KR20240026816A - 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치 - Google Patents

Abstract

일 실시예에 따른 전자 장치는, 제1 신경망 모델을 저장하는 메모리 및 적어도 하나의 프로세서를 포함할 수 있다. 전자 장치는 적어도 하나의 프로세서가 전자 장치의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하고, 디바이스 상태 정보에 기반하여 제1 신경망 모델에 대한 양자화 레벨을 결정하며, 양자화 레벨에 기반하여 양자화된 제2 신경망 모델을 생성하여 열화된 이미지를 개선하도록 구성될 수 있다.
이 외에도 명세서를 통해 파악되는 다양한 실시예가 가능하다.

Description

신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치{METHOD FOR PROCESSING IMAGE THROUTH NEURAL NETWORK AND ELECTRONIC DEVICE THEREOF}

본 문서에서 개시되는 다양한 실시예들은, 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치에 관한 것이다.

인공지능 시스템(또는 통합 지능화 시스템)은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률이 향상되는 시스템이다. 인공지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(딥러닝) 기술 및 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 요소 기술들로 구성된다.

요소 기술들은, 예로, 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함할 수 있다.

인공지능 시스템이 탑재된 전자 장치는 이미지 처리를 함에 있어서, 카메라를 통해 획득된 이미지 데이터를 분석하고, 분석된 결과에 기초하여 신경망(neural network) 모델을 통해 이미지 처리를 수행하는 기능을 지원할 수 있다.

다만, 신경망 모델이 광범위하게 적용됨에 따라, 원본 신경망 모델의 복잡성이 높아지고 메모리 용량이 제한된 장치에서 실행이 불가능 할 수 있다. 이를 해결하기 위해, 신경망 모델을 양자화하여 기존 신경망 모델의 메모리 점유율과 연산 속도를 향상시킬 수 있고, 원본 모델의 크기 또한 압축할 수 있다. 신경망 모델은 신경망 모델의 고주파 연산자를 부동 소수점 수 유형에서 정수 유형으로 양자화한 다음 후속 작업을 수행하여 양자화될 수 있다. 예를 들어, 부동소수점으로 표현되는 파라미터들을 특정 비트 수로 줄여 양자화할 수 있다. 양자화 방법에는 주로 결정적 양자화 방법과 랜덤 양자화 방법이 있다.

본 개시의 일 양태에 따르면, 제1 신경망 모델을 저장하는 메모리 및 상기 메모리와 작동적으로 연결된 적어도 하나의 프로세서를 포함하는 전자 장치가 제공될 수 있다. 상기 적어도 하나의 이미지 프로세서는, 상기 전자 장치의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하고; 상기 디바이스 상태 정보에 기반하여 상기 제1 신경망 모델에 대한 양자화 레벨을 결정하고, 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함하며; 상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하며; 상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하도록 구성될 수 있다.

본 개시의 일 양태에 따르면, 전자 장치의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하는 동작; 상기 디바이스 상태 정보에 기반하여 제1 신경망 모델에 대한 양자화 레벨을 결정하는 동작으로서, 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함하고; 상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하는 동작; 및 상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하는 동작을 포함하는 전자 장치를 동작하는 방법이 제공될 수 있다.

본 개시의 일 양태에 따르면, 적어도 하나의 프로그램들을 저장하는 비일시적 컴퓨터 판독가능 저장 매체가 제공될 수 있다. 상기 적어도 하나의 프로그램은, 전자 장치의 적어도 하나의 프로세서에 의해 실행될 때, 전자 장치로 하여금 상기 전자 장치의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하고; 상기 디바이스 상태 정보에 기반하여 제1 신경망 모델에 대한 양자화 레벨을 결정하고, 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함하며; 상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하고; 상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하게 하는 명령어들을 포함할 수 있다.

도 1은 일 실시예에 따른 전자 장치의 구성요소를 도시한 블록도이다.
도 2는 일 실시예에 따른 프로세서의 소프트웨어 모듈을 도시한 블록도이다.
도 3은 일 실시예에 따라 디바이스 상태 정보에 기반하여 양자화된 제2 신경망 모델을 생성하는 것을 도시한 흐름도이다.
도 4는 일 실시예에 따라 결정된 양자화 레벨에 기반하여 양자화된 제2 신경망 모델을 생성하는 것을 도시한 흐름도이다.
도 5는 일 실시예에 따른 전자 장치가 양자화된 신경망 모델을 통해 이미지 열화를 개선하는 것을 도시한 흐름도이다.
도 6는 일 실시예에 따른 전자 장치의 얼굴 영역 화질 개선을 도시한 흐름도이다.
도 7은 일 실시예에 따른 전자 장치의 저조도 화질 개선을 도시한 흐름도이다.
도 8은 일 실시예에 따라 열화가 개선된 이미지를 표시하는 화면을도시한 도면이다.
도 9는 일 실시예에 따른 네트워크 환경 내의 전자 장치를 도시한 도면이다.
도 10은 다양한 실시예들에 따른 카메라 모듈을 예시하는 블록도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.

이하, 본 발명의 다양한 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.

도 1은 일 실시예에 따른 전자 장치의 구성요소를 도시한 블록도이다.

도 1을 참조하면, 전자 장치(100)는 메모리(110), 적어도 하나의 프로세서(120), 디스플레이(130) 및 카메라(140)를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적(operatively)으로 또는 전기적으로 연결될 수 있다. 도 1에 도시된 전자 장치(100)의 구성 요소들은 일 예로서 일부가 변형되거나 삭제 또는 추가될 수 있다.

일 실시예에 따르면, 메모리(110)는 프로세서(120)가 실행 시에 전자 장치(200)의 동작을 수행하기 위해 데이터를 처리하거나 전자 장치(100)의 구성요소를 제어하도록 하는 인스트럭션들(instructions)을 저장할 수 있다. 일 실시예에 따르면, 메모리(110)는 복수의 신경망 모델들을 저장할 수 있다. 예를 들어, 메모리(110)는 이미지의 열화를 개선하기 위해 학습된 신경망 모델(111)을 저장할 수 있다.

일 실시예에 따르면, 프로세서(120)는 이미지 열화를 개선하기 위해 학습된 신경망 모델(111)을 통해 품질이 개선된 이미지를 획득할 수 있다. 일 실시예에 따르면, 도시된 도면에 제한되지 않고 메모리(110)는 복수의 신경망 모델들을 저장할 수 있다. 예를 들어, 개선이 필요한 열화의 종류에 대응되는 학습된 신경망 모델을 저장할 수 있다. 일 실시예에서, 열화의 종류는 솔루션으로 표현될 수 있다.

일 실시예에 따르면, 신경망 모델(111)은 프로세서(120)에 의해 학습되거나 외부 장치를 통해 학습된 모델일 수 있다. 인공지능 모델이 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미할 수 있다. 일 실시예에 따르면, 인공지능 모델(예: 신경망 모델)은 다양한 학습 알고리즘을 통해 학습될 수 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

일 실시예에 따르면, 신경망 모델(111)은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행할 수 있다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.

일 실시예에 따르면, 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN(Convolutional Neural Network), DNN (Deep Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Network) 또는 심층 Q-네트워크(Deep Q-Networks) 등이 있으나, 이에 한정되는 것은 아니다.

일 실시예에 따르면, 신경망 모델(111)은 원본 이미지를 입력 데이터로 제공 받아 품질이 개선된 복원 이미지를 생성하도록 학습된 모델일 수 있다. 일 실시예에 따르면, 신경망 모델(111)은 특정 열화를 개선하기 위해 학습될 수 있다. 예를 들어, 신경망 모델(111)은 이미지 내에 포함된 얼굴 영역에 열화를 개선하기 위해 학습될 수 있다. 예를 들어, 신경망 모델(111)은 이미지의 저조도 열화를 개선하기 위해 학습될 수 있다. 설명된 예시에 제한되지 않고, 신경망 모델(111)은 적어도 하나의 열화를 개선하기 위해 학습된 모델일 수 있다.

일 실시예에 따르면, 프로세서(120)는 복수의 신경망 모델들 중에서 개선하고자 하는 열화의 종류에 대한 신경망 모델(111)을 통해 열화가 개선된 이미지를 획득할 수 있다. 다양한 실시예에 따르면, 프로세서(120)는 하나의 신경망 모델을 이용하여 다양한 종류의 열화가 개선된 이미지를 획득할 수 있다.

일 실시예에 따르면, 메모리(110)는 이미지들을 저장할 수 있다. 예를 들어, 메모리(110)는 전자 장치(100)에 포함된 카메라(140)를 통해 획득된 적어도 하나의 이미지들을 저장할 수 있다. 또한, 메모리(110)는 전자 장치(100)가 외부 전자 장치(예: 서버)를 통해 다운로드한 적어도 하나의 이미지를 저장할 수 있다. 일 실시예에 따르면, 메모리(110)에 저장된 이미지는 열화 개선을 위한 원본 이미지로 제공될 수 있다. 이하, 본 개시의 제1 이미지는 원본 이미지를 포함할 수 있다.

일 실시예에 따르면, 프로세서(120)는 메모리(110), 디스플레이(130) 및/또는 카메라(140)와 전기적으로 또는 작동적으로 연결될 수 있다. 일 실시예에 따르면, 프로세서(120)는 메모리(110)에 저장된 인스트럭션들을 이용하여 전자 장치(100)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 일 실시예에 따르면, 프로세서(120)는 중앙처리장치(CPU), 그래픽처리장치(GPU), MCU(micro controller unit), 센서 허브, 보조프로세서(supplementary processor), 통신프로세서(communication processor), 애플리케이션 프로세서(application processor), ASIC(application specific integrated circuit), FPGA(field programmable gate arrays), NPU(Neural Processing Unit) 중 적어도 하나를 포함할 수 있으며, 복수의 코어를 가질 수 있다.

