KR20230054982A - 전자 장치 및 그 제어 방법 - Google Patents

Abstract

전자 장치가 개시된다. 본 전자 장치는 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델이 저장된 메모리 및 제1 이미지의 품질에 기초하여 제1 이미지를 영상 처리하고, 영상 처리된 제1 이미지를 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득하고, 제1 이미지 및 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 제1 이미지의 휘도 값 및 제2 이미지의 휘도 값을 가중합하고, 제1 이미지의 휘도 값을 가중합된 휘도 값으로 변경하는 프로세서를 포함한다.

Description

전자 장치 및 그 제어 방법 { ELECTRONIC APPARATUS AND CONTROL METHOD THEREOF }

본 개시는 전자 장치 및 그 제어 방법에 대한 것으로, 더욱 상세하게는 이미지를 영상 처리하기 위한 전자 장치 및 그 제어 방법에 대한 것이다.

전자 기술의 발달에 힘입어 다양한 유형의 서비스가 개발되고 있다. 특히, 최근에는 이미지의 스타일 변환과 같은 멀티미디어(ex) 이미지, 비디오 등) 서비스를 제공하는 다양한 방법이 제공되고 있다.

스타일 변환 기술은 다양한 최적화 방법과 pixel/feature-based regularization 기술들을 이용하여 원본 이미지 대비 과도하게 픽셀 값이 변형되는 것을 억제하거나 smoothness를 유지하고 있다. 또한, 사용자는 스타일 변환된 영상에서 원하지 않는 artifact 영역을 선택할 수 있고, 소스 영상의 비율을 선택하여 artifact 영역을 소스 영상으로 대체할 수도 있다.

다만, 종래의 방법에 의하면, 결과 이미지의 품질을 유지하면서 스타일을 변환하기가 어려웠다. 예를 들어, 텍스쳐 표현의 경우, 사물의 테두리 선이 사라지거나, 과도하게 선이 표현되는 문제가 있다. 또는, 색 표현의 경우, 원본 색과 전혀 다른 색 변이가 발생하거나, 얼룩과 같이 균일하지 않게 색이 표현되는 문제가 있다.

예를 들어, 카메라 촬영 시 손 떨림으로 인해 또는 움직이는 피사체를 촬영함에 따라 사진이 선명하지 않게 촬영된 경우, 선명도 낮아 스타일 변환 효과가 저하될 수 있다. 또는, 피사체가 작게 촬영된 경우에도 선 표현이 사라지거나 뭉개지듯이 표현되어 원본과 다른 변형된 결과를 얻을 수 있다. 또는, 주변의 조도의 영향으로 인해 대조 비가 낮게 또는 어둡게 촬영된 경우, 어두운 부분의 세부 정보가 손실되어 스타일 변환 시 선 표현이 손실될 수도 있다.

색상과 관련하여도, 원본의 색을 유지하거나 색 변이가 발생하지 않도록 하게 위해 color loss function을 사용하여 학습을 하거나, 학습 데이터를 삭제 또는추가하는 등의 정제 작업을 수행하기도 하나, 개선 결과를 예측하기 어렵고, 반복된 학습 과정을 통해 경험적으로 개선하기 때문에 많은 시간을 필요로 하는 문제가 있다.

그에 따라, 스타일 변환과 같은 새로운 영상 생성 시, 사용자의 개입이 없더라도 생성 영상의 품질 열화 없이 최적의 결과를 생성하기 위한 방법이 개발될 필요가 있다.

본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 사용자의 개입 없이 최적의 영상 처리 결과를 제공하는 전자 장치 및 그 제어 방법을 제공함에 있다.

이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델이 저장된 메모리 및 제1 이미지의 품질에 기초하여 상기 제1 이미지를 영상 처리하고, 상기 영상 처리된 제1 이미지를 상기 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득하고, 상기 제1 이미지 및 상기 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 상기 제1 이미지의 휘도 값 및 상기 제2 이미지의 휘도 값을 가중합하고, 상기 제1 이미지의 휘도 값을 상기 가중합된 휘도 값으로 변경하는 프로세서를 포함한다.

또한, 상기 프로세서는 상기 제1 이미지의 선명도, 상기 제1 이미지의 대조비 또는 상기 제1 이미지에 포함된 객체의 크기 중 적어도 하나를 식별하고, 상기 식별된 정보에 기초하여 상기 제1 이미지를 영상 처리할 수 있다.

그리고, 상기 메모리는 이미지의 선명도가 향상되도록 학습된 제2 신경망 모델을 더 저장하고, 상기 프로세서는 상기 제1 이미지의 주파수 성분에 기초하여 상기 제1 이미지의 선명도를 식별하고, 상기 제1 이미지의 선명도가 임계 선명도 미만이면 상기 제1 이미지를 상기 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득할 수 있다.

또한, 상기 프로세서는 상기 제1 이미지로부터 객체를 식별하고, 상기 객체를 포함하는 기설정된 크기의 제1 영역의 주파수 성분에 기초하여 상기 제1 영역의 제1 선명도를 식별하고, 상기 제1 선명도가 상기 임계 선명도 미만이면 상기 제1 이미지를 상기 제2 신경망 모델에 입력하여 상기 선명도가 향상된 제1 이미지를 획득할 수 있다.

그리고, 상기 프로세서는 상기 제1 이미지에서 상기 제1 영역을 제외한 나머지 영역인 제2 영역의 주파수 성분에 기초하여 상기 제2 영역의 제2 선명도를 식별하고, 상기 제1 선명도가 상기 제2 선명도보다 제2 임계 값 이상 크고 상기 제1 선명도가 상기 임계 선명도 미만이면, 상기 제1 영역을 상기 제2 신경망 모델에 입력하여 선명도가 향상된 제1 영역을 획득할 수 있다.

또한, 상기 메모리는 이미지의 대조비가 향상되도록 학습된 제3 신경망 모델을 더 저장하고, 상기 프로세서는 상기 제1 이미지의 대조비가 임계 대조비 미만이면, 상기 제1 이미지를 상기 제3 신경망 모델에 입력하여 대조비가 향상된 제1 이미지를 획득하거나 히스토그램 평활화(histogram equalization) 방법을 통해 상기 대조비가 향상된 제1 이미지를 획득할 수 있다.

그리고, 상기 프로세서는 상기 제1 이미지에 포함된 객체의 크기가 임계 크기 미만이면 상기 객체를 포함하는 기설정된 크기의 영역을 업스케일링하고, 상기 업스케일링된 영역을 상기 제1 신경망 모델에 입력하여 스타일이 변환된 업스케일링된 영역을 획득하고, 상기 스타일이 변환된 업스케일링된 영역을 다운스케일링할 수 있다.

