KR20230079180A - 인간 캐릭터의 음악 반응 애니메이션 - Google Patents

인간 캐릭터의 음악 반응 애니메이션 Download PDF

Info

Publication number
KR20230079180A
KR20230079180A KR1020237014737A KR20237014737A KR20230079180A KR 20230079180 A KR20230079180 A KR 20230079180A KR 1020237014737 A KR1020237014737 A KR 1020237014737A KR 20237014737 A KR20237014737 A KR 20237014737A KR 20230079180 A KR20230079180 A KR 20230079180A
Authority
KR
South Korea
Prior art keywords
data
posture data
generating
processor
animated
Prior art date
Application number
KR1020237014737A
Other languages
English (en)
Inventor
구루난단 크리쉬난 고룸콘다
신-잉 리
지에 수
Original Assignee
스냅 인코포레이티드
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 스냅 인코포레이티드 filed Critical 스냅 인코포레이티드
Publication of KR20230079180A publication Critical patent/KR20230079180A/ko

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
    • G06T13/205—3D [Three Dimensional] animation driven by audio data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/80—2D [Two Dimensional] animation, e.g. using sprites
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
    • G10H2210/031—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal

Landscapes

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

Abstract

음악에 대한 춤 자세들에서 애니메이션화된 캐릭터를 생성하기 위한 예시적인 방법들은, 적어도 하나의 프로세서에 의해, 음악과 연관된 음향 신호에 기초하여 음악 입력 신호를 생성하는 단계, 및 적어도 하나의 프로세서에 의해, 인코딩 신경망으로부터 모델 출력 신호를 수신하는 단계를 포함할 수 있다. 현재 생성된 자세 데이터는 디코딩 신경망을 사용하여 생성되고, 현재 생성된 자세 데이터는 이전 생성된 자세의 이전 생성된 자세 데이터, 음악 입력 신호, 및 모델 출력 신호에 기초한다. 애니메이션화된 캐릭터는 현재 생성된 자세 데이터에 기초하여 생성되고; 애니메이션화된 캐릭터는 디스플레이 디바이스에 의해 디스플레이되게 된다.

