KR20230112289A - 변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법 - Google Patents

변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법 Download PDF

Info

Publication number
KR20230112289A
KR20230112289A KR1020220008371A KR20220008371A KR20230112289A KR 20230112289 A KR20230112289 A KR 20230112289A KR 1020220008371 A KR1020220008371 A KR 1020220008371A KR 20220008371 A KR20220008371 A KR 20220008371A KR 20230112289 A KR20230112289 A KR 20230112289A
Authority
KR
South Korea
Prior art keywords
image
fake
generating
information
images
Prior art date
Application number
KR1020220008371A
Other languages
English (en)
Inventor
이경태
Original Assignee
주식회사 엘팩토리
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 주식회사 엘팩토리 filed Critical 주식회사 엘팩토리
Priority to KR1020220008371A priority Critical patent/KR20230112289A/ko
Publication of KR20230112289A publication Critical patent/KR20230112289A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Processing Or Creating Images (AREA)

Abstract

본 발명은 하나의 이미지에 대하여 다수의 변형 이미지를 생성하여 디지털 액자 장치를 통해 변형 이미지를 출력하는 기술에 관한 것으로서, 일실시예에 따른 디지털 액자 장치는 원본 이미지를 구성하고 있는 적어도 하나 이상의 객체 이미지를 검출하는 객체 검출부, 상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 페이크 이미지 생성부, 상기 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성하는 변형 이미지 생성부, 및 상기 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리하는 디스플레이 처리부를 포함할 수 있다.