또한, 상기 프로세서는 상기 다운스케일링된 영역에 기초하여 상기 제2 이미지를 업데이트할 수 있다.

그리고, 상기 메모리는 이미지를 업스케일링하도록 학습된 제4 신경망 모델을 더 저장하고, 상기 프로세서는 상기 기설정된 크기의 영역을 상기 제4 신경망 모델에 입력하여 상기 업스케일링된 영역을 획득하거나, 상기 기설정된 크기의 영역을 보간하여 상기 업스케일링된 영역을 획득할 수 있다.

또한, 상기 프로세서는 상기 제1 이미지로부터 복수의 객체가 식별되면 상기 복수의 객체의 타입에 기초하여 상기 복수의 객체 중 하나의 객체를 식별하고, 상기 식별된 객체의 크기가 임계 크기 미만이면 상기 식별된 객체를 포함하는 상기 기설정된 크기의 영역을 업스케일링할 수 있다.

그리고, 상기 프로세서는 상기 제1 이미지 및 상기 제2 이미지를 YUV 색좌표로 변환하고, 상기 YUV 색좌표로 변환된 제1 이미지 및 상기 YUV 색좌표로 변환된 제2 이미지를 비교하여 상기 제1 이미지 및 상기 제2 이미지 간의 색상 차이를 식별할 수 있다.

한편, 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법은 제1 이미지의 품질에 기초하여 상기 제1 이미지를 영상 처리하는 단계, 상기 영상 처리된 제1 이미지를 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득하는 단계, 상기 제1 이미지 및 상기 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 상기 제1 이미지의 휘도 값 및 상기 제2 이미지의 휘도 값을 가중합하는 단계 및 상기 제1 이미지의 휘도 값을 상기 가중합된 휘도 값으로 변경하는 단계를 포함한다.

또한, 상기 영상 처리하는 단계는 상기 제1 이미지의 선명도, 상기 제1 이미지의 대조비 또는 상기 제1 이미지에 포함된 객체의 크기 중 적어도 하나를 식별하고, 상기 식별된 정보에 기초하여 상기 제1 이미지를 영상 처리할 수 있다.

그리고, 상기 영상 처리하는 단계는 상기 제1 이미지의 주파수 성분에 기초하여 상기 제1 이미지의 선명도를 식별하고, 상기 제1 이미지의 선명도가 임계 선명도 미만이면 상기 제1 이미지를 이미지의 선명도가 향상되도록 학습된 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득할 수 있다.

또한, 상기 영상 처리하는 단계는 상기 제1 이미지로부터 객체를 식별하고, 상기 객체를 포함하는 기설정된 크기의 제1 영역의 주파수 성분에 기초하여 상기 제1 영역의 제1 선명도를 식별하고, 상기 제1 선명도가 상기 임계 선명도 미만이면 상기 제1 이미지를 상기 제2 신경망 모델에 입력하여 상기 선명도가 향상된 제1 이미지를 획득할 수 있다.

그리고, 상기 영상 처리하는 단계는 상기 제1 이미지에서 상기 제1 영역을 제외한 나머지 영역인 제2 영역의 주파수 성분에 기초하여 상기 제2 영역의 제2 선명도를 식별하고, 상기 제1 선명도가 상기 제2 선명도보다 제2 임계 값 이상 크고 상기 제1 선명도가 상기 임계 선명도 미만이면, 상기 제1 영역을 상기 제2 신경망 모델에 입력하여 선명도가 향상된 제1 영역을 획득할 수 있다.

또한, 상기 영상 처리하는 단계는 상기 제1 이미지의 대조비가 임계 대조비 미만이면, 상기 제1 이미지를 이미지의 대조비가 향상되도록 학습된 제3 신경망 모델에 입력하여 대조비가 향상된 제1 이미지를 획득하거나 히스토그램 평활화(histogram equalization) 방법을 통해 상기 대조비가 향상된 제1 이미지를 획득할 수 있다.

그리고, 상기 영상 처리하는 단계는 상기 제1 이미지에 포함된 객체의 크기가 임계 크기 미만이면 상기 객체를 포함하는 기설정된 크기의 영역을 업스케일링하고, 상기 제2 이미지를 획득하는 단계는 상기 업스케일링된 영역을 상기 제1 신경망 모델에 입력하여 스타일이 변환된 업스케일링된 영역을 획득하고, 상기 스타일이 변환된 업스케일링된 영역을 다운스케일링할 수 있다.

또한, 상기 제2 이미지를 획득하는 단계는 상기 다운스케일링된 영역에 기초하여 상기 제2 이미지를 업데이트할 수 있다.

그리고, 상기 영상 처리하는 단계는 상기 기설정된 크기의 영역을 이미지를 업스케일링하도록 학습된 제4 신경망 모델에 입력하여 상기 업스케일링된 영역을 획득하거나, 상기 기설정된 크기의 영역을 보간하여 상기 업스케일링된 영역을 획득할 수 있다.

또한, 상기 영상 처리하는 단계는 상기 제1 이미지로부터 복수의 객체가 식별되면 상기 복수의 객체의 타입에 기초하여 상기 복수의 객체 중 하나의 객체를 식별하고, 상기 식별된 객체의 크기가 임계 크기 미만이면 상기 식별된 객체를 포함하는 상기 기설정된 크기의 영역을 업스케일링할 수 있다.

그리고, 상기 가중합하는 단계는 상기 제1 이미지 및 상기 제2 이미지를 YUV 색좌표로 변환하고, 상기 YUV 색좌표로 변환된 제1 이미지 및 상기 YUV 색좌표로 변환된 제2 이미지를 비교하여 상기 제1 이미지 및 상기 제2 이미지 간의 색상 차이를 식별할 수 있다.

이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 스타일 변환 과정에서 문제가 될 수 있는 요소에 기초하여 이미지를 전처리함에 따라 개선된 스타일 변환 결과물을 제공할 수 있다.

또한, 전자 장치는 원본 이미지 및 스타일 변환 결과물을 혼합함에 따라 스타일을 변환하더라도 색 변형 정도가 일정 수준 이하로 유지되는 결과물를 제공할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 세부 구성을 나타내는 블럭도이다.
도 3은 본 개시의 일 실시 예에 따른 영상 처리 방법을 단계적으로 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 디블러(deblur) 전처리를 수행한 결과를 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 스케일링 전처리를 수행한 결과를 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 대조비 전처리를 수행한 결과를 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 후처리를 수행한 결과를 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 도면이다.

이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.

본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.

본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공 지능 전자 장치)를 지칭할 수 있다.

