KR20220153209A - 영상 처리 방법 및 이를 지원하는 전자 장치 - Google Patents

영상 처리 방법 및 이를 지원하는 전자 장치 Download PDF

Info

Publication number
KR20220153209A
KR20220153209A KR1020210060467A KR20210060467A KR20220153209A KR 20220153209 A KR20220153209 A KR 20220153209A KR 1020210060467 A KR1020210060467 A KR 1020210060467A KR 20210060467 A KR20210060467 A KR 20210060467A KR 20220153209 A KR20220153209 A KR 20220153209A
Authority
KR
South Korea
Prior art keywords
image
processor
electronic device
latent
latent space
Prior art date
Application number
KR1020210060467A
Other languages
English (en)
Inventor
이수형
김기환
김범수
최지환
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 KR1020210060467A priority Critical patent/KR20220153209A/ko
Priority to PCT/KR2022/006504 priority patent/WO2022240076A1/ko
Publication of KR20220153209A publication Critical patent/KR20220153209A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 문서에 개시되는 일 실시예에 따른 전자 장치는, 디스플레이, 메모리, 및 프로세서 포함하고, 상기 프로세서는 얼굴 데이터베이스를 기반으로 생성된 잠재 공간(latent space)을 생성하거나, 외부 서버에서 생성된 상기 잠재 공간의 데이터를 수신하여 저장하고, 상기 잠재 공간에서 제1 이미지에 대한 기저 벡터를 결정하고, 상기 잠재 공간에서 제2 이미지에 대한 잠재 코드(latent code)를 결정하고, 상기 잠재 공간에서 상기 잠재 코드의 상기 기저 벡터를 향하는 방향으로의 오프셋을 결정하고, 상기 오프셋에 기반하여 상기 제2 이미지를 보정한 제3 이미지를 생성할 수 있다. 이 외에도 명세서를 통해 파악되는 다양한 실시예가 가능하다.

