KR20240068029A

KR20240068029A - 기계 학습 모델을 이용하여 영상을 획득하는 전자 장치 및 그 동작 방법

Info

Publication number: KR20240068029A
Application number: KR1020220171720A
Authority: KR
Inventors: 서동환; 푸나푸랏 아비지스; 자오 루시; 스콧 브라운 마이클; 박상욱; 최지환
Original assignee: 삼성전자주식회사
Priority date: 2022-11-08
Filing date: 2022-12-09
Publication date: 2024-05-17
Also published as: WO2024122913A1

Abstract

다양한 실시예들에 따른 전자 장치(electronic device)는 제1 카메라를 통해서 촬영된 실제 사진 영상 및 상기 실제 사진 영상의 촬영 시 상기 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 예측 모델을 생성하거나 갱신하고, 상기 예측 모델에 기초하여 가상 영상(synthetic image)에 대한 제2 메타데이터를 결정하며, 상기 제2 메타데이터에 기초하여 상기 가상 영상에 대해 영상 신호 처리의 역변환을 수행하여 원시 영상(raw image) 데이터를 획득하도록 구성될 수 있다.

Description

기계 학습 모델을 이용하여 영상을 획득하는 전자 장치 및 그 동작 방법 {ELECTRONIC DEVICE FOR OBTAINING IMAGE USING MACHINE LEARNING MODEL AND OPERATING METHOD THEREOF}

본 개시는 기계 학습 모델을 이용하여 영상을 획득하는 전자 장치 및 그 동작 방법에 관한 것이다.

휴대 단말기가 널리 사용되고, 통신 네트워크 기술이 발전함에 따라 휴대 단말기와 관련된 소비자들의 요구가 다양화됨에 따라 다양한 종류의 부가 장치들이 휴대 단말기에 장착된다. 휴대 단말기가 소형화되고 피사체를 촬영하기 위한 카메라의 기능이 휴대 단말기에 의해 지원된다.

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.

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

상술한 정보는 본 개시에 대한 이해를 돕기 위한 목적으로 하는 배경 기술(related art)로 제공될 수 있다. 상술한 내용 중 어느 것도 본 개시와 관련하여 종래 기술(prior art)로서 적용될 수 있는지에 관해서는 어떠한 주장이나 결정이 제기되지 않는다.

일 실시예에 따른 전자 장치는, 인스트럭션들을 저장하는 메모리 및 상기 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 제1 카메라를 통해서 촬영된 실제 사진 영상 및 상기 실제 사진 영상의 촬영 시 상기 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 예측 모델을 생성하거나 갱신하도록 구성될 수 있다. 적어도 하나의 프로세서는 상기 예측 모델에 기초하여 가상 영상(synthetic image)에 대한 제2 메타데이터를 결정하도록 구성될 수 있다. 적어도 하나의 프로세서는 상기 제2 메타데이터에 기초하여 상기 가상 영상에 대해 영상 신호 처리의 역변환을 수행하여 원시 영상(raw image) 데이터를 획득하도록 구성될 수 있다.

일 실시예에 따른 전자 장치를 동작하는 방법은, 제1 카메라를 통해서 촬영된 실제 사진 영상 및 상기 실제 사진 영상의 촬영 시 상기 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 예측 모델을 생성하거나 갱신하는 동작을 포함할 수 있다. 상기 방법은 상기 예측 모델에 기초하여 가상 영상에 대한 제2 메타데이터를 결정하는 동작을 포함할 수 있다. 상기 방법은 상기 제2 메타데이터에 기초하여 상기 가상 영상에 대해 영상 신호 처리의 역변환을 수행하여 원시 영상 데이터를 획득하는 동작을 포함할 수 있다.

일 실시예에 따른 컴퓨터로 판독 가능한 비일시적 기록매체는, 상술한 방법을 수행하기 위한 프로그램을 기록한 것일 수 있다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는, 다양한 실시예들에 따른, 카메라 모듈을 예시하는 블록도이다.
도 3은, 일 실시예에 따른, 전자 장치의 구성요소의 적어도 일부를 도시한 블록도이다.
도 4는, 일 실시예에 따른, 전자 장치가 실사화된 영상을 제공하는 과정을 설명하기 위한 예시를 도시한 도면이다.
도 5는, 일 실시예에 따른, 전자 장치가 실사화된 영상을 생성하는 프로세스를 도시한 순서도이다.
도 6은, 일 실시예에 따른, 전자 장치가 원시 영상 데이터를 획득하는 프로세스를 도시한 순서도이다.
도 7은, 일 실시예에 따른, 전자 장치가 메타데이터를 예측하기 위한 예측 모델을 학습시키는 프로세스를 도시한 순서도이다.
도 8은, 일 실시예에 따른, 전자 장치가 가상 영상으로부터 실사화된 영상을 생성하는 프로세스를 도시한 순서도이다.
도 9는, 일 실시예에 따른, 전자 장치가 가상 영상을 생성하는 프로세스를 도시한 순서도이다.
도 10은, 일 실시예에 따른, 전자 장치가 조정 가능한(tunable) 예측 모델에 기초하여 제2 메타데이터를 결정하는 프로세스를 도시한 순서도이다.
도 11는, 일 실시예에 따른, 전자 장치가 가상 공간에 대한 실사화된 영상을 제공하는 프로세스를 도시한 순서도이다.
도 12는, 일 실시예에 따른, 전자 장치가 전자 장치의 카메라를 이용하여 예측 모델에 학습 데이터를 제공하고 학습시키는 프로세스를 도시한 순서도이다.
도 13은, 일 실시예에 따른, 전자 장치를 모듈 단위로 도시한 도면이다.

이하에서는 도면을 참조하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면의 설명과 관련하여, 동일하거나 유사한 구성요소에 대해서는 동일하거나 유사한 참조 부호가 사용될 수 있다. 또한, 도면 및 관련된 설명에서는, 잘 알려진 기능 및 구성에 대한 설명이 명확성과 간결성을 위해 생략될 수 있다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)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(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(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(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(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(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))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(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)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(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)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(176)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(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)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(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(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(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(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(104)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(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)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(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)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(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)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(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)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(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)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(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)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(101)로 전달할 수 있다. 전자 장치(101)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(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)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.

도 2는, 다양한 실시예들에 따른, 카메라 모듈(180)을 예시하는 블럭도(200)이다. 도 2를 참조하면, 카메라 모듈(180)은 렌즈 어셈블리(210), 플래쉬(220), 이미지 센서(230), 이미지 스태빌라이저(240), 메모리(250)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(260)를 포함할 수 있다. 렌즈 어셈블리(210)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(210)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 복수의 렌즈 어셈블리(210)들을 포함할 수 있다. 이런 경우, 카메라 모듈(180)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(210)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(210)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.

플래쉬(220)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일실시예에 따르면, 플래쉬(220)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(230)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(210)를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다. 일실시예에 따르면, 이미지 센서(230)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(230)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(240)는 카메라 모듈(180) 또는 이를 포함하는 전자 장치(예: 도 1의 전자 장치(101))의 움직임에 반응하여, 렌즈 어셈블리(210)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(230)를 특정한 방향으로 움직이거나 이미지 센서(230)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일실시예에 따르면, 이미지 스태빌라이저(240)는, 일실시예에 따르면, 이미지 스태빌라이저(240)은 카메라 모듈(180)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(180) 또는 전자 장치(101)의 그런 움직임을 감지할 수 있다. 일실시예에 따르면, 이미지 스태빌라이저(240)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다. 메모리(250)는 이미지 센서(230)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(250)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 디스플레이 모듈(예: 도 1의 디스플레이 모듈(160))을 통하여 프리뷰될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(250)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(260)에 의해 획득되어 처리될 수 있다. 일실시예에 따르면, 메모리(250)는 메모리(예: 도 1의 메모리(130))의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.

이미지 시그널 프로세서(260)는 이미지 센서(230)을 통하여 획득된 이미지 또는 메모리(250)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(260)는 카메라 모듈(180)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(230))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어 등)를 수행할 수 있다. 이미지 시그널 프로세서(260)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(250)에 다시 저장 되거나 카메라 모듈(180)의 외부 구성 요소(예: 메모리(130), 디스플레이 모듈(160), 전자 장치(예: 도 1의 저자 장치(102)), 전자 장치(예: 도 1의 전자 장치(104)), 또는 서버(예: 도 1의 서버(108))로 제공될 수 있다. 일실시예에 따르면, 이미지 시그널 프로세서(260)는 프로세서(예: 도 1의 프로세서(120))의 적어도 일부로 구성되거나, 프로세서(120)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(260)이 프로세서(120)과 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(260)에 의해 처리된 적어도 하나의 이미지는 프로세서(120)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 디스플레이 모듈(160)를 통해 표시될 수 있다.

일실시예에 따르면, 전자 장치(101)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(180)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.

도 3은, 일 실시예에 따른, 전자 장치(101)의 구성요소의 적어도 일부를 도시한 블록도이다.