이하 첨부된 도면들을 참조하여 본 개시의 다양한 실시 예를 보다 상세하게 설명한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내는 블록도이다. 전자 장치(100)는 도 1에 도시된 바와 같이, 메모리(110) 및 프로세서(120)를 포함한다.

전자 장치(100)는 이미지를 영상 처리하는 장치로서, 셋탑박스(STB), 데스크탑 PC, 노트북, 스마트폰, 태블릿 PC, 서버, TV 등일 수 있다. 다만, 이에 한정되는 것은 아니며, 전자 장치(100)는 이미지를 영상 처리할 수 있는 장치라면 어떤 장치라도 무방하다.

메모리(110)는 프로세서(120) 등이 접근할 수 있도록 데이터 등의 정보를 전기 또는 자기 형태로 저장하는 하드웨어를 지칭할 수 있다. 이를 위해, 메모리(110)는 비휘발성 메모리, 휘발성 메모리, 플래시 메모리(Flash Memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD), RAM, ROM 등 중에서 적어도 하나의 하드웨어로 구현될 수 있다.

메모리(110)에는 전자 장치(100) 또는 프로세서(120)의 동작에 필요한 적어도 하나의 인스트럭션(instruction) 또는 모듈이 저장될 수 있다. 여기서, 인스트럭션은 전자 장치(100) 또는 프로세서(120)의 동작을 지시하는 부호 단위로서, 컴퓨터가 이해할 수 있는 언어인 기계어로 작성된 것일 수 있다. 모듈은 작업 단위의 특정 작업을 수행하는 일련의 인스트럭션의 집합체(instruction set)일 수 있다.

메모리(110)에는 문자, 수, 영상 등을 나타낼 수 있는 비트 또는 바이트 단위의 정보인 데이터가 저장될 수 있다. 예를 들어, 메모리(110)에는 이미지가 저장될 수 있다.

메모리(110)에는 영상 품질 측정 모듈, 전처리 모듈, 스타일 변환 모듈, 후처리 모듈 등이 저장될 수 있다.

메모리(110)에는 각종 신경망 모델이 저장될 수 있다. 예를 들어, 메모리(110)에는 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델, 이미지의 선명도가 향상되도록 학습된 제2 신경망 모델, 이미지의 대조비가 향상되도록 학습된 제3 신경망 모델, 이미지를 업스케일링하도록 학습된 제4 신경망 모델 등이 저장될 수 있다.

메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의해 인스트럭션, 모듈 또는 데이터에 대한 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.

프로세서(120)는 전자 장치(100)의 동작을 전반적으로 제어한다. 구체적으로, 프로세서(120)는 전자 장치(100)의 각 구성과 연결되어 전자 장치(100)의 동작을 전반적으로 제어할 수 있다. 예를 들어, 프로세서(120)는 메모리(110), 디스플레이(미도시), 카메라(미도시) 등과 같은 구성과 연결되어 전자 장치(100)의 동작을 제어할 수 있다.

일 실시 예에 따라 프로세서(120)는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(120)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.

프로세서(120)는 제1 이미지의 품질에 기초하여 제1 이미지를 영상 처리할 수 있다. 예를 들어, 프로세서(120)는 제1 이미지의 선명도를 향상시키거나, 제1 이미지의 대조비를 향상시키거나, 제1 이미지의 일부 영역을 업스케일링할 수 있다. 여기서, 제1 이미지는 원본 이미지를 나타낸다. 또는, 제1 이미지는 원본 동영상의 개별 프레임을 나타낼 수도 있다.

다만, 이에 한정되는 것은 아니며, 프로세서(120)는 제1 이미지의 선명도, 대조비 또는 크기 중 적어도 하나를 영상 처리할 수도 있다.

프로세서(120)는 영상 처리된 제1 이미지를 메모리(110)에 저장된 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득할 수 있다.

예를 들어, 프로세서(120)는 제1 이미지를 만화 스타일로 변환할 수 있다. 다만, 이에 한정되는 것은 아니며, 프로세서(120)는 얼마든지 다양한 스타일 변환이 가능하다.

프로세서(120)는 제1 이미지 및 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 제1 이미지의 휘도 값 및 제2 이미지의 휘도 값을 가중합하고, 제1 이미지의 휘도 값을 가중합된 휘도 값으로 변경할 수 있다.

예를 들어, 프로세서(120)는 제1 이미지 및 제2 이미지를 YUV 색좌표로 변환하고, YUV 색좌표로 변환된 제1 이미지 및 YUV 색좌표로 변환된 제2 이미지를 비교하여 제1 이미지 및 제2 이미지 간의 색상 차이를 식별할 수 있다. 프로세서(120)는 제1 이미지 및 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 제1 이미지의 Y값 및 제2 이미지의 Y값을 가중합하고, 제1 이미지의 U, V값 및 가중합된 Y값을 포함하는 이미지를 획득할 수 있다. 여기서, 프로세서(120)는 색상 차이에 기초하여 가중합 정도를 결정할 수 있다.

즉, 프로세서(120)는 제1 이미지 및 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, Y값이 가중합된 Y값으로 제1 이미지를 출력하고, 제1 이미지 및 제2 이미지 간의 색상 차이가 제1 임계 값 미만이면, 제2 이미지를 출력할 수 있다.

프로세서(120)는 제1 이미지의 선명도, 제1 이미지의 대조비 또는 제1 이미지에 포함된 객체의 크기 중 적어도 하나를 식별하고, 식별된 정보에 기초하여 제1 이미지를 영상 처리할 수 있다.

예를 들어, 프로세서(120)는 제1 이미지의 주파수 성분에 기초하여 제1 이미지의 선명도를 식별하고, 제1 이미지의 선명도가 임계 선명도 미만이면 제1 이미지를 이미지의 선명도가 향상되도록 학습된 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득할 수 있다. 프로세서(120)는 선명도가 향상된 제1 이미지를 제1 신경망 모델에 입력하므로, 스타일이 변환되더라도 선 표현이 선명하게 유지될 수 있다.

프로세서(120)는 제1 이미지로부터 객체를 식별하고, 객체를 포함하는 기설정된 크기의 제1 영역의 주파수 성분에 기초하여 제1 영역의 제1 선명도를 식별하고, 제1 선명도가 임계 선명도 미만이면 제1 이미지를 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득할 수도 있다.