Description

인간 캐릭터의 음악 반응 애니메이션
우선권
본 출원은 2020년 9월 30일에 출원된 미국 가특허 출원 일련 번호 63/085,755에 대한 우선권의 이익을 주장하며, 이는 그 전문이 본원에 참조로 포함된다.
인간은 움직임과 음악을 통해 자신을 표현하는 것으로 알려진 유일한 종이다. 이는 독특한 인간의 소통 및 창의성의 형태이다. 실시간으로 환경에 반응하는 사람의 컴퓨터 애니메이션 아바타들을 갖는 것은 사람들이 그들의 경험을 공유하고 서로 연결할 수 있게 한다.
반드시 일정 비율로 그려지는 것은 아닌 도면들에서, 동일한 참조 번호들이 상이한 도면들에서 유사한 컴포넌트들을 설명할 수 있다. 임의의 특정 엘리먼트 또는 동작의 논의를 용이하게 식별하기 위해, 참조 번호의 최상위 숫자 또는 숫자들은 그 엘리먼트가 처음 소개되는 도면 번호를 가리킨다. 일부 비제한적인 예들이 첨부 도면들의 도면들에 예시된다.
도 1은 일반적인 머신 러닝 모델의 블록도를 예시한다.
도 2는 일부 예들에 따른 주제의 양태의 블록도를 예시한다.
도 3은 일부 예들에 따른 음악에 대한 실시간 춤 자세들에서 애니메이션화된 캐릭터를 생성하기 위한 루틴(300)의 흐름도를 예시한다.
도 4는 일부 예들에 따른, 본 개시내용이 배치될 수 있는 네트워크화된 환경의 도식적 표현이다.
도 5는 일부 예들에 따른, 클라이언트측 및 서버측 기능성 둘 다를 갖는 메시징 시스템의 도식적 표현이다.
도 6은 일부 예들에 따른, 데이터베이스에 유지되는 바와 같은 데이터 구조의 도식적 표현이다.
도 7은 일부 예들에 따른 메시지의 도식적 표현이다.
도 8은 일부 예들에 따른, 액세스 제한 프로세스에 대한 흐름도이다.
도 9는 일부 예들에 따른, 머신으로 하여금 본 명세서에서 논의된 방법론들 중 어느 하나 이상을 수행하게 하기 위해 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템 형태의 머신의 도식적 표현이다.
도 10은 예들이 구현될 수 있는 소프트웨어 아키텍처를 도시하는 블록도이다.
이하의 설명은 본 개시내용의 예시적인 예들을 구현하는 시스템들, 방법들, 기술들, 명령어 시퀀스들, 및 컴퓨팅 머신 프로그램 제품들을 포함한다. 이하의 설명에서, 설명의 목적들을 위해, 본 발명의 주제의 다양한 예들의 이해를 제공하기 위해 다수의 특정 세부사항들이 제시된다. 그러나, 본 기술분야의 통상의 기술자에게는 본 발명의 주제의 예들이 이러한 특정 세부사항들 없이도 실시될 수 있다는 것이 명백할 것이다. 일반적으로, 잘 알려진 명령어 인스턴스들, 프로토콜들, 구조들, 및 기술들은 반드시 상세히 도시되지는 않는다.
본 개시내용의 양태들은 음악과 동기화되는, 즉 현실적이고, 창의적이며, 머신 러닝에 의해 음악에 반응적인 안무 움직임들을 합성하기 위한 시스템들, 방법들, 기술들, 명령어 시퀀스들, 및 컴퓨팅 머신 프로그램 제품들을 포함한다. 이것은 실시간으로 음악에 춤추는 그래픽 캐릭터들(예를 들어, 아바타들)을 생성하는 데 사용될 수 있다. 예를 들어, 음악이 비디오 캡처링 디바이스(예를 들어, 증강 현실 비디오 캡처 애플리케이션을 실행하는 모바일 디바이스)를 사용하여 캡처되고 있는 환경에서 재생되고 있는 동안, 전경 캐릭터가 생성되고 디스플레이되며, 전술한 캐릭터는 실시간으로 음악에 맞춰 현실적으로 그리고 창의적으로 춤춘다. 다른 예시적인 사용은 새로운 춤 안무를 생성하는 것에 관심이 있는 사람들을 위한 것일 것이며, 이 경우에 인공 지능은 아티스트가 음악에 대한 춤들을 유기적인 방식으로 안무하는 것을 돕기 위해 배치된다.
본 개시내용의 다른 양태는 인코딩 신경망 및 디코딩 신경망이 조건부 재귀 신경망 모델에 기초하는 것을 포함한다.
제3 양태는 모델 출력 신호가 단위 정규 분포 또는 가우시안 분포인 경우를 포함한다.
제4 양태는 현재 자세 데이터를 생성하는 단계가 모델 출력 신호의 평균 및 표준 편차를 생성하는 단계를 더 포함하는 것을 포함한다.
제5 양태는, 적어도 하나의 프로세서에 의해, 테스트 이전 자세 데이터, 음악 입력 신호, 및 테스트 현재 자세 데이터를 사용하여 모델 출력 신호를 생성하기 위해 인코딩 신경망 모델을 훈련하는 단계를 포함하고, 테스트 이전 자세 데이터는 현재 자세 데이터에 기초한다. 훈련 동안, 춤 시퀀스들의 배치가 샘플링된다. 춤 시퀀스들의 길이는 미리 결정된다. 춤 시퀀스들은 동일한 길이일 수 있다. 모든 음악 특징들 및 입력 및 출력 자세들은 각각의 축을 따라 제로 평균 및 하나의 편차가 되도록 표준화된다.
도 1은 일부 예들에 따른, 머신 러닝 프로그램의 훈련 및 사용의 하나의 방법을 예시한다. 일부 예들에서, 머신 러닝 알고리즘들 또는 도구들이라고도 지칭되는 머신 러닝 프로그램들(MLP들)은 검색들과 연관된 동작들을 수행하기 위해 사용된다.
머신 러닝(ML)은 데이터의 분석에서 발견된 패턴들에 기초하여 추론들을 행함으로써, 명시적으로 프로그래밍되지 않고, 태스크들을 수행하는 능력을 컴퓨터 시스템들에 제공하는 기술적 방법들 및 패러다임들이다. 머신 러닝은 기존 데이터로부터 학습하고 새로운 데이터에 대한 예측들을 할 수 있는, 본 명세서에서 도구들이라고도 지칭되는, 알고리즘들의 연구 및 구성을 탐구한다. 이러한 머신 러닝 알고리즘들은 출력들 또는 평가들(114)로서 표현되는 데이터 주도 예측들 또는 결정들을 행하기 위해 예시적인 훈련 데이터(106)로부터 ML 모델(110)을 구축함으로써 동작한다. 예들이 몇몇 머신 러닝 도구들과 관련하여 제시되지만, 본 명세서에 제시된 원리들은 다른 머신 러닝 도구들에 적용될 수 있다.
데이터 표현은 식별된 특징들 및 그들의 값들에 대한 구조를 포함하는, 컴퓨터 시스템 상에 저장하기 위한 데이터를 조직화하는 방법을 지칭한다. ML에서, 데이터를 2개 이상의 차원의 벡터들 또는 매트릭스들로 표현하는 것이 전형적이다. 많은 양의 데이터 및 많은 특징들을 다룰 때, 훈련이 데이터 내의 상관들을 식별할 수 있도록 데이터 표현이 중요하다.
ML에 대한 2개의 공통 모드가 있다: 지도 ML 및 비지도 ML. 지도 ML은 입력들과 출력들 사이의 관계들을 학습하기 위해 사전 지식(예를 들어, 입력들을 출력들 또는 결과들에 상관시키는 예들)을 사용한다. 지도 ML의 목표는, 일부 훈련 데이터가 주어지면, 훈련 입력들과 출력들 사이의 관계를 가장 잘 근사화하는 함수를 학습하여 ML 모델이 주어진 입력들일 때 동일한 관계들을 구현하여 대응하는 출력들을 생성할 수 있게 하는 것이다. 비지도 ML은 분류되지도 라벨링되지도 않은 정보를 사용하고 알고리즘이 안내 없이 그 정보에 작용할 수 있게 하는 ML 알고리즘의 훈련이다. 비지도 ML은 데이터에서 구조를 자동으로 식별할 수 있기 때문에 탐색적 분석에 유용하다.
지도 ML에 대한 일반적인 태스크들은 분류 문제들 및 회귀 문제들이다. 카테고리화 문제들이라고도 지칭되는 분류 문제들은 아이템들을 여러 카테고리 값들 중 하나로 분류하는 것을 목표로 한다(예를 들어, 이 객체는 사과인가 오렌지인가?). 회귀 알고리즘들은 (예를 들어, 일부 입력의 값에 스코어를 제공함으로써) 일부 아이템들을 정량화하는 것을 목표로 한다. 일반적으로 사용되는 지도-ML 알고리즘들의 일부 예들은, 로지스틱 회귀(Logistic Regression)(LR), 나이브 베이즈(Naive-Bayes), 랜덤 포레스트(Random Forest)(RF), 신경망들(neural networks)(NN), 심층 신경망들(deep neural networks)(DNN), 매트릭스 인수분해(matrix factorization), 및 지원 벡터 머신들(Support Vector Machines)(SVM)이다. 장단기 메모리(long-short term memory)(LSTM) 오토인코더 모델을 사용하는 것과 같은 자기 지도 방법이 또한 사용될 수 있다. 일부 예들에서, 모델은 별개의 LSTM 인코더(206) 또는 LSTM 디코더(216) 중 어느 하나를 사용할 수 있다. 다른 예들에서, 공유 LSTM은 인코딩 및 디코딩 둘 다에 사용되고, 조건부 변분 자동 인코더(VAE)를 조건으로 하는 임베딩 모델로부터 출력된다.
비지도 ML에 대한 일부 일반적인 태스크들은 클러스터링, 표현 학습, 및 밀도 추정을 포함한다. 일반적으로 사용되는 비지도-ML 알고리즘들의 일부 예들은 K-평균 클러스터링, 주성분 분석, 및 오토인코더들이다.
훈련 데이터(106)는 특징들(102a)에 대한 값들의 예들을 포함한다. 일부 예들에서, 훈련 데이터(106)는 특징들(102a)에 대한 값들의 예들을 갖는 라벨링된 데이터 및 유효 또는 무효 이메일 주소, 반송 이메일 주소, 오타들 등과 같은 결과를 표시하는 라벨들을 포함한다. 머신 러닝 알고리즘들은 결과에 영향을 미치는 식별된 특징들(102a) 사이의 상관들을 찾기 위해 훈련 데이터(106)를 사용한다. 특징(102a)은 관찰되는 현상의 개별적인 측정 가능한 특성이다. 특징의 개념은 선형 회귀와 같은 통계적 기술들에서 사용되는 설명 변수의 개념과 관련된다. 패턴 인식, 분류, 및 회귀에서 ML의 효과적인 동작을 위해 정보적, 구별적, 및 독립적인 특징들을 선택하는 것이 중요하다. 특징들은 수치 특징들, 스트링들, 및 그래프들과 같은 상이한 타입들일 수 있다.
일 예에서, 특징들(102a)은 여러 유형들일 수 있고, 자세(102b)의 상대적 위치의 단어들, 2D 모델들(102c)에 대한 관절 표현, 3d 모델들(102d)에 대한 관절 표현, 음악 샘플링 레이트(102e), 음악(102f)의 특징 벡터들의 델타 값들, 가능한 자세들(102g)의 잠재적 공간 표현, 초기 자세(102h) 및 현재 자세(102i) 중 하나 이상을 포함할 수 있다.
훈련(108) 동안, ML 알고리즘은 훈련(108)에 대해 정의된 식별된 특징들(102a) 및 구성 파라미터들(104)에 기초하여 훈련 데이터(106)를 분석한다. 훈련(108)의 결과는 평가들을 생성하기 위해 입력들을 취할 수 있는 ML 모델(110)이다.
ML 알고리즘을 훈련하는 것은 데이터 상관들을 찾기 위해 많은 양의 데이터(예를 들어, 수 기가바이트로부터 테라바이트 이상까지)를 분석하는 것을 수반한다. ML 알고리즘들은 결과 또는 평가(114)에 영향을 미치는 식별된 특징들(102a) 사이의 상관들을 찾기 위해 훈련 데이터(106)를 이용한다. 일부 예들에서, 훈련 데이터(106)는 하나 이상의 식별된 특징들(102a) 및 하나 이상의 결과들, 예컨대 음악 입력들 및 주변 음악으로 설정된 고유 춤 시퀀스를 생성하는 것, 및 동일한 음악 입력에 대한 새롭고 상이한 고유 춤 시퀀스를 생성하는 능력에 대한 알려진 데이터인 라벨링된 데이터를 포함한다.
ML 알고리즘들은 일반적으로 ML 알고리즘들이 데이터 내에서 최상의 상관들인 것으로 식별하는 것을 찾기 전에 많은 가능한 기능들 및 파라미터들을 탐색하고; 따라서, 훈련(108)은 많은 양의 컴퓨팅 리소스들 및 시간을 사용할 수 있다.
많은 ML 알고리즘들은 구성 파라미터들(104)을 포함하고, ML 알고리즘이 더 복잡할수록, 사용자에게 이용가능한 파라미터들이 더 많다. 구성 파라미터들(104)은 최상의 ML 모델에 대한 검색에서 ML 알고리즘에 대한 변수들을 정의한다. 훈련 파라미터들은 모델 파라미터들 및 하이퍼파라미터들을 포함한다. 모델 파라미터들은 훈련 데이터로부터 학습되는 반면, 하이퍼파라미터들은 훈련 데이터로부터 학습되지 않고, 대신에 ML 알고리즘에 제공된다.
모델 파라미터들의 일부 예들은 최대 모델 크기, 훈련 데이터에 걸친 패스들의 최대 수, 데이터 셔플 타입, 회귀 계수들, 결정 트리 분할 위치들 등을 포함한다. 하이퍼파라미터들은 신경망 내의 은닉 계층들의 수, 각각의 계층 내의 은닉 노드들의 수, 학습률(학습률에 대한 다양한 적응 방식들을 가짐), 정규화 파라미터들, 비선형 활성화 함수들의 타입들 등을 포함할 수 있다. 하이퍼파라미터들의 정확한(또는 최상의) 세트를 찾는 것은 많은 양의 컴퓨터 리소스들을 사용하는 매우 시간 소모적인 작업일 수 있다.
ML 모델(110)이 평가(114)를 수행하기 위해 사용될 때, 새로운 데이터(112)가 ML 모델(110)에 대한 입력으로서 제공되고, ML 모델(110)은 평가(114)를 출력으로서 생성한다. 예를 들어, 메시지가 액션 아이템에 대해 체크될 때, 머신 러닝 프로그램은 메시지에 액션에 대한 요청이 있는지를 결정하기 위해 메시지 콘텐츠 및 메시지 메타데이터를 이용한다.
특징 추출은 큰 데이터 세트를 설명하는 데 필요한 리소스들의 수를 감소시키는 프로세스이다. 복잡한 데이터의 분석을 수행할 때, 주요 문제들 중 하나는 수반되는 변수들의 수로부터 기인하는 것이다. 많은 수의 변수들을 갖는 분석은 일반적으로 많은 양의 메모리 및 계산 능력을 요구하고, 이는 분류 알고리즘이 훈련 샘플들에 과적합되게 하고 새로운 샘플들에 불량하게 일반화되게 할 수 있다. 특징 추출은 원하는 목적을 위해 충분한 정확도로 데이터를 여전히 기술하면서 이러한 큰 데이터 세트 문제들을 해결하기 위해 변수들의 조합들을 구성하는 것을 포함한다.
일부 예들에서, 특징 추출은 측정된 데이터의 초기 세트로부터 시작하고, 유익하고 중복되지 않도록 의도된 도출된 값들(특징들)을 구축하여, 후속 학습 및 일반화 단계들을 용이하게 한다. 또한, 특징 추출은 (때때로 매우 희소한 데이터를 갖는) 큰 벡터들을 동일하거나 유사한 양의 정보를 캡처하는 더 작은 벡터들로 감소시키는 것과 같은 차원 감소와 관련된다.
도 2는 LSTM 자동 인코더 ML 모델을 사용하는 일부 예들을 도시한다. 모델의 설계는 음악에 대한 춤 시퀀스를 합성하기 위해 조건부 순환 변분 오토 인코더(VAE)를 사용할 수 있다. 그러한 모델은 경량이고, 따라서 스마트폰들 및 다른 그러한 휴대용 디바이스들과 같은 클라이언트 디바이스 디바이스들 상에서 실행될 수 있다. 작업 스테이지 동안에는 모델의 디코더(216) 측만이 사용되지만, 훈련 스테이지 동안에는 인코더(206) 및 디코더(216) 측 둘 다가 사용된다.
각각의 춤 시퀀스
Figure pct00001
는
Figure pct00002
로서 설명될 수 있는 한 쌍의 음악 시퀀스, 및
Figure pct00003
로서 기술될 수 있는 자세 시퀀스이다. 여기서, T는 프레임들의 수이고, m은 음악 특징들의 차원 또는 차원들의 표현이고, n은 관심 있는 자세 특징들의 차원 또는 차원들의 표현이다. 프레임들의 수(T)는 예를 들어 초당 30 프레임(fps)일 수 있거나, 원하는 경우 상이한 프레임 레이트로 설정될 수 있다. 자세 시퀀스는 현재 또는 생성된 자세들(202a), 이전 자세들(202b)로 이루어지고, 시퀀스의 시작에서 이는 또한 초기 자세(도시되지 않음)를 포함한다. 자세 시퀀스는 춤의 초기 자세를 포함하기 때문에 음악 시퀀스보다 더 긴 하나의 엘리먼트이다. 초기 자세는 자세 시퀀스의 시작시에 이전 자세(202b)를 대신할 수 있다.
음악 시퀀스는 원시 음악에 대한 샘플 레이트로 음악을 취하고 이를 원시 음악 신호(204)로 계산하는 특징 벡터로 계산된다. 이 프로세스는 환경에서 음악이 재생되고 있을 때 실시간으로 행해질 수 있다. 이 음악 신호(204)는 훈련 스테이지 동안 및 실제 작업 스테이지 동안 둘 다에서 입력 신호로서 사용된다.
자세 시퀀스는 애니메이션화된 캐릭터가 취하도록 설정된 위치를 제공한다. 일부 실시예들에서 애니메이션화된 캐릭터는 사용자들을 나타내는 휴머노이드 피규어일 수 있다. 애니메이션화된 캐릭터는 자세 시퀀스에 의해 생성된 자세가 설정하는 위치를 취하도록 생성된다. 포스트는 프레임에 의해 연결되는 관절로 구성된다. 관절당 적어도 하나의 프레임이 연결되고, 프레임에 주어진 벡터는 프레임이 관절에 대해 상대적인 방향을 알려준다. 표현은 애니메이션화된 캐릭터 상의 루트 관절의 위치에 대해 2D 및 3D 캐릭터 둘 다에 대해 주어진다. 루트 관절은 또한 애니메이션을 위한 고관절로 고려될 수 있다. 다른 관절들은 루트 관절에 관하여 설명된다. 2D 애니메이션에 대한 관절들의 수는 3D 애니메이션에 대한 관절들의 수와 상이할 수 있다. 2D 데이터세트의 경우, 캐릭터를 표현하는 데 사용되는 관절들의 최소 수는 24개의 관절이다. 반면, 3D 데이터세트에 대해, 개별 손가락 관절들이 고려로부터 제거되는 경우 관절들의 최소 수는 26개일 수 있다.
가능한 자세들의 수는 애니메이션화된 캐릭터가 렌더링되는 움직임의 차원들의 수 및 관절들의 수와 상관된다. 예를 들어, 25개의 관절 표현을 갖는 2D 애니메이션은 그 현재 자세로부터 적어도 50개의 가능한 자세가 그 다음 자세로 고려될 수 있을 것이다. 반면, 관절들의 최소 수에 기초하는 유사한 3D 애니메이션은 3D 공간의 표현에서 고려될 26개의 관절을 가질 것이기 때문에 78개의 가능한 자세를 가질 수 있다.
3D에 대한 다른 표현은 관절 쿼터니언 표현 [
Figure pct00004
]이고, 여기서
Figure pct00005
는 루트 관절에 대한 세계 위치이고,
Figure pct00006
는 루트 관절 회전의 쿼터니언이고,
Figure pct00007
는 부모 관절에 대한 상대 관절 회전들의 쿼터니언들이다.
훈련 페이즈에서, 가능한 자세들은 인코더(206)를 사용하여 이들 출력들의 평균 및 표준 편차를 찾음으로써 z 입력(214)일 수 있는 잠재 공간 벡터들의 세트를 결정하는 것을 특징으로 한다. z 입력(214)은 새로운 생성된 자세를 결정할 때 디코더가 샘플링할 수 있는 잠재 공간을 제공하고, 무작위화 및 창의성이 춤에 표시될 수 있게 한다. 인코더의 출력은 제로 평균(210)이고 표준(212)으로서 각각의 축을 따라 하나의 편차를 갖도록 표준화된다. 이들은 디코더(216)가 랜덤하게 샘플링하기 위한 가능한 자세들의 가우시안 분포를 허용하기 위해 z 입력(214)에 공급된다. 따라서, 동일한 음악 피스는 순환 프로세스를 사용하여 자동 회귀 방식으로 생성되는 상이한 춤들을 가질 수 있다. 훈련 페이즈에서, 음악 신호(204)는 현재 자세(202a)로서 사용될 수 있는 가능한 출력들의 세트를 결정하기 위해 테스트 이전 자세(202b)를 모델에 반복적으로 입력할 수 있다. 훈련 모델에서의 이 테스트 이전은 모델이 훈련되었을 때 생성된 이전 자세에 대응한다. 그 경우에, 입력은 현재 자세(202a)를 결정하기 위해 반복적으로 사용되지 않는다. 훈련 모델은 인코딩에서 가능한 한 많은 관련 자세 정보를 확보하고, 이전 자세(202b)로부터 새로운 생성된 자세(202a)로 매끄럽게 전이할 수 있는 자세들을 지능적으로 제공한다. 훈련은 교사 강제 훈련에서 자동 회귀 훈련으로 점진적으로 전환된다. 자세들의 입력 시퀀스는 실측 자세들 및 자기 생성 자세들 [P1; P2; ...; Ps; Ps+1; ...; Ps+10; Ps+11; ...]에 의해 인터리빙되고, 여기서 Pi는 자기 생성 자세들(학생 강제 단계들)이고, Pi는 실측 자세들(교사 강제 단계들)이다. 학생 강제 단계들 s는 훈련의 시작에서 0이고, 스케줄
Figure pct00008
에 의거해 증가하며, 여기서
Figure pct00009
는 에포크들의 수이다. 각각의 훈련 에포크에서, 춤 시퀀스의 배치는 데이터세트로부터 동일한 길이 T로 샘플링된다. 예를 들어, 2D 데이터세트에서, t에 대해 T = 150이고 3D 데이터세트에 대해 T = 300이다. 모든 음악 특징들 및 자세 입력/출력은 각각의 축을 따라 제로 평균 및 하나의 편차가 되도록 표준화된다.
현재 자세(202a)를 이전 자세(202b)와 비교함으로써, 손실 값(218)은 2개의 자세 사이의 차이에 기인할 수 있다. 이 손실 값은 2개의 자세가 얼마나 유사한지를 설명한다. 생성된 이전 자세는 관심 현재 시간 직전의 시간에 생성된 것과 동일한 자세일 수 있다. 생성된 이전 자세는 시간 t = t-1에서 생성되고 시간 t에서 자세를 취하기 위해 모델에 의해 재귀적으로 사용되는 경우 현재 자세와 동일한 방식으로 모델에 의해 생성된다.
도 3은 새로운 자세가 적어도 이전 출력 자세에 기초하여 생성되는 재귀적 신경망 및 훈련 모델을 이용하는 머신 러닝 방법을 구현하기 위한 다른 대안적인 예를 설명하는 루틴(300)을 약술한다.
블록 302에서, 루틴(300)은 음악과 연관된 음향 신호에 기초하여 음악 입력 신호를 생성한다. 음악 신호는 다차원 벡터에 의해 표현될 수 있다. 다차원 벡터는 MFCC(Mel Frequency Cepstral Coefficients), 크로모그램, 시작, 델타 값들, 비트 표시자들, 또는 이들의 임의의 조합에 기초한 특징들을 포함할 수 있다. 음악 특징들은 설정된 프레임 레이트와 동일하다. 예를 들어, 프레임 레이트는 30 fps일 수 있으며, 이는 하나의 프레임으로부터 다음 프레임으로의 원활한 비디오 경험을 허용한다. 느린 모션 또는 다른 효과들을 생성하기 위해 원하는 경우 더 높은 프레임 레이트들이 사용될 수 있다.
블록(304)에서, 루틴(300)은 인코딩 신경망으로부터 모델 출력 신호를 수신한다. 이 모델 출력은 훈련 스테이지에서 정의되었다. 디코더로부터의 출력은 다음의 가능한 자세를 생성하기 위해 인코더로의 입력에 사용된다. 이러한 가능한 자세들 모두는 각각의 축을 따라 제로 평균 및 최소의 하나의 편차가 되도록 표준화된다. 잠재 공간은 인코더가 z 입력(214)으로부터 샘플링할 가능한 자세들의 정규화된 분포를 제공하는 것을 고려하여 인코더로부터 출력된다. z 입력(214)의 사용은 동일한 음악이 상이한 출력 자세를 갖는 것을 허용하고, 시스템이 과거 음악 데이터만을 가질 필요가 있다는 것을 의미한다. 시스템은 오디오 신호의 길이에 관계없이 오디오 신호에 반응적으로 작용할 수 있다. 평균이 표준 정규 분포로부터 나오는 경우, 이때, 디코더는 z 입력(214)을 무시할 것이 권장될 수 있다.
블록(306)에서, 루틴(300)은 디코딩 신경망을 사용하여 생성된 자세를 생성하고, 생성된 자세는 이전에 생성된 자세 데이터, 음악 입력 신호, 및 모델 출력 신호에 기초한다.
블록(308)에서, 루틴(300)은 생성된 자세 데이터에 기초하여 애니메이션화된 캐릭터를 생성한다. 현재 자세 데이터는 애니메이션화된 캐릭터가 스크린 상에 어떻게 디스플레이되어야 하는지를 결정하기 위해 사용된다.
블록(310)에서, 루틴(300)은 애니메이션화된 캐릭터가 디스플레이 디바이스에 의해 디스플레이되게 한다. 디스플레이 디바이스는 스마트폰, 컴퓨터, 또는 다른 디바이스와 같은 클라이언트 디바이스일 수 있다.
네트워크화된 컴퓨팅 환경
도 4는 네트워크를 통해 데이터(예를 들어, 메시지들 및 연관된 콘텐츠)를 교환하기 위한 예시적인 메시징 시스템(400)을 도시하는 블록도이다. 메시징 시스템(400)은 클라이언트 디바이스(402)의 다수의 인스턴스들을 포함하고, 이들 각각은 메시징 클라이언트(404) 및 다른 애플리케이션들(406)을 포함하는 다수의 애플리케이션들을 호스팅한다. 각각의 메시징 클라이언트(404)는 네트워크(412)(예를 들어, 인터넷)를 통해 메시징 클라이언트(404)의 다른 인스턴스들(예를 들어, 각각의 다른 클라이언트 디바이스들(402) 상에 호스팅됨), 메시징 서버 시스템(408) 및 제3자 서버들(410)에 통신가능하게 결합된다. 메시징 클라이언트(404)는 또한 애플리케이션 프로그램 인터페이스(API)들을 사용하여 로컬 호스팅 애플리케이션들(406)과 통신할 수 있다. 애니메이션화된 캐릭터는 메시징 클라이언트(404) 내에서 사용될 수 있다.