Description

변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법{A digital picture frame device that outputs a deformed image and an operating method of the digital picture frame device}
본 발명은 디지털 액자 장치 및 변형 이미지 생성 방법에 관한 것으로서, 보다 상세하게는 하나의 이미지에 대하여 다수의 변형 이미지를 생성하여 디지털 액자 장치를 통해 변형 이미지를 출력하는 기술에 관한 것이다.
일반적인 디지털 액자 장치는 메모리카드나　USB, 유무선 네트워크　등을 이용하여 디스플레이를 통해 콘텐츠를 표시하는 기기이다.
디지털 액자 장치는 여러 장의 사진을 원하는 시간 간격으로 표시하거나, 시간, 날씨 등의 정보도 함께 표시하여 실내 인테리어용, 광고용으로 활용할 수 있다.
한편, 디지털 액자 장치에 표시될 수 있는 디지털 콘텐츠는 콘텐츠 프로바이더 서버를 통해 수집하거나, 사용자가 촬영하여 기록한 메모리로부터 수집할 수 있다.
기존의 디지털 액자 장치는 메모리에 기록되거나 데이터베이스에 등록되어 있는 이미지를 그대로 표시하는 점에서 다소 단조로움을 줄 수 있다.
한국등록특허 제1737505호 "원격으로 콘텐츠 관리가 가능한 디지털 액자 장치 시스템" 한국등록특허 제1462711호 "이동통신망을 이용한 디지털 액자 장치 서비스 제공 방법" 한국공개특허 제2016-0058621호 "디지털 유화 전자 액자 및 그 디스플레이 방법"
본 발명은 하나의 이미지에 대하여 다수의 변형 이미지를 생성하여 디지털 액자 장치를 통해 변형 이미지를 출력하는 것을 목적으로 한다.
본 발명은 작품 이미지 중에서 인물을 감지하여 인물을 변형하거나 배경을 감지하여 배경을 변형하거나 사물을 감지하여 사물을 변형하는 등의 디테일한 변형 이미지를 제공하는 것을 목적으로 한다.
본 발명은 다수의 변형 이미지는 날씨나 생일 등 이벤트에 동기화되어 변화되거나 아침 점심 저녁 등 시각에 따라 변화될 수 있는 이미지를 제공하는 것을 목적으로 한다.
본 발명은 다수의 이미지가 생성될 수 있으므로 여기에 유저의 하루 일과, 유저의 이동 동선(직장-집, 기타 방문 장소), 유저로부터 수집되는 위치이동 정보, 포탈 등 검색엔진에서 검색된 검색어 정보 등을 통해 변화될 수 있는 이미지를 제공하는 것을 목적으로 한다.
일실시예에 따른 디지털 액자 장치는 원본 이미지를 구성하고 있는 적어도 하나 이상의 객체 이미지를 검출하는 객체 검출부, 상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 페이크 이미지 생성부, 상기 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성하는 변형 이미지 생성부, 및 상기 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리하는 디스플레이 처리부를 포함할 수 있다.
일실시예에 따른 상기 페이크 이미지 생성부는, GAN(Generative Adversarial Network)을 이용하여 상기 검출된 객체 이미지에 대해 심층 신경망 훈련을 반복하여 복수의 페이크 이미지를 생성할 수 있다.
일실시예에 따른 상기 페이크 이미지 생성부는, 상기 원본　이미지로부터 경계맵을　생성하고, 상기 원본 이미지와 상기 경계맵을 사용하여 상기 검출된 객체 이미지에 대한 미세 변화를 포함한　상기 복수의 페이크　이미지를　생성하며, 상기 복수의 페이크 이미지와 상기 원본 이미지를 소정 배율을 갖는 복수의 레이어에서 다운샘플링하고, 상기 다운샘플링된 원본 이미지에 기초하여 상기 다운 샘플링된 페이크 이미지를 업데이트하여 파라미터를 학습하며, 상기 파라미터의 학습이 완료될 때까지, 상기 경계맵을　생성과정 내지 상기 파라미터를 학습하는 과정을 반복하여 수행할 수 있다.
일실시예에 따른 상기 페이크 이미지 생성부는, 인공신경망을 이용하여 생성된 확률값에 기초하여 역전파를 통해 파라미터를 학습할 수 있다.
일실시예에 따른 상기 페이크 이미지 생성부는, 상기 다운샘플링된 원본 이미지를 0의 확률에 가까운 방향으로 역전파하고, 상기 다운샘플링된 페이크 이미지를 1에 가까운 방향으로 역전파하여 상기 파라미터를 업데이트할 수 있다.
