KR20230061776A - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20230061776A
KR20230061776A KR1020210146357A KR20210146357A KR20230061776A KR 20230061776 A KR20230061776 A KR 20230061776A KR 1020210146357 A KR1020210146357 A KR 1020210146357A KR 20210146357 A KR20210146357 A KR 20210146357A KR 20230061776 A KR20230061776 A KR 20230061776A
Authority
KR
South Korea
Prior art keywords
shape model
image
information
texture
model
Prior art date
Application number
KR1020210146357A
Other languages
English (en)
Inventor
유지성
박영진
김대현
문보석
이용구
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 KR1020210146357A priority Critical patent/KR20230061776A/ko
Priority to EP22887703.1A priority patent/EP4332905A1/en
Priority to PCT/KR2022/016711 priority patent/WO2023075508A1/ko
Publication of KR20230061776A publication Critical patent/KR20230061776A/ko
Priority to US18/208,976 priority patent/US20230326120A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

전자 장치가 개시된다. 본 개시에 따른 전자 장치는, 통신 회로를 포함하는 통신 인터페이스; 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 프로세서는, 사람 오브젝트를 포함하는 이미지를 획득하고, 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 획득하고, 3D 형상 모델의 각 영역 별 식별 정보에 기초하여 이미지의 텍스처를 3D 형상 모델에 매핑하고, 이미지의 텍스처가 매핑된 3D 형상 모델에 기초하여 사람 오브젝트에 대응되는 3D 아바타를 생성한다.