Description

영상 처리 방법 및 이를 지원하는 전자 장치{METHOD FOR PROCESSING IMAGE AND ELECTRONIC DEVICE SUPPORTING THE SAME}
본 문서에서 개시되는 다양한 실시예들은, 영상 처리 방법 및 이를 지원하는 전자 장치와 관련될 수 있다.
전자 장치는 영상을 촬영하거나 외부 장치로부터 수신하여 저장할 수 있다. 전자 장치는 갤러리 앱을 통해 저장된 영상을 표시할 수 있다. 또는 전자 장치는 영상 편집 앱을 통해 사진 또는 동영상을 편집할 수 있는 다양한 사용자 인터페이스를 제공할 수 있다.
전자 장치는 다양한 방식으로 영상을 보정하여 표시할 수 있다. 예를 들어, 전자 장치는 촬영된 인물의 머리색, 또는 피부톤을 변경하거나, 실제 나이보다 어려 보이는 이미지 효과를 적용하여 보정된 이미지를 표시할 수 있다.
또는, 전자 장치는 영상을 편집할 수 있는 사용자 인터페이스를 제공하고, 사용자 입력이 선택하는 옵션에 따라 다양한 이미지 효과를 적용하여 보정된 이미지를 표시할 수 있다.
전자 장치는 필터 변경, 나이 또는 표정 변경과 같은 단순한 방식으로 변경된 보정 이미지를 제공하고 있으며, 사용자가 원하는 구도, 표정, 또는 스타일과 같은 종합적인 변경이 용이하지 않을 수 있다.
본 문서에서 개시되는 다양한 실시예는 사용자 입력에 의해 선택된 이미지의 속성을 반영하여 입력 이미지를 보정하는 전자 장치를 제공할 수 있다.
다양한 실시예에 따른 전자 장치는 디스플레이, 메모리, 및 프로세서 포함하고, 상기 프로세서는 얼굴 데이터베이스를 기반으로 생성된 잠재 공간(latent space)을 생성하거나, 외부 서버에서 생성된 상기 잠재 공간의 데이터를 수신하여 저장하고, 상기 잠재 공간에서 제1 이미지에 대한 기저 벡터를 결정하고, 상기 잠재 공간에서 제2 이미지에 대한 잠재 코드(latent code)를 결정하고, 상기 잠재 공간에서 상기 잠재 코드의 상기 기저 벡터를 향하는 방향으로의 오프셋을 결정하고, 상기 오프셋에 기반하여 상기 제2 이미지를 보정한 제3 이미지를 생성할 수 있다.
본 문서에 개시되는 다양한 실시예들에 따른 전자 장치는 사용자 입력에 의해 선택된 이미지를 이용하여 원본이미지를 자동으로 보정하거나 편집할 수 있는 사용자 인터페이스를 제공할 수 있다.
본 문서에 개시되는 다양한 실시예들에 따른 전자 장치는 잠재 공간인 얼굴 매니폴드 상에서 기준 이미지(또는 베스트 샷)의 속성을 반영하여 입력 이미지의 잠재 코드를 변환하고, 변환된 잠재 코드를 이용하여 보정 이미지를 생성할 수 있다. 이를 통해, 전자 장치는 입력 이미지의 특성과 기준 이미지의 특성을 모두 가지는 보정 이미지를 생성할 수 있다.
도 1은 다양한 실시예들에 따른 네트워크 환경 내의 전자 장치의 블록도 이다.
도 2는 다양한 실시예에 따른 영상 변환부를 나타낸다.
도 3a는 다양한 실시 예에 따른 GAN 및 GAN 인버전을 나타낸다.
도 3b는 다양한 실시 예에 따른 Style GAN을 나타낸다.
도 4는 다양한 실시 예에 따른 얼굴 매니폴드(face manifold)를 나타낸다.
도 5는 다양한 실시예에 따른 영상 처리 방법을 나타낸다.
도 6은 다양한 실시예에 따른 잠재 공간에서의 입력 이미지의 보정을 나타낸다.
도 7a 내지 도 7c는 다양한 실시예에 따른 입력 이미지의 보정을 나타낸다.
도 8은 다양한 실시예에 따른 보정 수준을 조절하는 사용자 인터페이스를 나타낸다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 문서의 다양한 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
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 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 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. 인공지능 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. 인공지능 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 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 제 1 네트워크(198) 또는 제 2 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: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 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. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 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. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 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 제 2 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.
일실시예에 따르면, 명령 또는 데이터는 제 2 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. 일실시예에 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. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 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 실시예에 따른 영상 변환부를 나타낸다. 영상 변환부(201)는 도 1의 프로세서(120)의 일부일 수 있다. 또는 영상 변환부(201)는 도 1의 프로세서(120)와 별개로 구성될 수 있고, 영상 변환부(201)에서 수행되는 적어도 일부의 동작은 도 1의 프로세서(120)에서 수행될 수 있다.
도 2를 참조하면, 영상 변환부(201)는, 사용자 입력에 의해 선택된 기준 이미지(또는 베스트 샷)를 잠재 공간(latent space) 상에서 분석하여, 사용자가 선호하는 속성 및 속성 변경값을 결정할 수 있다. 영상 변환부(201)는 입력 이미지의 잠재 코드를, 기준 이미지의 잠재 코드와 가까워지도록 변경할 수 있다. 영상 변환부(201)는, 변경된 잠재 코드를 이용하여 입력 이미지에 대한 보정 이미지를 생성할 수 있다. 보정 이미지는 입력 이미지의 특징 및 기준 이미지의 특징을 모두 가질 수 있다.
다양한 실시예에 따르면, 영상 변환부(201)는 다양한 이미지 생성 모델을 이용할 수 있다. 예를 들어, 이미지 생성 모델(image generation model; generative model)은 생성적 신경망(generative neural network; 이하, GAN(generative adversarial network)), VAE(variational autoencoder) 또는 스타일 GAN을 포함할 수 있다. 이미지 생성 모델은 잠재 공간의 코드로부터 픽셀 공간의 이미지를 생성할 수 있다. 또는 이미지 생성 모델은 역방향으로 픽셀 공간의 이미지를 잠재 코드로 매핑할 수 있다(이미지 잠재 코드화; latent encoder). 예를 들어, 이미지 잠재 코드화는 VAE encoder, ALAE(adversarial latent autoencoder) encoder, 또는 GAN 인버전을 포함할 수 있다.
다양한 실시예에 따르면, 영상 변환부(201)는 네트워크 잠재 요인 분석부(210), 기준 이미지 분석부(220) 및 잠재 코드 조작부(230)를 포함할 수 있다.
네트워크 잠재 요인 분석부(210)는 이미지 생성 모델(예: GAN)을 통해 잠재 요인(latent factor)을 분석하는 모델일 수 있다. 네트워크 잠재 요인 분석부(210)는 GAN을 분석하여 잠재 공간에서의 속성 변화의 방향을 결정할 수 있다. 예를 들어, 네트워크 잠재 요인 분석부(210)는 지정된 사용자에 대한 다양한 이미지들을 잠재 코드로 변환하여 분석하고, 다양한 속성에 대한 기저 벡터(basis vector) 및 기저 벡터의 세기를 결정할 수 있다.
기준 이미지 분석부(220)는 사용자 입력에 의해 선택된 기준 이미지(또는 베스트 샷)들을 분석하여 공통된 속성을 나타내는 기저 벡터(이하, 기준 벡터) 및 기준 벡터의 세기를 결정할 수 있다.
예를 들어, 기준 이미지 분석부(220)는 기준 이미지(또는 베스트 샷)의 제1 잠재 코드와, 지정된 사용자에 대한 복수의 이미지들의 평균 이미지의 제2 잠재 코드를 제1 입력으로 수신할 수 있다. 기준 이미지 분석부(220)는, 네트워크 잠재 요인 분석부(210)에서 결정된 기저 벡터(basis vector) 및 기저 벡터의 세기를 제2 입력으로 수신할 수 있다. 기준 이미지 분석부(220)는 제1 입력 및 제2 입력을 기반으로 기준 이미지들에 공통된 속성에 대응하는 기준 벡터 및 기준 벡터의 세기를 결정할 수 있다.
