KR20230149615A

KR20230149615A - 빛 추정 방법 및 장치

Info

Publication number: KR20230149615A
Application number: KR1020220049051A
Authority: KR
Inventors: 하인우; 박진우
Original assignee: 삼성전자주식회사
Priority date: 2022-04-20
Filing date: 2022-04-20
Publication date: 2023-10-27
Also published as: US20230343025A1

Abstract

빛 추정 방법 및 장치가 제공된다. 일 실시예에 따르면, 그 방법은 참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 생성된, 참조 영상을 획득하고, 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득하고, 빛 추정 모델을 이용하여 배경 영상에 대응하는 빛 정보를 추정하고, 빛 정보 및 참조 객체에 대응하는 가상 객체 영상을 렌더링하고, 참조 영상과 가상 객체 영상 간의 차이에 기초하여 빛 추정 모델을 트레이닝하는 단계들을 포함할 수 있다.

Description

빛 추정 방법 및 장치{METHOD AND APPARATUS FOR LIGHT ESTIMATION}

아래 실시예들은 빛 추정 방법 및 장치에 관한 것이다.

빛 추정은 어느 장면(scene)을 비추는 빛을 추정하는 기술이다. 추정된 빛 정보는 해당 영상 또는 공간에 가상 객체를 렌더링하는데 이용될 수 있다. 예를 들어, 증강 현실(augmented reality, AR), 컴퓨터 그래픽(computer graphics, CG) 등의 가상 객체에 추정된 빛 정보가 적용될 수 있다. 빛 정보가 정확하게 추정될수록 가상 객체의 현실성이 높아질 수 있다. 빛 추정에 기계 학습(machine learning) 기반의 모델이 이용될 수 있다. 모델은 주변 광(ambient light), 음영(shading), 반사광 하이라이트(specular highlights), 반사(reflection) 등의 단서를 이용하여 트레이닝될 수 있다.

일 실시예에 따르면, 빛 추정을 위한 방법은 참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 생성된, 참조 영상을 획득하는 단계; 상기 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득하는 단계; 빛 추정 모델을 이용하여 상기 배경 영상에 대응하는 빛 정보를 추정하는 단계; 상기 빛 정보 및 상기 참조 객체에 대응하는 가상 객체 영상을 렌더링하는 단계; 및 상기 참조 영상과 상기 가상 객체 영상 간의 차이에 기초하여 상기 빛 추정 모델을 트레이닝하는 단계를 포함한다.

일 실시예에 따르면, 빛 추정을 위한 방법은 가상 객체를 표시할 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득하는 단계; 빛 추정 모델을 이용하여 상기 배경 영상 및 제1 ISP 설정에 대응하는 빛 정보를 추정하는 단계; 상기 빛 정보 및 상기 가상 객체에 대응하는 가상 객체 영상을 렌더링하는 단계; 및 상기 가상 객체 영상 및 상기 배경 영상에 따른 AR 영상을 생성하는 단계를 포함한다.

일 실시예에 따르면, 전자 장치는 참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 참조 영상을 생성하고, 상기 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 배경 영상을 생성하는 카메라; 및 빛 추정 모델을 이용하여 상기 배경 영상에 대응하는 빛 정보를 추정하고, 상기 빛 정보 및 상기 참조 객체에 대응하는 가상 객체 영상을 렌더링하고, 상기 참조 영상과 상기 가상 객체 영상 간의 차이에 기초하여 상기 빛 추정 모델을 트레이닝하는, 프로세서를 포함한다.

도 1은 일 실시예에 따른 영상 처리 모델의 구성을 나타낸다.
도 2는 일 실시예에 따른 빛 추정 모델의 트레이닝에 이용되는 구성들을 나타낸다.
도 3은 일 실시예에 따른 영상들의 촬영 환경을 나타낸다.
도 4는 일 실시예에 따른 카메라의 구성을 나타낸다.
도 5는 일 실시예에 따른 멀티 카메라 구성을 나타낸다.
도 6은 일 실시예에 따른 단일 카메라 구성을 나타낸다.
도 7은 일 실시예에 따른 가상 객체 영상의 구성을 나타낸다.
도 8은 일 실시예에 따른 빛 추정 모델의 트레이닝 과정을 나타낸다.
도 9는 일 실시예에 따른 가상 객체 영상의 렌더링 과정을 나타낸다.
도 10은 일 실시예에 따른 빛 추정 모델을 이용한 AR 영상 생성 과정을 나타낸다.
도 11은 일 실시예에 따른 빛 추정을 위한 방법을 나타낸다.
도 12는 일 실시예에 따른 영상 처리 장치의 구성을 나타낸다.
도 13은 일 실시예에 따른 전자 장치의 구성을 나타낸다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 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 해당 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 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 영상 처리 모델의 구성을 나타낸다. 도 1을 참조하면, 빛 추정 모델(light estimation model, 110)은 배경 영상(101)에 대응하는 빛 정보(111)를 추정할 수 있고, 렌더링 모델(120)은 빛 정보(111)에 기초하여 가상 객체 영상(121)을 렌더링할 수 있다.

배경 영상(101)은 특정 촬영 지점에서 바라본 특정 촬영 뷰의 장면을 나타낼 수 있다. 빛 정보(102)는 배경 영상(101)의 장면에 영향을 준 모든 빛에 관한 정보를 포함할 수 있다. 빛 정보(102)는 다양한 형식으로 장면의 빛을 표현할 수 있다. 예를 들어, 빛 정보(102)는 환경 맵(environment map)의 형식으로 빛을 표현하거나, 혹은 미리 정의된 속성(예: 방향, 컬러, 밝기, 폭 등)을 이용하여 빛을 표현할 수 있다.

배경 영상(101)은 가상 객체가 중첩적으로 표시되는 현실 배경을 포함할 수 있다. 빛 정보(102)는 증강 현실(augmented reality, AR), 컴퓨터 그래픽(computer graphics, CG) 등의 가상 객체에 적용될 수 있다. 예를 들어, 배경 영상(101)에 가상 객체를 중첩하여 AR이 제공되는 경우, 빛 정보(102)를 가상 객체에 적용하여 가상 객체가 배경 영상(101)에서 위화감 없이 표현될 수 있다. 빛 정보(102)가 배경 영상(101) 내의 빛을 정확하게 표현할수록 가상 객체의 현실성은 높아질 수 있다.

