KR20220137459A

KR20220137459A - 기계 학습 기반 이미지 처리를 지원하기 위한 전자 장치

Info

Publication number: KR20220137459A
Application number: KR1020210043585A
Authority: KR
Inventors: 최우존; 도원준; 최재성
Original assignee: 삼성전자주식회사
Priority date: 2021-04-02
Filing date: 2021-04-02
Publication date: 2022-10-12
Also published as: WO2022211249A1

Abstract

다양한 실시예에서 전자 장치는, 카메라; 상기 카메라가 촬영할 피사체와 상기 카메라 사이에 위치한 디스플레이; 상기 카메라 및 상기 디스플레이에 연결된 프로세서; 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 카메라로부터 제1이미지를 수신하고, 상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하고, 상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하고, 상기 제3이미지의 해상도를 높여 제4이미지를 생성하고, 상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하도록 하는 인스트럭션들을 저장할 수 있다. 그 외에도, 다양한 실시예들이 가능하다.

Description

기계 학습 기반 이미지 처리를 지원하기 위한 전자 장치{ELECTRONIC DEVICE FOR SUPPORTING MACHINE LEARNING-BASED IMAGE PROCESSING}

다양한 실시예는 이미지의 화질을 개선하기 위해 기계 학습 기반의 인공 지능 모델을 이용한 이미지 처리 기술에 관한 것이다.

UDC(under display camera)는 디스플레이 아래에 배치됨으로써 디스플레이를 통해 빛을 받아들이는 카메라를 지칭할 수 있다. 디스플레이라는 장애물 때문에 UDC에 의해 촬영된 이미지에서 피사체가 왜곡된 모습으로 보일 수 있다. 예를 들어, 디스플레이의 픽셀과 배선이 반복되는 미세구조로 인해 빛이 회절될 수 있다. 이러한 회절 현상으로 인해, UDC 이미지에는 피사체에 실제 존재하지 않은 아티팩트(artifacts)(예: 빛 번짐 무늬)가 포함될 수 있다.

UDC 이미지는 기계 학습(예: 인공 신경망으로 구축된 딥러닝(deep learning)) 기반의 인공 지능 모델을 이용하여 후처리됨으로써 그 화질이 개선될 수 있다.

기계 학습 기반의 인공 지능 모델은 화질 개선에 효과적일 수 있다. 하지만, 화질 개선을 위한 연산 량이 많아 처리가 늦어져 화질 개선 효과가 오히려 반감될 수 있다.

다양한 실시예에서, 전자 장치는 UDC에서 촬영된 이미지의 화질을 빠르게 개선할 수 있다.

본 개시에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 실시예에서 전자 장치는, 카메라; 상기 카메라가 촬영할 피사체와 상기 카메라 사이에 위치한 디스플레이; 상기 카메라 및 상기 디스플레이에 연결된 프로세서; 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 카메라로부터 제1이미지를 수신하고, 상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하고, 상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하고, 상기 제3이미지의 해상도를 높여 제4이미지를 생성하고, 상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하도록 하는 인스트럭션들을 저장할 수 있다.

다양한 실시예에서 전자 장치를 동작하는 방법은, 상기 전자 장치의 카메라로부터 제1이미지를 수신하는 동작; 상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하는 동작; 상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하는 동작; 상기 제3이미지의 해상도를 높여 제4이미지를 생성하는 동작; 및 상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하는 동작을 포함할 수 있다.

다양한 실시예에서 기록 매체는 전자 장치의 프로세서로 판독 가능한 인스트럭션들(instructions)을 저장할 수 있다. 상기 인스트럭션들은, 상기 프로세서에 의해 실행될 때, 상기 프로세서가: 상기 전자 장치의 카메라로부터 제1이미지를 수신하는 동작; 상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하는 동작; 상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하는 동작; 상기 제3이미지의 해상도를 높여 제4이미지를 생성하는 동작; 및 상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하는 동작을 수행하도록 할 수 있다.

다양한 실시예에 따르면, 전자 장치는 UDC 이미지의 화질을 기계 학습 기반의 인공 지능 모델을 이용하여 효과적으로 그리고 빠르게 개선할 수 있다. 이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1 은, 다양한 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2 는, 다양한 실시예들에 따른, 카메라 모듈을 예시하는 블럭도이다.
도 3a는, 일 실시예에 따른, 바(bar) 타입의 하우징 구조를 갖는 전자 장치의 전면의 사시도이다.
도 3b는 도 3a의 전자 장치의 후면의 사시도이다.
도 4는, 다양한 실시예에 따른, 이미지의 화질을 개선하도록 구성된 전자 장치의 블록도이다.
도 5는, 일 실시예에 따른, 도 4의 모듈들 간의 연결을 나타낸 도면이다.
도 6은 도 5의 생성 모델이 학습할 때 이용되는 훈련 이미지를 나타낸다.
도 7a, 7b, 및 7c는 도 4의 전자 장치에서 처리된 이미지들을 예시한다.
도 8은, 일 실시예에 따른, UDC 이미지의 화질 개선을 위한 프로세서의 동작들을 설명하기 위한 흐름도이다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공 지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공 지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공 지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공 지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공 지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일 실시예에 따르면, 명령 또는 데이터는 제2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

도 2는, 다양한 실시예들에 따른, 카메라 모듈(180)을 예시하는 블럭도(200)이다. 도 2를 참조하면, 카메라 모듈(180)은 렌즈 어셈블리(210), 플래쉬(220), 이미지 센서(230), 이미지 스태빌라이저(240), 메모리(250)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(260)를 포함할 수 있다.

렌즈 어셈블리(210)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(210)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 복수의 렌즈 어셈블리(210)들을 포함할 수 있다. 이런 경우, 카메라 모듈(180)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(210)들 중 일부는 동일한 렌즈 속성(예: 화각, 초점 거리, 자동 초점, f 넘버(f number), 또는 광학 줌)을 갖거나, 또는 적어도 하나의 렌즈 어셈블리는 다른 렌즈 어셈블리의 렌즈 속성들과 다른 하나 이상의 렌즈 속성들을 가질 수 있다. 렌즈 어셈블리(210)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.

