(610)으로부터 에지(632)를 추출할 수 있다. 에지(632)는 깊이 영상의 에지에 해당할 수 있다. 영상 처리 장치는 에지 추출기(635)를 통해 가이드 영상(620)으로부터 에지(636)를 추출할 수 있다. 에지(636)는 적외선 영상의 에지에 해당할 수 있다. 또한, 영상 처리 장치는 법선 네트워크(Normal Network)(633)를 통해 입력 영상(610) 및 가이드 영상(620)으로부터 표면 법선 맵(634)을 추출할 수 있다. 법선 네트워크(633)는 영상들로부터 표면 법선 맵(634)을 추출하도록 미리 트레이닝된 신경망일 수 있다. 법선 네트워크(633)는 예를 들어, 인코더-디코더 구조를 갖는 신경망일 수 있으며, 반드시 이에 한정되지는 않는다.
영상 처리 장치는 깊이 영상의 에지(632), 표면 법선 맵(634), 및 적외선 영상의 에지(636) 등을 포함하는 유용한 특징들(638)을 채널 집중 네트워크(Channel Attention Net)(650)로 입력할 수 있다. 채널 집중 네트워트(650)를 통해 추출된 제1 특징은 시그모이드 함수(655)에 의해 0에서 1 사이의 값(또는 -1에서 1 사이의 값)으로 변환될 수 있다. 시그모이드 함수(655)에 의해 변환된 제1 특징은 유용한 특징들(638)과 결합(670)되어 입력 영상(610)에 대한 유용한 특징들(638)의 가중치로 활용될 수 있다.
영상 처리 장치는 결합(647)의 결과 및 결합(670)의 결과를 최종적으로 합산하여 출력 영상(690)을 생성할 수 있다. 출력 영상(690)은 예를 들어, 화질이 개선된 깊이 영상에 해당할 수 있다.
도 7은 일 실시예에 따른 영상 처리 장치의 블록도이다. 도 7을 참조하면, 일 실시예에 따른 영상 처리 장치(700)는 통신 인터페이스(710), 프로세서(730), 및 메모리(750)를 포함한다. 영상 처리 장치(700)는 디스플레이(770)를 더 포함할 수 있다. 통신 인터페이스(710), 프로세서(730), 메모리(750), 및 디스플레이(770)는 통신 버스(705)를 통해 서로 연결될 수 있다.
통신 인터페이스(710)는 입력 영상 및 입력 영상에 대응되는 가이드 영상을 수신한다. 통신 인터페이스(710)는 프로세서(730)에 의해 영상 처리된 입력 영상을 출력할 수 있다.
프로세서(730)는 통신 인터페이스(710)를 통해 수신한 입력 영상 및 가이드 영상으로부터 영상의 화질 향상을 위한 유용한 특징들을 추출한다. 프로세서(730)는 유용한 특징들 중 입력 영상을 위한 제1 특징을 선택적으로 획득한다. 프로세서(730)는 제1 특징을 기초로, 입력 영상에 대한 영상 처리를 수행한다.
또한, 프로세서(730)는 도 1 내지 도 6 통해 전술한 적어도 하나의 방법 또는 적어도 하나의 방법에 대응되는 알고리즘을 수행할 수 있다. 프로세서(730)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 영상 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 지문 검출 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(Central Processing Unit; CPU), 그래픽 처리 장치(Graphic Processing Unit; GPU), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array), NPU(Neural Processing Unit) 등을 포함할 수 있다.
프로세서(730)는 프로그램을 실행하고, 영상 처리 장치(700)를 제어할 수 있다. 프로세서(730)에 의하여 실행되는 프로그램 코드는 메모리(750)에 저장될 수 있다.
메모리(750)는 통신 인터페이스(710)를 통해 수신한 입력 영상 및/또는 가이드 영상을 저장할 수 있다. 메모리(750)는 프로세서(730)가 입력 영상 및 가이드 영상으로부터 추출한 유용한 특징들을 저장할 수 있다. 메모리(750)는 프로세서(730)가 유용한 특징들 중 입력 영상을 위해 선택적으로 획득한 제1 특징을 저장할 수 있다. 또한, 메모리(750)는 프로세서(730)가 입력 영상에 대한 영상 처리를 수행한 결과에 해당하는 출력 영상을 저장할 수 있다.
이와 같이, 메모리(750)는 상술한 프로세서(730)의 처리 과정에서 생성되는 다양한 정보를 저장할 수 있다. 이 밖에도, 메모리(750)는 각종 데이터와 프로그램 등을 저장할 수 있다. 메모리(750)는 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(750)는 하드 디스크 등과 같은 대용량 저장 매체를 구비하여 각종 데이터를 저장할 수 있다.
실시예에 따라서, 영상 처리 장치(700)는 프로세서(730)에 의해 영상 처리된 영상을 디스플레이(770)를 통해 표시할 수도 있다. .
