KR20240093792A - 머신 학습을 위한 실측 정보 생성 - Google Patents
머신 학습을 위한 실측 정보 생성 Download PDFInfo
- Publication number
- KR20240093792A KR20240093792A KR1020247016600A KR20247016600A KR20240093792A KR 20240093792 A KR20240093792 A KR 20240093792A KR 1020247016600 A KR1020247016600 A KR 1020247016600A KR 20247016600 A KR20247016600 A KR 20247016600A KR 20240093792 A KR20240093792 A KR 20240093792A
- Authority
- KR
- South Korea
- Prior art keywords
- augmentations
- base model
- image
- images
- enhancements
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title abstract description 38
- 230000003416 augmentation Effects 0.000 claims abstract description 289
- 238000000034 method Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 230000004048 modification Effects 0.000 claims description 37
- 238000012986 modification Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 32
- 238000009877 rendering Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 23
- 230000001815 facial effect Effects 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 12
- 230000008921 facial expression Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 230000026676 system process Effects 0.000 abstract 1
- 230000003190 augmentative effect Effects 0.000 description 60
- 230000015654 memory Effects 0.000 description 31
- 230000006870 function Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 30
- 238000004891 communication Methods 0.000 description 24
- 210000004209 hair Anatomy 0.000 description 17
- 230000009466 transformation Effects 0.000 description 17
- 230000036548 skin texture Effects 0.000 description 14
- 230000014509 gene expression Effects 0.000 description 13
- 210000000887 face Anatomy 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 210000003128 head Anatomy 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 6
- 210000005069 ears Anatomy 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- 238000000844 transformation Methods 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 210000004709 eyebrow Anatomy 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000010079 rubber tapping Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000000193 eyeblink Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008261 resistance mechanism Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
- H04L51/10—Multimedia information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2021—Shape modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2024—Style variation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
메시징 시스템은 3차원(3D) 모델들을 처리하여 메시징 시스템의 애플리케이션들에 대한 머신 학습 모델들을 트레이닝시키기 위한 실측 정보들을 생성한다. 머신 학습을 위한 실측 정보들을 생성하는 방법은 제1 3D 베이스 모델로부터 복수의 제1 렌더링된 이미지들을 생성하는 단계를 포함하며, 각각의 제1 렌더링된 이미지는 제1 증강들에 의해 수정된 3D 베이스 모델을 포함한다. 이 방법은, 제2 3D 베이스 모델에 대해 제1 복수의 증강들 중 호환되지 않는 증강들을 결정하는 단계- 호환되지 않는 증강들은 제2 3D 베이스 모델의 고정된 특징들에 대한 변경들을 표시함 -, 및 제2 3D 베이스 모델로부터 복수의 제2 렌더링된 이미지들을 생성하는 단계를 추가로 포함하고, 각각의 제2 렌더링된 이미지는 제2 증강들에 의해 수정된 제2 3D 베이스 모델을 포함하고, 제2 증강들은 대응하는 제1 렌더링된 이미지의 제1 증강들에 대응하고, 제2 증강들은 제1 증강들 중 호환되지 않는 증강들이 아닌 증강들을 포함한다.
Description
우선권 주장
본 출원은 2021년 10월 20일자로 출원된 미국 특허 출원 제17/506,215호에 대한 우선권의 이익을 주장하며, 그 전체가 본 명세서에 참고로 포함된다.
기술분야
본 개시내용의 예들은 일반적으로 머신 학습(machine learning, ML) 모델들을 트레이닝시키기 위한 실측 정보들(ground truths)을 생성하는 것에 관한 것이다. 제한으로서가 아니라, 더 구체적으로는, 본 개시내용의 예들은 이미지들의 실측 정보들을 생성하는 것에 관한 것이며, 여기서 이미지들은 실측 정보 입력을 위한 3차원(3D) 베이스 모델 및 실측 정보 출력을 위한 수정된 3D 베이스 모델에 기초하고, 실측 정보들이 다양하고 포함적(inclusive)임을 보장하기 위해 증강들이 3D 베이스 모델들에 적용된다.
컨볼루션 신경망들(convolutional neural networks, CNN들)과 같은 머신 학습 모델들을 트레이닝시키기 위해 실측 정보들을 생성하는 것은 시간 소모적이며, 종종, 실측 정보는 입력들을 처리하기 위해 CNN을 부적절하게 트레이닝시켜 품질이 불량한 출력들을 얻는다.
반드시 일정 비율로 그려진 것은 아닌 도면들에서, 동일한 참조 번호들이 상이한 뷰들에서 유사한 컴포넌트들을 설명할 수 있다. 임의의 특정 요소 또는 액트(act)의 논의를 용이하게 식별하기 위해, 참조 번호에서 최상위 숫자 또는 숫자들은 그 요소가 처음 도입되는 도면 번호를 가리킨다. 일부 예들은 첨부 도면들에서 제한이 아닌 예로서 예시된다.
도 1은 일부 예들에 따른, 본 개시내용이 배치될 수 있는 네트워킹된 환경의 도식적 표현이다.
도 2는 클라이언트 측과 서버 측 양자 모두의 기능성을 가지는, 일부 예들에 따른, 메시징 시스템의 도식적 표현이다.
도 3은 일부 예들에 따른, 데이터베이스에 유지되는 바와 같은 데이터 구조의 도식적 표현이다.
도 4는 일부 예들에 따른, 메시지의 도식적 표현이다.
도 5는 일부 예들에 따른, 액세스 제한 프로세스(access-limiting process)에 대한 흐름도이다.
도 6은 일부 예들에 따른, 머신 학습을 위한 실측 정보들을 생성하는 것을 예시한다.
도 7은 일부 예들에 따른, 증강 데이터베이스를 예시한다.
도 8은 일부 예들에 따른, 베이스 모델 및 수정된 베이스 모델을 예시한다.
도 9는 일부 예들에 따른, 상이한 얼굴들을 예시한다.
도 10은 일부 예들에 따른, 렌더링된 이미지들 및 세그먼트화 맵들(1000)의 예를 예시한다.
도 11은 일부 예들에 따른, 의류 증강들(clothing augmentations)을 예시한다.
도 12는 일부 예들에 따른, 프록시 객체(proxy object)를 예시한다.
도 13은 일부 예들에 따른, 프록시 객체를 예시한다.
도 14는 일부 예들에 따른, 피부 텍스처들(skin textures)을 예시한다.
도 15는 일부 예들에 따른, 눈 텍스처들(eye textures)을 예시한다.
도 16은 일부 예들에 따른, 3D 베이스 모델에 블렌드셰이프 증강들(blendshape augmentations)을 적용하는 것을 예시한다.
도 17은 일부 예들에 따른, HDRI(High Dynamic Range Imagery) 조명을 예시한다.
도 18은 일부 예들에 따른, HDRI 조명을 예시한다.
도 19는 일부 예들에 따른, 상이한 조명을 갖는 렌더링된 이미지들을 예시한다.
도 20은 일부 예들에 따른, 배향 증강들(orientation augmentations)의 생성을 예시한다.
도 21은 일부 예들에 따른, 매트(matte)들을 예시한다.
도 22는 일부 예들에 따른 컨볼루션 신경망(CNN)들을 트레이닝하기 위한 적대적 생성 네트워크(generative adversarial network, GAN)를 예시한다.
도 23은 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다.
도 24는 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다.
도 25는 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다.
도 26은 일부 예들에 따른, 머신 학습 모델들을 위한 실측 정보들을 생성하는 방법을 예시한다.
도 27은 일부 예들에 따른, 머신으로 하여금 본 명세서에서 논의되는 방법론들 중 임의의 하나 이상을 수행하게 하기 위해 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템 형태의 머신의 도식적 표현이다.
도 28은 예들이 구현될 수 있는 소프트웨어 아키텍처를 도시하는 블록도이다.
도 29는 일부 예들에 따른 처리 환경의 도식적 표현이다.
도 1은 일부 예들에 따른, 본 개시내용이 배치될 수 있는 네트워킹된 환경의 도식적 표현이다.
도 2는 클라이언트 측과 서버 측 양자 모두의 기능성을 가지는, 일부 예들에 따른, 메시징 시스템의 도식적 표현이다.
도 3은 일부 예들에 따른, 데이터베이스에 유지되는 바와 같은 데이터 구조의 도식적 표현이다.
