KR20230142912A

KR20230142912A - 모델링된 3차원 오브젝트의 최적화 방법, 서버 및 컴퓨터 프로그램

Info

Publication number: KR20230142912A
Application number: KR1020220041537A
Authority: KR
Inventors: 박규열; 김정현
Original assignee: 주식회사 리빌더에이아이
Priority date: 2022-04-04
Filing date: 2022-04-04
Publication date: 2023-10-11

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 발명의 다양한 실시예에 따른 모델링된 3차원 오브젝트의 최적화 및 방법이 개시된다. 상기 방법은, 오브젝트에 관련한 복수의 오브젝트 이미지를 획득하는 단계, 상기 복수의 오브젝트 이미지 각각에 대응하는 이미지 추정 정보를 획득하는 단계 및 이미지 추정 정보에 기초하여 오브젝트에 대응하는 모델링 정보를 생성하는 단계를 포함할 수 있다.

Description

모델링된 3차원 오브젝트의 최적화 방법, 서버 및 컴퓨터 프로그램{METHOD, SERVER AND COMPUTER PROGRAM FOR OPTIMIZING MODELED 3D OBJECTS}

본 발명의 다양한 실시예는 모델링된 3차원 오브젝트의 최적화 방법, 서버 및 컴퓨터 프로그램에 관한 것이다.

3차원 복원 기술은 실세계에 존재하는 물체의 3차원 형상과 표면의 색상을 디지털화하는 기술이다. 일반적으로, 가상현실, 게임, 애니메이션 등의 컴퓨터 그래픽스의 응용에서는 숙련된 디자이너가 수작업으로 3차원 모델을 제작하는데, 이는 많은 시간이 소요되며, 디자이너의 숙련도에 따라서 품질의 차이가 많다는 단점이 있다. 또한, 실세계에 존재하는 오브젝트를 모델링할 때는 일일이 측정을 하는 과정을 거쳐야 하는 단점이 있다. 3차원 복원 기술은 이에 대한 대안으로 연구되고 있는 기술로써, 많은 응용 분야에서 활용되고 있으며, 이에 따라, 새로운 서비스가 꾸준히 창출되고 있다.

최근에는 카메라 영상을 통하여 3차원 오브젝트를 복원하려는 연구가 지속되고 있다. 예컨대, 컬러 이미지뿐만 아니라 깊이를 측정 가능한 카메라를 이용하여 3차원 오브젝트를 복원하는 기술 개발이 활발하게 진행되고 있다. 선행기술 한국 공개특허 제10-2011-0099431호에는 레이저 센서와 카메라로부터 얻은 데이터를 융합하여 시스템의 이동 경로 및 주변 환경을 3차원 복원하는 방법에 대해 개시하고 있다.

다만, 영상에 기반하여 3차원 복원을 수행하는 기술은 깊이 정보가 없는 경우 3차원 복원이 어려우며, 인식 대상 오브젝트에서 특정 재질(예컨대, 유리 및 거울 등)에 관련한 재료들은 3차원 복원이 어려울 수 있다. 추가적으로, 종래의 기술의 경우, 복원된 3D 모델링의 재질 추론이 어려우며, 스타일 변환 등과 같은 후가공이 어려워 활용의 다양성이 제한된다는 단점이 있었다.

본 발명이 해결하고자 하는 과제는 전술한 배경기술에 대응하여 안출된 것으로, 모델링된 3차원 오브젝트의 최적화 방법을 제공할 수 있다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 모델링된 3차원 오브젝트의 최적화 및 방법이 개시된다. 상기 방법은, 오브젝트에 관련한 복수의 오브젝트 이미지를 획득하는 단계, 상기 복수의 오브젝트 이미지 각각에 대응하는 이미지 추정 정보를 획득하는 단계 및 이미지 추정 정보에 기초하여 오브젝트에 대응하는 모델링 정보를 생성하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 이미지 추정 정보에 기초하여 상기 오브젝트에 대응하는 모델링 정보를 생성하는 단계는, 딥러닝 모델을 활용하여 상기 이미지 추정 정보에 대응하는 상기 모델링 정보를 획득하는 단계를 포함하며, 상기 딥러닝 모델은, 사전 정의된 템플릿 메시 상의 연관 관계에 기초하여 상기 이미지 추정 정보에 대응하는 상기 모델링 정보를 출력하도록 학습된 신경망 모델일 수 있다.