일 실시예에 따르면, 프로세서(120)는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터(예: 이미지)를 처리할 수 있다. 일 실시예에서, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

일 실시예에 따르면, 프로세서(120)는 전자 장치(100)의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성할 수 있다. 예를 들어, 프로세서(120)는 전자 장치(100)가 이미지 열화를 개선하기 위한 프로세스를 수행하는 것과 관련된 처리 속도를 판단할 수 있다. 예를 들어, 프로세서(120)는 전자 장치(100)가 이미지 열화를 개선하는 동작을 수행하는 데에 소요되는 시간에 영향을 주는 다양한 정보를 포함하는 디바이스 상태 정보를 생성할 수 있다.

일 실시예에 따르면, 디바이스 상태 정보는 전자 장치(100)의 과부하(overload) 정보, 프로세서(120)와 관련된 처리량(throughput) 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, 프로세서(120)는 다양한 종류의 신경망 모델을 이용하는 태스크(task)가 이미 하드웨어(예: NPU, GPU, CPU)에 할당된 경우 프로세서(120)와 관련된 처리량이 높은 것으로 결정하고, 전자 장치(100)의 과부하 상태에 따른 속도 저하 배수를 결정할 수 있다.

일 실시예에 따르면, 프로세서(120)는 상기 디바이스 상태 정보에 기반하여, 신경망 모델(111)에 대한 양자화 레벨을 결정할 수 있다. 예를 들어, 프로세서(120)는 디바이스 상태 정보에 기반하여 결정되는 속도 저하 배수에 따라 양자화 레벨을 결정할 수 있다.

일 실시예에 따르면, 상기 양자화 레벨은 신경망 모델(111)에 대한 양자화 강도에 대한 정보를 포함할 수 있다. 예를 들어, 프로세서(120)는 디바이스 상태 정보에 기반하여 전자 장치(100)가 과부화 상태인 것으로 판단되면 양자화 강도를 기준보다 증가시킬 수 있다. 예를 들어, 프로세서(120)는 프로세서(120)와 관련된 처리량 정보에 기반하여, 처리량이 과다한 것으로 판단되면 양자화 강도를 기준보다 증가시킬 수 있다. 예를 들어, 프로세서(120)는 디바이스 상태 정보에 기반하여 전자 장치(100)가 과부하 상태가 아닌 것으로 판단되어 속도 저하가 없는 경우, 신경망 모델(111)을 양자화하지 않는 것으로 결정할 수 있다. 따라서, 일 실시예에 따른 전자 장치(100)는 신경망 모델에 대한 양자화를 수행함에 있어서, 디바이스의 상태에 따라 동적으로 양자화 강도를 결정할 수 있다. 따라서, 이미지의 열화 개선을 위한 처리 속도는 보장하면서도 기존 열화 개선의 성능은 유지할 수 있다.

일 실시예에 따르면, 프로세서(120)는 결정된 양자화 레벨에 기반하여 신경망 모델(111)을 양자화 하여 양자화된 신경망 모델을 생성할 수 있다. 일 실시예에 따르면, 프로세서(120)는 디바이스 상태 정보에 기반하여 결정된 양자화 레벨이 높은 경우 신경망 모델(111)을 높은 강도로 양자화 처리할 수 있다. 예를 들어, 프로세서(120)는 양자화 레벨이 높은 경우, 신경망 모델(111)의 비트 수를 크게 줄일 수 있다. 예를 들어, 프로세서(120)는 양자화 레벨이 높은 경우 32bit로 표현되는 가중치(weight) 및 활성함수 출력(activation out) 값을 16bit 또는 8bit로 줄여 양자화할 수 있다.

일 실시예에 따르면, 프로세서(120)는 디바이스 상태 정보에 기반하여 결정된 양자화 레벨이 낮은 경우, 신경망 모델(111)에 대한 양자화를 수행하지 않을 수 있다. 예를 들어, 프로세서(120)는 결정된 양자화 레벨에 기반하여 속도 저하 없이 이미지의 열화 개선이 가능하다고 판단되는 경우, 양자화되지 않은 신경망 모델(111)을 이용하여 열화가 개선된 이미지를 획득할 수 있다. 일 실시예에 따르면, 프로세서(120)는 디바이스 상태 정보에 기반하여 결정된 양자화 레벨이 낮은 경우, 신경망 모델(111)을 낮은 강도로 양자화 처리할 수 있다. 예를 들어, 프로세서(120)는 양자화 레벨이 낮은 경우, 신경망 모델(111)의 비트 수를 양자화 레벨이 높은 경우에 비하여 적게 줄일 수 있다. 예를 들어, 프로세서(120)는 양자화 레벨이 낮은 경우 32bit로 표현되는 가중치(weight) 및 활성함수 출력(activation out) 값을 모두 16bit 또는 가중치 또는 활성함수 출력 중 일부만을 16bit로 줄여 양자화할 수 있다.

일 실시예에 따르면, 프로세서(120)는 양자화된 신경망 모델을 이용하여 열화가 개선된 이미지를 획득할 수 있다.

일 실시예에 따르면, 디스플레이(130)는 각종 콘텐트(예: 텍스트, 이미지, 비디오, 아이콘, 및/또는 심볼 등)를 표시할 수 있다. 일 실시예에 따르면, 디스플레이(130)는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이 또는 유기 발광 다이오드(OLED) 디스플레이를 포함할 수 있다.

일 실시예에 따르면, 디스플레이(130)는 메모리(110)에 저장된 이미지들 중 프로세서(120)에 의해 선택된 이미지를 표시할 수 있다. 일 실시예에 따르면, 디스플레이(130)는 카메라(140)를 통해 획득되는 이미지(예: 프리뷰 이미지)를 표시할 수 있다. 일 실시예에 따르면, 디스플레이(130)는 원본 이미지 및/또는 신경망 모델(111)을 통해 열화가 개선된 이미지를 표시할 수 있다.

도 2는 일 실시예에 따른 프로세서의 소프트웨어 모듈을 도시한 블록도이다.

도 2를 참조하면, 프로세서(120)는 디바이스 상태 판단 모듈(210), 양자화 레벨 결정 모듈(220), 양자화 실행 모듈(230), 및/또는 이미지 열화 처리 모듈(240)을 포함할 수 있다. 상기 전술된 구성요소는 소프트웨어 모듈로 구현되거나 또는 하드웨어 모듈(예: 하드웨어 칩) 형태로 제작될 수 있으며, 전술한 구성 요소의 둘 이상이 하나의 구성요소로 구현되어 소프트웨어 모듈로 구현되거나 또는 하드웨어 모듈 형태로 제작될 수 있다. 일 실시예에 따르면, 소프트웨어 모듈로 구현된 각각의 모듈들은 메모리(110)에 저장된 명령어를 실행함으로써 실행될 수 있다.

일 실시예에 따르면, 프로세서(120)는 디바이스 상태 판단 모듈(210)을 포함할 수 있다. 일 실시예에 따르면, 디바이스 상태 판단 모듈(210)은 이미지에 대한 열화 개선 요청에 응답하여, 전자 장치(100)의 상태 정보를 판단할 수 있다. 일 실시예에 따르면, 본 개시에서 이미지에 대한 열화 개선 요청에 응답하여 수행되는 이미지 열화 개선은 신경망 모델(111)을 이용하여 수행되는 이미지 열화 개선을 나타낼 수 있다.

일 실시예에 따르면, 디바이스 상태 판단 모듈(210)은 전자 장치(100)의 온도, 전자 장치(100)가 과부하 상태인지 여부, 신경망 모델이 동작하는 하드웨어(예: NPU, GPU, CPU)가 점유되어 있는지 여부, 프로세서(120)의 프로세스 처리량 중 적어도 하나를 포함하는 다양한 전자 장치(100)에 대한 상태를 판단할 수 있다. 일 실시예에서, 디바이스 상태 정보 판단 모듈(210)은 상기 판단에 기반하여 디바이스 상태 정보를 생성할 수 있다. 일 실시예에 따르면, 디바이스 상태 정보는 상기 나열된 정보에 제한되지 않고, 이미지 처리 속도와 관련된 다양한 정보를 포함할 수 있다. 예를 들어, 디바이스 상태 정보는 신경망 모델(111)을 이용하여 이미지의 열화를 개선하는 처리 속도와 관련된 다양한 정보를 포함할 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 적어도 디바이스 상태 판단 모듈(210)을 통해 생성된 디바이스 상태 정보에 기반하여 신경망 모델(111)에 대한 양자화 레벨을 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보에 기반하여, 전자 장치(100)의 이미지 처리 속도가 지연될 것으로 판단된 경우, 양자화 레벨의 크기를 기준보다 큰 값으로 결정할 수 있다. 일 실시예에 따르면, 양자화 레벨은 메모리(110)에 저장된 이미지의 열화 개선을 위한 신경망 모델의 양자화 강도에 대한 정보를 포함할 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 신경망 모델(111)의 처리 속도, 이미지의 열화 개선과 관련된 필수 처리 속도를 더 고려하여 양자화 레벨을 결정할 수 있다. 예를 들어, 전자 장치(100)는 개선될 열화의 종류에 따라 필수 처리 속도를 미리 결정할 수 있다. 일 실시예에 따르면, 개선될 열화의 종류가 전자 장치(100)에서 실시간으로 처리되어야 하는 열화인 경우, 실시간의 기준이 되는 속도가 필수 처리 속도일 수 있다. 예를 들어, 1초에 처리되어야 할 이미지의 개수가 60장 이라면, 16ms가 이미지 열화 개선과 관련된 필수 처리 속도일 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨 결정 모듈(220)을 통해 결정된 양자화 레벨에 기반하여 신경망 모델(111)에 대한 양자화를 수행할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 양자화 레벨의 크기가 큰 경우, 신경망 모델(111)에 대하여 강도 높은 양자화 처리를 수행하고, 양자화된 신경망 모델을 출력할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 양자화 레벨의 크기가 작은 경우, 신경망 모델(111)에 대하여 강도 낮은 양자화 처리를 수행하고, 양자화된 신경망 모델을 출력할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 양자화 레벨이 '0'인 경우, 신경망 모델(111)에 대한 양자화 처리를 수행하지 않고 신경망 모델(111)을 그대로 출력할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)을 통해 생성된 양자화된 신경망 모델은 원본인 신경망 모델(111)에 포함된 레이어(layer)의 가중치, 입력 데이터, 출력 데이터, 내부 처리 비트의 크기 중 적어도 하나가 변경된 신경망 모델을 포함할 수 있다. 예를 들어, 양자화된 신경망 모델은 신경망 모델(111)의 가중치 및 활성함수 출력 값의 비트 크기를 줄여 전체 크기가 축소될 수 있다. 일 실시예에서, 가중치 및 활성함수 출력 값의 비트 크기를 줄이는 것은 적은 비트로 가중치 및 활성함수를 출력하는 것을 나타낼 수 있다. 따라서, 프로세서(120)는 양자화된 신경망 모델을 이용하여 제한된 리소스 환경에서도 처리 속도의 지연 없이 이미지 처리를 수행할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)을 통해 생성된 양자화된 신경망 모델은 양자화 레벨에 따라 16bit, 8bit, 4bit, 2bit 등 다양한 비트로 양자화될 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨이 지정된 레벨 이상인 경우, 양자화 처리 정보를 추가로 획득할 수 있다. 일 실시예에 따르면, 양자화 처리 정보는 신경망 모델(111)에 대한 양자화를 수행함에 있어서 고려되는 정보를 포함할 수 있다. 예를 들어, 양자화 처리 정보는 이미지와 관련하여 개선 요청된 열화의 종류(예: 솔루션의 종류)에 따라 이미지의 품질에 영향을 최소화 시킬 수 있는 요소에 대한 정보를 포함할 수 있다. 예를 들어, 양자화 처리 정보는 양자화 처리된 신경망 모델을 이용하여 이미지의 열화를 개선하더라도 품질에 영향을 최소화 시킬 수 있는 다양한 요소에 대한 정보를 포함할 수 있다. 예를 들어, 양자화 처리 정보는 얼굴 영역에 포함된 열화를 개선하기 위한 솔루션 에서는 이미지 내에 포함된 여러 개의 얼굴을 중요도의 순서대로 나열한 정보를 포함할 수 있다. 예를 들어, 양자화 처리 정보는 저조도 열화를 개선하기 위한 솔루션 에서는 신경망 모델(111)의 각 레이어(layer)마다 사용되는 빈도가 높은 값의 범위 정보를 포함할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨 및 양자화 처리 정보를 이용하여 신경망 모델(111)에 대한 양자화를 수행하여 양자화된 신경망 모델을 생성할 수 있다.