도 4는 일부 예들에 따른, 메시지의 도식적 표현이다.
도 5는 일부 예들에 따른, 액세스 제한 프로세스(access-limiting process)에 대한 흐름도이다.
도 6은 일부 예들에 따른, 머신 학습을 위한 실측 정보들을 생성하는 것을 예시한다.
도 7은 일부 예들에 따른, 증강 데이터베이스를 예시한다.
도 8은 일부 예들에 따른, 베이스 모델 및 수정된 베이스 모델을 예시한다.
도 9는 일부 예들에 따른, 상이한 얼굴들을 예시한다.
도 10은 일부 예들에 따른, 렌더링된 이미지들 및 세그먼트화 맵들(1000)의 예를 예시한다.
도 11은 일부 예들에 따른, 의류 증강들(clothing augmentations)을 예시한다.
도 12는 일부 예들에 따른, 프록시 객체(proxy object)를 예시한다.
도 13은 일부 예들에 따른, 프록시 객체를 예시한다.
도 14는 일부 예들에 따른, 피부 텍스처들(skin textures)을 예시한다.
도 15는 일부 예들에 따른, 눈 텍스처들(eye textures)을 예시한다.
도 16은 일부 예들에 따른, 3D 베이스 모델에 블렌드셰이프 증강들(blendshape augmentations)을 적용하는 것을 예시한다.
도 17은 일부 예들에 따른, HDRI(High Dynamic Range Imagery) 조명을 예시한다.
도 18은 일부 예들에 따른, HDRI 조명을 예시한다.
도 19는 일부 예들에 따른, 상이한 조명을 갖는 렌더링된 이미지들을 예시한다.
도 20은 일부 예들에 따른, 배향 증강들(orientation augmentations)의 생성을 예시한다.
도 21은 일부 예들에 따른, 매트(matte)들을 예시한다.
도 22는 일부 예들에 따른 컨볼루션 신경망(CNN)들을 트레이닝하기 위한 적대적 생성 네트워크(generative adversarial network, GAN)를 예시한다.
도 23은 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다.
도 24는 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다.
도 25는 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다.
도 26은 일부 예들에 따른, 머신 학습 모델들을 위한 실측 정보들을 생성하는 방법을 예시한다.
도 27은 일부 예들에 따른, 머신으로 하여금 본 명세서에서 논의되는 방법론들 중 임의의 하나 이상을 수행하게 하기 위해 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템 형태의 머신의 도식적 표현이다.
도 28은 예들이 구현될 수 있는 소프트웨어 아키텍처를 도시하는 블록도이다.
도 29는 일부 예들에 따른 처리 환경의 도식적 표현이다.
이하의 설명은 본 개시내용의 예시적인 예들을 구현하는 시스템들, 방법들, 기법들, 명령어 시퀀스들, 및 컴퓨팅 머신 프로그램 제품들을 포함한다. 이하의 설명에서는, 설명의 목적들을 위해, 다수의 특정 상세들이 본 발명의 주제의 다양한 예들의 이해를 제공하기 위해 제시된다. 그러나, 발명 요지의 예들은 이러한 특정 상세들 없이 실시될 수 있다는 것이 본 기술분야의 통상의 기술자들에게 분명할 것이다. 일반적으로, 잘 알려진 명령어 인스턴스들(instruction instances), 프로토콜들, 구조들, 및 기법들은 반드시 상세하게 도시되지는 않는다.
일부 예들에서, 실측 정보는 실측 정보 입력들 및 실측 정보 출력을 포함하고, 여기서 실측 정보 입력들은 실측 정보 출력들과 일대일로 매칭된다. CNN과 같은 ML 모델에 대한 트레이닝 모듈은 실측 정보 입력을 입력으로서 사용하고, 그 다음, CNN의 출력을 대응하는 실측 정보 출력과 비교한다. 이러한 방식으로, CNN 트레이닝 모듈은 CNN의 실제 출력을, CNN이 출력해야 하는 실측 정보 출력과 비교할 수 있다. 그 다음, CNN 트레이닝 모듈은 CNN의 가중치들을 조정할 수 있어, 실측 정보 입력에 대한 CNN의 출력은 대응하는 실측 정보 출력과 더 근접하게 매칭되게 될 것이다.
CNN들과 같은 ML 모델들을 트레이닝시키는 것은, ML 모델들을 트레이닝시키는 데 사용할 실측 정보들을 생성하는 데 있어서의 과제들 때문에 어렵다. 예를 들어, 실측 정보들이 이미지들로 구성될 때, 이미지들을 수정 및 렌더링하는 것이 시간 소모적이고 종종 애플리케이션 개발자들의 능력을 넘어서기 때문에 문제들이 악화된다. 추가적으로, 포함적이면서 다양한 실측 정보들을 생성하기가 어렵다. 이하에서, 사람들 또는 만화(cartoon)들의 머리들을 묘사하는 이미지들이 설명되지만 다른 이미지들이 사용될 수도 있다. 포함적(inclusive)은 트레이닝된 ML 모델을 사용할 수 있는 상이한 사람들의 그룹들이 실측 정보에 포함된다는 특성을 표시한다. 예를 들어, 실측 정보는 상이한 피부색, 상이한 나이들, 상이한 얼굴 형상들, 상이한 성별들 등을 갖는 사람들을 포함해야 한다. 다양성은 실측 정보가 포함적 특성들 내에서 가변성을 가져야 한다는 특성을 표시한다. 예를 들어, 실측 정보는 피부색의 많은 상이한 음영들, 많은 상이한 나이들, 많은 상이한 얼굴 표정들, 많은 상이한 눈 표정들 등을 포함해야 한다.
하나의 예시적인 기술적 문제는, 실측 정보가 다양하면서도 포함적인 ML 모델을 트레이닝시키기 위한 충분히 큰 실측 정보를 생성하는 방법이다. 실측 정보를 위해 요구되는 입력 및 출력 이미지들의 쌍들의 개수는 실제 이미지들을 캡처함으로써 또는 각각의 이미지를 손으로 생성함으로써 생성하는 데 엄청나게 비용이 많이 든다. 일부 예들에서, 기술적 문제는 실측 정보 입력에 대한 3D 모델 및 실측 정보 출력에 대한 3D 모델을 생성함으로써 해결되며, 여기서, 프록시 객체들은 3D 모델들과 연관된다. 프록시 객체들은 3D 모델들에 증강들의 카테고리를 적용하는 방법을 표시하며, 여기서 증강들의 카테고리는 머리카락, 얼굴 표정들, 얼굴 구조 등이다. 추가적으로, 기술적 문제는, 증강들이 고정된 증강들(fixed augmentations)의 카테고리에 대해 적용되어서는 안 된다는 것을 표시하는 고정된 증강들을 사용함으로써 해결된다. 예를 들어, 귀 또는 피부색은 실측 정보 출력에 대한 3D 모델의 특성일 수 있으므로, 귀 및 피부색은 고정된 증강들로서 표시되고, 실측 정보 출력에 대해서는 변화되지 않지만 실측 정보 입력에 대해서는 변화된다.
게다가, 예시적인 기술적 문제는, 새로운 특성을 갖도록 3D 모델을 어떻게 변경 또는 수정할지를 표시하는 블렌드 셰이프 증강들을 사용함으로써 해결된다. 예를 들어, 3D 모델들은 많은 다각형들로 구성되며, 미소짓기를 위한 블렌드 셰이프는 3D 모델의 얼굴이 미소짓도록 3D 모델의 다각형들의 정점들을 변경하는 방법을 표시한다. 블렌드 셰이프들은 3D 모델들에 대한 매우 다양한 수정들을 자동화하는 것을 가능하게 한다.
추가적으로, 예시적인 기술적 문제는 3D 모델들의 세그먼트들이 생성되는 매트들로 해결된다. 세그먼트들은 눈들과 같이 증강들을 적용하거나 수정할 3D 모델들의 부분들을 신속하게 선택하는 데 사용된다. 일부 예들에서는, 생성된 실측 정보 입력 및 실측 정보 출력을 사용하여 이미지들을 처리하기 위해 CNN과 같은 ML 모델이 트레이닝된다. 다음으로, CNN은 애플리케이션과 통합된다. 실측 정보를 생성하는 능력은, 애플리케이션 개발자들이 실측 정보를 개발하는 데 엄청난 양의 시간을 소비하지 않고서 강건한 이미지 처리 애플리케이션들을 개발할 수 있게 한다.