일 실시예에 따른 전자 장치(101)는 적어도 하나의 프로세서(320)(예: 도 1의 프로세서(120)) 및 메모리(330)(예: 도 1의 메모리(130))를 표시할 수 있다. 일 실시예에 따른 전자 장치(101)는 적어도 하나의 프로세서(320)의 제어에 따라 영상을 획득하는 카메라(380)(예: 도 1 또는 도 2의 카메라 모듈(180))를 더 포함할 수 있다. 일 실시예에 따른 전자 장치(101)는 적어도 하나의 프로세서(320)의 제어에 따라 화면을 표시하는 디스플레이(360)(예: 도 1의 디스플레이 모듈(160))을 더 포함할 수 있다. 본 개시에서, 전자 장치(101)의 동작은 적어도 하나의 프로세서(320)가 메모리(330)에 저장된 인스트럭션을 실행 시에 데이터를 처리하거나 전자 장치(101)의 구성요소를 제어하여 수행하는 것으로 이해될 수 있다.

일 실시 예에 따르면, 메모리(330)는 적어도 하나의 프로세서(320)에 의해서 실행될 수 있는 인스트럭션들(instructions)을 저장할 수 있다. 일 실시예에 따르면, 적어도 하나의 프로세서(320)는 인스트럭션들을 실행하여 연산을 수행하거나 전자 장치(101)에 포함된 다른 구성요소를 제어할 수 있다. 적어도 하나의 프로세서(320)는, 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU) 또는 신경망 처리 장치(NPU) 중 적어도 하나를 포함할 수 있다. 예를 들어, 적어도 하나의 프로세서(320)는 어플리케이션 프로세서를 포함할 수 있다.

일 실시예에 따르면, 적어도 하나의 프로세서(320)는 가상 영상을 획득할 수 있다. 가상 영상은, 컴퓨터 그래픽에 기초하여 생성된 영상 데이터를 포함할 수 있다. 예를 들어, 적어도 하나의 프로세서(320)는 3차원 모델링 및 렌더링이 완료된 가상 카메라 툴에 기초하여 탐색된 장면을 포함하는 가상 영상(synthetic image)을 생성할 수 있다. 적어도 하나의 프로세서(320)는 가상 영상으로부터 실사화된 영상(synthetic-to-real-translated image, photorealistic image)을 생성할 수 있다. 여기서, 가상 영상에는 이미지 시그널 프로세서(예: 도 2의 이미지 시그널 프로세서(260))에 의해서 수행되는 영상 신호 처리가 적용된 영상 데이터가 포함될 수 있다. 예를 들어, 가상 영상은 멀티 프레임 합성(multi-frame fusion), 능동 영역 크롭(active area cropping), 선형화(linearization), 흑색 수준 차감(black level subtraction), 정규화(normalization), 백색 안정화(white balance), 디모자이크(demosiacing), 전단 노이즈 제거(front-end denoiser), 색 공간 변환(color space transform), 디지털 노출(digital exposure), 톤 매핑(tone mapping), 일반 색상 조작(general color manipulation), 선택적 색상 조작(selective color manipulation), 후단 노이즈 제거(backend denoiser), 후단 멀티 프레임 합성(backend multi-frame fusion), 또는 감마 보정(gamma correction) 중 적어도 하나가 적용된 성분을 포함할 수 있다.

일 실시예에 따른 적어도 하나의 프로세서(320)는 실사화된 영상을 생성하기 위해 영상 데이터(예: RGB 영상)를 원시 영상(raw image)으로 변환하기 위해 영상 신호 처리(image signal processing, ISP)의 역변환을 적용(영상 처리를 통해서 적용된 성분을 제거)하는 ISP 역변환을 수행할 수 있다. 원시 영상은, 예를 들어, 카메라의 이미지 센서(예: 도 2의 이미지 센서(230))로부터 출력되는 원시 베이어(raw bayer) 형태의 데이터, 이미지 센서로부터 출력된 데이터에 대해 베이어 전처리(bayer pre-processing)를 수행한 형태의 데이터, 또는 베이어 전처리가 수행된 결과에 대해 디모자이크(demosaic)를 수행한 형태의 데이터 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 적어도 하나의 프로세서(320)는 영상 신호 처리가 적용된 영상 데이터에 대하여 영상 신호 처리의 각 단계별로 적용된 변환 과정을 적용하는 처리 취소(unprocessing) 방식에 기초하여 영상 데이터를 원시 영상으로 변환할 수 있다. 예를 들어, 적어도 하나의 프로세서(320)는 디모자이크가 적용된 부분에 대해서는 특정 원시 패턴(예: 베이어 형식의 RGGB 패턴)으로 치환할 수 있다. 적어도 하나의 프로세서(320)는 디지털 이득(digital gain)에 대하여 글로벌 스케일링(global scaling)을 통해서 값을 추정하고 역변환을 수행할 수 있다. 화이트 밸런스(white balance) 및 색상 보정(color correction)의 경우에 대해 적어도 하나의 프로세서(320)는 정답지를 가진 학습 데이터를 이용하여 학습된 모델을 이용하여 화이트 밸런스 및 색상 보정 처리가 수행된 결과의 역변환을 적용할 수 있다. 정답지는 학습된 모델을 통해서 예측을 수행하였을 때 정답으로서 출력되어야 하는 값을 의미할 수 있다. 예를 들어, 정답지는 학습 모델에 입력되는 데이터의 레이블(label)을 포함할 수 있다. 감마 압축(gamma compression)의 경우에 대해 적어도 하나의 프로세서(320)는 잡음 제거(denoising)의 학습 시에 견고한 감마를 ISP 역변환 시 적용할 수 있다. 톤 매핑(tone mapping)의 경우에 대해 적어도 하나의 프로세서(320)는 스무드스텝(smoothstep)을 적용한 것으로 가정하여 역변환을 수행할 수 있다.

일 실시예에서, 영상을 원시 영상으로 변환하는 ISP 역변환을 수행하기 위해서는 영상에 대한 메타데이터가 필요할 수 있다. 메타데이터는 영상의 생성 시 적용된 설정 값을 포함할 수 있다. 예를 들어, 메타데이터는 셔터 속도, 사진 감도(ISO), 조리개(aperture) 값, 화이트 밸런스 파라미터, 색상 보정 행렬(color correction matrix), 백색 수준(white level), 흑색 수준(black level) 또는 색상 필터 배열 패턴(color filter array pattern, CFA pattern) 중 적어도 하나에 대한 정보를 포함할 수 있다.

가상 영상은 카메라를 통해서 촬영된 영상이 아니므로, 가상 영상에 대해서는 카메라의 설정값과 관련된 메타데이터가 존재하지 않을 수 있다. 따라서, 일 실시예에 따른 적어도 하나의 프로세서(320)는 예측 모델을 이용하여 가상 영상에 대한 메타데이터를 결정할 수 있다. 예측 모델은 카메라를 통해서 촬영된 실사 영상과, 실사 영상의 촬영 시에 카메라에 대해 설정된 설정 값에 대한 정보를 포함하는 제1 메타데이터를 학습하여 생성되거나 갱신될 수 있다. 예를 들어, 예측 모델에 대한 학습 데이터로 사용되는 실사 영상은 전자 장치(101)에 포함된 카메라(380)를 통해서 촬영된 것일 수 있다. 다른 예를 들면, 예측 모델에 대한 학습 데이터로 사용되는 실사 영상은 전자 장치(101) 포함된 카메라(380)와 동일하거나 유사한 속성을 가지는 카메라를 가지는 외부 장치의 카메라를 통해서 촬영된 것일 수도 있다. 다만, 이에 한정되지 아니한다.

일 실시예에 따른 적어도 하나의 프로세서(320)는 예측 모델에 가상 영상을 입력하여 가상 영상에 대한 제2 메타데이터를 획득할 수 있다. 적어도 하나의 프로세서(320)는 획득된 제2 메타데이터에 기초하여 가상 영상에 대해 영상 신호 처리의 역변환을 적용할 수 있다. 예를 들어, 적어도 하나의 프로세서(320)는 제2 메타데이터에 포함된 색상 보정 행렬(CCM)의 역행렬을 가상 영상에 대해 적용할 수 있다. 적어도 하나의 프로세서(320)는 영상 신호 처리의 역변환을 적용하여 가상 영상으로부터 변환된 원시 영상 데이터를 획득할 수 있다.

일 실시예에 따른 적어도 하나의 프로세서(320)는 획득된 원시 영상 데이터를 실사화된 영상 데이터로 변환할 수 있다. 적어도 하나의 프로세서(320)는 원시 영상 데이터를 실사화된 영상 데이터로 변환하기 위하여, 원시 영상 데이터에 영상 신호 처리를 수행할 수 있다. 예를 들어, 적어도 하나의 프로세서(320)는 제2 메타데이터에 기초하여 카메라(380)로 촬영한 원시 영상에 적용되는 영상 신호 처리를 가상 영상으로부터 변환된 원시 영상 데이터에 대해 수행할 수 있다. 적어도 하나의 프로세서(320)는 카메라(380)로 촬영한 것과 유사하거나 동일한 특성을 가지는 실사화된 영상을 획득할 수 있다. 다른 예를 들면, 적어도 하나의 프로세서(320)는 복수의 카메라 중에서 선택된 카메라의 특성이 반영된 실사화된 영상을 획득할 수도 있다.

도 4는, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 실사화된 영상을 제공하는 과정을 설명하기 위한 예시를 도시한 도면이다.