일 실시예에 따르면, 이미지 열화 처리 모듈(240)은 양자화 실행 모듈(230)을 통해 생성된 신경망 모델을 이용하여 이미지에 대한 열화를 개선할 수 있다. 예를 들어, 이미지 열화 처리 모듈(240)은 열화 개선이 요청된 이미지(예: 원본 이미지)를 양자화된 신경망 모델에 입력하여 열화가 개선된 이미지를 획득할 수 있다.

일 실시예에 따르면, 이미지 열화 처리 모듈(240)은 이미지의 열화 개선과 관련된 처리 제한 정보를 이용하여 이미지 열화를 개선할 수 있다. 예를 들어, 이미지 열화 처리 모듈(240)은 열화 개선이 요청된 이미지 및 처리 제한 정보를 양자화된 신경망 모델에 입력하여 열화가 개선된 이미지를 획득할 수 있다. 일 실시예에 따르면, 처리 제한 정보는 이미지에 포함된 열화들의 개선 범위에 대한 정보를 포함할 수 있다. 예를 들어, 신경망 모델이 얼굴 영역에 열화를 개선하기 위해 학습된 신경망 모델인 경우, 처리 제한 정보는 처리할 얼굴 수, 열화를 개선할 얼굴 영역의 범위 및/또는 열화를 개선할 얼굴에 대한 정보를 포함할 수 있다. 일 실시예에 따르면, 처리 제한 정보는 양자화 처리 정보에 기반하여 생성될 수 있다. 예를 들어, 양자화 실행 모듈(230) 및/또는 이미지 열화 처리 모듈(240)은 양자화 처리 정보에 기반하여 처리 제한 정보를 생성할 수 있다.

도 3은 일 실시예에 따라 디바이스 상태 정보에 기반하여 양자화된 제2 신경망 모델을 생성하는 것을 도시한 흐름도(300)이다. 도 4는 일 실시예에 따라 결정된 양자화 레벨에 기반하여 양자화된 제2 신경망 모델을 생성하는 것을 도시한 흐름도(400)이다.

도 3을 참조하면, 디바이스 상태 판단 모듈(210), 양자화 레벨 결정 모듈(220), 양자화 실행 모듈(230), 및/또는 이미지 열화 처리 모듈(240)이 도시된다. 상기 소프트웨어 모듈은 프로세서(120)의 동작으로 설명될 수 있다. 상기 나열된 소프트웨어 모듈들은 도 2를 참조하여 설명된 것과 유사한 동작을 통해 양자화된 제2 신경망 모델(313)을 생성할 수 있다. 따라서, 도 2와 중복되거나 유사한 설명은 이하 생략될 수 있다.

도 3및 도 4를 참조하여 설명되는 제1 이미지(301)에 대한 열화 개선은 제1 신경망 모델(309)(예: 도 1의 신경망 모델(111))을 통해 수행되는 것으로 기재되어 있으나, 이에 제한되지 않고 복수의 신경망 모델들을 이용하는 경우에도 본 개시의 동작이 수행될 수 있다.

일 실시예에 따르면, 디바이스 상태 판단 모듈(210)은 디바이스 상태 정보(303)를 생성할 수 있다. 일 실시예에 따르면, 디바이스 상태 판단 모듈(210)은 제1 이미지(301)에 대한 열화 개선 요청에 따라 디바이스 상태 정보(303)를 생성할 수 있다. 일 실시예에서, 디바이스 상태 판단 모듈(210)은 전자 장치(100)의 온도, 전자 장치(100)가 과부하 상태인지 여부, 신경망 모델이 동작하는 하드웨어(예: NPU, GPU, CPU)가 점유되어 있는지 여부, 프로세서(120)의 프로세스 처리량 중 적어도 하나를 포함하는 디바이스 상태 정보(303)를 생성할 수 있다. 일 실시예에 따르면, 디바이스 상태 정보(303)는 이미지 열화 처리의 처리 속도에 영향이 있는 다양한 전자 장치(100)의 상태 정보(예: 속도 저하 배수)를 포함할 수 있다.

일 실시예에 따르면, 디바이스 상태 판단 모듈(210)는 디바이스 상태 정보(303)를 양자화 레벨 결정 모듈(220)로 전달할 수 있다. 다양한 실시예에 따라, 디바이스 상태 판단 모듈(210) 및 양자화 레벨 결정 모듈(220)이 하나의 모듈로 구현된 경우 디바이스 상태 정보(303)를 전달하는 동작은 생략될 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(303) 및 제1 이미지(301)를 입력 받아 양자화 레벨(305)을 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(303)에 기반하여 제1 이미지(301)의 열화를 개선하기 위해 제1 신경망 모델(309)에 대한 양자화 강도를 결정할 수 있다.

도 4를 참조하면, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(303), 신경망 모델의 처리 속도(403) 및/또는 이미지 열화 개선과 관련된 필수 처리 속도(401)를 고려하여 양자화 레벨을 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 신경망 모델의 처리 속도(403)와 디바이스 상태 정보(303)에 기반하여, 이미지 열화 개선과 관련된 필수 처리 속도(401)를 충족시키기 위한 양자화 강도를 계산하여 양자화 레벨을 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(303)에 기반하여, 전자 장치(100)의 속도 저하가 1배 이하이고, 신경망 모델의 처리 속도(403)가 필수 처리 속도(401)보다 빠른 경우, 양자화 레벨은 '0'으로 양자화 처리를 수행할 필요가 없는 것으로 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(303) 및 신경망 모델의 처리 속도(403)에 기반하여 이미지 열화 개선과 관련된 필수 처리 속도(401)를 충족시킬 수 없다고 판단된 경우, 양자화 레벨을 0보다 큰 값으로 결정할 수 있다. 일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 지정된 범위(예: 0 내지 3) 내에서 양자화 레벨을 양자화 강도와 비례하게 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(303), 필수 처리 속도(401) 및/또는 신경망 모델의 처리 속도(403)에 기반하여, 제1 신경망 모델(309)에 높은 강도의 양자화가 필요하다고 판단된 경우, 양자화 레벨의 크기를 큰 값(예: 3)으로 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 제1 신경망 모델(309)에 낮은 강도의 양자화가 필요하다고 판단된 경우, 양자화 레벨의 크기를 비교적 작은 값(예: 1 또는 2)으로 결정할 수 있다.