네트워킹된 컴퓨팅 환경
도 1은 네트워크를 통해 데이터(예를 들어, 메시지들 및 연관된 콘텐츠)를 교환하기 위한 예시적인 메시징 시스템(100)을 도시하는 블록도이다. 메시징 시스템(100)은 클라이언트 디바이스(102)의 다수의 인스턴스들을 포함하고, 이들 각각은 메시징 클라이언트(104)를 포함하는 다수의 애플리케이션들을 호스팅한다. 각각의 메시징 클라이언트(104)는 네트워크(106)(예를 들어, 인터넷)를 통해 메시징 클라이언트(104)의 다른 인스턴스들 및 메시징 서버 시스템(108)에 통신가능하게 결합된다.
메시징 클라이언트(104)는 네트워크(106)를 통해 다른 메시징 클라이언트(104)와 그리고 메시징 서버 시스템(108)과 데이터를 통신 및 교환할 수 있다. 메시징 클라이언트(104) 사이에, 그리고 메시징 클라이언트(104)와 메시징 서버 시스템(108) 사이에 교환되는 데이터는, 기능들(예를 들어, 기능들을 인보크(invoke)하는 커맨드들)뿐만 아니라, 페이로드 데이터(예를 들어, 텍스트, 오디오, 비디오 또는 다른 멀티미디어 데이터)를 포함한다.
메시징 서버 시스템(108)은 네트워크(106)를 통해 특정 메시징 클라이언트(104)에 서버 측 기능성을 제공한다. 메시징 시스템(100)의 특정 기능들이 메시징 클라이언트(104)에 의해 또는 메시징 서버 시스템(108)에 의해 수행되는 것으로서 본 명세서에 설명되지만, 메시징 클라이언트(104) 또는 메시징 서버 시스템(108) 내의 특정 기능성의 위치는 설계 선택사항일 수 있다. 예를 들어, 처음에는 특정 기술 및 기능성을 메시징 서버 시스템(108) 내에 배치하지만, 나중에는 클라이언트 디바이스(102)가 충분한 처리 용량을 갖는 경우 이 기술 및 기능성을 메시징 클라이언트(104)로 이전(migrate)시키는 것이 기술적으로 바람직할 수 있다.
메시징 서버 시스템(108)은 메시징 클라이언트(104)에 제공되는 다양한 서비스들 및 동작들을 지원한다. 그러한 동작들은 메시징 클라이언트(104)에 데이터를 송신하고, 그로부터 데이터를 수신하고, 그에 의해 생성된 데이터를 처리하는 것을 포함한다. 이 데이터는, 예로서, 메시지 콘텐츠, 클라이언트 디바이스 정보, 지리위치(geolocation) 정보, 미디어 증강 및 오버레이들(media augmentation and overlays), 메시지 콘텐츠 지속 조건들(message content persistence conditions), 소셜 네트워크 정보, 및 라이브 이벤트 정보를 포함할 수 있다. 메시징 시스템(100) 내의 데이터 교환들은 메시징 클라이언트(104)의 사용자 인터페이스(UI)들을 통해 이용가능한 기능들을 통해 인보크되고 제어된다.
이제 구체적으로 메시징 서버 시스템(108)을 참조하면, 애플리케이션 프로그램 인터페이스(API) 서버(110)가 애플리케이션 서버들(112)에 결합되어 프로그램 방식의 인터페이스(programmatic interface)를 제공한다. 애플리케이션 서버들(112)은 데이터베이스 서버(118)에 통신가능하게 결합되고, 이는 애플리케이션 서버들(112)에 의해 처리되는 메시지들과 연관된 데이터를 저장하는 데이터베이스(120)로의 액세스를 용이하게 한다. 유사하게, 웹 서버(124)는 애플리케이션 서버들(112)에 결합되고, 애플리케이션 서버들(112)에 웹 기반 인터페이스들을 제공한다. 이를 위해, 웹 서버(124)는 HTTP(Hypertext Transfer Protocol) 및 여러 다른 관련 프로토콜을 통해 착신 네트워크 요청들을 처리한다.
API(Application Program Interface) 서버(110)는 클라이언트 디바이스(102)와 애플리케이션 서버들(112) 사이에서 메시지 데이터(예를 들어, 커맨드들 및 메시지 페이로드들)를 수신하고 송신한다. 구체적으로, 애플리케이션 프로그램 인터페이스(API) 서버(110)는 애플리케이션 서버들(112)의 기능성을 인보크하기 위해 메시징 클라이언트(104)에 의해 호출되거나 조회될 수 있는 인터페이스들(예를 들어, 루틴들 및 프로토콜들)의 세트를 제공한다. 애플리케이션 프로그램 인터페이스(API) 서버(110)는, 계정 등록, 로그인 기능성, 특정 메시징 클라이언트(104)로부터 다른 메시징 클라이언트(104)로의, 애플리케이션 서버들(112)을 통한 메시지들의 전송, 메시징 클라이언트(104)로부터 메시징 서버(114)로의 미디어 파일들(예를 들어, 이미지들 또는 비디오)의 전송, 및 다른 메시징 클라이언트(104)에 의한 가능한 액세스를 위해, 미디어 데이터의 컬렉션(예를 들어, 스토리)의 설정들, 클라이언트 디바이스(102)의 사용자의 친구들의 리스트의 검색, 그러한 컬렉션들의 검색, 메시지들 및 콘텐츠의 검색, 엔티티 그래프(예를 들어, 소셜 그래프)에 대한 엔티티들(예를 들어, 친구들)의 추가 및 삭제, 소셜 그래프 내의 친구들의 위치확인, 및 (예를 들어, 메시징 클라이언트(104)에 관련된) 애플리케이션 이벤트 열기를 포함한, 애플리케이션 서버들(112)에 의해 지원되는 다양한 기능들을 노출시킨다.
애플리케이션 서버들(112)은, 예를 들어 메시징 서버(114), 이미지 처리 서버(116), 및 소셜 네트워크 서버(122)를 포함하는 다수의 서버 애플리케이션들 및 서브시스템들을 호스팅한다. 메시징 서버(114)는, 특히 메시징 클라이언트(104)의 다수의 인스턴스로부터 수신된 메시지들에 포함된 콘텐츠(예를 들어, 텍스트 및 멀티미디어 콘텐츠)의 집성(aggregation) 및 다른 처리에 관련된, 다수의 메시지 처리 기술들 및 기능들을 구현한다. 더 상세히 설명되는 바와 같이, 다수의 소스로부터의 텍스트 및 미디어 콘텐츠는, 콘텐츠의 컬렉션들(예를 들어, 스토리들 또는 갤러리들이라고 불림)로 집성될 수 있다. 그 후, 이러한 컬렉션들은 메시징 클라이언트(104)에 이용가능하게 된다. 다른 프로세서 및 메모리 집약적인 데이터의 처리는 또한, 그러한 처리를 위한 하드웨어 요건들을 고려하여, 메시징 서버(114)에 의해 서버 측에서 수행될 수 있다.
애플리케이션 서버들(112)은, 전형적으로 메시징 서버(114)로부터 전송되거나 메시징 서버(114)에서 수신된 메시지의 페이로드 내의 이미지들 또는 비디오에 관하여, 다양한 이미지 처리 동작들을 수행하는 데 전용되는 이미지 처리 서버(116)를 또한 포함한다.
소셜 네트워크 서버(122)는 다양한 소셜 네트워킹 기능들 및 서비스들을 지원하고 이들 기능들 및 서비스들을 메시징 서버(114)에 이용가능하게 한다. 이를 위해, 소셜 네트워크 서버(122)는 데이터베이스(120) 내에서 엔티티 그래프(306)(도 3에 도시됨)를 유지하고 액세스한다. 소셜 네트워크 서버(122)에 의해 지원되는 기능들 및 서비스들의 예들은, 특정 사용자가 관계를 가지거나 "팔로우하는(following)" 메시징 시스템(100)의 다른 사용자들의 식별(identification), 및 또한 특정 사용자의 다른 엔티티들 및 관심사항들의 식별을 포함한다.