빛 추정 모델(110)은 기계 학습 모델(machine learning model)일 수 있다. 예를 들어, 빛 추정 모델(110)은 딥 러닝(deep learning) 기반의 딥 뉴럴 네트워크(deep neural network, DNN)를 포함할 수 있다. DNN은 복수의 레이어들을 포함할 수 있고, 이들 중 적어도 일부는 완전 연결 네트워크(fully connected network, FCN), 컨볼루셔널 뉴럴 네트워크(convolutional neural network, CNN), 및 리커런트 뉴럴 네트워크(recurrent neural network, RNN) 등의 다양한 네트워크로 구성될 수 있다. DNN은 딥 러닝에 기반하여 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑하는 일반화 능력을 가질 수 있다. 빛 추정 모델(110)의 복수의 레이어들의 적어도 일부의 레이어들은 CNN에 해당할 수 있고, 다른 적어도 일부의 레이어들은 FCN에 해당할 수 있다.

일반적으로, 카메라의 촬영을 통해 영상이 생성될 때, 영상 개선을 위해 ISP(image signal processing)가 수행될 수 있다. 예를 들어, 이미지 센서를 통해 시각 정보에 대응하는 로 영상 데이터(raw image data)가 생성될 수 있고, 로 영상 데이터에 ISP가 적용되어 영상이 생성될 수 있다. 이때, 가변 조절 값에 따라 ISP 요소가 제어될 수 있다. 예를 들어, ISP 요소는 자동 화이트밸런스(auto white balance), 자동 노출(auto exposure), 감마 보정(gamma correction), 다이나믹 레인지 컴프레션(dynamic range compression), 및 와이드 다이나믹 레인지(wide dynamic range) 중 적어도 일부를 포함할 수 있고, 이러한 ISP 요소가 가변 조절 값에 따라 자유롭게 조절될 수 있다. 이처럼 자유로운 가변 조절 값에 따라 ISP 요소를 제어하는 ISP 설정은 가변 ISP 설정으로 부를 수 있다.

배경 영상(101)이 가변 ISP 설정을 통해 생성된 경우, 빛 정보(111)와 배경 영상(101)에 대응하는 현실 배경의 실제 빛 간에 괴리가 생길 수 있다. 일 예로, 현실 배경이 저조도에 해당하는 경우, 자동 노출 조절로 인해 배경 영상(101)은 고조도로 표현될 수 있고, 빛 추정 모델(110)은 고조도에 대응하는 빛 정보(111)를 생성할 수 있다. 다른 예로, 현실 배경의 조명이 노란색인 경우, 자동 화이트밸런스로 인해 배경 영상(101)은 흰색 조명에 맞게 표현될 수 있고, 흰색 조명에 대응하는 빛 정보(111)를 생성할 수 있다. 위의 예시들에서 고조도 및 흰색 조명은 실제 빛 정보를 표현한다고 볼 수 없다. AR 글래스와 같이 반투명 디스플레이를 이용하는 AR 장비를 통해 AR 기능이 제공된다면, 현실 배경의 실제 빛에 대응하는 가상 객체가 반투명 디스플레이에 표현되어야 한다. 예를 들어, 저조도 환경에서 고조도에 따른 가상 객체가 표현되거나 고조도 환경에서 저조도에 따른 가상 객체가 표현된다면 가상 객체가 반투명 디스플레이로 보이는 현실 배경에 부자연스럽게 표현될 수 있다.

실시예들에 따르면, 빛 추정 모델(110)은 실제 빛 정보에 기초하여 트레이닝될 수 있다. 실제 빛 정보는 고정 ISP 설정을 통해 추정될 수 있다. 고정 ISP 설정은 가변 ISP 설정과 달리 제한적인 고정 조절 값을 이용할 수 있다. 예를 들어, 고정 ISP 설정은 미리 정해진 조절 값으로 ISP 요소를 제어하거나, 혹은 조절 가능한 ISP 요소의 조절을 수행하지 않을 수 있다. 후자의 경우 ISP 기능이 꺼진 상태, 또는 조절 값이 0인 상태에 해당할 수 있다. 빛 추정 모델(110)은 고정 ISP 설정을 이용한 트레이닝을 통해 실제 빛의 절대 빛에 대응하는 빛 정보(111)를 추정할 수 있다.

도 2는 일 실시예에 따른 빛 추정 모델의 트레이닝에 이용되는 구성들을 나타낸다. 도 2를 참조하면, 현실 배경(210)에 위치한 참조 객체(reference object)(211)에 실제 빛(212)이 제공될 수 있고, 빛(212)을 추정할 수 있도록 빛 추정 모델이 트레이닝될 수 있다.

빛 추정 모델은 배경 영상(220) 및 참조 영상(230)에 기초하여 트레이닝될 수 있다. 배경 영상(220)은 현실 배경(210)의 촬영에 따른 로 영상 데이터, 및 가변 ISP 설정(213)에 기초하여 생성될 수 있다. 가변 ISP 설정(213)의 적용으로 인해, 배경 영상(220)에는 실제 빛(212)과 다소 차이나는 정보가 반영될 수 있다. 참조 영상(230)은 참조 객체(211)의 촬영에 따른 로 영상 데이터, 및 고정 ISP 설정(214)에 기초하여 생성될 수 있다. 참조 영상(230)은 참조 객체(211)에 대응하는 참조 객체(231)를 포함할 수 있다. 고정 ISP 설정(214)에 따라, 참조 영상(230)에는 실제 빛(212)에 가까운 정보가 반영될 수 있다. 예를 들어, 실제 빛(212)이 저조도를 형성하는 경우, 가변 ISP 설정(213)에 따른 노출 조절로 인해 배경 영상(220)은 고조도를 나타낼 수 있고, 고정 ISP 설정(214)으로 인해 참조 영상(230)은 저조도를 나타낼 수 있다.