Description

전자 장치 및 그 제어 방법{ELECTRONIC APPARATUS AND METHOD FOR CONTROLLING THEREOF}
본 개시는 전자 장치 및 그 제어 방법으로, 보다 상세하게는, 이미지에 포함된 사람 오브젝트에 대응되는 3D 아바타를 획득하는 전자 장치 및 그 제어 방법에 관한 것이다.
근래에는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습시키고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습시키는 알고리즘 기술이며, 요소 기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 수행하기 위한 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다. 특히, 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화 시스템, 질의 응답, 음성 인식/합성 등을 포함한다.
한편, 최근에는 인공 지능 모델을 이용하여 사람에 대응되는 3D 아바타를 생성하는 기술에 대한 연구가 활발히 진행 중이다. 기존의 아바타 생성 시스템은, 사용자의 얼굴 사진을 캡쳐한 뒤, 3D 얼굴 모델을 생성하고 얼굴을 제외한 나머지 부분들은 기존의 템플릿 모델을 활영하여 3D 아바타를 생성하였다. 때문에, 생성된 3D 아바타가 실제 사용자의 모습과 닮지 않는다는 문제가 있었다. 또한, 3D 아바타 생성을 위해서는 다양한 각도에서 사용자를 촬영한 다수의 이미지가 필요하였으며, 사람이 매뉴얼하게 리깅하는 작업을 수행해야만 했다.
이에 따라, 사용자의 추가적인 리깅 작업 없이 사용자를 촬영한 하나의 이미지만으로도 사용자의 실제 모습과 닮은 3D 아바타를 생성할 수 있는 기술이 필요한 실정이다.
본 발명이 해결하고자 하는 일 기술적 과제는, 사용자를 촬영한 하나의 이미지로 사용자의 실제 모습과 닮은 3D 아바타를 생성하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 전자 장치에 있어서, 통신 회로를 포함하는 통신 인터페이스; 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 사람 오브젝트를 포함하는 이미지를 획득하고, 상기 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 획득하고, 상기 3D 형상 모델의 각 영역 별 식별 정보에 기초하여 상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하고, 상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델에 기초하여 상기 사람 오브젝트에 대응되는 3D 아바타를 생성하는 전자 장치가 제공될 수 있다.
상기 프로세서는, 상기 이미지의 텍스처를 상기 3D 형상 모델의 제1 영역에 매핑하여 제1 3D 형상 모델을 획득하고, 상기 식별 정보에 기초하여 상기 3D 형상 모델의 영역 중 상기 제1 영역이 아닌 제2 영역에 상기 이미지의 텍스처를 매핑하여 제2 3D 형상 모델을 획득할 수 있다.
상기 프로세서는, 상기 제1 3D 형상 모델에 대해 이미지 세그멘테이션(image segmentation)을 수행하여 상기 3D 형상 모델의 각 영역 별 식별 정보를 획득할 수 있다.
상기 프로세서는, 기설정된 오브젝트에 대응되는 영역을 식별하도록 학습된 제1 신경망 모델에 상기 이미지를 입력하여 상기 이미지에서 상기 사람 오브젝트가 존재하는 영역에 대한 정보를 획득하고, 오브젝트의 자세를 추정하도록 학습된 제2 신경망 모델에 상기 이미지를 입력하여 상기 사람 오브젝트의 자세 정보를 획득하고, 3D 형상 모델을 생성하도록 학습된 제3 신경망 모델에 상기 이미지에서 상기 사람 오브젝트가 존재하는 상기 영역에 대한 정보 및 상기 사람 오브젝트의 상기 자세 정보를 입력하여 상기 3D 형상 모델에 대한 정보를 획득할 수 있다.
상기 프로세서는, 3D 형상 모델에 대응되는 텍스처에 대한 정보를 획득하도록 학습된 제4 신경망 모델에 상기 이미지, 상기 3D 형상 모델에 대한 정보 및 상기 식별 정보를 입력하여 상기 3D 형상 모델에 매핑될 텍스처에 대한 정보를 획득하고, 상기 획득된 텍스처에 대한 정보에 기초하여 상기 3D 형상 모델에 텍스처 매핑을 수행할 수 있다.
상기 프로세서는, 조인트 정보를 획득하도록 학습된 제5 신경망 모델에 상기 3D 형상 모델에 대한 정보 및 상기 사람 오브젝트의 자세 정보를 입력하여 상기 사람 오브젝트에 대응되는 조인트 정보를 획득하고, 상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델 및 상기 조인트 정보에 기초하여 상기 3D 아바타를 생성할 수 있다.
상기 프로세서는, 상기 사람 오브젝트의 얼굴을 촬영한 촬영 이미지를 획득하고, 얼굴을 재구성하도록 학습된 제6 신경망 모델에 상기 촬영 이미지를 입력하여 상기 사람 오브젝트의 3D 얼굴 모델을 획득하고, 상기 3D 형상 모델과 상기 3D 얼굴 모델을 합성할 수 있다.
상기 프로세서는, 상기 3D 아바타의 품질이 기설정된 품질 이상이면, 상기 3D 아바타에 대한 정보를 외부 장치로 전송하도록 상기 통신 인터페이스를 제어할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 전자 장치의 제어 방법에 있어서, 사람 오브젝트를 포함하는 이미지를 획득하는 단계; 상기 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 획득하는 단계; 상기 3D 형상 모델의 각 영역 별 식별 정보에 기초하여 상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하는 단계; 및 상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델에 기초하여 상기 사람 오브젝트에 대응되는 3D 아바타를 생성하는 단계;를 포함하는 제어 방법이 제공될 수 있다.
상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하는 단계는, 상기 이미지의 텍스처를 상기 3D 형상 모델의 제1 영역에 매핑하여 제1 3D 형상 모델을 획득하는 단계, 및 상기 식별 정보에 기초하여 상기 3D 형상 모델의 영역 중 상기 제1 영역이 아닌 제2 영역에 상기 이미지의 텍스처를 매핑하여 제2 3D 형상 모델을 획득하는 단계를 포함할 수 있다.
상기 제어 방법은, 상기 제1 3D 형상 모델에 대해 이미지 세그멘테이션(image segmentation)을 수행하여 상기 3D 형상 모델의 각 영역 별 식별 정보를 획득하는 단계;를 더 포함할 수 있다.
상기 3D 형상 모델을 획득하는 단계는, 기설정된 오브젝트에 대응되는 영역을 식별하도록 학습된 제1 신경망 모델에 상기 이미지를 입력하여 상기 이미지에서 상기 사람 오브젝트가 존재하는 영역에 대한 정보를 획득하는 단계, 오브젝트의 자세를 추정하도록 학습된 제2 신경망 모델에 상기 이미지를 입력하여 상기 사람 오브젝트의 자세 정보를 획득하는 단계, 및 3D 형상 모델을 생성하도록 학습된 제3 신경망 모델에 상기 이미지에서 상기 사람 오브젝트가 존재하는 상기 영역에 대한 정보 및 상기 사람 오브젝트의 상기 자세 정보를 입력하여 상기 3D 형상 모델에 대한 정보를 획득하는 단계를 포함할 수 있다.
상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하는 단계는, 3D 형상 모델에 대응되는 텍스처에 대한 정보를 획득하도록 학습된 제4 신경망 모델에 상기 이미지, 상기 3D 형상 모델에 대한 정보 및 상기 식별 정보를 입력하여 상기 3D 형상 모델에 매핑될 텍스처에 대한 정보를 획득하는 단계, 및 상기 획득된 텍스처에 대한 정보에 기초하여 상기 3D 형상 모델에 텍스처 매핑을 수행하는 단계를 포함할 수 있다.
상기 제어 방법은, 조인트 정보를 획득하도록 학습된 제5 신경망 모델에 상기 3D 형상 모델에 대한 정보 및 상기 사람 오브젝트의 자세 정보를 입력하여 상기 사람 오브젝트에 대응되는 조인트 정보를 획득하는 단계;를 더 포함하고, 상기 3D 아바타를 생성하는 단계는, 상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델 및 상기 조인트 정보에 기초하여 상기 3D 아바타를 생성할 수 있다.