시스템 아키텍처
도 2는, 일부 예들에 따른, 메시징 시스템(100)에 관한 추가의 상세들을 예시하는 블록도이다. 구체적으로, 메시징 시스템(100)은 메시징 클라이언트(104) 및 애플리케이션 서버들(112)을 포함하는 것으로 도시되어 있다. 메시징 시스템(100)은 클라이언트 측에서 메시징 클라이언트(104)에 의해 그리고 서버 측에서 애플리케이션 서버들(112)에 의해 지원되는 다수의 서브시스템들을 구현한다. 이러한 서브시스템들은, 예를 들어, 단기적 타이머 시스템(202), 컬렉션 관리 시스템(204), 수정 시스템(206), 맵 시스템(208), 게임 시스템(210), 및 실측 정보 생성 시스템(214)을 포함한다.
단기적 타이머 시스템(202)은 메시징 클라이언트(104) 및 메시징 서버(114)에 의해 콘텐츠에 대한 일시적 또는 시간 제한된 액세스를 시행하는 것을 담당한다. 단기적 타이머 시스템(202)은 메시지, 또는 메시지들의 컬렉션(예를 들어, 스토리)과 연관된 지속기간 및 디스플레이 파라미터들에 기초하여, 메시징 클라이언트(104)를 통해 메시지들 및 연관된 콘텐츠에 대한 (예를 들어, 제시 및 디스플레이를 위한) 액세스를 선택적으로 가능하게 하는 다수의 타이머를 포함한다. 단기적 타이머 시스템(202)의 동작에 관한 추가 상세들이 이하에 제공된다.
컬렉션 관리 시스템(204)은 미디어의 세트들 또는 컬렉션들(예를 들어, 텍스트, 이미지 비디오, 및 오디오 데이터의 컬렉션들)을 관리하는 것을 담당한다. 콘텐츠의 컬렉션(예를 들어, 이미지들, 비디오, 텍스트 및 오디오를 포함하는 메시지들)은 "이벤트 갤러리" 또는 "이벤트 스토리"로 조직될 수 있다. 이러한 컬렉션은 콘텐츠가 관련되는 이벤트의 지속기간과 같은 특정된 시간 기간 동안 이용가능하게 될 수 있다. 예를 들어, 음악 콘서트와 관련된 콘텐츠는 그 음악 콘서트의 지속기간 동안 "스토리"로서 이용가능하게 될 수 있다. 컬렉션 관리 시스템(204)은 또한 메시징 클라이언트(104)의 사용자 인터페이스에 특정 컬렉션의 존재의 통지를 제공하는 아이콘을 게시(publishing)하는 것을 담당할 수 있다.
컬렉션 관리 시스템(204)은 더욱이 컬렉션 관리자가 특정 콘텐츠의 컬렉션을 관리 및 큐레이팅하는 것을 허용하는 큐레이션 인터페이스(curation interface)(212)를 포함한다. 예를 들어, 큐레이션 인터페이스(212)는 이벤트 조직자(event organizer)가 특정 이벤트에 관련된 콘텐츠의 컬렉션을 큐레이팅(예를 들어, 부적절한 콘텐츠 또는 중복 메시지들을 삭제)하는 것을 가능하게 한다. 추가적으로, 컬렉션 관리 시스템(204)은 머신 비전(또는 이미지 인식 기술) 및 콘텐츠 규칙들을 사용하여 콘텐츠 컬렉션을 자동으로 큐레이팅한다. 특정 예들에서, 사용자-생성 콘텐츠를 컬렉션에 포함시키는 것에 대한 보상이 사용자에게 지불될 수 있다. 이러한 경우들에서, 컬렉션 관리 시스템(204)은 이러한 사용자들에게 그들의 콘텐츠를 사용하는 것에 대해 자동으로 지불하도록 동작한다.
증강 시스템(206)은 사용자가 메시지와 연관된 미디어 콘텐츠를 증강(예를 들어, 주석부기(annotate) 또는 다른 방식으로 수정 또는 편집)하는 것을 가능하게 하는 다양한 기능들을 제공한다. 예를 들어, 증강 시스템(206)은 메시징 시스템(100)에 의해 처리된 메시지들에 대한 미디어 오버레이들의 생성 및 게시와 관련된 기능들을 제공한다. 증강 시스템(206)은 클라이언트 디바이스(102)의 지리위치에 기초하여 메시징 클라이언트(104)에 미디어 오버레이 또는 증강(예를 들어, 이미지 필터)을 동작적으로 공급한다. 다른 예에서, 증강 시스템(206)은 클라이언트 디바이스(102)의 사용자의 소셜 네트워크 정보와 같은 다른 정보에 기초하여 메시징 클라이언트(104)에 미디어 오버레이를 동작적으로 공급한다. 미디어 오버레이는 오디오 및 시각적 콘텐츠 및 시각적 효과를 포함할 수 있다. 오디오 및 시각적 콘텐츠의 예는, 사진, 텍스트, 로고, 애니메이션, 및 음향 효과를 포함한다. 시각적 효과의 예는 컬러 오버레잉을 포함한다. 오디오 및 시각적 콘텐츠 또는 시각적 효과들은 클라이언트 디바이스(102)에서 미디어 콘텐츠 아이템(예를 들어, 사진)에 적용될 수 있다. 예를 들어, 미디어 오버레이는 클라이언트 디바이스(102)에 의해 촬영된 사진의 최상부에 오버레이될 수 있는 텍스트 또는 이미지를 포함할 수 있다. 다른 예에서, 미디어 오버레이는 위치 식별 오버레이(예를 들어, 베니스 해변), 라이브 이벤트의 이름(name of a live event), 또는 판매자 이름 오버레이(예를 들어, Beach Coffee House)를 포함한다. 다른 예에서, 증강 시스템(206)은 클라이언트 디바이스(102)의 지리위치를 사용하여, 클라이언트 디바이스(102)의 지리위치에서의 판매자 이름을 포함하는 미디어 오버레이를 식별한다. 미디어 오버레이는 판매자와 연관된 다른 표시들을 포함할 수 있다. 미디어 오버레이들은 데이터베이스(120)에 저장되고 데이터베이스 서버(118)를 통해 액세스될 수 있다.
일부 예들에서, 증강 시스템(206)은 사용자들이 맵 상에서 지리위치를 선택하고, 선택된 지리위치와 연관된 콘텐츠를 업로드하는 것을 가능하게 하는 사용자-기반 게시 플랫폼(user-based publication platform)을 제공한다. 사용자는 또한 특정 미디어 오버레이가 다른 사용자들에게 제공되어야 하는 상황들을 특정할 수 있다. 증강 시스템(206)은 업로드된 콘텐츠를 포함하고 업로드된 콘텐츠를 선택된 지리위치와 연관시키는 미디어 오버레이를 생성한다.
다른 예들에서, 증강 시스템(206)은 판매자들이 입찰 프로세스(bidding process)를 통해 지리위치와 연관된 특정 미디어 오버레이를 선택하는 것을 가능하게 하는 판매자-기반 게시 플랫폼(merchant-based publication platform)을 제공한다. 예를 들어, 증강 시스템(206)은 최고 입찰 판매자의 미디어 오버레이를 미리 정의된 양의 시간 동안 대응하는 지리위치와 연관시킨다.
맵 시스템(208)은 다양한 지리적 위치 기능들을 제공하고 메시징 클라이언트(104)에 의한 맵-기반 미디어 콘텐츠 및 메시지들의 제시를 지원한다. 예를 들어, 맵 시스템(208)은, 맵의 컨텍스트 내에서, 사용자의 "친구들"의 현재 또는 과거 위치뿐만 아니라 이러한 친구들에 의해 생성된 미디어 콘텐츠(예를 들어, 사진들 및 비디오들을 포함하는 메시지들의 컬렉션들)를 표시하기 위해 맵 상에 사용자 아이콘들 또는 아바타들(예를 들어, 프로파일 데이터(308)에 저장됨)의 디스플레이를 가능하게 한다. 예를 들어, 특정 지리적 위치로부터 메시징 시스템(100)에 사용자에 의해 게시된 메시지는 그 특정 위치에서의 맵의 컨텍스트 내에서 메시징 클라이언트(104)의 맵 인터페이스 상의 특정 사용자의 "친구들"에게 디스플레이될 수 있다. 사용자는 더욱이 자신의 위치 및 상태 정보를 메시징 클라이언트(104)를 통해 메시징 시스템(100)의 다른 사용자들과 (예를 들어, 적절한 상태 아바타를 사용하여) 공유할 수 있는데, 이 위치 및 상태 정보는 선택된 사용자들에게 메시징 클라이언트(104)의 맵 인터페이스의 컨텍스트 내에서 유사하게 디스플레이된다.