일 실시예에 따른 전자 장치(101)는 학습 데이터(410)에 기초하여 예측 모델(401)을 학습시킬 수 있다. 예측 모델은 학습 데이터에 기초하여 구성되는 복수의 신경망 계층(neural network layer)들을 포함하는 심층 신경망(deep neural network, DNN), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzman machine), DBN(deep belief network), 또는 DRDNN(bidirectional recurrent deep neural network) 중 적어도 하나를 포함할 수 있다. 학습 데이터(410)는 실사 영상(411) 및 제1 메타데이터(413)를 포함할 수 있다. 예를 들어, 전자 장치(101)는 실사 영상(411)을 예측 모델(401)에 입력하였을 때 출력되는 결과가 제1 메타데이터(413)와 동일하거나 유사해지도록 예측 모델(401)을 구성할 수 있다. 실사 영상(411)은, 예를 들어, 제1 카메라를 통해서 촬영된 원시 포맷의 영상 데이터이거나 RGB 영상 데이터일 수 있다. 제1 메타데이터(413)는 실사 영상(411)의 촬영에 적용된 설정 정보를 포함할 수 있다. 예를 들어, 제1 메타데이터(413)는 셔터 속도, 사진 감도(ISO), 조리개(aperture) 값, 화이트 밸런스 파라미터, 색상 보정 행렬(color correction matrix), 백색 수준(white level), 흑색 수준(black level) 또는 색상 필터 배열 패턴(color filter array pattern) 중 적어도 하나에 대한 정보를 포함할 수 있다.

일 실시예에 따른 전자 장치(101)는 가상 영상(421)을 생성할 수 있다. 전자 장치(101)는 가상 카메라 툴을 실행하여 3차원 모델링 및 3차원 렌더링된 가상 공간 내에서 장면을 탐색하고, 탐색된 장면을 포함하는 가상 영상(421)을 생성할 수 있다. 예를 들어, 전자 장치(101)는 3차원 모델링된 공간 내를 탐색하는 게임 내에서 탐색된 장면에 대한 영상을 생성할 수 있다. 3차원 모델링 및 3차원 렌더링된 가상 공간 내에서 탐색된 장면에 대한 가상 영상(421)을 생성하는 경우, 전자 장치(101)는 3차원 모델링된 가상 공간에 기초하여 가상 영상(421)에 대한 마스크(mask) 정보를 용이하게 획득할 수 있다. 예를 들어, 전자 장치(101)는 3차원 모델링된 가상 공간에 배치된 오브젝트에 대한 정보로부터 가상 영상에 대한 깊이(depth) 정보, 세그멘테이션(segmentation) 정보, 광학 흐름(optical flow) 정보, 또는 알파 맵(alpha map) 정보 중 적어도 하나를 획득할 수 있다.

일 실시예에 따른 전자 장치(101)는 예측 모델(401)을 이용하여 가상 영상(421)에 대한 제2 메타데이터(425)를 결정할 수 있다. 전자 장치(101)는 예측 모델(401)의 신경망에 입력하고, 예측 모델(401)의 신경망 연산을 통해서 출력된 제2 메타데이터(425)를 획득할 수 있다. 제2 메타데이터(425)는 가상 영상(421)에 적용되는 것으로 예상되는 영상 처리에 관련된 정보(예: 셔터 속도, 사진 감도(ISO), 조리개(aperture) 값, 화이트 밸런스 파라미터, 색상 보정 행렬(color correction matrix), 백색 수준(white level), 흑색 수준(black level) 또는 색상 필터 배열 패턴(color filter array pattern) 중 적어도 하나)를 포함할 수 있다.

일 실시예에 따른 전자 장치(101)는 제2 메타데이터(425)에 기초하여 가상 영상(421)을 실사화하는 동작(430)을 수행할 수 있다. 전자 장치(101)는 실사화하는 동작(430)을 수행하기 위해 제2 메타데이터(425)에 기초하여 가상 영상(421)에 대해 영상 신호 처리의 역변환을 적용하여 가상 영상(421)을 원시 영상 데이터로 변환할 수 있다. 전자 장치(101)는 제2 메타데이터(425)에 기초하여 영상 신호 처리를 적용하여 원시 영상 데이터로부터 실사화된 영상(423)을 생성할 수 있다. 또는, 전자 장치(101)는 실사화된 영상(423)을 이용하여 학습시킬 신경망 모델이 적용된 카메라의 파이프라인(예: 복합 프레임 블렌딩(multi-frame blending), 노이즈 합성(noise synthesis))을 진행하여 실사화된 영상(423)을 생성할 수 있다. 전자 장치(101)는 영상 신호 처리가 적용된 데이터에 기초하여 가상-실사 변환(synthetic-to-real translation)을 수행할 수 있다.

일 실시예에 따른 전자 장치(101)는 실사화된 영상(423)을 학습 데이터로 적용하여 전자 장치(101)의 카메라(예: 도 1 또는 2의 카메라 모듈(180), 도 3의 카메라(380))에 적용된 적어도 하나의 신경망 모델(403)을 학습시킬 수 있다. 전자 장치(101)는 가상 영상(421)의 생성시에 용이하게 마스크 정보를 획득할 수 있으므로, 실사화된 영상(423)에 상응하는 마스크 정보를 이용하여 적어도 하나의 신경망 모델(403)을 학습시킬 수 있다. 카메라를 통해서 촬영된 영상으로부터 마스크 정보를 획득하기 위해서는 복잡한 과정을 거쳐야 하고 정확도가 낮을 수 있으나, 가상 영상(421)을 이용하여 보다 정확도 높은 마스크 정보를 가지는 학습 데이터가 용이하게 제공될 수 있다.

일 실시예에 따른 신경망 모델(403)은 이미지 데이터(440)를 입력하여 영상 처리 결과(450)를 출력하는 인공 신경망을 포함할 수 있다. 예를 들어, 신경망 모델(403)은 심층 신경망(deep neural network, DNN), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzman machine), DBN(deep belief network), 또는 DRDNN(bidirectional recurrent deep neural network) 중 적어도 하나를 포함할 수 있다. 예를 들어, 신경망 모델(403)은 영상 데이터에서 노이즈를 제거하는 제1 심층 신경망 모델, 영상 데이터 로부터 정보를 추출하는 제2 심층 신경망 모델, 또는 영상 데이터에 대한 컴퓨터 비전을 구현하는 제3 심층 신경망 모델 중 적어도 하나를 포함할 수 있다. 전자 장치(101)는 실사 영상(411)을 촬영한 제1 카메라 또는 제1 카메라와 동일하거나 유사한 속성을 가지는 제2 카메라를 포함할 수 있다. 이미지 데이터(440)는 실사 영상(411)을 촬영한 제1 카메라 또는 제1 카메라와 동일하거나 유사한 속성을 가지는 제2 카메라를 통해서 획득되는 영상과 관련된 것일 수 있다.

도 5는, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 실사화된 영상을 생성하는 프로세스를 도시한 순서도(500)이다.

이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.

일 실시 예에 따르면, 동작 510 내지 540은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120), 도 2의 이미지 시그널 프로세서(260) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

동작 510에서, 일 실시예에 따른 전자 장치(101)는 가상 영상을 생성할 수 있다. 동작 510에서 생성되는 가상 영상은 가상 카메라 툴에 기초하여 3차원 모델링된 공간에 대한 장면을 포함할 수 있다. 동작 510에서 생성되는 가상 영상은 컴퓨터 그래픽에 기초하여 생성될 수 있다.

동작 520에서, 일 실시예에 따른 전자 장치(101)는 가상 영상에 대한 메타데이터를 추출할 수 있다. 동작 520에서, 일 실시예에 따른 전자 장치(101)는 실제 사진 영상 및 실제 사진 영상의 촬영 시 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 메타데이터를 예측하는 예측 모델을 이용하여 가상 영상에 대한 제2 메타데이터를 추출할 수 있다. 예를 들어, 전자 장치(101)는 선형 RGB 영상으로 구성된 영상 데이터로부터 화이트 밸런스 파라미터 또는 색상 보정 행렬 중 적어도 하나를 포함하는 메타데이터를 획득할 수 있다.

동작 530에서, 일 실시예에 따른 전자 장치(101)는 동작 520에서 획득된 제2 메타데이터에 기초하여 가상 영상에 영상 신호 처리의 역변환을 적용할 수 있다. 전자 장치(101)는 영상 신호 처리의 역변환을 적용하여 가상 영상을 원시 영상 데이터로 변환할 수 있다. 예를 들어, 전자 장치(101)는 제2 메타데이터에 포함된 색상 보정 행렬의 역행렬을 가상 영상에 대해 적용할 수 있다.

동작 540에서, 일 실시예에 따른 전자 장치(101)는 동작 530에서 획득된 원시 영상 데이터로부터 실사화된 영상을 생성할 수 있다. 예를 들어, 전자 장치(101)는 원시 영상 데이터에 대하여 제2 메타데이터에 기초하여 영상 신호 처리를 적용하여 실사화된 영상을 획득할 수 있다.

도 6은, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 원시 영상 데이터를 획득하는 프로세스를 도시한 순서도(600)이다.