대안적인 실시예에서, 상기 사전 정의된 템플릿 메시는, 표면 face가 정의되고, uv map 구획이 분획된 메시인 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 모델링 정보는, 후처리 가공이 용이한 것을 특징으로 할 수 있다.

본 발명의 다른 실시예에 따르면, 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행하기 위한 서버가 개시된다. 상기 서버는 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 전술한 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행할 수 있다.

본 발명의 또 다른 실시예에 따르면, 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하드웨어인 컴퓨터와 결합되어, 전술한 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행할 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 다양한 실시예에 따르면, 모델링된 3차원 오브젝트의 최적화 및 활용 방법을 제공할 수 있다.

또한, 본 발명의 다양한 실시예에 따르면, 후가공 처리가 용이한 모델링된 오브젝트를 제공할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예와 관련된 모델링된 3차원 오브젝트의 최적화 방법을 구현하기 위한 시스템을 개략적으로 도시한 예시도이다.
도 2는 본 발명의 일 실시예와 관련된 모델링된 3차원 오브젝트의 최적화 방법을 수행하는 서버의 하드웨어 구성도이다.
도 3은 본 발명의 일 실시예와 관련된 모델링된 3차원 오브젝트의 최적화 방법을 예시적으로 나타낸 순서도를 도시한다.
도 4는 본 발명의 일 실시예와 관련된 영상 데이터에 대한 전처리 방법을 예시적으로 나타낸 순서도를 도시한다.
도 5는 본 발명의 일 실시예와 관련된 제1객체에 관련한 이미지를 모델링 하는 과정을 예시적으로 나타난 예시도이다.
도 6은 본 발명의 일 실시예와 관련된 객체 이미지의 모델링 과정을 예시적으로 나타낸 예시도이다.
도 7은 본 발명의 일 실시예와 관련된 템플릿 메시를 활용하여 최적화를 수행하는 과정을 예시적으로 나타낸 예시도를 도시한다.
도 8은 본 발명의 일 실시예와 관련된 다운샘플링에도 이미지가 유지됨을 보여주는 예시도이다.
도 9는 본 발명의 일 실시예와 관련된 모델링 정보의 후가공 처리가 가능함을 보여주는 예시도이다.
도 10은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 발명내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 발명의 일 실시예와 관련된 모델링된 3차원 오브젝트의 최적화 방법을 구현하기 위한 시스템을 개략적으로 도시한 예시도이다.

도 1에 도시된 바와 같이, 본 발명의 실시예들에 따른 시스템은, 서버(100), 사용자 단말(200), 외부 서버(300) 및 네트워크(400)를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수 있다. 본 발명의 실시예들에 따른 서버(100), 외부 서버(300) 및 사용자 단말(200)은 네트워크(400)를 통해, 본 발명의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.

본 발명의 실시예들에 따른 네트워크(400)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크(400)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 발명의 실시예들에 따른 네트워크(400)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크(400)는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 발명의 실시예에 따르면, 모델링된 3차원 오브젝트의 최적화 방법을 수행하는 서버(100)(이하 '서버(100)')는 영상 데이터에 기반하여 최적화된 3차원 모델링 정보를 생성할 수 있다. 실시예에서, 영상 데이터는, 특정 오브젝트의 3차원 복원에 기반이 되는 정보로 특정 오브젝트에 관련한 영상 데이터일 수 있다. 예를 들어 영상 데이터는 특정 오브젝트를 다양한 각도에서 촬영한 영상 데이터일 수 있다.