빛 추정 모델은 배경 영상(220)에 기초하여 빛 정보(221)를 추정할 수 있다. 렌더링 모델은 빛 정보(221)에 기초하여 참조 객체(211)에 대응하는 가상 객체(241)를 렌더링하여 가상 객체 영상(240)을 생성할 수 있다. 렌더링 모델은 빛 정보(221)와 더불어 객체 정보 및 평면 정보를 더 고려하여 렌더링을 수행할 수 있다. 예를 들어, 렌더링 모델은 뉴럴 렌더링(neural rendering)을 수행할 수 있다. 객체 정보 및 평면 정보는 참조 객체(211)에 관해 미리 알려진 정보일 수 있다. 객체 정보는 객체의 포즈(pose), 모양(shape), 및 소재(material) 중 적어도 하나를 포함할 수 있다. 소재는 텍스처(texture), 컬러(color) 등을 나타낼 수 있다. 평면 정보는 참조 객체를 지지(support)하는 참조 평면(reference plane)에 관한 정보이며, 참조 평면의 포즈(예: 노멀(normal) 방향), 모양, 및 소재 중 적어도 하나를 포함할 수 있다. 가상 객체 영상(240)은 참조 객체(211)에 대응하는 가상 객체(241)를 포함할 수 있다. 렌더링 모델은 빛 정보(221), 객체 정보, 및 평면 정보에 기초하여 가상 객체(241)를 렌더링할 수 있다.

참조 영상(230)의 참조 객체(231)와 가상 객체 영상(240)의 가상 객체(241) 간의 차이(250)는 실제 빛(212)과 빛 정보(221) 간의 오차에 대응할 수 있다. 빛 추정 모델은 차이(250)에 따라 트레이닝될 수 있다. 일 실시예에 따르면, 빛 추정 모델은 차이(250)에 대응하는 손실 함수(loss function)의 손실이 감소하도록 트레이닝될 수 있다. 이에 따라, 빛 추정 모델은 가변 ISP 설정(213)에 따른 배경 영상(220)으로부터 실제 빛(212)을 추정하는 능력을 가질 수 있다.

렌더링 모델은 가상 객체(241)의 음영(shading), 및/또는 가상 객체(241)의 그림자(shadow)를 렌더링할 수 있고, 차이(250)는 참조 객체(231)의 음영 및 참조 객체(231)의 그림자를 나타내는 픽셀 데이터와 가상 객체(241)의 음영 및 가상 객체(241)의 그림자를 나타내는 픽셀 데이터 간의 차이(250)를 포함할 수 있다. 렌더링 모델은 음영 렌더링 및 그림자 렌더링을 동시 또는 이시에 수행할 수 있고, 음영 렌더링 결과와 그림자 렌더링 결과를 융합하여 렌더링 결과를 생성할 수 있다.

일 실시예에 따르면, 배경 영상(220)에 대응하는 입력 데이터가 빛 추정 모델의 입력으로 이용될 수 있다. 예를 들어, 카메라가 가변 ISP 설정(213)에 관한 파라미터 값을 제공하지 않는 경우와 같이 가변 ISP 설정(213)을 알기 어려운 경우, 가변 ISP 설정(213) 없이 빛 추정 모델의 입력 데이터가 구성될 수 있다. 다른 일 실시예에 따르면, 배경 영상(220) 및 가변 ISP 설정(213)에 대응하는 입력 데이터가 빛 추정 모델의 입력으로 이용될 수 있다. 예를 들어, 카메라가 가변 ISP 설정(213)에 관한 파라미터 값을 제공하는 경우와 같이 가변 ISP 설정(213)을 알 수 있는 경우, 가변 ISP 설정(213)에 따라 입력 데이터가 구성될 수 있다.

도 3은 일 실시예에 따른 영상들의 촬영 환경을 나타낸다. 도 3을 참조하면, 카메라(310)는 참조 객체(320)를 촬영하여 참조 영상을 생성할 수 있고, 참조 객체(320)가 위치한 현실 배경을 촬영하여 배경 영상을 생성할 수 있다. 직접광은 너무 큰 밝기 값을 가질 수 있으므로 직접광을 수집하는 것보다 참조 객체(320)를 통해 간접광을 수집하는 것이 빛 정보를 확보하는데 유리할 수 있다. 참조 객체(320)는 톤 및 재질 중 적어도 일부가 서로 다른 객체들, 및 객체들을 지지하는 평면들을 포함할 수 있다. 예를 들어, 객체들은 흰색 톤, 회색 톤 등의 다양한 톤을 가질 수 있다. 또한, 객체들은 균일한 재질, 반짝이는 금속 느낌의 재질, 오돌토돌한 재질 등의 다양한 재질을 가질 수 있다. 객체들은 다양한 모양을 가질 수 있다. 예를 들어, 객체들은 구체 모양, 별 모양, 컵 모양 등의 다양한 모양을 가질 수 있다. 일 실시예에 따르면, 참조 객체는 구체와 지지 평면의 조합으로 구현될 수 있다. 구체와 지지 평면의 조합 구조는 실제 빛을 추정하는데 필요한 단서를 효과적으로 제공할 수 있다. 예를 들어, 구체는 음영(shading)에 관한 단서를, 지지 평면은 그림자(shadow)에 관한 단서를 제공할 수 있다. 다만, 참조 객체가 구체와 지지 평면의 조합으로 한정되는 것은 아니다.

객체의 다양한 톤은 HDR(high dynamic range) 환경에서 포화(saturation) 가능성을 낮추고 가능한 넓은 범위에서 빛 정보를 수집할 수 있게 도움을 줄 수 있다. 특히, 고정 ISP 설정이 이용되는 경우, 노출이나 센서 감도의 조절이 없이 영상이 촬영되므로, 밝기 포화가 발생할 가능성이 높을 수 있다. 다양한 톤의 객체들을 촬영하되 촬영 환경에 가장 적합한 톤의 객체의 촬영 정보를 이용할 경우 촬영 환경에 불구하고 적절한 빛 정보가 수집될 수 있다. 참조 객체(320)의 촬영에 따른 로 영상 데이터에서 객체들은 각각 서로 다른 동적 범위(dynamic range)의 영상 데이터로 표현될 수 있고, 참조 영상과 가상 객체 영상 간의 차이를 결정하는데 객체들 중 가장 넓은 동적 범위를 가지는 어느 하나의 영상 데이터가 선택적으로 이용될 수 있다. 예를 들어, 고조도 환경에서 흰색 구는 포화를 유발할 수 있으므로, 회색 구의 촬영 정보가 이용될 수 있다. 이와 달리, 저조도 환경에서는 흰색 구의 촬영 정보가 이용될 수 있다.

실시예들에 따라 카메라(310)는 멀티 카메라 또는 단일 카메라로 구성될 수 있다. 일 실시예에 따르면, 카메라(310)는 고정 ISP 설정을 사용하여 참조 영상을 생성하는 제1 카메라, 및 가변 ISP 설정을 사용하여 배경 영상을 생성하는 제2 카메라를 포함할 수 있다. 다른 일 실시예에 따르면, 카메라(310)는 고정 ISP 설정 및 가변 ISP 설정을 번갈아 사용하여 참조 영상 및 배경 영상을 생성할 수 있다. 일 실시예에 따르면, 참조 객체(320)는 지지부(330)를 통해 카메라(310)와 연결될 수 있다.