잠재 코드 조작부(latent factor manipulation)(230)는 기준 이미지(또는 베스트 샷)의 속성에 대응하는 기준 벡터 및 기준 벡터의 세기를 기반으로, 입력 이미지의 잠재 코드를 수정할 수 있다.
예를 들어, 잠재 코드 조작부(230)는 입력 이미지의 잠재 코드를 제1 입력으로 수신할 수 있다. 잠재 코드 조작부(230)는 네트워크 잠재 요인 분석부(210)에서 결정된 기저 벡터(basis vector) 및 기저 벡터의 세기를 제2 입력으로 수신할 수 있다. 잠재 코드 조작부(230)는 기준 이미지 분석부(220)에서 결정된 기준 이미지에 대한 기준 벡터 및 기준 벡터의 세기를 제3 입력으로 수신할 수 있다. 잠재 코드 조작부(230)는 제1 내지 제3 입력들을 기반으로 입력 이미지에 대한 잠재 코드의 오프셋(이하, 잠재 오프셋)을 결정할 수 있다. 잠재 코드 조작부(230)는 입력 이미지의 잠재 코드와 잠재 오프셋을 기반으로 보정 이미지를 생성할 수 있다.
도 3a는 다양한 실시 예에 따른 GAN 및 GAN 인버전을 나타낸다.
도 3a를 참조하면, 프로세서(예: 도 1의 프로세서(120)) 또는 영상 변환부(예: 도 2의 영상 변환부(201))는 이미지 생성 모델 중 GAN(301)을 이용할 수 있다. GAN(301)은 AI 이미지 합성 기술로서, 실제 이미지와 유사한 가짜 이미지를 자동으로 만들어 내는 기계 학습(machine learning) 방식일 수 있다.
다양한 실시예에 따르면, GAN(301)은 생성자(generator; G) 및 판별자(discriminator; D)를 포함할 수 있다. GAN(301)은 생성자(G)와 판별자(D)가 경쟁하면서, 영상에서 잘 드러나지 않는 공통점을 학습하여 정교한 가짜 이미지(x')를 생성할 수 있다.
생성자(G)는 실제 이미지와 유사한 가짜 이미지를 생성하는 모듈이고, 판별자(D)는 주어진 이미지가 진짜 이미지인지 생성된 가짜 이미지인지를 구별하는 모듈이다. 생성자(G)가 잠재 코드(z)를 난수로부터 발생시킨 후, 뉴럴 네트워크를 통과시켜서 가짜 이미지 x'를 얻게 된다고 하자. 판별자(D)는 주어진 이미지가 실제 이미지에 가까우면 1 값을 리턴하고, 생성된 가짜 이미지에 가까우면 0 값을 리턴하도록 훈련된다. 반면 생성자(G)는 자신이 생성하는 가짜이미지가 실제 이미지처럼 보이도록 훈련된다. 이를 대립적 프로세스라고 한다.
GAN 인버전(305)은 GAN(301)의 역함수일 수 있다. GAN 인버전(305)은 이미지가 주어졌을 때, 그것을 생성할 만한 잠재코드를 출력할 수 있다. 실제 이미지가 x인 경우, GAN 인버전(305)을 통해 잠재코드 z가 생성될 수 있다. 잠재코드 z는 생성자(G)을 통과해서 생성한 가짜 이미지 x' 은, 이론적으로는 원본 이미지 x와 같아야 할 것이다. 하지만 현재 기술로는 x와 x'은 미세하게 다를 수 있다(reconstruction error). 또 하나의 문제는 GAN 인버전(305)이 시간이 오래 걸린다는 점이다. 단순히 뉴럴 네트워크(인코더 E)를 통과시키는 것이라면 시간이 짧게 걸리겠지만, reconstruction error를 줄이기 위해서는, 보통 그 후에 최적화 (optimization) 과정을 거쳐야 양질의 잠재 코드를 얻을 수 있게 된다.
GAN 인버전(305)은 인코더(encoder; E), 생성자(generator; G) 및 판별자(discriminator; D)를 포함할 수 있다.
인코더(E)는 GAN(301)이 훈련된 후에 별도로 훈련되며, 실제 이미지(x)를 이용하여 잠재 코드(z)를 획득할 수 있다. GAN 인버전(305)은 잠재 코드(z)를 생성자(G)에 입력하여 생성한 가짜 이미지(x')가 실제 이미지(y)와 같도록 훈련될 수 있다.
다양한 실시예에 따르면, 프로세서(예: 도 1의 프로세서(120)) 또는 영상 변환부(예: 도 2의 영상 변환부(201))는 입력 이미지의 잠재 코드를, 기준 이미지(또는 베스트 샷)의 속성을 반영한 잠재 오프셋을 기반으로 수정하고, 수정된 잠재 코드를 생성자(G)에 입력하여 보정 이미지를 생성할 수 있다. 보정 이미지는 입력 이미지의 특징과 기준 이미지의 특징을 모두 가질 수 있다.
얼굴에 대한 속성을 픽셀 공간에서 수정하는 경우, 원본 이미지에서 큰 변화를 주지 못하고 피상적인 효과밖에 주지 못하지만, 잠재 공간에서 수정하는 경우, 원본 이미지와 픽셀 측면에는 크게 차이 나면서, 사람들이 보기에는 유사하면서 의미 있는 차이(예: 웃게 한다거나, 윙크를 하게 한다거나, 젊게 만든다거나, 귀걸이를 하게 한다거나, 눈을 더 크게 한다거나)를 만들어 줄 수 있다.
도 3b는 다양한 실시 예에 따른 Style GAN을 나타낸다.
도 3b를 참조하면, Style GAN(308)은 GAN(301)의 한 종류일 수 있다. Style GAN(308)은 잠재 공간에서 high-level 특성이 효과적으로 구별되도록 엉킴 제거(disentangle)된 공간을 만드는 네트워크 구조 및 훈련 방법일 수 있다. GAN(301)은 잠재 공간이 속성별로 독립적으로 변경 가능하지 않은 반면, Style GAN(308)은 중간 잠재 코드(intermediate latent code)(w)의 공간이 속성별로 독립적으로 변경 가능한 엉킴 제어된 특성이 있다. 이에 따라, Style GAN(308)은 하나의 속성을 변경하는 경우, 의도하지 않은 다른 속성이 같이 변경되지 않을 수 있다.
다양한 실시예에 따르면, Style GAN(308)은 엉킴 제어된 중간 잠재 공간(intermediate latent space)을 제공할 수 있다. 엉킴 제어된 중간 잠재 공간에서 하나의 속성에 대해 인터폴레이션(interpolation) 시 의도되지 않은 다른 속성이 변화를 부작용이 적게 발생하거나 발생하지 않을 수 있다.
수학적으로, Style GAN(308)은 각 속성의 decision boundary의 노멀 벡터(normal vector)를 n이라고 할 때, {n}이 서로 직교(orthogonal) 할 수 있다.
다양한 실시예에 따르면, Style GAN(308)의 생성부는 맵핑부(mapping)(380) 및 합성부(synthesis)(390)를 포함할 수 있다.
맵핑부(mapping)(380)는 잠재 코드(latent code)(z)를 중간 잠재 코드(intermediate latent code)(w)로 매핑할 수 있다.
합성부(synthesis)(390)는 다계층 네트워크일 수 있다. 합성부(synthesis)(390)의 각 계층에서는 맵핑부(mapping)(380)에서 생성된 중간 잠재 코드(w)에 지정된 행렬(A)을 곱하여 스타일 코드(style code) (y)를 생성할 수 있다. 합성부(synthesis)(390)는 스타일 코드(y)를 AdaIN(adaptive instance normalization)에 사용하여 입력의 스타일(style)을 변환할 수 있다.
다양한 실시예에 따르면, Style GAN(308)은 스타일(style)과 스토캐스틱 편차(stochastic variation)를 나눌 수 있다. 또한, Style GAN(308)은 스타일(style)과 스토캐스틱 편차(stochastic variation) 각각을 크기(scale)별로 제어할 수 있다.
도 4는 다양한 실시 예에 따른 얼굴 매니폴드(face manifold)를 나타낸다.
도 4를 참조하면, 서버(예: 도 1의 서버(108)) 또는 프로세서(120)는 픽셀 공간의 대용량의 얼굴 DB를 기반으로 얼굴 매니폴드(401)를 구성할 수 있다. 서버(108) 또는 프로세서(120)는 GAN(301) 또는 스타일 GAN(308)을 훈련하기 위해, 대용량 얼굴 DB를 사용하여 프리 트레이닝(pre-training)할 수 있다. 서버(108) 또는 프로세서(120)는 프리 트레이닝을 통해 획득한 잠재 공간 안의 점(잠재 벡터(latent vector) 또는 잠재 코드(latent code))들을 연결하여 N차원 평면(surface)인 얼굴 매니폴드(face manifold)(401)를 생성할 수 있다.
서버(108) 또는 프로세서(120)는 얼굴을 포함하는 입력 이미지(410)를 획득하는 경우, 입력 이미지(410)에 대응하는 잠재 벡터(latent vector)(410a)를 얼굴 매니폴드(401)에서 결정할 수 있다. 서버(108) 또는 프로세서(120)는 얼굴 매니폴드(401)위에서 입력 이미지(410)에 대한 유의미한(semantic) 하이 레벨 속성(예: 나이, 표정, 신원(identity))을 제어할 수 있다.