게임 시스템(210)은 메시징 클라이언트(104)의 컨텍스트 내에서 다양한 게이밍 기능들을 제공한다. 메시징 클라이언트(104)는 메시징 클라이언트(104)의 컨텍스트 내에서 사용자에 의해 론칭(launch)되고, 메시징 시스템(100)의 다른 사용자들과 플레이될 수 있는 이용가능한 게임들의 리스트를 제공하는 게임 인터페이스를 제공한다. 메시징 시스템(100)은 또한 메시징 클라이언트(104)로부터 다른 사용자들에게 초대들을 발행함으로써, 특정 사용자가 특정 게임의 플레이에 참가하도록 그러한 다른 사용자들을 초대할 수 있게 한다. 메시징 클라이언트(104)는 또한 게임플레이의 컨텍스트 내에서 음성 및 텍스트 메시징 양자 모두(예를 들어, 채팅들)를 지원하고, 게임들에 대한 리더보드(leaderboard)를 제공하며, 또한 게임 내 보상들(예를 들어, 코인들 및 아이템들)의 제공을 지원한다.
실측 정보 생성 시스템(214)은 머신 학습 모델들을 트레이닝시키기 위한 실측 정보들을 생성하는 것과 관련된 다양한 기능들을 제공한다. 실측 정보 생성 시스템(214)은, 사용자가 머신 학습 모델을 트레이닝시키기 위한 실측 정보 입력(626) 및 실측 정보 출력(662)을 생성할 수 있게 한다. 실측 정보 생성 시스템(214)은, 다양하고 포함적인 실측 정보들이 생성되는 것을 가능하게 하기 위해 증강 데이터베이스(612)에 대한 액세스를 제공한다.
데이터 아키텍처
도 3은 특정 예들에 따른, 메시징 서버 시스템(108)의 데이터베이스(120)에 저장될 수 있는 데이터 구조들(300)을 예시하는 개략도이다. 데이터베이스(120)의 콘텐츠가 다수의 테이블을 포함하는 것으로 도시되어 있지만, 데이터는 (예를 들어, 객체 지향 데이터베이스로서) 다른 타입들의 데이터 구조들에 저장될 수 있다는 것을 인식할 것이다.
데이터베이스(120)는 메시지 테이블(302) 내에 저장된 메시지 데이터를 포함한다. 이 메시지 데이터는, 임의의 특정한 하나의 메시지에 대해, 적어도 메시지 전송자 데이터, 메시지 수신인(또는 수신자) 데이터, 및 페이로드를 포함한다. 메시지에 포함될 수 있고 메시지 테이블(302)에 저장된 메시지 데이터 내에 포함될 수 있는 정보에 관한 추가 상세들이 도 4를 참조하여 아래에 설명된다.
엔티티 테이블(304)은 엔티티 데이터를 저장하고, 엔티티 그래프(306) 및 프로파일 데이터(308)에 (예를 들어, 참고용으로) 링크된다. 엔티티 테이블(304) 내에 레코드들(records)이 유지되는 엔티티들은, 개인, 법인 엔티티, 조직, 객체, 장소, 이벤트 등을 포함할 수 있다. 엔티티 타입에 관계없이, 메시징 서버 시스템(108)이 그에 관한 데이터를 저장하는 임의의 엔티티가 인식된 엔티티(recognized entity)일 수 있다. 각각의 엔티티는 고유 식별자뿐만 아니라 엔티티 타입 식별자(도시되지 않음)를 구비한다.
엔티티 그래프(306)는 엔티티들 사이의 관계 및 연관에 관한 정보를 저장한다. 그러한 관계들은, 단지 예를 들어, 사회적, 전문적(예를 들어, 일반 법인 또는 조직에서의 일) 관심 기반 또는 활동 기반일 수 있다.
프로파일 데이터(308)는 특정 엔티티에 대한 다수의 타입들의 프로파일 데이터를 저장한다. 프로파일 데이터(308)는 특정 엔티티에 의해 지정된 프라이버시 설정들에 기초하여, 선택적으로 사용되고 메시징 시스템(100)의 다른 사용자들에게 제시될 수 있다. 엔티티가 개인인 경우, 프로파일 데이터(308)는, 예를 들어, 사용자명, 전화 번호, 주소, 설정들(예를 들어, 통지 및 프라이버시 설정들)은 물론, 사용자-선택된 아바타 표현(또는 이러한 아바타 표현들의 컬렉션)을 포함한다. 그 후 특정 사용자는 메시징 시스템(100)을 통해 통신된 메시지들의 콘텐츠 내에, 그리고 메시징 클라이언트들(104)에 의해 다른 사용자들에게 디스플레이된 맵 인터페이스들 상에 이들 아바타 표현들 중 하나 이상을 선택적으로 포함할 수 있다. 아바타 표현들의 컬렉션은 사용자가 특정 시간에 통신하기 위해 선택할 수 있는 상태 또는 활동의 그래픽 표현을 제시하는 "상태 아바타들"을 포함할 수 있다.
엔티티가 그룹인 경우, 그룹에 대한 프로파일 데이터(308)는 관련 그룹에 대한 그룹 이름, 멤버들, 및 다양한 설정들(예를 들어, 통지들)에 더하여, 그룹과 연관된 하나 이상의 아바타 표현을 유사하게 포함할 수 있다.
데이터베이스(120)는 또한 오버레이들 또는 필터들과 같은 증강 데이터를 증강 테이블(310)에 저장한다. 증강 데이터는 비디오들(그에 대해 데이터가 비디오 테이블(314)에 저장됨) 및 이미지들(그에 대해 데이터가 이미지 테이블(316)에 저장됨)과 연관되고 이들에 적용된다.
일 예에서, 필터들은 수신인 사용자에의 제시 동안 이미지 또는 비디오 상에 오버레이되어 디스플레이되는 오버레이(overlay)들이다. 필터들은, 전송측 사용자가 메시지를 작성하고 있을 때 메시징 클라이언트(104)에 의해 전송측 사용자에게 제시되는 필터들의 세트로부터의 사용자-선택된 필터들을 포함한, 다양한 타입들의 필터들일 수 있다. 다른 타입들의 필터들은 지리적 위치에 기초하여 전송측 사용자에게 제시될 수 있는 지리위치 필터들(지오-필터(geo-filter)들이라고도 알려짐)을 포함한다. 예를 들어, 이웃 또는 특수한 위치에 특정한 지리위치 필터들이 클라이언트 디바이스(102)의 GPS(Global Positioning System) 유닛에 의해 결정된 지리위치 정보에 기초하여 메시징 클라이언트(104)에 의해 사용자 인터페이스 내에 제시될 수 있다.
다른 타입의 필터는, 메시지 작성 프로세스 동안 클라이언트 디바이스(102)에 의해 수집된 다른 입력들 또는 정보에 기초하여, 메시징 클라이언트(104)에 의해 전송측 사용자에게 선택적으로 제시될 수 있는 데이터 필터이다. 데이터 필터들의 예들은, 특정 위치에서의 현재 온도, 전송측 사용자가 이동하고 있는 현재 속도, 클라이언트 디바이스(102)에 대한 배터리 수명, 또는 현재 시간을 포함한다.
이미지 테이블(316) 내에 저장될 수 있는 다른 증강 데이터는 (예를 들어, 렌즈들(Lenses) 또는 증강 현실 경험들을 적용하는 것에 대응하는) 증강 현실 콘텐츠 아이템들을 포함한다. 증강 현실 콘텐츠 아이템은 이미지 또는 비디오에 추가될 수 있는 실시간 특수 효과 및 사운드일 수 있다.