일 실시예에 따르면, 양자화 강도가 높은 경우, 신경망 모델의 크기 변화는 클 수 있다. 예를 들어, 동일한 신경망 모델에 대하여, 양자화 레벨이 1 또는 2인 경우 보다 양자화 레벨이 3 경우, 양자화된 신경망 모델의 크기는 더 작을 수 있다. 일 실시예에서, 전자 장치(100)는 신경망 모델의 크기가 변화됨에 따라, 신경망 모델을 이용한 이미지 열화 개선의 처리 속도를 제어할 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 결정된 양자화 레벨(305)을 양자화 실행 모듈(230)에 전달할 수 있다. 일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(305)에 기반하여 제1 신경망 모델(309)에 대한 양자화를 수행할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 제1 신경망 모델(309)에 포함된 레이어(layer)들 각각의 가중치 값의 비트(bit)를 조정하거나 계산 처리 비트를 조정하여 양자화된 제2 신경망 모델(313)을 생성할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(305)뿐만 아니라 양자화 처리 정보(307)에 기반하여 제1 신경망 모델(309)에 대한 양자화를 수행할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 양자화 레벨(305)에 따라 양자화 처리 정보(307)가 필요하다고 판단된 경우, 양자화 처리 정보(307)를 추가로 고려하여 제1 신경망 모델(309)에 대한 양자화를 수행할 수 있다. 일 실시예에 따르면, 양자화 처리 정보(307)는 이미지와 관련하여 개선 요청된 열화의 종류(예: 솔루션의 종류)에 따라 이미지의 품질에 영향을 최소화할 수 있는 요소에 대한 정보를 포함할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(305)에 기반하여 제1 신경망 모델(309)에 대한 양자화 강도를 결정하고, 양자화 처리 정보(307)를 통해 양자화 비트의 비중을 높게 가져갈 레이어 구간을 결정하거나 양자화의 강도를 조정할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 제1 이미지(301), 양자화 레벨(305) 및 양자화 처리 정보(307)에 기반하여 제1 신경망 모델(309)에 대한 양자화를 수행할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 제1 이미지(301)와 양자화 처리 정보(307)의 상관관계를 이용하여 제1 신경망 모델(309)에 대한 양자화 강도를 결정하여 양자화를 수행할 수 있다. 일 실시예에 따르면, 제1 이미지(301) 및 양자화 처리 정보(307)를 추가로 이용함에 따라, 양자화 실행 모듈(230)은 제1 신경망 모델(309)에 대한 양자화로 이미지 열화의 처리 시간을 감소시키고 열화 개선 솔루션에서 보장되어야 하는 필수 처리 속도(401)를 만족시킬 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(305), 양자화 처리 정보(307) 및/또는 제1 이미지(301)에 기반하여 제1 신경망 모델(309)에 대한 양자화를 수행한 제2 신경망 모델(313)을 생성할 수 있다. 일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 처리 정보(307) 및/또는 제1 이미지(301)에 기반하여 처리 제한 정보(311)를 생성할 수 있다. 일 실시예에 따르면, 처리 제한 정보(311)는 이미지에 포함된 열화들의 개선 범위에 대한 정보를 포함할 수 있다. 양자화 실행 모듈(230)은 생성된 처리 제한 정보(311) 및 제2 신경망 모델(313)을 이미지 열화 처리 모듈(240)에 전달할 수 있다.

일 실시예에 따르면, 이미지 열화 처리 모듈(240)은 제2 신경망 모델(313)을 통해 제1 이미지(301)의 이미지 열화가 개선된 제2 이미지(315)를 획득할 수 있다. 예를 들어, 이미지 열화 처리 모듈(240)은 제2 신경망 모델(313)에 제1 이미지(301), 처리 제한 정보(311)를 입력하여 이미지 열화가 개선된 제2 이미지(315)를 획득할 수 있다. 일 실시예에서, 이미지 열화 처리 모듈(240)은 양자화된 제2 신경망 모델(313)을 이용하여 제1 이미지(301)의 이미지 열화 개선의 처리 시간을 단축시킬 수 있다.

일 실시예에서, 양자화 실행 모듈(230)은 제1 신경망 모델(309)에 대한 양자화 수행이 불필요한 경우(예: 양자화 레벨이 0인 경우), 제1 신경망 모델(309)에 대한 양자화를 수행하지 않고 이미지 열화 처리 모듈(240)로 제1 신경망 모델(309)을 전달할 수 있다. 일 실시예에서, 이미지 열화 처리 모듈(240)은 제1 신경망 모델(309)을 통해 제1 이미지(301)의 열화가 개선된 제2 이미지(315)를 획득할 수 있다.

도 5는 일 실시예에 따른 전자 장치가 양자화된 신경망 모델을 통해 이미지 열화를 개선하는 것을 도시한 흐름도이다.

도 2 및 도 3을 참조하여 설명된 소프트웨어 모듈들의 동작은 이하 프로세서(120)의 동작으로 설명될 수 있다. 도 5를 참조하면, 프로세서(120)는 동작 501에서, 전자 장치(예: 전자 장치(100))의 이미지 처리 속도와 관련된 디바이스 상태 정보(예: 디바이스 상태 정보(303))를 생성할 수 있다. 일 실시예에 따르면, 디바이스 상태 정보는 전자 장치(100)가 이미지 열화를 개선하는 동작을 수행하는 데에 소요되는 시간에 영향을 주는 다양한 정보를 포함할 수 있다.

일 실시예에 따르면, 동작 503에서, 프로세서(120)는 디바이스 상태 정보에 기반하여 제1 신경망 모델(예: 제1 신경망 모델(309))에 대한 양자화 레벨(예: 양자화 레벨(305))을 결정할 수 있다. 일 실시예에 따르면, 양자화 레벨은 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함할 수 있다. 예를 들어, 프로세서(120)는 디바이스 상태 정보에 기반하여 전자 장치(100)가 과부화 상태 것으로 판단되면 양자화 강도를 기준보다 증가시킬 수 있다. 예를 들어, 프로세서(120)는 프로세서(120)와 관련된 처리량 정보에 기반하여, 처리량이 과다한 것으로 판단되면 양자화 강도를 기준보다 증가시킬 수 있다. 예를 들어, 프로세서(120)는 디바이스 상태 정보에 기반하여 전자 장치(100)가 과부하가 아닌 것으로 판단되어 속도 저하가 없는 경우, 신경망 모델을 양자화 하지 않는 것으로 결정할 수 있다.

일 실시예에 따르면, 동작 505에서, 프로세서(120)는 양자화 레벨에 기반하여 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델(예: 제2 신경망 모델(313))을 생성할 수 있다. 예를 들어, 프로세서(120)는 제1 신경망 모델에 포함된 레이어의 가중치, 입력 데이터, 출력 데이터, 및/또는 내부 처리 비트의 크기 중 적어도 하나를 변경하여 제2 신경망 모델을 생성할 수 있다. 일 실시예에 따르면, 프로세서(120)는 양자화 레벨에 기반하여, 제1 신경망 모델에 대한 양자화 동작이 불필요하다고 판단된 경우, 동작 505를 생략할 수 있다.

일 실시예에 따르면, 동작 507에서, 프로세서(120)는 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지(예: 제2 이미지(315))를 획득할 수 있다. 예를 들어, 프로세서(120)는 제2 신경망 모델에 제1 이미지를 입력하여, 제1 이미지의 열화가 개선된 제2 이미지를 획득할 수 있다. 일 실시예에 따르면, 프로세서(120)는 동작 505가 생략된 경우, 제1 신경망 모델을 이용하여 제1 이미지의 열화가 개선된 제2 이미지를 획득할 수 있다.

도 6는 일 실시예에 따른 전자 장치의 얼굴 영역 화질 개선을 도시한 흐름도(600)이다.

도 6을 참조하면, 디바이스 상태 판단 모듈(210), 양자화 레벨 결정 모듈(220), 양자화 실행 모듈(230), 및/또는 이미지 열화 처리 모듈(240)이 도시된다. 상기 소프트웨어 모듈은 프로세서(120)의 동작으로 설명될 수 있다. 상기 나열된 소프트웨어 모듈들은 도 2, 도 3 및 도 4를 참조하여 설명된 것과 유사한 동작을 통해 제1 이미지(601)에 포함된 얼굴 영역의 화질을 개선할 수 있다. 따라서, 도 2, 도 3 및 도 4를 참조하여 설명된 것과 중복되거나 유사한 설명은 이하 생략될 수 있다.

도 6을 참조하여 설명되는 제1 이미지(601)에 대한 열화 개선은 제1 신경망 모델(613)(예: 도 1의 신경망 모델(111), 도 3의 제1 신경망 모델(309))을 통해 수행될 수 있다. 일 실시예에 따르면, 제1 신경망 모델(613)은 이미지에 포함된 얼굴 영역을 검출하고, 얼굴 영역의 화질을 개선하도록 학습된 신경망 모델을 포함할 수 있다.

일 실시예에 따르면, 디바이스 상태 판단 모듈(210)은 제1 이미지(601)의 얼굴 영역에 대한 이미지 열화 개선 요청에 따라 디바이스 상태 정보(603)를 생성할 수 있다. 일 실시예에서, 디바이스 상태 판단 모듈(210)은 전자 장치(100)의 온도, 전자 장치(100)가 과부하 상태인지 여부, 신경망 모델이 동작하는 하드웨어(예: NPU, GPU, CPU)가 점유되어 있는지 여부, 프로세서(120)의 프로세스 처리량 중 적어도 하나를 포함하는 디바이스 상태 정보(303)를 생성할 수 있다. 예를 들어, 디바이스 상태 판단 모듈(210)은 이미지 열화 처리에 영향을 미칠 수 있는 디바이스 상태를 판단하고, 디바이스 상태 정보(603)로써 전자 장치(100)의 속도 저하 배수(예: 1.5배)를 생성할 수 있다.

일 실시예에 따르면, 디바이스 상태 판단 모듈(210)는 디바이스 상태 정보(603)를 양자화 레벨 결정 모듈(220)로 전달할 수 있다. 일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(603), 제1 신경망 모델 처리 속도(607) 및/또는 얼굴 영역 솔루션 필수 처리 속도(605)에 기반하여 양자화 레벨(609)을 결정할 수 있다. 일 실시예에 따르면, 얼굴 영역 솔루션 필수 처리 속도(605)는 이미지 내에 포함된 얼굴 영역의 열화를 개선하기 위한 처리 속도를 나타낼 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 제1 신경망 모델 처리 속도(607)와 디바이스 상태 정보(603)에 기반하여, 얼굴 영역 솔루션 필수 처리 속도(605)를 충족시키기 위한 양자화 강도를 계산하여 양자화 레벨을 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(603) 및 제1 신경망 모델 처리 속도(607)에 기반하여 얼굴 영역 솔루션 필수 처리 속도(605)를 충족시킬 수 없다고 판단된 경우, 양자화 레벨을 0보다 큰 값으로 결정할 수 있다. 일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 지정된 범위(예: 0 내지 3) 내에서 양자화 레벨을 양자화 강도와 비례하게 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(603), 얼굴 영역 솔루션 필수 처리 속도(605) 및/또는 제1 신경망 모델 처리 속도(607)에 기반하여, 제1 신경망 모델(613)에 높은 강도의 양자화가 필요하다고 판단된 경우, 양자화 레벨의 크기를 큰 값(예: 3)으로 결정할 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 결정된 양자화 레벨(609)을 양자화 실행 모듈(230)에 전달할 수 있다. 일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(609)에 기반하여 제1 신경망 모델(613)에 대한 양자화를 수행할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 제1 신경망 모델(613)에 포함된 레이어(layer)들 각각의 가중치 값의 비트(bit)를 조정하거나 계산 처리 비트를 조정하여 양자화된 제2 신경망 모델(617)을 생성할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(609)뿐만 아니라 최소 얼굴 영역 범위(611)(예: 도 3의 양자화 처리 정보(307))에 기반하여 제1 신경망 모델(613)에 대한 양자화를 수행할 수 있다. 일 실시예에서 최소 얼굴 영역 범위(611)는 이미지 내에 화질 개선을 목표로 하는 최소 얼굴 영역의 범위를 포함할 수 있다.