플래쉬(220)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일실시예에 따르면, 플래쉬(220)는 하나 이상의 발광 다이오드들(예: RGB(red-green-blue) LED, white LED, infrared LED, 또는 ultraviolet LED), 또는 xenon lamp를 포함할 수 있다.

이미지 센서(230)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(210)를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다. 일실시예에 따르면, 이미지 센서(230)는, 예를 들면, RGB 센서, BW(black and white) 센서, IR 센서, 또는 UV 센서와 같이 속성이 다른 이미지 센서들 중 선택된 하나의 이미지 센서, 동일한 속성을 갖는 복수의 이미지 센서들, 또는 다른 속성을 갖는 복수의 이미지 센서들을 포함할 수 있다. 이미지 센서(230)에 포함된 각각의 이미지 센서는, 예를 들면, CCD(charged coupled device) 센서 또는 CMOS(complementary metal oxide semiconductor) 센서를 이용하여 구현될 수 있다.

이미지 스태빌라이저(240)는 카메라 모듈(180) 또는 이를 포함하는 전자 장치(101)의 움직임에 반응하여, 렌즈 어셈블리(210)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(230)를 특정한 방향으로 움직이거나 이미지 센서(230)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정 등)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일실시예에 따르면, 이미지 스태빌라이저(240)는, 일실시예에 따르면, 이미지 스태빌라이저(240)은 카메라 모듈(180)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(180) 또는 전자 장치(101)의 그런 움직임을 감지할 수 있다. 일실시예에 따르면, 이미지 스태빌라이저(240)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다.

메모리(250)는 이미지 센서(230)을 통하여 획득된 이미지의 적어도 일부를 다음 이미지 처리 작업을 위하여 적어도 일시 저장할 수 있다. 예를 들어, 셔터에 따른 이미지 획득이 지연되거나, 또는 복수의 이미지들이 고속으로 획득되는 경우, 획득된 원본 이미지(예: Bayer-patterned 이미지 또는 높은 해상도의 이미지)는 메모리(250)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 디스플레이 모듈(160)을 통하여 프리뷰될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(250)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(260)에 의해 획득되어 처리될 수 있다. 일실시예에 따르면, 메모리(250)는 메모리(130)의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.

이미지 시그널 프로세서(260)는 이미지 센서(230)을 통하여 획득된 이미지 또는 메모리(250)에 저장된 이미지에 대하여 하나 이상의 이미지 처리들을 수행할 수 있다. 상기 하나 이상의 이미지 처리들은, 예를 들면, 깊이 지도(depth map) 생성, 3차원 모델링, 파노라마 생성, 특징점 추출, 이미지 합성, 또는 이미지 보상(예: 노이즈 감소, 해상도 조정, 밝기 조정, 블러링(blurring), 샤프닝(sharpening), 또는 소프트닝(softening)을 포함할 수 있다. 추가적으로 또는 대체적으로, 이미지 시그널 프로세서(260)는 카메라 모듈(180)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(230))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어 등)를 수행할 수 있다. 이미지 시그널 프로세서(260)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(250)에 다시 저장되거나 카메라 모듈(180)의 외부 구성 요소(예: 메모리(130), 디스플레이 모듈(160), 전자 장치(102), 전자 장치(104), 또는 서버(108))로 제공될 수 있다. 일실시예에 따르면, 이미지 시그널 프로세서(260)는 프로세서(120)의 적어도 일부로 구성되거나, 프로세서(120)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(260)이 프로세서(120)과 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(260)에 의해 처리된 적어도 하나의 이미지는 프로세서(120)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 디스플레이 모듈(160)을 통해 표시될 수 있다.

일실시예에 따르면, 전자 장치(101)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(180)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.

본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.

본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.

본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

도 3a는, 일 실시예에 따른, 바(bar) 타입의 하우징 구조를 갖는 전자 장치(300)의 전면의 사시도이다. 도 3b는 도 3a의 전자 장치(300)의 후면의 사시도이다.

도 3a 및 도 3b를 참조하면, 일 실시예에 따른 전자 장치(300)(예: 도 1의 전자 장치(101))의 하우징(310)은, 제1 면(또는 전면)(310A), 제2 면(또는 후면)(310B), 및 제1 면(310A)과 제2 면(310B) 사이의 공간을 둘러싸는 측면(310C)을 포함할 수 있다. 일 실시예에 따르면, 제1 면(310A)은 적어도 일부분이 실질적으로 투명한 전면 플레이트(예: 다양한 코팅 레이어들을 포함하는 글라스 플레이트, 또는 폴리머 플레이트)로 구성될 수 있다. 제2 면(310B)은 실질적으로 불투명한 후면 플레이트로 구성될 수 있다. 측면(310C)은, 전면 플레이트 및 후면 플레이트와 결합하며, 금속 및/또는 폴리머를 포함하는 측면 베젤 구조(또는 "측면 부재")로 구성될 수 있다.

일 실시예에 따르면, 전자 장치(300)는, 디스플레이(301), 마이크 홀(303), 스피커 홀(307, 314), 센서 모듈(304, 319), 카메라 모듈(305, 312, 313), 키 입력 장치(317), 및 커넥터(308) 중 적어도 하나 이상을 포함할 수 있다. 어떤 실시예에서는, 상기 전자 장치(300)는, 구성 요소들 중 적어도 하나(예: 키 입력 장치(317))를 생략하거나 다른 구성 요소를 추가적으로 포함할 수 있다.

디스플레이(301)(예: 도 1의 디스플레이 모듈(160))는 제1 면(310A)을 통해 노출될 수 있다. 디스플레이(301)는, 터치 감지 회로, 터치의 세기(압력)를 측정할 수 있는 압력 센서, 및/또는 자기장 방식의 스타일러스 펜을 검출하는 디지타이저와 결합되거나 인접하여 배치될 수 있다.