일 실시 예에 따르면, 동작 611 내지 630은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120), 도 2의 이미지 시그널 프로세서(260) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

동작 611에서, 일 실시예에 따른 전자 장치(101)는 가상 영상을 획득할 수 있다. 예를 들어, 전자 장치(611)는 가상 카메라 툴을 사용하여 삼차원 모델링된 공간 내에서 탐색된 장면에 상응하는 가상 영상을 생성할 수 있다. 전자 장치(101)는 가상 영상에 상응하는 마스크 정보를 함께 획득할 수 있다. 다른 예를 들면, 전자 장치(101)는 외부 장치(예: 도 1의 전자 장치(102, 104), 서버(108))로부터 가상 영상을 획득할 수도 있다.

동작 613에서, 일 실시예에 따른 전자 장치(101)는 영상으로부터 영상에 대한 메타데이터를 예측하는 예측 모델을 획득할 수 있다. 예를 들어, 전자 장치(101)는 제1 카메라를 통해서 촬영된 실제 사진 영상 및 실제 사진 영상의 촬영 시 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 예측 모델을 구성할 수 있다. 다른 예를 들면, 전자 장치(101)는 외부 장치(예: 도 1의 전자 장치(102, 104), 서버(108))가 배포한 예측 모델을 수신할 수도 있다.

동작 620에서, 일 실시예에 따른 전자 장치(101)는 예측 모델에 기초하여 가상 영상에 대한 메타데이터를 결정할 수 있다. 예를 들어, 전자 장치(101)는 상기 제1 학습 결과에 기초하여 구성된 예측 모델에 동작 611에서 생성된 가상 영상을 입력하여 제2 메타데이터를 획득할 수 있다.

동작 630에서, 일 실시예에 따른 전자 장치(101)는 동작 620에서 획득된 메타데이터에 기초하여 영상 신호처리의 역변환을 적용할 수 있다. 예를 들어, 전자 장치(101)는 가상 카메라 툴에 의해 가상 영상에 적용된 것으로 판단되는 영상 신호 처리(예: 화이트 밸런스, 색상 보정 행렬, 톤 매핑)의 역변환을 적용할 수 있다. 동작 630에서, 전자 장치(101)는 가상 영상에 적용된 영상 신호 처리에 의해 반영된 요소들이 제거된 원시 영상 데이터를 획득할 수 있다.

도 7은, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 메타데이터를 예측하기 위한 예측 모델을 학습시키는 프로세스를 도시한 순서도(700)이다.

일 실시 예에 따르면, 동작 710 내지 730은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120), 도 2의 이미지 시그널 프로세서(260) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

동작 710에서, 일 실시예에 따른 전자 장치(101)는 실제 사진 영상 및 실제 사진 영상에 상응하는 제1 메타데이터를 획득할 수 있다. 예를 들어, 전자 장치(101)는 전자 장치(101)에 포함된 카메라(예: 도 1 또는 2의 카메라 모듈(180) 또는 도 3의 카메라(380))를 통해서 촬영된 영상 및 영상 촬영 시의 카메라 설정과 관련된 메타데이터를 획득할 수 있다. 다른 예를 들면, 전자 장치(101)는 외부 장치로부터 실제 사진 영상 및 실제 사진 영상에 상응하는 제1 메타데이터를 수신할 수도 있다. 또는 실제 사진 영상 또는 제1 메타데이터는 메모리(예: 도 1의 메모리(130), 2의 메모리(250) 또는 도 3의 메모리(330))에 저장된 것일 수도 있다.

동작 720에서, 일 실시예에 따른 전자 장치(101)는 메타데이터를 예측하기 위한 예측 모델에 실제 사진 영상을 입력할 수 있다. 전자 장치(101)는 예측 모델에 따른 신경망 연산을 수행하여 예측되는 메타데이터를 획득할 수 있다.

동작 730에서, 일 실시예에 따른 전자 장치(101)는 예측 모델을 통해서 출력된 메타데이터와 제1 메타데이터를 비교할 수 있다. 전자 장치(101)는 기계 학습 알고리즘에 기초하여, 예측 모델을 통해서 출력되는 메타데이터와 제1 메타데이터의 유사도가 높아지도록 예측 모델을 갱신할 수 있다.

도 8은, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 가상 영상으로부터 실사화된 영상을 생성하는 프로세스를 도시한 순서도(800)이다.

일 실시 예에 따르면, 동작 810 내지 840은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120), 도 2의 이미지 시그널 프로세서(260) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

도 810에서, 일 실시예에 따른 전자 장치(101)는 예측 모델을 이용하여 가상 영상에 대한 제2 메타데이터를 결정할 수 있다. 일 실시예에 따르면, 예측 모델은 제1 카메라를 통해서 획득된 실제 영상 및 실제 영상에 상응하는 제1 메타데이터를 학습한 제1 학습 결과에 기초하여 구성된 것일 수 있다. 일 실시예에 따르면, 예측 모델은 제1 학습 결과에 더하여 제1 카메라와 다른 특성을 가지는 제3 카메라에 기초하여 촬영된 영상 및 제3 카메라에 대한 설정 정보에 상응하는 제3 메타데이터를 학습한 제2 학습 결과에 기초하여 구성되는 조정 가능한(tunable) 예측 모델일 수도 있다. 조정 가능한 예측 모델은 제1 학습 결과 또는 제2 학습 결과 중에서 선택된 하나에 기초하여 메타데이터를 예측하도록 구성될 수 있다. 일 실시예에 따르면, 조정 가능한 예측 모델은 셋 이상의 카메라에 상응하는 학습 결과들에 기초하여 구성될 수도 있다. 제1 카메라 또는 제3 카메라는 전자 장치(101)에 포함된 카메라일 수도 있으며, 실제 영상을 촬영한 외부 장치에 포함된 카메라일 수도 있다. 다만, 제1 카메라 또는 제3 카메라의 구성은 이에 한정되지 아니한다.

동작 820에서, 일 실시예에 따른 전자 장치(101)는 동작 810에서 결정된 제2 메타데이터에 기초하여 가상 영상에 대한 영상 신호 처리의 역변환을 적용할 수 있다. 예를 들어, 전자 장치(101)는 선형 RGB 형태의 가상 영상에 대하여 색상 뒤틀림(color distortion)을 방지하기 위하여 제2 메타데이터에 상응하는 색상 보정 행렬(CCM)의 역을 적용할 수 있다. 일 실시예에 따른 전자 장치(101)는 가상 영상에 대한 영상 신호 처리의 역변환을 적용한 결과에 기초하여, 동작 830에서 원시 영상 데이터를 획득할 수 있다.

동작 840에서, 일 실시예에 따른 전자 장치(101)는 제2 메타데이터에 기초하여 원시 영상 데이터로부터 실사화된 영상을 획득할 수 있다. 전자 장치(101)는 제2 메타데이터에 상응하는 설정에 기초하여 원시 영상 데이터에 대한 영상 신호 처리를 수행하여 실사화된 영상을 생성할 수 있다. 예를 들어, 전자 장치(101)는 특정 카메라에서 수행되는 영상 신호 처리 동작을 모사하여 원시 영상 데이터로부터 카메라로 촬영하여 생성된 것과 유사한 실사화된 영상을 생성할 수 있다.

도 9는, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 가상 영상을 생성하는 프로세스를 도시한 순서도(900)이다.

일 실시 예에 따르면, 동작 910 내지 940은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

동작 910에서, 일 실시예에 따른 전자 장치(101)는 가상 카메라 툴(synthetic camera tool)을 실행할 수 있다. 가상 카메라 툴은 오브젝트를 가지는 장면을 구현하고, 구현된 장면에 대한 미리보기 영상 또는 캡처된 영상을 제공하도록 구성된 컴퓨터로 실행 가능한 프로그램을 포함할 수 있다.

동작 920에서, 일 실시예에 따른 전자 장치(101)는 가상 카메라 툴을 이용하여 삼차원 가상 공간 내의 장면을 탐색할 수 있다. 삼차원 가상 공간 내의 장면은 삼차원 가상 공간 내에 배치된 객체를 표현하는 영상을 포함할 수 있다. 일 실시 예에 따른 전자 장치(101)는 삼차원 가상 공간 내의 장면을 구현하는 미리보기 영상을 렌더링하고, 미리보기 영상을 포함하는 화면을 디스플레이(예: 도 1의 디스플레이 모듈(160) 또는 도 3의 디스플레이(360))를 통해서 표시할 수 있다.

동작 930에서, 일 실시예에 따른 전자 장치(101)는 삼차원 가상 공간 내에서 탐색된 장면을 촬영하도록 하는 사용자 입력을 수신할 수 있다. 예를 들어, 전자 장치(101)는 디스플레이를 통해서 미리보기 영상과 함께 사용자 입력을 수신하기 위한 시각적 객체(예: 촬영 버튼)을 표시할 수 있다. 전자 장치(101)는 시각적 객체를 선택하는 사용자 입력(예: 터치 입력, 마우스 클릭)을 수신할 수 있다.

탐색된 장면을 촬영하도록 하는 사용자 입력에 응답하여, 동작 940에서 일 실시예에 따른 전자 장치(101)는 탐색된 장면에 상응하는 가상 영상을 획득할 수 있다. 일 실시예에 따른 전자 장치(101)는 동작 940에서 생성된 가상 영상에 대한 마스크 정보를 함께 생성할 수 있다. 일 실시예에 따른 전자 장치(101)는 가상 영상의 생성과 관련된 설정 정보에 기초하여 가상 영상을 생성할 수 있다. 가상 영상의 생성과 관련된 설정 정보는, 예를 들어, 노출 값, 셔터 속도 값, 감도, 프레임 촬영 횟수 또는 생성될 마스크 정보의 종류 중 적어도 하나를 포함할 수 있다. 탐색된 장면을 촬영하도록 하는 사용자 입력이 수신되지 않을 경우, 전자 장치(101)는 동작 920에서 장면을 계속해서 탐색할 수 있다.

