KR20240055628A - 가상 카메라를 이용한 카메라 움직임 구현 방법 - Google Patents

가상 카메라를 이용한 카메라 움직임 구현 방법 Download PDF

Info

Publication number
KR20240055628A
KR20240055628A KR1020230095038A KR20230095038A KR20240055628A KR 20240055628 A KR20240055628 A KR 20240055628A KR 1020230095038 A KR1020230095038 A KR 1020230095038A KR 20230095038 A KR20230095038 A KR 20230095038A KR 20240055628 A KR20240055628 A KR 20240055628A
Authority
KR
South Korea
Prior art keywords
camera
data
neural network
focus
distance
Prior art date
Application number
KR1020230095038A
Other languages
English (en)
Inventor
박수용
Original Assignee
주식회사 비브스튜디오스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 비브스튜디오스 filed Critical 주식회사 비브스튜디오스
Priority to KR1020230095038A priority Critical patent/KR20240055628A/ko
Publication of KR20240055628A publication Critical patent/KR20240055628A/ko

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20Image signal generators
    • H04N13/204Image signal generators using stereoscopic image cameras
    • H04N13/246Calibration of cameras
    • GPHYSICS
    • G02OPTICS
    • G02BOPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B13/00Optical objectives specially designed for the purposes specified below
    • G02B13/22Telecentric objectives or lens systems
    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03BAPPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
    • G03B13/00Viewfinders; Focusing aids for cameras; Means for focusing for cameras; Autofocus systems for cameras
    • G03B13/18Focusing aids
    • G03B13/20Rangefinders coupled with focusing arrangements, e.g. adjustment of rangefinder automatically focusing camera
    • G03B13/22Rangefinders coupled with focusing arrangements, e.g. adjustment of rangefinder automatically focusing camera coupling providing for compensation upon change of camera lens
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106Processing image signals
    • H04N13/111Transformation of image signals corresponding to virtual viewpoints, e.g. spatial image interpolation
    • H04N13/117Transformation of image signals corresponding to virtual viewpoints, e.g. spatial image interpolation the virtual viewpoint locations being selected by the viewers or determined by viewer tracking
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106Processing image signals
    • H04N13/156Mixing image signals
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20Image signal generators
    • H04N13/204Image signal generators using stereoscopic image cameras
    • H04N13/243Image signal generators using stereoscopic image cameras using three or more 2D image sensors
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20Image signal generators
    • H04N13/296Synchronisation thereof; Control thereof
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60Control of cameras or camera modules
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60Control of cameras or camera modules
    • H04N23/67Focus control based on electronic image sensor signals
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00Details of television systems
    • H04N5/04Synchronising
    • H04N5/06Generation of synchronising signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Studio Devices (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 카메라의 움직임을 구현하기 위한 방법이 개시된다. 상기 방법은 가상 카메라와 실제 카메라를 동기화하는 단계; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 단계; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 단계; 및 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계를 포함할 수 있다.