도 4는 일 실시예에 따른 카메라의 구성을 나타낸다. 도 4를 참조하면, 카메라(400)는 시각 정보(401)에 대응하는 영상(402)을 생성할 수 있다. 카메라(400)는 렌즈 군(lens group)(410), 이미지 센서(420), 및 ISP 블록(430)을 포함할 수 있다. ISP 블록(430)은 로 영상 데이터(421)에 기초하여 ISP를 수행하여 영상(402)을 생성할 수 있다. ISP 블록(430)은 ISP를 수행하는 소프트웨어 모듈 및/또는 하드웨어 모듈을 포함할 수 있다.

앞서 멀티 카메라 및 단일 카메라에 관한 실시예들에서, 카메라(400)는 멀티 카메라의 각 서브 카메라이거나 혹은 단일 카메라에 해당할 수 있다. 고정 ISP 설정을 사용하여 참조 영상을 생성하는 제1 카메라, 및 가변 ISP 설정을 사용하여 배경 영상을 생성하는 제2 카메라를 사용하는 실시예를 고려하자. 카메라(400)가 제1 카메라인 경우, 제한된 ISP가 이용되는 경우 ISP 블록(430)은 고정 ISP 설정을 사용할 수 있다. ISP 기능이 배제되는 경우라면 ISP 블록(430)은 카메라(400)로부터 제거될 수 있다. 카메라(400)가 제2 카메라인 경우, ISP 블록(430)은 가변 ISP 설정을 사용하여 영상(402)을 생성할 수 있다.

도 5는 일 실시예에 따른 멀티 카메라 구성을 나타낸다. 도 5를 참조하면, 카메라(500)는 고정 ISP 설정을 이용하여 영상(511)을 생성하는 제1 카메라(510), 및 가변 ISP 설정을 이용하여 영상(521)을 생성하는 제2 카메라(520)를 포함할 수 있다. 도 6은 일 실시예에 따른 단일 카메라 구성을 나타낸다. 도 6을 참조하면, 제3 카메라(610)는 고정 ISP 설정 및 가변 ISP 설정을 번갈아 사용하여 영상(611) 및 영상(612)을 생성할 수 있다.

도 7은 일 실시예에 따른 가상 객체 영상의 구성을 나타낸다. 도 7을 참조하면, 가상 객체 영상(710)은 가상 객체(711), 가상 객체(711)의 음영(714), 및 가상 객체(711)의 그림자(712, 713)를 포함할 수 있다. 가상 객체 영상(710)의 각 요소는 빛 정보, 객체 정보, 및 평면 정보에 기초하여 렌더링될 수 있다. 음영(714)은 음영 렌더링을 통해, 그림자(712, 713)는 그림자 렌더링을 통해 도출될 수 있다. 음영(714) 및 그림자(712, 713)의 융합을 통해 가상 객체 영상(710)이 형성될 수 있다. 가상 객체 영상(710)은 참조 영상의 참조 객체와 비교될 수 있고, 비교 결과(예: 차이)에 따라 빛 추정 모델이 업데이트될 수 있다. 이때, 참조 영상의 일정 영역(예: 참조 객체 영역)의 픽셀 데이터와 가상 객체 영상(710)의 대응 영역의 픽셀 데이터가 비교될 수 있다. 예를 들어, 참조 객체의 음영 및 그림자를 나타내는 픽셀 데이터와 가상 객체(711)의 음영(714) 및 그림자(712, 713)를 나타내는 픽셀 데이터가 픽셀 별로 비교될 수 있다.

도 8은 일 실시예에 따른 빛 추정 모델의 트레이닝 과정을 나타낸다. 도 8a를 참조하면, 배경 영상(801) 및 참조 영상(802)이 획득된다. 배경 영상(801)은 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 가변 ISP 설정에 기초하여 생성될 수 있고, 참조 영상(802)은 참조 객체의 촬영에 따른 로 영상 데이터 및 고정 ISP 설정에 기초하여 생성될 수 있다. 가변 ISP 설정은 가변 조절 값에 따라 ISP 요소를 제어할 수 있고, 고정 ISP 설정은 고정 조절 값에 따라 ISP 요소를 제어할 수 있다. 빛 추정 모델(810)은 배경 영상(801)에 대응하는 빛 정보(811)를 추정할 수 있다. 일 실시예에 따르면, 빛 추정 모델(810)은 인코더 및 디코더를 포함하는 뉴럴 네트워크 모델일 수 있다. 렌더링 모델(820)은 빛 정보(811), 객체 정보(803), 및 평면 정보(804)에 기초하여 가상 객체 영상(821)을 렌더링할 수 있다. 빛 추정 모델(810)은 참조 영상(802)과 가상 객체 영상(821) 간의 차이에 따른 손실(830)에 기초하여 트레이닝될 수 있다.

도 8b를 참조하면, 빛 추정 모델(810)에 ISP 정보(840)가 추가로 제공될 수 있다. 예를 들어, 카메라가 가변 ISP 설정에 관한 파라미터 값을 제공하지 않는 경우와 같이 가변 ISP 설정 값을 알기 어려운 경우, 도 8a와 같이 가변 ISP 설정 값 없이 빛 추정 모델의 입력 데이터가 구성될 수 있다. 이와 달리, 카메라가 가변 ISP 설정에 관한 파라미터 값을 제공하는 경우와 같이 가변 ISP 설정 값을 알 수 있는 경우, 가변 ISP 설정 값을 포함하도록 입력 데이터가 구성될 수 있다. 이때, ISP 정보(840)는 가변 ISP 설정 값을 포함할 수 있다. 빛 추정 모델(810)은 ISP 정보(840)를 포함하는 입력 데이터에 기초하여 빛 정보(811)를 생성할 수 있다. ISP 정보(840)는 빛 추정 모델(810)의 추정 정확도를 향상시킬 수 있다.