도 10은, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 조정 가능한(tunable) 예측 모델에 기초하여 제2 메타데이터를 결정하는 프로세스를 도시한 순서도(1000)이다.

일 실시 예에 따르면, 동작 1011 내지 1040은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120), 도 2의 이미지 시그널 프로세서(260) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

동작 1011에서, 일 실시예에 따른 전자 장치(101)는 제1 카메라에 대한 제1 학습 결과를 획득할 수 있다. 예를 들어, 전자 장치(101)는 제1 카메라에 기초하여 획득된 적어도 하나의 제1 영상과, 적어도 하나의 제1 영상 각각에 상응하는 제1 메타데이터를 기계 학습 알고리즘에 적용하여 제1 학습 결과를 획득할 수 있다. 동작 1013에서, 일 실시예에 따른 전자 장치(101)는 제1 카메라와 다른 특성을 가지는 제3 카메라에 대한 제2 학습 결과를 획득할 수 있다. 예를 들어, 전자 장치(101)는 제3 카메라에 기초하여 획득된 적어도 하나의 제2 영상과, 적어도 하나의 제2 영상 각각에 상응하는 제3 메타데이터를 기계 학습 알고리즘에 적용하여 제2 학습 결과를 획득할 수 있다.

동작 1020에서, 일 실시예에 따른 전자 장치(101)는 제1 학습 결과 및 제2 학습 결과에 기초하여 예측 모델을 구성할 수 있다. 여기서, 예측 모델은 제1 학습 결과 또는 제2 학습 결과 중에서 선택된 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 조절 가능한(tunable) 신경망 모델을 포함할 수 있다.

동작 1030에서, 일 실시예에 따른 전자 장치(101)는 학습 결과를 선택할 수 있다. 예를 들어, 전자 장치(101)는 학습 결과를 선택하기 위한 사용자 인터페이스를 디스플레이(예: 도 1의 디스플레이 모듈(160) 또는 도 3의 디스플레이(360))를 통해서 표시하고, 사용자 인터페이스를 이용하여 수신된 사용자 입력에 기초하여 제1 학습 결과 또는 제2 학습 결과 중에서 어느 하나를 선택할 수 있다.

동작 1040에서, 일 실시예에 따른 전자 장치(101)는 선택된 학습 결과에 기초하여 제2 메타데이터를 결정할 수 있다. 예를 들어, 제1 학습 결과가 선택된 경우, 전자 장치(101)는 가상 영상을 제1 카메라에 기초하여 촬영된 영상의 특징을 가지는 실사화된 영상으로 변환하기 위한 메타데이터를 결정할 수 있다. 제2 학습 결과가 선택된 경우, 전자 장치(101)는 가상 영상을 제3 카메라에 기초하여 촬영된 영상의 특징을 가지는 실사화된 영상으로 변환하기 위한 메타데이터를 결정할 수 있다.

도 11는, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 가상 공간에 대한 실사화된 영상을 제공하는 프로세스를 도시한 순서도(1100)이다.

일 실시 예에 따르면, 동작 1110 내지 1170은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

동작 1110에서, 일 실시예에 따른 전자 장치(101)는 디스플레이(예: 도 1의 디스플레이 모듈(160) 또는 도 3의 디스플레이(360))를 통해서 가상 공간 내에서의 장면을 표시할 수 있다. 예를 들어, 전자 장치(101)는 도 9의 동작 920에 대해 기술한 동작에 기초하여 가상 공간 내에서의 장면에 대한 미리보기 영상을 표시할 수 있다.

동작 1121에서, 일 실시예에 따른 전자 장치(101)는 디스플레이를 통해서 카메라 목록을 표시할 수 있다. 카메라 목록은 적어도 하나의 카메라 각각에 상응하는 적어도 하나의 식별자를 포함할 수 있다. 카메라 목록에 포함된 적어도 하나의 식별자는 예측 모델이 학습한 학습 데이터에 포함된 영상을 촬영하게 위해 사용된 적어도 하나의 카메라에 상응할 수 있다. 동작 1123에서, 일 실시예에 따른 전자 장치(101)는 카메라 목록에 포함된 적어도 하나의 카메라 중에서 어느 하나를 선택하는 사용자 입력을 수신할 수 있다.

동작 1130에서, 일 실시예에 따른 전자 장치(101)는 가상 공간 내에서 탐색된 장면에 대한 촬영을 요청하는 사용자 입력을 수신할 수 있다. 동작 1140에서, 사용자 입력에 응답하여 전자 장치(101)는 동작 1110에서 탐색된 장면에 대한 가상 영상을 생성할 수 있다.

동작 1150에서, 일 실시예에 따른 전자 장치(101)는 선택된 카메라에 기초하여 가상 영상에 대한 메타데이터를 결정할 수 있다. 전자 장치(101)는 선택된 카메라에 기초하여 예측 모델을 조정(tune)할 수 있다. 전자 장치(101)는 조정된 예측 모델에 가상 영상을 입력하여 신경망 연산을 수행할 수 있다.

동작 1160에서, 일 실시예에 따른 전자 장치(101)는 결정된 메타데이터에 기초하여 가상 영상에 대해 영상 신호 처리의 역변환을 적용할 수 있다. 일 실시예에 따른 전자 장치(101)는 역변환을 적용한 결과에 기초하여 원시 영상 데이터를 획득할 수 잇다. 동작 1170에서, 일 실시예에 따른 전자 장치(101)는 결정된 메타데이터에 기초하여 원시 영상 데이터로부터 실사화된 영상을 획득함으로써, 가상 영상에 상응하는 장면을 선택된 카메라에 기초하여 촬영된 영상과 유사하게 실사화된 영상을 생성할 수 있다. 전자 장치(101)는 실사화된 영상을 디스플레이를 통해서 표시할 수 있다.

도 12는, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))가 전자 장치(101)의 카메라(예: 도 1 또는 2의 카메라 모듈(180), 도 3의 카메라(380)를 이용하여 예측 모델에 학습 데이터를 제공하고 학습시키는 프로세스를 도시한 순서도(1200)이다. 도 12는 전자 장치(101)가 학습 데이터로 제공되는 실제 사진 영상을 생성하는 제1 카메라를 포함하는 실시예에 관한 것이다.

일 실시 예에 따르면, 동작 1210 내지 1250은 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120) 또는 도 3의 프로세서(320))에서 수행되는 것으로 이해될 수 있다.

동작 1210에서, 일 실시예에 따른 전자 장치(101)는 카메라 어플리케이션을 실행할 수 있다. 예를 들어, 전자 장치(101)는 카메라 어플리케이션에 상응하는 아이콘을 선택하는 사용지 입력에 응답하여 전자 장치(101)의 메모리(예: 도 1의 메모리(130), 도 3의 메모리(330))에 저장된 카메라 어플리케이션을 실행할 수 있다.

동작 1220에서, 일 실시예에 따른 전자 장치(101)는 카메라 어플리케이션에 대한 사용자 입력을 수신할 수 있다. 예를 들어, 전자 장치(101)는 카메라 어플리케이션이 제공하는 사용자 인터페이스에 포함된 촬영 아이콘을 선택하는 사용자 입력을 수신할 수 있다.

동작 1230에서, 일 실시예에 따른 전자 장치(101)는 전자 장치(101)에 포함된 제1 카메라를 구동하여 실제 사진 영상을 획득할 수 있다. 전자 장치(101)는 제1 카메라를 구동하고 영상을 생성하기 위한 설정 값을 결정할 수 있다. 예를 들어, 전자 장치(101)는 제1 카메라에 포함된 이미지 센서를 동작하기 위한 정보(예: 감도, 노출 값)결정하고, 이미지 센서로부터 출력되는 신호에 대해 이미지 시그널 프로세서(예: 도 2의 이미지 시그널 프로세서(260))가 영상 신호 처리를 수행하기 위한 정보(예: 화이트 밸런스, 색상 보정 행렬)를 결정할 수 있다.

동작 1240에서, 일 실시예에 따른 전자 장치(101)는 실제 사진 영상 및 제1 메타데이터를 포함하는 적어도 하나의 파일을 메모리(예: 도 1의 메모리(130), 도 3의 메모리(330))에 저장할 수 있다. 실제 사진 영상 및 제1 메타데이터는 하나의 파일에 저장되거나, 서로 다른 파일에 분리되어 저장될 수 있다. 제1 메타데이터는 실제 사진 영상을 촬영하기 위해 사용된 설정 값에 대한 정보를 포함할 수 있다.

동작 1250에서, 일 실시예에 따른 전자 장치(101)는 실제 사진 영상 및 제1 메타데이터를 학습한 결과를 예측 모델에 반영할 수 있다. 예를 들어, 전자 장치(101)는 예측 모델에 실제 사진 영상을 입력하여 신경망 연산을 수행할 수 있다. 전자 장치(101)는 신경망 연산을 수행하여 획득된 결과와 제1 메타데이터 사이의 유사도가 높아지도록 예측 모델의 인공 신경망을 구성할 수 있다.