예를 들어, 입력 이미지(410)에 대응하는 잠재 벡터(latent vector)(410a)를 제1 오프셋 이동시키는 경우, 제1 잠재 벡터(411a)에 의해 제1 보정 이미지(411)가 생성될 수 있다. 잠재 벡터(latent vector)(410a)를 제2 오프셋 이동시키는 경우, 제2 잠재 벡터(412a)에 의해 제2 보정 이미지(412)가 생성될 수 있다. 잠재 벡터(latent vector)(410a)를 제3 오프셋 이동시키는 경우, 제3 잠재 벡터(413a)에 의해 제3 보정 이미지(413)가 생성될 수 있다. 서버(108) 또는 프로세서(120)는 기준 이미지(또는 베스트 샷)의 속성에 대응하는 기준 벡터 및 기준 벡터의 세기를 기반으로, 오프셋(또는 이동량)을 결정하여 반영할 수 있다.
오프셋의 크기가 커질수록 입력 이미지의 변형 정도가 커질 수 있다. 예를 들어, 변형되는 속성이 나이인 경우, 제3 보정 이미지(413)는 제1 보정 이미지(411) 또는 제2 보정 이미지(412) 보다 나이든 얼굴을 포함할 수 있다. 다른 예를 들어, 얼굴 표정 또는 성별이 점차적으로 변형되는 보정 이미지가 생성될 수 있다.
도 5는 다양한 실시예에 따른 영상 처리 방법을 나타낸다.
도 5를 참조하면, 동작 510에서, 서버(108) 또는 프로세서(120)(또는 도 2의 영상 변환부(201))는 대용량의 얼굴 DB를 이용하여 GAN(301) 및 GAN 인버전(305)을 학습시킬 수 있다. GAN(301)은 실제 이미지와 가짜 이미지가 구별 안되도록 학습될 수 있다. 서버(108) 또는 프로세서(120)는 데이터의 속성에 대한 annotation (예: 자세, 웃음, 안경, 머리 색)을 사용하지 않고, 실제 이미지와 가짜 이미지가 구별이 안 된다는 기준만으로 GAN(301)을 학습할 수 있다. GAN 인버전(305)은 인코더(E) 및 생성자(G)를 통해 재생성(reconstruction)한 가짜 이미지가 실제 이미지와 동일하도록 학습될 수 있다.
동작 520에서, 서버(108) 또는 프로세서(120)는 사용자의 데이터를 획득하여 GAN(301) 및 GAN 인버전(305)을 개인화 학습할 수 있다. 서버(108) 또는 프로세서(120)는 지정된 어플리케이션(예: 카메라 앱 또는 갤러리 앱)을 이용하여 사용자의 데이터를 획득할 수 있다.
예를 들어, 서버(108) 또는 프로세서(120)는 사용자의 셀피(selfie) 이미지들을 수집하여 셀피 이미지들의 평균 샷(average shot)을 결정할 수 있다. 서버(108) 또는 프로세서(120)는 평균 샷(average shot)을 GAN 인버전(305)의 인코더(E)에 입력할 수 있다. 서버(108) 또는 프로세서(120)는 GAN 인버전(305)의 인코더(E) 및 생성자(G)를 통해서 재생성(reconstruction)한 가짜 이미지가 평균 샷과 똑같도록 학습될 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 전자 장치(101)에서 획득한 정보(예: 위치 정보)를 이용하여 GAN(301) 및 GAN 인버전(305)을 개인화 학습할 수 있다. 예를 들어, 서버(108) 또는 프로세서(120)는 전자 장치(101)의 위치 정보 또는 이미지 분석 정보를 기반으로 사용자의 인종에 대응하는 사전 학습 모델(pre-trained model)을 이용할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 지정된 어플리케이션(예: 카메라 앱 또는 갤러리 앱)을 통해 사용자가 기준 이미지(또는 베스트 샷)을 지정할 수 있는 사용자 인터페이스를 디스플레이(예: 도 1의 디스플레이 모듈(160))를 통해 제공할 수 있다.
예를 들어, 프로세서(120)는 갤러리 앱을 통해 지정된 사용자의 얼굴 사진을 취합하여 표시할 수 있다. 사용자 입력에 의해 하나 이상의 이미지가 선택되는 경우, 선택된 이미지를 기준 이미지로 결정할 수 있다.
서버(108) 또는 프로세서(120)는 사용자 인터페이스를 통해 선택된 기준 이미지를 GAN 인버전(305)의 인코더(E)에 입력할 수 있다. 서버(108) 또는 프로세서(120)는 GAN 인버전(305)의 인코더(E) 및 생성자(G)를 통해서 재생성(reconstruction)한 가짜 이미지가 기준 이미지와 똑같도록 학습될 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 기준 이미지(s)와 GAN 인버전(305)을 통해 생성된 가짜 이미지의 차이가 지정된 값 이상(초과)인 경우, GAN(301) 또는 GAN 인버전(305) 자체를 adaptation 학습할 수 있다.
동작 530에서, 서버(108) 또는 프로세서(120)는 GAN(301)을 분석하여 잠재 공간(예: 얼굴 매니폴드(401))에서의 다양한 속성의 변화 방향을 결정할 수 있다. 예를 들어, 서버(108) 또는 프로세서(120)는 지정된 사용자에 대한 다양한 이미지들을 잠재 코드로 변환하여 분석하고, 다양한 속성에 대한 기저 벡터(basis vector) 및 기저 벡터의 세기를 결정할 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 잠재 공간에서 변경되는 속성의 독립적 방향을 나타내는 벡터의 집합인 직교 기저 벡터(orthogonal basis vector)를 결정할 수 있다. 예를 들어, 훈련된 스타일 GAN(308)의 중간 잠재 벡터(intermediate latent space)(w)는 엉킴 제어되어 있어, 속성들 간의 방향이 서로 직교(orthogonal)할 수 있다.
서버(108) 또는 프로세서(120)는 직교 기저 벡터를 이용하여 이미지의 속성별로 독립적으로 제어할 수 있다. 예를 들어, 서버(108) 또는 프로세서(120)는 제1 속성인 "머리 모양"을 변경하는 경우, 제2 속성인 "머리 색깔"은 변화없이 유지되도록 제어할 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 잠재 코드들을 데이터 셋(data set)에 annotate 된 속성(예: 자세, 웃음, 안경, 머리 색) 대로 분류하고, 각각의 속성을 변화시키는 최적의 잠재 벡터(또는 잠재 코드)의 방향을 계산할 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 GAN 인버전(305)의 인코더(E)가 잠재 벡터를 하나만 리턴하는 것이 아니라, 복수의 잠재 벡터들의 선형합을 리턴할 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 스타일 GAN(308)의 가중 매트릭스(weight matrix; A)를 고유값 분해(eigen-decomposition)하여 잠재 벡터를 계산할 수 있다. 스타일 코드(style code)(y)를 크게 변화시키는 방향이, 이미지를 가장 크게 변화시키는 방향일 수 있다.
일 실시예에 따르면, 서버(108) 또는 프로세서(120)는 스타일 GAN(308)의 모든 계층에 대해서 합친(concatenate) 후
Figure pat00001
를 고유값 분해(eigen-decomposition) 할 수 있다.
다른 일 실시예에 따르면, 가중 매트릭스(weight matrix; A)를 스타일 GAN(308)의 각 계층 별로, 특이값 분해(Singular value decomposition; SVD) 후 왼쪽 특이 벡터(left-singular vector)를 사용할 수도 있다.
동작 540에서, 서버(108) 또는 프로세서(120)는 사용자 입력을 통해 선택된 기준 이미지(또는 베스트 샷)를 분석하여 기준 벡터 및 기준 벡터의 세기를 결정할 수 있다.
일 실시예에 따르면, 기준 이미지가 복수개인 경우, 서버(108) 또는 프로세서(120)는 복수의 기준 이미지들에 공통되는 기준 벡터 및 기준 벡터의 세기를 결정할 수 있다
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 복수의 기준 이미지들과 입력 이미지의 잠재 공간에서의 차이를 방향 벡터로 결정할 수 있다. 서버(108) 또는 프로세서(120)는 방향 벡터들과 직교 기저 벡터 사이의 유사성(예: cosine similarity)을 산출할 수 있다. 서버(108) 또는 프로세서(120)는 모든 방향 벡터들에 공통되도록 유사한 기저 벡터를 결정할 수 있다. 기저 벡터는 속성 별로 하나씩 존재할 수 있고, 결정된 방향으로 잠재 코드를 이동시키면 대응하는 속성이 변경될 수 있다.
일 실시예에 따르면, 서버(108) 또는 프로세서(120)는 기저 벡터가 방향 벡터들 간에 기저 별 연관계수(coefficient) 들의 부호가 바뀌는 경우, 해당 기저 벡터는 공통된 속성이 아니므로 제외될 수 있다.
일 실시예에 따르면, 서버(108) 또는 프로세서(120)는 특이값(singular value)이 지정된 값 이상인 기저 벡터는 artifact가 발생할 수 있는 바, 제외할 수 있다.