Description

가상 카메라를 이용한 카메라 움직임 구현 방법 {METHOD FOR IMPLEMENTING CAMERA MOVEMENT BY USING A VIRTUAL CAMERA}
본 개시는 카메라 움직임 구현 방법에 관한 것으로, 보다 구체적으로 가상 카메라를 이용하여 카메라의 현실적인 움직임을 구현하는 방법에 관한 것이다.
기존 버추얼 프로덕션 환경에서는 LED로 출력되는 가상 환경 속 대상에 카메라의 포커스를 맞출 수 없으며, 실제 대상에만 포커스를 맞출 수 있었다.
또한, 가상 카메라와 실제 카메라의 초점을 똑같이 동기화 하는 경우에 실제 카메라의 심도가 얕을 때, 가상 카메라의 이미지도 심도가 얕은 상태이기 때문에 이를 실제 카메라로 촬영할 때 심도가 얕은 출력물을 한번 더 얕게 만들어 배경에 잘못된 심도가 적용되게 되는 문제가 존재하였다.
따라서, LED를 활용한 버추얼 프로덕션 환경에서 LED로 출력되는 가상 대상에 포커스를 맞추지 못하는 제약을 벗어나 더욱 현실적인 결과물과 자유로운 연출을 이 루어 내는 방법에 대한 필요성이 대두되고 있다.
한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.
본 개시는 가상 카메라를 이용하여 카메라의 현실적인 움직임을 구현하는 것을 해결 과제로 한다.
한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 가상 카메라와 실제 카메라를 동기화하는 단계; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 단계; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 단계; 및 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계를 포함할 수 있다.
대안적으로, 상기 가상 카메라와 실제 카메라를 동기화하는 단계는, 상기 실제 카메라의 위치 정보, 렌즈 정보, 렌즈 왜곡 정보, 또는 움직임 정보 중 적어도 하나를 상기 가상 카메라와 동기화하는 단계를 포함할 수 있다.
대안적으로, 상기 스크린은, 상기 동기화된 카메라에 기초하여 출력되고, 가상 환경의 대상을 출력하는 스크린을 포함할 수 있다.
대안적으로, 상기 초점을 맞추려는 대상은, 실제 환경의 대상, 또는 상기 출력된 가상 환경의 대상 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 실제 카메라의 초점을 조정하는 단계를 포함할 수 있다.
대안적으로, 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 실제 카메라의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 가상 카메라의 초점을 전경으로 조정하고, 상기 실제 카메라의 초점을 조정하는 단계를 포함할 수 있다.
대안적으로, 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 가상 카메라의 초점을 조정하는 단계를 포함할 수 있다.
대안적으로, 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 가상 카메라의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 실제 카메라의 초점을 스크린에 고정하고, 상기 가상 카메라의 초점을 조정하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 영상을 후처리하기 위한 동작들을 수행하도록 하며, 상기 동작들은: 가상 카메라와 실제 카메라를 동기화하는 동작; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 동작; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 동작; 및 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 가상 카메라와 실제 카메라를 동기화하고; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하고; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하고; 그리고 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하도록 구성될 수 있다.
본 개시는 LED를 활용한 버추얼 프로덕션 환경에서 LED로 출력되는 가상 대상에 포커스를 맞추지 못하는 제약을 벗어나 더욱 현실적인 결과물과 자유로운 연출을 이루어 낼 수 있는 효과를 얻을 수 있다.
한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 방법을 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따른 가상 카메라와 실제 카메라를 동기화하고, 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 과정 및 스크린과 초점을 맞추려는 대상을 설명하기 위한 개략도이다.
도 5는 본 개시의 실시예에 따라 초점을 맞추려는 대상을 선택하고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리를 측정하는 과정을 나타낸 개략도이다.
도 6a는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 이하일 때, 실제 카메라의 초점을 조정하는 과정을 나타낸 개략도이다.