서버(100)는 특정 오브젝트에 관련한 영상 데이터에 기초하여 해당 오브젝트를 3차원 복원시키기 위한 3차원 모델링 정보를 생성할 수 있다. 실시예에 따르면, 서버(100)는 영상 데이터에 기반하여 복수의 오브젝트 이미지를 획득할 수 있으며, 각 오브젝트 이미지를 학습된 신경망 모델(즉, 뉴럴 네트워크 모델)에 입력으로 처리하여 이미지 추정 정보를 생성할 수 있으며, 서버(100)는 이미지 추정 정보에 기반하여 모델링 정보를 생생할 수 있다. 여기서 학습된 신경망 모델은, 뉴럴 네트워크 모델일 수 있다.

실시예에서, 학습된 뉴럴 네트워크 모델은, 각 오브젝트 이미지에 대응하는 이미지 추정 정보를 생성할 수 있다. 일 실시예에 따르면, 서버(100)는 뉴럴 네트워크에 대한 학습을 수행할 수 있다. 서버(100)는 이미지 기반의 3차원 오브젝트 복원을 위하여 임의의 hyperspace를 정의하여 해당 hyperspace 상에서 메시 위로 대응되는 implicit neural representation를 학습시킬 수 있다.

학습된 뉴럴 네트워크는 오브젝트 이미지에 대응하는 좌표 정보를 입력으로 하여 오브젝트 이미지에 대응하는 이미지 추정 정보를 생성할 수 있다. 여기서, 좌표 정보는 UV 맵에 관련한 좌표 정보일 수 있다. 또한, 이미지 추정 정보는, UV 맵에 대응하는 직교좌표계에 관련한 위치 정보 및 RGB값에 관련한 색상 정보를 포함할 수 있다. 구체적인 실시예에서, 학습된 뉴럴 네트워크는, UV 맵에 관련한 좌표값(즉 (u, v))을 입력으로 받아, 대응되는 x, y, z, r, g, b을 출력으로 예측할 수 있다. 다시 말해, 학습된 뉴럴 네트워크는, 특정 uv 좌표에 대응하여 3차원 직교좌표계에서의 위치 정보 및 해당 위치에서의 RGB 값에 관련한 생상 정보를 예측하여 출력할 수 있다.

실시예에 따르면, 서버(100)는 이미지 추정 정보에 기초하여 3차원 복원을 위한 3차원 모델링 정보를 생성할 수 있다. 이미지 추정 정보에 대응하는 복수의 메시 포인트 정보를 사전 정의된 템플릿 메시 상에 균등하게 샘플링하여, 각 메시 포인트 정보에 대응하는 위치 정보 및 색상 정보를 획득할 수 있다. 서버(100)는 사전 정의된 템플릿 메시 상의 연관 관계에 기초하여 메시 포인트 정보 각각에 대응하는 포인트 연관 관계 정보를 획득할 수 있으며, 포인트 연관 관계 정보에 기초하여 모델링 정보를 생성할 수 있다. 서버(100)가 뉴럴 네트워크를 학습시키는 방법, 학습된 뉴럴 네트워크를 활용하여 모델링 정보를 생성하는 방법에 대한 보다 자세한 설명은, 도 3을 참조하여 후술하도록 한다.

실시예에서, 도 1에서의 1개의 서버(100)만을 도시하고 있으나, 이보다 많은 서버들 또한 본 발명의 범위에 포함될 수 있다는 점 그리고 서버(100)가 추가적인 컴포넌트들을 포함할 수 있다는 점은 당해 출원분야에 있어서 통상의 지식을 가진 자에게 명백할 것이다. 즉, 서버(100)는 복수 개의 컴퓨팅 장치로 구성될 수도 있다. 다시 말해, 복수의 노드의 집합이 서버(100)를 구성할 수 있다.

본 발명의 일 실시예에 따르면, 서버(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 서버(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 발명의 서버(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 발명의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.

본 발명의 실시예에 따른 사용자 단말(200)은 서버(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 노드(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(200)은, PC, 랩탑 컴퓨터, 워크스테이션, 단말 및/또는 네트워크(400) 접속성을 갖는 임의의 전자 디바이스를 포함할 수 있다. 또한, 사용자 단말은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(200)은 애플리케이션 소스 및/또는 사용자 단말 애플리케이션을 포함할 수 있다.