도 9는 일 실시예에 따른 가상 객체 영상의 렌더링 과정을 나타낸다. 도 9를 참조하면, 렌더링 모델(920)은 SLAM(simultaneous localization and mapping) 정보(901)를 더 고려하여 렌더링을 수행할 수 있다. 카메라 및 참조 객체의 위치 및/또는 방향의 변화에 따라 복수의 배경 영상들 및 복수의 참조 영상들이 생성될 수 있고, 위치 및/또는 방향의 변화는 SLAM 정보(901)에 기록될 수 있다. 예를 들어, 제1 위치 및 제1 방향에서 제1 참조 영상 및 제1 배경 영상이 생성될 수 있고, 제2 위치 및 제2 방향에서 제2 참조 영상 및 제2 배경 영상이 생성될 수 있다.

SLAM 정보(901)는 배경 영상들 및 참조 영상들 각각의 위치 및 방향을 저장할 수 있고, SLAM 정보(901)에 기초하여 각각의 위치 및 방향에 따른 빛 정보(904)에 대응하는 통합 빛 정보가 추정될 수 있다. 예를 들어, SLAM 정보(901), 객체 정보(902), 및 평면 정보(903)를 이용한 변형(910)을 통해 빛 정보(904)에 대응하는 통합 빛 정보가 추정될 수 있다.

렌더링 모델(920)은 통합 빛 정보에 기초하여 각 위치 및 방향에 대응하는 가상 객체 영상(905)을 렌더링할 수 있다. 예를 들어, 렌더링 모델은 제1 위치 및 제1 방향에 대응하는 제1 가상 객체 영상 및 제2 위치 및 제2 방향에 대응하는 제2 가상 객체 영상을 렌더링할 수 있다. 빛 추정 모델은 각 참조 영상과 가상 객체 영상 간의 차이에 따라 트레이닝될 수 있다. 예를 들어, 빛 추정 모델은 제1 참조 영상과 제1 가상 객체 영상 간의 차이, 및 제2 참조 영상과 제2 가상 객체 영상 간의 차이 중 적어도 일부에 기초하여 트레이닝될 수 있다. 위에서 두 쌍의 영상들이 이용되는 예시를 설명했으나, 이보다 더 많은 쌍의 영상들이 이용될 수도 있다.

도 10은 일 실시예에 따른 빛 추정 모델을 이용한 AR 영상 생성 과정을 나타낸다. 도 10을 참조하면, 빛 추정 모델(1010)은 배경 영상(1001)에 대응하는 빛 정보(1011)를 추정할 수 있다. 배경 영상(1001)은 가변 ISP 설정에 기초하여 생성될 수 있다. 예를 들어, 트레이닝 시 샘플 배경 영상의 획득에 이용된 카메라와 동일 스펙의 카메라를 통해 배경 영상(1001)이 생성될 수 있다. 빛 추정 모델(1010)은 트레이닝이 완료된 상태일 수 있으며, 실제 빛에 가까운 빛 정보(1011)를 추정할 수 있다. 렌더링 모델(1020)은 빛 정보(1011), 객체 정보(1002), 및 평면 정보(1003)에 기초하여 가상 객체 영상(1021)을 렌더링할 수 있다. 가상 객체 영상(1021)은 실제 빛에 어울리게 표현될 수 있다. 예를 들어, 실제 빛이 고조도 환경에 대응한다면 가상 객체 영상(1021)은 고조도 상태로 표현될 수 있고, 실제 빛이 저조도 환경에 대응한다면 가상 객체 영상(1021)은 저조도 상태로 표현될 수 있다.

ISP 시뮬레이터(1030)는 필요에 따라 가상 객체 영상(1021)의 ISP 요소의 적어도 일부를 조절하여 가상 객체 영상(1021)을 디스플레이 환경에 적합한 상태로 만들 수 있다. ISP 시뮬레이터(1030)는 AR 영상(1050)이 표시되는 디스플레이 장치의 특성에 따라 다른 방식으로 동작할 수 있다. 예를 들어, AR 영상(1050)이 불투명 디스플레이(예: 스마트 폰, 태블릿 PC 등의 디스플레이)에 표시되는 경우, ISP 시뮬레이터(1030)는 가변 ISP 설정에 기초하여 가상 객체 영상(1021)의 ISP 요소를 제어할 수 있다. 가변 ISP 설정은 배경 영상(1001)의 생성 시 배경 영상(1001)의 ISP 설정의 조절에 이용된 것일 수 있고, 배경 영상(1001)을 생성한 카메라로부터 제공될 수 있다. 이와 달리, AR 영상(1050)이 반투명 디스플레이(예: AR 글래스 등의 디스플레이)에 표시되는 경우, 가변 ISP 설정에 기초한 ISP 요소의 제어 없이 가상 객체 영상(1021)이 AR 영상(1050)의 생성에 이용될 수 있다.

ISP 시뮬레이터(1030)의 조절 결과와 배경 영상(1001)의 합성을 통해 AR 영상(1050)이 생성될 수 있다. ISP 시뮬레이터(1030)의 조절이 없었다면, 가상 객체 영상(1021)과 배경 영상(1001)의 합성을 통해 AR 영상(1050)이 생성될 수 있다.

도 11은 일 실시예에 따른 빛 추정을 위한 방법을 나타낸다. 도 11a를 참조하면, 단계(1110)에서 렌더링 장치는 참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 생성된, 참조 영상을 획득할 수 있다. 단계(1120)에서 렌더링 장치는 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득할 수 있다. 제1 ISP 설정은 고정 조절 값에 따라 ISP 요소를 제어할 수 있고, 제2 ISP 설정은 가변 조절 값에 따라 ISP 요소를 제어할 수 있다. ISP 요소는 자동 화이트밸런스(auto white balance), 자동 노출(auto exposure), 감마 보정(gamma correction), 다이나믹 레인지 컴프레션(dynamic range compression), 및 와이드 다이나믹 레인지(wide dynamic range) 중 적어도 일부를 포함할 수 있다.

참조 객체는 톤 및 재질 중 적어도 일부가 서로 다른 객체들, 및 객체들을 지지하는 평면들을 포함할 수 있다. 참조 객체의 촬영에 따른 로 영상 데이터에서 객체들은 각각 서로 다른 동적 범위(dynamic range)의 영상 데이터로 표현될 수 있고, 참조 영상과 가상 객체 영상 간의 차이를 결정하는데 객체들 중 가장 넓은 동적 범위를 가지는 어느 하나의 영상 데이터가 선택적으로 이용될 수 있다.