도 6b는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 초과일 때, 가상 카메라의 초점을 조정하는 과정을 나타낸 개략도이다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 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.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
통상의 기술자들은 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 예시적 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 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환 가능하게 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
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(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망 모델의 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 신경망 모델의 가중치 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)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, 본 개시에서 제시되는 네트워크부(150)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 개시에서 네트워크부(150)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, 상기 네트워크는 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 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 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. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 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 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 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 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, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 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 노드들을 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 개시의 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 개시의 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 개시의 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 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 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, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화 학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 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 라벨을 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 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 방법을 나타낸 순서도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 실제 카메라에 관한 정보를 직접 획득하거나 또는 외부 시스템으로부터 수신할 수 있다. 외부 시스템은 카메라의 움직임을 구현하기 위한 데이터들을 저장하고 관리하는 서버, 데이터베이스 등일 수 있다. 컴퓨팅 장치(100)는 직접 획득하거나 외부 시스템으로부터 수신된 실제 카메라에 관한 정보를 "가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 입력 데이터"로서 사용할 수 있다.
컴퓨팅 장치(100)는 가상 카메라와 실제 카메라를 동기화할 수 있다(S110). 구체적으로, 컴퓨팅 장치(100)는 상기 실제 카메라의 위치 정보, 렌즈 정보, 렌즈 왜곡 정보, 또는 움직임 정보 중 적어도 하나를 상기 가상 카메라와 동기화할 수 있다. 예를 들어, 촬영 과정에서 상기 실제 카메라의 렌즈 정보에 따라 촬영 객체가 표현되는 정도가 달라질 수 있고, 렌즈 왜곡 정보에 따라 출력물의 심도가 결정될 수 있다. 컴퓨팅 장치(100)는 상기 가상 카메라(10-2)의 렌즈 정보를 상기 실제 카메라(10-1)의 렌즈 정보와 동기화하고, 상기 가상 카메라(10-2)의 렌즈 왜곡 정보를 상기 실제 카메라(10-1)의 렌즈 왜곡 정보와 동기화함으로써, 가상 카메라의 시점에서 보여지는 영상에서 촬영 객체가 표현되는 정도 및 출력물의 심도가 상기 실제 카메라의 경우와 동일해질 수 있다. 상기 가상 카메라와 상기 실제 카메라를 동기화하는 구체적인 과정인 이하 도 4를 통해 후술된다.