일 실시예에서, 사용자 단말(200)은 네트워크(400)를 통해 서버(100)와 연결될 수 있으며, 서버(100)로 영상 데이터를 제공할 수 있고, 제공된 영상 데이터에 대한 응답으로 3차원 모델링 정보를 제공받을 수 있다.

일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 서버(100)와 연결될 수 있으며, 서버(100)가 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행하기 위해 필요한 각종 정보/데이터를 제공하거나, 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행함에 따라 도출되는 결과 데이터를 제공받아 저장 및 관리할 수 있다. 예를 들어, 외부 서버(300)는 서버(100)의 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다. 이하, 도 2를 참조하여, 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행하는 서버(100)의 하드웨어 구성에 대해 설명하도록 한다.

도 2는 본 발명의 일 실시예와 관련된 모델링된 3차원 오브젝트의 최적화 방법을 수행하는 서버의 하드웨어 구성도이다.

도 2를 참조하면, 본 발명의 다른 실시예에 따른 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행하는 서버(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(110)는 통상적으로 서버(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 또는 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.

또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 서버(100)는 하나 이상의 프로세서를 구비할 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.

프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 딥러닝을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(110)는 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴런 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 신경망을 이용한 영상 기반 3차원 모델링 방법을 제공할 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(110)는 영상 데이터에 기반한 3차원 모델링 정보를 생성할 수 있다. 본 발명의 일 실시예에 따라, 프로세서(110) 뉴럴 네트워크 모델을 학습시키기 위한 계산을 수행할 수 있다.

다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(130)는 서버(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(140)는 서버(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.

스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 서버(100)를 통해 단선도를 생성하기 위한 프로세스를 수행하는 경우, 스토리지(150)는 단선도를 생성하기 위한 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.

스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.

일 실시예에서, 컴퓨터 프로그램(151)은 오브젝트에 관련한 복수의 오브젝트 이미지를 획득하는 단계, 복수의 오브젝트 이미지 각각을 제1객체 이미지 및 제1객체가 제거된 제2객체 이미지로 구분하는 단계, 제1객체 이미지에 기초하여 제1모델링 정보를 생성하는 단계, 제2객체 이미지에 기초하여 제2모델링 정보를 생성하는 단계 및 제1모델링 정보 및 제2모델링 정보에 기초하여 오브젝트에 대응하는 종합 모델링 정보를 생성하는 단계를 포함하는 신경망을 이용한 영상 기반 3차원 모델링 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 도 9를 참조하여, 서버(100)에 의해 수행되는 신경망을 이용한 영상 기반 3차원 모델링 방법에 대하여 구체적으로 후술하도록 한다.

도 3은 본 발명의 일 실시예와 관련된 모델링된 3차원 오브젝트의 최적화 방법을 예시적으로 나타낸 순서도를 도시한다. 도 3에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 이하의 단계들은 본 발명의 일 실시예에 불과할 뿐, 본 발명의 권리 범위는 이에 제한되지 않는다.

본 발명의 일 실시예에 따르면, 서버(100)는 오브젝트에 관련한 복수의 오브젝트 이미지를 획득할 수 있다(S310). 일 실시예에 따르면, 서버(100)는 영상 데이터를 획득할 수 있으며, 해당 영상 데이터에 대한 전처리를 통해 복수의 오브젝트 이미지를 획득할 수 있다. 실시예에 따르면, 본 발명의 영상 데이터는, 특정 오브젝트의 3차원 복원에 기반이 되는 정보로 특정 오브젝트에 관련한 영상 데이터일 수 있다. 예를 들어, 영상 데이터는 특정 오브젝트를 다양한 각도에서 촬영한 영상 데이터일 수 있다. 영상 데이터에 대한 전처리를 통해 복수의 오브젝트 이미지를 획득하는 과정은 도 4를 참조하여 후술하도록 한다.