상기 제어 방법은, 상기 사람 오브젝트의 얼굴을 촬영한 촬영 이미지를 획득하는 단계; 및 얼굴을 재구성하도록 학습된 제6 신경망 모델에 상기 촬영 이미지를 입력하여 상기 사람 오브젝트의 3D 얼굴 모델에 대한 정보를 획득하는 단계;를 더 포함하고, 상기 3D 형상 모델을 획득하는 단계는, 상기 3D 형상 모델과 상기 3D 얼굴 모델을 합성하는 단계를 포함할 수 있다.
상기 제어 방법은, 상기 3D 아바타의 품질이 기설정된 품질 이상이면, 상기 3D 아바타에 대한 정보를 외부 장치로 전송하는 단계;를 더 포함할 수 있다.
본 개시의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 사용자를 촬영한 하나의 이미지로 사용자의 실제 모습과 닮은 3D 아바타를 생성할 수 있다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 자동을 리깅을 수행하여 3D 아바타를 생성할 수 있다. 이에 따라, 사용자의 편의성이 향상될 수 있다.
그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.
본 개시의 다른 양상, 이점 및 두드러진 특징들은 첨부된 도면과 관련하여 본 발명의 다양한 실시 예들을 개시하는 다음의 상세한 설명으로부터 당업자에게 명백해질 것이다.
본 개시의 특정 실시 예의 양상, 특징 및 이점은 첨부된 도면들을 참조하여 후술되는 설명을 통해 보다 명확해질 것이다.
도 1은 본 개시의 일 실시 예에 따른 3D 아바타 생성 시스템을 설명하기 위한 도면이다.
도 2는 본 개시의 제1 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다.
도 3은 본 개시의 제2 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 3D 형상 모델 획득 방법을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 3D 형상 모델 획득 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 텍스처 매핑 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 텍스처 매핑 방법을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 리깅 방법을 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
도 10은 본 개시의 일 실시 예에 따른 3D 아바타 생성 시스템을 설명하기 위한 시퀀스도이다.
도 11은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
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 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 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.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 개시의 일 실시 예에 따른 3D 아바타 생성 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 3D 아바타 생성 시스템(1000)은 사용자 단말(101) 및 서버(102)를 포함할 수 있다. 사용자 단말(101)은 사용자 단말(101)에 저장된 사람 오브젝트(1)를 포함하는 이미지(11)를 식별할 수 있다. 예를 들어, 사용자 단말(101)은 저장된 복수의 이미지 중 사람 오브젝트를 포함하는 이미지를 검색하여 이미지(11)를 식별할 수 있다. 또는, 사용자 단말(101)은 특정 이미지를 선택하는 사용자 명령에 기초하여 이미지(11)를 식별할 수 있다.
사용자 단말(101)은 이미지(11)를 서버(102)로 전송할 수 있다. 서버(102)는 사람 오브젝트(1)에 대응되는 3D 아바타(12)를 생성할 수 있다. 예를 들어, 서버(102)는 3D 아바타(12)에 대한 정보를 사용자 단말(101)로 전송할 수 있다. 사용자 단말(101)은 3D 아바타(12)에 대한 정보에 기초하여 3D 컨텐츠를 렌더링하여 출력할 수 있다.
기존의 아바타 생성 시스템에서는 3D 아바타를 생성하기 위해 동일한 환경을 다양한 각도에서 촬영된 복수의 이미지가 필요하였다. 이에 반해, 본 개시에 따른 3D 아바타 생성 시스템(1000)에서는 사용자 단말(101)에 저장된 하나의 이미지(11)만으로도 3D 아바타(12)가 생성될 수 있다. 따라서, 3D 아바타 생성 시스템(1000)은 기존의 아바타 생성 시스템에 비해 간편하게 3D 아바타(12)를 생성할 수 있다는 장점이 있다.
도 2는 본 개시의 제1 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다.
도 2를 참조하면, 전자 장치(200)는 통신 인터페이스(210), 메모리(220) 및 프로세서(230)를 포함할 수 있다. 예를 들어, 전자 장치(200)는 도 1의 서버(102)일 수 있다.
통신 인터페이스(210)는 적어도 하나의 통신 회로를 포함하며, 다양한 유형의 외부 기기 또는 외부 서버와 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(210)는 외부 장치로부터 사람 오브젝트를 포함하는 이미지를 수신할 수 있다. 또는, 통신 인터페이스(210)는 이미지에 기초하여 생성된 3D 아바타에 대한 정보를 외부 장치로 전송할 수 있다.
한편, 통신 인터페이스(210)는 와이파이 통신 모듈, 셀룰러 통신모듈, 3G(3세대) 이동통신 모듈, 4G(4세대) 이동통신 모듈, 4세대 LTE(Long Term Evolution) 통신 모듈, 5G(5세대) 이동통신 모듈 중 적어도 하나를 포함할 수 있다.
메모리(220)는 전자 장치(200)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(200)의 구성요소와 관련된 명령 또는 데이터를 저장할 수 있다. 메모리(220)는 3D 아바타를 생성하기 위한 모듈이 각종 동작을 수행하기 위해 필요한 데이터를 저장할 수 있다. 3D 아바타를 생성하기 위한 모듈은 3D 형상 모델 생성 모듈(231), 텍스처 매핑 모듈(232), 리깅 모듈(233), 얼굴 재구성 모듈(234) 및 3D 아바타 생성 모듈(235)을 포함할 수 있다. 또한, 메모리(220)는 3D 아바타를 생성하기 위해 필요한 신경망 모델을 저장할 수 있다. 한편, 메모리(220)는 비휘발성 메모리(ex: 하드 디스크, SSD(Solid state drive), 플래시 메모리), 휘발성 메모리 등으로 구현될 수 있다.
프로세서(230)는 메모리(220)와 전기적으로 연결되어 전자 장치(200)의 전반적인 기능 및 동작을 제어할 수 있다. 프로세서(230)는 통신 인터페이스(210)를 통해 사람 오브젝트를 포함하는 이미지가 수신되면, 비휘발성 메모리에 저장되어 있는 모듈(231 내지 235)이 각종 동작을 수행하기 위한 데이터를 휘발성 메모리로 로딩(loading)할 수 있다. 여기서, 로딩이란 프로세서(230)가 액세스할 수 있도록 비휘발성 메모리에 저장된 데이터를 휘발성 메모리에 불러들여 저장하는 동작을 의미한다.
3D 아바타 생성 모듈(235)은 사용자 오브젝트에 대응되는 3D 아바타를 생성하기 위한 모듈로, 3D 형상 모델 생성 모듈(231), 텍스처 매핑 모듈(232), 리깅 모듈(233) 및 얼굴 재구성 모듈(234)을 포함할 수 있다.
3D 형상 모델 생성 모듈(231)은 통신 인터페이스(210)를 통해 수신되는 이미지에 포함된 오브젝트에 대응되는 3D 형상 모델을 생성할 수 있다. 예를 들어, 3D 형상 모델 생성 모듈(231) 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 생성할 수 있다. 3D 형상 모델이란, 3차원 공간 상의 오브젝트 또는 폴리곤 메시(polygon mesh)를 의미할 수 있다.