이하, 본 문서에서 디스플레이(301)(예: 메인 디스플레이)가 배치된 면을 전자 장치(300)의 전면으로 정의하고, 전면의 반대 면을 전자 장치(300)의 후면으로 정의할 수 있다. 어떠한 실시예에서는, 후면에 별도의 디스플레이(예: 보조 디스플레이)가 배치될 수 있다. 이에 따라 전면에 배치된 디스플레이를 전면 디스플레이로 지칭하고 후면에 배치된 디스플레이를 후면 디스플레이로 지칭할 수 있다.

전자 장치(예: 도 1의 전자 장치(101))는, 도시된 바 타입의 하우징 구조가 아닌, 폴더블 하우징 구조를 가질 수 있다. 폴더블 하우징 구조는 폴딩 축을 중심으로 2 개의 하우징으로 양분될 수 있다. 제1 하우징의 전면에 전면 디스플레이(예: 플랙서블 디스플레이)의 제1 부분이 배치될 수 있고 제2 하우징의 전면에 디스플레이의 제2 부분이 배치될 수 있다. 폴더블 하우징 구조는 전자 장치가 접힌 상태일 때 상기 전면 디스플레이의 제1 부분과 제2 부분이 서로 마주하는 인 폴딩(in folding) 방식으로 구현될 수 있다. 또는, 폴더블 하우징 구조는 전자 장치가 접힌 상태일 때 상기 전면 디스플레이의 제1 부분과 제2 부분이 서로 반대로 향하는 아웃 폴딩(out folding) 방식으로 구현될 수 있다. 제1 하우징의 후면 및/또는 제2 하우징의 후면에는 제2의 디스플레이가 배치될 수 있다. 또 다른 예로, 전자 장치는, 도시된 바 타입의 하우징 구조가 아닌, 슬라이더블 하우징 구조를 가질 수도 있다. 예를 들어, 전자 장치는 하우징, 슬라이더부, 슬라이더부의 일부가 하우징 내부로 인입되거나 하우징으로부터 인출되도록 하는 롤러, 및 플렉서블(flexible) 디스플레이(예: 전면 디스플레이)를 포함할 수 있다.

센서 모듈(304, 319)(예: 도 1의 센서 모듈(176))은, 전자 장치(300)의 내부의 작동 상태, 또는 외부의 환경 상태에 반응하여 전기 신호 또는 데이터를 생성할 수 있다. 일 실시예에서, 센서 모듈(304, 319)은 제1 면(310A)에 배치된 제1 센서 모듈(304)(예: 근접 센서 및/또는 지문 센서), 및/또는 제2 면(310B)에 배치된 제2 센서 모듈(319)(예: HRM 센서)을 포함할 수 있다. 제1센서 모듈(304)은, 제1 면(310A) 위에서 디스플레이(301)를 바라볼 때, 디스플레이(301) 아래에 배치될 수 있다.

카메라 모듈(305, 312, 313)(예: 도 1의 카메라 모듈(180))은 제1 면(310A)에 배치된 전면 카메라(305), 및 제2 면(310B)에 배치된 후면 카메라(312)와 플래시(313)를 포함할 수 있다. 카메라들(305, 312)은, 렌즈 어셈블리(하나 또는 복수의 렌즈들을 포함), 이미지 센서, 및/또는 이미지 시그널 프로세서를 포함할 수 있다. 플래시(313)는, 예를 들어, 발광 다이오드 또는 제논 램프(xenon lamp)를 포함할 수 있다. 어떤 실시예에서는, 2개 이상의 렌즈들(예: 광각 렌즈, 초광각 렌즈 또는 망원 렌즈) 및 이미지 센서들이 전자 장치(300)의 한 면에 배치될 수 있다. 일 실시예에서, 전면 카메라(305)는, 제1 면(310A) 위에서 디스플레이(301)를 바라볼 때, 디스플레이(301) 아래에 배치됨에 따라 디스플레이(301)를 통해 빛을 받아들이는UDC(under display camera)일 수 있다. 전면 카메라(305)가 전자 장치(300)의 내부에 배치됨으로써, 전면 카메라(305)가 배치된 영역도 디스플레이 영역으로 구현하는 것이 가능해진다. 이를 통해, 최대 크기의 디스플레이 영역을 위해, 디스플레이(301) 형태를 노치(notch) 형태로 구현하거나 디스플레이(301)의 중간 영역의 일부에 전면 카메라(305)의 일부가 노출되도록 배치할 필요 없이, 전자 장치(300)의 한 면에 온전한 형태(예: 디스플레이(301)의 중간 영역 중 화면이 표시되지 않는 영역이 없는 형태)의 디스플레이를 구현할 수 있다. 디스플레이(301)에 있어서 전면 카메라(305)와 마주하는 부위는 홀(예: punch hole)(또는, 오프닝(opening))이 형성될 수 있다. 예를 들어, 디스플레이(301)는 여러 개의 층들(예: 편광 필름, 디스플레이 패널, 부자재층(예: 디스플레이 패널에서 생성된 빛 또는 외부로부터 디스플레이 패널로 입사되는 빛을 차단하기 위한 차광층, 방열 시트, 스폰지))로 이루어질 수 있는데, 디스플레이(301)에 있어서 적어도 하나의 층(예: 디스플레이 패널)을 제외한 나머지 층에 관통 홀이 형성될 수 있다. 다른 예로, 모든 층들에 관통 홀(예: punch hole)이 형성될 수도 있다. 전면 카메라(305)의 적어도 일부(예: 렌즈)는 디스플레이(301)에 천공된 홀의 내부 공간 상에 배치될 수도 있다. 도시하지는 않지만, 어떠한 실시예에서는 복수의 전면 카메라들이 디스플레이(301) 아래에 배치될 수 있다. 전자 장치(예: 도 1의 전자 장치(101))는 후면 디스플레이를 포함할 수도 있다. 이에 따라, 후면 디스플레이 아래에도 후면 디스플레이를 통해 빛을 받아들이는 UDC가 추가 배치될 수 있다.