메시징 클라이언트(404)는 네트워크(412)를 통해 다른 메시징 클라이언트들(404)과 그리고 메시징 서버 시스템(408)과 통신하고 데이터를 교환할 수 있다. 메시징 클라이언트들(404) 사이에, 그리고 메시징 클라이언트(404)와 메시징 서버 시스템(408) 사이에 교환되는 데이터는 기능들(예를 들어, 기능들을 기동하기 위한 커맨드들)뿐만 아니라 페이로드 데이터(예를 들어, 텍스트, 오디오, 비디오, 또는 다른 멀티미디어 데이터)를 포함한다.
메시징 서버 시스템(408)은 네트워크(412)를 통해 특정 메시징 클라이언트(404)에 서버측 기능성을 제공한다. 메시징 시스템(400)의 특정 기능들이 메시징 클라이언트(404)에 의해 또는 메시징 서버 시스템(408)에 의해 수행되는 것으로 본 명세서에 설명되지만, 메시징 클라이언트(404) 또는 메시징 서버 시스템(408) 내의 특정 기능성의 위치는 설계 선택일 수 있다. 예를 들어, 초기에 메시징 서버 시스템(408) 내에 특정 기술 및 기능성을 배치하지만, 나중에 클라이언트 디바이스(402)가 충분한 처리 용량을 갖는 메시징 클라이언트(404)로 이 기술 및 기능성을 마이그레이션하는 것이 기술적으로 바람직할 수 있다.
메시징 서버 시스템(408)은 메시징 클라이언트(404)에 제공되는 다양한 서비스들 및 동작들을 지원한다. 그러한 동작들은 메시징 클라이언트(404)에 데이터를 송신하고, 그로부터 데이터를 수신하고, 그에 의해 생성된 데이터를 처리하는 것을 포함한다. 이 데이터는, 예로서, 메시지 콘텐츠, 클라이언트 디바이스 정보, 지리위치(geolocation) 정보, 미디어 증강 및 오버레이들(media augmentation and overlays), 메시지 콘텐츠 지속 조건들(message content persistence conditions), 소셜 네트워크 정보, 및 라이브 이벤트 정보를 포함할 수 있다. 메시징 시스템(400) 내의 데이터 교환들은 메시징 클라이언트(404)의 사용자 인터페이스(UI)들을 통해 이용가능한 기능들을 통해 기동되고 제어된다.
이제 구체적으로 메시징 서버 시스템(408)을 참조하면, 애플리케이션 프로그램 인터페이스(API) 서버(416)가 애플리케이션 서버들(414)에 결합되고, 애플리케이션 서버들(414)에 프로그램 인터페이스를 제공한다. 애플리케이션 서버들(414)은 데이터베이스 서버(420)에 통신가능하게 결합되며, 이는 애플리케이션 서버들(414)에 의해 처리되는 메시지들과 연관된 데이터를 저장하는 데이터베이스(426)에 대한 액세스를 용이하게 한다. 유사하게, 웹 서버(428)는 애플리케이션 서버들(414)에 결합되고 웹 기반 인터페이스들을 애플리케이션 서버들(414)에 제공한다. 이를 위해, 웹 서버(428)는 HTTP(Hypertext Transfer Protocol) 및 몇몇 다른 관련 프로토콜들을 통해 유입되는 네트워크 요청들을 처리한다.
API(Application Program Interface) 서버(416)는 클라이언트 디바이스(402)와 애플리케이션 서버들(414) 사이에서 메시지 데이터(예를 들어, 커맨드들 및 메시지 페이로드들)를 수신하고 송신한다. 구체적으로, API(Application Program Interface) 서버(416)는 애플리케이션 서버들(414)의 기능성을 기동하기 위해 메시징 클라이언트(404)에 의해 호출되거나 질의될 수 있는 인터페이스들(예를 들어, 루틴들 및 프로토콜들)의 세트를 제공한다. API(Application Program Interface) 서버(416)는 계정 등록, 로그인 기능성, 특정 메시징 클라이언트(404)로부터 다른 메시징 클라이언트(404)로의, 애플리케이션 서버들(414)을 통한 메시지들의 전송, 메시징 클라이언트(404)로부터 메시징 서버(418)로의 미디어 파일들(예를 들어, 이미지들 또는 비디오)의 전송, 및 다른 메시징 클라이언트(404)에 의한 가능한 액세스를 위해, 미디어 데이터의 컬렉션(예를 들어, 스토리)의 설정들, 클라이언트 디바이스(402)의 사용자의 친구들의 리스트의 검색, 그러한 컬렉션들의 검색, 메시지들 및 콘텐츠의 검색, 엔티티 그래프(예를 들어, 소셜 그래프)에 대한 엔티티들(예를 들어, 친구들)의 추가 및 삭제, 소셜 그래프 내의 친구들의 위치, 및(예를 들어, 메시징 클라이언트(404)에 관련된) 애플리케이션 이벤트를 여는 것을 포함하여, 애플리케이션 서버들(414)에 의해 지원되는 다양한 기능들을 노출시킨다.
애플리케이션 서버들(414)은 예를 들어 메시징 서버(418), 이미지 처리 서버(422), 및 소셜 네트워크 서버(424)를 포함하는 다수의 서버 애플리케이션들 및 서브시스템들을 호스팅한다. 메시징 서버(418)는, 특히 메시징 클라이언트(404)의 다수의 인스턴스들로부터 수신된 메시지들에 포함된 콘텐츠(예를 들어, 텍스트 및 멀티미디어 콘텐츠)의 집성 및 다른 처리와 관련된 다수의 메시지 처리 기술들 및 기능들을 구현한다. 더 상세히 설명되는 바와 같이, 다수의 소스로부터의 텍스트 및 미디어 콘텐츠는, 콘텐츠의 컬렉션들(예를 들어, 스토리들 또는 갤러리들이라고 불림)로 집성될 수 있다. 다음으로, 이러한 컬렉션들은 메시징 클라이언트(404)에 이용가능하게 된다. 데이터의 다른 프로세서 및 메모리 집약적 처리는 또한, 그러한 처리를 위한 하드웨어 요건들을 고려하여, 메시징 서버(418)에 의해 서버측에서 수행될 수 있다.
애플리케이션 서버들(414)은 또한, 전형적으로 메시징 서버(418)로부터 전송되거나 메시징 서버(418)에서 수신되는 메시지의 페이로드 내의 이미지들 또는 비디오와 관련하여, 다양한 이미지 처리 동작들을 수행하는 데 전용되는 이미지 처리 서버(422)를 포함한다.
소셜 네트워크 서버(424)는 다양한 소셜 네트워크화 기능들 및 서비스들을 지원하고, 이들 기능들 및 서비스들을 메시징 서버(418)에 이용가능하게 한다. 이를 위해, 소셜 네트워크 서버(424)는 데이터베이스(426) 내에 엔티티 그래프(도시되지 않음)를 유지하고 액세스한다. 소셜 네트워크 서버(424)에 의해 지원되는 기능들 및 서비스들의 예들은 특정 사용자가 관계들을 갖거나 "팔로우하고 있는" 메시징 시스템(400)의 다른 사용자들의 식별, 및 또한 특정 사용자의 다른 엔티티들 및 관심들의 식별을 포함한다.
메시징 클라이언트(404)로 돌아가서, 외부 리소스(예를 들어, 애플리케이션(406) 또는 애플릿)의 특징들 및 기능들은 메시징 클라이언트(404)의 인터페이스를 통해 사용자에게 이용가능하게 된다. 이러한 맥락에서, "외부"는 애플리케이션(406) 또는 애플릿이 메시징 클라이언트(404)의 외부에 있다는 사실을 지칭한다. 외부 리소스는 종종 제3자에 의해 제공되지만, 또한 메시징 클라이언트(404)의 생성자 또는 제공자에 의해 제공될 수 있다. 메시징 클라이언트(404)는 이러한 외부 리소스의 특징들을 론칭하거나 액세스하기 위한 옵션의 사용자 선택을 수신한다. 외부 리소스는 클라이언트 디바이스(402) 상에 설치된 애플리케이션(406)(예를 들어, "네이티브 앱"), 또는 클라이언트 디바이스(402) 상에서 또는 클라이언트 디바이스(402)의 원격에서(예를 들어, 제3자 서버들(410) 상에서) 호스팅되는 애플리케이션의 소규모 버전(예를 들어, "애플릿")일 수 있다. 애플리케이션의 소규모 버전은 애플리케이션의 특징들 및 기능들의 서브세트(예를 들어, 애플리케이션의 풀-스케일, 네이티브 버전)를 포함하고, 마크업 언어 문서를 사용하여 구현된다. 일 예에서, 애플리케이션의 소규모 버전(예를 들어, "애플릿")은 애플리케이션의 웹 기반 마크업 언어 버전이고 메시징 클라이언트(404)에 임베딩된다. 마크업 언어 문서들(예를 들어, .*ml 파일)을 사용하는 것 외에도, 애플릿은 스크립팅 언어(예를 들어, .*js 파일 또는 .json 파일) 및 스타일 시트(예를 들어, .*ss 파일)를 포함할 수 있다.
외부 리소스의 특징들을 론칭하거나 액세스하기 위한 옵션의 사용자 선택을 수신하는 것에 응답하여, 메시징 클라이언트(404)는 선택된 외부 리소스가 웹 기반 외부 리소스인지 또는 로컬로 설치된 애플리케이션(406)인지를 결정한다. 일부 경우들에서, 클라이언트 디바이스(402) 상에 로컬로 설치되는 애플리케이션들(406)은, 클라이언트 디바이스(402)의 홈 스크린 상에서, 애플리케이션(406)에 대응하는 아이콘을 선택하는 것에 의해서와 같이, 메시징 클라이언트(404)와 독립적으로 그리고 별개로 론칭될 수 있다. 이러한 애플리케이션들의 소규모 버전들은 메시징 클라이언트(404)를 통해 론칭되거나 액세스될 수 있고, 일부 예들에서, 소규모 애플리케이션의 어떠한 부분도 메시징 클라이언트(404) 외부에서 액세스되지 않거나 제한된 부분들이 액세스될 수 있다. 소규모 애플리케이션은 메시징 클라이언트(404)가, 예를 들어, 제3자 서버(410)로부터, 소규모 애플리케이션과 연관된 마크업 언어 문서를 수신하고 그러한 문서를 처리함으로써 론칭될 수 있다.
외부 리소스가 로컬로 설치된 애플리케이션(406)이라고 결정하는 것에 응답하여, 메시징 클라이언트(404)는 외부 리소스에 대응하는 로컬로 저장된 코드를 실행함으로써 외부 리소스를 론칭하도록 클라이언트 디바이스(402)에 명령한다. 외부 리소스가 웹 기반 리소스라고 결정하는 것에 응답하여, 메시징 클라이언트(404)는(예를 들어) 제3자 서버들(410)과 통신하여 선택된 외부 리소스에 대응하는 마크업 언어 문서를 획득한다. 그 다음, 메시징 클라이언트(404)는 획득된 마크업 언어 문서를 처리하여 메시징 클라이언트(404)의 사용자 인터페이스 내에 웹 기반 외부 리소스를 제시한다.
메시징 클라이언트(404)는 하나 이상의 외부 리소스에서 발생하는 활동을 클라이언트 디바이스(402)의 사용자, 또는 그러한 사용자와 관련된 다른 사용자들(예를 들어, "친구들")에게 통지할 수 있다. 예를 들어, 메시징 클라이언트(404)는 메시징 클라이언트(404)에서의 대화(예를 들어, 채팅 세션)의 참가자들에게 사용자들의 그룹의 하나 이상의 멤버에 의한 외부 리소스의 현재 또는 최근 사용에 관한 통지들을 제공할 수 있다. 하나 이상의 사용자는 활성 외부 리소스에 참여하도록 또는 최근에 사용되었지만 (친구들의 그룹에서의) 현재 비활성인 외부 리소스를 론칭하도록 초청받을 수 있다. 외부 리소스는 대화의 참가자들에게, 각각이 각각의 메시징 클라이언트들(404)을 사용하여, 외부 리소스에서의 아이템, 상태, 상태, 또는 위치를 사용자들의 그룹의 하나 이상의 멤버와 채팅 세션으로 공유하는 능력을 제공할 수 있다. 공유 아이템은 상호작용 채팅 카드일 수 있고, 이를 갖고 채팅의 멤버들이 상호작용하여, 예를 들어, 대응하는 외부 리소스를 론칭하고, 외부 리소스 내의 구체적인 정보를 보고, 또는 채팅의 멤버를 외부 리소스 내의 구체적인 위치 또는 상태로 데려갈 수 있다. 주어진 외부 리소스 내에서, 응답 메시지들은 메시징 클라이언트(404) 상의 사용자들에게 전송될 수 있다. 외부 리소스는, 외부 리소스의 현재 컨텍스트에 기초하여, 상이한 미디어 아이템들을 응답들에 선택적으로 포함시킬 수 있다.
메시징 클라이언트(404)는 주어진 외부 리소스를 론칭하거나 액세스하기 위해 이용가능한 외부 리소스들(예를 들어, 애플리케이션들(406) 또는 애플릿들)의 리스트를 사용자에게 제시할 수 있다. 이러한 리스트는 컨텍스트-감지 메뉴에서 제시될 수 있다. 예를 들어, 애플리케이션(406)(또는 애플릿들) 중 상이한 것들을 나타내는 아이콘들은 메뉴가 (예를 들어, 대화 인터페이스로부터 또는 비-대화 인터페이스로부터) 사용자에 의해 어떻게 론칭되는지에 기초하여 변할 수 있다.
시스템 아키텍처
도 5는 일부 예들에 따른, 메시징 시스템(504)에 관한 추가 세부사항들을 예시하는 블록도이다. 구체적으로, 메시징 시스템(504)은 메시징 클라이언트(508) 및 애플리케이션 서버들(520)을 포함하는 것으로 도시된다. 메시징 시스템(504)은 메시징 클라이언트(508)에 의해 클라이언트측에서 그리고 애플리케이션 서버들(520)에 의해 서버측에서 지원되는 다수의 서브시스템들을 구현한다. 이러한 서브시스템들은, 예를 들어, 단기적 타이머 시스템(502), 컬렉션 관리 시스템(506), 증강 시스템(512), 맵 시스템(514), 게임 시스템(516), 및 외부 리소스 시스템(518)을 포함한다. 애니메이션화된 캐릭터는 증강 시스템 또는 메시징 클라이언트와 같은 메시징 시스템 서브시스템들 중 하나에 의해 클라이언트 또는 제3자 디바이스에 대한 메시지로서 전송될 수 있다.
단기적 타이머 시스템(502)은 메시징 클라이언트(508) 및 메시징 서버(418)에 의한 콘텐츠에 대한 일시적 또는 시간 제한적 액세스를 시행하는 것을 담당한다. 단기적 타이머 시스템(502)은, 메시지 또는 메시지들의 컬렉션(예를 들어, 스토리)과 연관된 지속기간 및 디스플레이 파라미터들에 기초하여, 메시징 클라이언트(508)를 통해 메시지들 및 연관된 콘텐츠에 대한 (예를 들어, 제시 및 디스플레이를 위한) 액세스를 선택적으로 가능하게 하는 다수의 타이머를 포함한다. 단기적 타이머 시스템(502)의 동작에 관한 추가 세부사항들이 아래에 제공된다.
컬렉션 관리 시스템(506)은 미디어의 세트들 또는 컬렉션들(예를 들어, 텍스트, 이미지 비디오, 및 오디오 데이터의 컬렉션들)을 관리하는 것을 담당한다. 콘텐츠의 컬렉션(예를 들어, 이미지들, 비디오, 텍스트, 및 오디오를 포함하는 메시지들)은 "이벤트 갤러리" 또는 "이벤트 스토리"가 되도록 조직될 수 있다. 이러한 컬렉션은 콘텐츠가 관련되는 이벤트의 지속기간과 같은 지정된 기간 동안 이용가능하게 될 수 있다. 예를 들어, 음악 콘서트에 관한 콘텐츠는 그 음악 콘서트의 지속기간 동안 '스토리'로서 이용 가능하게 될 수 있다. 컬렉션 관리 시스템(506)은 또한 메시징 클라이언트(508)의 사용자 인터페이스에 특정 컬렉션의 존재의 통지를 제공하는 아이콘을 공개하는 것을 담당할 수 있다.
컬렉션 관리 시스템(506)은 컬렉션 관리자가 콘텐츠의 특정 컬렉션을 관리하고 큐레이션할 수 있게 하는 큐레이션 인터페이스(510)를 더 포함한다. 예를 들어, 큐레이션 인터페이스(510)는 이벤트 조직자가 특정 이벤트에 관련된 콘텐츠의 컬렉션을 큐레이션(예를 들어, 부적절한 콘텐츠 또는 중복 메시지들을 삭제)할 수 있게 한다. 추가적으로, 컬렉션 관리 시스템(506)은 머신 비전(또는 이미지 인식 기술) 및 콘텐츠 규칙들을 이용하여 콘텐츠 컬렉션을 자동으로 큐레이션한다. 특정 예들에서, 사용자-생성 콘텐츠를 컬렉션에 포함시키는 것에 대한 보상이 사용자에게 지불될 수 있다. 그러한 경우들에서, 컬렉션 관리 시스템(506)은 그러한 사용자들에게 그들의 콘텐츠의 사용에 대한 지불들을 자동으로 행하도록 동작한다.
증강 시스템(512)은 사용자가 메시지와 연관된 미디어 콘텐츠를 증강(예를 들어, 주석을 달거나 다른 방식으로 수정 또는 편집)할 수 있게 하는 다양한 기능들을 제공한다. 예를 들어, 증강 시스템(512)은 메시징 시스템(504)에 의해 처리되는 메시지들에 대한 미디어 오버레이들의 생성 및 공개와 관련된 기능들을 제공한다. 증강 시스템(512)은 클라이언트 디바이스(402)의 지리위치에 기초하여 메시징 클라이언트(508)에 미디어 오버레이 또는 증강(예를 들어, 이미지 필터)을 동작가능하게 공급한다. 다른 예에서, 증강 시스템(512)은 클라이언트 디바이스(402)의 사용자의 소셜 네트워크 정보와 같은 다른 정보에 기초하여 메시징 클라이언트(508)에 미디어 오버레이를 동작가능하게 공급한다. 미디어 오버레이는 오디오 및 시각적 콘텐츠 및 시각적 효과를 포함할 수 있다. 미디어 오버레이는 또한 춤에서 실시간으로 생성되는 음악에 맞춰 춤추는 애니메이션화된 캐릭터를 포함할 수 있다. 오디오 및 시각적 콘텐츠의 예는, 사진, 텍스트, 로고, 애니메이션, 및 음향 효과를 포함한다. 시각적 효과의 예는 컬러 오버레잉(color overlaying)을 포함한다. 오디오 및 시각적 콘텐츠 또는 시각적 효과들은 클라이언트 디바이스(402)에서 미디어 콘텐츠 아이템(예를 들어, 사진)에 적용될 수 있다. 예를 들어, 미디어 오버레이는 클라이언트 디바이스(402)에 의해 촬영된 사진의 위에 오버레이될 수 있는 텍스트 또는 이미지를 포함할 수 있다. 다른 예에서, 미디어 오버레이는 위치 식별 오버레이(예를 들어, 베니스 해변), 라이브 이벤트의 이름(name of a live event), 또는 상인 이름 오버레이(예를 들어, Beach Coffee House)를 포함한다. 다른 예에서, 증강 시스템(512)은 클라이언트 디바이스(402)의 지리위치를 사용하여 클라이언트 디바이스(402)의 지리위치에서의 상인의 이름을 포함하는 미디어 오버레이를 식별한다. 미디어 오버레이는 상인과 연관된 다른 표시들(indicia)을 포함할 수 있다. 미디어 오버레이들은 데이터베이스(618)에 저장되고 데이터베이스 서버(420)를 통해 액세스될 수 있다.
일부 예들에서, 증강 시스템(512)은 사용자들이 맵 상에서 지리위치를 선택하고 선택된 지리위치와 연관된 콘텐츠를 업로드할 수 있게 하는 사용자-기반 공개 플랫폼을 제공한다. 사용자는 또한 특정 미디어 오버레이가 다른 사용자들에게 제공되어야 하는 상황들을 특정할 수 있다. 증강 시스템(512)은 업로드된 콘텐츠를 포함하고 업로드된 콘텐츠를 선택된 지리위치와 연관시키는 미디어 오버레이를 생성한다.
다른 예들에서, 증강 시스템(512)은 본 명세서에 설명된 바와 같이 생성된 춤추는 애니메이션 또는 아바타를 자체적으로 미디어 오버레이로서 삽입하는 능력을 사용자에게 제공한다.
다른 예들에서, 증강 시스템(512)은 상인들이 입찰 프로세스를 통해 지리위치와 연관된 특정 미디어 오버레이를 선택할 수 있게 하는 상인 기반 공개 플랫폼을 제공한다. 예를 들어, 증강 시스템(512)은 최고 입찰 상인의 미디어 오버레이를 미리 정의된 양의 시간 동안 대응하는 지리위치와 연관시킨다.
맵 시스템(514)은 다양한 지리적 위치 기능들을 제공하고 메시징 클라이언트(508)에 의한 맵 기반 미디어 콘텐츠 및 메시지들의 제시를 지원한다. 예를 들어, 맵 시스템(514)은 맵의 컨텍스트 내에서, 사용자의 "친구들"의 현재 또는 과거 위치뿐만 아니라, 그러한 친구들에 의해 생성된 미디어 콘텐츠(예를 들어, 사진들 및 비디오들을 포함하는 메시지들의 컬렉션들)를 표시하기 위해 맵 상에 사용자 아이콘들 또는 아바타들(예를 들어, 프로필 데이터(616)에 저장됨)의 디스플레이를 가능하게 한다. 예를 들어, 특정 지리적 위치로부터 메시징 시스템(504)에 사용자에 의해 포스팅된 메시지는 메시징 클라이언트(508)의 맵 인터페이스 상의 특정 사용자의 "친구들"에게 그 특정 위치에서의 맵의 컨텍스트 내에 디스플레이될 수 있다. 사용자는 또한 메시징 클라이언트(508)를 통해 메시징 시스템(504)의 다른 사용자들과 자신의 위치 및 상태 정보를 (예를 들어, 적절한 상태 아바타를 사용하여) 공유할 수 있으며, 이 위치 및 상태 정보는 선택된 사용자들에 대한 메시징 클라이언트(508)의 맵 인터페이스의 컨텍스트 내에 유사하게 디스플레이된다.
게임 시스템(516)은 메시징 클라이언트(508)의 컨텍스트 내에서 다양한 게이밍 기능들을 제공한다. 메시징 클라이언트(508)는 메시징 클라이언트(508)의 컨텍스트 내에서 사용자에 의해 론칭되고 메시징 시스템(504)의 다른 사용자들과 플레이될 수 있는 이용가능한 게임들의 리스트를 제공하는 게임 인터페이스를 제공한다. 메시징 시스템(504)은 또한 메시징 클라이언트(508)로부터 그러한 다른 사용자들에게 초대들을 발행함으로써, 특정 사용자가 특정 게임의 플레이에 참가하도록 다른 사용자들을 초대할 수 있게 한다. 메시징 클라이언트(508)는 또한 게임플레이의 컨텍스트 내에서 음성 및 텍스트 메시징(예를 들어, 채팅들) 둘 다를 지원하고, 게임들에 대한 리더보드를 제공하고, 또한 게임 내 보상들(예를 들어, 코인들 및 아이템들)의 제공을 지원한다.
외부 리소스 시스템(518)은 메시징 클라이언트(508)가 외부 리소스들, 즉 애플리케이션들 또는 애플릿들을 론칭하거나 액세스하기 위해 원격 서버들(예를 들어, 제3자 서버들(410))과 통신하기 위한 인터페이스를 제공한다. 각각의 제3자 서버(410)는, 예를 들어, 마크업 언어(예를 들어, HTML5) 기반 애플리케이션 또는 애플리케이션의 소규모 버전(예를 들어, 게임, 유틸리티, 지불, 또는 승차 공유 애플리케이션)을 호스팅한다. 메시징 클라이언트(508)는 웹 기반 리소스와 연관된 제3자 서버들(410)로부터 HTML5 파일에 액세스함으로써 웹 기반 리소스(예를 들어, 애플리케이션)를 론칭할 수 있다. 특정 예들에서, 제3자 서버들(410)에 의해 호스팅되는 애플리케이션들은 메시징 서버 시스템(408)에 의해 제공되는 SDK(Software Development Kit)를 활용하여 자바스크립트로 프로그래밍된다. SDK는 웹 기반 애플리케이션에 의해 기동되거나 또는 기동될 수 있는 기능들을 갖는 API들(Application Programming Interfaces)을 포함한다. 특정 예들에서, 메시징 서버(418)는 메시징 클라이언트(508)의 특정 사용자 데이터에 대한 주어진 외부 리소스 액세스를 제공하는 자바스크립트 라이브러리를 포함한다. 게임들을 프로그래밍하기 위한 예시적인 기술로서 HTML5가 사용되지만, 다른 기술들에 기초하여 프로그래밍되는 애플리케이션들 및 리소스들이 사용될 수 있다.
SDK의 기능들을 웹 기반 리소스에 통합하기 위해, SDK는 메시징 서버(418)로부터 제3자 서버(410)에 의해 다운로드되거나 그렇지 않으면 제3자 서버(410)에 의해 수신된다. 일단 다운로드되거나 또는 수신되면, SDK는 웹 기반 외부 리소스의 애플리케이션 코드의 일부로서 포함된다. 웹 기반 리소스의 코드는 이어서 메시징 클라이언트(508)의 특징들을 웹 기반 리소스에 통합하기 위해 SDK의 특정 기능들을 기동하거나 호출할 수 있다.
메시징 서버(418) 상에 저장된 SDK는 외부 리소스(예를 들어, 애플리케이션들(1006) 또는 애플릿들)와 메시징 클라이언트(508) 사이의 브리지를 효과적으로 제공한다. 이것은 메시징 클라이언트(508) 상의 다른 사용자들과 통신하는 매끄러운 경험을 사용자에게 제공하는 한편, 또한 메시징 클라이언트(508)의 외관 및 느낌을 보존한다. 외부 리소스와 메시징 클라이언트(508) 사이의 통신들을 브리징하기 위해, 특정 예들에서, SDK는 제3자 서버들(410)과 메시징 클라이언트(508) 사이의 통신을 용이하게 한다. 특정 예들에서, 클라이언트 디바이스(402) 상에서 실행되는 WebViewJavaScriptBridge는 외부 리소스와 메시징 클라이언트(508) 사이에 2개의 단방향 통신 채널을 확립한다. 메시지들은 외부 리소스와 메시징 클라이언트(508) 사이에서 이러한 통신 채널들을 통해 비동기적으로 전송된다. 각각의 SDK 기능 기동이 메시지 및 콜백으로서 전송된다. 각각의 SDK 기능은 고유 콜백 식별자를 구성하는 것 및 해당 콜백 식별자를 갖는 메시지를 전송하는 것에 의해 구현된다.