실시예에서, 서버(100)는 영상 데이터로부터 복수의 활용 이미지를 추출할 수 있다(S410). 구체적으로, 서버(100)는 영상 데이터를 구성하는 복수의 이미지 중 glow 및 blur가 적은 이미지를 필터링하여 복수의 활용 이미지를 추출할 수 있다. 즉, 서버(100)는 영상 데이터에서 일정 이상의 인식 정확도(예컨대, 선명도)를 가진 이미지들을 복수의 활용 이미지로 추출할 수 있다.

또한, 서버(100)는 복수의 활용 이미지에 대한 가공을 수행할 수 있다(S420). 활용 이미지에 대한 가공은, 이미지의 전반적인 퀄리티를 향상시키기 위한 보정을 의미할 수 있다. 예컨대, 이미지에 대한 가공은, 해상도 보정을 포함할 수 있다. 실시예에 따르면, 서버(100)는 딥러닝 모델(예컨대, 이미지 가공 모델)을 활용하여 복수의 활용 이미지 각각에 대한 가공을 수행할 수 있다. 이에 따라, 이미지들에 대한 전반적인 인식률이 향상될 수 있다.

또한, 서버(100)는 가공된 활용 이미지 별 카메라 포즈 정보를 획득할 수 있다(S430). 실시예에서, 영상 데이터에 포함된 이미지들은 오브젝트에 관련한 촬영 과정에서 획득되는 것으로, 카메라의 이동에 따른 위치 변화가 존재할 수 있다. 서버(100)는 가공된 후보 이미지 별 카메라 포즈 정보를 획득하여 맵 상의 3차원 포인트들을 키프레임 이미지들에 투영(projection)시킨 위치와 해당 영상 프레임에서 실제 관측된 위치의 차이 즉, reprojection error를 최소화시키도록 3차원 포인트의 위치 및 카메라의 위치를 최적화할 수 있다. 예컨대, 카메라 포즈 정보는, 카메라의 회전 정보 및 이동 정보를 포함할 수 잇다. 카메라 포즈 정보는 예를 들어, 카메라의 위치에 해당하는 수평(x), 수직(y), 깊이(z) 그리고 카메라의 자세(orientation)에 해당하는 피치(pitch), 요(yaw), 롤(roll)을 포함하는 6 자유도 카메라 포즈일 수 있다.

또한, 서버(100)는 가공된 활용 이미지 별 관심 오브젝트 마스크를 추정할 수 있다(S440). 관심 오브젝트 마스크는, 이미지에 포함된 다양한 오브젝트들 중 모델링 대상이 되는 오브젝트를 식별하기 위한 것일 수 있다. 즉, 서버(100)는 영상 데이터에서 일정 이상의 선명도를 가진 복수의 활용 이미지를 추출하여 가공하고, 각 이미지 별 카메라 포즈 정보 및 관심 오브젝트 마스크를 추정하여 복수의 오브젝트 이미지를 구성할 수 있다.

다시 도 3을 참조하면, 본 발명의 일 실시예에 따르면, 서버(100)는 복수의 오브젝트 이미지 각각에 대응하는 이미지 추정 정보를 획득할 수 있다(S320).

구체적으로, 서버(100)는 제2객체 이미지에 대응하는 좌표 정보를 학습된 뉴럴 네트워크 모델의 입력으로 처리하여 제2이미지 추정 정보를 생성할 수 있다.

학습된 뉴럴 네트워크 모델은, 각 오브젝트 이미지에 대응하는 이미지 추정 정보를 생성할 수 있다. 일 실시예에 따르면, 서버(100)는 뉴럴 네트워크에 대한 학습을 수행할 수 있다. 서버(100)는 이미지 기반의 3차원 오브젝트 복원을 위하여 임의의 hyperspace를 정의하여 해당 hyperspace 상에서 메시 위로 대응되는 implicit neural representation를 학습시킬 수 있다.