컴퓨팅 장치(100)는 S110단계를 통해 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정할 수 있다(S120). 구체적으로, 상기 측정된 제 1 거리는 동기화된 카메라 위치에서 스크린과의 물리적인 거리를 의미하고, 상기 제 1 거리는 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 과정에서 이용될 수 있으며 구체적인 설명은 이하 도 6a 내지 도 6b를 통해 후술된다. 한편, 상기 스크린은 상기 동기화된 카메라에 기초하여 출력되고, 가상 환경 또는 가상 환경의 대상이 출력될 수 있다. 또한, 상기 스크린에는 상기 동기화된 카메라의 실시간 움직임이 시뮬레이션되어 출력될 수 있다. 본 개시의 일 실시예에 따르면, 상기 동기화된 카메라의 실시간 움직임은 실시간 카메라 추적 모듈을 통해 획득된 카메라 위치 정보 및 움직임 정보를 통해 얻어질 수 있으며, 상기 스크린에는 가상 환경의 영상과 상기 동기화된 카메라의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 예를 들어, 상기 동기화된 카메라로 바닥에서 하늘을 올려다보는 시점으로 카메라 위치 정보 및 움직임 정보가 획득되면, 가상 환경에서 상기 동기화된 카메라로 바닥에서 하늘을 올려다보는 시점으로 촬영되는 영상이 상기 스크린에 출력될 수 있다. 상기 스크린에 영상이 출력되는 과정은 실시간 카메라 추적 모듈을 통해 획득된 카메라 위치 정보 및 움직임 정보가 3D 렌더러로 전달되고, 상기 3D 렌더러를 이용하여 상기 스크린에는 가상 환경의 영상과 상기 동기화된 카메라의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 상기 3D 렌더러는 영상에 색감과 질감 또는 그림자에 입체감을 부여하여 사실과 같은 형체를 보여주는 시스템 그래픽상의 처리과정을 수행하는 장치 또는 프로그램을 의미할 수 있다.
컴퓨팅 장치(100)는 초점을 맞추려는 대상을 선택하고, S110 단계를 통해 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리를 측정할 수 있다(S130). 이때, 상기 초점을 맞추려는 대상은, 실제 환경의 대상, 또는 상기 출력된 가상 환경의 대상 중 적어도 하나를 포함할 수 있고, 상기 스크린에 출력된 가상 환경의 대상은 깊이 정보를 포함할 수 있다. 초점을 맞추려는 대상이 선택되고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리가 측정되는 구체적인 과정은 이하 도 5에서 후술된다.
컴퓨팅 장치(100)는 S120 단계를 통해 측정된 제 1 거리 및 S130 단계를 통해 측정된 초점 거리에 기초하여 S110 단계를 통해 동기화된 카메라의 실제 카메라 또는 가상 카메라 중 적어도 하나의 초점을 조정할 수 있다(S140). 구체적으로, 컴퓨팅 장치(100)는 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 가상 카메라의 초점을 전경으로 조정하고, 상기 실제 카메라의 초점을 조정할 수 있다. 또한, 본 개시의 다른 실시예에 따르면 컴퓨팅 장치(100)는 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 실제 카메라의 초점을 스크린에 고정하고, 상기 가상 카메라의 초점을 조정할 수 있다. 상기 동기화된 카메라에서 가상 카메라의 초점과 실제 카메라의 초점 각각 조정하는 이유는, 만약 상기 가상 카메라의 초점과 상기 실제 카메라의 초점을 같게 만드는 경우, 실제 카메라의 심도가 얕을 때, 가상 카메라의 이미지도 심도가 얕은 상태이므로, 실제 카메라로 촬영될 때 심도가 얕은 출력물이 한번 더 얕게 만들어져 출력되는 스크린에 잘못된 심도가 적용될 수 있는 문제가 발생할 수 있다.
이때, 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 경우 초점은 포커스 컨트롤러를 이용하여 조정될 수 있다. 예를 들어, 상기 포커스 컨트롤러는 계산된 초점 값을 기반으로 ① 실제 물리적인 모터가 있는 장치에 알맞은 값을 전송하여 실제 카메라의 초점을 제어(예시적으로, 팔로우 포커스(Follow focus) 등과 같은 모터 장치로 제어)할 수 있고, 또는 ② 가상 카메라에 알맞은 값을 3D 렌더러로 전송하여 가상 카메라의 초점을 제어할 수 있다. 따라서, 상기 포커스 컨트롤러는 상기 실제 카메라와 상기 가상 카메라에 동시에 초점 값을 전송할 수 있다. 상기 두 초점 값은 초점을 맞추려는 대상에 따라 같을 수도 다를 수도 있다. 한편, 팔로우 포커스는 일반적으로 기어를 돌리거나, 유무선으로 제어될 수 있다. 다만, 카메라의 초점을 조정하는 예시로써 포커스 컨트롤러 및 팔로우 포커스가 개시되었을 뿐, 본 개시는 이에 한정되지 않고 다양한 예시들이 활용되어 상기 실제 카메라 또는 상기 가상 카메라의 초점이 조정될 수 있다. 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 구체적인 과정은 이하 도 6a 내지 도 6b를 통해 후술된다.