SDK를 사용함으로써, 메시징 클라이언트(508)로부터의 모든 정보가 제3자 서버들(410)과 공유되는 것은 아니다. SDK는 외부 리소스의 필요에 기초하여 어느 정보가 공유되는지를 제한한다. 특정 예들에서, 각각의 제3자 서버(410)는 웹 기반 외부 리소스에 대응하는 HTML5 파일을 메시징 서버(418)에 제공한다. 메시징 서버(418)는 메시징 클라이언트(508)에서 웹 기반 외부 리소스의 시각적 표현(예컨대, 박스 아트 또는 다른 그래픽)을 추가할 수 있다. 일단 사용자가 시각적 표현을 선택하거나 메시징 클라이언트(508)의 GUI를 통해 메시징 클라이언트(508)에게 웹 기반 외부 리소스의 특징들에 액세스하도록 명령하면, 메시징 클라이언트(508)는 HTML5 파일을 획득하고 웹 기반 외부 리소스의 특징들에 액세스하는 데 필요한 리소스들을 인스턴스화한다.
메시징 클라이언트(508)는 외부 리소스에 대한 그래픽 사용자 인터페이스(예를 들어, 랜딩 페이지 또는 타이틀 스크린)를 제시한다. 랜딩 페이지 또는 타이틀 스크린을 제시하는 동안, 그 전에, 또는 그 후에, 메시징 클라이언트(508)는 론칭된 외부 리소스가 메시징 클라이언트(508)의 사용자 데이터에 액세스하도록 이전에 인가되었는지를 결정한다. 론칭된 외부 리소스가 메시징 클라이언트(508)의 사용자 데이터에 액세스하도록 이전에 인가되었다고 결정하는 것에 응답하여, 메시징 클라이언트(508)는 외부 리소스의 기능들 및 특징들을 포함하는 외부 리소스의 다른 그래픽 사용자 인터페이스를 제시한다. 론칭된 외부 리소스가 메시징 클라이언트(508)의 사용자 데이터에 액세스하도록 이전에 인가되지 않았다고 결정하는 것에 응답하여, 외부 리소스의 랜딩 페이지 또는 타이틀 스크린을 디스플레이하는 임계 시간 기간(예를 들어, 3초) 후에, 메시징 클라이언트(508)는 사용자 데이터에 액세스하도록 외부 리소스를 인가하기 위한 메뉴를 위로 슬라이딩한다(예를 들어, 메뉴를 스크린의 하단으로부터 스크린의 중간 또는 다른 부분으로 표면화하는 것으로서 애니메이션화한다). 이러한 메뉴는 외부 리소스가 사용하는 것이 인가될 사용자 데이터의 타입을 식별한다. 수락 옵션의 사용자 선택을 수신하는 것에 응답하여, 메시징 클라이언트(508)는 외부 리소스를 인가된 외부 리소스들의 리스트에 추가하고 외부 리소스가 메시징 클라이언트(508)로부터의 사용자 데이터에 액세스하는 것을 허용한다. 일부 예들에서, 외부 리소스는 OAuth 2 프레임워크에 따라 사용자 데이터에 액세스하도록 메시징 클라이언트(508)에 의해 인가된다.
메시징 클라이언트(508)는 인가되는 외부 리소스의 타입에 기초하여 외부 리소스들과 공유되는 사용자 데이터의 타입을 제어한다. 예를 들어, 풀-스케일 애플리케이션들(예를 들어, 애플리케이션(406))을 포함하는 외부 리소스들에는 제1 타입의 사용자 데이터(예를 들어, 상이한 아바타 특성들을 갖거나 갖지 않는 사용자들의 2차원 아바타들만)에 대한 액세스가 제공된다. 다른 예로서, 애플리케이션들의 소규모 버전들(예를 들어, 애플리케이션들의 웹 기반 버전들)을 포함하는 외부 리소스들에는 제2 타입의 사용자 데이터(예를 들어, 지불 정보, 사용자들의 2차원 아바타들, 사용자들의 3차원 아바타들, 및 다양한 아바타 특성들을 갖는 아바타들)에 대한 액세스가 제공된다. 아바타 특성들은, 상이한 자세들, 얼굴 특징들, 복장 등과 같은, 아바타의 룩 앤드 필을 맞춤화하는 상이한 방식들을 포함한다.
데이터 아키텍처
도 6은 특정 예들에 따른, 메시징 서버 시스템(408)의 데이터베이스(618)에 저장될 수 있는 데이터 구조들(600)을 예시하는 개략도이다. 데이터베이스(618)의 콘텐츠가 다수의 테이블을 포함하는 것으로 도시되어 있지만, 데이터는 다른 타입의 데이터 구조에(예를 들어, 객체 지향 데이터베이스로서) 저장될 수 있다는 것을 이해할 것이다.
데이터베이스(618)는 메시지 테이블(602) 내에 저장된 메시지 데이터를 포함한다. 이 메시지 데이터는, 임의의 특정한 하나의 메시지에 대해, 적어도 메시지 전송자 데이터, 메시지 수신인(또는 수신자) 데이터, 및 페이로드를 포함한다. 메시지에 포함될 수 있고 메시지 테이블(602)에 저장된 메시지 데이터 내에 포함될 수 있는 정보에 관한 추가 세부사항들은 도 7을 참조하여 아래에 설명된다.
엔티티 테이블(606)은 엔티티 데이터를 저장하고, 엔티티 그래프(608) 및 프로필 데이터(616)에(예를 들어, 참조적으로) 링크된다. 그에 대해 레코드들이 엔티티 테이블(606) 내에 유지되는 엔티티들은 개인들, 법인 엔티티들, 조직들, 객체들, 장소들, 이벤트들 등을 포함할 수 있다. 엔티티 타입에 관계없이, 메시징 서버 시스템(408)이 데이터를 저장하는 것에 관한 임의의 엔티티는 인식된 엔티티일 수 있다. 각각의 엔티티에는 고유 식별자뿐만 아니라 엔티티 타입 식별자(도시되지 않음)가 제공된다.
엔티티 그래프(608)는 엔티티들 사이의 관계들 및 연관들에 관한 정보를 저장한다. 그러한 관계들은, 단지 예를 들어, 사회적, 전문적(예를 들어, 일반 법인 또는 조직에서의 일) 관심 기반 또는 활동 기반일 수 있다.
프로필 데이터(616)는 특정 엔티티에 관한 다수의 타입들의 프로필 데이터를 저장한다. 프로필 데이터(616)는 특정 엔티티에 의해 지정된 프라이버시 설정들에 기초하여, 선택적으로 사용되고 메시징 시스템(504)의 다른 사용자들에게 제시될 수 있다. 엔티티가 개인인 경우, 프로필 데이터(616)는, 예를 들어, 사용자 이름, 전화 번호, 주소, 설정들(예를 들어, 통지 및 프라이버시 설정들)뿐만 아니라, 사용자 선택 아바타 표현(또는 그러한 아바타 표현들의 컬렉션)을 포함한다. 그 다음, 특정 사용자는 메시징 시스템(504)을 통해 통신되는 메시지들의 콘텐츠 내에, 그리고 메시징 클라이언트들(508)에 의해 다른 사용자들에게 디스플레이되는 맵 인터페이스들 상에 이러한 아바타 표현들 중 하나 이상을 선택적으로 포함할 수 있다. 아바타 표현들의 컬렉션은 사용자가 특정 시간에 통신하기 위해 선택할 수 있는 상태 또는 활동의 그래픽 표현을 제시하는"상태 아바타들"을 포함할 수 있다.
엔티티가 그룹인 경우, 그룹에 대한 프로필 데이터(616)는 유사하게, 그룹 이름, 멤버들, 및 관련 그룹에 대한 다양한 설정들(예를 들어, 통지들)에 더하여, 그룹과 연관된 하나 이상의 아바타 표현을 포함할 수 있다.
데이터베이스(618)는 또한 오버레이들 또는 필터들과 같은 증강 데이터를 증강 테이블(610)에 저장한다. 증강 데이터는 (데이터가 비디오 테이블(604)에 저장되는) 비디오들 및(데이터가 이미지 테이블(612)에 저장되는) 이미지들과 연관되고 이들에 적용된다.
일 예에서, 필터들은 수신 사용자에게 제시 동안 이미지 또는 비디오 상에 오버레이되어 디스플레이되는 오버레이들이다. 필터들은, 전송 사용자가 메시지를 작성하고 있을 때 메시징 클라이언트(508)에 의해 전송 사용자에게 제시되는 필터들의 세트로부터의 사용자-선택된 필터들을 포함하여, 다양한 타입들일 수 있다. 다른 타입들의 필터들은 지리적 위치에 기초하여 전송 사용자에게 제시될 수 있는 지리위치 필터들(지오-필터(geo-filter)들이라고도 알려짐)을 포함한다. 예를 들어, 이웃 또는 특수 위치에 특정한 지리위치 필터들은 클라이언트 디바이스(402)의 GPS(Global Positioning System) 유닛에 의해 결정된 지리위치 정보에 기초하여 메시징 클라이언트(508)에 의해 사용자 인터페이스 내에 제시될 수 있다.
다른 타입의 필터는 메시지 생성 프로세스 동안 클라이언트 디바이스(402)에 의해 수집된 다른 입력들 또는 정보에 기초하여, 메시징 클라이언트(508)에 의해 전송 사용자에게 선택적으로 제시될 수 있는 데이터 필터이다. 데이터 필터들의 예들은 특정 위치에서의 현재 온도, 전송 사용자가 이동하고 있는 현재 속도, 클라이언트 디바이스(402)에 대한 배터리 수명, 또는 현재 시간을 포함한다.
이미지 테이블(612) 내에 저장될 수 있는 다른 증강 데이터는 (예를 들어, 렌즈들 또는 증강 현실 경험들을 적용하는 것에 대응하는) 증강 현실 콘텐츠 아이템들을 포함한다. 증강 현실 콘텐츠 아이템은 이미지 또는 비디오에 추가될 수 있는 실시간 특수 효과 및 사운드일 수 있다.
위에서 설명한 바와 같이, 증강 데이터는 증강 현실 콘텐츠 아이템들, 오버레이들, 이미지 변환들, AR 이미지들, 및 이미지 데이터(예를 들어, 비디오들 또는 이미지들)에 적용될 수 있는 수정들을 지칭하는 유사한 용어들을 포함한다. 이것은 이미지가 클라이언트 디바이스(402)의 디바이스 센서들(예를 들어, 하나 또는 다수의 카메라)을 사용하여 캡처될 때 이미지를 수정하고 그 후 수정들과 함께 클라이언트 디바이스(402)의 스크린 상에 디스플레이되는 실시간 수정들을 포함한다. 이것은 또한 수정될 수 있는 갤러리 내의 비디오 클립들과 같은 저장된 콘텐츠에 대한 수정들을 포함한다. 예를 들어, 다수의 증강 현실 콘텐츠 아이템들에 대한 액세스를 갖는 클라이언트 디바이스들(402)에서, 사용자는 상이한 증강 현실 콘텐츠 아이템들이 저장된 클립을 어떻게 수정할지를 보기 위해 다수의 증강 현실 콘텐츠 아이템들을 갖는 단일 비디오 클립을 사용할 수 있다. 이것은 본 명세서에 설명된 바와 같이 애니메이션들에 대한 춤들을 생성하는 것을 포함한다. 예를 들어, 상이한 의사랜덤 이동 모델(pseudorandom movement model)들을 적용하는 다수의 증강 현실 콘텐츠 아이템들은 콘텐츠에 대한 상이한 증강 현실 콘텐츠 아이템들을 선택함으로써 동일한 콘텐츠에 적용될 수 있다. 유사하게, 실시간 비디오 캡처는 클라이언트 디바이스(402)의 센서들에 의해 현재 캡처되고 있는 비디오 이미지들이 캡처된 데이터를 어떻게 수정할지를 보여주기 위해 예시된 수정과 함께 사용될 수 있다. 이러한 데이터는 단순히 스크린 상에 디스플레이되고 메모리에 저장되지 않을 수 있거나, 디바이스 센서들에 의해 캡처된 콘텐츠는 수정과 함께 또는 수정 없이(또는 둘 다) 메모리에 기록되고 저장될 수 있다. 일부 시스템들에서, 미리보기 특징은 상이한 증강 현실 콘텐츠 아이템들이 디스플레이 내의 상이한 창들 내에서 동시에 어떻게 보일지를 보여줄 수 있다. 이것은, 예를 들어, 상이한 의사랜덤 애니메이션들을 갖는 다수의 창들이 디스플레이 상에서 동시에 보여질 수 있게 할 수 있다.
따라서, 이러한 데이터를 사용하여 콘텐츠를 수정하기 위해 증강 현실 콘텐츠 아이템들 또는 다른 이러한 변환 시스템들을 사용하는 데이터 및 다양한 시스템들은 객체들(예를 들어, 얼굴들, 손들, 신체들, 고양이들, 개들, 표면들, 객체들 등)의 검출, 이러한 객체들이 비디오 프레임들에서 시야를 떠나고, 진입하고, 그 주위를 이동함에 따른 이들의 추적, 및 이러한 객체들이 추적됨에 따른 이들의 수정 또는 변환을 수반할 수 있다. 다양한 예들에서, 이러한 변환들을 달성하기 위한 상이한 방법들이 사용될 수 있다. 일부 예들은 객체 또는 객체들의 3차원 메시 모델을 발생하는 것, 및 변환을 달성하기 위해 비디오 내에서의 모델의 변환들 및 애니메이션화된 텍스처들을 사용하는 것을 수반할 수 있다. 다른 예들에서, 객체 상의 포인트들의 추적은 추적된 위치에 (2차원 또는 3차원일 수 있는) 이미지 또는 텍스처를 배치하는 데 사용될 수 있다. 또 다른 예들에서, 비디오 프레임들의 신경망 분석은 콘텐츠(예를 들어, 이미지 또는 비디오 프레임)에 이미지들, 모델들, 또는 텍스처들을 배치하는 데 사용될 수 있다. 따라서, 증강 현실 콘텐츠 아이템들은 콘텐츠에서의 변환들을 생성하는 데 사용되는 이미지들, 모델들, 및 텍스처들뿐만 아니라, 객체 검출, 추적, 및 배치를 통해 이러한 변환들을 달성하는 데 필요한 추가적인 모델링 및 분석 정보를 모두 참조한다.
실시간 비디오 처리는 임의의 종류의 컴퓨터화된 시스템의 메모리에 저장된 임의의 종류의 비디오 데이터(예를 들어, 비디오 스트림들, 비디오 파일들 등)로 수행될 수 있다. 예를 들어, 사용자는 비디오 파일들을 로딩하고 이들을 디바이스의 메모리에 저장할 수 있거나, 또는 디바이스의 센서들을 사용하여 비디오 스트림을 생성할 수 있다. 또한, 사람의 얼굴 및 인체의 부분들, 동물들, 또는 의자, 자동차 또는 다른 객체들과 같은 무생물들과 같은 임의의 객체들이 컴퓨터 애니메이션 모델을 사용하여 처리될 수 있다. 컴퓨터 애니메이션은 또한 애니메이션화된 캐릭터들에 대한 실시간 춤들을 생성하기 위한 모델을 사용할 수 있다.
일부 예들에서, 변환될 콘텐츠와 함께 특정 수정이 선택될 때, 변환될 엘리먼트들이 컴퓨팅 디바이스에 의해 식별되고, 그 후 이들이 비디오의 프레임들에 존재하는 경우 검출되고 추적된다. 객체의 엘리먼트들은 수정을 위한 요청에 따라 수정되고, 따라서 비디오 스트림의 프레임들을 변환한다. 비디오 스트림의 프레임들의 변환은 상이한 종류의 변환을 위해 상이한 방법들에 의해 수행될 수 있다. 예를 들어, 객체의 엘리먼트들의 형태들을 변경하는 것을 주로 참조하는 프레임들의 변환들에 대해서는, 객체의 각각의 엘리먼트에 대한 특성 포인트들이 (예를 들어, ASM(Active Shape Model) 또는 다른 알려진 방법들을 사용하여) 계산된다. 그 다음, 특성 포인트들에 기초한 메시가 객체의 적어도 하나의 엘리먼트 각각에 대해 생성된다. 이 메시는 비디오 스트림 내의 객체의 엘리먼트들을 추적하는 다음 스테이지에서 사용된다. 추적하는 프로세스에서, 각각의 엘리먼트에 대한 언급된 메시는 각각의 엘리먼트의 위치와 정렬된다. 그 후, 추가 포인트들이 메시 상에 생성된다. 제1 포인트들의 제1 세트는 수정을 위한 요청에 기초하여 각각의 엘리먼트에 대해 생성되고, 제2 포인트들의 세트는 제1 포인트들의 세트 및 수정을 위한 요청에 기초하여 각각의 엘리먼트에 대해 생성된다. 그 후, 비디오 스트림의 프레임들은 메시와 제1 및 제2 포인트들의 세트들에 기초하여 객체의 엘리먼트들을 수정함으로써 변환될 수 있다. 이러한 방법에서, 수정된 객체의 배경은 배경을 추적하고 수정함으로써 또한 변경되거나 왜곡될 수 있다.
일부 예들에서, 객체의 일부 영역들을 그것의 엘리먼트들을 사용하여 변경하는 변환들은 객체의 각각의 엘리먼트에 대한 특성 포인트들을 계산하고 계산된 특성 포인트들에 기초하여 메시를 생성함으로써 수행될 수 있다. 메시 상에 포인트들이 생성되고, 그 후 포인트들에 기초한 다양한 영역들이 생성된다. 이어서, 객체의 엘리먼트들은 각각의 엘리먼트에 대한 영역을 적어도 하나의 엘리먼트 각각에 대한 위치와 정렬함으로써 추적되고, 영역들의 특성들은 수정을 위한 요청에 기초하여 수정될 수 있으며, 따라서 비디오 스트림의 프레임들을 변환한다. 수정을 위한 특정 요청에 따라, 언급된 영역들의 특성들이 상이한 방식들로 변환될 수 있다. 이러한 수정들은 영역들의 컬러를 변경하는 것; 비디오 스트림의 프레임들로부터 영역들의 적어도 일부 부분을 제거하는 것; 수정을 위한 요청에 기초하는 영역들에 하나 이상의 새로운 객체를 포함시키는 것; 및 영역 또는 객체의 엘리먼트들을 수정 또는 왜곡하는 것을 수반할 수 있다. 다양한 예들에서, 이러한 수정들 또는 다른 유사한 수정들의 임의의 조합이 사용될 수 있다. 애니메이션화될 특정 모델들에 대해, 일부 특성 포인트들은 모델 애니메이션에 대한 옵션들의 전체 상태-공간을 결정하는데 사용될 제어 포인트들로서 선택될 수 있다.
얼굴 검출을 사용하여 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델의 일부 예들에서, 얼굴은 특정 얼굴 검출 알고리즘(예를 들어, Viola-Jones)을 사용하여 이미지 상에서 검출된다. 그 후, 얼굴 특징 기준 포인트들을 검출하기 위해 이미지의 얼굴 영역에 ASM(Active Shape Model) 알고리즘이 적용된다.
얼굴 검출에 적합한 다른 방법들 및 알고리즘들이 사용될 수 있다. 예를 들어, 일부 예들에서, 특징들은 고려 중인 이미지들의 대부분에 존재하는 구별가능한 포인트를 표현하는 랜드마크를 사용하여 위치된다. 얼굴 랜드마크들에 대해, 예를 들어, 좌안 동공의 위치가 사용될 수 있다. 초기 랜드마크가 식별가능하지 않은 경우(예를 들어, 사람이 안대를 한 경우), 보조 랜드마크들이 사용될 수 있다. 이러한 랜드마크 식별 절차들은 임의의 이러한 객체들에 대해 사용될 수 있다. 일부 예들에서, 랜드마크들의 세트가 형상을 형성한다. 형상들은 형상 내의 포인트들의 좌표들을 사용하여 벡터들로서 표현될 수 있다. 형상 포인트들 사이의 평균 유클리드 거리(average Euclidean distance)를 최소화하는 유사성 변환(병진, 스케일링, 및 회전을 허용함)을 사용하여 하나의 형상은 다른 것에 정렬된다. 평균 형상은 정렬된 훈련 형상들의 평균이다.
일부 예들에서, 전체 얼굴 검출기에 의해 결정된 얼굴의 위치 및 크기에 정렬된 평균 형상으로부터의 랜드마크들에 대한 검색이 시작된다. 이어서, 이러한 검색은 각각의 포인트 주위의 이미지 텍스처의 템플릿 매칭에 의해 형상 포인트들의 위치들을 조정함으로써 잠정적 형상을 제안하고, 그 후 수렴이 발생할 때까지 잠정적 형상을 글로벌 형상 모델에 일치시키는 단계들을 반복한다. 일부 시스템들에서, 개별 템플릿 매치들은 신뢰할 수 없으며, 형상 모델은 약한 템플릿 매칭들의 결과들을 풀링하여 더 강한 전체 분류기를 형성한다. 전체 검색은 조대(coarse) 해상도에서 미세 해상도로 이미지 피라미드의 각각의 레벨에서 반복된다.
변환 시스템은 클라이언트 디바이스(예를 들어, 클라이언트 디바이스(402)) 상에서 이미지 또는 비디오 스트림을 캡처하고, 적합한 사용자 경험, 계산 시간, 및 전력 소비를 유지하면서 클라이언트 디바이스(402) 상에서 로컬에서 복잡한 이미지 조작들을 수행할 수 있다. 복잡한 이미지 조작들은 클라이언트 디바이스(402) 상에서 효율적으로 실행되도록 구성된 컨볼루션 신경망에 의해 구현되는 크기 및 형상 변화들, 감정 전달들(예를 들어, 찡그림으로부터 미소로 얼굴을 변화시키는 것), 상태 전달들(예를 들어, 피사체를 노화시키는 것, 겉보기 나이를 감소시키는 것, 성별을 변화시키는 것), 스타일 전달들, 그래픽 엘리먼트 애플리케이션, 및 임의의 다른 적합한 이미지 또는 비디오 조작을 포함할 수 있다.
일부 예들에서, 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델은 사용자가 클라이언트 디바이스(402) 상에서 동작하는 메시징 클라이언트(508)의 일부로서 동작하는 신경망을 갖는 클라이언트 디바이스(402)를 사용하여 사용자의 이미지 또는 비디오 스트림(예를 들어, 셀피)을 캡처할 수 있는 시스템에 의해 사용될 수 있다. 메시징 클라이언트(508) 내에서 동작하는 변환 시스템은 이미지 또는 비디오 스트림 내의 얼굴의 존재를 결정하고 이미지 데이터를 변환하기 위해 컴퓨터 애니메이션 모델과 연관된 수정 아이콘들을 제공하거나, 컴퓨터 애니메이션 모델은 본 명세서에 설명된 인터페이스와 연관된 것으로서 존재할 수 있다. 수정 아이콘들은 수정 동작의 일부로서 이미지 또는 비디오 스트림 내에서 사용자의 얼굴을 수정하기 위한 기초일 수 있는 변경들을 포함한다. 일단 수정 아이콘이 선택되면, 변환 시스템은 선택된 수정 아이콘을 반영하기 위해 사용자의 이미지를 변환하는(예를 들어, 사용자 상에 미소짓는 얼굴을 생성하는) 프로세스를 착수한다. 수정된 이미지 또는 비디오 스트림은 이미지 또는 비디오 스트림이 캡처되자마자 클라이언트 디바이스(402) 상에 디스플레이되는 그래픽 사용자 인터페이스에 제시될 수 있고, 지정된 수정이 선택된다. 변환 시스템은 이미지 또는 비디오 스트림의 일부에 대해 복잡한 컨볼루션 신경망을 구현하여 선택된 수정을 생성 및 적용할 수 있다. 즉, 사용자는 이미지 또는 비디오 스트림을 캡처하고, 수정 아이콘이 선택되었다면 실시간으로 또는 거의 실시간으로 수정된 결과를 제시받을 수 있다. 게다가, 비디오 스트림이 캡처되고 있고, 선택된 수정 아이콘이 토글링된 채로 있는 동안, 수정은 지속적일 수 있다. 이러한 수정들을 가능하게 하기 위해 머신 교시 신경망들(machine taught neural networks)이 사용될 수 있다.
변환 시스템에 의해 수행되는 수정을 제시하는, 그래픽 사용자 인터페이스는, 사용자에게 추가적인 상호작용 옵션들을 제공할 수 있다. 이러한 옵션들은 특정 컴퓨터 애니메이션 모델의 콘텐츠 캡처 및 선택을 개시하기 위해 사용되는 인터페이스(예를 들어, 콘텐츠 생성자 사용자 인터페이스로부터의 개시)에 기초할 수 있다. 다양한 예들에서, 수정 아이콘의 초기 선택 후에 수정이 지속적일 수 있다. 사용자는 변환 시스템에 의해 수정되고 있는 얼굴을 태핑(tapping)하거나 다른 방식으로 선택함으로써 수정을 온 또는 오프로 토글링하고, 나중에 보거나 이미징 애플리케이션의 다른 영역들로 브라우징하기 위해 그것을 저장할 수 있다. 다수의 얼굴들이 변환 시스템에 의해 수정되는 경우, 사용자는 그래픽 사용자 인터페이스 내에서 수정되어 디스플레이되는 단일 얼굴을 태핑하거나 선택함으로써 전역적으로 수정을 온 또는 오프로 토글링할 수 있다. 일부 예들에서, 다수의 얼굴들의 그룹 중에서, 개별 얼굴들은, 개별적으로 수정될 수 있거나 또는 이러한 수정들은 그래픽 사용자 인터페이스 내에 디스플레이되는 개별 얼굴 또는 일련의 개별 얼굴들을 탭하는 것 또는 선택하는 것에 의해 개별적으로 토글될 수 있다.
스토리 테이블(614)은 컬렉션(예를 들어, 스토리 또는 갤러리)으로 컴파일되는 메시지들 및 연관된 이미지, 비디오, 또는 오디오 데이터의 컬렉션들에 관한 데이터를 저장한다. 특정 컬렉션의 생성은 특정 사용자(예를 들어, 레코드가 엔티티 테이블(606)에 유지되는 각각의 사용자)에 의해 개시될 수 있다. 사용자는 그 사용자에 의해 생성되고 전송/브로드캐스팅된 콘텐츠의 컬렉션의 형태로 '개인 스토리(personal story)'를 생성할 수 있다. 이를 위해, 메시징 클라이언트(508)의 사용자 인터페이스는 전송 사용자가 자신의 개인 스토리에 특정 콘텐츠를 추가할 수 있게 하기 위해 사용자 선택가능한 아이콘을 포함할 수 있다.
컬렉션은 또한, 수동으로, 자동으로 또는 수동 및 자동 기술의 조합을 이용하여 생성된 복수의 사용자로부터의 콘텐츠의 컬렉션인 '라이브 스토리'를 구성할 수 있다. 예를 들어, '라이브 스토리'는 다양한 위치 및 이벤트로부터의 사용자-제출 콘텐츠(user-submitted content)의 큐레이팅된 스트림(curated stream)을 구성할 수 있다. 클라이언트 디바이스들이 위치 서비스 가능하고 특정 시간에 공통 위치 이벤트에 있는 사용자들에게는, 예를 들어, 메시징 클라이언트(508)의 사용자 인터페이스를 통해, 특정 라이브 스토리에 콘텐츠를 기여하는 옵션이 제시될 수 있다. 라이브 스토리는 자신의 위치에 기초하여 메시징 클라이언트(508)에 의해 사용자에게 식별될 수 있다. 최종 결과는 커뮤니티 관점에서 말한 '라이브 스토리'이다.
추가적인 타입의 콘텐츠 컬렉션은 "위치 스토리(location story)"로서 알려져 있으며, 이는 클라이언트 디바이스(402)가 특정 지리적 위치 내에(예를 들어, 대학 또는 대학 캠퍼스 상에) 위치하는 사용자가 특정 컬렉션에 기여할 수 있게 한다. 일부 예들에서, 위치 스토리에 대한 기여는 최종 사용자가 특정 조직 또는 다른 엔티티에 속하는지(예를 들어, 대학 캠퍼스의 학생인지)를 검증하기 위해 제2 인증 정도(second degree of authentication)를 요구할 수 있다.