위에서 설명한 바와 같이, 증강 데이터는 증강 현실 콘텐츠 아이템들, 오버레이들, 이미지 변환들, AR 이미지들, 및 이미지 데이터(예를 들어, 비디오들 또는 이미지들)에 적용될 수 있는 수정들을 지칭하는 유사한 용어들을 포함한다. 이것은 이미지가 클라이언트 디바이스(102)의 디바이스 센서들(예를 들어, 하나 또는 다수의 카메라)을 사용하여 캡처되고 그 후 수정들과 함께 클라이언트 디바이스(102)의 화면 상에 디스플레이되는 것처럼 이미지를 수정하는 실시간 수정들을 포함한다. 이것은 또한 수정될 수 있는 갤러리 내의 비디오 클립들과 같은 저장된 콘텐츠에 대한 수정들을 포함한다. 예를 들어, 다수의 증강 현실 콘텐츠 아이템들에 액세스하는 클라이언트 디바이스(102)에서, 사용자는 상이한 증강 현실 콘텐츠 아이템들이 저장된 클립을 어떻게 수정할지를 알아보기 위해 다수의 증강 현실 콘텐츠 아이템들과 함께 단일 비디오 클립을 사용할 수 있다. 예를 들어, 상이한 의사랜덤 이동 모델(pseudorandom movement model)들을 적용하는 다수의 증강 현실 콘텐츠 아이템들은 콘텐츠에 대한 상이한 증강 현실 콘텐츠 아이템들을 선택함으로써 동일한 콘텐츠에 적용될 수 있다. 유사하게, 실시간 비디오 캡처는 클라이언트 디바이스(102)의 센서들에 의해 현재 캡처되고 있는 비디오 이미지들이 캡처된 데이터를 어떻게 수정할지를 보여주기 위해 예시된 수정과 함께 사용될 수 있다. 이러한 데이터는 단순히 스크린 상에 디스플레이되고 메모리에 저장되지 않을 수 있거나, 디바이스 센서들에 의해 캡처된 콘텐츠는 수정들과 함께 또는 수정들 없이 (또는 둘 다로) 메모리에 기록되고 저장될 수 있다. 일부 시스템들에서, 미리보기 특징은 상이한 증강 현실 콘텐츠 아이템들이 디스플레이 내의 상이한 윈도우들 내에서 동시에 어떻게 보일지를 보여줄 수 있다. 이것은, 예를 들어, 상이한 의사랜덤 애니메이션들을 갖는 다수의 윈도우들이 디스플레이 상에서 동시에 보여질 수 있게 할 수 있다.
따라서, 이 데이터를 사용하여 콘텐츠를 수정하기 위해 증강 현실 콘텐츠 아이템들 또는 다른 이러한 변환 시스템들을 사용하는 데이터 및 다양한 시스템들은 객체들(예를 들어, 얼굴들, 손들, 신체들, 고양이들, 개들, 표면들, 객체들 등)의 검출, 이러한 객체들이 비디오 프레임들에서 시야를 벗어나고, 그에 들어가고, 그 주위를 이동할 때 이러한 객체들의 추적, 및 이러한 객체들이 추적될 때 이러한 객체들의 수정 또는 변환을 수반할 수 있다. 다양한 예들에서, 이러한 변환들을 달성하기 위한 상이한 방법들이 사용될 수 있다. 일부 예들은 객체 또는 객체들의 3차원 메시 모델을 발생하는 것, 및 변환을 달성하기 위해 비디오 내에서의 모델의 변환들 및 애니메이션화된 텍스처들을 사용하는 것을 수반할 수 있다. 다른 예들에서, 객체 상의 포인트들의 추적은 추적된 포지션에 (2차원 또는 3차원일 수 있는) 이미지 또는 텍스처를 배치하는 데 사용될 수 있다. 또 다른 예들에서, 비디오 프레임들의 신경망 분석은 콘텐츠(예를 들어, 이미지 또는 비디오 프레임)에 이미지들, 모델들, 또는 텍스처들을 배치하는 데 사용될 수 있다. 따라서, 증강 현실 콘텐츠 아이템들은 콘텐츠에서의 변환들을 작성하는 데 사용되는 이미지들, 모델들, 및 텍스처들뿐만 아니라, 객체 검출, 추적, 및 배치를 통해 이러한 변환들을 달성하는 데 필요한 추가적인 모델링 및 분석 정보를 모두 참조한다.
실시간 비디오 처리는 임의의 종류의 컴퓨터화된 시스템의 메모리에 저장된 임의의 종류의 비디오 데이터(예를 들어, 비디오 스트림들, 비디오 파일들 등)로 수행될 수 있다. 예를 들어, 사용자는 비디오 파일들을 로딩하고 이들을 디바이스의 메모리에 저장할 수 있거나, 또는 디바이스의 센서들을 사용하여 비디오 스트림을 생성할 수 있다. 또한, 사람의 얼굴 및 인체의 부분들, 동물들, 또는 의자, 자동차 또는 다른 객체들과 같은 무생물들과 같은 임의의 객체들이 컴퓨터 애니메이션 모델을 사용하여 처리될 수 있다.
일부 예들에서, 변환될 콘텐츠와 함께 특정 수정이 선택될 때, 변환될 요소들이 컴퓨팅 디바이스에 의해 식별되고, 그 후 이들이 비디오의 프레임들에 존재하는 경우 검출되고 추적된다. 객체의 요소들은 수정을 위한 요청에 따라 수정되고, 따라서 비디오 스트림의 프레임들을 변환한다. 비디오 스트림의 프레임들의 변환은 상이한 종류의 변환을 위해 상이한 방법들에 의해 수행될 수 있다. 예를 들어, 객체의 요소들의 형태들을 변경하는 것을 주로 참조하는 프레임들의 변환들에 대해서는, 객체의 각각의 요소에 대한 특성 포인트들이 (예를 들어, ASM(Active Shape Model) 또는 다른 알려진 방법들을 사용하여) 계산된다. 그 후, 객체의 적어도 하나의 요소 각각에 대해 특성 포인트(characteristic point)들에 기초한 메시가 생성된다. 이 메시는 비디오 스트림에서 객체의 요소들을 추적하는 다음 스테이지에서 사용된다. 추적 프로세스에서, 각각의 요소에 대한 언급된 메시는 각각의 요소의 포지션과 정렬된다. 그 후, 추가 포인트들이 메시 상에 생성된다. 제1 포인트들의 제1 세트는 수정을 위한 요청에 기초하여 각각의 요소에 대해 생성되고, 제2 포인트들의 세트는 제1 포인트들의 세트 및 수정을 위한 요청에 기초하여 각각의 요소에 대해 생성된다. 그 후, 비디오 스트림의 프레임들은 메시와 제1 및 제2 포인트들의 세트들에 기초하여 객체의 요소들을 수정함으로써 변환될 수 있다. 이러한 방법에서, 수정된 객체의 배경은 배경을 추적하고 수정함으로써 또한 변경되거나 왜곡될 수 있다.
일부 예들에서, 객체의 일부 영역들을 그것의 요소들을 사용하여 변경하는 변환들은 객체의 각각의 요소에 대한 특성 포인트들을 산출하고 산출된 특성 포인트들에 기초하여 메시를 생성함으로써 수행될 수 있다. 메시 상에 포인트들이 생성되고, 그 후 포인트들에 기초한 다양한 영역들이 생성된다. 이어서, 객체의 요소들은 각각의 요소에 대한 영역을 적어도 하나의 요소 각각에 대한 포지션과 정렬함으로써 추적되고, 영역들의 특성들은 수정을 위한 요청에 기초하여 수정될 수 있으며, 따라서 비디오 스트림의 프레임들을 변환한다. 수정을 위한 특정 요청에 따라, 언급된 영역들의 특성들이 상이한 방식들로 변환될 수 있다. 이러한 수정들은 영역들의 컬러를 변경하는 것; 비디오 스트림의 프레임들로부터 영역들의 적어도 일부를 제거하는 것; 수정 요청에 기초하는 영역들에 하나 이상의 새로운 객체를 포함시키는 것; 및 영역 또는 객체의 요소들을 수정 또는 왜곡하는 것을 수반할 수 있다. 다양한 예들에서, 이러한 수정들 또는 다른 유사한 수정들의 임의의 조합이 사용될 수 있다. 애니메이션될 특정 모델들에 대해, 몇몇 특성 포인트들이 모델 애니메이션에 대한 옵션들의 전체 상태 공간을 결정하는데 이용될 제어 포인트들로서 선택될 수 있다.