예를 들어, 프로세서(120)는 제1 이미지로부터 사람의 얼굴을 식별하고, 사람의 얼굴을 포함하는 기설정된 크기의 제1 영역의 주파수 성분에 기초하여 제1 영역의 제1 선명도를 식별하고, 제1 선명도가 임계 선명도 미만이면 제1 이미지를 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득할 수도 있다. 즉, 프로세서(120)는 사람의 얼굴과 중요 영역만을 기초로 선명도를 향상시킬지 여부를 결정할 수 있다. 전체 영역이 아닌 일부 영역만으로 선명도를 향상시킬지 여부를 결정하므로, 영상 처리 속도가 향상될 수 있다. 이후, 프로세서(120)는 선명도가 향상된 제1 이미지를 제1 신경망 모델에 입력하므로, 스타일이 변환되더라도 선 표현이 선명하게 유지될 수 있다.

또한, 프로세서(120)는 제1 이미지에서 제1 영역을 제외한 나머지 영역인 제2 영역의 주파수 성분에 기초하여 제2 영역의 제2 선명도를 식별하고, 제1 선명도가 제2 선명도보다 제2 임계 값 이상 크고 제1 선명도가 임계 선명도 미만이면, 제1 영역을 제2 신경망 모델에 입력하여 선명도가 향상된 제1 영역을 획득할 수도 있다. 예를 들어, 제1 이미지는 사람의 얼굴을 중심으로 아웃포커싱된 사진일 수 있다. 이 경우, 사람의 얼굴은 스타일 변환 후에도 선명도가 유지되어야 하나, 배경 영역은 선명도가 유지될 필요가 없다. 따라서, 프로세서(120)는 사람의 얼굴을 포함하는 영역의 제1 선명도가 배경 영역의 제2 선명도보다 제2 임계 값 이상 크면, 제1 이미지를 아웃포커싱된 이미지로 식별할 수 있다. 그리고, 프로세서(120)는 제1 선명도가 임계 선명도 미만이면, 아웃포커싱된 이미지의 얼굴 부분이 선명하지 않은 것으로 식별할 수 있다. 이 경우, 배경 영역은 선명도가 향상될 필요가 없으므로, 프로세서(120)는 사람의 얼굴을 포함하는 영역만을 제2 신경망 모델에 입력하여 사람의 얼굴을 포함하는 영역의 선명도만을 향상시킬 수도 있다. 이후, 프로세서(120)는 사람의 얼굴을 포함하는 영역의 선명도가 향상된 제1 이미지를 제1 신경망 모델에 입력하므로, 스타일이 변환되더라도 사람의 얼굴을 포함하는 영역의 선 표현이 선명하게 유지될 수 있다.

한편, 프로세서(120)는 제1 이미지의 대조비가 임계 대조비 미만이면, 제1 이미지를 이미지의 대조비가 향상되도록 학습된 제3 신경망 모델에 입력하여 대조비가 향상된 제1 이미지를 획득하거나 히스토그램 평활화(histogram equalization) 방법을 통해 대조비가 향상된 제1 이미지를 획득할 수 있다. 이후, 프로세서(120)는 대조비가 향상된 제1 이미지를 제1 신경망 모델에 입력하므로, 스타일이 변환되더라도 선 표현이 선명하게 유지될 수 있다.

한편, 프로세서(120)는 제1 이미지에 포함된 객체의 크기가 임계 크기 미만이면 객체를 포함하는 기설정된 크기의 영역을 업스케일링하고, 업스케일링된 영역을 제1 신경망 모델에 입력하여 스타일이 변환된 업스케일링된 영역을 획득하고, 스타일이 변환된 업스케일링된 영역을 다운스케일링할 수 있다. 그리고, 프로세서(120)는 다운스케일링된 영역에 기초하여 제2 이미지를 업데이트할 수 있다.

예를 들어, 프로세서(120)는 제1 이미지에서 사람의 얼굴을 식별하고, 사람의 얼굴을 포함하는 영역을 업스케일링하고, 업스케일링된 영역을 제1 신경망 모델에 입력하여 스타일이 변환된 업스케일링된 영역을 획득하고, 스타일이 변환된 업스케일링된 영역을 다운스케일링할 수 있다. 이 경우, 사람의 얼굴을 포함하는 영역이 업스케일링된 상태로 스타일이 변환되기 때문에 선 표현이 좀더 선명할 수 있다. 그리고, 프로세서(120)는 제1 이미지를 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득할 수 있다. 여기서, 제1 이미지 자체는 영상 처리가 되지 않은 상태일 수 있다. 프로세서(120)는 제2 이미지에서 사람의 얼굴을 포함하는 영역을 다운스케일링된 영역으로 변환할 수 있으며, 그에 따라 사람의 얼굴을 포함하는 영역의 선 표현이 좀더 선명할 수 있다.

프로세서(120)는 기설정된 크기의 영역을 이미지를 업스케일링하도록 학습된 제4 신경망 모델에 입력하여 업스케일링된 영역을 획득하거나, 기설정된 크기의 영역을 보간하여 업스케일링된 영역을 획득할 수 있다.

프로세서(120)는 제1 이미지로부터 복수의 객체가 식별되면 복수의 객체의 타입에 기초하여 복수의 객체 중 하나의 객체를 식별하고, 식별된 객체의 크기가 임계 크기 미만이면 식별된 객체를 포함하는 기설정된 크기의 영역을 업스케일링할 수 있다.

예를 들어, 프로세서(120)는 제1 이미지로부터 사람의 얼굴과 자동차가 식별되면, 사람의 얼굴을 포함하는 영역의 크기에 기초하여 사람의 얼굴을 포함하는 영역의 업스케일링 여부를 결정할 수 있다. 다만, 이에 한정되는 것은 아니며, 프로세서(120)는 제1 이미지로부터 임계 크기 미만의 복수의 객체를 포함하는 영역을 업스케일링할 수도 있다. 여기서, 복수의 객체 각각의 크기는 복수의 객체 각각이 차지하는 픽셀의 개수로 식별될 수 있다.

한편, 본 개시에 따른 인공 지능과 관련된 기능은 프로세서(120)와 메모리(110)를 통해 동작된다.

프로세서(120)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다.

하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공 지능 전용 프로세서인 경우, 인공 지능 전용 프로세서는, 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.

여기서, 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.

인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.

도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 세부 구성을 나타내는 블럭도이다. 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 또한, 도 2에 따르면, 전자 장치(100)는 디스플레이(130), 통신 인터페이스(140), 사용자 인터페이스(150), 카메라(160)를 더 포함할 수도 있다. 도 2에 도시된 구성 요소들 중 도 1에 도시된 구성 요소와 중복되는 부분에 대해서는 자세한 설명을 생략하도록 한다.

디스플레이(130)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(130) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(130)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 등으로 구현될 수 있다.