일 실시예에 따르면, 서버(108) 또는 프로세서(120)는 사전에 artifact가 지정된 값 이상으로 결정된 기저 벡터를 제외할 수 있다.
동작 550에서, 서버(108) 또는 프로세서(120)는 기준 이미지(또는 베스트 샷)의 속성에 대응하는 기준 벡터 및 기준 벡터의 세기를 기반으로, 입력 이미지의 잠재 코드의 잠재 오프셋(또는 이동량)을 결정할 수 있다.
서버(108) 또는 프로세서(120)는 복수의 기준 이미지들에 공통된 방향에 해당하는 기저 벡터들을 결정하고, 보정해야 할 속성에 대한 잠재 오프셋(latent offset;δ)을 결정할 수 있다.
예를 들어, 서버(108) 또는 프로세서(120)는 스타일 GAN(308)의 각 계층별로 1개의 기저 벡터(e)를 결정하고 정규화(normalization)하여 잠재 오프셋(δ)을 결정할 수 있다.
일 실시예에 따르면, 잠재 오프셋(δ)은 하기의 [수학식 1]로 결정될 수 있다.
[수학식 1]
δ=k*e
일 실시예에 따르면, k는 normalization을 위한 상수(scalar)이며, e는 기저 벡터를 지칭할 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 공통적인 방향을 선택하는 여러 제한 조건(constraint)을 설정하여, 입력 이미지의 과도한 변화 또는 artifact를 방지할 수 있다. 또한, 정규화를 통해 잠재 오프셋(latent offset;δ)의 과도한 변화 또는 artifact를 방지할 수 있다.
동작 560에서, 서버(108) 또는 프로세서(120)는 잠재 오프셋(latent offset;δ)을 반영하여 보정 이미지를 생성할 수 있다. 서버(108) 또는 프로세서(120)는 잠재 공간에서 입력 이미지의 잠재 코드(w)에 잠재 오프셋(δ)을 합산할 수 있다. 서버(108) 또는 프로세서(120)는 합산된 코드(w +δ)를 생성자(G)에 입력하여 보정 이미지를 생성할 수 있다. 이를 통해, 보정 이미지는 입력 이미지의 특징을 유지하면서, 기준 이미지들에 공통된 특징을 가질 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 입력 이미지의 잠재 코드(w)를 수정하는 경우, 스타일 GAN(308)의 각 계층마다 잠재 코드(w) 및 잠재 오프셋(δ)을 다르게 결정할 수 있다.
일 실시예에 따르면, 서버(108) 또는 프로세서(120)는 입력 이미지의 촬영과 실질적으로 동시에 또는 지정된 시간(예: 1초) 이내에 보정 이미지를 생성할 수 있다.
다른 일 실시예에 따르면, 서버(108) 또는 프로세서(120)는 촬영된 이미지가 갤러리 앱을 통해 표시되는 경우, 보정 이미지를 생성할 수 있다.
다양한 실시예에 따르면, 동작 530 및 동작 540은 동작 550과 실질적으로 동시에 수행될 수도 있다.
다양한 실시예에 따르면, 프로세서(120)는 사용자에게 보정 이미지와 입력 이미지를 비교하여 보정 정도를 선택할 수 있는 사용자 인터페이스를 제공할 수 있다. 또는 프로세서(120)는 보정의 정도와 보정 방향을 튜닝할 수 있는 사용자 인터페이스를 제공할 수 있다.
도 6은 다양한 실시예에 따른 잠재 공간에서의 입력 이미지의 보정을 나타내는 예시도이다.
도 6을 참조하면, 서버(108) 또는 프로세서(120)(또는 도 2의 영상 변환부(201))는 픽셀 공간의 대용량의 얼굴 DB(face_DB)를 기반으로 잠재 공간인 얼굴 매니폴드(F)를 구성할 수 있다. 얼굴 매니폴드(F)는 모든 사용자에 공유될 수 있다. 예를 들어, 서버(108) 또는 프로세서(120)(또는 도 2의 영상 변환부(201))는 이미지 생성 모델(예: GAN(301))을 이용하여 대용량의 얼굴 DB(face_DB)에 포함된 얼굴 이미지들을 잠재 공간의 코드로 변환하고 연결하여 N차원 평면(surface)인 얼굴 매니폴드(F)를 생성할 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)(또는 도 2의 영상 변환부(201))는 얼굴 매니폴드(F) 상에서 GAN(301) 및 GAN 인버전(305)을 학습시킬 수 있다.
다양한 실시예에 따르면, 서버(108) 또는 프로세서(120)는 각 사용자 별로 기준 이미지(또는 베스트 샷)(b)를 결정할 수 있다. 기준 이미지(b)는 별도의 사용자 인터페이스를 통해 수신한 사용자 입력에 의해 선택된 이미지일 수 있다. 서버(108) 또는 프로세서(120)는 픽셀 공간의 기준 이미지(b)를 기반으로 잠재 부분 공간인 서브 매니폴드를 구성할 수 있다. 서브 매니폴드는 얼굴 매니폴드(F)과 별개로 구성되거나, 얼굴 매니폴드(F)의 일부로 구성될 수 있다.
서버(108) 또는 프로세서(120)는 입력 이미지(a)를 획득하고, 입력 이미지(a)의 잠재 코드를 개인별 서브 매니폴드로 투사(project)하여 보정 이미지(a')를 생성할 수 있다.
예를 들어, 입력 이미지(a)의 잠재 코드(또는 잠재 벡터)가 z_a이고, 기준 이미지(b)의 잠재 코드가 z_b인 경우, 서버(108) 또는 프로세서(120)는 z_a를 z_b에 가깝게 이동시켜 보정된 잠재 코드 z_a'를 생성할 수 있다. 서버(108) 또는 프로세서(120)는 보정된 잠재 코드 z_a'를 픽셀 공간으로 변환하여 보정 이미지(a')를 생성할 수 있다. 보정 이미지(a')는 입력 이미지(a)의 특징과 기준 이미지(b)의 특징을 모두 가질 수 있다.
다양한 실시예에 따르면, 입력 이미지(a)는 전자 장치(101)의 카메라 모듈(180)을 통해 촬영된 이미지일 수 있다. 입력 이미지(a)는 카메라 모듈(180)을 통해 촬영된 이미지 중 얼굴 영역을 크롭(crop)한 이미지일 수 있다.
다양한 실시예에 따르면, 입력 이미지(a)가 크롭된 이미지인 경우, 보정 이미지(a')는 얼굴 영역을 제외한 배경 영역과 어울리도록 변환(예: 해상도 또는 색조를 변경)되어 합성될 수 있다.
도 7a 내지 도 7c는 다양한 실시예에 따른 입력 이미지의 보정을 나타낸다. 도 7a 내지 도 7c는 예시적인 것으로 이에 한정되는 것은 아니다.
도 7a를 참조하면, 서버(108) 또는 프로세서(120)는 사용자 입력에 의해 제1 내지 제3 기준 이미지들(751, 752, 753)을 결정할 수 있다. 제1 내지 제3 기준 이미지들(751, 752, 753)은 포즈, 또는 머리 모양과 같은 속성이 서로 다를 수 있다.
서버(108) 또는 프로세서(120)는 입력 이미지(710)를 획득할 수 있다. 예를 들어, 입력 이미지(710)는 카메라 모듈(180)을 통해 획득될 수 있다. 또는 입력 이미지(710)는 외부 장치로부터 다운로드되어 메모리에 저장될 수 있다.
예를 들어, 서버(108) 또는 프로세서(120)는 잠재 공간에서 인터폴레이션(interpolation)(701)을 통해 입력 이미지(710)를 제1 내지 제3 기준 이미지들(751, 752, 753)과 유사한 형태로 변경할 수 있다. 인터폴레이션(interpolation) 수준에 따라 잠재 코드가 지정된 값만큼 변경될 수 있고, 이에 따라 입력 이미지(710)가 제1 내지 제3 기준 이미지들(751, 752, 753) 각각에 유사한 형태로 순차적으로 변경될 수 있다.
이 경우, 입력 이미지(710)에 대한 보정 이미지는 기준 이미지들의 개수만큼 서로 다르게 변경되어, 기준 이미지들(751, 752, 753)의 공통된 속성이 반영되지 않을 수 있다. 또한, 입력 이미지(710)에 대한 보정 이미지는 최종적으로 각각의 기준 이미지로 변경되어 입력 이미지(710)의 속성이 반영되지 않을 수 있다.
도 7b를 참조하면, 서버(108) 또는 프로세서(120)는 제1 내지 제3 기준 이미지들(751, 752, 753)을 평균한 하나의 이미지(이하, 평균 기준 이미지)(760)를 생성할 수 있다. 서버(108) 또는 프로세서(120)는 제1 내지 제3 기준 이미지들(751, 752, 753)의 잠재 코드들의 가중치가 적용된 평균 (weighted average)을 취해서 하나의 평균 기준 이미지(760)의 잠재 코드를 생성하고, 입력 이미지(710)의 잠재 코드를 평균 기준 이미지(760)의 잠재 코드 방향으로 인터폴레이션(702) 할 수 있다.
이 경우, 입력 이미지(710)에 대한 보정 이미지는 최종적으로 평균 기준 이미지(760)로 변경되어 입력 이미지(710)의 특징이 반영되지 않을 수 있다.
도 7c를 참조하면, 서버(108) 또는 프로세서(120)는 제1 내지 제3 기준 이미지들(751, 752, 753)의 공통된 속성에 관한 잠재 오프셋(δ)을 결정할 수 있다. 서버(108) 또는 프로세서(120)는 입력 이미지(710)의 잠재 코드에 잠재 오프셋(δ)을 합산하여 보정 이미지를 생성할 수 있다.