참조 객체는 참조 영상 및 배경 영상을 생성하는 카메라와 지지부를 통해 연결될 수 있다. 일 실시예에 따르면, 카메라는 제1 ISP 설정을 사용하여 참조 영상을 생성하는 제1 카메라, 및 제2 ISP 설정을 사용하여 배경 영상을 생성하는 제2 카메라를 포함할 수 있다. 다른 일 실시예에 따르면, 참조 영상 및 배경 영상은 제1 ISP 설정 및 제2 ISP 설정을 번갈아 사용하는 제3 카메라를 통해 생성될 수 있다.

단계(1130)에서 렌더링 장치는 빛 추정 모델을 이용하여 배경 영상에 대응하는 빛 정보를 추정할 수 있다. 일 실시예에 따르면, 배경 영상 및 제2 ISP 설정에 대응하는 입력 데이터가 빛 추정 모델의 입력으로 이용될 수 있다. 단계(1140)에서 렌더링 장치는 빛 정보 및 참조 객체에 대응하는 가상 객체 영상을 렌더링할 수 있다. 단계(1150)에서 렌더링 장치는 참조 영상과 가상 객체 영상 간의 차이에 기초하여 빛 추정 모델을 트레이닝할 수 있다. 단계(1140)는 가상 객체 영상의 그림자를 렌더링하는 단계를 포함할 수 있고, 단계(1150)는 참조 영상에 나타난 참조 객체의 그림자와 가상 객체 영상에 렌더링된 그림자 간의 차이를 고려하여 빛 추정 모델을 트레이닝하는 단계를 포함할 수 있다.

일 실시예에 따르면, 참조 영상 및 배경 영상은 각각 제1 위치 및 제1 방향에서 획득된 제1 참조 영상 및 제1 배경 영상, 각각 제2 위치 및 제2 방향에서 획득된 제2 참조 영상 및 제2 배경 영상을 포함할 수 있다. 이 경우, 단계(1130)는 제1 위치, 제2 위치, 제1 방향, 및 제2 방향에 따른 SLAM 정보에 따른 제1 배경 영상 및 제2 배경 영상의 통합 배경 영상에 대응하는 통합 빛 정보를 추정하는 단계를 포함하고, 단계(1140)는 통합 빛 정보에 기초하여 제1 위치 및 제1 방향에 대응하는 제1 가상 객체 영상 및 제2 위치 및 제2 방향에 대응하는 제2 가상 객체 영상을 렌더링하는 단계를 포함하고, 단계(1150)는 제1 참조 영상과 제1 가상 객체 영상 간의 차이, 및 제2 참조 영상과 제2 가상 객체 영상 간의 차이 중 적어도 일부에 기초하여 빛 추정 모델을 트레이닝하는 단계를 포함할 수 있다.

도 11b를 참조하면, 단계(1160)에서 렌더링 장치는 가상 객체를 표시할 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득할 수 있다. 단계(1170)에서 렌더링 장치는 빛 추정 모델을 이용하여 배경 영상 및 제1 ISP 설정에 대응하는 빛 정보를 추정할 수 있다. 빛 추정 모델은 트레이닝이 완료된 상태일 수 있다.

빛 추정 모델은 참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 생성된, 샘플 참조 영상을 획득하고, 참조 객체가 위치한 샘플 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 샘플 배경 영상을 획득하고, 빛 추정 모델을 이용하여 샘플 배경 영상에 대응하는 샘플 빛 정보를 추정하고, 샘플 빛 정보 및 참조 객체에 대응하는 샘플 가상 객체 영상을 렌더링하고, 샘플 참조 영상과 샘플 가상 객체 영상 간의 차이에 기초하여 빛 추정 모델을 트레이닝하는 단계들을 거쳐 미리 트레이닝될 수 있다. 이러한 트레이닝 단계들은 도 11a의 단계들(1110 내지 1150)에 대응할 수 있다. 도 11a의 트레이닝 데이터와 도 11b의 추론 데이터의 구분을 위해 트레이닝 데이터에는 샘플이라는 용어가 추가될 수 있다. 예를 들어, 트레이닝 시 이용되는 참조 영상 및 배경 영상은 각각 샘플 참조 영상 및 샘플 배경 영상으로 부를 수 있다.

단계(1180)에서 렌더링 장치는 빛 정보 및 가상 객체에 대응하는 가상 객체 영상을 렌더링할 수 있다. 단계(1190)에서 렌더링 장치는 가상 객체 영상 및 배경 영상에 따른 AR 영상을 생성할 수 있다. AR 영상이 불투명 디스플레이에 표시되는 경우, 제2 ISP 설정에 기초한 가상 객체 영상의 ISP 요소의 제어 결과가 AR 영상의 생성에 이용될 수 있고, AR 영상이 반투명 디스플레이에 표시되는 경우, 제2 ISP 설정에 기초한 ISP 요소의 제어 없이 가상 객체 영상이 AR 영상의 생성에 이용될 수 있다.

그 밖에, 도 1 내지 도 10, 도 12, 및 도 13의 설명이 빛 추정을 위한 방법에 적용될 수 있다.

도 12는 일 실시예에 따른 렌더링 장치의 구성을 나타낸다. 도 12를 참조하면, 렌더링 장치(1200)는 프로세서(1210) 및 메모리(1220)를 포함한다. 메모리(1220)는 프로세서(1210)에 연결되고, 프로세서(1210)에 의해 실행가능한 명령어들, 프로세서(1210)가 연산할 데이터 또는 프로세서(1210)에 의해 처리된 데이터를 저장할 수 있다. 메모리(1220)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.

프로세서(1210)는 도 1 내지 도 11, 및 도 13의 동작을 수행하기 위한 명령어들을 실행할 수 있다. 일 실시예에 따르면, 프로세서(1210)는 참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 생성된, 참조 영상을 획득하고, 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득하고, 빛 추정 모델을 이용하여 배경 영상에 대응하는 빛 정보를 추정하고, 빛 정보 및 참조 객체에 대응하는 가상 객체 영상을 렌더링하고, 및 참조 영상과 가상 객체 영상 간의 차이에 기초하여 빛 추정 모델을 트레이닝할 수 있다. 다른 일 실시예에 따르면, 프로세서(1210)는 가상 객체를 표시할 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득하고, 빛 추정 모델을 이용하여 배경 영상 및 제1 ISP 설정에 대응하는 빛 정보를 추정하고, 빛 정보 및 가상 객체에 대응하는 가상 객체 영상을 렌더링하고, 가상 객체 영상 및 배경 영상에 따른 AR 영상을 생성할 수 있다. 그 밖에, 렌더링 장치(1200)에는 도 1 내지 도 11, 및 도 13의 설명이 적용될 수 있다.