일 실시예에서, 양자화 실행 모듈(230)은 제1 신경망 모델(613)에 대한 양자화 강도가 커 양자화로 인한 이미지 열화가 클 것으로 판단된 경우, 최소 얼굴 영역 범위(611)에 기반하여 양자화 강도를 조절할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 양자화 레벨(609)이 지정된 크기 이상인 경우, 제1 이미지(601)에 포함된 얼굴의 개수 및 최소 얼굴 영역 범위(611)에 기반하여 양자화 강도를 조절할 수 있다.

예를 들어, 양자화 실행 모듈(230)은 최소 얼굴 영역 범위(611)가 제1 이미지(601)의 얼굴 영역 범위보다 크다면, 제1 이미지(601) 내의 얼굴 영역의 열화를 모두 개선해야 하므로 결정된 양자화 레벨(609)에 따라 제1 신경망 모델(613)을 양자화할 수 있다.

예를 들어, 양자화 실행 모듈(230)은 최소 얼굴 영역 범위(611)(예: 1개의 얼굴 영역)가 제1 이미지(601)의 얼굴 영역 범위(예: 2개의 얼굴 영역)보다 작다면, 제1 이미지(601) 내의 열화를 개선할 얼굴 영역 범위를 줄여 일부 영역에 대한 열화만을 개선할 수 있다. 최소 얼굴 영역 범위는 양자화된 신경망 모델을 통해서 이미지의 열화를 개선할 얼굴 영역의 범위를 정의한 값을 의미할 수 있다. 예를 들어, 최소 얼굴 영역 범위는 이미지 열화의 개선을 수행할 얼굴 영역의 수량을 의미할 수 있다. 따라서, 양자화 실행 모듈(230)은 제1 이미지(601) 내의 열화를 개선할 얼굴 영역이 줄어들어 열화 개선을 위한 처리 속도가 증가될 수 있으므로 양자화 강도를 보다 낮출 수 있다. 일 실시예에 따르면, 양자화 실행 모듈(230)은 제1 이미지(601) 내의 일부 얼굴 영역 범위의 열화를 개선하기로 결정함에 따라, 이미지 열화 처리 모듈(240)로 보정 대상 얼굴 정보(615)를 전달할 수 있다. 일 실시예에서, 보정 대상 얼굴 정보(615)는 제1 이미지(601) 내의 얼굴 영역에 대한 다양한 정보(예: 프로필 정보, 얼굴 영역의 크기)에 기반하여 결정될 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 제1 이미지(601), 양자화 레벨(609) 및 최소 얼굴 영역 범위(611)에 기반하여 제1 신경망 모델(613)에 대한 양자화를 수행하고 제2 신경망 모델(617)을 생성할 수 있다. 양자화 실행 모듈(230)은 보정 대상 얼굴 정보(615) 및 제2 신경망 모델(617)을 이미지 열화 처리 모듈(240)에 전달할 수 있다.

일 실시예에 따르면, 이미지 열화 처리 모듈(240)은 제2 신경망 모델(617)을 통해 제1 이미지(601)의 얼굴 영역에 대한 열화가 개선된 제2 이미지(619)를 획득할 수 있다. 예를 들어, 이미지 열화 처리 모듈(240)은 제2 신경망 모델(617)에 제1 이미지(601), 보정 대상 얼굴 정보(615)를 입력하여 얼굴 영역의 이미지 열화가 개선된 제2 이미지(619)를 획득할 수 있다.

도 7은 일 실시예에 따른 전자 장치의 저조도 화질 개선을 도시한 흐름도(700)이다.

도 7을 참조하면, 디바이스 상태 판단 모듈(210), 양자화 레벨 결정 모듈(220), 양자화 실행 모듈(230), 및/또는 이미지 열화 처리 모듈(240)이 도시된다. 상기 소프트웨어 모듈은 프로세서(120)의 동작으로 설명될 수 있다. 상기 나열된 소프트웨어 모듈들은 도 2, 도 3 및 도 4를 참조하여 설명된 것과 유사한 동작을 통해 제1 이미지(701)에 포함된 얼굴 영역의 화질(예: 낮은 조도로 인해 열화된 화질)을 개선할 수 있다. 따라서, 도 2, 도 3 및 도 4를 참조하여 설명된 것과 중복되거나 유사한 설명은 이하 생략될 수 있다.

도 7을 참조하여 설명되는 제1 이미지(701)에 대한 열화 개선은 제1 신경망 모델(713)(예: 도 1의 신경망 모델(111), 도 3의 제1 신경망 모델(309))을 통해 수행될 수 있다. 일 실시예에 따르면, 제1 신경망 모델(713)은 제1 이미지(701)의 저조도로 인한 화질 열화를 개선하도록 학습된 신경망 모델을 포함할 수 있다.

일 실시예에 따르면, 디바이스 상태 판단 모듈(210)은 제1 이미지(701)의 저조도로 인한 열화 개선 요청에 따라 디바이스 상태 정보(703)를 생성할 수 있다. 일 실시예에서, 디바이스 상태 판단 모듈(210)은 전자 장치(100)의 온도, 전자 장치(100)가 과부하 상태인지 여부, 신경망 모델이 동작하는 하드웨어(예: NPU, GPU, CPU)가 점유되어 있는지 여부, 프로세서(120)의 프로세스 처리량 중 적어도 하나를 포함하는 디바이스 상태 정보(703)를 생성할 수 있다. 예를 들어, 디바이스 상태 판단 모듈(210)은 이미지 열화 처리에 영향을 미칠 수 있는 디바이스 상태를 판단하고, 디바이스 상태 정보(703)로써 전자 장치(100)의 속도 저하 배수(예: 2배)를 생성할 수 있다.

일 실시예에 따르면, 디바이스 상태 판단 모듈(210)는 디바이스 상태 정보(703)를 양자화 레벨 결정 모듈(220)로 전달할 수 있다. 일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(703), 제1 신경망 모델 처리 속도(707) 및/또는 저조도 개선 솔루션 필수 처리 속도(705)에 기반하여 양자화 레벨(709)을 결정할 수 있다. 일 실시예에 따르면, 저조도 개선 솔루션 필수 처리 속도(705)는 이미지의 저조도를 개선하기 위한 필수 처리 속도를 나타낼 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 제1 신경망 모델 처리 속도(707)와 디바이스 상태 정보(703)에 기반하여, 저조도 개선 솔루션 필수 처리 속도(705)를 충족시키기 위한 양자화 강도를 계산하여 양자화 레벨을 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(703) 및 제1 신경망 모델 처리 속도(707)에 기반하여 저조도 개선 솔루션 필수 처리 속도(705)를 충족시킬 수 없다고 판단된 경우, 양자화 레벨을 0보다 큰 값으로 결정할 수 있다. 일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 지정된 범위(예: 0 내지 3) 내에서 양자화 레벨을 양자화 강도와 비례하게 결정할 수 있다. 예를 들어, 양자화 레벨 결정 모듈(220)은 디바이스 상태 정보(703), 저조도 개선 솔루션 필수 처리 속도(705) 및/또는 제1 신경망 모델 처리 속도(707)에 기반하여, 제1 신경망 모델(713)에 높은 강도의 양자화가 필요하다고 판단된 경우, 양자화 레벨의 크기를 큰 값(예: 3)으로 결정할 수 있다.

일 실시예에 따르면, 양자화 레벨 결정 모듈(220)은 결정된 양자화 레벨(709)을 양자화 실행 모듈(230)에 전달할 수 있다. 일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(709)에 기반하여 제1 신경망 모델(713)에 대한 양자화를 수행할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 제1 신경망 모델(713)에 포함된 레이어(layer)들 각각의 가중치 값의 비트(bit)를 조정하거나 계산 처리 비트를 조정하여 양자화된 제2 신경망 모델(717)을 생성할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 양자화 레벨(709)뿐만 아니라 보조 이미지(711)(예: 도 3의 양자화 처리 정보(307), 복수의 저조도 이미지들)에 기반하여 제1 신경망 모델(713)에 대한 양자화를 수행할 수 있다. 일 실시예에서, 양자화 실행 모듈(230)은 보조 이미지(711)를 통해 제1 신경망 모델(713)에 포함된 각 레이어의 범위를 판단할 수 있다.

일 실시예에서, 양자화 실행 모듈(230)은 제1 신경망 모델(713)에 대한 양자화 강도가 커 양자화로 인한 이미지 열화가 클 것으로 판단된 경우, 보조 이미지(711)를 이용하여 양자화 비트의 비중을 높게 가져갈 레이어 구간을 결정하거나, 제1 신경망 모델(713)에 포함된 각 레이어 범위의 중간 값이나 평균 값을 크게 벗어나지만 그 수가 매우 적은 일부 값들을 배제하고, 각 레이어의 범위를 정하여 양자화를 수행할 수 있다. 예를 들어, 양자화 실행 모듈(230)은 양자화 레벨(709)이 지정된 크기 이상인 경우, 제1 신경망 모델(713)의 양자화 수행 시 매우 적은 일부 값들을 배제하고 양자화될 수 있도록 보조 이미지(711)를 이용할 수 있다.

일 실시예에 따르면, 양자화 실행 모듈(230)은 제1 이미지(701), 양자화 레벨(709) 및 보조 이미지(711)에 기반하여 제1 신경망 모델(713)에 대한 양자화를 수행하고 제2 신경망 모델(717)을 생성할 수 있다. 양자화 실행 모듈(230)은 제2 신경망 모델(717)을 이미지 열화 처리 모듈(240)에 전달할 수 있다.