얼굴 검출을 사용하여 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델의 일부 예들에서, 얼굴은 특정 얼굴 검출 알고리즘(예를 들어, Viola-Jones)을 사용하여 이미지 상에서 검출된다. 그 후, 얼굴 특징 기준 포인트들을 검출하기 위해 이미지의 얼굴 영역에 ASM(Active Shape Model) 알고리즘이 적용된다.
다른 들에서, 얼굴 검출에 적합한 다른 방법들 및 알고리즘들이 사용될 수 있다. 예를 들어, 일부 예들에서, 특징들은 고려 중인 다수의 이미지들에 존재하는 구별가능한 포인트를 나타내는 랜드마크를 사용하여 위치된다. 얼굴 랜드마크들에 대해, 예를 들어, 좌안 동공의 위치가 사용될 수 있다. 초기 랜드마크가 식별가능하지 않은 경우(예를 들어, 사람이 안대를 한 경우), 2차 랜드마크들이 사용될 수 있다. 이러한 랜드마크 식별 절차들은 임의의 이러한 객체들에 대해 사용될 수 있다. 일부 예들에서, 랜드마크들의 세트가 형상을 형성한다. 형상들은 형상 내의 포인트들의 좌표들을 사용하여 벡터들로서 표현될 수 있다. 형상 포인트들 사이의 평균 유클리드 거리(average Euclidean distance)를 최소화하는 유사성 변환(병진, 스케일링, 및 회전을 허용함)을 사용하여 하나의 형상은 다른 것에 정렬된다. 평균 형상은 정렬된 훈련 형상들의 평균이다.
일부 예들에서, 전역적 얼굴 검출기에 의해 결정된 얼굴의 포지션 및 크기에 정렬된 평균 형상으로부터의 랜드마크들에 대한 탐색이 시작된다. 그 후 이러한 탐색은 각각의 포인트 주변의 이미지 텍스처의 템플릿 매칭에 의해 형상 포인트들의 위치들을 조정함으로써 임시 형상을 제안하는 단계 및 그 후 수렴이 일어날 때까지 임시 형상을 전역적 형상 모델에 합치(conform)시키는 단계를 반복한다. 일부 시스템들에서, 개별 템플릿 매치들은 신뢰할 수 없으며, 형상 모델은 약한 템플릿 매칭들의 결과들을 풀링하여 더 강한 전체 분류기를 형성한다. 탐색은 조대(coarse) 해상도에서 미세(fine) 해상도로 이미지 피라미드의 각각의 레벨에서 반복된다.
변환 시스템은, 적절한 사용자 경험, 계산 시간, 및 전력 소비를 유지하면서, 클라이언트 디바이스(예를 들어, 클라이언트 디바이스(102)) 상에서 이미지 또는 비디오 스트림을 캡처하고 클라이언트 디바이스(102) 상에서 국부적으로 복잡한 이미지 조작들을 수행할 수 있다. 복잡한 이미지 조작들은 크기 및 형상 변화들, 감정 이전들(예를 들어, 찡그림에서 미소로 얼굴을 변화시킴), 상태 이전들(예를 들어, 피험자를 노화시키는 것, 겉보기 나이를 감소시키는 것, 성별을 변화시키는 것), 스타일 이전들, 그래픽 요소 적용, 및 클라이언트 디바이스(102) 상에서 효율적으로 실행되도록 구성된 컨볼루션 신경망에 의해 구현된 임의의 다른 적절한 이미지 또는 비디오 조작을 포함할 수 있다.
일부 예들에서, 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델은, 사용자가 클라이언트 디바이스(102) 상에서 동작하는 메시징 클라이언트 애플리케이션의 일부로서 동작하는 신경망을 갖는 클라이언트 디바이스(102)를 사용하여 사용자의 이미지 또는 비디오 스트림(예를 들어, 셀피(selfie))을 캡처할 수 있는 시스템에 의해 사용될 수 있다. 메시징 클라이언트(104) 내에서 동작하는 변환 시스템은 이미지 또는 비디오 스트림 내의 얼굴의 존재를 결정하고, 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델과 연관된 수정 아이콘들을 제공하거나, 컴퓨터 애니메이션 모델은 본 명세서에 설명된 인터페이스와 연관된 것으로서 존재할 수 있다. 수정 아이콘들은 수정 동작의 일부로서 이미지 또는 비디오 스트림 내의 사용자의 얼굴을 수정하기 위한 기초일 수 있는 변경들을 포함한다. 수정 아이콘이 선택되면, 변환 시스템은 선택된 수정 아이콘을 반영하도록 사용자의 이미지를 변환하는(예를 들어, 사용자에게 미소 짓는 얼굴을 생성하는) 프로세스를 개시한다. 수정된 이미지 또는 비디오 스트림은 이미지 또는 비디오 스트림이 캡처되고 특정된 수정이 선택되자마자 클라이언트 디바이스(102) 상에 디스플레이되는 그래픽 사용자 인터페이스에 제시될 수 있다. 변환 시스템은 이미지 또는 비디오 스트림의 일부에 대해 복잡한 컨볼루션 신경망을 구현하여 선택된 수정을 생성 및 적용할 수 있다. 즉, 사용자는 이미지 또는 비디오 스트림을 캡처하고, 수정 아이콘이 선택되었다면 실시간으로 또는 거의 실시간으로 수정된 결과를 제시받을 수 있다. 게다가, 비디오 스트림이 캡처되고 있고, 선택된 수정 아이콘이 토글링된 채로 있는 동안, 수정은 지속적일 수 있다. 이러한 수정들을 가능하게 하기 위해 머신 교시 신경망들(machine taught neural networks)이 사용될 수 있다.
변환 시스템에 의해 수행되는 수정을 제시하는 그래픽 사용자 인터페이스는 사용자에게 추가적인 상호작용 옵션들을 공급할 수 있다. 이러한 옵션들은 특정 컴퓨터 애니메이션 모델의 콘텐츠 캡처 및 선택을 개시하기 위해 사용되는 인터페이스(예를 들어, 콘텐츠 작성자 사용자 인터페이스로부터의 개시)에 기초할 수 있다. 다양한 예들에서, 수정 아이콘의 초기 선택 후에 수정이 지속적일 수 있다. 사용자는 변환 시스템에 의해 수정되고 있는 얼굴을 탭핑(tapping)하거나 다른 방식으로 선택함으로써 수정을 온 또는 오프로 토글링하고, 나중에 보거나 이미징 애플리케이션의 다른 영역들로 브라우징하기 위해 그것을 저장할 수 있다. 다수의 얼굴들이 변환 시스템에 의해 수정되는 경우, 사용자는 그래픽 사용자 인터페이스 내에서 수정되어 디스플레이되는 단일 얼굴을 탭핑하거나 선택함으로써 전역적으로 수정을 온 또는 오프로 토글링할 수 있다. 일부 예들에서, 다수의 얼굴들의 그룹 중에서, 개별 얼굴들이 개별적으로 수정될 수 있거나, 이러한 수정들은 그래픽 사용자 인터페이스 내에 디스플레이된 개별 얼굴 또는 일련의 개별 얼굴들을 탭핑하거나 선택함으로써 개별적으로 토글링될 수 있다.
스토리 테이블(312)은, 컬렉션(예를 들어, 스토리 또는 갤러리)으로 컴파일되는, 메시지들 및 연관된 이미지, 비디오 또는 오디오 데이터의 컬렉션들에 관한 데이터를 저장한다. 특정 컬렉션의 생성은 특정 사용자(예를 들어, 그에 대해 레코드가 엔티티 테이블(304)에서 유지되는 각각의 사용자)에 의해 개시될 수 있다. 사용자는 그 사용자에 의해 생성되고 전송/브로드캐스트된 콘텐츠의 컬렉션의 형태로 "개인 스토리"를 생성할 수 있다. 이를 위해, 메시징 클라이언트(104)의 사용자 인터페이스는, 전송측 사용자가 자신의 개인 스토리에 특정 콘텐츠를 추가하는 것을 가능하게 하기 위해 사용자-선택가능한 아이콘을 포함할 수 있다.