예를 들어, 입력 이미지(710)를 기준 이미지들(751, 752, 753)의 공통된 속성 방향(A)으로 3단계 이동하는 경우, 인물의 눈이 자신감 있어 보일 수 있는 속성으로 변경될 수 있다. 반대로, 입력 이미지(710)를 기준 이미지들(751, 752, 753)의 공통된 속성의 반대 방향(B)으로 3단계 이동하는 경우, 인물의 눈이 졸린 형태의 속성으로 변경될 수 있다.
도 8은 다양한 실시예에 따른 보정 수준을 조절하는 사용자 인터페이스를 나타낸다. 도 8은 예시적인 것으로 이에 한정되는 것은 아니다.
도 8을 참조하면, 프로세서(120)는 기준 이미지들의 공통된 속성에 관한 잠재 오프셋(δ)을 결정할 수 있다. 프로세서(120)는 입력 이미지(810)의 잠재 코드에 잠재 오프셋(δ)을 변경하여 다양한 보정 이미지들을 표시할 수 있다.
프로세서(120)는 보정 수준을 조절하는 사용자 인터페이스(801)를 디스플레이 모듈(160)을 통해 표시할 수 있다. 사용자 인터페이스(801)는 이동바(820), 이동 객체(821) 및 선택 객체(822)를 포함할 수 있다. 사용자 입력에 의해 이동 객체(821)의 위치가 변경되는 경우, 잠재 오프셋(δ)이 변경될 수 있고, 대응하는 보정 이미지가 선택 객체(822)에 의해 선택될 수 있다.
다양한 실시예에 따르면, 별도의 사용자 입력이 없는 상태에서, 프로세서(120)는 다양한 보정 이미지 중 하나를 추천하여 선택 객체(822)로 선택하여 표시할 수 있다. 프로세서(120)는 추천 이유를 함께 표시할 수 있다.
다양한 실시예에 따르면, 사용자 인터페이스(801)는 보정 이미지 중 하나 또는 복수개를 선택하여 저장하는 기능을 지원할 수 있다(미도시).
다양한 실시예에 따르면, 프로세서(120)는 카메라 모듈(180)을 통해 이미지가 촬영되면, 미리 설정된 기준 이미지들에 기반하여 촬영된 이미지를 자동으로 보정하고 보정 이미지를 저장할 수 있다. 프로세서(120)는 보정 이유 또는 수정 내용을 보정 이미지의 메타 정보(예: EXIF tag)에 저장하거나, 보정 이미지와 함께 표시할 수 있다. 프로세서(120)는 별도의 설정 화면을 통해 자동 보정 옵션을 사용자가 해제할 수 있도록 할 수 있다.
다양한 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))는, 디스플레이(예: 도 1의 디스플레이 모듈(160)), 메모리(예: 도 1의 메모리(130)), 및 프로세서(예: 도 1의 프로세서(120)) 포함하고, 상기 프로세서(예: 도 1의 프로세서(120))는 얼굴 데이터베이스를 기반으로 생성된 잠재 공간(latent space)을 생성하거나, 외부 서버(예: 도 1의 서버(108))에서 생성된 상기 잠재 공간의 데이터를 수신하여 저장하고, 상기 잠재 공간에서 제1 이미지에 대한 기저 벡터를 결정하고, 상기 잠재 공간에서 제2 이미지에 대한 잠재 코드(latent code)를 결정하고, 상기 잠재 공간에서 상기 잠재 코드의 상기 기저 벡터를 향하는 방향으로의 오프셋을 결정하고, 상기 오프셋에 기반하여 상기 제2 이미지를 보정한 제3 이미지를 생성할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 생성적 신경망(generative neural network; GAN)을 이용하여 상기 잠재 공간을 생성할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 잠재 공간에서 변경 가능한 속성을 엉킴 제어한 스타일 GAN을 이용하여 상기 기저 벡터를 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 지정된 사용자의 얼굴 이미지들을 기반으로 상기 잠재 공간에서 변경 가능한 속성을 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 얼굴 이미지들의 잠재 코드의 평균값을 기반으로 상기 잠재 공간에서 변경 가능한 속성을 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 전자 장치(예: 도 1의 전자 장치(101))의 위치 정보를 기반으로 상기 잠재 공간에서 변경 가능한 속성을 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 제1 이미지를 선택하기 위한 사용자 인터페이스를 표시하고, 상기 사용자 인터페이스를 통해 수신한 사용자 입력을 기반으로 상기 제1 이미지를 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 제1 이미지가 복수개인 경우, 상기 잠재 공간에서 상기 제1 이미지에 공통된 상기 기저 벡터를 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 지정된 조건에 따라 상기 결정된 기저 벡터의 적어도 일부를 제외할 수 있다.
다양한 실시예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는 카메라 모듈(예: 도 1의 카메라 모듈(180))을 더 포함하고, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 카메라 모듈(예: 도 1의 카메라 모듈(180))을 통해 촬영된 이미지를 상기 제2 이미지로 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 촬영된 이미지 중 얼굴을 포함하지 않는 배경 영역을 크롭핑하여 상기 제2 이미지를 결정할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 제3 이미지를 상기 배경 영역과 결합할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 제3 이미지의 해상도 또는 색조를 변경하여 상기 배경 영역과 결합할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는상기 오프셋을 복수개로 결정하고, 상기 오프셋 각각에 대응하는 상기 제3 이미지를 상기 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 상기 오프셋 중 하나를 선택하는 사용자 인터페이스를 상기 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다.
다양한 실시예에 따르면, 상기 프로세서(예: 도 1의 프로세서(120))는 생성적 신경망(generative neural network; GAN)의 역방향 모델에 상기 잠재 코드 및 상기 오프셋을 입력하여 상기 제3 이미지를 생성할 수 있다.
다양한 실시예에 따른 영상 처리 방법은, 전자 장치(예: 도 1의 전자 장치(101))에서 수행되고, 얼굴 데이터베이스를 기반으로 생성된 잠재 공간(latent space)을 생성하거나, 외부 서버(예: 도 1의 서버(108))에서 생성된 상기 잠재 공간의 데이터를 수신하여 저장하는 동작, 상기 잠재 공간에서 제1 이미지에 대한 기저 벡터를 결정하는 동작, 상기 잠재 공간에서 제2 이미지에 대한 잠재 코드(latent code)를 결정하는 동작, 상기 잠재 공간에서 상기 잠재 코드의 상기 기저 벡터를 향하는 방향으로의 오프셋을 결정하는 동작, 및 상기 오프셋에 기반하여 상기 제2 이미지를 보정한 제3 이미지를 생성하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 잠재 공간을 생성하는 동작은, 생성적 신경망(generative neural network; GAN)을 이용하여 상기 잠재 공간을 생성하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 기저 벡터를 결정하는 동작은, 상기 제1 이미지를 선택하기 위한 사용자 인터페이스를 표시하는 동작, 및 상기 사용자 인터페이스를 통해 수신한 사용자 입력을 기반으로 상기 제1 이미지를 결정하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 상기 기저 벡터를 결정하는 동작은, 상기 제1 이미지가 복수개인 경우, 상기 잠재 공간에서 상기 제1 이미지에 공통된 상기 기저 벡터를 결정하는 동작을 포함할 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. "제 1", "제 2", 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: 제 1) 구성요소가 다른(예: 제 2) 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. 예를 들면, 일실시예에 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(10))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.
일실시예에 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™)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.