도 4는, 다양한 실시예에 따른, 이미지의 화질을 개선하도록 구성된 전자 장치(400)의 블록도이다. 도 5는, 일 실시예에 따른, 도 4의 모듈들(401-405) 간의 연결을 나타낸 도면이다. 도 6은 도 5의 생성 모델(510)이 학습할 때 이용되는 훈련 이미지를 나타낸다. 도 7a, 7b, 및 7c는 도 4의 전자 장치(400)에서 처리된 이미지들을 예시한다.

도 4 및 도 5를 참조하면, 전자 장치(400)(예; 도 1의 전자 장치(101))는 이미지 수신 모듈(401), 다운 샘플링 모듈(402), 잔여 이미지 생성 모듈(403), 업 샘플링 모듈(404), 감산 모듈(405), 디스플레이(410), UDC(420), 메모리(488), 및 프로세서(499)를 포함할 수 있다.

UDC(420)(예: 도 3a의 전면 카메라(305))는 디스플레이(410)를 전면에서 바라볼 때, 디스플레이(410) 아래에 배치되어 디스플레이(410)를 통과한 외부의 빛을 감지하여 영상(예: 원본 이미지)을 생성할 수 있다. 디스플레이(410)는 복수의 픽셀들을 이용하여 영상을 표시하는 장치로, 디스플레이 특성 상 픽셀 및/또는 배선이 규칙적으로 배열될 수 있다. 이러한 규칙적인 구조로 디스플레이(410)를 통과하여 UDC(420)에 도달하는 빛에 강한 회절이 발생할 수 있다. 이로 인해 UDC(420)가 생성하는 영상에 적어도 하나의 아티팩트(artifact)가 발생할 수 있다. 예를 들어, 조명이나 태양과 같은 밝은 광원 촬영 시 광원 주위에 강한 회절로 인한 빛 번짐(blur) 및/또는 빛 갈라짐이 발생하여 외부로 노출된 카메라 모듈에서 촬영한 영상에 비해 UDC(420)가 생성한 영상(또는 원본 이미지)에서 정보가 손실되거나 색감이 왜곡되는 것과 같은 해상력 저하 및/또는 SNR 저하가 발생할 수 있다. 예를 들어, UDC(420)가 디스플레이(410)를 통과한 빛을 감지하여 영상을 생성하는데 디스플레이(410)에서 픽셀 및/또는 배선이 빛의 투과를 저하시켜, SNR 저하가 강하게 발생할 수 있다. 언더 디스플레이 카메라 구조에서 발생 가능한 다양한 아티팩트들(artifacts)을 고려할 때, UDC(420)에서 획득한 원본 이미지의 열화된 화질을 개선하기 위한 영상 후처리가 필요할 수 있다. 다양한 실시예에서, 원본 이미지의 화질을 개선하도록 구성된 전자 장치(400)의 상기 구성 요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다. 일 실시예에 따르면, 모듈들(401-405)은 도 5에 도시된 바와 같이 작동적으로 연결될 수 있다. 일 실시예에 따르면, 모듈들(401-405)은 프로세서(499)(예: 도 1의 프로세서(120) 또는 도 2의 이미지 시그널 프로세서(260))에서 실행되는 프로그램 모듈일 수 있다.

이미지 수신 모듈(401)은 화질 개선을 위한 원본 이미지(501)를 UDC(420)로부터 수신할 수 있다. 예컨대, 원본 이미지(501)는 이미지 센서(230)에서 출력된 이미지(예: 베이어 패턴(bayer pattern) 데이터, RGB 데이터)일 수 있다. 다른 예로, 원본 이미지(501)는 이미지 센서(230)에서 출력된 이미지를 프로세서(예: 이미지 시그널 프로세서(260))가 가공해서 얻은 이미지(예: 해상도가 변경된 사본 이미지)일 수도 있다. 일 실시예에서, 이미지 수신 모듈(401)은 원본 이미지(501)를 감산 모듈(405)로 출력하고 원본 이미지(501)의 복사본(501’)을 다운 샘플링 모듈(402)로 출력할 수 있다. 예를 들어, 도 7a를 참조하면, N*M의 해상도를 갖는 원본 이미지(501)가 이미지 수신 모듈(401)로 입력될 수 있다. 원본 이미지(501)에는 빛이 디스플레이(410) 때문에 회절됨으로 인한 아티팩트(701)가 존재할 수 있다. 예컨대, 아티팩트(701)는 피사체들 간의 경계(edge) 주변에서 흐릿하게(hazy) 보이는 부분을 포함할 수 있다.

다운 샘플링 모듈(402)은 복사본(501’)을 다운 샘플링(down sampling)(또는, 다운 스케일링(down scaling))하여 복사본(501’)의 크기(해상도)를 줄일 수 있다. 예를 들어, 다운 샘플링 모듈(402)은, 복사본(501’)의 해상도가 N(가로 픽셀의 수)*M(세로 픽셀의 수)이라고 할 때, 그 크기를 N/n*M/m로 줄일 수 있다. 한정되지는 않지만, N은 n의 정수배일 수 있다. M또한 m의 정수 배일 수 있다. 다운 샘플링 모듈(402)은 다운 샘플드(down sampled) 이미지(502)를 잔여 이미지 생성 모듈(403)로 출력할 수 있다.

복사본(501’)이 다운 샘플링될 경우 고주파수 대역의 성분은 소실될 수 있다. 고주파수 대역의 아티팩트 성분은 저주파수 대역의 아티팩트 성분보다는 비교적 눈에 덜 띄는 특성을 가질 수 있다. 또한, 고주파수 대역의 아티팩트 성분은 저주파수 대역의 아티팩트 성분보다 적게 나타낼 수 있다. 예를 들어, 고주파수 대역의 아티팩트 성분은 시각적으로 무시 가능한 무늬이므로, 찾아서 제거 또는 감소시켜야 할 필요성이 비교적 낮을 수 있다. 따라서, 원본 이미지(501) 또는 그 복사본(501’)이 아닌, 다운 샘플드 이미지(502)가 잔여 이미지 생성 모듈(403)의 입력 값으로 이용될 수 있다.