일실시예에 따른 상기 디스플레이 처리부는, 사용자정보, 환경정보, 이벤트정보 중에서 적어도 하나의 정보에 기초하여 상기 변형 이미지를 선택할 수 있다.
일실시예에 따른 상기 적어도 하나 이상의 객체 이미지는, 상기 원본 이미지를 구성하고 있는 날씨, 장소, 인물, 동물, 사물 중에서 적어도 하나 이상의 객체에 대한 이미지를 포함할 수 있다.
일실시예에 따른 상기 사용자정보는 사용자의 신상정보, 바이오정보 중에서 적어도 하나 이상의 정보를 포함할 수 있다.
일실시예에 따른 상기 환경정보는 날씨정보, 절기정보, 계절정보, 온도정보, 습도정보, 미세먼지 수치정보, 초미세먼지 수치정보, 황사정보 중에서 적어도 하나 이상의 정보를 포함할 수 있다.
일실시예에 따른 상기 이벤트정보는 기념일정보, 일정정보, 외부 푸시정보 중에서 적어도 하나 이상의 정보를 포함할 수 있다.
일실시예에 따른 변형 이미지를 디스플레이 하는 변형 이미지 생성 방법은 원본 이미지를 구성하고 있는 적어도 하나 이상의 객체 이미지를 검출하는 단계, 상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계, 상기 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성하는 단계,　및 상기 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리하는 단계를 포함할 수 있다.
일실시예에 따른 상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는, GAN(Generative Adversarial Network)을 이용하여 상기 검출된 객체 이미지에 대해 심층 신경망 훈련을 반복하여 복수의 페이크 이미지를 생성하는 단계를 포함할 수 있다.
일실시예에 따른 상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는, 상기 원본　이미지로부터 경계맵을　생성하는 단계, 상기 원본 이미지와 상기 경계맵을 사용하여 상기 검출된 객체 이미지에 대한 미세 변화를 포함한　상기 복수의 페이크　이미지를　생성하는 단계, 상기 복수의 페이크 이미지와 상기 원본 이미지를 소정 배율을 갖는 복수의 레이어에서 다운샘플링하는 단계, 상기 다운샘플링된 원본 이미지에 기초하여 상기 다운 샘플링된 페이크 이미지를 업데이트하여 파라미터를 학습하는 단계, 상기 파라미터의 학습이 완료될 때까지, 상기 경계맵을　생성과정 내지 상기 파라미터를 학습하는 과정을 반복하여 수행하는 단계를 포함할 수 있다.
일실시예에 따른 상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는, 인공신경망을 이용하여 생성된 확률값에 기초하여 역전파를 통해 파라미터를 학습하는 단계를 포함할 수 있다.
일실시예에 따른 상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는, 상기 다운샘플링된 원본 이미지를 0의 확률에 가까운 방향으로 역전파하는 단계, 및 상기 다운샘플링된 페이크 이미지를 1에 가까운 방향으로 역전파하여 상기 파라미터를 업데이트하는 단계를 포함할 수 있다.
일실시예에 따른 상기 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리하는 단계는, 사용자정보, 환경정보, 이벤트정보 중에서 적어도 하나의 정보에 기초하여 상기 변형 이미지를 선택하는 단계를 포함할 수 있다.
일실시예에 따르면, 하나의 이미지에 대하여 다수의 변형 이미지를 생성하여 디지털 액자 장치를 통해 변형 이미지를 출력할 수 있다.
일실시예에 따르면, 작품 이미지 중에서 인물을 감지하여 인물을 변형하거나 배경을 감지하여 배경을 변형하거나 사물을 감지하여 사물을 변형하는 등의 디테일한 변형 이미지를 출력할 수 있다.
일실시예에 따르면, 다수의 변형 이미지는 날씨나 생일 등 이벤트에 동기화되어 변화되거나 아침 점심 저녁 등 시각에 따라 변화될 수 있는 이미지를 출력할 수 있다.
일실시예에 따르면, 다수의 이미지가 생성될 수 있으므로 여기에 유저의 하루 일과, 유저의 이동 동선(직장-집, 기타 방문 장소), 유저로부터 수집되는 위치이동 정보, 포탈 등 검색엔진에서 검색된 검색어 정보 등을 통해 변화될 수 있는 이미지를 출력할 수 있다.
도 1은 일실시예에 따른 디지털 액자 장치를 설명하는 도면이다.
도 2는 일실시예에 따른 변형 이미지의 생성 과정을 설명하는 도면이다.