도 4는 본 개시의 일 실시예에 따른 가상 카메라와 실제 카메라를 동기화하고, 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 과정 및 스크린과 초점을 맞추려는 대상을 설명하기 위한 개략도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 직접 획득하거나 또는 외부 시스템으로부터 수신된 실제 카메라(10-1)에 관한 정보를 "가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 입력 데이터"사용할 수 있다. 이때, 실제 카메라(10-1)에 관한 정보에는 카메라 모델, 렌즈의 종류, 렌즈의 두께, 초점 거리, 렌즈 왜곡 정보, 위치 정보, 또는 움직임 정보 등이 포함될 수 있으며, 이러한 예시들 이외에도 다양한 정보들이 포함될 수 있다.
컴퓨팅 장치(100)는 상기 실제 카메라(10-1)와 가상 카메라(10-2)를 동기화하고, 동기화된 카메라(10)를 획득할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 상기 실제 카메라의 위치 정보, 렌즈 정보, 렌즈 왜곡 정보, 또는 움직임 정보 중 적어도 하나를 상기 가상 카메라와 동기화할 수 있다. 예를 들어, 촬영 과정에서 상기 실제 카메라(10-1)의 렌즈 정보에 따라 촬영 객체가 표현되는 정도가 달라질 수 있고, 렌즈 왜곡 정보에 따라 출력물의 심도가 결정될 수 있다. 컴퓨팅 장치(100)는 상기 가상 카메라(10-2)의 렌즈 정보를 상기 실제 카메라(10-1)의 렌즈 정보와 동기화하고, 상기 가상 카메라(10-2)의 렌즈 왜곡 정보를 상기 실제 카메라(10-1)의 렌즈 왜곡 정보와 동기화함으로써, 상기 가상 카메라(10-2)의 시점에서 보여지는 영상에서 촬영 객체가 표현되는 정도 및 출력물의 심도가 상기 실제 카메라(10-1)의 경우와 동일해질 수 있다. 한편, 렌즈 정보 및 렌즈 왜곡 정보는 예시일 뿐 이러한 예시들 이외에도 다양한 정보들이 동기화될 수 있다. 상기 컴퓨팅 장치(100)는 동기화된 카메라(10) 위치에서 스크린(11)과의 제 1 거리(12)를 측정할 수 있다. 상기 측정된 제 1 거리(12)는 동기화된 카메라(10) 위치에서 스크린(11)과의 물리적인 거리를 의미하고, 상기 제 1 거리(12)는 실제 카메라(10-1) 또는 상기 가상 카메라(10-2) 중 적어도 하나의 초점을 조정하는 과정에서 이용될 수 있으며 구체적인 설명은 이하 도 6a 내지 도 6b를 통해 후술된다. 한편, 상기 스크린(11)은 상기 동기화된 카메라에 기초하여 출력되고, 가상 환경 또는 가상 환경의 대상이 출력될 수 있다. 예를 들어, 상기 스크린(11)에는 3차원 모델링된 가상 환경의 영상이 출력될 수 있다. 실제 촬영이 이루어지는 공간이 한국인 경우에, 상기 스크린(11)에는 태국의 실제 해변가가 3차원 모델링된 가상 환경의 영상이 출력될 수 있고, 해변가의 바위(가상 환경의 대상)이 출력될 수 있다. 또한, 상기 스크린(11)에는 상기 동기화된 카메라(10)의 실시간 움직임이 시뮬레이션되어 출력될 수 있다. 본 개시의 일 실시예에 따르면, 상기 동기화된 카메라(10)의 실시간 움직임은 실시간 카메라 추적 모듈을 통해 획득될 수 있는 카메라 위치 정보 및 움직임 정보를 통해 얻어질 수 있으며, 상기 스크린(11)에는 가상 환경의 영상과 상기 동기화된 카메라(10)의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 예를 들어, 상기 동기화된 카메라(10)로 바닥에서 하늘을 올려다보는 시점으로 카메라 위치 정보 및 움직임 정보가 획득되면, 태국의 해변가가 3차원 모델링된 가상 환경에서 바닥에서 하늘을 올려다보는 시점으로 촬영되는 영상이 상기 스크린(11)에 출력될 수 있다. 상기 스크린(11)에 영상이 출력되는 과정은 실시간 카메라 추적 모듈을 통해 획득된 카메라 위치 정보 및 움직임 정보가 3D 렌더러로 전달되고, 상기 3D 렌더러를 이용하여 상기 스크린(11)에는 가상 환경의 영상과 상기 동기화된 카메라(10)의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 이때, 상기 가상 환경은 컴퓨터 등을 사용한 인공적인 기술로 만들어낸, 실제와 유사하지만 실제가 아닌 어떤 특정한 환경이나 상황을 의미할 수 있으며, 3차원 모델링(예시적으로, 실시간 3D 렌더링, NeRF 등) 등을 통해 구현될 수 있다. 상기 3D 렌더러는 영상에 색감과 질감 또는 그림자에 입체감을 부여하여 사실과 같은 형체를 보여주는 시스템 그래픽상의 처리과정을 수행하는 장치 또는 프로그램을 의미할 수 있다. 예를 들어, 3D 렌더러의 월드 공간(World space)은 3차원 좌표계로 표현될 수 있다. 또한, 3D 렌더러의 각 요소들(예시적으로, 조명, 카메라, 3D 모델 등) 또한 로컬 3차원 좌표계를 가지며 상기 각 요소들은 월드 공간(World space, 3차원 좌표로 표현될 수 있음)에 배치될 수 있다. 이때, 조명, 카메라, 3D 모델 등과 같은 요소들이 월드 공간 안에 구성되어, 월드 공간 내에서 서로 계산된 거리와 각도 차이를 기반으로 그림자, 빛 등과 같은 시각적인 효과들이 계산되어 렌더링 될 수 있다. 구체적으로, 빛이 3D 모델에 적용되는 방식은 3D 모델 표면이 가지는 노멀 벡터(normal vector)와 빛의 벡터 간의 각도 차를 이용하여 계산될 수 있다. 이때, ① 월드 공간 내의 스크린 모델(가상 공간에 모델링 된 스크린)과 카메라와의 거리 및 각도, ② 카메라와 3D 물체(대상)의 거리 및 각도, 및 ③ 스크린 모델과 3D 물체(대상)의 거리 및 각도를 이용하여 월드 공간 내에서 카메라의 적절한 초점이 계산될 수 있다. 