도 13은, 일 실시예에 따른, 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))를 모듈 단위로 도시한 도면이다.

일 실시예에 따른 전자 장치(101)는 3차원 그래픽 모듈(1310) 및 실사화 모듈(1320)을 포함할 수 있다. 3차원 그래픽 모듈(1310)은 가상 영상(1330)을 생성하여 실사화 모듈(1320)로 제공할 수 있다. 실사화 모듈(1320)은 3차원 그래픽 모듈(1310)로부터 제공된 가상 영상(1330)으로부터 실사화된 영상을 생성할 수 있다.

일 실시예에 따른 3차원 그래픽 모듈(1310)은 모델링부(1311), 렌더링부(1313), 마스크 생성부(1315) 및 미리보기/캡처 구현부(1317)를 포함할 수 있다. 모델링부(1311)는 특정 객체가 표현되는 장면을 구현하기 위해 삼차원 모델을 구성할 수 있다. 렌더링부(1313)는 모델링부(1311)에서 구성한 삼차원 모델에 기반하여 장면을 고화질로 표현하기 위한 렌더링을 수행할 수 있다.

마스크 생성부(1315)는 3차원 그래픽 모듈(1310)에서 생성된 가상 영상(1330)에 대응되는 마스크 정보를 포함하는 마스크 영상을 생성할 수 있다. 예를 들어, 마스크 생성부(1315)는 세그멘테이션(segmentation) 영상, 깊이 맵(depth map) 영상, 또는 알파 맵(alpha map) 영상 중 적어도 하나를 생성할 수 있다. 세그멘테이션 영상은 가상 영상 내에서 객체가 촬영된 영역들을 분할하여 나타내는 영상을 포함할 수 있다. 깊이 맵 영상은 가상 영상 내에서 각 픽셀에 촬영된 피사체에 대한 깊이 정보를 포함할 수 있다. 알파 맵 영상은 컴퓨터 그래픽스(computer graphics)와 실사 영상을 합성하기 위한 비율을 나타내는 정보를 포함할 수 있다.

미리보기/캡쳐 구현부(1317)는 카메라 어플리케이션에서 제공되는 미리보기 영상과 캡처된 영상과 유사하게 3차원 컴퓨터 그래픽스에서 탐색되는 장면에 대한 미리보기 영상과 캡쳐 명령에 따른 캡쳐된 영상을 생성할 수 있다. 미리보기/캡쳐 구현부(1317)는 영상을 생성하기 위한 다양한 옵션을 선택할 수 있다. 예를 들어, 미리보기/캡쳐 구현부(1317)는 노출 값, 셔터 속도, 감도, 프레임 촬영 횟수 또는 마스크 종류 중 적어도 하나를 선택할 수 있다. 미리보기/캡쳐 구현부(1317)는 선택된 옵션에 기초하여 미리보기 영상 또는 가상 영상(1330)을 생성할 수 있다.

일 실시예에 따른 실사화 모듈(1320)은 카메라 메타데이터 추출부(1321), 영상 신호 처리(ISP 역변환부(1323) 및 실사화부(1325)를 포함할 수 있다. 카메라 메타데이터 추출부(1321)는 원하는 카메라에 대한 촬영 영상을 학습한 예측 모델에 기초하여 가상 영상(1330)으로부터 영상 신호 처리의 역변환에 필요한 메타데이터를 추출할 수 있다. 영상 신호 처리 역변환부(1323)는 카메라 메타데이터 추출부(1321)에서 획득한 메타데이터 또는 렌더링 도구에 포함된 정보에 기초하여 영상 신호 처리의 역변환을 수행할 수 있다. 실사화 모듈(1320)은 영상 신호 처리 역변환부(1323)에 의해 수행된 영상 신호 처리의 역변환의 결과에 기초하여 원시 영상 데이터를 획득할 수 있다. 실사화부(1325)는 원시 영상 데이터로부터 실사화된 영상을 생성할 수 있다. 실사화부(1325)는 메타데이터 추출부(1321)에서 추출된 메타데이터를 이용하여 원시 영상 데이터에 대해 영상 신호 처리를 수행할 수 있다. 또는, 실사화부(1325)는 원하는 카메라에 대한 파이프라인(예: 복합 프레임 블렌딩(multi-frame blending), 잡읍 합성(noise synthesis))을 수행할 수 있다. 실사화부(1325)는 영상 신호 처리가 적용된 데이터에 기초하여 가상 영상(1330)을 실사화된 영상으로 변환할 수 있다.

전자 장치는 삼차원 그래픽 기술을 이용하여 가상의 장면을 구현하는 가상 영상을 생성하거나 표현할 수 있다. 전자 장치는 가상 영상을 카메라로 촬영된 실제 영상과 유사하게 실사화할 수 있다. 가상 영상의 실사화는 가상 영상의 도메인과 실제 영상의 도메인 간의 차이를 줄이도록 도메인 적응(domain adaptation)을 수행하는 동작을 포함할 수 있다.

전자 장치는 가상 영상을 실사화하기 위해 가상 영상에 대해 영상 신호 처리의 역변환(invertible ISP)을 적용할 수 있다. 예를 들어, 전자 장치는 RGB 포맷으로 구성된 가상 영상 데이터를 베이어 패턴(bayer pattern)의 영상 데이터로 회귀시킬 수 있다. 전자 장치는 가상 영상에 적용된 것으로 예측되는 영상 신호 처리(예: 디모자이크(demosaic), 디지털 이득(digital gain), 화이트 밸런스(white balance), 감마 압축(gamma compression), 색상 보정 매트릭스(color correction matrix), 톤 매핑(tone mapping))의 역변환을 수행할 수 있다.

높은 품질을 가지는 지도 학습을 구현하기 위해서는 가상 영상과 그 가상 영상을 실사화 하였을 때 획득되기를 원하는 실제 영상을 정답 영상으로 가지는 가상 영상-실제 영상 쌍이 필요하다. 그러나, 삼차원 그래픽 기술을 이용하여 구현된 가상의 장면에 대한 가상 영상을 학습 데이터로 사용하는 경우, 가상의 장면에 대해서는 실제 영상이 존재하지 않을 수 있다. 또한, 가상 영상과 실제 사진 영상 사이의 도메인 갭(gap)은 실제 사진 영상을 촬영하는 데 사용되는 카메라의 특성에 의한 차이가 발생할 수 있다. 그러나 가상 영상에서는 카메라의 특성에 대한 메타데이터가 존재하지 않으므로 영상 신호 처리의 역변환 과정에서 카메라의 특성이 반영지 않을 수 있다. 일 실시예에 따르면, 역변환을 통해서 획득된 원시 영상을 기반으로 역-이미지 신호 처리(invertible ISP)를 학습할 수 있는 전자 장치 또는 그 동작 방법이 제공될 수 있다. 실제 정답인 원시 영상을 실사화된 영상의 원시 영상으로 대체하여 지도 학습이 구현될 수 있다.

본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

일 실시예에 따른 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))는, 인스트럭션들을 저장하는 메모리(예: 도 1 또는 2의 메모리(130) 또는 도 3의 메모리(330)) 및 상기 인스트럭션들을 실행하는 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))를 포함할 수 있다. 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 제1 카메라를 통해서 촬영된 실제 사진 영상 및 상기 실제 사진 영상의 촬영 시 상기 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 예측 모델을 생성하거나 갱신하고, 상기 예측 모델에 기초하여 가상 영상(synthetic image)에 대한 제2 메타데이터를 결정하며, 상기 제2 메타데이터에 기초하여 상기 가상 영상에 대해 영상 신호 처리의 역변환을 수행하여 원시 영상(raw image) 데이터를 획득하도록 구성될 수 있다.

일 실시예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터에 대한 영상 신호 처리를 수행하여 실사화된 영상(realized image) 데이터를 획득하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))는, 상기 제1 카메라 또는 상기 제1 카메라의 특징에 상응하는 특징을 가지는 제2 카메라를 포함하고, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 상기 제1 카메라 또는 상기 제2 카메라로부터 획득한 영상 데이터에 관련된 신경망 연산을 수행하는 신경망 모델을 상기 실사화된 영상 데이터에 기초하여 학습시키도록 구성될 수 있다.

일 실시예에 따르면, 상기 신경망 모델은, 상기 영상 데이터에서 노이즈를 제거하는 제1 심층 신경망 모델, 상기 영상 데이터로부터 정보를 추출하는 제2 심층 신경망 모델 또는 상기 영상 데이터에 대한 컴퓨터 비전을 구현하는 제3 심층 신경망 모델 중 적어도 하나를 포함할 수 있다.

일 실시예에 따르면, 상기 제2 메타데이터는 화이트 밸런스 파라미터(white balance parameter) 또는 색상 보정 행렬(color correction matrix) 중 적어도 하나에 관련된 정보를 포함할 수 있다.

일 실시예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 삼차원 모델 내에서 장면을 탐색하는 가상 카메라 툴을 실행하고, 상기 가상 영상은 상기 가상 카메라 툴에 기초하여 탐색된 장면에 상응할 수 있다.