일 실시예에 따른 영상 처리 장치(700)는 예를 들어, 첨단 운전자 보조 시스템(Advanced Drivers Assistance System; ADAS), HUD(Head Up Display) 장치, 3D 디지털 정보 디스플레이(Digital Information Display, DID), 내비게이션 장치, 뉴로모픽 장치(neuromorphic device), 3D 모바일 기기, 스마트 폰, 스마트 TV, 스마트 차량, IoT(Internet of Things) 디바이스, 의료 디바이스, 및 계측 디바이스 등과 같이 다양한 분야의 장치에 해당할 수 있다. 여기서, 3D 모바일 기기는 예를 들어, 증강 현실(Augmented Reality; AR), 가상 현실(Virtual Reality; VR), 및/또는 혼합 현실(Mixed Reality; MR)을 표시하기 위한 디스플레이 장치, 머리 착용 디스플레이(Head Mounted Display; HMD) 및 얼굴 착용 디스플레이(Face Mounted Display; FMD) 등을 모두 포함하는 의미로 이해될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 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.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 입력 영상 및 상기 입력 영상에 대응되는 가이드 영상(guide image)을 수신하는 단계;
    상기 입력 영상 및 상기 가이드 영상으로부터 영상의 화질 향상을 위한 유용한 특징들(informative information)을 추출하는 단계;
    상기 유용한 특징들 중 상기 입력 영상을 위한 제1 특징을 선택적으로 획득하는 단계; 및
    상기 제1 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행하는 단계
    를 포함하는, 영상 처리 방법.
  2. 제1항에 있어서,
    상기 입력 영상은 깊이 영상(depth image)을 포함하고,
    상기 가이드 영상은 적외선 영상(IR image)을 포함하는, 영상 처리 방법.
  3. 제1항에 있어서,
    상기 유용한 특징들을 추출하는 단계는
    상기 입력 영상 및 상기 가이드 영상으로부터 지도 학습(supervised)에 의해 상기 유용한 특징들을 추정하는 단계
    를 포함하는, 영상 처리 방법.
  4. 제1항에 있어서,
    상기 유용한 특징들은
    상기 입력 영상의 에지(edge), 상기 가이드 영상의 에지, 상기 입력 영상의 그래디언트(gradient), 상기 가이드 영상의 그래디언트, 상기 입력 영상으로부터 추정되는 표면 법선(surface normal)의 각 방향 벡터의 크기를 강도(intensity)로 가지는 표면 법선 맵(surface normal map), 상기 입력 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 상기 입력 영상으로부터 추정되는 깊이 강도(depth intensity), 상기 가이드 영상으로부터 추정되는 표면 법선의 각 방향 벡터의 크기를 강도로 가지는 표면 법선 맵, 상기 가이드 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 및 상기 가이드 영상에 대응하는 세그먼테이션 맵 중 적어도 하나를 포함하는, 영상 처리 방법.
  5. 제1항에 있어서,
    상기 제1 특징을 선택적으로 획득하는 단계는
    집중 네트워크(attention network)를 이용하여 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득하는 단계
    를 포함하는, 영상 처리 방법.
  6. 제5항에 있어서,
    상기 제1 특징을 선택적으로 획득하는 단계는
    상기 유용한 특징들을 상기 집중 네트워크에 인가함으로써 상기 유용한 특징들 중 상기 입력 영상의 공간(spatial) 및 채널(channel) 중 적어도 하나를 위한 상기 제1 특징을 선택적으로 획득하는 단계
    를 포함하는, 영상 처리 방법.
  7. 제5항에 있어서,
    상기 제1 특징을 선택적으로 획득하는 단계는
    상기 유용한 특징들을 채널 집중(channel attention)을 사용하는 제1 집중 네트워크에 인가함으로써 상기 입력 영상의 채널(channel) 별로 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득하는 단계
    를 포함하는, 영상 처리 방법.
  8. 제1항에 있어서,
    상기 입력 영상으로부터 영상 특징들을 추출하는 단계; 및
    상기 영상 특징들 중 상기 입력 영상을 위한 제2 특징을 선택적으로 획득하는 단계
    를 더 포함하고,
    상기 영상 처리를 수행하는 단계는
    상기 제1 특징 및 상기 제2 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행하는 단계