Claims (20)

  1. 전자 장치에 있어서,
    디스플레이;
    메모리; 및
    프로세서; 포함하고,
    상기 프로세서는
    얼굴 데이터베이스를 기반으로 생성된 잠재 공간(latent space)을 생성하거나, 외부 서버에서 생성된 상기 잠재 공간의 데이터를 수신하여 저장하고,
    상기 잠재 공간에서 제1 이미지에 대한 기저 벡터를 결정하고,
    상기 잠재 공간에서 제2 이미지에 대한 잠재 코드(latent code)를 결정하고,
    상기 잠재 공간에서 상기 잠재 코드의 상기 기저 벡터를 향하는 방향으로의 오프셋을 결정하고,
    상기 오프셋에 기반하여 상기 제2 이미지를 보정한 제3 이미지를 생성하는 전자 장치.
  2. 제1항에 있어서, 상기 프로세서는
    생성적 신경망(generative neural network; GAN)을 이용하여 상기 잠재 공간을 생성하는 전자 장치.
  3. 제2항에 있어서, 상기 프로세서는
    상기 잠재 공간에서 변경 가능한 속성을 엉킴 제어한 스타일 GAN을 이용하여 상기 기저 벡터를 결정하는 전자 장치.
  4. 제1항에 있어서, 상기 프로세서는
    지정된 사용자의 얼굴 이미지들을 기반으로 상기 잠재 공간에서 변경 가능한 속성을 결정하는 전자 장치.
  5. 제4항에 있어서, 상기 프로세서는
    상기 얼굴 이미지들의 잠재 코드의 평균값을 기반으로 상기 잠재 공간에서 변경 가능한 속성을 결정하는 전자 장치.
  6. 제1항에 있어서, 상기 프로세서는
    상기 전자 장치의 위치 정보를 기반으로 상기 잠재 공간에서 변경 가능한 속성을 결정하는 전자 장치.
  7. 제1항에 있어서, 상기 프로세서는
    상기 제1 이미지를 선택하기 위한 사용자 인터페이스를 표시하고,
    상기 사용자 인터페이스를 통해 수신한 사용자 입력을 기반으로 상기 제1 이미지를 결정하는 전자 장치.
  8. 제1항에 있어서, 상기 프로세서는
    상기 제1 이미지가 복수개인 경우, 상기 잠재 공간에서 상기 제1 이미지에 공통된 상기 기저 벡터를 결정하는 전자 장치.
  9. 제8항에 있어서, 상기 프로세서는
    지정된 조건에 따라 상기 결정된 기저 벡터의 적어도 일부를 제외하는 전자 장치.
  10. 제1항에 있어서,
    카메라 모듈을 더 포함하고,
    상기 프로세서는 상기 카메라 모듈을 통해 촬영된 이미지를 상기 제2 이미지로 결정하는 전자 장치.
  11. 제10항에 있어서, 상기 프로세서는
    상기 촬영된 이미지 중 얼굴을 포함하지 않는 배경 영역을 크롭핑하여 상기 제2 이미지를 결정하는 전자 장치.
  12. 제11항에 있어서, 상기 프로세서는
    상기 제3 이미지를 상기 배경 영역과 결합하는 전자 장치.
  13. 제12항에 있어서, 상기 프로세서는
    상기 제3 이미지의 해상도 또는 색조를 변경하여 상기 배경 영역과 결합하는 전자 장치.
  14. 제1항에 있어서, 상기 프로세서는
    상기 오프셋을 복수개로 결정하고,
    상기 오프셋 각각에 대응하는 상기 제3 이미지를 상기 디스플레이에 표시하는 전자 장치.
  15. 제14항에 있어서, 상기 프로세서는
    상기 오프셋 중 하나를 선택하는 사용자 인터페이스를 상기 디스플레이에 표시하는 전자 장치.
  16. 제1항에 있어서, 상기 프로세서는
    생성적 신경망(generative neural network; GAN)의 역방향 모델에 상기 잠재 코드 및 상기 오프셋을 입력하여 상기 제3 이미지를 생성하는 전자 장치.
  17. 전자 장치에서 수행되는 영상 처리 방법에 있어서,
    얼굴 데이터베이스를 기반으로 생성된 잠재 공간(latent space)을 생성하거나, 외부 서버에서 생성된 상기 잠재 공간의 데이터를 수신하여 저장하는 동작;
    상기 잠재 공간에서 제1 이미지에 대한 기저 벡터를 결정하는 동작;
    상기 잠재 공간에서 제2 이미지에 대한 잠재 코드(latent code)를 결정하는 동작;
    상기 잠재 공간에서 상기 잠재 코드의 상기 기저 벡터를 향하는 방향으로의 오프셋을 결정하는 동작; 및
    상기 오프셋에 기반하여 상기 제2 이미지를 보정한 제3 이미지를 생성하는 동작;을 포함하는 방법.
  18. 제17항에 있어서, 상기 잠재 공간을 생성하는 동작은
    생성적 신경망(generative neural network; GAN)을 이용하여 상기 잠재 공간을 생성하는 동작;을 포함하는 방법.
  19. 제17항에 있어서, 상기 기저 벡터를 결정하는 동작은
    상기 제1 이미지를 선택하기 위한 사용자 인터페이스를 표시하는 동작;
    상기 사용자 인터페이스를 통해 수신한 사용자 입력을 기반으로 상기 제1 이미지를 결정하는 동작;을 포함하는 방법.
  20. 제17항에 있어서, 상기 기저 벡터를 결정하는 동작은
    상기 제1 이미지가 복수개인 경우, 상기 잠재 공간에서 상기 제1 이미지에 공통된 상기 기저 벡터를 결정하는 동작;을 포함하는 방법.