도 3a 및 3b는 이미지로부터 생성된 변형 이미지의 실시예들을 나타낸다.
도 4b는 일실시예에 따른 변형 이미지 생성 방법을 설명하는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변형들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변형, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 변형 이미지 생성 장치(100)를 설명하는 도면이다.
일실시예에 따른 변형 이미지 생성 장치(100)는 하나의 이미지에 대하여 다수의 변형 이미지를 생성하여 디지털 액자 장치를 통해 변형 이미지를 출력할 수 있다.
예를 들어, 작품 이미지 중에서 인물을 감지하여 인물을 변형하거나 배경을 감지하여 배경을 변형하거나 사물을 감지하여 사물을 변형하는 등의 디테일한 변형 이미지를 출력할 수 있다. 또한, 다수의 변형 이미지는 날씨나 생일 등 이벤트에 동기화되어 변화되거나 아침 점심 저녁 등 시각에 따라 변화될 수 있는 이미지를 출력할 수 있다.
이를 위해, 일실시예에 따른 변형 이미지 생성 장치(100)는 객체 검출부(110), 페이크 이미지 생성부(120), 변형 이미지 생성부(130), 디스플레이 처리부(140), 제어부(150)를 포함할 수 있다.
일실시예에 따른 객체 검출부(110)는 원본 이미지를 구성하고 있는 적어도 하나 이상의 객체 이미지를 검출할 수 있다.
일실시예에 따른 페이크 이미지 생성부(120)는 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성할 수 있다.
이를 위해, 페이크 이미지 생성부(120)는 인공지능 기술이 적용된 GAN(Generative Adversarial Network)을 적용하여 변형 이미지의 카테고리를 한정하거나 무한 생성할 수도 있다.
일실시예에 따른 페이크 이미지 생성부(120)는 GAN을 이용하여 상기 검출된 객체 이미지에 대해 심층 신경망 훈련을 반복하여 복수의 페이크 이미지를 생성할 수 있다.
특히, 페이크 이미지 생성부(120)는 원본　이미지로부터 경계맵을　생성하고, 원본 이미지와 경계맵을 사용하여 검출된 객체 이미지에 대한 미세 변화를 포함한 복수의 페이크　이미지를　생성할 수 있다.
이후, 페이크 이미지 생성부(120)는 복수의 페이크 이미지와 원본 이미지를 소정 배율을 갖는 복수의 레이어에서 다운샘플링하고, 다운샘플링된 원본 이미지에 기초하여 다운 샘플링된 페이크 이미지를 업데이트하여 파라미터를 학습할 수 있다.
또한, 페이크 이미지 생성부(120)는 파라미터의 학습이 완료될 때까지, 경계맵을 　생성하는 과정 내지 파라미터를 학습하는 과정을 반복하여 수행할 수 있다.
결국, 페이크 이미지 생성부(120)는 인공신경망을 이용하여 생성된 확률값에 기초하여 역전파를 통해 파라미터를 학습할 수 있고, 다운샘플링된 원본 이미지를 0의 확률에 가까운 방향으로 역전파하고, 다운샘플링된 페이크 이미지를 1에 가까운 방향으로 역전파하여 상기 파라미터를 업데이트할 수 있다.
일실시예에 따른 변형 이미지 생성부(130)는 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성할 수 있다.
일례로, 변형 이미지 생성부(130)는 하나의 이미지에 대하여 다수의 변형 이미지를 생성하여 디지털 액자 장치를 통해 변형 이미지를 출력할 수 있다.
예를 들어, 모나리자 작품 이미지가 있는 경우 변형 이미지로서 모나리자가 웃거나 울거나, 몸을 기울이거나 등의 다수의 변형 이미지를 생성할 수 있다.
이를 위해, 객체 검출부(110)는 모나리자 이미지의 원본 이미지를 구성하고 있는 모나리자의 객체 이미지를 검출할 수 있다.
일실시예에 따른 페이크 이미지 생성부(120)는 검출된 모나리자의 객체 이미지에 대하여 모나리자가 웃거나 울거나, 몸을 기울이거나 하는 등의 복수의 페이크 이미지를 생성할 수 있다.
또한, 변형 이미지 생성부(130)는 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성할 수 있다.
다수의 변형 이미지는 예를 들어 모나리자 작품 이미지 중에서 인물을 감지하여 인물을 변형하거나 배경을 감지하여 배경을 변형하거나 사물을 감지하여 사물을 변형하는 등의 페이크 이미지를 통해 생성될 수 있다.