3D 형상 모델 생성 모듈(231)은 신경망 모델을 이용하여 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 생성할 수 있다. 예를 들어, 3D 형상 모델 생성 모듈(231)은 기설정된 오브젝트에 대응되는 영역을 식별하도록 학습된 제1 신경망 모델에 이미지를 입력하여 이미지에서 사람 오브젝트가 존재하는 영역에 대한 정보를 획득할 수 있다. 또한, 3D 형상 모델 생성 모듈(231)은 오브젝트의 자세를 추정하도록 학습된 제2 신경망 모델에 이미지를 입력하여 사람 오브젝트의 자세 정보를 획득할 수 있다. 그리고, 3D 형상 모델 생성 모듈(231)은 3D 형상 모델을 생성하도록 학습된 제3 신경망 모델에 사람 오브젝트가 존재하는 영역에 대한 정보 및 사람 오브젝트의 자세 정보를 입력하여 3D 형상 모델에 대한 정보를 획득할 수 있다.
텍스처 매핑 모듈(232)은 3D 형상 모델에 대한 텍스처 매핑을 수행할 수 있다. 텍스처 매핑이란, 3D 형상 모델의 표면에 세부적인 질감의 묘사를 하거나 색을 칠하는 동작을 의미한다. 텍스처 매핑 모듈(232)은 이미지의 텍스처를 추출하고 추출된 텍스처를 3D 형상 모델에 투영할 수 있다. 예를 들어, 텍스처 매핑 모듈(232)은 이미지의 텍스처를 3D 형상 모델의 제1 영역(예로, 전면 영역)에 투영하여 제1 3D 형상 모델을 획득할 수 있다.
텍스처 매핑 모듈(232)은 3D 형상 모델의 각 영역 별 식별 정보에 기초하여 텍스처 매핑을 수행할 수 있다. 텍스처 매핑 모듈(232)은 식별 정보에 기초하여 3D 형상 모델의 영역 중 제1 영역이 아닌 제2 영역에 이미지의 텍스처를 매핑하여 제2 3D 형상 모델을 획득할 수 있다. 여기서, 식별 정보는, 특정 신체 부위에 대응되는 레이블 값을 포함할 수 있다. 일 예로, 3D 형상 모델의 영역 중 제1 식별 정보에 대응되는 머리 영역에 텍스처를 매핑하는 경우, 텍스처 매핑 모듈(232)은 3D 형상 모델의 제1 영역(얼굴 영역)에는 이미지(예로, 사용자의 정면을 촬영한 이미지)의 텍스처를 그대로 투영할 수 있다. 그리고, 텍스처 매핑 모듈(232)은 제2 영역(뒤통수 영역)에는 이미지의 텍스처 중 특정 영역(예로, 앞머리 영역)의 텍스처를 투영할 수 있다.
다른 일 예로, 3D 형상 모델의 영역 중 제2 식별 정보에 대응되는 몸통 영역에 텍스처를 매핑하는 경우, 텍스처 매핑 모듈(232)은 몸통 영역 전체에 이미지의 텍스처를 투영할 수 있다. 한편, 텍스처 매핑 모듈(232)은 제1 3D 형상 모델에 대해 이미지 세그멘테이션(image segmentation)을 수행하여 3D 형상 모델의 각 영역 별 식별 정보를 획득할 수 있다.
텍스처 매핑 모듈(232)은 신경망 모델을 이용하여 텍스처 매핑을 수행할 수 있다. 예를 들어, 텍스처 매핑 모듈(232)은 3D 형상 모델에 대응되는 텍스처에 대한 정보를 획득하도록 학습된 제4 신경망 모델에 이미지, 3D 형상 모델에 대한 정보 및 식별 정보를 입력하여 3D 형상 모델에 매핑될 텍스처에 대한 정보를 획득할 수 있다. 3D 형상 모델에 매핑될 텍스처에 대한 정보는 UV 맵에 대한 정보를 포함할 수 있다. 텍스처 매핑 모듈(232)은 제4 신경망 모델을 통해 획득된 텍스처에 대한 정보에 기초하여 3D 형상 모델에 텍스처 매핑을 수행할 수 있다.
리깅 모듈(233)은 3D 형상 모델 및 사람 오브젝트의 자세 정보에 기초하여 3D 형상 모델에 대한 리깅을 수행할 수 있다. 리깅 모듈(233)은 3D 형상 모델을 구성하는 각 조인트와 3D 형상 모델의 표면의 관계를 정의할 수 있다. 리깅 모듈(233)은 3D 형상 모델의 조인트 정보를 획득하여 메모리(220)에 저장할 수 있다. 3D 형상 모델의 조인트 정보란, 3D 형상 모델을 구성하는 각 조인트에 대응되는 파라미터를 포함할 수 있다. 각 조인트에 대응되는 파라미터는 각 조인트와 3D 형상 모델의 표면 간의 상관 관계와 관련될 수 있다. 예를 들어, 제1 조인트에 대응되는 제1 파라미터는 제1 조인트의 움직임에 따라 3D 형상 모델의 제1 영역의 표면이 어떻게 변하는 지에 대한 정보와 관련될 수 있다.
한편, 리깅 모듈(233)은 신경망 모델을 이용하여 3D 형상 모델의 조인트 정보를 획득할 수 있다. 예를 들어, 리깅 모듈(233)은 조인트 정보를 획득하도록 학습된 제5 신경망 모델에 3D 형상 모델에 대한 정보 및 사람 오브젝트의 자세 정보를 입력하여 사람 오브젝트에 대응되는 조인트 정보를 획득할 수 있다.
얼굴 재구성 모듈(234)은 사람 오브젝트의 얼굴을 촬영한 촬영 이미지에 기초하여 3D 얼굴 모델을 획득할 수 있다. 얼굴 재구성 모듈(234)은 3D 형상 모델 생성 모듈(231)에 의해 생성된 3D 형상 모델과 3D 얼굴 모델을 합성할 수 있다. 예를 들어, 3D 형상 모델의 얼굴 영역이 3D 얼굴 모델로 치환될 수 있다. 이에 따라, 3D 형상 모델의 얼굴 영역의 퀄리티가 향상될 수 있다. 한편, 텍스처 매핑 모듈(232)은 3D 형상 모델과 3D 얼굴 모델이 합성된 새로운 3D 형상 모델에 대해 텍스처 매핑을 수행할 수 있다. 또한, 리깅 모듈(233)은 새로운 3D 형상 모델의 조인트 정보를 획득할 수 있다.
3D 형상 모델에 대한 텍스처 매핑 및 리깅이 수행되면, 3D 형상 모델로부터 3D 아바타가 생성될 수 있다. 3D 아바타 생성 모듈(235)은 생성된 3D 아바타에 대한 정보를 메모리(220)에 저장할 수 있다. 한편, 3D 아바타 생성 모듈(235)은 기저장된 모션 파라미터에 기초하여 3D 아바타의 모션을 렌더링할 수 있다.
한편, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(230)와 메모리(220)를 통해 동작된다. 프로세서(230)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 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리(220)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 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.
인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 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 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
인공지능 모델은 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계된 인공지능 전용 프로세서에 의해 처리될 수 있다. 인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 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.
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), GAN (Generative Adversarial 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.
한편, 전자 장치(100)는 사용자 음성을 전처리하기 위한 적응 반향 제거(adaptive echo canceller)(AEC) 모듈, 노이즈 억제(noise suppression)(NS) 모듈, 종점 검출(end-point detection)(EPD) 모듈 또는 자동 이득 제어(automatic gain control)(AGC) 모듈을 포함할 수 있다. 또한, 전자 장치(100)는 아날로그 음성 신호를 디지털 신호로 변경하거나, 저장된 디지털 영상 또는 디지털 음성 신호를 아날로그 신호로 변경하는 디지털신호처리부(DSP, digital signal processor)를 포함할 수 있다.
도 3은 본 개시의 제2 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다.
도 3을 참조하면, 전자 장치(300)는 사용자 입력부(310), 디스플레이(320), 통신 인터페이스(330), 메모리(340) 및 프로세서(350)를 포함할 수 있다. 예를 들어, 전자 장치(300)는 도 1의 사용자 단말(101)일 수 있다. 한편, 통신 인터페이스(330), 메모리(340) 및 프로세서(350)는 도 2에서 서술한 통신 인터페이스(210), 메모리(220) 및 프로세서(230)에 대응될 수 있는 바, 중복되는 설명은 생략하도록 한다.