위에서 언급된 바와 같이, 비디오 테이블(604)은, 일 예에서, 레코드들이 메시지 테이블(602) 내에 유지되는 메시지들과 연관되는 비디오 데이터를 저장한다. 유사하게, 이미지 테이블(612)은 메시지 데이터가 엔티티 테이블(606)에 저장되는 메시지들과 연관된 이미지 데이터를 저장한다. 엔티티 테이블(606)은 증강 테이블(610)로부터의 다양한 증강들을 이미지 테이블(612) 및 비디오 테이블(604)에 저장된 다양한 이미지들 및 비디오들과 연관시킬 수 있다.
데이터 통신 아키텍처
도 7은 추가 메시징 클라이언트(508) 또는 메시징 서버(418)로의 통신을 위해 메시징 클라이언트(508)에 의해 생성된, 일부 예들에 따른, 메시지(700)의 구조를 예시하는 개략도이다. 특정 메시지(700)의 콘텐츠는 메시징 서버(418)에 의해 액세스가능한, 데이터베이스(618) 내에 저장된 메시지 테이블(602)을 채우는 데 사용된다. 유사하게, 메시지(700)의 콘텐츠는 클라이언트 디바이스(402) 또는 애플리케이션 서버들(520)의 "수송 중(in-transit)" 또는 "비행 중(in-flight)" 데이터로서 메모리에 저장된다. 메시지(700)는 다음의 예시적인 컴포넌트들을 포함하는 것으로 도시된다:
· 메시지 식별자(702): 메시지(700)를 식별하는 고유 식별자.
· 메시지 텍스트 페이로드(704): 클라이언트 디바이스(402)의 사용자 인터페이스를 통해 사용자에 의해 생성될 그리고 메시지(700)에 포함되는 텍스트.
· 메시지 이미지 페이로드(706): 클라이언트 디바이스(402)의 카메라 컴포넌트에 의해 캡처되거나 클라이언트 디바이스(402)의 메모리 컴포넌트로부터 검색되고, 메시지(700)에 포함되는 이미지 데이터. 전송 또는 수신된 메시지(700)에 대한 이미지 데이터는 이미지 테이블(612)에 저장될 수 있다.
· 메시지 비디오 페이로드(708): 카메라 컴포넌트에 의해 캡처되거나 클라이언트 디바이스(402)의 메모리 컴포넌트로부터 검색되고, 메시지(700)에 포함되는 비디오 데이터. 전송 또는 수신된 메시지(700)에 대한 비디오 데이터는 비디오 테이블(604)에 저장될 수 있다.
· 메시지 오디오 페이로드(710): 마이크로폰에 의해 캡처되거나 클라이언트 디바이스(402)의 메모리 컴포넌트로부터 검색되고, 메시지(700)에 포함되는 오디오 데이터.
· 메시지 증강 데이터(712): 메시지(700)의 메시지 이미지 페이로드(706), 메시지 비디오 페이로드(708), 또는 메시지 오디오 페이로드(710)에 적용될 증강들을 나타내는 증강 데이터(예를 들어, 필터들, 스티커들, 또는 다른 주석들 또는 개선들). 전송되거나 수신된 메시지(700)에 대한 증강 데이터는 증강 테이블(610)에 저장될 수 있다.
· 메시지 지속기간 파라미터(714): 메시지의 콘텐츠(예를 들어, 메시지 이미지 페이로드(706), 메시지 비디오 페이로드(708), 메시지 오디오 페이로드(710))가 메시징 클라이언트(508)를 통해 사용자에게 제시되거나 액세스 가능하게 되는 시간량을 초 단위로 표시하는 파라미터 값.
· 메시지 지리위치 파라미터(716): 메시지의 콘텐츠 페이로드와 연관된 지리위치 데이터(예를 들어, 위도 및 경도 좌표들). 다수의 메시지 지리위치 파라미터(716) 값들이 페이로드에 포함될 수 있고, 이들 파라미터 값들 각각은 콘텐츠(예를 들어, 메시지 이미지 페이로드(706) 내의 특정 이미지, 또는 메시지 비디오 페이로드(708) 내의 특정 비디오)에 포함된 콘텐츠 아이템들에 관하여 연관된다.
· 메시지 스토리 식별자(718): 메시지(700)의 메시지 이미지 페이로드(706) 내의 특정 콘텐츠 아이템이 연관되는 하나 이상의 콘텐츠 컬렉션(예를 들어, 스토리 테이블(614)에서 식별된 "스토리들")을 식별하는 식별자 값들. 예를 들어, 메시지 이미지 페이로드(706) 내의 다수의 이미지들은 식별자 값들을 사용하여 다수의 콘텐츠 컬렉션들과 각각 연관될 수 있다.
· 메시지 태그(720): 각각의 메시지(700)는 다수의 태그들로 태깅될 수 있고, 그 각각은 메시지 페이로드에 포함된 콘텐츠의 주제를 나타낸다. 예를 들어, 메시지 이미지 페이로드(706)에 포함된 특정 이미지가 동물(예를 들어, 사자)을 묘사하는 경우, 관련 동물을 나타내는 태그 값이 메시지 태그(720) 내에 포함될 수 있다. 태그 값들은, 사용자 입력에 기초하여 수동으로 생성될 수 있거나, 또는 예를 들어, 이미지 인식을 사용하여 자동으로 생성될 수 있다.
· 메시지 전송자 식별자(722): 메시지(700)가 생성되었고 그로부터 메시지(700)가 전송된 클라이언트 디바이스(402)의 사용자를 나타내는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 주소, 또는 디바이스 식별자).
· 메시지 수신자 식별자(724): 메시지(700)가 어드레싱되는 클라이언트 디바이스(402)의 사용자를 나타내는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 주소, 또는 디바이스 식별자).
메시지(700)의 다양한 컴포넌트들의 콘텐츠들(예를 들어, 값들)은 콘텐츠 데이터 값들이 저장되는 테이블들 내의 위치들에 대한 포인터들일 수 있다. 예를 들어, 메시지 이미지 페이로드(706) 내의 이미지 값은 이미지 테이블(612) 내의 위치에 대한 포인터(또는 그의 주소)일 수 있다. 유사하게, 메시지 비디오 페이로드(708) 내의 값들은 비디오 테이블(604) 내에 저장된 데이터를 가리킬 수 있고, 메시지 증강들 내에 저장된 값들은 증강 테이블(610)에 저장된 데이터를 가리킬 수 있고, 메시지 스토리 식별자(718) 내에 저장된 값들은 스토리 테이블(614)에 저장된 데이터를 가리킬 수 있고, 메시지 전송자 식별자(722) 및 메시지 수신자 식별자(724) 내에 저장된 값들은 엔티티 테이블(606) 내에 저장된 사용자 레코드들을 가리킬 수 있다.
시간 기반 액세스 제한 아키텍처
도 8은 콘텐츠(예를 들어, 단기적 메시지(802), 및 데이터의 연관된 멀티미디어 페이로드) 또는 콘텐츠 컬렉션(예를 들어, 단기적 메시지 그룹(804))에 대한 액세스가 시간 제한될 수 있는(예를 들어, 단기적으로 될 수 있는) 액세스 제한 프로세스(800)를 예시하는 개략도이다. 애니메이션화된 캐릭터는 단기적 메시지(802)에 포함될 수 있다.
단기적 메시지(802)는 메시지 지속기간 파라미터(806)와 연관되는 것으로 도시되며, 그 값은 단기적 메시지(802)가 메시징 클라이언트(508)에 의해 단기적 메시지(802)의 수신 사용자에게 디스플레이될 시간량을 결정한다. 일 예에서, 단기적 메시지(802)는, 전송 사용자가 메시지 지속기간 파라미터(806)를 사용하여 지정하는 시간량에 따라, 최대 10초까지 동안 수신 사용자가 볼 수 있다.
메시지 지속기간 파라미터(806) 및 메시지 수신자 식별자(724)는 메시지 타이머(810)에 대한 입력들인 것으로 도시되며, 메시지 타이머(810)는 단기적 메시지(802)가 메시지 수신자 식별자(724)에 의해 식별되는 특정 수신 사용자에게 보여지는 시간량을 결정하는 것을 담당한다. 특히, 단기적 메시지(802)는 메시지 지속기간 파라미터(806)의 값에 의해 결정된 시간 기간 동안 관련 수신 사용자에게만 보여질 것이다. 메시지 타이머(810)는 수신 사용자에 대한 콘텐츠(예를 들어, 단기적 메시지(802))의 디스플레이의 전체 타이밍을 담당하는 보다 일반화된 단기적 타이머 시스템(502)에 출력을 제공하는 것으로 도시되어 있다.
단기적 메시지(802)는 단기적 메시지 그룹(804)(예를 들어, 개인 스토리 또는 이벤트 스토리 내의 메시지들의 컬렉션) 내에 포함되는 것으로 도 8에 도시되어 있다. 단기적 메시지 그룹(804)은 연관된 그룹 지속기간 파라미터(808)를 가지며, 그 값은 단기적 메시지 그룹(804)이 메시징 시스템(504)의 사용자들에게 제시되고 액세스가능한 시간 지속기간을 결정한다. 그룹 지속기간 파라미터(808)는, 예를 들어, 음악 콘서트의 지속기간일 수 있고, 여기서 단기적 메시지 그룹(804)은 그 콘서트에 관한 콘텐츠의 컬렉션이다. 대안적으로, 사용자(소유 사용자 또는 큐레이터 사용자)는 단기적 메시지 그룹(804)의 셋업 및 생성을 수행할 때 그룹 지속기간 파라미터(808)에 대한 값을 특정할 수 있다.
추가적으로, 단기적 메시지 그룹(804) 내의 각각의 단기적 메시지(802)는 연관된 그룹 참여 파라미터(812)를 가지며, 그 값은 단기적 메시지(802)가 단기적 메시지 그룹(804)의 컨텍스트 내에서 액세스가능할 시간의 지속기간을 결정한다. 따라서, 특정 단기적 메시지 그룹(804)은 단기적 메시지 그룹(804) 자체가 그룹 지속기간 파라미터(808)의 관점에서 만료되기 전에, 단기적 메시지 그룹(804)의 컨텍스트 내에서 "만료"되고 액세스 불가능하게 될 수 있다. 그룹 지속기간 파라미터(808), 그룹 참여 파라미터(812), 및 메시지 수신자 식별자(724)는 각각 그룹 타이머(814)에 입력을 제공하고, 그룹 타이머(814)는 먼저, 단기적 메시지 그룹(804)의 특정 단기적 메시지(802)가 특정 수신 사용자에게 디스플레이될 것인지, 그리고 그렇다면, 얼마나 오랫동안 디스플레이될 것인지를 동작적으로 결정한다. 단기적 메시지 그룹(804)은 또한 메시지 수신자 식별자(724)의 결과로서 특정 수신 사용자의 신원을 인식한다는 점에 유의한다.
따라서, 그룹 타이머(814)는 단기적 메시지 그룹(804)에 포함된 개별 단기적 메시지(802)뿐만 아니라, 연관된 단기적 메시지 그룹(804)의 전체 수명을 동작적으로 제어한다. 일 예에서, 단기적 메시지 그룹(804) 내의 각각의 그리고 모든 단기적 메시지(802)는 그룹 지속기간 파라미터(808)에 의해 지정된 시간 기간 동안 볼 수 있고 액세스가능하게 유지된다. 추가 예에서, 특정 단기적 메시지(802)는 그룹 참여 파라미터(812)에 기초하여 단기적 메시지 그룹(804)의 컨텍스트 내에서 만료될 수 있다. 메시지 지속기간 파라미터(806)는, 단기적 메시지 그룹(804)의 컨텍스트 내에서도, 특정 단기적 메시지(802)가 수신 사용자에게 디스플레이되는 시간의 지속기간을 여전히 결정할 수 있다는 점에 유의한다. 따라서, 메시지 지속기간 파라미터(806)는, 수신 사용자가 단기적 메시지 그룹(804)의 컨텍스트 내부 또는 외부에서 그 단기적 메시지(802)를 보고 있는지에 관계없이, 특정 단기적 메시지(802)가 수신 사용자에게 디스플레이되는 시간의 지속기간을 결정한다.
단기적 타이머 시스템(502)은 또한 연관된 그룹 참여 파라미터(812)를 초과했다는 결정에 기초하여 단기적 메시지 그룹(804)으로부터 특정 단기적 메시지(802)를 동작적으로 제거할 수 있다. 예를 들어, 전송 사용자가 포스팅으로부터 24시간의 그룹 참여 파라미터(812)를 확립했을 때, 단기적 타이머 시스템(502)은 지정된 24시간 후에 단기적 메시지 그룹(804)으로부터 관련 단기적 메시지(802)를 제거할 것이다. 단기적 타이머 시스템(502)은 또한 단기적 메시지 그룹(804) 내의 각각의 그리고 모든 단기적 메시지(802)에 대한 그룹 참여 파라미터(812)가 만료되었을 때, 또는 단기적 메시지 그룹(804) 자체가 그룹 지속기간 파라미터(808)의 관점에서 만료되었을 때 단기적 메시지 그룹(804)을 제거하도록 동작한다.
특정 사용 사례들에서, 특정 단기적 메시지 그룹(804)의 생성자는 무한 그룹 지속기간 파라미터(808)를 특정할 수 있다. 이 경우, 단기적 메시지 그룹(804) 내의 마지막 나머지 단기적 메시지(802)에 대한 그룹 참여 파라미터(812)의 만료는 단기적 메시지 그룹(804) 자체가 언제 만료되는지를 결정할 것이다. 이 경우, 새로운 그룹 참여 파라미터(812)를 갖는, 단기적 메시지 그룹(804)에 추가된 새로운 단기적 메시지(802)는 단기적 메시지 그룹(804)의 수명을 그룹 참여 파라미터(812)의 값과 동일하도록 효과적으로 연장한다.
단기적 타이머 시스템(502)이 단기적 메시지 그룹(804)이 만료되었다고(예를 들어, 더 이상 액세스가능하지 않다고) 결정하는 것에 응답하여, 단기적 타이머 시스템(502)은 메시징 시스템(504)(및, 예를 들어, 구체적으로 메시징 클라이언트(508))과 통신하여 관련 단기적 메시지 그룹(804)과 연관된 표시(예를 들어, 아이콘)가 메시징 클라이언트(508)의 사용자 인터페이스 내에 더 이상 디스플레이되지 않게 한다. 유사하게, 단기적 타이머 시스템(502)이 특정 단기적 메시지(802)에 대한 메시지 지속기간 파라미터(806)가 만료되었다고 결정할 때, 단기적 타이머 시스템(502)은 메시징 클라이언트(508)로 하여금 단기적 메시지(802)와 연관된 표시(예를 들어, 아이콘 또는 텍스트 식별)를 더 이상 디스플레이하지 않게 한다.
머신 아키텍처
도 9는 머신(900)으로 하여금 본 명세서에서 논의된 방법론들 중 어느 하나 이상을 수행하게 하기 위한 명령어들(910)(예를 들어, 소프트웨어, 프로그램, 애플리케이션, 애플릿, 앱, 또는 다른 실행가능 코드)이 실행될 수 있는 머신(900)의 도식적 표현이다. 예를 들어, 명령어들(910)은 머신(900)으로 하여금 본 명세서에 설명된 방법들 중 어느 하나 이상을 실행하게 할 수 있다. 명령어들(910)은 일반적인 프로그래밍되지 않은 머신(900)을 설명되고 예시된 기능들을 설명된 방식으로 수행하도록 프로그래밍된 특정 머신(900)으로 변환한다. 머신(900)은 독립형 디바이스로서 동작할 수 있거나 다른 머신들에 결합(예를 들어, 네트워크화)될 수 있다. 네트워크화된 배치에서, 머신(900)은 서버-클라이언트 네트워크 환경에서 서버 머신 또는 클라이언트 머신의 능력으로, 또는 피어-투-피어(또는 분산형) 네트워크 환경에서 피어 머신으로서 동작할 수 있다. 머신(900)은 서버 컴퓨터, 클라이언트 컴퓨터, 개인용 컴퓨터(PC), 태블릿 컴퓨터, 랩톱 컴퓨터, 넷북, 셋톱 박스(STB), 개인 휴대 정보 단말기(PDA), 엔터테인먼트 미디어 시스템, 셀룰러 전화, 스마트폰, 모바일 디바이스, 웨어러블 디바이스(예를 들어, 스마트워치), 스마트 홈 디바이스(예를 들어, 스마트 기기), 다른 스마트 디바이스들, 웹 어플라이언스, 네트워크 라우터, 네트워크 스위치, 네트워크 브리지, 또는 머신(900)에 의해 취해질 액션들을 특정하는 명령어들(910)을 순차적으로 또는 다른 방식으로 실행할 수 있는 임의의 머신을 포함할 수 있지만, 이에 제한되지 않는다. 또한, 단일 머신(900)만이 예시되어 있지만, "머신"이라는 용어는 또한 본 명세서에서 논의된 방법론들 중 어느 하나 이상을 수행하기 위해 명령어들(910)을 개별적으로 또는 공동으로 실행하는 머신들의 컬렉션을 포함하는 것으로 고려되어야 한다. 머신(900)은, 예를 들어, 클라이언트 디바이스(402) 또는 메시징 서버 시스템(408)의 일부를 형성하는 다수의 서버 디바이스 중 임의의 하나를 포함할 수 있다. 일부 예들에서, 머신(900)은 또한 클라이언트 및 서버 시스템들 둘 다를 포함할 수 있으며, 특정 방법 또는 알고리즘의 특정 동작들은 서버측에서 수행되고 특정 방법 또는 알고리즘의 특정 동작들은 클라이언트측에서 수행된다. 동작들은 애니메이션화된 캐릭터에 대한 실시간 춤 시퀀스를 생성하기 위한 명령어들을 포함할 수 있다.
머신(900)은 버스(940)를 통해 서로 통신하도록 구성될 수 있는 프로세서들(904), 메모리(906), 및 입력/출력 I/O 컴포넌트들(902)을 포함할 수 있다. 예에서, 프로세서들(904)(예를 들어, CPU(Central Processing Unit), RISC(Reduced Instruction Set Computing) 프로세서, CISC(Complex Instruction Set Computing) 프로세서, GPU(Graphics Processing Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), RFIC(Radio-Frequency Integrated Circuit), 다른 프로세서, 또는 이들의 임의의 적합한 조합)은, 예를 들어, 명령어들(910)을 실행하는 프로세서(908) 및 프로세서(912)를 포함할 수 있다. "프로세서"라는 용어는 명령어들을 동시에 실행할 수 있는 2개 이상의 독립적 프로세서(때때로 "코어들"이라고 지칭됨)를 포함할 수 있는 멀티-코어 프로세서들을 포함하도록 의도된다. 도 9는 다수의 프로세서들(904)을 도시하지만, 머신(900)은 단일 코어를 갖는 단일 프로세서, 다수의 코어들을 갖는 단일 프로세서(예를 들어, 멀티 코어 프로세서), 단일 코어를 갖는 다수의 프로세서들, 다수의 코어들을 갖는 다수의 프로세서들, 또는 이들의 임의의 조합을 포함할 수 있다.
메모리(906)는 메인 메모리(914), 정적 메모리(916), 및 스토리지 유닛(918)을 포함하고, 이들 둘 다는 버스(940)를 통해 프로세서들(904)에 액세스가능하다. 메인 메모리(906), 정적 메모리(916), 및 스토리지 유닛(918)은 본 명세서에 설명된 방법론들 또는 기능들 중 어느 하나 이상을 구현하는 명령어들(910)을 저장한다. 명령어들(910)은 또한, 머신(900)에 의한 그의 실행 동안, 완전히 또는 부분적으로, 메인 메모리(914) 내에, 정적 메모리(916) 내에, 스토리지 유닛(918) 내의 머신 판독가능 매체(920) 내에, 프로세서들(904) 중 적어도 하나 내에(예를 들어, 프로세서의 캐시 메모리 내에), 또는 이들의 임의의 적합한 조합으로 상주할 수 있다.
I/O 컴포넌트들(902)은 입력을 수신하고, 출력을 제공하고, 출력을 생성하고, 정보를 송신하고, 정보를 교환하고, 측정들을 캡처하는 등을 위한 매우 다양한 컴포넌트들을 포함할 수 있다. 특정 머신에 포함되는 특정 I/O 컴포넌트들(902)은 머신의 타입에 의존할 것이다. 예를 들어, 이동 전화들과 같은 휴대용 머신들은 터치 입력 디바이스 또는 다른 이러한 입력 메커니즘들을 포함할 수 있고, 헤드리스 서버 머신(headless server machine)은 이러한 터치 입력 디바이스를 포함하지 않을 가능성이 높다. I/O 컴포넌트들(902)은 도 9에 도시되지 않은 많은 다른 컴포넌트들을 포함할 수 있다는 것을 이해할 것이다. 다양한 예들에서, I/O 컴포넌트들(902)은 사용자 출력 컴포넌트들(926) 및 사용자 입력 컴포넌트들(928)을 포함할 수 있다. 사용자 출력 컴포넌트들(926)은 시각적 컴포넌트들(예를 들어, 플라즈마 디스플레이 패널(PDP), 발광 다이오드(LED) 디스플레이, 액정 디스플레이(LCD), 프로젝터, 또는 음극선관(CRT)과 같은 디스플레이), 음향 컴포넌트들(예를 들어, 스피커들), 햅틱 컴포넌트들(예를 들어, 진동 모터, 저항 메커니즘들), 다른 신호 생성기들 등을 포함할 수 있다. 사용자 입력 컴포넌트들(928)은 영숫자 입력 컴포넌트들(예를 들어, 키보드, 영숫자 입력을 수신하도록 구성된 터치 스크린, 포토-광학 키보드, 또는 다른 영숫자 입력 컴포넌트들), 포인트 기반 입력 컴포넌트들(예를 들어, 마우스, 터치패드, 트랙볼, 조이스틱, 모션 센서, 또는 다른 포인팅 기기), 촉각 입력 컴포넌트들(예를 들어, 물리적 버튼, 터치들 또는 터치 제스처들의 위치 및 힘을 제공하는 터치 스크린, 또는 다른 촉각 입력 컴포넌트들), 오디오 입력 컴포넌트들(예를 들어, 마이크로폰) 등을 포함할 수 있다.
추가 예들에서, I/O 컴포넌트들(902)은, 광범위한 다른 컴포넌트들 중에서도, 바이오메트릭 컴포넌트들(930), 모션 컴포넌트들(932), 환경 컴포넌트들(934), 또는 위치 컴포넌트들(936)을 포함할 수 있다. 예를 들어, 바이오메트릭 컴포넌트들(930)은 표현들(예를 들어, 손 표현들, 얼굴 표정들, 음성 표현들, 신체 제스처들, 또는 눈 추적)을 검출하고, 생체신호들(예를 들어, 혈압, 심박수, 체온, 땀, 또는 뇌파들)을 측정하고, 사람을 식별(예를 들어, 음성 식별, 망막 식별, 얼굴 식별, 지문 식별, 또는 뇌전도 기반 식별)하는 컴포넌트들 등을 포함한다. 모션 컴포넌트들(932)은 가속도 센서 컴포넌트들(예를 들어, 가속도계), 중력 센서 컴포넌트들, 회전 센서 컴포넌트들(예를 들어, 자이로스코프)을 포함한다.
환경 컴포넌트들(934)은, 예를 들어, (정지 이미지/사진 및 비디오 능력들을 갖는) 하나 이상의 카메라, 조명 센서 컴포넌트들(예를 들어, 광도계), 온도 센서 컴포넌트들(예를 들어, 주변 온도를 검출하는 하나 이상의 온도계), 습도 센서 컴포넌트들, 압력 센서 컴포넌트들(예를 들어, 기압계), 음향 센서 컴포넌트들(예를 들어, 배경 잡음을 검출하는 하나 이상의 마이크로폰), 근접 센서 컴포넌트들(예를 들어, 인근 객체들을 검출하는 적외선 센서들), 가스 센서들(예를 들어, 안전을 위해 유해성 가스들의 농도들을 검출하거나 대기 내의 오염물질들을 측정하기 위한 가스 검출 센서들), 또는 주변 물리적 환경에 대응하는 표시들, 측정들, 또는 신호들을 제공할 수 있는 다른 컴포넌트들을 포함한다.
카메라들과 관련하여, 클라이언트 디바이스(402)는, 예를 들어, 클라이언트 디바이스(402)의 전면 상의 전면 카메라들 및 클라이언트 디바이스(402)의 후면 상의 후면 카메라들을 포함하는 카메라 시스템을 가질 수 있다. 전면 카메라들은, 예를 들어, 클라이언트 디바이스(402)의 사용자의 정지 이미지들 및 비디오(예를 들어, "셀피들")를 캡처하는 데 사용될 수 있으며, 이는 이어서 위에서 설명된 증강 데이터(예를 들어, 필터들)로 증강될 수 있다. 후면 카메라들은, 예를 들어, 더 전통적인 카메라 모드에서 정지 이미지들 및 비디오들을 캡처하기 위해 사용될 수 있고, 이들 이미지들은 유사하게 증강 데이터로 증강된다. 전면 및 후면 카메라들에 더하여, 클라이언트 디바이스(402)는 또한 360° 사진들 및 비디오들을 캡처하기 위한 360° 카메라를 포함할 수 있다. 비디오로부터의 오디오 신호들은 비디오에 추가될 수 있는 애니메이션화된 캐릭터에 대한 현재 춤 자세의 생성을 위해 실시간으로 사용될 수 있다.
또한, 클라이언트 디바이스(402)의 카메라 시스템은 클라이언트 디바이스(402)의 전면 및 후면 상에 이중 후면 카메라들(예를 들어, 1차 카메라뿐만 아니라 깊이 감지 카메라), 또는 심지어 삼중, 사중 또는 오중 후면 카메라 구성들을 포함할 수 있다. 이러한 다수의 카메라 시스템들은, 예를 들어, 와이드 카메라, 울트라-와이드 카메라, 텔레포토 카메라, 매크로 카메라 및 깊이 센서를 포함할 수 있다.
위치 컴포넌트들(936)은 위치 센서 컴포넌트들(예를 들어, GPS 수신기 컴포넌트), 고도 센서 컴포넌트들(예를 들어, 고도계들 또는 고도가 도출될 수 있는 기압을 검출하는 기압계들), 배향 센서 컴포넌트들(예를 들어, 자력계들) 등을 포함한다.