또한, 다른 일실시예에 따르면, 다수의 변형 이미지는 날씨나 생일 등 이벤트에 동기화되어 변화되거나 아침 점심 저녁 등 시각에 따라 변화될 수 있다. 이를 위해, 본 발명은 가정, 사무실, 공공장소에 배치 및 전시되는 디지털 액자 단말과, 변형 이미지를 생성하는 서버와, 서버에 접속하여 원하는 이미지를 제시된 이미지들 중에서 선택하거나 원하는 이미지를 직접 서버에 업로드하는 단말과, 서버와 디지털 액자 사이에 구축된 네트워크 등을 포함할 수 있다.
예를 들어, 환경정보는 날씨정보, 절기정보, 계절정보, 온도정보, 습도정보, 미세먼지 수치정보, 초미세먼지 수치정보, 황사정보 중에서 적어도 하나 이상의 정보를 포함할 수 있다.
또한, 이벤트정보는 기념일정보, 일정정보, 외부 푸시정보 중에서 적어도 하나 이상의 정보를 포함할 수 있다.
일실시예에 따른 디스플레이 처리부(140)는 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리할 수 있다.
일실시예에 따르면, 디스플레이 처리부(140)는 사용자정보, 환경정보, 이벤트정보 중에서 적어도 하나의 정보에 기초하여 다수의 변형 이미지들 중에서, 디스플레이할 변형 이미지를 선택할 수 있다.
일실시예에 따르면, 디스플레이 처리부(140)는 변형 이미지의 출력과 이벤트 또는 시각과의 연동에 있어서 다수의 변형 이미지 중에서 어떠한 변형 이미지를 출력할 지를 판단할 수 있다.
일례로, 디스플레이 처리부(140)는 유저의 하루 일과, 유저의 이동 동선(직장-집, 기타 방문 장소), 유저로부터 수집되는 위치이동 정보, 포탈 등 검색엔진에서 검색된 검색어 정보 등을 통해 다수의 변형 이미지 중에서 어떠한 변형 이미지를 출력할 지를 판단할 수 있다.
일실시예에 따른 제어부(150)는 앞서 설명한 객체 검출부(110), 페이크 이미지 생성부(120), 변형 이미지 생성부(130), 디스플레이 처리부(140)의 동작을 전반적으로 제어하거나, 특정 수행주체에서 발생하는 제어 신호를 다른 수행주체로 전달하는 기능을 처리할 수도 있다.
도 2는 일실시예에 따른 변형 이미지의 생성 과정을 설명하는 도면이다.
일실시예에 따른 변형 이미지 생성 장치는 GAN(Generative Adversarial Network) 기술을 적용하여 페이크 이미지를 생성하고, 이를 기반으로 변형 이미지를 생성할 수 있다.
GAN은 생성모델로 이미지, 음성, sequential data 등 원하는 형태의 데이터를 만드는 모델로서, CNN이나 RNN와 같이 데이터를 분석하는 모델과는 차이가 있다.
GAN은 서로 대립관계에 있는　두 개의 모델을 생성해, 적대적으로 경쟁시키면서 발전시킬 수 있다.
일실시예에 따른 변형 이미지 생성 장치는 생성자(202, Generator)와 판별자(205, Discriminator)를 포함할 수 있다.
생성자(202)는 노이즈(201)를 활용하여 페이크 이미지(203)를 생성하는 주체이고, 판별자(205)는 페이크 이미지(203)와 원본 이미지(203)의 진위 여부 판별하는 주체이다.
생성자(202)는 판별자(205)를 속이기 위해 최대한 진짜 같은 데이터를 만들고, 판별자(205)는 반대로 위조 데이터와 진짜 데이터를 감별하려고 실력을 키워 나간다. 이후 판별자(205)의 예측 결과에 따라 각 모델의 Loss가 결정되고, 서로 학습을 반복하게 된다. 이런 경쟁구도 속에서 두 모델의 능력이 상호 발전되어가고, 결론적으로는 판별자(205)에서 생성자(202)가 만드는 데이터를 구별하기 힘들 정도로 만들어 나갈 수 있다.
GAN은 인공신경망(network) 모델로서, 생성자(202)와 판별자(205)가 모두 신경망 기반 모델이다.
도 3a 및 3b는 이미지로부터 생성된 변형 이미지의 실시예들을 나타낸다.
도 3a는 원본 이미지(301)와 원본 이미지(301)로부터 가공된 변형 이미지(302)를 나타낸다.
변형 이미지(302)는 원본 이미지(301)를 구성하고 있는 적어도 하나 이상의 객체 이미지로부터 검출 후 변형된 복수의 페이크 이미지(객체)를 조합하여 생성될 수 있다.
일례로, 변형 이미지(302)는 환경정보로서 온도, 습도, 날씨 등을 고려하여 원본 이미지(301)의 배경에 눈이 오는 듯한 페이크 이미지를 적용하여 생성되었고, 원본 이미지(301)의 객체에는 눈이 쌓여있는 듯한 페이크 이미지를 적용하여 생성되었다.
마찬가지로, 도 3b는 원본 이미지(303)와 원본 이미지(303)로부터 가공된 변형 이미지(304)를 나타낸다.