즉, 각 요소 간의 벡터를 통한 비교를 통해 월드 공간 내에서 카메라의 적절한 초점이 계산될 수 있다. 또한, 3D 렌더러가 이용되어 상기 스크린(11)에 영상이 출력되는 방식은 예시적으로, 상기 3D 렌더러의 월드 공간 내에서 카메라가 바라보는 프러스텀(Frustum)을 월드 공간 내 스크린 모델이 위치한 곳에 프로젝션시키고, 프로젝션된 화면을 실제 스크린(11)에 출력하는 방식이 포함될 수 있다. 이때, 프러스텀은 상부를 바닥과 평행한 모양으로 잘라낸 피라미드와 같은 모양의 형태를 의미할 수 있고, 상기 프러스텀은 조망 카메라(perspective camera)가 보여주고 렌더링하는 영역의 모양을 의미할 수 있다. 한편, 초점을 맞추려는 대상을 선택하고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리를 측정하는 구체적인 과정은 이하 도 5를 통해 설명된다.
도 5는 본 개시의 실시예에 따라 초점을 맞추려는 대상(21, 22)을 선택하고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리(21-1, 22-1)를 측정하는 과정을 나타낸 개략도이다.
도 5를 참조하면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라(10) 위치에서의 선택된 대상(21, 또는 22)에 대한 초점 거리(21-1, 또는 22-1)를 측정할 수 있다. 이때, 상기 초점을 맞추려는 대상은, 실제 환경의 대상(21), 또는 상기 스크린(11)에 출력된 가상 환경의 대상(22) 중 적어도 하나를 포함할 수 있고, 상기 스크린(11)에 출력된 가상 환경의 대상(22)은 깊이 정보를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 실제 환경의 대상(21)인 상기 스크린(11) 앞에 놓인 "기둥"을 선택하고, 상기 동기화된 카메라(10) 위치에서의 상기 선택된 "기둥"에 대한 제 1 초점 거리(21-1)를 측정할 수 있다. 상기 제 1 초점 거리(21-1)는 상기 동기화된 카메라(10) 위치에서 상기 스크린(11)과의 거리인 상기 제 1 거리(12)보다 가까운 경우에 해당한다. 이러한 경우 실제 카메라의 초점을 조정하는 구체적인 과정은 이하 도 6a를 통해 후술된다.
본 개시의 다른 실시예에 따르면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 상기 스크린(11)에 출력된 가상 환경의 대상(22)인 "상자"을 선택하고, 상기 동기화된 카메라(10) 위치에서의 상기 선택된 "상자"에 대한 제 2 초점 거리(22-2)를 측정할 수 있다. 이때, 상기 스크린(11)에 출력된 가상 환경의 대상(22)은 실제로 존재하는 대상이 아니라 깊이 정보를 갖는 상기 스크린(11)에 출력된 대상이 포함되고, 상기 "상자"는 실제로 존재하는 대상이 아니므로 실제 카메라(10-1)로 초점 거리를 측정할 수 없다. 다만, 상기 실제 카메라(10-1)와 상기 가상 카메라(10-2)가 동기화된 상태이므로, 상기 선택된 "상자"에 대한 초점 거리는 상기 동기화된 카메라(10)의 위치에서 상기 실제 카메라(10-1)가 동일한 거리에 놓인 동일한 크기의 물체에 대해 측정된 초점 거리와 대응될 수 있다. 예를 들어, 상기 제 1 거리가 10m이고, 상기 "상자"가 상기 스크린(11) 내부로부터 5m 깊이 정보를 가지고, 각 모서리의 길이가 1m인 정육면체인 경우, 상기 제 2 초점 거리(22-1)는 상기 동기화된 카메라(10)의 위치에서 15m 거리에 놓인, 각 모서리의 길이가 1m인 정육면체에 대해 상기 실제 카메라(10-1)로 측정된 초점 거리와 대응될 수 있다. 상기 제 1 거리(12) 및 상기 초점 거리(21-1, 22-1)에 기초하여 상기 실제 카메라(10-1) 또는 상기 가상 카메라(10-2) 중 적어도 하나의 초점을 조정하는 구체적인 과정은 이하 도 6a 내지 도 6b를 통해 후술된다.
도 6a는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 이하일 때, 실제 카메라의 초점을 조정하는 과정을 나타낸 개략도이다.
도 6a를 참조하면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 실제 환경의 대상(21)을 선택하고, 상기 제 1 초점 거리(21-1)를 측정할 수 있고, 상기 측정된 제 1 초점 거리(21-1)는 상기 스크린(11) 앞의 대상이므로 상기 제 1 거리(12) 이하이다. 이 경우 컴퓨팅 장치(100)는 상기 실제 카메라의 초점(30-1)을 조정할 수 있다. 구체적으로, 본 개시의 일 실시예에 따르면 컴퓨팅 장치(100)는 상기 동기화된 카메라(10) 중 상기 가상 카메라의 초점(30-2)을 전경으로 조정하고, 상기 실제 카메라의 초점(30-1)을 실제 환경의 대상(21)에 대해 조정할 수 있다. 만약, 상기 가상 카메라의 초점(30-2)을 전경으로 조정하지 않고, 상기 실제 카메라의 초점(30-1)과 동기화시켜 두 카메라의 초점(30-1, 30-2)이 동일하다면 실제 카메라의 심도가 얕을 때, 가상 카메라의 이미지도 심도가 얕은 상태이므로, 실제 카메라로 촬영될 때 심도가 얕은 출력물이 한번 더 얕게 만들어져 출력되는 상기 스크린(11)에 잘못된 심도가 적용될 수 있는 문제가 발생할 수 있다. 따라서, 상기 제 1 초점 거리(21-1)가 상기 제 1 거리(12) 이하일 때, 컴퓨팅 장치(100)는 상기 가상 카메라의 초점(30-2)을 전경으로 조정하고, 상기 실제 카메라의 초점(30-2)만을 실제 환경의 대상(21)에 대해 조정함으로써, 상기 스크린(11)에 잘못된 심도가 적용될 수 있는 문제를 방지할 수 있는 효과가 있다. 한편, 초점 거리가 제 1 거리 초과일 때, 가상 카메라의 초점을 조정하는 구체적인 과정은 이하 도 6b에서 후술된다.