통신 인터페이스(140)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 예를 들어, 전자 장치(100)는 통신 인터페이스(140)를 통해 서버와 통신을 수행할 수 있다.

통신 인터페이스(140)는 와이파이 모듈, 블루투스 모듈, 적외선 통신 모듈 및 무선 통신 모듈 등을 포함할 수 있다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다.

와이파이 모듈, 블루투스 모듈은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 모듈이나 블루투스 모듈을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 적외선 통신 모듈은 시 광선과 밀리미터파 사이에 있는 적외선을 이용하여 근거리에 무선으로 데이터를 전송하는 적외선 통신(IrDA, infrared Data Association)기술에 따라 통신을 수행한다.

무선 통신 모듈은 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다.

또는, 통신 인터페이스(140)는 HDMI, DP, 썬더볼트, USB, RGB, D-SUB, DVI 등과 같은 유선 통신 인터페이스를 포함할 수 있다.

그 밖에 통신 인터페이스(140)는 LAN(Local Area Network) 모듈, 이더넷 모듈, 또는 페어 케이블, 동축 케이블 또는 광섬유 케이블 등을 이용하여 통신을 수행하는 유선 통신 모듈 중 적어도 하나를 포함할 수도 있다.

사용자 인터페이스(150)는 버튼, 터치 패드, 마우스 및 키보드 등으로 구현되거나, 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(100)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.

카메라(160)는 사용자의 제어에 따라 정지 영상 또는 동영상을 촬상하기 위한 구성이다. 카메라(160)는 특정 시점에서의 정지 영상을 촬영할 수 있으나, 연속적으로 정지 영상을 촬영할 수도 있다.

카메라(160)는 렌즈, 셔터, 조리개, 고체 촬상 소자, AFE(Analog Front End), TG(Timing Generator)를 포함한다. 셔터는 피사체에 반사된 빛이 카메라(160)로 들어오는 시간을 조절하고, 조리개는 빛이 들어오는 개구부의 크기를 기계적으로 증가 또는 감소시켜 렌즈에 입사되는 광량을 조절한다. 고체 촬상 소자는 피사체에 반사된 빛이 광전하로 축적되면, 광전하에 의한 상을 전기 신호로 출력한다. TG는 고체 촬상 소자의 픽셀 데이터를 리드아웃 하기 위한 타이밍 신호를 출력하며, AFE는 고체 촬상 소자로부터 출력되는 전기 신호를 샘플링하여 디지털화한다.

이상과 같이 프로세서(120)는 이미지를 전처리한 후 스타일을 변환하고, 스타일이 변환된 이미지를 후처리함에 따라 스타일 처리 결과가 개선될 수 있다. 다만, 이에 한정되는 것은 아니며, 프로세서(120)는 스타일 처리가 아닌 다른 영상 처리를 수행할 수도 있으며, 본 개시와 같은 전처리 및 후처리를 수행할 수 있는 방법이라면 어떠한 방법이라도 무방하다.

이하에서는 도 3 내지 도 8을 통해 전자 장치(100)의 동작을 좀더 구체적으로 설명한다. 도 3 내지 도 8에서는 설명의 편의를 위해 개별적인 실시 예에 대하여 설명한다. 다만, 도 3 내지 도 8의 개별적인 실시 예는 얼마든지 조합된 상태로 실시될 수도 있다.

도 3은 본 개시의 일 실시 예에 따른 영상 처리 방법을 단계적으로 설명하기 위한 도면이다.

도 3의 입력 영상 품질 측정부(310), 전처리부(320), 스타일 변환부(330), 결과 영상 품질 측정부(340) 및 후처리부(350)는 각각이 하드웨어 모듈로 구현될 수 있다. 예를 들어, 프로세서(120)는 입력 영상 품질 측정부(310), 전처리부(320), 스타일 변환부(330), 결과 영상 품질 측정부(340) 및 후처리부(350) 각각의 동작을 수행하는 하드웨어 모듈을 포함할 수 있다. 다만, 이에 한정되는 것은 아니며, 입력 영상 품질 측정부(310), 전처리부(320), 스타일 변환부(330), 결과 영상 품질 측정부(340) 및 후처리부(350) 각각의 동작을 수행하는 하드웨어 모듈은 프로세서(120) 외부에 구현될 수도 있다. 또는, 입력 영상 품질 측정부(310), 전처리부(320), 스타일 변환부(330), 결과 영상 품질 측정부(340) 및 후처리부(350) 각각은 소프트웨어적으로 구현될 수도 있다.

입력 영상 품질 측정부(310)는 입력 영상의 선명도, 입력 영상의 대조비 또는 입력 영상에 포함된 객체의 크기 중 적어도 하나를 식별할 수 있다. 예를 들어, 입력 영상 품질 측정부(310)는 입력 영상에 FFT(Fast Fourier Transform)를 적용하여, 주파수 도메인에서 고주파수 성분과 저주파수 성분의 분포 정도로부터 선명도(ex) 블러(blur)의 정도)를 식별할 수 있다. 또는, 입력 영상 품질 측정부(310)는 CNR(contrast noise ratio)을 사용하여 입력 영상의 대조비를 측정할 수도 있다. 또는, 입력 영상 품질 측정부(310)는 입력 영상으로부터 사람의 얼굴을 식별하고, 식별된 얼굴의 크기를 식별하여 객체의 크기를 식별할 수도 있다. 이때, 입력 영상 품질 측정부(310)는 semantic segmentation을 통해 얼굴과 얼굴 외 영역을 라벨링하여 얼굴 영역의 크기를 측정할 수 있다.

전처리부(320)는 디블러(deblur) 처리부, 스케일링부 또는 HDR(high dynamic range)부 중 적어도 하나를 포함할 수 있다. 예를 들어, 전처리부(320)는 디블러 처리부를 포함하며, 입력 영상 품질 측정부(310)에서 측정된 입력 영상의 선명도가 임계 선명도 미만이면 입력 영상을 디블러 처리할 수 있다. 여기서, 디블러 처리부는 딥 러닝(deep learning) 기반의 디블러 학습 모델로 구현될 수 있다.

또는, 전처리부(320)는 스케일링부를 포함하며, 입력 영상 품질 측정부(310)에서 측정된 객체의 크기가 임계 크기 미만이면 객체를 포함하는 기설정된 크기의 영역을 업스케일링할 수 있다. 가령, 스케일링부는 bilinear 등의 보간 방법으로 업스케일링을 수행할 수 있다. 또는, 스케일링부는 딥 러닝 기반의 super resolution 학습 모델로 구현될 수도 있다. 여기서, 기설정된 크기의 영역은 객체를 포함하는 가장 작은 사각형 영역일 수 있다.