    를 포함하는, 영상 처리 방법.
  9. 제8항에 있어서,
    상기 입력 영상에 대한 영상 처리를 수행하는 단계는
    상기 제1 특징 및 상기 제2 특징을 통합(aggregation)하여 상기 입력 영상에 대한 영상 처리를 수행하는 단계
    를 포함하는, 영상 처리 방법.
  10. 제8항에 있어서,
    상기 제2 특징을 선택적으로 획득하는 단계는
    상기 영상 특징들을 공간 집중(spatial attention)을 사용하는 제2 집중 네트워크에 인가함으로써 상기 입력 영상의 영역(region) 별로 상기 제2 특징을 선택적으로 획득하는 단계
    를 포함하는, 영상 처리 방법.
  11. 하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  12. 입력 영상 및 상기 입력 영상에 대응되는 가이드 영상을 수신하는 통신 인터페이스; 및
    상기 입력 영상 및 상기 가이드 영상으로부터 영상의 화질 향상을 위한 유용한 특징들을 추출하고, 상기 유용한 특징들 중 상기 입력 영상을 위한 제1 특징을 선택적으로 획득하며, 상기 제1 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행하는 프로세서
    를 포함하는, 영상 처리 장치.
  13. 제12항에 있어서,
    상기 프로세서는
    상기 입력 영상 및 상기 가이드 영상으로부터 지도 학습에 의해 상기 유용한 특징들을 추정하는, 영상 처리 장치.
  14. 제12항에 있어서,
    상기 유용한 특징들은
    상기 입력 영상의 에지, 상기 가이드 영상의 에지, 상기 입력 영상의 그래디언트, 상기 가이드 영상의 그래디언트, 상기 입력 영상으로부터 추정되는 표면 법선의 각 방향 벡터의 크기를 강도로 가지는 표면 법선 맵, 상기 입력 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 상기 입력 영상으로부터 추정되는 중간 단계의 깊이 강도, 상기 가이드 영상으로부터 추정되는 표면 법선의 각 방향 벡터의 크기를 강도로 가지는 표면 법선 맵, 상기 가이드 영상으로부터 추정되는 법선의 각도를 강도로 가지는 영상 형태의 특징, 및 상기 가이드 영상에 대응하는 세그먼테이션 맵 중 적어도 하나를 포함하는, 영상 처리 장치.
  15. 제12항에 있어서,
    상기 프로세서는
    집중 네트워크를 이용하여 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득하는, 영상 처리 장치.
  16. 제15항에 있어서,
    상기 프로세서는
    상기 유용한 특징들을 상기 집중 네트워크에 인가함으로써 상기 유용한 특징들 중 상기 입력 영상의 공간 및 채널 중 적어도 하나를 위한 상기 제1 특징을 선택적으로 획득하는, 영상 처리 장치.
  17. 제15항에 있어서,
    상기 프로세서는
    상기 유용한 특징들을 채널 집중을 사용하는 제1 집중 네트워크에 인가함으로써 상기 입력 영상의 채널 별로 상기 유용한 특징들 중 상기 제1 특징을 선택적으로 획득하는, 영상 처리 장치.
  18. 제12항에 있어서,
    상기 프로세서는
    상기 입력 영상으로부터 영상 특징들을 추출하고, 상기 영상 특징들 중 상기 입력 영상을 위한 제2 특징을 선택적으로 획득하며, 상기 제1 특징 및 상기 제2 특징을 기초로, 상기 입력 영상에 대한 영상 처리를 수행하는, 영상 처리 장치.
  19. 제18항에 있어서,
    상기 프로세서는
    상기 제1 특징 및 상기 제2 특징을 통합하여 상기 입력 영상에 대한 영상 처리를 수행하는, 영상 처리 장치.
  20. 제18항에 있어서,
    상기 프로세서는
    상기 영상 특징들을 공간 집중을 사용하는 제2 집중 네트워크에 인가함으로써 상기 입력 영상의 영역 별로 상기 제2 특징을 선택적으로 획득하는, 영상 처리 장치.
KR1020200175575A 2020-12-15 2020-12-15 영상 처리 방법 및 영상 처리 장치 KR20220085481A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200175575A KR20220085481A (ko) 2020-12-15 2020-12-15 영상 처리 방법 및 영상 처리 장치
US17/356,801 US11823351B2 (en) 2020-12-15 2021-06-24 Image processing method and image processing apparatus
US18/380,281 US20240037703A1 (en) 2020-12-15 2023-10-16 Image processing method and image processing apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200175575A KR20220085481A (ko) 2020-12-15 2020-12-15 영상 처리 방법 및 영상 처리 장치