사용자 입력부(310)는 사용자 명령을 입력받기 위한 구성이다. 예를 들어, 프로세서(350)는 사용자 입력부(310)를 통해 특정 이미지를 선택하는 사용자 명령을 수신할 수 있다. 사용자 입력부(310)는 하나 이상의 버튼, 키보드, 마우스 등을 포함할 수 있으며, 사용자 명령을 모션 형태로 입력받기 위한 카메라를 포함할 수도 있다. 디스플레이(320)가 터치 패드 또는 터치 패널로 구현되는 경우, 디스플레이(320)는 사용자 명령을 터치 형태로 수신한다는 점에서 사용자 입력부(310)에 포함된다고 할 수 있다.
디스플레이(320)는 프로세서(350)의 제어에 따라 하나 이상의 이미지를 표시하기 위한 구성이다. 예를 들어, 디스플레이(320)는 렌더링된 3D 컨텐츠를 표시할 수 있다. 디스플레이(320)는 LCD(Liquid Crystal Display Panel), OLED(Organic Light Emitting Diodes) 등으로 구현될 수 있으며, 또한 디스플레이(320)는 플렉서블 디스플레이, 투명 디스플레이 등으로 구현될 수 있다. 다만, 본 개시에 따른 디스플레이(320)가 특정한 종류에 한정되는 것은 아니다.
프로세서(350)는 메모리(340)에 저장된 복수의 이미지들 중 3D로 복원 가능한 이미지를 식별할 수 있다. 예를 들어, 프로세서(350)는 사람 오브젝트를 포함하는 이미지를 3D로 복원 가능한 이미지로 식별할 수 있다. 프로세서(350)는 사람 오브젝트를 포함하는 이미지들 중 사람 오브젝트의 얼굴 영역이 나타나 있는 이미지를 식별할 수 있다. 또는, 프로세서(350)는 사용자에 의해 선택된 이미지를 식별할 수 있다. 프로세서(350)는 식별된 이미지를 외부 장치로 전송하도록 통신 인터페이스(330)를 제어할 수 있다.
프로세서(350)는 생성된 3D 아바타를 렌더링할 수 있다. 그리고, 프로세서(350)는 렌더링된 3D 아바타를 표시하도록 디스플레이(320)를 제어할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 3D 형상 모델 획득 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 전자 장치(200)는 사람 오브젝트(1)를 포함하는 이미지(41)를 획득할 수 있다. 전자 장치(200)는 이미지(41)를 제1 신경망 모델(NN1)에 입력하여 사람 오브젝트(1)에 대응되는 영역에 대한 정보를 획득할 수 있다. 제1 신경망 모델(NN1)은 오브젝트에 대응되는 영역을 추출하도록 학습된 신경망 모델일 수 있다. 전자 장치(200)는 이미지(41)를 제2 신경망 모델(NN2)에 입력하여 사람 오브젝트(1)의 자세 정보를 획득할 수 있다. 제2 신경망 모델(NN2)은 오브젝트의 자세를 추정하도록 학습된 신경망 모델일 수 있다. 전자 장치(200)는 사람 오브젝트(1)에 대응되는 영역에 대한 정보 및 사람 오브젝트(1)의 자세 정보를 제3 신경망 모델(NN3)에 입력하여 사람 오브젝트(1)에 대응되는 3D 형상 모델(42)에 대한 정보를 획득할 수 있다. 제3 신경망 모델(NN3)은 3D 형상 모델을 생성하도록 학습된 신경망 모델일 수 있다.
한편, 제1 신경망 모델(NN1), 제2 신경망 모델(NN2) 및 제3 신경망 모델(NN3)은 하나의 신경망 모델로 통합될 수 있다. 이 때, 전자 장치(200)는 통합된 신경망 모델에 이미지(41)를 입력하여 3D 형상 모델(42)에 대한 정보를 획득할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 3D 형상 모델 획득 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 전자 장치(200)는 사람 오브젝트의 얼굴(2)을 촬영한 촬영 이미지(51)를 획득할 수 있다. 촬영 이미지(51)는 사용자 단말에 저장되어 있을 수 있다. 전자 장치(200)는 사람 오브젝트의 얼굴(2)을 재구성하여 얼굴(2)에 대응되는 3D 얼굴 모델(52)을 획득할 수 있다(S510). 예를 들어, 전자 장치(200)는 얼굴을 재구성하도록 학습된 제6 신경망 모델에 촬영 이미지(51)를 입력하여 3D 얼굴 모델(52)을 획득할 수 있다. 전자 장치(200)는 3D 얼굴 모델(52) 및 사람 오브젝트에 대응되는 3D 형상 모델(53)을 합성하여 얼굴 영역의 퀄리티가 개선된 새로운 3D 형상 모델(54)을 획득할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 텍스처 매핑 방법을 설명하기 위한 도면이다.
도 6을 참조하면, 전자 장치(200)는 사람 오브젝트(1)를 포함하는 이미지(61)의 텍스처를 사람 오브젝트(1)에 대응되는 제1 3D 형상 모델(62)에 투영할 수 있다(S610). 이에 따라, 전자 장치(200)는 제1 영역에 텍스처가 투영된 제2 3D 형상 모델(63)을 획득할 수 있다.
전자 장치(200)는 제2 3D 형상 모델(63)에 대해 세그멘테이션(segmentation)을 수행하여 상기 제2 3D 형상 모델(63)의 각 영역 별 식별 정보(64)를 획득할 수 있다(S620). 예를 들어, 전자 장치(200)는 제2 3D 형상 모델(63)의 머리 부분, 팔 부분 및 다리 부분 각각에 대한 식별 정보를 획득할 수 있다.
전자 장치(200)는 제2 3D 형상 모델(63)의 각 영역 별 식별 정보(64)에 기초하여 제2 3D 형상 모델(63)에 대해 텍스처 인 페인팅을 수행할 수 있다(S630). 이에 따라, 전자 장치(200)는 제2 3D 형상 모델(63)의 전체 영역에 텍스처가 투영된 제3 3D 형상 모델(65)을 획득할 수 있다.
예를 들어, 제2 3D 형상 모델(63)의 팔 부분에 대해서, 전자 장치(200)는 제1 영역(예로, 전면 영역)의 텍스처를 제2 영역(예로, 후면 영역)에도 그대로 투영할 수 있다. 다른 일 예로, 제2 3D 형상 모델(63)의 머리 부분에 대해서는, 전자 장치(200)는 제1 영역의 텍스처를 제2 영역에 그대로 투영하지 않을 수 있다. 이 때, 전자 장치(200)는 머리 부분의 특정 영역(예로, 머리 카락 부분)의 텍스처를 머리 부분의 제2 영역(즉, 뒤통수)에 투영할 수 있다. 이처럼, 전자 장치(200)는 3D 형상 모델의 각 부별 특징을 고려하여 텍스처 매핑을 수행함으로써 보다 자연스러운 텍스처를 연출할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 텍스처 매핑 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 전자 장치(200)는 사람 오브젝트(1)를 포함하는 이미지(71), 사람 오브젝트(1)에 대응되는 3D 형상 모델(72) 및 3D 형상 모델(72)의 각 영역 별 식별 정보(73)를 제4 신경망 모델(NN4)에 입력하여 3D 형상 모델(72)에 투영될 텍스처에 대한 정보(74)를 획득할 수 있다. 전자 장치(200)는 획득된 텍스처에 대한 정보(74)에 기초하여 3D 형상 모델(72)에 대한 텍스처 매핑을 수행할 수 있다. 제4 신경망 모델(NN4)은 3D 형상 모델에 대응되는 텍스처에 대한 정보를 획득하도록 학습된 신경망 모델일 수 있다.
도 8은 본 개시의 일 실시 예에 따른 리깅 방법을 설명하기 위한 도면이다.
도 8을 참조하면, 전자 장치(200)는 사람 오브젝트의 자세 정보(81) 및 사람 오브젝트에 대응되는 3D 형상 모델(82)에 기초하여 3D 형상 모델(82)에 대한 리깅(rigging)을 수행할 수 있다(S810). 예를 들어, 전자 장치(200)는 3D 형상 모델(82)을 구성하는 각 조인트와 3D 형상 모델(82)의 표면의 관계를 정의할 수 있다. 전자 장치(200)는 리깅을 수행하여 3D 형상 모델(82)의 조인트 정보(83)를 획득할 수 있다. 조인트 정보(83)는 3D 형상 모델(82)을 구성하는 각 조인트에 대응되는 파라미터를 포함할 수 있다. 각 조인트에 대응되는 파라미터는 각 조인트와 3D 형상 모델(82)의 표면 간의 상관 관계와 관련될 수 있다.
전자 장치(200)는 조인트 정보(83) 및 텍스처에 대한 정보(84)에 기초하여 사람 오브젝트에 대응되는 3D 아바타(85)를 생성할 수 있다. 즉, 전자 장치(200)는 3D 형상 모델(82)에 대한 리깅 및 텍스처 매핑을 수행하여 3D 아바타(85)를 생성할 수 있다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