일 실시예에 따르면, 상기 예측 모델은 상기 제1 카메라와 다른 특성을 가지는 제3 카메라를 통해서 촬영된 영상 및 상기 제3 카메라에 대한 설정 정보를 포함하는 제3 메타데이터를 학습한 제2 학습 결과에 기초하여 구성된 조정 가능한(tunable) 예측 모델을 포함하고, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 상기 제1 학습 결과 또는 상기 제2 학습 결과 중에서 선택된 어느 하나에 기초하여 상기 가상 영상에 대한 상기 제2 메타데이터를 결정하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))는 디스플레이를 더 포함하고, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 상기 디스플레이를 통해서 삼차원 그래픽 환경으로 구성된 가상 공간 내에서의 장면을 표시하고, 상기 디스플레이를 통해서 상기 제1 카메라에 상응하는 제1 식별 정보 및 상기 제3 카메라에 상응하는 제2 식별 정보를 포함하는 카메라 목록을 포함하는 화면을 표시하고, 상기 카메라 목록에 대한 제1 사용자 입력에 기초하여 상기 제1 학습 결과 또는 상기 제2 학습 결과 중 어느 하나를 선택하고, 상기 장면에 관련된 촬영을 요청하는 제2 사용자 입력을 수신하고, 상기 제2 사용자 입력에 기초하여 상기 장면에 관련하여 상기 가상 영상을 생성하며, 상기 디스플레이를 통해서 상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터로부터 생성된 실사화된 영상을 포함하는 화면을 표시하도록 구성될 수 있다.

일 실시예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 상기 예측 모델에 입력된 상기 실제 사진 영상에 응답하여 출력된 결과와 상기 제1 메타데이터 사이의 유사도가 높아지도록 상기 예측 모델을 갱신하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))는 상기 제1 카메라를 포함하고, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 3의 프로세서(320))는, 상기 메모리(예: 도 1 또는 2의 메모리(130) 또는 도 3의 메모리(330))에 저장된 카메라 어플리케이션을 실행하고, 상기 카메라 어플리케이션에 대한 제3 사용자 입력을 수신하고, 상기 제3 사용자 입력에 응답하여, 상기 설정 정보에 기초하여 상기 제1 카메라를 구동하고, 상기 제1 카메라를 통해서 상기 실제 사진 영상을 획득하고, 상기 실제 사진 영상 및 상기 제1 메타데이터를 포함하는 적어도 하나의 파일을 상기 메모리(예: 도 1 또는 2의 메모리(130) 또는 도 3의 메모리(330))에 저장하도록 구성될 수 있다.

일 실시예에 따른 전자 장치(예: 도 1 또는 도 3의 전자 장치(101))를 동작하는 방법은, 제1 카메라를 통해서 촬영된 실제 사진 영상 및 상기 실제 사진 영상의 촬영 시 상기 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 예측 모델을 생성하거나 갱신하는 동작; 상기 예측 모델에 기초하여 가상 영상에 대한 제2 메타데이터를 결정하는 동작; 및 상기 제2 메타데이터에 기초하여 상기 가상 영상에 대해 영상 신호 처리의 역변환을 수행하여 원시 영상 데이터를 획득하는 동작을 포함할 수 있다.

일 실시예에 따른 방법은 상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터에 대한 영상 신호 처리를 수행하여 실사화된 영상 데이터를 획득하는 동작을 더 포함할 수 있다.

일 실시예에 따른 방법은 상기 제1 카메라 또는 상기 제1 카메라의 특징에 상응하는 특징을 가지는 제2 카메라로부터 획득된 영상 데이터에 관련된 신경망 연산을 수행하는 신경망 모델을 상기 실사화된 영상 데이터에 기초하여 학습시키는 동작을 더 포함할 수 있다.

일 실시예에 따르면, 상기 제2 메타데이터는 화이트 밸런스 파라미터 또는 색상 보정 행렬 중 적어도 하나에 관련된 정보를 포함할 수 있다.

일 실시예에 따른 방법은, 삼차원 모델 내에서 장면을 탐색하는 가상 카메라 툴을 실행하는 동작; 및 상기 가상 카메라 툴에 기초하여 탐색된 장면에 상응하는 상기 가상 영상을 생성하는 동작을 더 포함할 수 있다.

일 실시예에 따르면, 상기 예측 모델은 상기 제1 카메라와 다른 특성을 가지는 제3 카메라를 통해서 촬영된 영상 및 상기 제3 카메라에 대한 설정 정보를 포함하는 제3 메타데이터를 학습한 제2 학습 결과에 기초하여 구성된 조정 가능한 예측 모델을 포함하고, 상기 제2 메타데이터를 결정하는 동작은, 상기 제1 학습 결과 또는 상기 제2 학습 결과 중에서 선택된 어느 하나에 기초하여 상기 가상 영상에 대한 상기 제2 메타데이터를 결정하는 동작을 포함할 수 있다.

일 실시예에 따른 방법은, 삼차원 그래픽 환경으로 구성된 가상 공간 내에서의 장면을 디스플레이를 통해서 표시하는 동작; 상기 제1 카메라에 상응하는 제1 식별 정보 및 상기 제3 카메라에 상응하는 제2 식별 정보를 포함하는 카메라 목록을 포함하는 화면을 상기 디스플레이를 통해서 표시하는 동작; 상기 카메라 목록에 대한 제1 사용자 입력에 기초하여 상기 제1 학습 결과 또는 상기 제2 학습 결과 중 어느 하나를 선택하는 동작; 상기 장면에 관련된 촬영을 요청하는 제2 사용자 입력을 수신하는 동작; 상기 제2 사용자 입력에 기초하여 상기 장면에 관련된 상기 가상 영상을 생성하는 동작; 및 상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터로부터 생성된 실사화된 영상을 포함하는 화면을 상기 디스플레이를 통해서 표시하는 동작을 포함할 수 있다.

일 실시예에 따른 방법은, 상기 예측 모델에 입력된 상기 실제 사진 영상에 응답하여 출력된 결과와 상기 제1 메타데이터 사이의 유사도가 높아지도록 상기 예측 모델을 갱신하는 동작을 더 포함할 수 있다.

일 실시예에 따른 방법은, 카메라 어플리케이션을 실행하는 동작; 상기 카메라 어플리케이션에 대한 제3 사용자 입력을 수신하는 동작; 상기 제3 카메라 입력에 응답하여, 상기 설정 정보에 기초하여 상기 제1 카메라를 구동하는 동작; 상기 제1 카메라를 통해서 상기 실제 사진 영상을 획득하는 동작; 및 상기 실제 사진 영상 및 상기 제1 메타데이터를 포함하는 적어도 하나의 파일을 저장하는 동작을 포함할 수 있다.

일 실시예에 따르면, 가상 영상으로부터 생성된 실사화된 영상이 카메라의 특성을 가지는 데이터를 가지도록 하는 전자 장치 및 그 동작 방법이 제공될 수 있다.

일 실시예에 따르면, 특정 카메라의 특성을 가지는 실사화된 영상을 이용하여 그 특정 카메라의 동작과 관련하여 이용되는 신경망의 학습 데이터를 용이하게 획득할 수 있는 전자 장치 및 그 동작 방법이 제공될 수 있다. 일 실시예에 따르면, 카메라를 이용하여 획득된 영상으로부터 얻기 어려운 데이터(예를 들어, 저조도 환경에서 움직이는 물체에 관한 정보, 깊이 정보, 또는 특정 장면에 대한 정보)를 용이하게 제공할 수 있는 전자 장치 및 그 동작 방법이 제공될 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

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(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))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^TM)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.

본 개시의 청구항 또는 명세서에 기재된 실시예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.

소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.

이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(ROM: read only memory), 전기적 삭제가능 프로그램가능 롬(EEPROM: electrically erasable programmable read only memory), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(CD-ROM: compact disc-ROM), 디지털 다목적 디스크(DVDs: digital versatile discs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.

또한, 상기 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(local area network), WLAN(wide LAN), 또는 SAN(storage area network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시 예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시 예를 수행하는 장치에 접속할 수도 있다.

상술한 본 개시의 구체적인 실시예들에서, 개시에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.

또한, 본 개시에서, “부”, “모듈” 등의 용어는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

"부", "모듈"은 어드레싱될 수 있는 저장 매체에 저장되며 프로세서에 의해 실행될 수 있는 프로그램에 의해 구현될 수도 있다. 예를 들어, “부”, "모듈" 은 소프트웨어 구성 요소들, 객체 지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들에 의해 구현될 수 있다.

본 개시에서 설명된 특정 실행들은 일 실시예일 뿐이며, 어떠한 방법으로도 본 개시의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 및 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다.

또한, 본 개시에서, “a, b 또는 c 중 적어도 하나를 포함한다”는 “a만 포함하거나, b만 포함하거나, c만 포함하거나, a 및 b를 포함하거나, b 및 c를 포함하거나, a 및 c를 포함하거나, a, b 및 c를 모두 포함하는 것을 의미할 수 있다.

한편 본 개시의 상세한 설명에서는 구체적인 실시 예에 관해 설명하였으나, 본 개시의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 개시의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.