Publications (1)

Publication Number Publication Date
KR20220085481A true KR20220085481A (ko) 2022-06-22

Family

ID=81941594

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200175575A KR20220085481A (ko) 2020-12-15 2020-12-15 영상 처리 방법 및 영상 처리 장치

Country Status (2)

Country Link
US (2) US11823351B2 (ko)
KR (1) KR20220085481A (ko)

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101502365B1 (ko) 2008-11-06 2015-03-13 삼성전자주식회사 삼차원 영상 생성기 및 그 제어 방법
KR101526866B1 (ko) 2009-01-21 2015-06-10 삼성전자주식회사 깊이 정보를 이용한 깊이 노이즈 필터링 방법 및 장치
US11826636B2 (en) * 2013-07-12 2023-11-28 Chris Argiro Depth sensing module and mobile device including the same
US9704054B1 (en) * 2015-09-30 2017-07-11 Amazon Technologies, Inc. Cluster-trained machine learning for image processing
US10295333B2 (en) 2015-12-30 2019-05-21 Bosch Automotive Service Solutions Inc. Tire tread depth measurement
US10055882B2 (en) * 2016-08-15 2018-08-21 Aquifi, Inc. System and method for three-dimensional scanning and for capturing a bidirectional reflectance distribution function
KR102707595B1 (ko) * 2016-12-01 2024-09-19 삼성전자주식회사 눈 검출 방법 및 장치
US10475165B2 (en) 2017-04-06 2019-11-12 Disney Enterprises, Inc. Kernel-predicting convolutional neural networks for denoising
US10496884B1 (en) * 2017-09-19 2019-12-03 Deepradiology Inc. Transformation of textbook information
KR20190040746A (ko) 2017-10-11 2019-04-19 주식회사 대진애니메이션 3차원 관심영역 복원 시스템 및 방법
CN107748869B (zh) * 2017-10-26 2021-01-22 奥比中光科技集团股份有限公司 3d人脸身份认证方法与装置
US10623787B1 (en) * 2017-11-01 2020-04-14 Amazon Technologies, Inc. Optimizing adaptive bit rate streaming for content delivery
KR102233099B1 (ko) 2017-12-05 2021-03-29 한국전자통신연구원 기계학습에 기반한 가상 현실 콘텐츠의 사이버 멀미도 예측 모델 생성 및 정량화 조절 장치 및 방법
US11132797B2 (en) 2017-12-28 2021-09-28 Topcon Corporation Automatically identifying regions of interest of an object from horizontal images using a machine learning guided imaging system
KR20190086320A (ko) 2018-01-12 2019-07-22 삼성전자주식회사 영상 처리 장치 및 방법
US11106898B2 (en) * 2018-03-19 2021-08-31 Buglife, Inc. Lossy facial expression training data pipeline
US11080590B2 (en) 2018-03-21 2021-08-03 Nvidia Corporation Stereo depth estimation using deep neural networks
KR102197732B1 (ko) 2018-04-06 2021-01-04 고려대학교 산학협력단 실내공간의 3차원 지도 생성 방법 및 장치
WO2019222467A1 (en) 2018-05-17 2019-11-21 Niantic, Inc. Self-supervised training of a depth estimation system
CN111066063B (zh) * 2018-06-29 2023-07-21 百度时代网络技术（北京）有限公司 利用卷积空间传播网络学习的亲和度进行深度估计的系统和方法
US10936861B2 (en) * 2018-09-28 2021-03-02 Aptiv Technologies Limited Object detection system of a vehicle
KR102692671B1 (ko) 2018-10-29 2024-08-06 삼성전자주식회사 이미지 생성 장치 및 방법과 생성 모델을 트레이닝시키는 장치 및 방법
US10460208B1 (en) 2019-01-02 2019-10-29 Cognata Ltd. System and method for generating large simulation data sets for testing an autonomous driver
US11429842B2 (en) * 2019-02-24 2022-08-30 Microsoft Technology Licensing, Llc Neural network for skeletons from input images
EP4004875A1 (en) * 2019-07-22 2022-06-01 Raytheon Company Cross-modality image generation
CN110942060B (zh) * 2019-10-22 2023-05-23 清华大学 基于激光散斑和模态融合的材质识别方法及装置
KR20210062381A (ko) * 2019-11-21 2021-05-31 삼성전자주식회사 라이브니스 검사 방법 및 장치, 생체 인증 방법 및 장치
US11195048B2 (en) * 2020-01-23 2021-12-07 Adobe Inc. Generating descriptions of image relationships
CN114257707A (zh) * 2020-09-21 2022-03-29 安霸国际有限合伙企业 具有彩色夜间模式的智能ip摄像头
US11328535B1 (en) * 2020-11-30 2022-05-10 Ionetworks Inc. Motion identification method and system