일 실시예에 따르면, 이미지 열화 처리 모듈(240)은 제2 신경망 모델(717)을 통해 제1 이미지(701)의 저조도로 인한 화질 열화가 개선된 제2 이미지(719)를 획득할 수 있다.

도 8은 일 실시예에 따라 열화가 개선된 이미지를 표시하는 화면을도시한 도면이다.

도 8을 참조하면, 전자 장치(100)가 디스플레이(130)를 통해 열화가 개선된 이미지를 표시하는 제1 화면(810), 제2 화면(820) 및 제3 화면(830)이 나타난다.

일 실시예에 따르면, 제1 화면(810)은 이미지에 대한 어플리케이션 실행하는 화면을 나타낸다. 일 실시예에 따르면, 제1 화면(810)은 이미지에 대한 어플리케이션 실행과 관련된 다양한 아이콘들을 포함할 수 있다. 예를 들어, 제1 화면(810)은 이미지에 대한 열화 개선을 위한 아이콘(811)을 포함할 수 있다.

일 실시예에 따르면, 프로세서(120)는 메모리(110)에 저장된 적어도 하나의 이미지 중에서 제1 이미지에 대한 열화 개선과 관련된 요청을 획득할 수 있다. 예를 들어, 프로세서(120)는 디스플레이(130)를 통해 열화 개선을 위한 아이콘(811)을 표시할 수 있다. 일 실시예에 따르면, 전자 장치(100)의 사용자는 열화 개선을 위한 아이콘(811)을 통해 이미지에 대한 품질에 관련된 요청을 할 수 있다.

일 실시예에 따르면, 프로세서(120)는 카메라(140)를 통해 획득되는 이미지(예: 프리뷰 이미지)에 대한 열화 개선과 관련된 요청을 획득할 수 있다. 예를 들어, 프로세서(120)는 디스플레이(130)를 통해 프리뷰 이미지와 열화 개선을 위한 아이콘(811)을 표시할 수 있다. 일 실시예에 따르면, 전자 장치(100)의 사용자는 카메라(140)를 통해 이미지를 획득하는 중에 열화 개선을 위한 아이콘(811)을 통해 이미지에 대한 품질에 관련된 요청을 할 수 있다.

일 실시예에 따르면, 제2 화면(820)은 제1 화면(810)에서 선택된 제1 이미지에 대한 열화 개선 동작과 관련된 열화 개선 안내 화면을 포함할 수 있다. 예를 들어, 프로세서(120)는 디스플레이(130)를 통해 제1 이미지에 대한 열화 개선이 수행되고 있음을 알리는 시각적 객체(821)를 표시할 수 있다. 예를 들어, 프로세서(120)는 이미지에 대한 열화 개선의 수행 상태에 따라 열화 개선이 수행되고 있음을 알리는 시각적 객체(821)를 디스플레이(130)를 통해 표시할 수 있다.

일 실시예에 따르면, 제1 이미지에 대한 열화 개선이 지정된 시간 이하(예: 실시간)으로 수행되는 경우, 프로세서(120)는 제2 화면(820)의 표시를 생략할 수 있다.

일 실시예에 따르면, 제3 화면(830)은 제1 이미지(832) 및 개선이 완료된 제2 이미지(833)를 포함하는 비교 화면(831)을 포함할 수 있다. 일 실시예에 따르면, 프로세서(120)는 제1 이미지에 대한 열화 개선을 제2 신경망 모델을 통해 수행하고, 열화가 개선된 이미지를 획득하여 디스플레이(130)를 통해 표시할 수 있다. 예를 들어, 프로세서(120)는 제1 이미지(832) 및 제1 이미지(832)에 대한 열화를 개선한 제2 이미지(833)를 디스플레이(130)를 통해 표시할 수 있다.

일 실시예에 따라, 전자 장치(100)는 도 1 내지 도 7을 참조하여 설명된 것과 유사한 방법을 통해 제1 이미지(832)에 대한 열화를 개선하여 제2 이미지(833)를 획득하는 할 수 있다. 다양한 실시예들에 따라, 전자 장치(100)는 제1 이미지(832) 및/또는 제2 이미지(833)를 표시할 수 있다. 예를 들어, 전자 장치(100)는 제1 이미지(832)를 표시하지 않고 열화가 개선된 제2 이미지(833)만을 표시할 수 있다. 예를 들어, 전자 장치(100)는 제2 이미지(833)뿐만 아니라 이와 관련하여 함께 표시될 수 있는 다양한 시각적 객체를 함께 표시할 수 있다.

일 실시예에 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는, 제1 신경망 모델(예: 도 3 또는 4의 제1 신경망 모델(309), 도 6의 제1 신경망 모델(613), 도 7의 제1 신경망 모델(713))을 저장하는 메모리(예: 도 1의 메모리(110), 도 9의 메모리(930)) 및 상기 메모리(예: 도 1의 메모리(110), 도 9의 메모리(930))와 작동적으로 연결된 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))를 포함할 수 있다. 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하도록 구성될 수 있다. 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 디바이스 상태 정보에 기반하여 상기 제1 신경망 모델에 대한 양자화 레벨을 결정하도록 구성될 수 있다. 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함할 수 있다. 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하도록 구성될 수 있다. 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하도록 구성될 수 있다.

일 실시예에 따르면, 디바이스 상태 정보는 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 과부하(overload) 정보, 상기 적어도 하나의 프로세서와 관련된 처리량(Throughput) 정보 중 적어도 하나를 포함할 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 디바이스 상태 정보, 상기 제1 신경망 모델의 처리 속도 및 상기 제1 이미지의 열화 개선과 관련된 필수 처리 속도에 기반하여 상기 양자화 레벨을 결정하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 제1 신경망 모델에 포함된 레이어의 가중치, 입력 데이터, 출력 데이터, 내부 처리 비트의 크기 중 적어도 하나를 변경하여 상기 제2 신경망 모델을 생성하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 양자화 레벨과 지정된 레벨을 비교하고, 상기 비교 결과에 기반하여, 양자화 처리 정보를 획득하도록 구성될 수 있다. 상기 양자화 처리 정보는 상기 제1 이미지에 대한 열화 개선 방법에 기반하여 생성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 양자화 레벨이 상기 지정된 레벨 이상인 경우, 상기 양자화 처리 정보를 획득하도록 구성될 수 있다. 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 양자화 레벨 및 상기 양자화 처리 정보에 기반하여, 상기 제1 신경망 모델을 양자화한 상기 제2 신경망 모델을 생성하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 양자화 처리 정보에 기반하여 상기 제1 이미지의 열화 개선과 관련된 처리 제한 정보를 생성하도록 구성될 수 있다. 상기 처리 제한 정보는 상기 제1 이미지에 포함된 열화들의 개선 범위에 대한 정보를 포함할 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 처리 제한 정보에 기반하여 상기 제2 신경망 모델을 통해 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 획득하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 비교 결과에 기반하여, 복수의 보조 이미지들을 획득하도록 구성될 수 있다. 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 복수의 보조 이미지들을 분석하여 상기 양자화 처리 정보를 생성하도록 구성될 수 있다. 상기 양자화 처리 정보는 상기 복수의 보조 이미지들에 기반하여 결정된 상기 제1 신경망 모델에 포함된 가중치, 입력 데이터, 출력 데이터, 내부 처리 비트 크기 중 적어도 하나와 관련된 정보를 포함할 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 디스플레이를 더 포함할 수 있다. 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))는 상기 적어도 하나의 프로세서(예: 도 1 또는 도 2의 프로세서(120), 도 9의 프로세서(920))가 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 상기 디스플레이를 통해 표시하도록 구성될 수 잇다.

일 실시예에 따르면, 제1 이미지는 상기 메모리에 저장된 이미지, 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))에 포함된 카메라를 통해 획득된 이미지, 상기 카메라를 통해 획득되는 프리뷰 이미지 중 적어도 하나를 포함할 수 있다.

일 실시예에 따른 제1 신경망 모델을 저장하는 메모리를 포함하는 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 동작 방법에 있어서, 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하는 동작을 포함할 수 있다. 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 동작 방법은 상기 디바이스 상태 정보에 기반하여 상기 제1 신경망 모델에 대한 양자화 레벨을 결정하는 동작을 포함할 수 있다 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함할 수 있다. 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 동작 방법은 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하는 동작을 포함할 수 있다. 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 동작 방법은 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하는 동작을 포함할 수 있다.

일 실시예에 따르면, 상기 양자화 레벨을 결정하는 동작은, 상기 디바이스 상태 정보, 상기 제1 신경망 모델의 처리 속도 및 상기 제1 이미지의 열화 개선과 관련된 필수 처리 속도에 기반하여 상기 양자화 레벨을 결정하는 동작을 더 포함할 수 있다. 상기 디바이스 상태 정보는 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 과부하 정보, 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))에 포함된 프로세서와 관련된 처리량 정보 중 적어도 하나를 포함할 수 있다.

일 실시예에 따르면,상기 제2 신경망 모델을 생성하는 동작은, 상기 제1 신경망 모델에 포함된 레이어의 가중치, 입력, 출력, 내부 처리 비트의 크기 중 적어도 하나를 변경하는 동작을 더 포함할 수 있다.

일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 동작 방법은 상기 양자화 레벨과 지정된 레벨을 비교하는 동작 및 상기 비교 결과에 따라, 상기 제1 이미지에 대한 열화 개선 방법에 기반하여 양자화 처리 정보를 생성하는 동작을 더 포함할 수 있다.

일 실시예에 따르면, 상기 양자화 처리 정보를 생성하는 동작은 상기 양자화 레벨이 상기 지정된 레벨 이상임에 응답하여 상기 양자화 처리 정보를 생성하는 동작을 더 포함할 수 있다. 상기 제2 신경망 모델을 생성하는 동작은 상기 양자화 레벨 및 상기 양자화 처리 정보에 기반하여 상기 제1 신경망 모델을 양자화한 상기 제2 신경망 모델을 생성하는 동작을 더 포함할 수 있다.