Claims

전자 장치에 있어서,
인스트럭션들을 저장하는 메모리; 및
상기 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
제1 카메라를 통해서 촬영된 실제 사진 영상 및 상기 실제 사진 영상의 촬영 시 상기 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 예측 모델을 생성하거나 갱신하고,
상기 예측 모델에 기초하여 가상 영상(synthetic image)에 대한 제2 메타데이터를 결정하며,
상기 제2 메타데이터에 기초하여 상기 가상 영상에 대해 영상 신호 처리의 역변환을 수행하여 원시 영상(raw image) 데이터를 획득하도록 구성된, 전자 장치.
청구항 1에 있어서,
상기 적어도 하나의 프로세서는,
상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터에 대한 영상 신호 처리를 수행하여 실사화된 영상(realized image) 데이터를 획득하도록 구성된, 전자 장치.
청구항 2에 있어서,
상기 제1 카메라 또는 상기 제1 카메라의 특징에 상응하는 특징을 가지는 제2 카메라를 포함하고,
상기 적어도 하나의 프로세서는,
상기 제1 카메라 또는 상기 제2 카메라로부터 획득한 영상 데이터에 관련된 신경망 연산을 수행하는 신경망 모델을 상기 실사화된 영상 데이터에 기초하여 학습시키도록 구성된, 전자 장치.
청구항 3에 있어서,
상기 신경망 모델은, 상기 영상 데이터에서 노이즈를 제거하는 제1 심층 신경망 모델, 상기 영상 데이터로부터 정보를 추출하는 제2 심층 신경망 모델 또는 상기 영상 데이터에 대한 컴퓨터 비전을 구현하는 제3 심층 신경망 모델 중 적어도 하나를 포함하는, 전자 장치.
청구항 1에 있어서,
상기 제2 메타데이터는 화이트 밸런스 파라미터(white balance parameter) 또는 색상 보정 행렬(color correction matrix) 중 적어도 하나에 관련된 정보를 포함하는, 전자 장치.
청구항 1에 있어서,
상기 적어도 하나의 프로세서는, 삼차원 모델 내에서 장면을 탐색하는 가상 카메라 툴을 실행하고,
상기 가상 영상은 상기 가상 카메라 툴에 기초하여 탐색된 장면에 상응하는 것인, 전자 장치.
청구항 1에 있어서,
상기 예측 모델은 상기 제1 카메라와 다른 특성을 가지는 제3 카메라를 통해서 촬영된 영상 및 상기 제3 카메라에 대한 설정 정보를 포함하는 제3 메타데이터를 학습한 제2 학습 결과에 기초하여 구성된 조정 가능한(tunable) 예측 모델을 포함하고,
상기 적어도 하나의 프로세서는,
상기 제1 학습 결과 또는 상기 제2 학습 결과 중에서 선택된 어느 하나에 기초하여 상기 가상 영상에 대한 상기 제2 메타데이터를 결정하도록 구성된, 전자 장치.
청구항 7에 있어서,
상기 전자 장치는 디스플레이를 더 포함하고,
상기 적어도 하나의 프로세서는,
상기 디스플레이를 통해서 삼차원 그래픽 환경으로 구성된 가상 공간 내에서의 장면을 표시하고,
상기 디스플레이를 통해서 상기 제1 카메라에 상응하는 제1 식별 정보 및 상기 제3 카메라에 상응하는 제2 식별 정보를 포함하는 카메라 목록을 포함하는 화면을 표시하고,
상기 카메라 목록에 대한 제1 사용자 입력에 기초하여 상기 제1 학습 결과 또는 상기 제2 학습 결과 중 어느 하나를 선택하고,
상기 장면에 관련된 촬영을 요청하는 제2 사용자 입력을 수신하고,
상기 제2 사용자 입력에 기초하여 상기 장면에 관련하여 상기 가상 영상을 생성하며,
상기 디스플레이를 통해서 상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터로부터 생성된 실사화된 영상을 포함하는 화면을 표시하도록 구성된, 전자 장치.
청구항 1에 있어서,
상기 적어도 하나의 프로세서는,
상기 예측 모델에 입력된 상기 실제 사진 영상에 응답하여 출력된 결과와 상기 제1 메타데이터 사이의 유사도가 높아지도록 상기 예측 모델을 갱신하도록 구성된, 전자 장치.
청구항 1에 있어서,
상기 전자 장치는 상기 제1 카메라를 포함하고,
상기 적어도 하나의 프로세서는,
상기 메모리에 저장된 카메라 어플리케이션을 실행하고,
상기 카메라 어플리케이션에 대한 제3 사용자 입력을 수신하고,
상기 제3 사용자 입력에 응답하여, 상기 설정 정보에 기초하여 상기 제1 카메라를 구동하고,
상기 제1 카메라를 통해서 상기 실제 사진 영상을 획득하고,
상기 실제 사진 영상 및 상기 제1 메타데이터를 포함하는 적어도 하나의 파일을 상기 메모리에 저장하도록 구성된, 전자 장치.
전자 장치를 동작하는 방법에 있어서,
제1 카메라를 통해서 촬영된 실제 사진 영상 및 상기 실제 사진 영상의 촬영 시 상기 제1 카메라에 적용된 설정 정보를 포함하는 제1 메타데이터를 기계 학습 알고리즘에 기초하여 학습한 제1 학습 결과에 기초하여 영상에 대한 메타데이터를 예측하는 예측 모델을 생성하거나 갱신하는 동작;
상기 예측 모델에 기초하여 가상 영상에 대한 제2 메타데이터를 결정하는 동작; 및
상기 제2 메타데이터에 기초하여 상기 가상 영상에 대해 영상 신호 처리의 역변환을 수행하여 원시 영상 데이터를 획득하는 동작을 포함하는 방법.
청구항 11에 있어서,
상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터에 대한 영상 신호 처리를 수행하여 실사화된 영상 데이터를 획득하는 동작을 더 포함하는, 방법.
청구항 12에 있어서,
상기 제1 카메라 또는 상기 제1 카메라의 특징에 상응하는 특징을 가지는 제2 카메라로부터 획득된 영상 데이터에 관련된 신경망 연산을 수행하는 신경망 모델을 상기 실사화된 영상 데이터에 기초하여 학습시키는 동작을 더 포함하는, 방법.
청구항 13에 있어서,
상기 신경망 모델은, 상기 영상 데이터에서 노이즈를 제거하는 제1 심층 신경망 모델, 상기 영상 데이터로부터 정보를 추출하는 제2 심층 신경망 모델 또는 상기 영상 데이터에 대한 컴퓨터 비전을 구현하는 제3 심층 신경망 모델 중 적어도 하나를 포함하는, 방법.
청구항 11에 있어서,
상기 제2 메타데이터는 화이트 밸런스 파라미터 또는 색상 보정 행렬 중 적어도 하나에 관련된 정보를 포함하는, 방법.
청구항 11에 있어서,
삼차원 모델 내에서 장면을 탐색하는 가상 카메라 툴을 실행하는 동작; 및
상기 가상 카메라 툴에 기초하여 탐색된 장면에 상응하는 상기 가상 영상을 생성하는 동작을 더 포함하는, 방법.
청구항 11에 있어서,
상기 예측 모델은 상기 제1 카메라와 다른 특성을 가지는 제3 카메라를 통해서 촬영된 영상 및 상기 제3 카메라에 대한 설정 정보를 포함하는 제3 메타데이터를 학습한 제2 학습 결과에 기초하여 구성된 조정 가능한 예측 모델을 포함하고,
상기 제2 메타데이터를 결정하는 동작은, 상기 제1 학습 결과 또는 상기 제2 학습 결과 중에서 선택된 어느 하나에 기초하여 상기 가상 영상에 대한 상기 제2 메타데이터를 결정하는 동작을 포함하는, 방법.
청구항 17에 있어서,
삼차원 그래픽 환경으로 구성된 가상 공간 내에서의 장면을 디스플레이를 통해서 표시하는 동작;
상기 제1 카메라에 상응하는 제1 식별 정보 및 상기 제3 카메라에 상응하는 제2 식별 정보를 포함하는 카메라 목록을 포함하는 화면을 상기 디스플레이를 통해서 표시하는 동작;
상기 카메라 목록에 대한 제1 사용자 입력에 기초하여 상기 제1 학습 결과 또는 상기 제2 학습 결과 중 어느 하나를 선택하는 동작;
상기 장면에 관련된 촬영을 요청하는 제2 사용자 입력을 수신하는 동작;
상기 제2 사용자 입력에 기초하여 상기 장면에 관련된 상기 가상 영상을 생성하는 동작; 및
상기 제2 메타데이터에 기초하여 상기 원시 영상 데이터로부터 생성된 실사화된 영상을 포함하는 화면을 상기 디스플레이를 통해서 표시하는 동작을 포함하는, 방법.
청구항 11에 있어서,
상기 예측 모델에 입력된 상기 실제 사진 영상에 응답하여 출력된 결과와 상기 제1 메타데이터 사이의 유사도가 높아지도록 상기 예측 모델을 갱신하는 동작을 더 포함하는, 방법.
청구항 11에 있어서,
카메라 어플리케이션을 실행하는 동작;
상기 카메라 어플리케이션에 대한 제3 사용자 입력을 수신하는 동작;
상기 제3 카메라 입력에 응답하여, 상기 설정 정보에 기초하여 상기 제1 카메라를 구동하는 동작;
상기 제1 카메라를 통해서 상기 실제 사진 영상을 획득하는 동작; 및
상기 실제 사진 영상 및 상기 제1 메타데이터를 포함하는 적어도 하나의 파일을 저장하는 동작을 포함하는, 방법.