도 13은 일 실시예에 따른 전자 장치의 구성을 나타낸다. 도 13을 참조하면, 전자 장치(1300)는 프로세서(1310), 메모리(1320), 카메라(1330), 저장 장치(1340), 입력 장치(1350), 출력 장치(1360) 및 네트워크 인터페이스(1370)를 포함할 수 있으며, 이들은 통신 버스(1380)를 통해 서로 통신할 수 있다. 예를 들어, 전자 장치(1300)는 이동 전화, 스마트 폰, PDA, 넷북, 태블릿 컴퓨터, 랩톱 컴퓨터 등과 같은 모바일 장치, 스마트 워치, 스마트 밴드, 스마트 안경 등과 같은 웨어러블 디바이스, 데스크탑, 서버 등과 같은 컴퓨팅 장치, 텔레비전, 스마트 텔레비전, 냉장고 등과 같은 가전 제품, 도어 락 등과 같은 보안 장치, 자율주행 차량, 스마트 차량 등과 같은 차량, AR 글래스와 같은 AR 장치의 적어도 일부로 구현될 수 있다. 전자 장치(1300)는 도 12의 렌더링 장치(1200)를 구조적 및/또는 기능적으로 포함할 수 있다.

프로세서(1310)는 전자 장치(1300) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 예를 들어, 프로세서(1310)는 메모리(1320) 또는 저장 장치(1340)에 저장된 명령어들을 처리할 수 있다. 프로세서(1310)는 도 1 내지 도 12를 통하여 설명된 동작을 수행할 수 있다. 메모리(1320)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 메모리(1320)는 프로세서(1310)에 의해 실행하기 위한 명령어들을 저장할 수 있고, 전자 장치(1300)에 의해 소프트웨어 및/또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.

카메라(1330)는 사진 및/또는 비디오를 촬영할 수 있다. 카메라(1330)는 참조 객체의 촬영에 따른 로 영상 데이터 및 고정 ISP 설정에 기초하여 참조 영상을 생성하고, 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 가변 ISP 설정에 기초하여 배경 영상을 생성할 수 있다. 저장 장치(1340)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함한다. 저장 장치(1340)는 메모리(1320)보다 더 많은 양의 정보를 저장하고, 정보를 장기간 저장할 수 있다. 예를 들어, 저장 장치(1340)는 자기 하드 디스크, 광 디스크, 플래쉬 메모리, 플로피 디스크 또는 이 기술 분야에서 알려진 다른 형태의 비휘발성 메모리를 포함할 수 있다.

입력 장치(1350)는 키보드 및 마우스를 통한 전통적인 입력 방식, 및 터치 입력, 음성 입력, 및 이미지 입력과 같은 새로운 입력 방식을 통해 사용자로부터 입력을 수신할 수 있다. 예를 들어, 입력 장치(1350)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전자 장치(1300)에 전달할 수 있는 임의의 다른 장치를 포함할 수 있다. 출력 장치(1360)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 전자 장치(1300)의 출력을 제공할 수 있다. 출력 장치(1360)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1370)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 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 컨트롤러를 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 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 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.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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