도 9를 참조하면, 전자 장치(200)는 사람 오브젝트의 얼굴을 촬영한 제1 이미지를 획득할 수 있다(S910).
전자 장치(200)는 사람 오브젝트의 얼굴의 각 요소에 대한 특징 값 및 파라미터를 추출할 수 있다. 예를 들어, 전자 장치(200)는 사람 오브젝트의 눈, 코 및 입와 같은 각각의 요소에 대한 특징값을 획득할 수 있다. 그리고, 전자 장치(200)는 획득된 특징값에 기초하여 사람 오브젝트의 얼굴의 각 요소에 대한 파라미터를 추출할 수 있다. 전자 장치(200)는 신경망 모델을 이용하여 특징값 및 파리미터를 획득할 수 있다.
전자 장치(200)는 획득된 파라미터에 기초하여 사람 오브젝트의 얼굴에 대응되는 3D 얼굴 모델을 획득할 수 있다(S930). 예를 들어, 전자 장치(200)는 기저장된 3D 얼굴 생성 프로그램에 파라미터를 입력하여 3D 얼굴 모델을 획득할 수 있다. 전자 장치(200)는 3D 얼굴 모델에 기초하여 제2 이미지를 획득할 수 있다(S940). 전자 장치(200)는 3D 얼굴 모델에 대해 2D 렌더링을 수행하여 제2 이미지를 획득할 수 있다. 전자 장치(200)는 제1 이미지 및 제2 이미지의 차이가 기설정된 값 이하인지 판단할 수 있다(S950). 예를 들어, 전자 장치(200)는 제1 이미지 및 제2 이미지의 픽셀 값을 비교하여 제1 이미지 및 제2 이미지의 차이를 산출할 수 있다.
제1 이미지 및 제2 이미지의 차이가 기설정된 값 이하인 경우(S950-Y), 전자 장치(200)는 획득된 파라미터를 저장할 수 있다(S960). 그리고, 전자 장치(200)는 파라미터를 기저장된 3D 얼굴 생성 프로그램에 입력하여 3D 얼굴 모델을 생성할 수 있다. 전자 장치(200)는 3D 얼굴 모델을 사람 오브젝트에 대응되는 3D 형상 모델과 합성하여 3D 형상 모델의 얼굴 영역의 퀄리티를 증가시킬 수 있다. 제1 이미지 및 제2 이미지의 차이가 기설정된 값보다 작은 경우(S950-N), 전자 장치(200)는 사람 오브젝트의 얼굴의 각 요소에 대한 특징값 및 파라미터를 새롭게 추출할 수 있다(S920).
도 10은 본 개시의 일 실시 예에 따른 3D 아바타 생성 시스템을 설명하기 위한 시퀀스도이다.
도 10을 참조하면, 3D 아바타 생성 시스템(1000)은 사용자 단말(101) 및 서버(102)를 포함할 수 있다. 사용자 단말(101)은 사람 오브젝트를 포함하는 이미지를 획득할 수 있다(S1010). 예를 들어, 사용자 단말(101)은 사용자 단말(101)에 저장된 이미지들 중 사람 오브젝트를 포함하는 이미지를 식별할 수 있다. 또는, 사용자 단말(101)은 특정 이미지를 선택하는 사용자 명령에 기초하여 이미지를 식별할 수 있다.
사용자 단말(101)은 사람 오브젝트를 포함하는 이미지를 서버(102)로 전송할 수 있다(S1020). 서버(102)는 이미지에 기초하여 사람 오브젝트에 대응되는 3D 아바타를 생성할 수 있다(S1030). 3D 아바타를 생성하는 방법은, 도 2 내지 도 8을 참조하여 전술한 바 상세한 설명은 생략하도록 한다.
서버(102)는 3D 아바타의 품질이 기설정된 품질 이상인지 판단할 수 있다(S1040). 3D 아바타의 품질이 기설정된 품질 이상인 경우(S1040-Y), 서버(102)는 3D 아바타에 대한 정보를 저장할 수 있다(S1050). 그리고, 서버(102)는 3D 아바타에 대한 정보를 사용자 단말(101)로 전송할 수 있다(S1060). 사용자 단말(101)은 3D 아바타에 대한 정보에 기초하여 3D 컨텐츠를 렌더링하여 출력할 수 있다(S1070). 3D 아바타의 품질이 기설정된 품질보다 낮은 경우(S1040-N), 서버(102)는 사람 오브젝트에 대응되는 새로운 3D 아바타를 다시 생성할 수 있다(S1030).
도 11은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
도 11을 참조하면, 전자 장치(200)는 사람 오브젝트를 포함하는 이미지를 획득할 수 있다(S1110). 전자 장치(200)는 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 획득할 수 있다(S1120). 전자 장치(200)는 기설정된 오브젝트에 대응되는 영역을 식별하도록 학습된 제1 신경망 모델에 이미지를 입력하여 이미지에서 사람 오브젝트가 존재하는 영역에 대한 정보를 획득할 수 있다. 전자 장치(200)는 오브젝트의 자세를 추정하도록 학습된 제2 신경망 모델에 이미지를 입력하여 사람 오브젝트의 자세 정보를 획득할 수 있다. 전자 장치(200)는 3D 형상 모델을 생성하도록 학습된 제3 신경망 모델에 이미지에서 사람 오브젝트가 존재하는 영역에 대한 정보 및 사람 오브젝트의 상기 자세 정보를 입력하여 3D 형상 모델에 대한 정보를 획득할 수 있다.
전자 장치(200)는 사람 오브젝트의 얼굴을 촬영한 촬영 이미지를 획득할 수 있다. 전자 장치(200)는 얼굴을 재구성하도록 학습된 제6 신경망 모델에 촬영 이미지를 입력하여 사람 오브젝트의 3D 얼굴 모델을 획득할 수 있다. 전자 장치(200)는 3D 형상 모델과 3D 얼굴 모델을 합성할 수 있다. 이에 따라, 얼굴 영역의 퀄리티가 개선된 3D 형상 모델을 획득할 수 있다.
전자 장치(200)는 3D 형상 모델의 각 영역 별 식별 정보에 기초하여 이미지의 텍스처를 3D 형상 모델에 매핑할 수 있다(S1130). 전자 장치(200)는 이미지의 텍스처를 3D 형상 모델의 제1 영역에 매핑하여 제1 3D 형상 모델을 획득할 수 있다. 전자 장치(200)는 식별 정보에 기초하여 3D 형상 모델의 영역 중 제1 영역이 아닌 제2 영역에 이미지의 텍스처를 매핑하여 제2 3D 형상 모델을 획득할 수 있다. 전자 장치(200)는 제1 3D 형상 모델에 대해 이미지 세그멘테이션(image segmentation)을 수행하여 3D 형상 모델의 각 영역 별 식별 정보를 획득할 수 있다.
전자 장치(200)는 3D 형상 모델에 대응되는 텍스처에 대한 정보를 획득하도록 학습된 제4 신경망 모델에 이미지, 3D 형상 모델에 대한 정보 및 식별 정보를 입력하여 3D 형상 모델에 매핑될 텍스처에 대한 정보를 획득할 수 있다. 전자 장치(200)는 획득된 텍스처에 대한 정보에 기초하여 3D 형상 모델에 텍스처 매핑을 수행할 수 있다.
전자 장치(200)는 이미지의 텍스처가 매핑된 3D 형상 모델에 기초하여 사람 오브젝트에 대응되는 3D 아바타를 생성할 수 있다(S1140). 전자 장치(200)는 조인트 정보를 획득하도록 학습된 제5 신경망 모델에 3D 형상 모델에 대한 정보 및 사람 오브젝트의 자세 정보를 입력하여 사람 오브젝트에 대응되는 조인트 정보를 획득할 수 있다. 전자 장치(200)는 이미지의 텍스처가 매핑된 3D 형상 모델 및 조인트 정보에 기초하여 3D 아바타를 생성할 수 있다.
한편, 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 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 처리 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 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.
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.
한편, 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
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 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 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.
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 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
300: 전자 장치 310: 사용자 입력부
320: 디스플레이 330: 통신 인터페이스
340: 메모리 350: 프로세서