KR1020210060467A 2021-05-11 2021-05-11 영상 처리 방법 및 이를 지원하는 전자 장치 KR20220153209A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210060467A KR20220153209A (ko) 2021-05-11 2021-05-11 영상 처리 방법 및 이를 지원하는 전자 장치
PCT/KR2022/006504 WO2022240076A1 (ko) 2021-05-11 2022-05-06 영상 처리 방법 및 이를 지원하는 전자 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210060467A KR20220153209A (ko) 2021-05-11 2021-05-11 영상 처리 방법 및 이를 지원하는 전자 장치

Publications (1)

Publication Number Publication Date
KR20220153209A true KR20220153209A (ko) 2022-11-18

Family

ID=84029272

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210060467A KR20220153209A (ko) 2021-05-11 2021-05-11 영상 처리 방법 및 이를 지원하는 전자 장치

Country Status (2)

Country Link
KR (1) KR20220153209A (ko)
WO (1) WO2022240076A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102559536B1 (ko) * 2022-12-01 2023-07-26 국방과학연구소 적대적 생성 신경망 분석 방법, 적대적 생성 신경망 분석 장치 및 상기 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190139580A (ko) * 2018-06-08 2019-12-18 연세대학교 산학협력단 딥러닝을 이용한 고화질 심장 영상 생성장치 및 그 방법
EP3818526A1 (en) * 2018-07-05 2021-05-12 DTS, Inc. Hybrid audio synthesis using neural networks
KR102188732B1 (ko) * 2019-01-29 2020-12-08 중앙대학교 산학협력단 기하학적 모멘트 매칭을 통한 구 위에서의 적대적 생성망을 이용하는 데이터 처리 장치 및 방법
KR20210033781A (ko) * 2019-09-19 2021-03-29 주식회사 케이티 얼굴 분석 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102559536B1 (ko) * 2022-12-01 2023-07-26 국방과학연구소 적대적 생성 신경망 분석 방법, 적대적 생성 신경망 분석 장치 및 상기 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램

Also Published As

Publication number Publication date
WO2022240076A1 (ko) 2022-11-17

Similar Documents

Publication Publication Date Title
KR20220153209A (ko) 영상 처리 방법 및 이를 지원하는 전자 장치
KR20220049759A (ko) 인공 신경망 학습 방법 및 이를 지원하는 전자 장치
KR20220012073A (ko) 가상 사용자 인터랙션을 수행하기 위한 방법 및 그 장치
KR20220102420A (ko) 이미지를 업스케일하는 전자 장치 및 이의 제어 방법
KR20220043534A (ko) 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법
KR20230026228A (ko) 안무 학습 정보를 제공하기 위한 전자 장치 및 그 전자 장치에서의 동작 방법
KR20220101783A (ko) 콘텐츠 생성 기능을 제공하기 위한 방법 및 이를 지원하는 전자 장치
KR20230083743A (ko) 이미지를 제공하는 방법 및 이를 지원하는 전자 장치
US20230156317A1 (en) Electronic device for obtaining image at user-intended moment and method for controlling the same
KR20230072353A (ko) 사용자가 의도한 순간의 이미지를 획득하는 전자 장치 및 이의 제어 방법
KR20230020328A (ko) 이미지를 보정하는 장치 및 그 방법
US20230009287A1 (en) Method for providing avatar and electronic device supporting the same
KR20230009713A (ko) 전자 장치 및 전자 장치의 동작 방법
US20230026123A1 (en) Method and electronic device for generating content based on capacity of external device
US20220343106A1 (en) Electronic device for processing data based on artificial intelligence model and method for operating the same
KR20230020701A (ko) 촬영된 영상에 시각 효과를 적용하고 태그를 설정하는 방법 및 장치
KR20220153988A (ko) 전자 장치 및 전자 장치에서 이미지 촬영 방법
KR20230105049A (ko) 사용자의 머리에 장착 가능한 전자 장치 및 상기 전자 장치에서 생체 정보를 이용한 기능을 제공하는 방법
KR20220102246A (ko) 전자장치 및 그 제어방법
KR20220147398A (ko) 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법
KR20230086533A (ko) 사용자를 인증하기 위한 클라우드 서버 및 이의 동작 방법
KR20220098626A (ko) 이미지 처리 방법 및 이를 지원하는 전자 장치
KR20230100091A (ko) 전자 장치 및 전자 장치의 동작 방법
KR20220128131A (ko) 운동 영상의 속도를 제어하는 전자 장치 및 이의 제어 방법
KR20230116621A (ko) 화면 표시를 제어하는 전자 장치 및 전자 장치의 동작 방법

Legal Events

Date Code Title Description
A201 Request for examination