통신은 매우 다양한 기술들을 사용하여 구현될 수 있다. I/O 컴포넌트들(902)은 머신(900)을 각각의 결합 또는 접속들을 통해 네트워크(922) 또는 디바이스들(924)에 결합하도록 동작가능한 통신 컴포넌트들(938)을 더 포함한다. 예를 들어, 통신 컴포넌트들(938)은 네트워크 인터페이스 컴포넌트 또는 네트워크(922)와 인터페이스하기 위한 다른 적합한 디바이스를 포함할 수 있다. 추가 예들에서, 통신 컴포넌트들(938)은 유선 통신 컴포넌트들, 무선 통신 컴포넌트들, 셀룰러 통신 컴포넌트들, NFC(Near Field Communication) 컴포넌트들, Bluetooth® 컴포넌트들(예를 들어, Bluetooth® Low Energy), Wi-Fi® 컴포넌트들, 및 다른 양상들을 통해 통신을 제공하는 다른 통신 컴포넌트들을 포함할 수 있다. 디바이스들(924)은 다른 머신 또는 매우 다양한 주변 디바이스들 중 임의의 것(예를 들어, USB를 통해 결합된 주변 디바이스)일 수 있다.
더욱이, 통신 컴포넌트들(938)은 식별자들을 검출할 수 있거나 식별자들을 검출하도록 동작가능한 컴포넌트들을 포함할 수 있다. 예를 들어, 통신 컴포넌트들(938)은 RFID(Radio Frequency Identification) 태그 판독기 컴포넌트들, NFC 스마트 태그 검출 컴포넌트들, 광학 판독기 컴포넌트들(예를 들어, UPC(Universal Product Code) 바코드와 같은 1차원 바코드들, QR(Quick Response) 코드와 같은 다차원 바코드들, Aztec 코드, Data Matrix, Dataglyph, MaxiCode, PDF417, Ultra Code, UCC RSS-2D 바코드, 및 다른 광학 코드들을 검출하기 위한 광학 센서), 또는 음향 검출 컴포넌트들(예를 들어, 태깅된 오디오 신호들을 식별하기 위한 마이크로폰들)을 포함할 수 있다. 또한, 인터넷 프로토콜(IP) 지리위치를 통한 위치, Wi-Fi® 신호 삼각측량을 통한 위치, 특정 위치를 나타낼 수 있는 NFC 비컨 신호 검출을 통한 위치 등과 같은 다양한 정보가 통신 컴포넌트들(938)을 통해 도출될 수 있다.
다양한 메모리들(예를 들어, 메인 메모리(914), 정적 메모리(916), 및 프로세서들(904)의 메모리) 및 스토리지 유닛(918)은 본 명세서에 설명된 방법론들 또는 기능들 중 어느 하나 이상을 구현하거나 그에 의해 사용되는 명령어들 및 데이터 구조들(예를 들어, 소프트웨어)의 하나 이상의 세트를 저장할 수 있다. 이러한 명령어들(예를 들어, 명령어들(910))은, 프로세서들(904)에 의해 실행될 때, 다양한 동작들이 개시된 예들을 구현하게 한다.
명령어들(910)은 송신 매체를 사용하여, 네트워크 인터페이스 디바이스(예를 들어, 통신 컴포넌트들(938)에 포함된 네트워크 인터페이스 컴포넌트)를 통해 그리고 여러 잘 알려진 전송 프로토콜들(예를 들어, HTTP(hypertext transfer protocol)) 중 어느 하나를 사용하여 네트워크(922)를 통해 송신 또는 수신될 수 있다. 유사하게, 명령어들(910)은 디바이스들(924)에 대한 결합(예를 들어, 피어-투-피어 결합)을 통해 송신 매체를 사용하여 송신 또는 수신될 수 있다.
소프트웨어 아키텍처
도 10은 본 명세서에 설명된 디바이스들 중 어느 하나 이상에 설치될 수 있는 소프트웨어 아키텍처(1004)를 예시하는 블록도(1000)이다. 소프트웨어 아키텍처(1004)는 프로세서들(1020), 메모리(1026), 및 I/O 컴포넌트들(1038)을 포함하는 머신(1002)과 같은 하드웨어에 의해 지원된다. 이 예에서, 소프트웨어 아키텍처(1004)는 각각의 계층이 특정 기능성을 제공하는 계층들의 스택으로서 개념화될 수 있다. 소프트웨어 아키텍처(1004)는 운영 체제(1012), 라이브러리들(1010), 프레임워크들(1008), 및 애플리케이션들(1006)과 같은 계층들을 포함한다. 동작적으로, 애플리케이션들(1006)은 소프트웨어 스택을 통해 API 호출들(1050)을 기동하고 API 호출들(1050)에 응답하여 메시지들(1052)을 수신한다. 경량인 머신 러닝 모델은 소프트웨어 아키텍처(1004) 상에서 실행될 수 있다.
운영 체제(1012)는 하드웨어 리소스들을 관리하고 공통 서비스들을 제공한다. 운영 체제(1012)는, 예를 들어, 커널(1014), 서비스들(1016), 및 드라이버들(1022)을 포함한다. 커널(1014)은 하드웨어와 다른 소프트웨어 계층들 사이의 추상화 계층으로서 작용한다. 예를 들어, 커널(1014)은, 다른 기능들 중에서도, 메모리 관리, 프로세서 관리(예를 들어, 스케줄링), 컴포넌트 관리, 네트워크화, 및 보안 설정들을 제공한다. 서비스들(1016)은 다른 소프트웨어 계층들에 대한 다른 공통 서비스들을 제공할 수 있다. 드라이버들(1022)은 기본 하드웨어를 제어하거나 그와 인터페이싱하는 것을 담당한다. 예를 들어, 드라이버들(1022)은 디스플레이 드라이버들, 카메라 드라이버들, BLUETOOTH® 또는 BLUETOOTH® Low Energy 드라이버들, 플래시 메모리 드라이버들, 직렬 통신 드라이버들(예를 들어, USB 드라이버들), WI-FI® 드라이버들, 오디오 드라이버들, 전력 관리 드라이버들 등을 포함할 수 있다.
라이브러리들(1010)은 애플리케이션들(1006)에 의해 사용되는 공통 로우-레벨 인프라스트럭처를 제공한다. 라이브러리들(1010)은 메모리 할당 기능들, 문자열 조작 기능들, 수학 기능들 등과 같은 기능들을 제공하는 시스템 라이브러리들(1018)(예를 들어, C 표준 라이브러리)을 포함할 수 있다. 또한, 라이브러리들(1010)은 미디어 라이브러리들(예를 들어, MPEG4(Moving Picture Experts Group-4), H.264 또는 AVC(Advanced Video Coding), MP3(Moving Picture Experts Group Layer-3), AAC(Advanced Audio Coding), AMR(Adaptive Multi-Rate) 오디오 코덱, JPEG 또는 JPG(Joint Photographic Experts Group), 또는 PNG(Portable Network Graphics)와 같은 다양한 미디어 포맷들의 제시 및 조작을 지원하기 위한 라이브러리들), 그래픽 라이브러리들(예를 들어, 디스플레이 상의 그래픽 콘텐츠에서 2차원(2D) 및 3차원(3D)으로 렌더링하기 위해 사용되는 OpenGL 프레임워크), 데이터베이스 라이브러리들(예를 들어, 다양한 관계형 데이터베이스 기능들을 제공하기 위한 SQLite), 웹 라이브러리들(예를 들어, 웹 브라우징 기능성을 제공하기 위한 WebKit) 등과 같은 API 라이브러리들(1024)을 포함할 수 있다. 라이브러리들(1010)은 또한 많은 다른 API들을 애플리케이션들(1006)에 제공하기 위해 매우 다양한 다른 라이브러리들(1028)을 포함할 수 있다.
프레임워크들(1008)은 애플리케이션들(1006)에 의해 사용되는 공통 하이-레벨 인프라스트럭처를 제공한다. 예를 들어, 프레임워크들(1008)은 다양한 그래픽 사용자 인터페이스(GUI) 기능들, 하이-레벨 리소스 관리, 및 하이-레벨 위치 서비스들을 제공한다. 프레임워크들(1008)은 애플리케이션들(1006)에 의해 사용될 수 있는 광범위한 스펙트럼의 다른 API들을 제공할 수 있으며, 그 중 일부는 특정 운영 체제 또는 플랫폼에 특정적일 수 있다.
예에서, 애플리케이션들(1006)은 홈 애플리케이션(1036), 연락처 애플리케이션(1030), 브라우저 애플리케이션(1032), 북 리더 애플리케이션(1034), 위치 애플리케이션(1042), 미디어 애플리케이션(1044), 메시징 애플리케이션(1046), 게임 애플리케이션(1048), 및 제3자 애플리케이션(1040)과 같은 광범위한 다른 애플리케이션들을 포함할 수 있다. 애플리케이션들(1006)은 프로그램들에 정의된 기능들을 실행하는 프로그램들이다. 객체 지향 프로그래밍 언어들(예를 들어, Objective-C, Java, 또는 C++) 또는 절차적 프로그래밍 언어들(예를 들어, C 또는 어셈블리 언어)과 같은 다양한 방식들로 구조화된 애플리케이션들(1006) 중 하나 이상을 생성하기 위해 다양한 프로그래밍 언어들이 이용될 수 있다. 특정 예에서, 제3자 애플리케이션(1040)(예를 들어, 특정 플랫폼의 벤더 이외의 엔티티에 의해 ANDROIDTM 또는 IOSTM 소프트웨어 개발 키트(SDK)를 사용하여 개발된 애플리케이션)은 IOSTM, ANDROIDTM, WINDOWS® Phone, 또는 다른 모바일 운영 체제와 같은 모바일 운영 체제 상에서 실행되는 모바일 소프트웨어일 수 있다. 이 예에서, 제3자 애플리케이션(1040)은 본 명세서에 설명된 기능성을 용이하게 하기 위해 운영 체제(1012)에 의해 제공되는 API 호출들(1050)을 기동할 수 있다.
위의 설명은 본 개시내용의 예시적인 예들을 구현하는 시스템들, 방법들, 디바이스들, 명령어들, 및 컴퓨터 매체들(예를 들어, 컴퓨팅 머신 프로그램 제품들)을 포함한다. 설명에서, 설명의 목적들을 위해, 본 발명의 주제의 다양한 예들의 이해를 제공하기 위해 다수의 특정 세부사항들이 제시된다. 그러나, 본 기술분야의 통상의 기술자에게는 본 발명의 주제의 예들이 이러한 특정 세부사항들 없이도 실시될 수 있다는 것이 명백할 것이다. 일반적으로, 잘 알려진 명령어 인스턴스들, 프로토콜들, 구조들, 및 기술들은 반드시 상세히 도시되지는 않는다.
본 특허 문서의 개시내용의 일부는 저작권 보호를 받는 자료를 포함한다. 저작권 소유자는 특허 문서 또는 특허 개시내용이 특허상표청 특허 파일들 또는 기록들에 나타나는 바와 같이 그 특허 문서 또는 특허 개시내용을 누군가에 의해 팩시밀리 재생하는 것에 이의가 없지만, 그 이외에는 모든 저작권을 보유한다. 다음의 통지는 위에서 그리고 본 문서의 일부를 형성하는 도면들에서 설명된 바와 같은 소프트웨어 및 데이터에 적용된다: Copyright 2016, SNAPCHAT, INC., All Rights Reserved.
용어집
"캐리어 신호"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 임의의 무형 매체를 지칭하고, 이러한 명령어들의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 다른 무형 매체를 포함한다. 명령어들은 네트워크 인터페이스 디바이스를 통해 송신 매체를 사용하여 네트워크를 통해 송신 또는 수신될 수 있다.
"클라이언트 디바이스"는 하나 이상의 서버 시스템 또는 다른 클라이언트 디바이스들로부터 리소스들을 획득하기 위해 통신 네트워크에 인터페이스하는 임의의 머신을 지칭한다. 클라이언트 디바이스는, 이동 전화, 데스크톱 컴퓨터, 랩톱, PDA(portable digital assistant)들, 스마트폰들, 태블릿들, 울트라북들, 넷북들, 랩톱들, 멀티-프로세서 시스템들, 마이크로프로세서-기반 또는 프로그램가능 가전 제품들, 게임 콘솔들, 셋톱 박스들, 또는 사용자가 네트워크에 액세스하기 위해 사용할 수 있는 임의의 다른 통신 디바이스일 수 있고, 이에 제한되지 않는다.
"통신 네트워크"는 애드 혹 네트워크, 인트라넷, 엑스트라넷, VPN(virtual private network), LAN(local area network), 무선 LAN(WLAN), WAN(wide area network), 무선 WAN(WWAN), MAN(metropolitan area network), 인터넷, 인터넷의 일부, PSTN(Public Switched Telephone Network)의 일부, POTS(plain old telephone service) 네트워크, 셀룰러 전화 네트워크, 무선 네트워크, Wi-Fi® 네트워크, 다른 타입의 네트워크, 또는 2개 이상의 이러한 네트워크의 조합일 수 있는, 네트워크의 하나 이상의 부분을 지칭한다. 예를 들어, 네트워크 또는 네트워크의 일부는 무선 또는 셀룰러 네트워크를 포함할 수 있고, 결합(coupling)은 CDMA(Code Division Multiple Access) 연결, GSM(Global System for Mobile communications) 연결, 또는 다른 타입들의 셀룰러 또는 무선 결합일 수 있다. 이 예에서, 결합은 1xRTT(Single Carrier Radio Transmission Technology), EVDO(Evolution-Data Optimized) 기술, GPRS(General Packet Radio Service) 기술, EDGE(Enhanced Data rates for GSM Evolution) 기술, 3G를 포함한 3GPP(third Generation Partnership Project), 4세대 무선(4G) 네트워크, UMTS(Universal Mobile Telecommunications System), HSPA(High Speed Packet Access), WiMAX(Worldwide Interoperability for Microwave Access), LTE(Long Term Evolution) 표준, 다양한 표준 설정 기구에 의해 정의된 다른 것들, 다른 장거리 프로토콜들, 또는 다른 데이터 전송 기술과 같은, 다양한 타입의 데이터 전송 기술들 중 임의의 것을 구현할 수 있다.
"컴포넌트"는 함수 또는 서브루틴 호출들, 분기 포인트들, API들, 또는 특정한 처리 또는 제어 기능들의 분할 또는 모듈화를 제공하는 다른 기술들에 의해 정의된 경계들을 갖는 디바이스, 물리적 엔티티 또는 로직을 지칭한다. 컴포넌트들은 그들의 인터페이스를 통해 다른 컴포넌트들과 결합되어 머신 프로세스를 실행할 수 있다. 컴포넌트는, 보통 관련된 기능들 중 특정한 기능을 수행하는 프로그램의 일부 및 다른 컴포넌트들과 함께 사용되도록 설계된 패키징된 기능 하드웨어 유닛일 수 있다. 컴포넌트들은 소프트웨어 컴포넌트들(예를 들어, 머신 판독가능 매체 상에 구현된 코드) 또는 하드웨어 컴포넌트들 중 어느 하나를 구성할 수 있다. "하드웨어 컴포넌트"는 특정 동작들을 수행할 수 있는 유형 유닛이고, 특정 물리적 방식으로 구성되거나 배열될 수 있다. 다양한 예들에서, 하나 이상의 컴퓨터 시스템(예를 들어, 독립형 컴퓨터 시스템, 클라이언트 컴퓨터 시스템, 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 컴포넌트(예를 들어, 프로세서 또는 프로세서들의 그룹)는 본 명세서에 설명되는 바와 같이 특정 동작들을 수행하기 위해 동작하는 하드웨어 컴포넌트로서 소프트웨어(예를 들어, 애플리케이션 또는 애플리케이션 부분)에 의해 구성될 수 있다. 하드웨어 컴포넌트는 또한, 기계적으로, 전자적으로, 또는 이들의 임의의 적합한 조합으로 구현될 수 있다. 예를 들어, 하드웨어 컴포넌트는 특정 동작들을 수행하도록 영구적으로 구성된 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 컴포넌트는, FPGA(field-programmable gate array) 또는 ASIC(application specific integrated circuit)와 같은 특수 목적 프로세서일 수 있다. 하드웨어 컴포넌트는 또한 특정 동작들을 수행하기 위해 소프트웨어에 의해 일시적으로 구성되는 프로그램가능 로직 또는 회로를 포함할 수 있다. 예를 들어, 하드웨어 컴포넌트는 범용 프로세서 또는 다른 프로그램가능 프로세서에 의해 실행되는 소프트웨어를 포함할 수 있다. 일단 그러한 소프트웨어에 의해 구성되면, 하드웨어 컴포넌트들은 구성된 기능들을 수행하도록 고유하게 맞춤화된 특정 머신들(또는 머신의 특정 컴포넌트들)이 되고 더 이상 범용 프로세서들이 아니다. 하드웨어 컴포넌트를 기계적으로, 전용의 영구적으로 구성된 회로에, 또는 일시적으로 구성된 회로(예를 들어, 소프트웨어에 의해 구성됨)에 구현하기로 하는 결정은 비용 및 시간 고려사항들에 의해 주도될 수 있다는 것을 인식할 것이다. 따라서, "하드웨어 컴포넌트"(또는 "하드웨어에 의해 구현되는 컴포넌트(hardware-implemented component)")라는 구문은, 유형 엔티티, 즉, 특정 방식으로 동작하거나 본 명세서에 설명된 특정 동작들을 수행하도록 물리적으로 구성되거나, 영구적으로 구성되거나(예를 들어, 하드와이어드) 또는 일시적으로 구성되는(예를 들어, 프로그래밍되는) 엔티티를 포괄하는 것으로 이해해야 한다. 하드웨어 컴포넌트들이 일시적으로 구성되는(예를 들어, 프로그래밍되는) 예들을 고려할 때, 하드웨어 컴포넌트들 각각은 임의의 한 시점에서 구성되거나 또는 인스턴스화될 필요는 없다. 예를 들어, 하드웨어 컴포넌트가 특수 목적 프로세서가 되도록 소프트웨어에 의해 구성된 범용 프로세서를 포함하는 경우에, 범용 프로세서는 상이한 시간들에서 (예를 들어, 상이한 하드웨어 컴포넌트들을 포함하는) 각각 상이한 특수 목적 프로세서들로서 구성될 수 있다. 따라서 소프트웨어는 예를 들어, 하나의 시간 인스턴스에서는 특정한 하드웨어 컴포넌트를 구성하고 상이한 시간 인스턴스에서는 상이한 하드웨어 컴포넌트를 구성하도록 특정한 프로세서 또는 프로세서들을 구성한다. 하드웨어 컴포넌트들은 다른 하드웨어 컴포넌트들에 정보를 제공하고 그들로부터 정보를 수신할 수 있다. 따라서, 설명된 하드웨어 컴포넌트들은 통신가능하게 결합되어 있는 것으로 고려될 수 있다. 다수의 하드웨어 컴포넌트들이 동시에 존재하는 경우에, 하드웨어 컴포넌트들 중 둘 이상 사이의 또는 그들 사이의 (예를 들어, 적절한 회로들 및 버스들을 통한) 신호 송신을 통해 통신이 달성될 수 있다. 다수의 하드웨어 컴포넌트들이 상이한 시간들에서 구성되거나 또는 인스턴스화되는 예들에서, 이러한 하드웨어 컴포넌트들 사이의 통신은, 예를 들어, 다수의 하드웨어 컴포넌트들이 액세스하는 메모리 구조들에서의 정보의 저장 및 검색을 통해, 달성될 수 있다. 예를 들어, 하나의 하드웨어 컴포넌트는 동작을 수행하고, 그에 통신가능하게 결합되는 메모리 디바이스에 그 동작의 출력을 저장할 수 있다. 그 후 추가의 하드웨어 컴포넌트가, 나중에, 저장된 출력을 검색 및 처리하기 위해 메모리 디바이스에 액세스할 수 있다. 하드웨어 컴포넌트들은 또한 입력 또는 출력 디바이스들과 통신을 개시할 수 있고, 리소스(예를 들어, 정보의 컬렉션)를 조작할 수 있다. 본 명세서에 설명된 예시적인 방법들의 다양한 동작은 관련 동작들을 수행하도록 일시적으로 구성되거나(예를 들어, 소프트웨어에 의해) 영구적으로 구성되는 하나 이상의 프로세서에 의해 적어도 부분적으로 수행될 수 있다. 일시적으로 구성되든 영구적으로 구성되든 간에, 그러한 프로세서들은 본 명세서에 설명된 하나 이상의 동작 또는 기능을 수행하도록 동작하는 프로세서에 의해 구현되는 컴포넌트들(processor-implemented components)을 구성할 수 있다. 본 명세서에 사용된 바와 같이, "프로세서에 의해 구현되는 컴포넌트(processor-implemented component)"는 하나 이상의 프로세서를 사용하여 구현되는 하드웨어 컴포넌트를 지칭한다. 유사하게, 본 명세서에 설명된 방법들은 적어도 부분적으로 프로세서에 의해 구현될 수 있고, 특정한 프로세서 또는 프로세서들은 하드웨어의 예이다. 예를 들어, 방법의 동작들 중 적어도 일부가 하나 이상의 프로세서 또는 프로세서 구현 컴포넌트들에 의해 수행될 수 있다. 더욱이, 하나 이상의 프로세서는 또한 "클라우드 컴퓨팅" 환경에서 또는 "서비스로서의 소프트웨어(software as a service)"(SaaS)로서 관련 동작들의 수행을 지원하도록 동작할 수 있다. 예를 들어, 동작들 중 적어도 일부는 (프로세서들을 포함하는 머신들의 예들로서) 컴퓨터들의 그룹에 의해 수행될 수 있고, 이러한 동작들은 네트워크(예를 들어, 인터넷)를 통해 그리고 하나 이상의 적절한 인터페이스(예를 들어, API)를 통해 액세스가능하다. 동작들 중 특정한 것의 수행은 단일 머신 내에 존재할 뿐만 아니라, 다수의 머신에 걸쳐 배치되는, 프로세서들 사이에 분산될 수 있다. 일부 예들에서, 프로세서들 또는 프로세서-구현 컴포넌트들은 단일의 지리적 위치에(예를 들어, 가정 환경, 사무실 환경, 또는 서버 팜(server farm) 내에) 위치될 수 있다. 다른 예들에서, 프로세서들 또는 프로세서-구현 컴포넌트들은 다수의 지리적 위치들에 걸쳐 분산될 수 있다.
"컴퓨터 판독가능 저장 매체"는 머신 저장 매체와 송신 매체 양자 모두를 지칭한다. 따라서, 용어들은 저장 디바이스들/매체들과 반송파들/변조된 데이터 신호들 양자 모두를 포함한다. 용어들 '머신 판독가능 매체', '컴퓨터-판독가능 매체' 및 '디바이스-판독가능 매체'는 동일한 것을 의미하며, 본 개시내용에서 상호교환가능하게 사용될 수 있다.
"머신 저장 매체"는 실행가능 명령어들, 루틴들 및 데이터를 저장한 단일의 또는 다수의 저장 디바이스들 및 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및 연관된 캐시들 및 서버들)을 지칭한다. 따라서, 용어는 프로세서들 내부 또는 외부의 메모리를 포함하는 고체-상태 메모리들, 및 광학 및 자기 매체들을 포함하지만 이에 제한되지 않는 것으로 고려되어야 한다. 머신 저장 매체, 컴퓨터 저장 매체 및 디바이스 저장 매체의 특정 예들은 예로서 반도체 메모리 디바이스들, 예를 들어, EPROM(erasable programmable read-only memory), EEPROM(electrically erasable programmable read-only memory), FPGA, 및 플래시 메모리 디바이스들을 포함하는 비휘발성 메모리; 내부 하드 디스크들 및 이동식 디스크들과 같은 자기 디스크들; 광자기 디스크들; 및 CD-ROM 및 DVD-ROM 디스크들을 포함한다. "머신 저장 매체", "디바이스 저장 매체", "컴퓨터 저장 매체"라는 용어들은 동일한 것을 의미하며, 본 개시내용에서 상호교환가능하게 사용될 수 있다. "머신 저장 매체", "컴퓨터 저장 매체", 및 "디바이스 저장 매체"라는 용어들은 구체적으로 반송파들, 변조된 데이터 신호들, 및 다른 이러한 매체들을 제외하고, 이들 중 적어도 일부는 "신호 매체"라는 용어 하에 포함된다.
"비일시적 컴퓨터 판독가능 저장 매체"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 유형의 매체를 지칭한다.
"신호 매체"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 임의의 무형 매체를 지칭하고, 소프트웨어 또는 데이터의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 다른 무형 매체를 포함한다. 용어 "신호 매체"는 임의의 형태의 변조된 데이터 신호, 반송파 등을 포함하는 것으로 고려되어야 한다. 용어 "변조된 데이터 신호"는 신호 내의 정보를 인코딩하는 것과 같은 문제에서 그의 특성 중 하나 이상이 설정 또는 변경된 신호를 의미한다. "송신 매체" 및 "신호 매체"라는 용어들은 동일한 것을 의미하며, 본 개시내용에서 상호교환가능하게 사용될 수 있다.
이러한 맥락에서 "타임스탬프"는 특정 이벤트가 언제 발생했는지를 식별하는, 예를 들어, 때때로 1초의 작은 부분까지 정확한 날짜 및 시각을 제공하는 문자들 또는 인코딩된 정보의 시퀀스를 지칭한다.