빛 추정을 위한 방법에 있어서,
참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 생성된, 참조 영상을 획득하는 단계;
상기 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득하는 단계;
빛 추정 모델을 이용하여 상기 배경 영상에 대응하는 빛 정보를 추정하는 단계;
상기 빛 정보 및 상기 참조 객체에 대응하는 가상 객체 영상을 렌더링하는 단계; 및
상기 참조 영상과 상기 가상 객체 영상 간의 차이에 기초하여 상기 빛 추정 모델을 트레이닝하는 단계
를 포함하는 방법.
제1항에 있어서,
상기 제1 ISP 설정은 고정 조절 값에 따라 ISP 요소를 제어하고,
상기 제2 ISP 설정은 가변 조절 값에 따라 상기 ISP 요소를 제어하는,
방법.
제2항에 있어서,
상기 ISP 요소는
자동 화이트밸런스(auto white balance), 자동 노출(auto exposure), 감마 보정(gamma correction), 다이나믹 레인지 컴프레션(dynamic range compression), 및 와이드 다이나믹 레인지(wide dynamic range) 중 적어도 일부를 포함하는,
방법.
제1항에 있어서,
상기 참조 객체는
톤 및 재질 중 적어도 일부가 서로 다른 객체들, 및
상기 객체들을 지지하는 평면들
을 포함하는, 방법.
제4항에 있어서,
상기 참조 객체의 촬영에 따른 상기 로 영상 데이터에서 상기 객체들은 각각 서로 다른 동적 범위(dynamic range)의 영상 데이터로 표현되고,
상기 참조 영상과 상기 가상 객체 영상 간의 차이를 결정하는데 상기 객체들 중 가장 넓은 동적 범위를 가지는 어느 하나의 영상 데이터가 선택적으로 이용되는,
방법.
제4항에 있어서,
상기 참조 객체는
상기 참조 영상 및 상기 배경 영상을 생성하는 카메라와 지지부를 통해 연결되는,
방법.
제6항에 있어서,
상기 카메라는
상기 제1 ISP 설정을 사용하여 상기 참조 영상을 생성하는 제1 카메라, 및
상기 제2 ISP 설정을 사용하여 상기 배경 영상을 생성하는 제2 카메라
를 포함하는, 방법.
제4항에 있어서,
상기 가상 객체 영상을 렌더링하는 단계는
상기 가상 객체 영상의 그림자를 렌더링하는 단계를 포함하고,
상기 빛 추정 모델을 트레이닝하는 단계는
상기 참조 영상에 나타난 상기 참조 객체의 그림자와 상기 가상 객체 영상에 렌더링된 상기 그림자 간의 차이를 고려하여 상기 빛 추정 모델을 트레이닝하는 단계를 포함하는,
방법.
제1항에 있어서,
상기 참조 영상 및 상기 배경 영상은 상기 제1 ISP 설정 및 상기 제2 ISP 설정을 번갈아 사용하는 제3 카메라를 통해 생성되는,
방법.
제1항에 있어서,
상기 배경 영상 및 상기 제2 ISP 설정에 대응하는 입력 데이터가 상기 빛 추정 모델의 입력으로 이용되는,
방법.
제1항에 있어서,
상기 참조 영상 및 상기 배경 영상은
각각 제1 위치 및 제1 방향에서 획득된 제1 참조 영상 및 제1 배경 영상, 각각 제2 위치 및 제2 방향에서 획득된 제2 참조 영상 및 제2 배경 영상을 포함하고,
상기 빛 정보를 추정하는 단계는
상기 제1 위치, 상기 제2 위치, 상기 제1 방향, 및 상기 제2 방향에 따른 SLAM 정보에 따른 상기 제1 배경 영상 및 상기 제2 배경 영상의 통합 배경 영상에 대응하는 통합 빛 정보를 추정하는 단계를 포함하고,
상기 가상 객체 영상을 렌더링하는 단계는
상기 통합 빛 정보에 기초하여 상기 제1 위치 및 상기 제1 방향에 대응하는 제1 가상 객체 영상 및 상기 제2 위치 및 상기 제2 방향에 대응하는 제2 가상 객체 영상을 렌더링하는 단계를 포함하고,
상기 빛 추정 모델을 트레이닝하는 단계는
상기 제1 참조 영상과 상기 제1 가상 객체 영상 간의 차이, 및 상기 제2 참조 영상과 상기 제2 가상 객체 영상 간의 차이 중 적어도 일부에 기초하여 상기 빛 추정 모델을 트레이닝하는 단계를 포함하는,
방법.
빛 추정을 위한 방법에 있어서,
가상 객체를 표시할 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 생성된, 배경 영상을 획득하는 단계;
빛 추정 모델을 이용하여 상기 배경 영상 및 제1 ISP 설정에 대응하는 빛 정보를 추정하는 단계;
상기 빛 정보 및 상기 가상 객체에 대응하는 가상 객체 영상을 렌더링하는 단계; 및
상기 가상 객체 영상 및 상기 배경 영상에 따른 AR 영상을 생성하는 단계
를 포함하는 방법.
제12항에 있어서,
상기 AR 영상이 불투명 디스플레이에 표시되는 경우, 상기 제2 ISP 설정에 기초한 상기 가상 객체 영상의 ISP 요소의 제어 결과가 상기 AR 영상의 생성에 이용되고,
상기 AR 영상이 반투명 디스플레이에 표시되는 경우, 상기 제2 ISP 설정에 기초한 상기 ISP 요소의 제어 없이 상기 가상 객체 영상이 상기 AR 영상의 생성에 이용되는,
방법.
제12항에 있어서,
상기 빛 추정 모델은
참조 객체의 촬영에 따른 로 영상 데이터 및 상기 제1 ISP 설정에 기초하여 생성된, 샘플 참조 영상을 획득하는 단계;
상기 참조 객체가 위치한 샘플 현실 배경의 촬영에 따른 로 영상 데이터 및 상기 제2 ISP 설정에 기초하여 생성된, 샘플 배경 영상을 획득하는 단계;
상기 빛 추정 모델을 이용하여 상기 샘플 배경 영상에 대응하는 샘플 빛 정보를 추정하는 단계;
상기 샘플 빛 정보 및 상기 참조 객체에 대응하는 샘플 가상 객체 영상을 렌더링하는 단계; 및
상기 샘플 참조 영상과 상기 샘플 가상 객체 영상 간의 차이에 기초하여 상기 빛 추정 모델을 트레이닝하는 단계
를 거쳐 미리 트레이닝되는, 방법.
하드웨어와 결합되어 제1항 내지 제14항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
참조 객체의 촬영에 따른 로 영상 데이터 및 제1 ISP 설정에 기초하여 참조 영상을 생성하고, 상기 참조 객체가 위치한 현실 배경의 촬영에 따른 로 영상 데이터 및 제2 ISP 설정에 기초하여 배경 영상을 생성하는 카메라; 및
빛 추정 모델을 이용하여 상기 배경 영상에 대응하는 빛 정보를 추정하고, 상기 빛 정보 및 상기 참조 객체에 대응하는 가상 객체 영상을 렌더링하고, 상기 참조 영상과 상기 가상 객체 영상 간의 차이에 기초하여 상기 빛 추정 모델을 트레이닝하는, 프로세서
를 포함하는, 전자 장치.
제16항에 있어서,
상기 제1 ISP 설정은 고정 조절 값에 따라 ISP 요소를 제어하고,
상기 제2 ISP 설정은 가변 조절 값에 따라 상기 ISP 요소를 제어하는,
전자 장치.
제16항에 있어서,
상기 참조 객체는 톤 및 재질 중 적어도 일부가 서로 다른 객체들, 및 상기 객체들을 지지하는 평면들을 포함하고,
상기 참조 객체의 촬영에 따른 상기 로 영상 데이터에서 상기 객체들은 각각 서로 다른 동적 범위(dynamic range)의 영상 데이터로 표현되고,
상기 참조 영상과 상기 가상 객체 영상 간의 차이를 결정하는데 상기 객체들 중 가장 넓은 동적 범위를 가지는 어느 하나의 영상 데이터가 선택적으로 이용되는,
전자 장치.
제16항에 있어서,
상기 배경 영상 및 상기 제2 ISP 설정에 대응하는 입력 데이터가 상기 빛 추정 모델의 입력으로 이용되는,
전자 장치.
제16항에 있어서,
상기 참조 영상 및 상기 배경 영상은
각각 제1 위치 및 제1 방향에서 획득된 제1 참조 영상 및 제1 배경 영상, 각각 제2 위치 및 제2 방향에서 획득된 제2 참조 영상 및 제2 배경 영상을 포함하고,
상기 프로세서는
상기 제1 위치, 상기 제2 위치, 상기 제1 방향, 및 상기 제2 방향에 따른 SLAM 정보에 따른 상기 제1 배경 영상 및 상기 제2 배경 영상의 통합 배경 영상에 대응하는 통합 빛 정보를 추정하고,
상기 통합 빛 정보에 기초하여 상기 제1 위치 및 상기 제1 방향에 대응하는 제1 가상 객체 영상 및 상기 제2 위치 및 상기 제2 방향에 대응하는 제2 가상 객체 영상을 렌더링하고,
상기 제1 참조 영상과 상기 제1 가상 객체 영상 간의 차이, 및 상기 제2 참조 영상과 상기 제2 가상 객체 영상 간의 차이 중 적어도 일부에 기초하여 상기 빛 추정 모델을 트레이닝하는,
전자 장치.