Claims (16)

  1. 전자 장치에 있어서,
    통신 회로를 포함하는 통신 인터페이스;
    적어도 하나의 인스트럭션을 저장하는 메모리; 및
    프로세서;를 포함하고,
    상기 프로세서는,
    사람 오브젝트를 포함하는 이미지를 획득하고,
    상기 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 획득하고,
    상기 3D 형상 모델의 각 영역 별 식별 정보에 기초하여 상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하고,
    상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델에 기초하여 상기 사람 오브젝트에 대응되는 3D 아바타를 생성하는
    전자 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    상기 이미지의 텍스처를 상기 3D 형상 모델의 제1 영역에 매핑하여 제1 3D 형상 모델을 획득하고,
    상기 식별 정보에 기초하여 상기 3D 형상 모델의 영역 중 상기 제1 영역이 아닌 제2 영역에 상기 이미지의 텍스처를 매핑하여 제2 3D 형상 모델을 획득하는
    전자 장치.
  3. 제2 항에 있어서,
    상기 프로세서는,
    상기 제1 3D 형상 모델에 대해 이미지 세그멘테이션(image segmentation)을 수행하여 상기 3D 형상 모델의 각 영역 별 식별 정보를 획득하는
    전자 장치.
  4. 제1 항에 있어서,
    상기 프로세서는,
    기설정된 오브젝트에 대응되는 영역을 식별하도록 학습된 제1 신경망 모델에 상기 이미지를 입력하여 상기 이미지에서 상기 사람 오브젝트가 존재하는 영역에 대한 정보를 획득하고,
    오브젝트의 자세를 추정하도록 학습된 제2 신경망 모델에 상기 이미지를 입력하여 상기 사람 오브젝트의 자세 정보를 획득하고,
    3D 형상 모델을 생성하도록 학습된 제3 신경망 모델에 상기 이미지에서 상기 사람 오브젝트가 존재하는 상기 영역에 대한 정보 및 상기 사람 오브젝트의 상기 자세 정보를 입력하여 상기 3D 형상 모델에 대한 정보를 획득하는
    전자 장치.
  5. 제1 항에 있어서,
    상기 프로세서는,
    3D 형상 모델에 대응되는 텍스처에 대한 정보를 획득하도록 학습된 제4 신경망 모델에 상기 이미지, 상기 3D 형상 모델에 대한 정보 및 상기 식별 정보를 입력하여 상기 3D 형상 모델에 매핑될 텍스처에 대한 정보를 획득하고,
    상기 획득된 텍스처에 대한 정보에 기초하여 상기 3D 형상 모델에 텍스처 매핑을 수행하는
    전자 장치.
  6. 제1 항에 있어서,
    상기 프로세서는,
    조인트 정보를 획득하도록 학습된 제5 신경망 모델에 상기 3D 형상 모델에 대한 정보 및 상기 사람 오브젝트의 자세 정보를 입력하여 상기 사람 오브젝트에 대응되는 조인트 정보를 획득하고,
    상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델 및 상기 조인트 정보에 기초하여 상기 3D 아바타를 생성하는
    전자 장치.
  7. 제1 항에 있어서,
    상기 프로세서는,
    상기 사람 오브젝트의 얼굴을 촬영한 촬영 이미지를 획득하고,
    얼굴을 재구성하도록 학습된 제6 신경망 모델에 상기 촬영 이미지를 입력하여 상기 사람 오브젝트의 3D 얼굴 모델을 획득하고,
    상기 3D 형상 모델과 상기 3D 얼굴 모델을 합성하는
    전자 장치.
  8. 제1 항에 있어서,
    상기 프로세서는,
    상기 3D 아바타의 품질이 기설정된 품질 이상이면, 상기 3D 아바타에 대한 정보를 외부 장치로 전송하도록 상기 통신 인터페이스를 제어하는
    전자 장치.
  9. 전자 장치의 제어 방법에 있어서,
    사람 오브젝트를 포함하는 이미지를 획득하는 단계;
    상기 이미지에 포함된 사람 오브젝트에 대응되는 3D 형상 모델을 획득하는 단계;
    상기 3D 형상 모델의 각 영역 별 식별 정보에 기초하여 상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하는 단계; 및
    상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델에 기초하여 상기 사람 오브젝트에 대응되는 3D 아바타를 생성하는 단계;를 포함하는
    제어 방법.
  10. 제9 항에 있어서,
    상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하는 단계는,
    상기 이미지의 텍스처를 상기 3D 형상 모델의 제1 영역에 매핑하여 제1 3D 형상 모델을 획득하는 단계, 및
    상기 식별 정보에 기초하여 상기 3D 형상 모델의 영역 중 상기 제1 영역이 아닌 제2 영역에 상기 이미지의 텍스처를 매핑하여 제2 3D 형상 모델을 획득하는 단계를 포함하는
    제어 방법.
  11. 제10 항에 있어서,
    상기 제1 3D 형상 모델에 대해 이미지 세그멘테이션(image segmentation)을 수행하여 상기 3D 형상 모델의 각 영역 별 식별 정보를 획득하는 단계;를 더 포함하는
    제어 방법.
  12. 제9 항에 있어서,
    상기 3D 형상 모델을 획득하는 단계는,
    기설정된 오브젝트에 대응되는 영역을 식별하도록 학습된 제1 신경망 모델에 상기 이미지를 입력하여 상기 이미지에서 상기 사람 오브젝트가 존재하는 영역에 대한 정보를 획득하는 단계,
    오브젝트의 자세를 추정하도록 학습된 제2 신경망 모델에 상기 이미지를 입력하여 상기 사람 오브젝트의 자세 정보를 획득하는 단계, 및
    3D 형상 모델을 생성하도록 학습된 제3 신경망 모델에 상기 이미지에서 상기 사람 오브젝트가 존재하는 상기 영역에 대한 정보 및 상기 사람 오브젝트의 상기 자세 정보를 입력하여 상기 3D 형상 모델에 대한 정보를 획득하는 단계를 포함하는
    제어 방법.
  13. 제9 항에 있어서,
    상기 이미지의 텍스처를 상기 3D 형상 모델에 매핑하는 단계는,
    3D 형상 모델에 대응되는 텍스처에 대한 정보를 획득하도록 학습된 제4 신경망 모델에 상기 이미지, 상기 3D 형상 모델에 대한 정보 및 상기 식별 정보를 입력하여 상기 3D 형상 모델에 매핑될 텍스처에 대한 정보를 획득하는 단계, 및
    상기 획득된 텍스처에 대한 정보에 기초하여 상기 3D 형상 모델에 텍스처 매핑을 수행하는 단계를 포함하는
    제어 방법.
  14. 제9 항에 있어서,
    조인트 정보를 획득하도록 학습된 제5 신경망 모델에 상기 3D 형상 모델에 대한 정보 및 상기 사람 오브젝트의 자세 정보를 입력하여 상기 사람 오브젝트에 대응되는 조인트 정보를 획득하는 단계;를 더 포함하고,
    상기 3D 아바타를 생성하는 단계는,
    상기 이미지의 텍스처가 매핑된 상기 3D 형상 모델 및 상기 조인트 정보에 기초하여 상기 3D 아바타를 생성하는
    제어 방법.
  15. 제9 항에 있어서,
    상기 사람 오브젝트의 얼굴을 촬영한 촬영 이미지를 획득하는 단계; 및
    얼굴을 재구성하도록 학습된 제6 신경망 모델에 상기 촬영 이미지를 입력하여 상기 사람 오브젝트의 3D 얼굴 모델을 획득하는 단계;를 더 포함하고,
    상기 3D 형상 모델을 획득하는 단계는,
    상기 3D 형상 모델과 상기 3D 얼굴 모델을 합성하는 단계를 포함하는
    제어 방법.
  16. 제9 항에 있어서,
    상기 3D 아바타의 품질이 기설정된 품질 이상이면, 상기 3D 아바타에 대한 정보를 외부 장치로 전송하는 단계;를 더 포함하는
    제어 방법.
KR1020210146357A 2021-10-29 2021-10-29 전자 장치 및 그 제어 방법 KR20230061776A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210146357A KR20230061776A (ko) 2021-10-29 2021-10-29 전자 장치 및 그 제어 방법
EP22887703.1A EP4332905A1 (en) 2021-10-29 2022-10-28 Electronic device and control method therefor
PCT/KR2022/016711 WO2023075508A1 (ko) 2021-10-29 2022-10-28 전자 장치 및 그 제어 방법
US18/208,976 US20230326120A1 (en) 2021-10-29 2023-06-13 Electronic apparatus and method for controlling thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210146357A KR20230061776A (ko) 2021-10-29 2021-10-29 전자 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20230061776A true KR20230061776A (ko) 2023-05-09