또는, 전처리부(320)는 HDR부를 포함하며, 입력 영상 품질 측정부(310)에서 측정된 입력 영상의 대조비가 임계 대조비 미만이면 입력 영상의 대조비를 높일 수 있다. 가령, HDR부는 히스토그램 평활화 방법을 통해 대조비를 향상시킬 수 있다. 또는, HDR부는 딥 러닝 기반의 HDR 학습 모델로 구현될 수도 있다.

전처리부(320)는 디블러 처리부, 스케일링부 및 HDR부를 모두 포함하며, 입력 영상의 선명도, 입력 영상의 대조비 또는 입력 영상에 포함된 객체의 크기 중 적어도 둘 이상이 기준에 미달되는 경우, 입력 영상에 대한 복수의 영상 처리를 수행할 수도 있다.

스타일 변환부(330)는 neural style transfer, cycle GAN, Cartoon GAN 등과 같은 학습 모델(335) 중 하나를 전처리된 영상에 적용하도록 구현될 수 있다. 예를 들어, Cartoon GAN은 실제 사진을 만화로 변환하도록 학습하는 Generator 네트워크와 실제 사진과 만화를 구분하도록 학습하는 Discriminator 네트워크로 구성될 수 있다. 이후, 학습이 완료되면, Generator 네트워크만을 사용하여 입력 영상으로부터 만화 스타일로 변환된 결과 영상을 생성할 수 있다.

결과 영상 품질 측정부(340)는 입력 영상과 결과 영상의 색상 차이를 식별할 수 있다. 예를 들어, 결과 영상 품질 측정부(340)는 입력 영상과 결과 영상을 YUV 색좌표로 변환하고, YUV 색좌표로 변환된 입력 영상 및 YUV 색좌표로 변환된 결과 영상을 비교하여 입력 영상과 결과 영상의 색상 차이를 식별할 수 있다. 가령, Y, U, V 각각을 3차원 공간의 좌표값으로 가정하는 경우, 결과 영상 품질 측정부(340)는 입력 영상의 Y, U, V 및 출력 영상의 Y, U, V의 유클리드 거리를 입력 영상과 결과 영상의 색상 차이로 획득할 수 있다.

후처리부(350)는 결과 영상 품질 측정부(340)에서 측정된 색상 차이가 제1 임계 값 이상이면, 입력 영상의 Y값 및 출력 영상의 Y값을 가중합하고, 입력 영상의 Y값을 가중합된 Y값으로 변경할 수 있다. 즉, 후처리부(350)는 결과 영상 품질 측정부(340)에서 측정된 색상 차이가 제1 임계 값 이상이면, Y값이 가중합된 Y값으로 변경된 입력 영상을 출력하고, 결과 영상 품질 측정부(340)에서 측정된 색상 차이가 제1 임계 값 미만이면, 출력 영상을 출력할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델을 설명하기 위한 도면이다.

제1 신경망 모델은 neural style transfer, cycle GAN, Cartoon GAN 등과 같이 이미지의 스타일을 변환하도록 학습된 신경망 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 제1 신경망 모델은 이미지의 스타일을 변환할 수 있다면 어떠한 모델이라도 무방하다.

도 4에 도시된 바와 같이, 학습 과정에서는 Generator 네트워크와 Discriminator 네트워크로 구성되며, 학습이 완료되면 Generator 네트워크가 제1 신경망 모델로서 동작할 수 있다.

예를 들어, Cartoon GAN은 실제 사진을 만화로 변환하도록 학습하는 Generator 네트워크와 실제 사진과 만화를 구분하도록 학습하는 Discriminator 네트워크를 통해 학습이 이루어지며, 학습이 완료되면 Generator 네트워크가 제1 신경망 모델로서 동작할 수 있다.

도 5는 본 개시의 일 실시 예에 따른 디블러(deblur) 전처리를 수행한 결과를 설명하기 위한 도면이다.

도 5의 좌측 상단은 원본 이미지이고, 우측 상단은 원본 이미지를 전처리 없이 스타일 변환한 결과이다.

도 5의 좌측 하단은 원본 이미지를 디블러 처리한 결과이고, 우측 하단은 디블러 처리된 이미지를 스타일 변환한 결과이다.

도 5의 우측 상단과 비교하여 도 5의 우측 하단이 좀더 선명하다.

도 6은 본 개시의 일 실시 예에 따른 스케일링 전처리를 수행한 결과를 설명하기 위한 도면이다.

도 6의 상단은 원본 이미지(610)이고, 원본 이미지(610)에서 사람의 얼굴 영역(620)은 매우 작은 영역이다.

도 6의 좌측 하단(630)은 전처리 없이 스타일 변환 후 사람의 얼굴 영역(620)을 나타내는 도면이고, 도 6의 우측 하단(640)은 사람의 얼굴 영역(620)을 업스케일링 후 스타일 변환하고, 스타일 변환된 영역을 다시 다운스케일링한 도면이다.

도 6의 좌측 하단은 눈, 코, 입 등이 뭉개져 보이나, 도 6의 우측 하단은 눈, 코, 입 등이 좀더 선명하게 표현되었다.

도 7은 본 개시의 일 실시 예에 따른 대조비 전처리를 수행한 결과를 설명하기 위한 도면이다.

도 7의 상단은 역광 또는 주변 조도의 영향으로 대조비가 낮거나 어둡게 촬영된 원본 이미지(710)이다.

도 7의 좌측 하단(720)은 전처리 없이 스타일 변환한 도면이고, 도 7의 우측 하단(730)은 대조비를 높이는 전처리 후 스타일 변환한 도면이다.

도 7의 좌측 하단(720)의 일부 영역을 확대한 결과물(725) 및 도 7의 우측 하단(730)의 일부 영역을 확대한 결과물(735)을 비교하면, 후자가 더 선명한 것을 확인할 수 있다.

도 8은 본 개시의 일 실시 예에 따른 후처리를 수행한 결과를 설명하기 위한 도면이다.

도 8의 좌측은 원본 이미지(810)이고, 도 8의 우측은 스타일 변환된 이미지(820)이다. 스타일 변환된 이미지(820)는 색상이 과도하게 변경될 수 있으며, 프로세서(120)는 원본 이미지(810)의 Y값 및 스타일 변환된 이미지(820)의 Y값을 가중합하고, 원본 이미지(810)의 Y값을 가중합한 Y값으로 업데이트할 수 있다. 도 8의 우측은 Y값이 가중합된 Y값으로 변환된 원본 이미지(830)로서, 원본 이미지(810)와 색상 차이가 크지 않으면서도 스타일이 변환된 결과물을 나타낸다.