잔여 이미지 생성 모듈(403)은 다운 샘플드 이미지(502)를 이용하여 잔여(residual) 이미지(503)를 생성할 수 있다. 잔여 이미지 생성 모듈(403)은 잔여 이미지(503)를 업 샘플링 모듈(404)로 출력할 수 있다.

일 실시예에 따르면, 잔여 이미지 생성 모듈(403)은 제1훈련 이미지 및 이와 한 쌍을 이루는 제2훈련 이미지를 이용하여 학습된 생성 모델(510)(예: 인공 신경망)을 포함할 수 있다. 예컨대, 생성 모델(510)은 원본 이미지(501) 또는 다운 샘플드 이미지(502)와 동일한 사이즈를 갖는 제1훈련 이미지와 제2훈련 이미지를 이용하여 학습될 수 있다. 생성 모델(510)은 머신 러닝(machine learning)에 기반하여 기 학습된 모델(예: 뉴럴 네트워크(neural network), SVM(support vector machine), HMM(hidden markov model), 또는 bayesian)을 포함할 수 있다. 잔여 이미지 생성 모듈(403)은 생성 모델(510)에 다운 샘플드 이미지(502)를 입력 값으로 넣어주고, 생성 모델(510)에서 출력된 결과 값으로부터 잔여 이미지(503)를 획득할 수 있다. 여기서, 잔여 이미지(503)는 빛의 회절 현상에 의해 존재하는 아티팩트가 있는 이미지와 상기 아티팩트가 없는 이미지 간의 차이를 나타내는 이미지일 수 있다. 예를 들어, 도 7b를 참조하면, (N/n)*(M/m)의 해상도를 가지며 저주파수 성분의 차이(703)를 포함하는 잔여 이미지(503)가 생성 모델(510)의 결과 값에서 획득될 수 있다.

일 실시예에 따르면, 하우징 내부에 위치하고, 피사체와 카메라 사이에 장애물로서 디스플레이 없이, 적어도 일부(예: 렌즈)가 외부에서 시인되는 카메라(이하, 일반 카메라)로 피사체를 촬영한 이미지가 획득될 수 있다. 일반 카메라로 촬영한 이미지의 해상도를 줄임으로써 생성 모델(510)의 입력 값에 대응하는 제1훈련 이미지(예: (N/n)*(M/m) 사이즈를 갖는 이미지)가 생성될 수 있다. 피사체와 카메라 사이에 장애물로서 디스플레이가 위치한 상태에서 피사체를 카메라로 촬영함으로써 UDC 이미지가 획득될 수 있다. UDC 이미지의 해상도를 줄임으로써 생성 모델(510)의 결과 값에 대응하는 제2훈련 이미지(예: (N/n)*(M/m) 사이즈를 갖는 이미지)가 생성될 수 있다. 생성 모델(510)은, 이와 같은 방법으로 생성된 여러 쌍의 훈련 이미지들을 이용하여, 아티팩트 검출을 위한 학습을 스스로 할 수 있다.

다른 실시예에 따르면, 상기와 동일한 방식에 의해 일반 카메라로 촬영한 이미지가 획득되고 상기 이미지를 다운 샘플링하여 제1훈련 이미지가 생성될 수 있다. 상기 이미지를 디스플레이의 특성이 반영된PSF(point spread function)를 이용하여 왜곡함으로써 상기 UDC 이미지에 대응하는 초점이 흐릿한 이미지가 획득될 수 있다. 예를 들어, 상기 일반 카메라로 촬영된 이미지에 아티팩트를 일으킬 수 있는 밝기의 디지털 가상 조명을 추가하고, 디스플레이의 특성이 반영된 PSF와 상기 이미지간 컨볼루션(convolution) 작업을 통해 가상 회절을 일으키고 픽셀 값을 미리 정해진 임계치로 클리핑(clipping)하면, 영상 후처리를 통해 일반 카메라로 촬영된 이미지로부터 아티팩트가 포함된 상기 UDC 이미지에 대응하는 흐릿한 이미지가 획득될 수 있다. 이와 같이 왜곡된 UDC이미지의 해상도를 줄임으로써 생성 모델(510)의 결과 값에 대응하는 제2훈련 이미지가 생성될 수 있다. 예를 들어, 도 6을 참조하면, 암실에서 점 광원을 일반 카메라로 촬영한 이미지(610)가 획득될 수 있다. 일반 카메라로 촬영한 이미지(610)가 PSF(point spread function)에 의해 디스플레이의 특성이 반영되어 후처리됨으로써, 점 광원이 퍼진 왜곡된 이미지(620)가 획득될 수 있다. 일반 카메라로 촬영한 이미지(610)와 왜곡된 이미지(620)가 각각 다운 샘플링됨으로써 한 쌍의 훈련 이미지가 생성될 수 있다. 생성 모델(510)은, 이와 같은 방법으로 생성된 여러 쌍의 훈련 이미지들을 이용하여, 아티팩트 검출을 위한 학습을 스스로 할 수 있다.

업 샘플링 모듈(404)은 잔여 이미지 생성 모듈(403)로부터 수신된 잔여 이미지(503)를 업 샘플링(up sampling)(또는, 업 스케일링(up scaling))하여 잔여 이미지(503)의 크기(해상도)를 원본 이미지(501)와 동일한 크기로 확대할 수 있다. 업 샘플링 모듈(404)은 업 샘플드(up sampled) 이미지(504)를 감산 모듈(405)로 출력할 수 있다.