Claims (20)

  1. 음악에 대한 춤 자세들로 애니메이션화된 캐릭터를 생성하기 위한 방법으로서,
    적어도 하나의 프로세서에 의해, 상기 음악과 연관된 음향 신호에 기초하여 음악 입력 신호를 생성하는 단계;
    상기 적어도 하나의 프로세서에 의해, 인코딩 신경망으로부터 모델 출력 신호를 수신하는 단계;
    상기 적어도 하나의 프로세서에 의해, 디코딩 신경망을 사용하여 현재 생성된 자세 데이터를 생성하는 단계- 상기 현재 생성된 자세 데이터는 이전 생성된 자세의 이전 생성된 자세 데이터, 상기 음악 입력 신호, 및 상기 모델 출력 신호에 기초함 -;
    상기 적어도 하나의 프로세서에 의해, 현재 생성된 자세 데이터에 기초하여 애니메이션화된 캐릭터를 생성하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 상기 애니메이션화된 캐릭터가 디스플레이 디바이스에 의해 디스플레이되게 하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 인코딩 신경망 및 상기 디코딩 신경망은 조건부 재귀 신경망 모델에 기초하는, 방법.
  3. 제1항에 있어서, 상기 모델 출력 신호는 단위 정규 분포 또는 가우시안 분포인, 방법.
  4. 제3항에 있어서, 상기 현재 생성된 자세 데이터를 생성하는 단계는
    상기 모델 출력 신호의 평균 및 표준 편차를 생성하는 단계를 더 포함하는, 방법.
  5. 제4항에 있어서, 상기 현재 생성된 자세 데이터를 생성하는 단계는
    상기 모델 출력 신호로부터 훈련 단계 동안 생성된 자세들로부터 복수의 자세 데이터를 샘플링하는 단계를 더 포함하는, 방법.
  6. 제1항에 있어서, 상기 애니메이션화된 캐릭터를 생성하는 단계는
    상기 현재 생성된 자세 데이터를 사용하여 상기 애니메이션화된 캐릭터의 하나 이상의 부분을 연관시키는 단계를 더 포함하고, 상기 하나 이상의 부분 중 적어도 하나의 부분은 표현을 위해 사용되는 프레임들의 세트에 연결된 관절들의 세트를 포함하는, 방법.
  7. 제1항에 있어서, 상기 음악 입력 신호를 생성하는 단계는
    MFCC(Mel Frequency Cepstral Coefficients), 크로모그램, 시작, 델타 값들, 및 비트 표시자들 중 적어도 하나에 기초하여 실시간 음악 특징들을 생성하는 단계를 더 포함하고,
    상기 음악 입력 신호는 음악 입력 벡터인, 방법.
  8. 제1항에 있어서, 상기 애니메이션화된 캐릭터를 생성하는 단계는
    상기 현재 생성된 자세 데이터에 기초한 애니메이션화된 캐릭터로 복수의 애니메이션화된 캐릭터를 생성하는 단계; 및
    상기 복수의 애니메이션화된 캐릭터가 디스플레이 디바이스 상에 애니메이션화된 시퀀스로 디스플레이되게 하는 단계를 더 포함하는, 방법.
  9. 제1항에 있어서,
    상기 적어도 하나의 프로세서에 의해, 이전 자세 데이터, 상기 음악 입력 신호, 및 테스트 현재 자세 데이터를 포함하는 상기 모델 출력 신호를 생성하기 위해 상기 인코딩 신경망을 훈련하는 단계를 더 포함하고,
    상기 이전 자세 데이터는 상기 현재 자세 데이터에 기초하는, 방법.
  10. 컴퓨팅 장치로서,
    적어도 하나의 프로세서; 및
    명령어들을 저장하는 메모리를 포함하고, 상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 장치를
    연관된 음악 음향 신호에 기초하여 음악 입력 신호를 생성하고;
    인코딩 신경망으로부터 모델 출력 신호를 수신하고;
    디코딩 신경망을 사용하여 현재 생성된 자세 데이터를 생성하고- 상기 현재 생성된 자세 데이터는 이전 생성된 자세의 이전 생성된 자세 데이터, 상기 음악 입력 신호, 및 상기 모델 출력 신호에 기초함 -;
    상기 현재 생성된 자세 데이터에 기초하여 애니메이션화된 캐릭터를 생성하고;
    상기 애니메이션화된 캐릭터가 디스플레이 디바이스에 의해 디스플레이되게 하도록 구성하는, 컴퓨팅 장치.
  11. 제10항에 있어서, 상기 인코딩 신경망 및 상기 디코딩 신경망은 조건부 재귀 신경망 모델에 기초하는, 컴퓨팅 장치.
  12. 제10항에 있어서, 상기 애니메이션화된 캐릭터를 생성하는 것은
    상기 현재 생성된 자세 데이터를 사용하여 상기 애니메이션화된 캐릭터의 하나 이상의 부분을 연관시키는 것을 더 포함하고, 상기 하나 이상의 부분 중 적어도 하나의 부분은 표현을 위해 사용되는 프레임들의 세트에 연결된 관절들의 세트를 포함하는, 컴퓨팅 장치.
  13. 제10항에 있어서, 상기 명령어들은 상기 컴퓨팅 장치를
    적어도 하나의 프로세서에 의해, 테스트 이전 자세 데이터, 음악 입력 신호, 및 테스트 현재 자세 데이터를 사용하여 모델 출력 신호를 생성하도록 인코딩 신경망을 훈련하도록 추가로 구성하고,
    테스트 이전 자세 데이터는 현재 자세 데이터에 기초하는, 컴퓨팅 장치.
  14. 제13항에 있어서, 상기 컴퓨팅 장치의 훈련은 2D 데이터세트 및 3D 데이터세트 둘 다를 추가로 공동으로 훈련하고; 상기 2D 데이터세트는 휴머노이드 도형에 대한 적어도 25개의 관절 표현을 갖고, 상기 3D 데이터세트는 상기 휴머노이드 도형에 대한 적어도 26개의 관절 표현을 갖는, 컴퓨팅 장치.
  15. 제10항에 있어서, 상기 애니메이션화된 캐릭터를 생성하는 것은
    상기 현재 생성된 자세 데이터에 기초한 애니메이션화된 캐릭터로 복수의 애니메이션화된 캐릭터를 생성하는 것; 및
    상기 복수의 애니메이션화된 캐릭터가 디스플레이 디바이스 상에 애니메이션화된 시퀀스로 디스플레이되게 하는 것을 더 포함하는, 컴퓨팅 장치.
  16. 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 비일시적 컴퓨터 판독가능 저장 매체는 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금,
    적어도 하나의 프로세서에 의해, 연관된 음악 음향에 기초하여 음악 입력 신호를 생성하고;
    적어도 하나의 프로세서에 의해, 인코딩 신경망으로부터 모델 출력 신호를 수신하고;
    적어도 하나의 프로세서에 의해, 디코딩 신경망을 사용하여 현재 생성된 자세 데이터를 생성하고- 상기 현재 생성된 자세 데이터는 이전 생성된 자세의 이전 생성된 자세, 상기 음악 입력 신호, 및 상기 모델 출력 신호에 기초함 -;
    적어도 하나의 프로세서에 의해, 상기 현재 생성된 자세 데이터에 기초하여 애니메이션화된 캐릭터를 생성하고;
    적어도 하나의 프로세서에 의해, 상기 애니메이션화된 캐릭터가 디스플레이 디바이스에 의해 디스플레이되도록 하게 하는, 비일시적 컴퓨터 판독가능 매체.
  17. 제16항에 있어서, 상기 명령어들은 상기 컴퓨터를
    적어도 하나의 프로세서에 의해, 테스트 이전 자세 데이터, 음악 입력 신호, 및 테스트 현재 자세 데이터를 사용하여 모델 출력 신호를 생성하도록 인코딩 신경망을 훈련하도록 추가로 구성하고,
    상기 테스트 이전 자세 데이터는 상기 현재 자세 데이터, 상기 모델 출력 신호의 평균 및 상기 모델 출력 신호의 표준 편차에 기초하는, 비일시적 컴퓨터 판독가능 매체.
  18. 제16항에 있어서, 상기 애니메이션화된 캐릭터를 생성하는 것은
    상기 현재 생성된 자세 데이터를 사용하여 상기 애니메이션화된 캐릭터의 하나 이상의 부분을 연관시키는 것을 더 포함하고, 상기 하나 이상의 부분 중 적어도 하나의 부분은 표현을 위해 사용되는 프레임들의 세트에 연결된 관절들의 세트를 포함하는, 비일시적 컴퓨터 판독가능 저장 매체.
  19. 제16항에 있어서, 상기 애니메이션화된 캐릭터를 생성하는 것은, 상기 현재 생성된 자세 데이터에 기초한 애니메이션화된 캐릭터로 복수의 애니메이션화된 캐릭터를 생성하고, 상기 복수의 애니메이션화된 캐릭터가 애니메이션화된 시퀀스로 디스플레이 디바이스 상에 디스플레이되게 하는 것을 더 포함하는, 비일시적 컴퓨터 판독가능 저장 매체.
  20. 제17항에 있어서, 상기 모델 출력 신호는 미리 결정된 반복 수에 걸쳐 처음의 강제 훈련으로부터 자동 회귀 훈련으로 전이함으로써 생성되는, 비일시적 컴퓨터 판독가능 저장 매체.
KR1020237014737A 2020-09-30 2021-09-28 인간 캐릭터의 음악 반응 애니메이션 KR20230079180A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063085755P 2020-09-30 2020-09-30
US63/085,755 2020-09-30
PCT/US2021/052364 WO2022072328A1 (en) 2020-09-30 2021-09-28 Music reactive animation of human characters