도 6b는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 초과일 때, 가상 카메라의 초점을 조정하는 과정을 나타낸 개략도이다.
도 6b를 참조하면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 상기 스크린(11)에 출력된 가상 환경의 대상(22)을 선택하고, 상기 제 2 초점 거리(22-1)를 측정할 수 있고, 상기 측정된 제 2 초점 거리(22-1)는 상기 스크린(11) 뒤의 대상이므로 상기 제 1 거리(12)를 초과한다. 이 경우 컴퓨팅 장치(100)는 상기 가상 카메라의 초점(40-2)을 조정할 수 있다. 구체적으로, 본 개시의 일 실시예에 따르면 컴퓨팅 장치(100)는 상기 동기화된 카메라(10) 중 상기 실제 카메라의 초점(40-1)을 상기 스크린(11)에 고정하고, 상기 가상 카메라의 초점(40-2)을 상기 가상 환경의 대상(22)에 대해 조정할 수 있다. 상기 스크린(11)에 출력된 상기 가상 환경의 대상(22)은 실제 존재하는 대상이 아니므로, 실제 카메라의 초점(40-1)을 상기 스크린(11) 너머로 맞출 수는 없다. 만약, 실제 카메라의 초점(40-1)을 상기 스크린(11)이 위치한 지점 너머로 맞추면 당연히 상기 스크린(11)에 초점이 맞춰지지 않고, 상기 스크린(11)이 위치한 곳 너머의 상기 가상 환경의 대상(22)에 초점을 맞추려면 상기 실제 카메라의 초점(40-1)을 LED에 강제로 맞춘 뒤 가상 카메라의 초점(40-2)을 상기 가상 환경의 대상(22)에 수동으로 맞춰주어야 가능하므로, 유연한 촬영이 어려우며 초점을 자유자재로 움직일 수 없는 문제가 발생한다. 따라서, 상기 제 2 초점 거리(22-1)가 상기 제 1 거리(12) 초과일 때, 컴퓨팅 장치(100)는 상기 실제 카메라(10-1)의 초점을 상기 스크린(11)에 고정하고, 상기 가상 카메라(10-2)의 초점만을 상기 가상 환경의 대상(22)에 대해 조정함으로써, 실제 카메라(10-1)가 상기 가상 환경의 대상(22)에 대해 초점을 맞추지 못하는 문제를 해결할 수 있는 기술적 효과가 있다.
또한, 컴퓨팅 장치(100)는 도 6a 내지 도 6b를 통해 설명된 바와 같이 상기 가상 카메라(10-2)와 실제 카메라(10-1)의 동기화가 이루어진 상태에서 ① 상기 동기화된 카메라(10)와 상기 스크린(11)과의 거리(=제 1 거리(12)) 및 ② 상기 초점을 맞추려는 대상(21, 22)에 기초하여 특정 범위(제 1 거리 초점 거리) 에서는 상기 실제 카메라(10-1)의 초점만 조절하고, 또 다른 특정 범위(초점 거리> 제 1 거리 )에서는 가상 카메라(10-2)의 포커스만 조절함으로써, 상기 가상 카메라(10-2)와 상기 실제 카메라(10-1)의 초점을 통합된 하나의 제어를 통해 정확하게 시뮬레이션할 수 있다. 한편, 상기 실제 카메라(10-1) 또는 상기 가상 카메라(10-2) 중 적어도 하나의 초점의 조정은 조이스틱 혹은 다른 물리적인 제어 장치가 연동되어 수행될 수 있으나, 이는 예시에 불과할 뿐 이에 한정되지 않는다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 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 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 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 개시는 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 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 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 개시는 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 개시는 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 개시는 이에 제한되지 않는다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 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 소프트웨어로 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 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 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 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 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.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 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 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