변형 이미지(304)는 원본 이미지(303)를 구성하고 있는 적어도 하나 이상의 객체 이미지로부터 검출 후 변형된 복수의 페이크 이미지(객체)를 조합하여 생성될 수 있다.
일례로, 변형 이미지(304)는 환경정보로서 온도, 습도, 날씨 등을 고려하여 원본 이미지(303)의 배경에 비가 오는 듯한 페이크 이미지를 적용하여 생성되었고, 원본 이미지(303)의 객체에는 빗방울이 흐르는 듯한 페이크 이미지를 적용하여 생성되었다.
도 4는 일실시예에 따른 변형 이미지 생성 방법을 설명하는 도면이다.
일실시예에 따른 변형 이미지 생성 방법은 원본 이미지를 구성하고 있는 적어도 하나 이상의 객체 이미지를 검출하고, 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하며, 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성할 수 있다. 또한, 일실시예에 따른 변형 이미지 생성 방법은 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이 하도록 처리할 수 있다.
이를 위해, 도 4는 일실시예에 따른 변형 이미지 생성 방법은 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하기 위해, GAN(Generative Adversarial Network)을 이용할 수 있다.
특히, GAN을 이용하여 검출된 객체 이미지에 대해 심층 신경망 훈련을 반복하여 복수의 페이크 이미지를 생성할 수 있다.
구체적으로, 일실시예에 따른 변형 이미지 생성 방법은 페이크 이미지를 생성하기 위해, 원본　이미지로부터 경계맵을　생성할 수 있다(단계 401).
일실시예에 따른 변형 이미지 생성 방법은 원본 이미지와 경계맵을 사용하여 검출된 객체 이미지에 대한 미세 변화를 포함한　상기 복수의 페이크　이미지를　생성할 수 있다(단계 402).
일실시예에 따른 변형 이미지 생성 방법은 복수의 페이크 이미지와 원본 이미지를 소정 배율을 갖는 복수의 레이어에서 다운 샘플링이 필요한지 여부를 판단할 수 있다(단계 403).
일실시예에 따른 변형 이미지 생성 방법은 다운 샘플링이 필요한 경우, 다운 샘플링을 수행하고(단계 404), 다운 샘플링된 원본 이미지에 기초하여 다운 샘플링된 페이크 이미지를 업데이트하여 파라미터를 학습할 수 있다.
파라미터를 학습 과정은 다운 샘플링된 리얼 이미지(원본 이미지)에 기초하여 다운 샘플링된 페이크 이미지를 업데이트하고(단계 405), 업데이트 결과를 반영한 보정된 페이크 이미지를 생성할 수 있다(단계 406).
또한, 생성된 페이크 이미지에 따라 파라미터를 갱신하며(단계 407), 파라미터의 학습이 완료되었는지 여부를 판단(단계 408)하여 학습이 완료될 때까지, 경계맵을　생성과정 내지 상기 파라미터를 학습하는 과정을 반복하여 수행할 수 있다.
일례로, 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하기 위해서는, 인공신경망을 이용하여 생성된 확률값에 기초하여 역전파를 통해 파라미터를 학습할 수 있다.
또한, 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하기 위해, 다운샘플링된 원본 이미지를 0의 확률에 가까운 방향으로 역전파하하고, 다운샘플링된 페이크 이미지를 1에 가까운 방향으로 역전파하여 상기 파라미터를 업데이트할 수 있다.
결국, 본 발명을 이용하면, 하나의 이미지에 대하여 다수의 변형 이미지를 생성하여 디지털 액자 장치를 통해 변형 이미지를 출력할 수 있다.
또한, 본 발명을 이용하면, 작품 이미지 중에서 인물을 감지하여 인물을 변형하거나 배경을 감지하여 배경을 변형하거나 사물을 감지하여 사물을 변형하는 등의 디테일한 변형 이미지를 출력할 수 있고, 다수의 변형 이미지는 날씨나 생일 등 이벤트에 동기화되어 변화되거나 아침 점심 저녁 등 시각에 따라 변화될 수 있는 이미지를 출력할 수 있다.
뿐만 아니라, 다수의 이미지가 생성될 수 있으므로 여기에 유저의 하루 일과, 유저의 이동 동선(직장-집, 기타 방문 장소), 유저로부터 수집되는 위치이동 정보, 포탈 등 검색엔진에서 검색된 검색어 정보 등을 통해 변화될 수 있는 이미지를 출력할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (16)