학습된 뉴럴 네트워크는 오브젝트 이미지에 대응하는 좌표 정보를 입력으로 하여 오브젝트 이미지에 대응하는 이미지 추정 정보를 생성할 수 있다. 여기서, 좌표 정보는 UV 맵에 관련한 좌표 정보일 수 있다. 또한, 이미지 추정 정보는, UV 맵에 대응하는 직교좌표계에 관련한 위치 정보 및 RGB값에 관련한 색상 정보를 포함할 수 있다. 구체적인 실시예에서, 도 5 및 6을 참조하면, 학습된 뉴럴 네트워크는, UV 맵에 관련한 좌표값(즉 (u, v))을 입력으로 받아, 대응되는 x, y, z, r, g, b을 출력으로 예측할 수 있다. 다시 말해, 학습된 뉴럴 네트워크는, 특정 uv 좌표에 대응하여 3차원 직교좌표계에서의 위치 정보 및 해당 위치에서의 RGB 값에 관련한 생상 정보를 예측하여 출력할 수 있다. 전술한 바와 같이, 이미지를 함수에 관련한 신경망으로 표현하는 경우, 해상도에 관계없이 모델링이 가능하다는 장점이 있다.

또한, 서버(100)는 이미지 추정 정보에 기초하여 오브젝트에 대응하는 모델링 정보를 생성할 수 있다(S330). 실시예에서, 이미지 추정 정보에 대응하는 복수의 메시 포인트 정보를 사전 정의된 템플릿 메시 상에 균등하게 샘플링하여, 각 메시 포인트 정보에 대응하는 위치 정보 및 색상 정보를 획득할 수 있다. 서버(100)는 사전 정의된 템플릿 메시 상의 연관 관계에 기초하여 메시 포인트 정보(예컨대, 메시를 이루는 점들, pointcloud) 각각에 대응하는 포인트 연관 관계 정보를 획득할 수 있으며, 포인트 연관 관계 정보에 기초하여 모델링 정보를 생성할 수 있다. 즉, 템플릿 메시 상의 연관 관계를 그대로 활용하여 메시를 구성함으로써, 모델링 정보를 생성할 수 있다.

또한, 실시예에 따르면, 서버(100)는 딥러닝 모델을 활용하여 이미지 추정 정보에 기초하여 모델링 정보를 생성할 수 있다. 딥러닝 모델은 사전 정의된 템플릿 메시 상의 연관 관계에 기초하여 이미지 추정 정보에 대응하는 최적화된 모델링 정보를 출력하도록 학습된 신경망 모델일 수 있다. 여기서 사전 정의된 템플릿 메시는, 도 7에 도시된 바와 같이, 표면 face가 정의되고, uv map 구획이 분획된 메시인 것을 특징으로 할 수 있다.

예컨대, 도 7에 도시된 바와 같이, 2D 이미지를 굴곡이 있는 3D 모델링 즉, uv map에 매칭하게 되면 이미지의 일그러짐이 생길 수 있다. 실시예에서, 사전 정의된 템플릿 메시의 경우, 표면의 점들이 따로 정의되어 있는 것이 아닌 u, v좌표에 대한 3d 좌표상의 위치로 대응되는 대응 함수로 정의되어 있으며, 인접한 uv좌표는 서로 연결되어 있다고 가정할 수 있다. 서버(100)는 사전 정의된 템플릿 메시를 통해 각 좌표 상에서의 연관관계를 학습하며, 이를 기반으로 이미지 추정 정보에 대응하는 최적화된 3차원 모델링 정보를 생성할 수 있다.

일 실시예에서, 학습 방법의 경우, 복수의 오브젝트 이미지와 관심 물체의 오브젝트 마스크를 추출한 후, 네트워크에서 일정 개수의 점들을 샘플링하여 메시를 생성하고, 이를 카메라 좌표에 대응하여 이미지를 렌더링한 후, 실제 오브젝트 실루엣과의 오차를 도출하고, 도출된 오차를 최소화하는 방향으로 역전파한다. 오차 도출을 위해서는 silhouette loss, laplacian loss, normal consistency loss, texture loss, chamfer loss 등이 사용될 수 있다.