생성 모델(510)을 이용하여 원본 이미지(501)에서 잔여 이미지(503)를 획득하는데 소요되는 시간은 이미지의 해상도와 비례할 수 있다. 예를 들어, 원본 이미지(501)와 동일한 N*M의 해상도를 갖는 복사본(501’)에서 잔여 이미지(503)를 획득하는데 소요되는 시간은 N*M일 수 있다. 반면, (N/n)*(M/m)의 해상도를 갖는 다운 샘플드 이미지(502)에서 상기의 잔여 이미지(503)를 획득하는데 소요되는 시간은 (N/n)*(M/m)일 수 있다. 즉, 입력 값이 복사본(501’)일 때보다 다운 샘플드 이미지(502)일 때, 생성 모델(510)의 처리 속도가 n*m 배만큼 빨라질 수 있다. 상대적으로 다운 샘플링 및 업 샘플링을 위해 소요되는 시간은, N*M의 해상도를 갖는 복사본(501’)에서 아티팩트를 검출하기 위해 소요되는 시간과 비교하면, 무시 가능한 수준일 수 있다.

감산 모듈(405)은 원본 이미지(501)에서 업 샘플드 이미지(504)를 감산함으로써 화질 개선된 이미지(505)를 출력할 수 있다. 예를 들어, 감산 모듈(405)은 픽셀마다 원본 이미지(501)의 픽셀 값에서 업 샘플드 이미지(504)의 픽셀 값만큼 차감할 수 있다. 도 7a의 원본 이미지(501)와 도 7c의 화질 개선된 이미지(505)를 비교하면, 이미지(505)에서 아티팩트가 눈에 띄지 않는 것을 확인할 수 있다.

모듈들(401-405) 중에서 적어도 하나는 메모리(488)(예: 도 1의 메모리(130))에 인스트럭션들(instructions)로 저장되고, 프로세서(499)(예: 도 1의 프로세서(120))에 의해 실행될 수 있다. 모듈들(401-405) 중에서 적어도 하나(예: 잔여 이미지 생성 모듈(403))는 인공 지능 모델의 처리에 특화된 프로세서(예: 보조 프로세서(123))에 의해 실행될 수도 있다. 모듈들(401-405) 중에서 적어도 하나는 전자 장치(400)에서 생략되고 대신 외부 장치(예: 도 1의 서버(108))에 구현될 수 있다. 예를 들어, 생성 모델(510)은 외부 장치에 포함될 수 있다. 프로세서(499)는 생성 모델(510)에 넣어줄 입력 값(예: 다운 샘플드 이미지(502))을 무선 통신 회로(예: 도 1의 무선 통신 모듈(192))를 통해 외부 장치로 전송할 수 있다. 프로세서(499)는 잔여 이미지 생성 모듈(403)에서 출력된 결과 값(예: 잔여 이미지(503))을 무선 통신 회로를 통해 외부 장치로부터 수신할 수 있다.

도 8은, 일 실시예에 따른, UDC 이미지의 화질 개선을 위한 프로세서(499)의 동작들을 설명하기 위한 흐름도이다.

동작 810에서 프로세서(499)(예: 도 1의 프로세서(120))는 UDC(420)로부터 N*M의 해상도를 갖는 제1이미지를 수신할 수 있다. 예를 들어, 제1이미지는 UDC(420) 내 이미지 센서에서 출력된 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 포함할 수 있다. 이미지 센서에서 출력된 이미지를 UDC(420) 내 이미지 시그널 프로세서가 가공하여 얻은 이미지(예: 이미지 센서에서 출력된 이미지보다 해상도 낮아진 프리뷰 이미지)가 제1이미지로서 프로세서(499)로 출력될 수도 있다.

동작 820에서 프로세서(499)는 제1이미지를 다운 샘플링하여 그 크기가 (N/n)*(M/m)인 제2이미지를 생성할 수 있다.

동작 830에서 프로세서(499)는 제2이미지와 제2이미지에서 아티팩트가 없는 이미지 간의 차이를 나타내는 제3이미지를 획득할 수 있다. 제3이미지 획득에 머신 러닝에 기반하여 기 학습된 인공 지능 모델(예: 도 5의 생성 모델(510))이 이용될 수 있다.

일 실시예에 따르면, 프로세서(499)는 제2이미지를 생성 모델(510)에 입력 값으로 넣어주고, 생성 모델(510)에서 출력된 결과 값에서 제3이미지를 획득할 수 있다. 생성 모델(510)을 이용하여 획득되는 제3이미지의 크기는 제2이미지의 크기와 동일하게 (N/n)*(M/m)일 수 있다.

일 실시예에 따르면, 프로세서(499)는 제2이미지를 무선 통신 회로(예: 도 1의 무선 통신 모듈(192))를 통해 외부 전자 장치(예: 도 1의 전자 장치(104) 또는 서버(108))로 전송할 수 있다. 외부 전자 장치에 포함된 인공 지능 모델은 입력 값으로 들어온 제2이미지를 처리하여 제3이미지를 출력할 수 있다. 프로세서(499)는 무선 통신 회로를 통해 외부 전자 장치로부터 제3이미지를 획득할 수 있다.

동작 840에서 프로세서(499)는 제3이미지를 업 샘플링하여 제1이미지의 크기와 동일한 N*M의 크기를 갖는 제4이미지를 생성할 수 있다.

동작 850에서 프로세서(499)는 제1이미지에서 제4이미지를 빼 줌(또는 감산함, subtraction)으로써 화질 개선된 제5이미지를 생성할 수 있다. 프로세서(499)는 제5이미지를 프리뷰 이미지로서 디스플레이(410)에 표시할 수 있다. 프로세서(499)는 제5이미지의 해상도를 줄여 프리뷰 이미지를 생성하고 프리뷰 이미지를 디스플레이(410)에 표시할 수도 있다. 프로세서(499)는, 사용자 입력(예: 캡처 명령)에 반응하여, 제5이미지를 메모리(488)에 저장할 수 있다. 프로세서(499)는, 사용자 입력에 반응하여, 제5이미지를 무선 통신 회로를 통해 외부 전자 장치(예: 클라우드 서버)로 전송함으로써 제5이미지가 외부 전자 장치에 저장되게 할 수도 있다.