도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 도면이다.

먼저, 제1 이미지의 품질에 기초하여 제1 이미지를 영상 처리한다(S910). 그리고, 영상 처리된 제1 이미지를 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득한다(S920). 그리고, 제1 이미지 및 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 제1 이미지의 휘도 값 및 제2 이미지의 휘도 값을 가중합한다(S930). 그리고, 제1 이미지의 휘도 값을 가중합된 휘도 값으로 변경한다(S940).

여기서, 영상 처리하는 단계(S910)는 제1 이미지의 선명도, 제1 이미지의 대조비 또는 제1 이미지에 포함된 객체의 크기 중 적어도 하나를 식별하고, 식별된 정보에 기초하여 제1 이미지를 영상 처리할 수 있다.

그리고, 영상 처리하는 단계(S910)는 제1 이미지의 주파수 성분에 기초하여 제1 이미지의 선명도를 식별하고, 제1 이미지의 선명도가 임계 선명도 미만이면 제1 이미지를 이미지의 선명도가 향상되도록 학습된 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득할 수 있다.

여기서, 영상 처리하는 단계(S910)는 제1 이미지로부터 객체를 식별하고, 객체를 포함하는 기설정된 크기의 제1 영역의 주파수 성분에 기초하여 제1 영역의 제1 선명도를 식별하고, 제1 선명도가 임계 선명도 미만이면 제1 이미지를 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득할 수 있다.

그리고, 영상 처리하는 단계(S910)는 제1 이미지에서 제1 영역을 제외한 나머지 영역인 제2 영역의 주파수 성분에 기초하여 제2 영역의 제2 선명도를 식별하고, 제1 선명도가 제2 선명도보다 제2 임계 값 이상 크고 제1 선명도가 임계 선명도 미만이면, 제1 영역을 제2 신경망 모델에 입력하여 선명도가 향상된 제1 영역을 획득할 수 있다.

한편, 영상 처리하는 단계(S910)는 제1 이미지의 대조비가 임계 대조비 미만이면, 제1 이미지를 이미지의 대조비가 향상되도록 학습된 제3 신경망 모델에 입력하여 대조비가 향상된 제1 이미지를 획득하거나 히스토그램 평활화(histogram equalization) 방법을 통해 대조비가 향상된 제1 이미지를 획득할 수 있다.

또한, 영상 처리하는 단계(S910)는 제1 이미지에 포함된 객체의 크기가 임계 크기 미만이면 객체를 포함하는 기설정된 크기의 영역을 업스케일링하고, 제2 이미지를 획득하는 단계(S920)는 업스케일링된 영역을 제1 신경망 모델에 입력하여 스타일이 변환된 업스케일링된 영역을 획득하고, 스타일이 변환된 업스케일링된 영역을 다운스케일링할 수 있다.

여기서, 제2 이미지를 획득하는 단계(S920)는 다운스케일링된 영역에 기초하여 제2 이미지를 업데이트할 수 있다.

또한, 영상 처리하는 단계(S910)는 기설정된 크기의 영역을 이미지를 업스케일링하도록 학습된 제4 신경망 모델에 입력하여 업스케일링된 영역을 획득하거나, 기설정된 크기의 영역을 보간하여 업스케일링된 영역을 획득할 수 있다.

이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 스타일 변환 과정에서 문제가 될 수 있는 요소에 기초하여 이미지를 전처리함에 따라 개선된 스타일 변환 결과물을 제공할 수 있다.

또한, 전자 장치는 원본 이미지 및 스타일 변환 결과물을 혼합함에 따라 스타일을 변환하더라도 색 변형 정도가 일정 수준 이하로 유지되는 결과물를 제공할 수 있다.

한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.

또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 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, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.

한편, 상술한 다양한 실시 예들에 따른 기기의 프로세싱 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 기기에서의 처리 동작을 특정 기기가 수행하도록 한다. 비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.

또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

100 : 전자 장치 110 : 메모리
120 : 프로세서 130 : 디스플레이
140 : 통신 인터페이스 150 : 사용자 인터페이스
160 : 카메라

Claims (20)