즉, 본 발명의 모델링 정보는, UV 및 PBR(Physically Based Rendering) 등 텍스처의 공간적인 연관 정보(spatial property)가 보존에 따라 생성되는 것으로, 스타일 변환 등이 용이하다는 장점이 있다.

즉, 본 발명의 모델링 정보는 후가공 처리가 용이한 것을 특징으로 할 수 있다. 예컨대, 모델링 정보에 대한 후가공 처리는 다운샘플링이나, 또는 스타일 변환 등을 포함할 수 있다. 예컨대, 다운샘플링을 위해서는 기존 점(예컨대, 메시를 이루는 점들, pointcloud)들 간의 위치관계가 깨지기 때문에, 이미지의 유지가 어려울 수 있다. 즉, 도 8에 도시된 바와 같이, 폴리곤(즉, 다면체) 수가 저감되는 다운 샘플링 시, 이미지가 유지되지 않을 수 있다. 일반적으로는 다운샘플링이 필요한 경우, 디자이너가 일일이 수작업을 통해 대응하는 점을 매칭하는 등 비효율적으로 다운샘플링이 수행되고 있다. 본 발명은 공간적인 연관 정보가 보존되도록 모델링 정보를 생성함에 따라, 다운샘플링에 관련한 모델링 정보를 용이하게 생성할 수 있다. 즉, 도 8과 같이, 폴리곤의 수가 저감되더라도, 이에 대응하는 모델링 정보의 생성이 가능해질 수 있다. 또한, 도 9에 도시된 바와 같이, 스타일 변환이 가능해지며, 모델 검색을 위한 특징 벡터(fingerprint) 생성 등 기존 최적화되지 않은 모델에서는 어려웠던 활용들이 가능해질 수 있다.

정리하면, 서버(100)는 오브젝트 이미지에 대응하여 모델링 정보를 생성하는 뉴럴 네트워크 모델들을 제공할 수 있다. 해당 뉴럴 네트워크 모델을 활용하여 3차원 모델링 정보를 생성하는 경우, 영상에 관련한 별도의 깊이 정보가 필요하지 않으며, 적은 이미지수로도 3차원 복원을 위한 모델링을 수행할 수 있다는 장점이 있다.

도 10은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드를 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 발명의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 발명의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 발명의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 발명의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 발명은 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 발명은 이에 제한되지 않는다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서,
오브젝트에 관련한 복수의 오브젝트 이미지를 획득하는 단계;
상기 복수의 오브젝트 이미지 각각에 대응하는 이미지 추정 정보를 획득하는 단계; 및
상기 이미지 추정 정보에 기초하여 상기 오브젝트에 대응하는 모델링 정보를 생성하는 단계;
를 포함하는,
모델링된 3차원 오브젝트의 최적화 방법.
제1항에 있어서,
상기 이미지 추정 정보에 기초하여 상기 오브젝트에 대응하는 모델링 정보를 생성하는 단계는,
딥러닝 모델을 활용하여 상기 이미지 추정 정보에 대응하는 상기 모델링 정보를 획득하는 단계;
를 포함하며,
상기 딥러닝 모델은,
사전 정의된 템플릿 메시 상의 연관 관계에 기초하여 상기 이미지 추정 정보에 대응하는 상기 모델링 정보를 출력하도록 학습된 신경망 모델인,
모델링된 3차원 오브젝트의 최적화 방법.
제2항에 있어서,
상기 사전 정의된 템플릿 메시는,
표면 face가 정의되고, uv map 구획이 분획된 메시인 것을 특징으로 하는,
모델링된 3차원 오브젝트의 최적화 방법.
제1항에 있어서,
상기 모델링 정보는,
후처리 가공이 용이한 것을 특징으로 하는,
모델링된 3차원 오브젝트의 최적화 방법.
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서; 를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1항의 방법을 수행하는, 컴퓨팅 장치.
하드웨어인 컴퓨터와 결합되어, 제1항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터 프로그램.