Family

ID=86160120

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210146357A KR20230061776A (ko) 2021-10-29 2021-10-29 전자 장치 및 그 제어 방법

Country Status (4)

Country Link
US (1) US20230326120A1 (ko)
EP (1) EP4332905A1 (ko)
KR (1) KR20230061776A (ko)
WO (1) WO2023075508A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240096033A1 (en) * 2021-10-11 2024-03-21 Meta Platforms Technologies, Llc Technology for creating, replicating and/or controlling avatars in extended reality

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190112428A (ko) * 2018-03-26 2019-10-07 한국전자통신연구원 통합 3d 객체모델 생성 및 의미론적 스타일전이 장치 및 방법
KR102241153B1 (ko) * 2019-07-01 2021-04-19 주식회사 시어스랩 2차원 이미지로부터 3차원 아바타를 생성하는 방법, 장치 및 시스템
KR20210026521A (ko) * 2019-08-30 2021-03-10 주식회사 케이티 헤어스타일 분석을 통한 3d 아바타를 생성하는 방법 및 장치
KR102179584B1 (ko) * 2020-04-16 2020-11-18 주식회사 딥노이드 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템

Also Published As

Publication number Publication date
EP4332905A1 (en) 2024-03-06
WO2023075508A1 (ko) 2023-05-04
US20230326120A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
US11557085B2 (en) Neural network processing for multi-object 3D modeling
US11644890B2 (en) Image capturing in extended reality environments
US12008464B2 (en) Neural network based face detection and landmark localization
US20190295223A1 (en) Aesthetics-guided image enhancement
US11995703B2 (en) Image-to-image translation using unpaired data for supervised learning
US11880957B2 (en) Few-shot image generation via self-adaptation
US10558849B2 (en) Depicted skin selection
US20220156987A1 (en) Adaptive convolutions in neural networks
US20230222721A1 (en) Avatar generation in a video communications platform
CN113544706A (zh) 电子装置及其控制方法
CN114766016A (zh) 用于通过迭代生成增强输出内容的设备、方法和程序
US20230326120A1 (en) Electronic apparatus and method for controlling thereof
US20220292690A1 (en) Data generation method, data generation apparatus, model generation method, model generation apparatus, and program
CN117252791A (zh) 图像处理方法、装置、电子设备及存储介质
CN112634413B (zh) 生成模型和生成3d动画的方法、装置、设备和存储介质
US11099396B2 (en) Depth map re-projection based on image and pose changes
KR20210073442A (ko) 변형가능한 3d 움직임 모델을 생성하는 방법 및 시스템
US20240013464A1 (en) Multimodal disentanglement for generating virtual human avatars
CN112714337A (zh) 视频处理方法、装置、电子设备和存储介质
CN115631274B (zh) 一种人脸图像生成方法、装置、设备及存储介质
US11423308B1 (en) Classification for image creation
CN109711335A (zh) 通过人体特征对目标图片进行驱动的方法及装置
KR102706553B1 (ko) 확장 현실 환경들에서의 이미지 캡처링
JP7556161B2 (ja) エクステンデッドリアリティ環境における画像キャプチャ
US20240171782A1 (en) Live streaming method and system based on virtual image

Legal Events

Date Code Title Description
A201 Request for examination