다양한 실시예에서 전자 장치(예: 전자 장치(400)는, 카메라(예: UDC(420)); 상기 카메라가 촬영할 피사체와 상기 카메라 사이에 위치한 디스플레이(예: 디스플레이(410)); 상기 카메라 및 상기 디스플레이에 연결된 프로세서(예: 프로세서(499)); 및 상기 프로세서와 작동적으로 연결된 메모리(예: 메모리(488))를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 카메라로부터 제1이미지(예: 원본 이미지(501))를 수신하고, 상기 제1이미지의 해상도를 낮춰 제2이미지(예: 다운 샘플드 이미지(502))를 생성하고, 상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지(예: 잔여(residual) 이미지(503))를 획득하고, 상기 제3이미지의 해상도를 높여 제4이미지(예: 업 샘플드(up sampled) 이미지(504))를 생성하고, 상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지(예: 화질 개선된 이미지(505))를 생성하도록 하는 인스트럭션들을 저장할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제1이미지의 해상도를 N*M에서 (N/m)*(M/m)으로 낮춰 상기 제2이미지를 생성하고, 상기 제3이미지의 해상도를 (N/m)*(M/m)에서 N*M으로 높여 상기 제4이미지를 생성하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 해상도가 (N/m)*(M/m)인 제1훈련 이미지 및 이와 한 쌍을 이루며 해상도가 (N/m)*(M/m)인 제2훈련 이미지를 이용하여 학습된 인공 지능 모델에 상기 제2이미지를 입력 값으로 넣어주고, 상기 인공 지능 모델에서 출력된 결과 값에서 상기 제3이미지를 획득하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치에 구비된 인공 지능 모델로 상기 제2이미지를 전송하고, 상기 무선 통신 회로를 통해 상기 외부 전자 장치의 상기 인공 지능 모델로부터 상기 제3이미지를 획득하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제1이미지로서, 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 상기 카메라로부터 수신하도록 할 수 있다.

상기 카메라가 피사체를 촬영하여 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 획득하고 상기 데이터를 가공하되, 상기 인스트럭션들은 상기 프로세서가: 상기 제1이미지로서, 상기 가공된 데이터를 상기 카메라로부터 수신하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제5이미지 또는 상기 제5이미지보다 해상도가 낮아진 제6이미지를 상기 디스플레이에 표시하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제5이미지를 상기 메모리에 저장하는 동작; 및 상기 제5이미지를 상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치로 전송하는 동작 중 적어도 하나를 수행하도록 할 수 있다.

다양한 실시예에서 전자 장치를 동작하는 방법은, 상기 전자 장치의 카메라로부터 제1이미지를 수신하는 동작(예: 동작 810); 상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하는 동작(예: 동작 820); 상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하는 동작(예: 동작 830); 상기 제3이미지의 해상도를 높여 제4이미지를 생성하는 동작(예: 동작 840); 및 상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하는 동작(예: 동작 850)을 포함할 수 있다.

상기 제2이미지와 상기 제4이미지를 생성하는 동작은, 상기 제1이미지의 해상도를 N*M에서 (N/m)*(M/m)으로 낮춰 상기 제2이미지를 생성하는 동작; 및 상기 제3이미지의 해상도를 (N/m)*(M/m)에서 N*M으로 높여 상기 제4이미지를 생성하는 동작을 포함할 수 있다.

상기 제3이미지를 획득하는 동작은, 해상도가 (N/m)*(M/m)인 제1훈련 이미지 및 이와 한 쌍을 이루며 해상도가 (N/m)*(M/m)인 제2훈련 이미지를 이용하여 학습된 인공 지능 모델에 상기 제2이미지를 입력 값으로 넣어주고, 상기 인공 지능 모델에서 출력된 결과 값에서 상기 제3이미지를 획득하는 동작을 포함할 수 있다.

상기 제3이미지를 획득하는 동작은, 상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치에 구비된 인공 지능 모델로 상기 제2이미지를 전송하는 동작; 및 상기 무선 통신 회로를 통해 상기 외부 전자 장치의 상기 인공 지능 모델로부터 상기 제3이미지를 획득하는 동작을 포함할 수 있다.

상기 제1이미지를 수신하는 동작은, 상기 제1이미지로서, 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 상기 카메라로부터 수신하는 동작을 포함할 수 있다.

상기 카메라가 피사체를 촬영하여 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 획득하고 상기 데이터를 가공하되, 상기 제1이미지를 수신하는 동작은, 상기 제1이미지로서, 상기 가공된 데이터를 상기 카메라로부터 수신하는 동작을 포함할 수 있다.

상기 방법은 상기 제5이미지 또는 상기 제5이미지보다 해상도가 낮아진 제6이미지를 상기 전자 장치의 디스플레이에 표시하는 동작을 더 포함할 수 있다.

상기 방법은 상기 제5이미지를 상기 전자 장치의 메모리에 저장하는 동작; 및 상기 제5이미지를 상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치로 전송하는 동작 중 적어도 하나를 더 포함할 수 있다.

본 명세서와 도면에 개시된 본 발명의 실시예들은 본 발명의 실시예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시예의 범위는 여기에 개시된 실시예들 이외에도 본 발명의 다양한 실시예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시예의 범위에 포함되는 것으로 해석되어야 한다.