  1. 디지털 액자 장치에 표시될 원본 이미지를 구성하고 있는 적어도 하나 이상의 객체 이미지를 검출하는 객체 검출부;
    상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 페이크 이미지 생성부;
    상기 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성하는 변형 이미지 생성부;　및
    상기 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리하는 디스플레이 처리부
    를 포함하는 변형 이미지 생성 장치.
  2. 제1항에 있어서,
    상기 페이크 이미지 생성부는,
    GAN(Generative Adversarial Network)을 이용하여 상기 검출된 객체 이미지에 대해 심층 신경망 훈련을 반복하여 복수의 페이크 이미지를 생성하는 변형 이미지 생성 장치.
  3. 제2항에 있어서,
    상기 페이크 이미지 생성부는,
    상기 원본　이미지로부터 경계맵을　생성하고,
    상기 원본 이미지와 상기 경계맵을 사용하여 상기 검출된 객체 이미지에 대한 미세 변화를 포함한　상기 복수의 페이크　이미지를　생성하며,
    상기 복수의 페이크 이미지와 상기 원본 이미지를 소정 배율을 갖는 복수의 레이어에서 다운샘플링하고,
    상기 다운샘플링된 원본 이미지에 기초하여 상기 다운 샘플링된 페이크 이미지를 업데이트하여 파라미터를 학습하며,
    상기 파라미터의 학습이 완료될 때까지, 상기 경계맵을　생성과정 내지 상기 파라미터를 학습하는 과정을 반복하여 수행하는 것을 특징으로 하는 변형 이미지 생성 장치.
  4. 제1항에 있어서,
    상기 페이크 이미지 생성부는,
    인공신경망을 이용하여 생성된 확률값에 기초하여 역전파를 통해 파라미터를 학습하는 것을 특징으로 하는 변형 이미지 생성 장치.
  5. 제1항에 있어서,
    상기 페이크 이미지 생성부는,
    상기 다운샘플링된 원본 이미지를 0의 확률에 가까운 방향으로 역전파하고, 상기 다운샘플링된 페이크 이미지를 1에 가까운 방향으로 역전파하여 상기 파라미터를 업데이트하는 것을 특징으로 하는 변형 이미지 생성 장치.
  6. 제1항에 있어서,
    상기 디스플레이 처리부는,
    사용자정보, 환경정보, 이벤트정보 중에서 적어도 하나의 정보에 기초하여 상기 변형 이미지를 선택하는 것을 특징으로 하는 변형 이미지 생성 장치.
  7. 제1항에 있어서,
    상기 적어도 하나 이상의 객체 이미지는, 상기 원본 이미지를 구성하고 있는 날씨, 장소, 인물, 동물, 사물 중에서 적어도 하나 이상의 객체에 대한 이미지를 포함하는 변형 이미지 생성 장치.
  8. 제6항에 있어서,
    상기 사용자정보는 사용자의 신상정보, 바이오정보 중에서 적어도 하나 이상의 정보를 포함하는 변형 이미지 생성 장치.
  9. 제6항에 있어서,
    상기 환경정보는 날씨정보, 절기정보, 계절정보, 온도정보, 습도정보, 미세먼지 수치정보, 초미세먼지 수치정보, 황사정보 중에서 적어도 하나 이상의 정보를 포함하는 변형 이미지 생성 장치.
  10. 제6항에 있어서,
    상기 이벤트정보는 기념일정보, 일정정보, 외부 푸시정보 중에서 적어도 하나 이상의 정보를 포함하는 변형 이미지 생성 장치.
  11. 원본 이미지를 구성하고 있는 적어도 하나 이상의 객체 이미지를 검출하는 단계;
    상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계;
    상기 원본 이미지에 상기 생성된 복수의 페이크 이미지를 적용한 적어도 하나 이상의 변형 이미지를 생성하는 단계;　및
    상기 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리하는 단계
    를 포함하는 변형 이미지를 디스플레이 하는 변형 이미지 생성 방법.
  12. 제11항에 있어서,
    상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는,
    GAN(Generative Adversarial Network)을 이용하여 상기 검출된 객체 이미지에 대해 심층 신경망 훈련을 반복하여 복수의 페이크 이미지를 생성하는 단계
    를 포함하는 변형 이미지 생성 방법.
  13. 제12항에 있어서,
    상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는,
    상기 원본　이미지로부터 경계맵을　생성하는 단계;
    상기 원본 이미지와 상기 경계맵을 사용하여 상기 검출된 객체 이미지에 대한 미세 변화를 포함한　상기 복수의 페이크　이미지를　생성하는 단계;
    상기 복수의 페이크 이미지와 상기 원본 이미지를 소정 배율을 갖는 복수의 레이어에서 다운샘플링하는 단계;
    상기 다운샘플링된 원본 이미지에 기초하여 상기 다운 샘플링된 페이크 이미지를 업데이트하여 파라미터를 학습하는 단계;
    상기 파라미터의 학습이 완료될 때까지, 상기 경계맵을　생성과정 내지 상기 파라미터를 학습하는 과정을 반복하여 수행하는 단계
    를 포함하는 것을 특징으로 하는 변형 이미지 생성 방법.
  14. 제11항에 있어서,
    상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는,
    인공신경망을 이용하여 생성된 확률값에 기초하여 역전파를 통해 파라미터를 학습하는 단계
    를 포함하는 것을 특징으로 하는 변형 이미지 생성 방법.
  15. 제11항에 있어서,
    상기 검출된 객체 이미지에 대하여 복수의 페이크 이미지를 생성하는 단계는,
    상기 다운샘플링된 원본 이미지를 0의 확률에 가까운 방향으로 역전파하는 단계;
    상기 다운샘플링된 페이크 이미지를 1에 가까운 방향으로 역전파하여 상기 파라미터를 업데이트하는 단계
    를 포함하는 것을 특징으로 하는 변형 이미지 생성 방법.
  16. 제11항에 있어서,
    상기 적어도 하나 이상의 변형 이미지를 선택하여 디스플레이하도록 처리하는 단계는,
    사용자정보, 환경정보, 이벤트정보 중에서 적어도 하나의 정보에 기초하여 상기 변형 이미지를 선택하는 단계
    를 포함하는 것을 특징으로 하는 변형 이미지 생성 방법.
KR1020220008371A 2022-01-20 2022-01-20 변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법 KR20230112289A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220008371A KR20230112289A (ko) 2022-01-20 2022-01-20 변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220008371A KR20230112289A (ko) 2022-01-20 2022-01-20 변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법