일 실시예에 따르면, 상기 제2 이미지를 획득하는 동작은, 상기 양자화 처리 정보에 기반하여 상기 제1 이미지의 열화 개선과 관련된 처리 제한 정보를 생성하는 동작 및 상기 처리 제한 정보에 기반하여 상기 제2 신경망 모델을 통해 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 획득하는 동작을 더 포함할 수 있다. 상기 처리 제한 정보는 상기 제1 이미지에 포함된 열화들의 개선 범위에 대한 정보를 포함할 수 있다.

일 실시예에 따르면, 상기 양자화 처리 정보를 생성하는 동작은, 복수의 보조 이미지들을 획득하는 동작 및 상기 복수의 보조 이미지들을 분석하여, 상기 양자화 처리 정보를 생성하는 동작을 더 포함할 수 있다. 상기 양자화 처리 정보는, 상기 복수의 보조 이미지들에 기반하여 결정된 상기 제1 신경망 모델에 포함된 가중치, 입력, 출력, 내부 처리 비트 깊이 중 적어도 하나와 관련된 정보를 포함할 수 있다.

일 실시예에 따른 전자 장치의 동작 방법은, 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))에 포함된 디스플레이를 통해 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 표시하는 동작을 더 포함할 수 있다.

적어도 하나의 프로그램들을 저장하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 하나 이상의 프로그램들은, 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 하나 이상의 프로세서들에 의해 실행될 때, 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))로 하여금 일련의 동작들을 수행하도록 할 수 있다. 상기 하나 이상의 프로그램들은, 상기 전자 장치(예: 도 1의 전자 장치(100), 도 9의 전자 장치(901))의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하고, 상기 디바이스 상태 정보에 기반하여 제1 신경망 모델에 대한 양자화 레벨을 결정하고, 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함하며, 상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하고, 상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하게 하는 명령어들을 포함할 수 있다.

신경망 모델을 통해 이미지에 포함된 화질 열화를 개선하는 경우, 전자 장치가 과부하 상태이거나 또다른 신경망 모델의 사용으로 인해 하드웨어(예: NPU, GPU, CPU)등이 점유된 경우 일반적인 상황 대비 처리 시간이 증가하게 된다. 따라서, 지정된 시간 내에 이미지에 대한 열화를 개선해야 하는 경우 동작이 불가능한 문제가 있다. 또한, 신경망 모델의 처리 시간이 지연되어 또다른 프로세스가 지연되는 문제가 있다. 상기와 같은 상황을 고려하여 신경망 모델의 크기를 조정하여 신경망 모델의 처리 속도를 조정하는 경우, 처리 지연이 없는 경우에도 신경망 모델을 통한 화질 저하를 막을 수 없는 문제가 있다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 9는, 다양한 실시예들에 따른, 네트워크 환경(900) 내의 전자 장치(901)의 블록도이다.

도 9을 참조하면, 네트워크 환경(900)에서 전자 장치(901)는 제 1 네트워크(998)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(902)와 통신하거나, 또는 제 2 네트워크(999)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(904) 또는 서버(908) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(901)는 서버(908)를 통하여 전자 장치(904)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(901)는 프로세서(920), 메모리(930), 입력 모듈(950), 음향 출력 모듈(955), 디스플레이 모듈(960), 오디오 모듈(970), 센서 모듈(976), 인터페이스(977), 연결 단자(978), 햅틱 모듈(979), 카메라 모듈(980), 전력 관리 모듈(988), 배터리(989), 통신 모듈(990), 가입자 식별 모듈(996), 또는 안테나 모듈(997)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(901)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(978))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(976), 카메라 모듈(980), 또는 안테나 모듈(997))은 하나의 구성요소(예: 디스플레이 모듈(960))로 통합될 수 있다.

프로세서(920)는, 예를 들면, 소프트웨어(예: 프로그램(940))를 실행하여 프로세서(920)에 연결된 전자 장치(901)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(920)는 다른 구성요소(예: 센서 모듈(976) 또는 통신 모듈(990))로부터 수신된 명령 또는 데이터를 휘발성 메모리(932)에 저장하고, 휘발성 메모리(932)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(934)에 저장할 수 있다. 일실시예에 따르면, 프로세서(920)는 메인 프로세서(921)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(923)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(901)가 메인 프로세서(921) 및 보조 프로세서(923)를 포함하는 경우, 보조 프로세서(923)는 메인 프로세서(921)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(923)는 메인 프로세서(921)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(923)는, 예를 들면, 메인 프로세서(921)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(921)를 대신하여, 또는 메인 프로세서(921)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(921)와 함께, 전자 장치(901)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(960), 센서 모듈(976), 또는 통신 모듈(990))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(923)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(980) 또는 통신 모듈(990))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(923)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(901) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(908))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(930)는, 전자 장치(901)의 적어도 하나의 구성요소(예: 프로세서(920) 또는 센서 모듈(976))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(940)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(930)는, 휘발성 메모리(932) 또는 비휘발성 메모리(934)를 포함할 수 있다.

프로그램(940)은 메모리(930)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(942), 미들 웨어(944) 또는 어플리케이션(946)을 포함할 수 있다.

입력 모듈(950)은, 전자 장치(901)의 구성요소(예: 프로세서(920))에 사용될 명령 또는 데이터를 전자 장치(901)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(950)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(955)은 음향 신호를 전자 장치(901)의 외부로 출력할 수 있다. 음향 출력 모듈(955)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(960)은 전자 장치(901)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(960)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(960)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(970)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(970)은, 입력 모듈(950)을 통해 소리를 획득하거나, 음향 출력 모듈(955), 또는 전자 장치(901)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(902))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(976)은 전자 장치(901)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(976)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(977)는 전자 장치(901)가 외부 전자 장치(예: 전자 장치(902))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(977)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(978)는, 그를 통해서 전자 장치(901)가 외부 전자 장치(예: 전자 장치(902))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(978)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(979)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(979)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(980)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(980)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(988)은 전자 장치(901)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(988)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(989)는 전자 장치(901)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(989)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(990)은 전자 장치(901)와 외부 전자 장치(예: 전자 장치(902), 전자 장치(904), 또는 서버(908)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(990)은 프로세서(920)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(990)은 무선 통신 모듈(992)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(994)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(998)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(999)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(904)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(992)은 가입자 식별 모듈(996)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(998) 또는 제 2 네트워크(999)와 같은 통신 네트워크 내에서 전자 장치(901)를 확인 또는 인증할 수 있다.

무선 통신 모듈(992)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(992)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(992)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(992)은 전자 장치(901), 외부 전자 장치(예: 전자 장치(904)) 또는 네트워크 시스템(예: 제 2 네트워크(999))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(992)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(997)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(997)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(997)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(998) 또는 제 2 네트워크(999)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(990)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(990)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(997)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(997)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(999)에 연결된 서버(908)를 통해서 전자 장치(901)와 외부의 전자 장치(904)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(902, 또는 904) 각각은 전자 장치(901)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(901)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(902, 904, 또는 908) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(901)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(901)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(901)로 전달할 수 있다. 전자 장치(901)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(901)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(904)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(908)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(904) 또는 서버(908)는 제 2 네트워크(999) 내에 포함될 수 있다. 전자 장치(901)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.

본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.

본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(901)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(936) 또는 외장 메모리(938))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(940))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(901))의 프로세서(예: 프로세서(920))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어™)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

도 10는, 다양한 실시예들에 따른, 카메라 모듈(980)을 예시하는 블럭도(1000)이다. 도 10를 참조하면, 카메라 모듈(980)은 렌즈 어셈블리(1010), 플래쉬(1020), 이미지 센서(1030), 이미지 스태빌라이저(1040), 메모리(1050)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(1060)를 포함할 수 있다. 렌즈 어셈블리(1010)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(1010)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일실시예에 따르면, 카메라 모듈(980)은 복수의 렌즈 어셈블리(1010)들을 포함할 수 있다. 이런 경우, 카메라 모듈(980)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(1010)들 중 일부는 동일한 렌즈 속성(예: 화각, 초점 거리, 자동 초점, f 넘버(f number), 또는 광학 줌)을 갖거나, 또는 적어도 하나의 렌즈 어셈블리는 다른 렌즈 어셈블리의 렌즈 속성들과 다른 하나 이상의 렌즈 속성들을 가질 수 있다. 렌즈 어셈블리(1010)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.

플래쉬(1020)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일실시예에 따르면, 플래쉬(1020)는 하나 이상의 발광 다이오드들(예: RGB(red-green-blue) LED, white LED, infrared LED, 또는 ultraviolet LED), 또는 xenon lamp를 포함할 수 있다. 이미지 센서(1030)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(1010) 를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다. 일실시예에 따르면, 이미지 센서(1030)는, 예를 들면, RGB 센서, BW(black and white) 센서, IR 센서, 또는 UV 센서와 같이 속성이 다른 이미지 센서들 중 선택된 하나의 이미지 센서, 동일한 속성을 갖는 복수의 이미지 센서들, 또는 다른 속성을 갖는 복수의 이미지 센서들을 포함할 수 있다. 이미지 센서(1030)에 포함된 각각의 이미지 센서는, 예를 들면, CCD(charged coupled device) 센서 또는 CMOS(complementary metal oxide semiconductor) 센서를 이용하여 구현될 수 있다.

이미지 스태빌라이저(1040)는 카메라 모듈(980) 또는 이를 포함하는 전자 장치(901)의 움직임에 반응하여, 렌즈 어셈블리(1010)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(1030)를 특정한 방향으로 움직이거나 이미지 센서(1030)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정 등)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일실시예에 따르면, 이미지 스태빌라이저(1040)는, 일실시예에 따르면, 이미지 스태빌라이저(1040)은 카메라 모듈(980)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(980) 또는 전자 장치(901)의 그런 움직임을 감지할 수 있다. 일실시예에 따르면, 이미지 스태빌라이저(1040)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다. 메모리(1050)는 이미지 센서(1030)을 통하여 획득된 이미지의 적어도 일부를 다음 이미지 처리 작업을 위하여 적어도 일시 저장할 수 있다. 예를 들어, 셔터에 따른 이미지 획득이 지연되거나, 또는 복수의 이미지들이 고속으로 획득되는 경우, 획득된 원본 이미지(예: Bayer-patterned 이미지 또는 높은 해상도의 이미지)는 메모리(1050)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 디스플레이 모듈(960)을 통하여 프리뷰될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(1050)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(1060)에 의해 획득되어 처리될 수 있다. 일실시예에 따르면, 메모리(1050)는 메모리(930)의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.