  1. 전술한 과제를 해결하기 위한 컴퓨팅 장치에 의해 수행되는, 카메라의 움직임을 구현하기 위한 방법.

KR1020230095038A 2022-10-20 2023-07-21 가상 카메라를 이용한 카메라 움직임 구현 방법 KR20240055628A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230095038A KR20240055628A (ko) 2022-10-20 2023-07-21 가상 카메라를 이용한 카메라 움직임 구현 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220135656A KR102559913B1 (ko) 2022-10-20 2022-10-20 가상 카메라를 이용한 카메라 움직임 구현 방법
KR1020230095038A KR20240055628A (ko) 2022-10-20 2023-07-21 가상 카메라를 이용한 카메라 움직임 구현 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020220135656A Division KR102559913B1 (ko) 2022-10-20 2022-10-20 가상 카메라를 이용한 카메라 움직임 구현 방법

Publications (1)

Publication Number Publication Date
KR20240055628A true KR20240055628A (ko) 2024-04-29

Family

ID=87427524

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220135656A KR102559913B1 (ko) 2022-10-20 2022-10-20 가상 카메라를 이용한 카메라 움직임 구현 방법
KR1020230095038A KR20240055628A (ko) 2022-10-20 2023-07-21 가상 카메라를 이용한 카메라 움직임 구현 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020220135656A KR102559913B1 (ko) 2022-10-20 2022-10-20 가상 카메라를 이용한 카메라 움직임 구현 방법

Country Status (2)

Country Link
KR (2) KR102559913B1 (ko)
WO (1) WO2024085366A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117528236A (zh) * 2023-11-01 2024-02-06 神力视界(深圳)文化科技有限公司 虚拟摄像机的调整方法和装置
CN117527992B (zh) * 2023-11-06 2024-06-21 中影电影数字制作基地有限公司 一种空间模拟拍摄的摄影机校正方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102001255B1 (ko) * 2013-02-28 2019-07-17 고려대학교 산학협력단 스테레오 영상 획득 및 시청 연동 시스템
KR101818839B1 (ko) * 2016-02-25 2018-01-15 연세대학교 산학협력단 스테레오 삼차원 영상 콘텐츠 디스플레이 제작 및 재생 방법
KR20180052496A (ko) * 2016-11-10 2018-05-18 주식회사 다림비젼 가상 공연 스튜디오 시스템
CN108540731A (zh) * 2018-04-17 2018-09-14 北京艾沃次世代文化传媒有限公司 实拍摄影机与虚拟场景实时同步显示方法
CN112040092B (zh) * 2020-09-08 2021-05-07 杭州时光坐标影视传媒股份有限公司 一种实时虚拟场景led拍摄系统及方法
KR102371031B1 (ko) * 2021-08-13 2022-03-07 주식회사 비브스튜디오스 버추얼 프로덕션의 영상 촬영을 위한 장치, 시스템, 방법 및 프로그램
KR102409188B1 (ko) * 2021-11-09 2022-06-15 주식회사 아진엑스텍 증강현실 영상 출력 제어 방법 및 장치

Also Published As

Publication number Publication date
KR102559913B1 (ko) 2023-07-26
WO2024085366A1 (ko) 2024-04-25

Similar Documents

Publication Publication Date Title
KR102559913B1 (ko) 가상 카메라를 이용한 카메라 움직임 구현 방법
KR102515935B1 (ko) 신경망 모델을 위한 학습 데이터 생성 방법
KR102546175B1 (ko) 얼굴 변환을 수행하는 신경망 모델을 학습시키기 위한 방법
KR20240051020A (ko) 데이터셋을 생성하기 위한 방법
KR102548130B1 (ko) 채널 어텐션 및 공간 어텐션을 이용한 결함 탐지 방법
KR102364882B1 (ko) 객체 검출 방법
KR102606616B1 (ko) 관객의 위치에 의존하여 예술품을 동적으로 표시하는 방법
KR102393951B1 (ko) 객체 중심 데이터 증강 방법
KR102565420B1 (ko) 가상 제작 환경에서 객체 분할을 수행하는 방법
US20230237765A1 (en) Anchor-Free RPN-Based Object Detection Method
KR102247245B1 (ko) 라벨 생성 방법
KR102642665B1 (ko) 가상 카메라를 조정하는 방법
KR102579686B1 (ko) 각도 변화를 고려하여 이미지를 단계적으로 변환하는 방법
KR102635768B1 (ko) 데이터셋을 생성하기 위한 방법
KR102681902B1 (ko) 변화 탐지 방법
KR102674100B1 (ko) 향상된 적대적 생성 신경망 모델을 이용하여 인공 결함 데이터를 생성하는 방법
KR102649301B1 (ko) 발화영상의 품질을 향상시키기 위한 모델의 학습 방법
KR102674067B1 (ko) 각도 변화에 대한 이미지 변환 품질 향상 방법
KR102606617B1 (ko) 확산 모델을 이용한 동영상 생성 방법
KR102678637B1 (ko) 각도 및 표정을 고려한 이미지 변환 방법
KR102546176B1 (ko) 영상의 안정성을 위한 후처리 방법
KR102665266B1 (ko) 옥외 광고용 컨텐츠를 송출하기 위한 사이니지 및 방법
KR102579684B1 (ko) 신경망 학습모델을 이용한 디지털 휴먼 모델링 방법
KR102674977B1 (ko) 신경망 모델을 활용하여 3d 공간을 생성하는 방법
KR102627176B1 (ko) 가상 객체의 폐색을 구현하기 위한 방법