1. 전자 장치에 있어서,
   이미지의 스타일을 변환하도록 학습된 제1 신경망 모델이 저장된 메모리; 및
   제1 이미지의 품질에 기초하여 상기 제1 이미지를 영상 처리하고,
   상기 영상 처리된 제1 이미지를 상기 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득하고,
   상기 제1 이미지 및 상기 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 상기 제1 이미지의 휘도 값 및 상기 제2 이미지의 휘도 값을 가중합하고,
   상기 제1 이미지의 휘도 값을 상기 가중합된 휘도 값으로 변경하는 프로세서;를 포함하는 전자 장치.
2. 제1항에 있어서,
   상기 프로세서는,
   상기 제1 이미지의 선명도, 상기 제1 이미지의 대조비 또는 상기 제1 이미지에 포함된 객체의 크기 중 적어도 하나를 식별하고,
   상기 식별된 정보에 기초하여 상기 제1 이미지를 영상 처리하는, 전자 장치.
3. 제2항에 있어서,
   상기 메모리는, 이미지의 선명도가 향상되도록 학습된 제2 신경망 모델을 더 저장하고,
   상기 프로세서는,
   상기 제1 이미지의 주파수 성분에 기초하여 상기 제1 이미지의 선명도를 식별하고,
   상기 제1 이미지의 선명도가 임계 선명도 미만이면 상기 제1 이미지를 상기 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득하는, 전자 장치.
4. 제3항에 있어서,
   상기 프로세서는,
   상기 제1 이미지로부터 객체를 식별하고,
   상기 객체를 포함하는 기설정된 크기의 제1 영역의 주파수 성분에 기초하여 상기 제1 영역의 제1 선명도를 식별하고,
   상기 제1 선명도가 상기 임계 선명도 미만이면 상기 제1 이미지를 상기 제2 신경망 모델에 입력하여 상기 선명도가 향상된 제1 이미지를 획득하는, 전자 장치.
5. 제4항에 있어서,
   상기 프로세서는,
   상기 제1 이미지에서 상기 제1 영역을 제외한 나머지 영역인 제2 영역의 주파수 성분에 기초하여 상기 제2 영역의 제2 선명도를 식별하고,
   상기 제1 선명도가 상기 제2 선명도보다 제2 임계 값 이상 크고 상기 제1 선명도가 상기 임계 선명도 미만이면, 상기 제1 영역을 상기 제2 신경망 모델에 입력하여 선명도가 향상된 제1 영역을 획득하는, 전자 장치.
6. 제2항에 있어서,
   상기 메모리는, 이미지의 대조비가 향상되도록 학습된 제3 신경망 모델을 더 저장하고,
   상기 프로세서는,
   상기 제1 이미지의 대조비가 임계 대조비 미만이면, 상기 제1 이미지를 상기 제3 신경망 모델에 입력하여 대조비가 향상된 제1 이미지를 획득하거나 히스토그램 평활화(histogram equalization) 방법을 통해 상기 대조비가 향상된 제1 이미지를 획득하는, 전자 장치.
7. 제2항에 있어서,
   상기 프로세서는,
   상기 제1 이미지에 포함된 객체의 크기가 임계 크기 미만이면 상기 객체를 포함하는 기설정된 크기의 영역을 업스케일링하고,
   상기 업스케일링된 영역을 상기 제1 신경망 모델에 입력하여 스타일이 변환된 업스케일링된 영역을 획득하고,
   상기 스타일이 변환된 업스케일링된 영역을 다운스케일링하는, 전자 장치.
8. 제7항에 있어서,
   상기 프로세서는,
   상기 다운스케일링된 영역에 기초하여 상기 제2 이미지를 업데이트하는, 전자 장치.
9. 제7항에 있어서,
   상기 메모리는, 이미지를 업스케일링하도록 학습된 제4 신경망 모델을 더 저장하고,
   상기 프로세서는,
   상기 기설정된 크기의 영역을 상기 제4 신경망 모델에 입력하여 상기 업스케일링된 영역을 획득하거나, 상기 기설정된 크기의 영역을 보간하여 상기 업스케일링된 영역을 획득하는, 전자 장치.
10. 제7항에 있어서,
    상기 프로세서는,
    상기 제1 이미지로부터 복수의 객체가 식별되면 상기 복수의 객체의 타입에 기초하여 상기 복수의 객체 중 하나의 객체를 식별하고,
    상기 식별된 객체의 크기가 임계 크기 미만이면 상기 식별된 객체를 포함하는 상기 기설정된 크기의 영역을 업스케일링하는, 전자 장치.
11. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 이미지 및 상기 제2 이미지를 YUV 색좌표로 변환하고,
    상기 YUV 색좌표로 변환된 제1 이미지 및 상기 YUV 색좌표로 변환된 제2 이미지를 비교하여 상기 제1 이미지 및 상기 제2 이미지 간의 색상 차이를 식별하는, 전자 장치.
12. 전자 장치의 제어 방법에 있어서,
    제1 이미지의 품질에 기초하여 상기 제1 이미지를 영상 처리하는 단계;
    상기 영상 처리된 제1 이미지를 이미지의 스타일을 변환하도록 학습된 제1 신경망 모델에 입력하여 스타일이 변환된 제2 이미지를 획득하는 단계;
    상기 제1 이미지 및 상기 제2 이미지 간의 색상 차이가 제1 임계 값 이상이면, 상기 제1 이미지의 휘도 값 및 상기 제2 이미지의 휘도 값을 가중합하는 단계; 및
    상기 제1 이미지의 휘도 값을 상기 가중합된 휘도 값으로 변경하는 단계;를 포함하는 제어 방법.
13. 제12항에 있어서,
    상기 영상 처리하는 단계는,
    상기 제1 이미지의 선명도, 상기 제1 이미지의 대조비 또는 상기 제1 이미지에 포함된 객체의 크기 중 적어도 하나를 식별하고,
    상기 식별된 정보에 기초하여 상기 제1 이미지를 영상 처리하는, 제어 방법.
14. 제13항에 있어서,
    상기 영상 처리하는 단계는,
    상기 제1 이미지의 주파수 성분에 기초하여 상기 제1 이미지의 선명도를 식별하고,
    상기 제1 이미지의 선명도가 임계 선명도 미만이면 상기 제1 이미지를 이미지의 선명도가 향상되도록 학습된 제2 신경망 모델에 입력하여 선명도가 향상된 제1 이미지를 획득하는, 제어 방법.
15. 제14항에 있어서,
    상기 영상 처리하는 단계는,
    상기 제1 이미지로부터 객체를 식별하고,
    상기 객체를 포함하는 기설정된 크기의 제1 영역의 주파수 성분에 기초하여 상기 제1 영역의 제1 선명도를 식별하고,
    상기 제1 선명도가 상기 임계 선명도 미만이면 상기 제1 이미지를 상기 제2 신경망 모델에 입력하여 상기 선명도가 향상된 제1 이미지를 획득하는, 제어 방법.
16. 제15항에 있어서,
    상기 영상 처리하는 단계는,
    상기 제1 이미지에서 상기 제1 영역을 제외한 나머지 영역인 제2 영역의 주파수 성분에 기초하여 상기 제2 영역의 제2 선명도를 식별하고,
    상기 제1 선명도가 상기 제2 선명도보다 제2 임계 값 이상 크고 상기 제1 선명도가 상기 임계 선명도 미만이면, 상기 제1 영역을 상기 제2 신경망 모델에 입력하여 선명도가 향상된 제1 영역을 획득하는, 제어 방법.
17. 제13항에 있어서,
    상기 영상 처리하는 단계는,
    상기 제1 이미지의 대조비가 임계 대조비 미만이면, 상기 제1 이미지를 이미지의 대조비가 향상되도록 학습된 제3 신경망 모델에 입력하여 대조비가 향상된 제1 이미지를 획득하거나 히스토그램 평활화(histogram equalization) 방법을 통해 상기 대조비가 향상된 제1 이미지를 획득하는, 제어 방법.
18. 제13항에 있어서,
    상기 영상 처리하는 단계는,
    상기 제1 이미지에 포함된 객체의 크기가 임계 크기 미만이면 상기 객체를 포함하는 기설정된 크기의 영역을 업스케일링하고,
    상기 제2 이미지를 획득하는 단계는,
    상기 업스케일링된 영역을 상기 제1 신경망 모델에 입력하여 스타일이 변환된 업스케일링된 영역을 획득하고,
    상기 스타일이 변환된 업스케일링된 영역을 다운스케일링하는, 제어 방법.
19. 제18항에 있어서,
    상기 제2 이미지를 획득하는 단계는,
    상기 다운스케일링된 영역에 기초하여 상기 제2 이미지를 업데이트하는, 제어 방법.
20. 제18항에 있어서,
    상기 영상 처리하는 단계는,
    상기 기설정된 크기의 영역을 이미지를 업스케일링하도록 학습된 제4 신경망 모델에 입력하여 상기 업스케일링된 영역을 획득하거나, 상기 기설정된 크기의 영역을 보간하여 상기 업스케일링된 영역을 획득하는, 제어 방법.

Images