Publications (1)

Publication Number Publication Date
KR20230112289A true KR20230112289A (ko) 2023-07-27

Family

ID=87433441

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220008371A KR20230112289A (ko) 2022-01-20 2022-01-20 변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법

Country Status (1)

Country Link
KR (1) KR20230112289A (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101462711B1 (ko) 2010-11-02 2014-11-25 주식회사 케이티 이동통신망을 이용한 디지털 액자 서비스 제공 방법
KR20160058621A (ko) 2014-11-17 2016-05-25 (주) 디스플레이이엔지 디지털 유화 전자 액자 및 그 디스플레이 방법
KR101737505B1 (ko) 2016-02-18 2017-05-19 충남대학교 산학협력단 원격으로 콘텐츠 관리가 가능한 디지털 액자 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101462711B1 (ko) 2010-11-02 2014-11-25 주식회사 케이티 이동통신망을 이용한 디지털 액자 서비스 제공 방법
KR20160058621A (ko) 2014-11-17 2016-05-25 (주) 디스플레이이엔지 디지털 유화 전자 액자 및 그 디스플레이 방법
KR101737505B1 (ko) 2016-02-18 2017-05-19 충남대학교 산학협력단 원격으로 콘텐츠 관리가 가능한 디지털 액자 시스템

Similar Documents

Publication Publication Date Title
JP7335274B2 (ja) ジオロケーションの予測のためのシステムおよび方法
US11836593B1 (en) Devices, systems, and methods for learning and using artificially intelligent interactive memories
US11295275B2 (en) System and method of providing to-do list of user
US11907675B2 (en) Generating training datasets for training neural networks
US11126660B1 (en) High dimensional time series forecasting
KR20150133643A (ko) 햅틱 설계 작성 도구
CN114822512B (zh) 音频数据的处理方法、装置、电子设备及存储介质
KR20180055708A (ko) 이미지를 처리하는 전자 장치 및 방법
JP7207309B2 (ja) プログラム、情報処理方法、および情報処理装置
US20220286438A1 (en) Machine learning techniques for mitigating aggregate exposure of identifying information
US11030726B1 (en) Image cropping with lossless resolution for generating enhanced image databases
CN111798018A (zh) 行为预测方法、装置、存储介质及电子设备
CN111797861A (zh) 信息处理方法、装置、存储介质及电子设备
KR20180060972A (ko) 전자 장치 및 이의 컨텐츠 요약 방법
CN113039561A (zh) 通过生成数据项的编码表示来对齐序列
KR102238790B1 (ko) 전시물 관람 루트가 결합된 콘텐츠 제공 방법
Kim et al. Intelligent digital human agent service with deep learning based-face recognition
US10957017B1 (en) Synthetic image detector
KR20190096752A (ko) 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치
KR20230112289A (ko) 변형 이미지를 출력하는 디지털 액자 장치 및 변형 이미지 생성 방법
KR20180075224A (ko) 객체의 인식 결과를 제공하는 방법 및 전자 장치
KR102440963B1 (ko) 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체
KR102243456B1 (ko) 사용자 특화 이벤트 콘텐츠 제공 방법, 장치 및 시스템
KR102271464B1 (ko) 사용자 명령 학습 펫 에이전트 및 그 동작 방법
US20240119188A1 (en) Automatic generation of an augmented reality assembly, integration, and testing preparation procedure from engineering models

Legal Events

Date Code Title Description
E601 Decision to refuse application