Publications (1)

Publication Number Publication Date
KR20230079180A true KR20230079180A (ko) 2023-06-05

Family

ID=78303018

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237014737A KR20230079180A (ko) 2020-09-30 2021-09-28 인간 캐릭터의 음악 반응 애니메이션

Country Status (5)

Country Link
US (2) US11816773B2 (ko)
EP (1) EP4222712A1 (ko)
KR (1) KR20230079180A (ko)
CN (1) CN116830158A (ko)
WO (1) WO2022072328A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10963748B1 (en) * 2018-08-31 2021-03-30 Snap Inc. Generative neural network distillation
US11222455B2 (en) 2019-09-30 2022-01-11 Snap Inc. Management of pseudorandom animation system
US11176723B2 (en) 2019-09-30 2021-11-16 Snap Inc. Automated dance animation
US11348297B2 (en) 2019-09-30 2022-05-31 Snap Inc. State-space system for pseudorandom animation
EP4222712A1 (en) 2020-09-30 2023-08-09 Snap Inc. Music reactive animation of human characters
US11617952B1 (en) * 2021-04-13 2023-04-04 Electronic Arts Inc. Emotion based music style change using deep learning
WO2024097553A1 (en) * 2022-10-31 2024-05-10 Snap Inc. Danceability score generator
CN116824010B (zh) * 2023-07-04 2024-03-26 安徽建筑大学 一种反馈式多端动画设计在线交互方法及系统

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6285380B1 (en) 1994-08-02 2001-09-04 New York University Method and system for scripting interactive animated actors
DK1116214T3 (da) * 1998-09-04 2002-10-21 Lego As Fremgangsmåde og indretning til komponering af elektronisk musik samt generering af grafisk information
US6552729B1 (en) 1999-01-08 2003-04-22 California Institute Of Technology Automatic generation of animation of synthetic characters
US7472910B1 (en) 1999-03-30 2009-01-06 Canon Kabushiki Kaisha Animation display apparatus, arcade game machine, control method and apparatus thereof, and storage medium
US6456334B1 (en) 1999-06-29 2002-09-24 Ati International Srl Method and apparatus for displaying video in a data processing system
US6600491B1 (en) 2000-05-30 2003-07-29 Microsoft Corporation Video-based rendering with user-controlled movement
EP1345179A3 (en) 2002-03-13 2004-01-21 Matsushita Electric Industrial Co., Ltd. Method and apparatus for computer graphics animation
US20060274070A1 (en) 2005-04-19 2006-12-07 Herman Daniel L Techniques and workflows for computer graphics animation system
WO2008087621A1 (en) 2007-01-16 2008-07-24 Mobilesolid Ltd. An apparatus and method for animating emotionally driven virtual objects
US8224652B2 (en) 2008-09-26 2012-07-17 Microsoft Corporation Speech and text driven HMM-based body animation synthesis
US20110293144A1 (en) * 2009-02-02 2011-12-01 Agency For Science, Technology And Research Method and System for Rendering an Entertainment Animation
US8996538B1 (en) 2009-05-06 2015-03-31 Gracenote, Inc. Systems, methods, and apparatus for generating an audio-visual presentation using characteristics of audio, visual and symbolic media objects
US9981193B2 (en) 2009-10-27 2018-05-29 Harmonix Music Systems, Inc. Movement based recognition and evaluation
US20130069957A1 (en) 2010-06-02 2013-03-21 Tencent Technology (Shenzhen) Company Limited Method and Device for Playing Animation and Method and System for Displaying Animation Background
US9358456B1 (en) 2010-06-11 2016-06-07 Harmonix Music Systems, Inc. Dance competition game
US9789392B1 (en) 2010-07-09 2017-10-17 Open Invention Network Llc Action or position triggers in a game play mode
JP5554677B2 (ja) * 2010-10-07 2014-07-23 Ｋｄｄｉ株式会社 映像コンテンツ生成システム、映像コンテンツ生成装置及びコンピュータプログラム
US20120130717A1 (en) 2010-11-19 2012-05-24 Microsoft Corporation Real-time Animation for an Expressive Avatar
DE102012111304A1 (de) 2012-11-22 2014-05-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung, Verfahren und Computerprogramm zur Rekonstruktion einer Bewegung eines Objekts
US9483228B2 (en) 2013-08-26 2016-11-01 Dolby Laboratories Licensing Corporation Live engine
US9827496B1 (en) 2015-03-27 2017-11-28 Electronics Arts, Inc. System for example-based motion synthesis
US10325395B2 (en) 2016-01-20 2019-06-18 Facebook, Inc. Techniques for animating stickers with sound
JP6805422B2 (ja) 2016-03-08 2020-12-23 株式会社電通 装置、プログラム及び情報処理方法
US10289291B2 (en) 2016-04-05 2019-05-14 Adobe Inc. Editing nested video sequences
JP6401841B1 (ja) 2017-09-13 2018-10-10 株式会社コロプラ 情報処理方法、コンピュータ、及びプログラム
US10535174B1 (en) 2017-09-14 2020-01-14 Electronic Arts Inc. Particle-based inverse kinematic rendering system
US20190043239A1 (en) 2018-01-07 2019-02-07 Intel Corporation Methods, systems, articles of manufacture and apparatus for generating a response for an avatar
GB2579208B (en) * 2018-11-23 2023-01-25 Sony Interactive Entertainment Inc Method and system for determining identifiers for tagging video frames with
US11199912B2 (en) 2018-11-30 2021-12-14 Magic Leap, Inc. Multi-modal hand location and orientation for avatar movement
US10825221B1 (en) * 2019-04-23 2020-11-03 Adobe Inc. Music driven human dancing video synthesis
WO2021034211A1 (ru) * 2019-08-16 2021-02-25 Станислав Игоревич АШМАНОВ Способ и система передачи движения субъекта из видео на анимированного персонажа
US11222455B2 (en) 2019-09-30 2022-01-11 Snap Inc. Management of pseudorandom animation system
US11348297B2 (en) 2019-09-30 2022-05-31 Snap Inc. State-space system for pseudorandom animation
US11176723B2 (en) 2019-09-30 2021-11-16 Snap Inc. Automated dance animation
WO2021067988A1 (en) 2019-09-30 2021-04-08 Snap Inc. Automated dance animation
US11282253B2 (en) 2019-09-30 2022-03-22 Snap Inc. Matching audio to a state-space model for pseudorandom animation
CN110853670B (zh) * 2019-11-04 2023-10-17 南京理工大学 音乐驱动的舞蹈生成方法
CN111104964B (zh) * 2019-11-22 2023-10-17 北京永航科技有限公司 音乐与动作的匹配方法、设备及计算机存储介质
EP3921781A1 (en) * 2020-04-14 2021-12-15 Google LLC Efficient binary representations from neural networks
EP4222712A1 (en) 2020-09-30 2023-08-09 Snap Inc. Music reactive animation of human characters

Also Published As

Publication number Publication date
WO2022072328A1 (en) 2022-04-07
US20220101586A1 (en) 2022-03-31
US20240054709A1 (en) 2024-02-15
CN116830158A (zh) 2023-09-29
EP4222712A1 (en) 2023-08-09
US11816773B2 (en) 2023-11-14

Similar Documents

Publication Publication Date Title
US11816773B2 (en) Music reactive animation of human characters
KR20230118898A (ko) 가상 의류 시착
KR102542427B1 (ko) 미디어 콘텐츠 아이템들의 개인 컬렉션들에 대한 초대 미디어 오버레이들
KR20230025475A (ko) 메시징 시스템에서의 아바타 상태 업데이트
US11736717B2 (en) Video compression system
KR20230021708A (ko) 메시징 시스템을 위한 스티커들을 갖는 회신 인터페이스
CN117957582A (zh) 将身体网格混合到外部网格中
US11645798B1 (en) Facial animation transfer
KR20230072503A (ko) 메시징 시스템에서의 ar-기반 메이크업을 제공함
KR20230019491A (ko) 게임 결과 오버레이 시스템
KR20230044213A (ko) 관절형 애니메이션을 위한 모션 표현들
US20220207355A1 (en) Generative adversarial network manipulated image effects
KR20230027237A (ko) 2d 이미지들로부터의 3d 객체 모델 재구성
KR20230070505A (ko) 메시징에서의 ar 기반 메이크업 제품 세트들
KR20230152723A (ko) 평균 스무딩을 사용하여 이미지-대-이미지 모델들 압축
US20240046516A1 (en) Estimating 3d scene representations of images
US11983462B2 (en) Conversation guided augmented reality experience
US20220207329A1 (en) Compressing image-to-image models
US20240185512A1 (en) 3d wrist tracking
US11935556B2 (en) Neural networks for changing characteristics of vocals
US20240087266A1 (en) Deforming real-world object using image warping
US20240127563A1 (en) Stylizing a whole-body of a person
US20240185879A1 (en) Neural networks for changing characteristics of vocals
KR20230121153A (ko) 라벨들에 기초하는 관여 분석
WO2024058966A1 (en) Deforming real-world object using image warping