이미지 시그널 프로세서(1060)는 이미지 센서(1030)을 통하여 획득된 이미지 또는 메모리(1050)에 저장된 이미지에 대하여 하나 이상의 이미지 처리들을 수행할 수 있다. 상기 하나 이상의 이미지 처리들은, 예를 들면, 깊이 지도(depth map) 생성, 3차원 모델링, 파노라마 생성, 특징점 추출, 이미지 합성, 또는 이미지 보상(예: 노이즈 감소, 해상도 조정, 밝기 조정, 블러링(blurring), 샤프닝(sharpening), 또는 소프트닝(softening)을 포함할 수 있다. 추가적으로 또는 대체적으로, 이미지 시그널 프로세서(1060)는 카메라 모듈(980)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(1030))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어 등)를 수행할 수 있다. 이미지 시그널 프로세서(1060)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(1050)에 다시 저장되거나 카메라 모듈(980)의 외부 구성 요소(예: 메모리(930), 디스플레이 모듈(960), 전자 장치(902), 전자 장치(904), 또는 서버(908))로 제공될 수 있다. 일실시예에 따르면, 이미지 시그널 프로세서(1060)는 프로세서(920)의 적어도 일부로 구성되거나, 프로세서(920)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(1060)이 프로세서(920)과 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(1060)에 의해 처리된 적어도 하나의 이미지는 프로세서(920)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 디스플레이 모듈(960)를 통해 표시될 수 있다.

일실시예에 따르면, 전자 장치(901)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(980)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(980)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(980)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.

Claims (20)

1. 전자 장치에 있어서,
   제1 신경망 모델을 저장하는 메모리; 및
   상기 메모리와 작동적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는:
   상기 전자 장치의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하고,
   상기 디바이스 상태 정보에 기반하여 상기 제1 신경망 모델에 대한 양자화 레벨을 결정하고, 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함하며,
   상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하고,
   상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하는 전자 장치.
2. 청구항 1에 있어서,
   상기 디바이스 상태 정보는 상기 전자 장치의 과부하(overload) 정보, 상기 적어도 하나의 프로세서와 관련된 처리량(Throughput) 정보 중 적어도 하나를 포함하는 전자 장치.
3. 청구항 1에 있어서,
   상기 적어도 하나의 프로세서는, 상기 디바이스 상태 정보, 상기 제1 신경망 모델의 처리 속도 및 상기 제1 이미지의 열화 개선과 관련된 필수 처리 속도에 기반하여 상기 양자화 레벨을 결정하는 전자 장치.
4. 청구항 1에 있어서,
   상기 적어도 하나의 프로세서는, 상기 제1 신경망 모델에 포함된 레이어의 가중치, 입력 데이터, 출력 데이터, 내부 처리 비트의 크기 중 적어도 하나를 변경하여 상기 제2 신경망 모델을 생성하는 전자 장치.
5. 청구항 1에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 양자화 레벨과 지정된 레벨을 비교하고,
   상기 비교 결과에 기반하여, 양자화 처리 정보를 획득하고,
   상기 양자화 처리 정보는 상기 제1 이미지에 대한 열화 개선 방법에 기반하여 생성되는 전자 장치.
6. 청구항 5에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 양자화 레벨이 상기 지정된 레벨 이상인 경우, 상기 양자화 처리 정보를 획득하고,
   상기 양자화 레벨 및 상기 양자화 처리 정보에 기반하여, 상기 제1 신경망 모델을 양자화한 상기 제2 신경망 모델을 생성하는 전자 장치.
7. 청구항 5에 있어서,
   상기 적어도 하나의 프로세서는 상기 양자화 처리 정보에 기반하여 상기 제1 이미지의 열화 개선과 관련된 처리 제한 정보를 생성하고, 상기 처리 제한 정보는 상기 제1 이미지에 포함된 열화들의 개선 범위에 대한 정보를 포함하는 전자 장치.
8. 청구항 7에 있어서,
   상기 적어도 하나의 프로세서는 상기 처리 제한 정보에 기반하여 상기 제2 신경망 모델을 통해 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 획득하는 전자 장치.
9. 청구항 5에 있어서,
   상기 적어도 하나의 프로세서는,
   상기 비교 결과에 기반하여, 복수의 보조 이미지들을 획득하고,
   상기 복수의 보조 이미지들을 분석하여 상기 양자화 처리 정보를 생성하고,
   상기 양자화 처리 정보는 상기 복수의 보조 이미지들에 기반하여 결정된 상기 제1 신경망 모델에 포함된 가중치, 입력 데이터, 출력 데이터, 내부 처리 비트 크기 중 적어도 하나와 관련된 정보를 포함하는 전자 장치.
10. 청구항 1에 있어서,
    상기 전자 장치는 디스플레이를 더 포함하고,
    상기 적어도 하나의 프로세서는, 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 상기 디스플레이를 통해 표시하는 전자 장치.
11. 청구항 1에 있어서,
    상기 제1 이미지는 상기 메모리에 저장된 이미지, 상기 전자 장치에 포함된 카메라를 통해 획득된 이미지, 상기 카메라를 통해 획득되는 프리뷰 이미지 중 적어도 하나를 포함하는 전자 장치.
12. 제1 신경망 모델을 저장하는 메모리를 포함하는 전자 장치의 동작 방법에 있어서,
    상기 전자 장치의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하는 동작;
    상기 디바이스 상태 정보에 기반하여 상기 제1 신경망 모델에 대한 양자화 레벨을 결정하는 동작, 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함함;
    상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하는 동작; 및
    상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하는 동작을 포함하는 전자 장치의 동작 방법.
13. 청구항 12에 있어서,
    상기 양자화 레벨을 결정하는 동작은,
    상기 디바이스 상태 정보, 상기 제1 신경망 모델의 처리 속도 및 상기 제1 이미지의 열화 개선과 관련된 필수 처리 속도에 기반하여 상기 양자화 레벨을 결정하는 동작을 더 포함하고,
    상기 디바이스 상태 정보는 상기 전자 장치의 과부하 정보, 상기 전자 장치에 포함된 프로세서와 관련된 처리량 정보 중 적어도 하나를 포함하는 전자 장치의 동작 방법.
14. 청구항 12에 있어서,
    상기 제2 신경망 모델을 생성하는 동작은,
    상기 제1 신경망 모델에 포함된 레이어의 가중치, 입력, 출력, 내부 처리 비트의 크기 중 적어도 하나를 변경하는 동작을 더 포함하는 전자 장치의 동작 방법.
15. 청구항 12에 있어서,
    상기 양자화 레벨과 지정된 레벨을 비교하는 동작; 및
    상기 비교 결과에 따라, 상기 제1 이미지에 대한 열화 개선 방법에 기반하여 양자화 처리 정보를 생성하는 동작을 더 포함하는 전자 장치의 동작 방법.
16. 청구항 15에 있어서,
    상기 양자화 처리 정보를 생성하는 동작은,
    상기 양자화 레벨이 상기 지정된 레벨 이상임에 응답하여 상기 양자화 처리 정보를 생성하는 동작을 더 포함하고,
    상기 제2 신경망 모델을 생성하는 동작은,
    상기 양자화 레벨 및 상기 양자화 처리 정보에 기반하여 상기 제1 신경망 모델을 양자화한 상기 제2 신경망 모델을 생성하는 동작을 더 포함하는 전자 장치의 동작 방법.
17. 청구항 15에 있어서,
    상기 제2 이미지를 획득하는 동작은,
    상기 양자화 처리 정보에 기반하여 상기 제1 이미지의 열화 개선과 관련된 처리 제한 정보를 생성하는 동작; 및
    상기 처리 제한 정보에 기반하여 상기 제2 신경망 모델을 통해 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 획득하는 동작을 더 포함하고,
    상기 처리 제한 정보는 상기 제1 이미지에 포함된 열화들의 개선 범위에 대한 정보를 포함하는 전자 장치의 동작 방법.
18. 청구항 15에 있어서, 상기 양자화 처리 정보를 생성하는 동작은,
    복수의 보조 이미지들을 획득하는 동작; 및
    상기 복수의 보조 이미지들을 분석하여, 상기 양자화 처리 정보를 생성하는 동작을 더 포함하고,
    상기 양자화 처리 정보는, 상기 복수의 보조 이미지들에 기반하여 결정된 상기 제1 신경망 모델에 포함된 가중치, 입력, 출력, 내부 처리 비트 깊이 중 적어도 하나와 관련된 정보를 포함하는 전자 장치의 동작 방법.
19. 청구항 12에 있어서,
    상기 전자 장치에 포함된 디스플레이를 통해 상기 제1 이미지의 열화를 개선한 상기 제2 이미지를 표시하는 동작을 더 포함하는 전자 장치의 동작 방법.
20. 적어도 하나의 프로그램들을 저장하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 하나 이상의 프로그램들은, 전자 장치의 하나 이상의 프로세서들에 의해 실행될 때, 상기 전자 장치로 하여금;
    상기 전자 장치의 이미지 처리 속도와 관련된 디바이스 상태 정보를 생성하고;
    상기 디바이스 상태 정보에 기반하여 제1 신경망 모델에 대한 양자화 레벨을 결정하고, 상기 양자화 레벨은 상기 제1 신경망 모델에 대한 양자화 강도에 대한 정보를 포함하며;
    상기 양자화 레벨에 기반하여 상기 제1 신경망 모델에 대한 양자화를 수행함에 따라 제2 신경망 모델을 생성하고;
    상기 제2 신경망 모델을 통해 제1 이미지의 열화를 개선한 제2 이미지를 획득하게 하는 명령어들을 포함하는, 비일시적 컴퓨터 판독가능 저장 매체.

Images