Also Published As

Publication number Publication date
US11823351B2 (en) 2023-11-21
US20240037703A1 (en) 2024-02-01
US20220188979A1 (en) 2022-06-16

Similar Documents

Publication Publication Date Title
US11557085B2 (en) Neural network processing for multi-object 3D modeling
Shivakumar et al. Dfusenet: Deep fusion of rgb and sparse depth information for image guided dense depth completion
KR102680385B1 (ko) 멀티 렌즈 영상 복원 장치 및 방법
US10043285B2 (en) Depth information extracting method based on machine learning and apparatus thereof
US10621729B2 (en) Adaptive focus sweep techniques for foreground/background separation
KR102483641B1 (ko) 양안 시차 영상의 처리 방법 및 장치
CN111489285B (zh) 利用循环gan将真实图像变换成虚拟图像的方法及装置
US9147265B2 (en) System and method for rapid cluster analysis of hyperspectral images
US20160142615A1 (en) Robust layered light-field rendering
US20170324950A1 (en) Methods and apparatus for controlling light field capture
US11222237B2 (en) Reinforcement learning model for labeling spatial relationships between images
CN115861601B (zh) 一种多传感器融合感知方法及装置
KR20210025942A (ko) 종단간 컨볼루셔널 뉴럴 네트워크를 이용한 스테레오 매칭 방법
KR20200045701A (ko) 소실점 검출을 위한 학습 방법, 소실점 검출 방법 및 장치
CN109003297A (zh) 一种单目深度估计方法、装置、终端和存储介质
KR20220038996A (ko) 특징 임베딩 방법 및 장치
KR20210056149A (ko) 깊이 영상 생성 방법 및 깊이 영상 생성 장치
US20230075050A1 (en) Kernel reshaping-powered splatting-based efficient image space lens blur
WO2023075885A1 (en) Denoising depth image data using neural networks
US20230057655A1 (en) Three-dimensional ranging method and device
KR20220085481A (ko) 영상 처리 방법 및 영상 처리 장치
Olszewski Hashcc: Lightweight method to improve the quality of the camera-less nerf scene generation
KR20150094108A (ko) 배경 영상의 위치를 이용한 관심맵 생성 방법 및 이를 기록한 기록 매체
JP2018081378A (ja) 画像処理装置、撮像装置、画像処理方法および画像処理プログラム
Ivan et al. A flexible and configurable GPGPU stereo matching framework

Legal Events

Date Code Title Description
A201 Request for examination