Claims

전자 장치에 있어서,
카메라;
상기 카메라가 촬영할 피사체와 상기 카메라 사이에 위치한 디스플레이;
상기 카메라 및 상기 디스플레이에 연결된 프로세서; 및
상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가:
상기 카메라로부터 제1이미지를 수신하고,
상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하고,
상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하고,
상기 제3이미지의 해상도를 높여 제4이미지를 생성하고,
상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하도록 하는 인스트럭션들을 저장하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제1이미지의 해상도를 N*M에서 (N/m)*(M/m)으로 낮춰 상기 제2이미지를 생성하고,
상기 제3이미지의 해상도를 (N/m)*(M/m)에서 N*M으로 높여 상기 제4이미지를 생성하도록 하는 전자 장치.
제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
해상도가 (N/m)*(M/m)인 제1훈련 이미지 및 이와 한 쌍을 이루며 해상도가 (N/m)*(M/m)인 제2훈련 이미지를 이용하여 학습된 인공 지능 모델에 상기 제2이미지를 입력 값으로 넣어주고, 상기 인공 지능 모델에서 출력된 결과 값에서 상기 제3이미지를 획득하도록 하는 전자 장치.
제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치에 구비된 인공 지능 모델로 상기 제2이미지를 전송하고,
상기 무선 통신 회로를 통해 상기 외부 전자 장치의 상기 인공 지능 모델로부터 상기 제3이미지를 획득하도록 하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제1이미지로서, 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 상기 카메라로부터 수신하도록 하는 전자 장치.
제1항에 있어서, 상기 카메라가 피사체를 촬영하여 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 획득하고 상기 데이터를 가공하되, 상기 인스트럭션들은 상기 프로세서가:
상기 제1이미지로서, 상기 가공된 데이터를 상기 카메라로부터 수신하도록 하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제5이미지 또는 상기 제5이미지보다 해상도가 낮아진 제6이미지를 상기 디스플레이에 표시하도록 하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제5이미지를 상기 메모리에 저장하는 동작; 및
상기 제5이미지를 상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치로 전송하는 동작 중 적어도 하나를 수행하도록 하는 전자 장치.
전자 장치를 동작하는 방법에 있어서,
상기 전자 장치의 카메라로부터 제1이미지를 수신하는 동작;
상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하는 동작;
상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하는 동작;
상기 제3이미지의 해상도를 높여 제4이미지를 생성하는 동작; 및
상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하는 동작을 포함하는 방법.
제9항에 있어서, 상기 제2이미지와 상기 제4이미지를 생성하는 동작은,
상기 제1이미지의 해상도를 N*M에서 (N/m)*(M/m)으로 낮춰 상기 제2이미지를 생성하는 동작; 및
상기 제3이미지의 해상도를 (N/m)*(M/m)에서 N*M으로 높여 상기 제4이미지를 생성하는 동작을 포함하는 방법.
제10항에 있어서, 상기 제3이미지를 획득하는 동작은,
해상도가 (N/m)*(M/m)인 제1훈련 이미지 및 이와 한 쌍을 이루며 해상도가 (N/m)*(M/m)인 제2훈련 이미지를 이용하여 학습된 인공 지능 모델에 상기 제2이미지를 입력 값으로 넣어주고, 상기 인공 지능 모델에서 출력된 결과 값에서 상기 제3이미지를 획득하는 동작을 포함하는 방법.
제10항에 있어서, 상기 제3이미지를 획득하는 동작은,
상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치에 구비된 인공 지능 모델로 상기 제2이미지를 전송하는 동작; 및
상기 무선 통신 회로를 통해 상기 외부 전자 장치의 상기 인공 지능 모델로부터 상기 제3이미지를 획득하는 동작을 포함하는 방법.
제9항에 있어서, 상기 제1이미지를 수신하는 동작은,
상기 제1이미지로서, 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 상기 카메라로부터 수신하는 동작을 포함하는 방법.
제9항에 있어서, 상기 카메라가 피사체를 촬영하여 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 획득하고 상기 데이터를 가공하되, 상기 제1이미지를 수신하는 동작은,
상기 제1이미지로서, 상기 가공된 데이터를 상기 카메라로부터 수신하는 동작을 포함하는 방법.
제9항에 있어서,
상기 제5이미지 또는 상기 제5이미지보다 해상도가 낮아진 제6이미지를 상기 전자 장치의 디스플레이에 표시하는 동작을 더 포함하는 방법.
제9항에 있어서,
상기 제5이미지를 상기 전자 장치의 메모리에 저장하는 동작; 및
상기 제5이미지를 상기 전자 장치의 무선 통신 회로를 통해 외부 전자 장치로 전송하는 동작 중 적어도 하나를 더 포함하는 방법.
전자 장치의 프로세서로 판독 가능한 인스트럭션들(instructions)을 저장하는 기록 매체에 있어서, 상기 인스트럭션들은, 상기 프로세서에 의해 실행될 때, 상기 프로세서가:
상기 전자 장치의 카메라로부터 제1이미지를 수신하는 동작;
상기 제1이미지의 해상도를 낮춰 제2이미지를 생성하는 동작;
상기 제2이미지와 상기 제2이미지에서 아티팩트가 존재하지 않은 이미지 간의 차이를 나타내는 제3이미지를 획득하는 동작;
상기 제3이미지의 해상도를 높여 제4이미지를 생성하는 동작; 및
상기 제1이미지에서 상기 제4이미지를 감산하여 제5이미지를 생성하는 동작을 수행하도록 하는 기록 매체.
제17항에 있어서,
상기 제2이미지와 상기 제4이미지를 생성하는 동작은,
상기 제1이미지의 해상도를 N*M에서 (N/m)*(M/m)으로 낮춰 상기 제2이미지를 생성하는 동작; 및
상기 제3이미지의 해상도를 (N/m)*(M/m)에서 N*M으로 높여 상기 제4이미지를 생성하는 동작을 포함하는 기록 매체.
제17항에 있어서, 상기 제1이미지를 수신하는 동작은,
상기 제1이미지로서, 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 상기 카메라로부터 수신하는 동작을 포함하는 기록 매체.
제17항에 있어서, 상기 제1이미지를 수신하는 동작은,
상기 카메라가 피사체를 촬영하여 베이어 패턴(bayer pattern) 또는 RGB 패턴으로 이루어진 데이터를 획득하고 상기 데이터를 가공하되, 상기 제1이미지를 수신하는 동작은,
상기 제1이미지로서, 상기 가공된 데이터를 상기 카메라로부터 수신하는 동작을 포함하는 기록 매체.