컬렉션은 또한, 수동으로, 자동으로, 또는 수동 및 자동 기법들의 조합을 사용하여 작성되는 다수의 사용자로부터의 콘텐츠의 컬렉션인 "라이브 스토리(live story)"를 구성할 수 있다. 예를 들어, "라이브 스토리"는 다양한 위치들 및 이벤트들로부터의 사용자-제출 콘텐츠(user-submitted content)의 큐레이팅된 스트림(curated stream)을 구성할 수 있다. 위치 서비스가 가능한 클라이언트 디바이스들을 갖고 특정 시간에 공통 위치 이벤트에 있는 사용자들에게는, 예를 들어, 메시징 클라이언트(104)의 사용자 인터페이스를 통해, 특정 라이브 스토리에 콘텐츠를 기여하는 옵션이 제시될 수 있다. 라이브 스토리는 자신의 위치에 기초하여 메시징 클라이언트(104)에 의해 사용자에게 식별될 수 있다. 최종 결과는 커뮤니티 관점에서 말한 "라이브 스토리"이다.
추가적인 타입의 콘텐츠 컬렉션은, 특정 지리적 위치 내에(예를 들어, 단과대학 또는 대학 캠퍼스에) 위치하는 클라이언트 디바이스(102)를 갖는 사용자가 특정 컬렉션에 기여하는 것을 가능하게 하는 "위치 스토리(location story)"라고 알려져 있다. 일부 예들에서, 위치 스토리에 대한 기여는 최종 사용자가 특정 조직 또는 다른 엔티티에 속하는지(예를 들어, 대학 캠퍼스의 학생인지)를 검증하기 위해 제2 인증 정도(second degree of authentication)를 요구할 수 있다.
위에 언급한 바와 같이, 비디오 테이블(314)은, 일 예에서, 그에 대해 레코드들이 메시지 테이블(302) 내에 유지되는 메시지들과 연관된 비디오 데이터를 저장한다. 유사하게, 이미지 테이블(316)은 그에 대해 메시지 데이터가 엔티티 테이블(304)에 저장되는 메시지들과 연관된 이미지 데이터를 저장한다. 엔티티 테이블(304)은 증강 테이블(310)로부터의 다양한 증강들을 이미지 테이블(316) 및 비디오 테이블(314)에 저장된 다양한 이미지들 및 비디오들과 연관시킬 수 있다. 데이터베이스(120)는 또한, 도 6의 증강 데이터베이스(612) 및 모델들(602)을 저장할 수 있다.
데이터 통신 아키텍처
도 4는 추가 메시징 클라이언트(104) 또는 메시징 서버(114)로의 통신을 위해 메시징 클라이언트(104)에 의해 생성된, 일부 예들에 따른, 메시지(400)의 구조를 예시하는 개략도이다. 특정 메시지(400)의 콘텐츠는 메시징 서버(114)에 의해 액세스가능한, 데이터베이스(120) 내에 저장된 메시지 테이블(302)을 채우는 데 사용된다. 유사하게, 메시지(400)의 콘텐츠는 클라이언트 디바이스(102) 또는 애플리케이션 서버들(112)의 "수송중(in-transit)" 또는 "비행중(in-flight)" 데이터로서 메모리에 저장된다. 메시지(400)는 다음의 예시적인 컴포넌트들을 포함하는 것으로 도시되어 있다:
메시지 식별자(402)(MSG_ID(402)): 메시지(400)를 식별하는 고유 식별자. 메시지 텍스트 페이로드(404)(MSG_TEXT(404)): 클라이언트 디바이스(102)의 사용자 인터페이스를 통해 사용자에 의해 생성되고 메시지(400)에 포함되는 텍스트.
메시지 이미지 페이로드(406)(MSG_IMAGE(406)): 클라이언트 디바이스(102)의 카메라 컴포넌트에 의해 캡처되거나 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되고, 메시지(400)에 포함되는 이미지 데이터. 전송된 또는 수신된 메시지(400)에 대한 이미지 데이터는 이미지 테이블(316)에 저장될 수 있다.
메시지 비디오 페이로드(408): 카메라 컴포넌트에 의해 캡처되거나 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되고 메시지(400)에 포함되는 비디오 데이터. 전송된 또는 수신된 메시지(400)에 대한 비디오 데이터는 비디오 테이블(314)에 저장될 수 있다.
메시지 오디오 페이로드(410): 마이크로폰에 의해 캡처되거나 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되고, 메시지(400)에 포함되는 오디오 데이터.
메시지 증강 데이터(412): 메시지(400)의 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 또는 메시지 오디오 페이로드(410)에 적용될 증강들을 나타내는 증강 데이터(예를 들어, 필터들, 스티커들, 또는 다른 주석들 또는 개선들). 전송된 또는 수신된 메시지(400)에 대한 증강 데이터는 증강 테이블(310)에 저장될 수 있다.
메시지 지속기간 파라미터(414)(MSG_DUR(414)): 메시지의 콘텐츠(예를 들어, 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 메시지 오디오 페이로드(410))가 메시징 클라이언트(104)를 통해 사용자에게 제시되거나 액세스 가능하게 되는 시간의 양을 초 단위로 표시하는 파라미터 값.
메시지 지리위치 파라미터(416): 메시지의 콘텐츠 페이로드와 연관된 지리위치 데이터(예를 들어, 위도 및 경도 좌표들). 다수의 메시지 지리위치 파라미터(416) 값들이 페이로드에 포함될 수 있으며, 이들 파라미터 값들 각각은 콘텐츠(예를 들어, 메시지 이미지 페이로드(406) 내의 특정 이미지, 또는 메시지 비디오 페이로드(408) 내의 특정 비디오)에 포함된 콘텐츠 아이템들과 관련하여 연관된다.
메시지 스토리 식별자(418): 메시지(400)의 메시지 이미지 페이로드(406) 내의 특정 콘텐츠 아이템이 연관되어 있는 하나 이상의 콘텐츠 컬렉션(예를 들어, 스토리 테이블(312)에서 식별되는 "스토리들")을 식별하는 식별자 값들. 예를 들어, 메시지 이미지 페이로드(406) 내의 다수의 이미지는 각각 식별자 값들을 이용하여 다수의 콘텐츠 컬렉션과 연관될 수 있다.
메시지 태그(420): 각각의 메시지(400)는 다수의 태그로 태깅될 수 있고, 그 각각은 메시지 페이로드에 포함된 콘텐츠의 주제를 나타낸다. 예를 들어, 메시지 이미지 페이로드(406)에 포함된 특정 이미지가 동물(예를 들어, 사자)을 묘사하는 경우, 관련 동물을 나타내는 태그 값이 메시지 태그(420) 내에 포함될 수 있다. 태그 값들은, 사용자 입력에 기초하여 수동으로 생성되거나, 예를 들어, 이미지 인식을 이용하여 자동으로 생성될 수 있다.
메시지 전송자 식별자(422): 메시지(400)가 생성되었고 메시지(400)가 전송된 클라이언트 디바이스(102)의 사용자를 나타내는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 주소, 또는 디바이스 식별자).
메시지 수신자 식별자(424): 메시지(400)가 어드레싱되는 클라이언트 디바이스(102)의 사용자를 나타내는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 주소, 또는 디바이스 식별자).
메시지(400)의 다양한 컴포넌트들의 콘텐츠(예를 들어, 값들)는 그 안에 콘텐츠 데이터 값들이 저장되어 있는 테이블들 내의 위치들에 대한 포인터들일 수 있다. 예를 들어, 메시지 이미지 페이로드(406) 내의 이미지 값은 이미지 테이블(316) 내의 위치에 대한 포인터(또는 그 주소)일 수 있다. 유사하게, 메시지 비디오 페이로드(408) 내의 값들은 비디오 테이블(314) 내에 저장된 데이터를 가리킬 수 있고, 메시지 증강들(412) 내에 저장된 값들은 증강 테이블(310)에 저장된 데이터를 가리킬 수 있고, 메시지 스토리 식별자(418) 내에 저장된 값들은 스토리 테이블(312)에 저장된 데이터를 가리킬 수 있고, 메시지 전송자 식별자(422) 및 메시지 수신자 식별자(424) 내에 저장된 값들은 엔티티 테이블(304) 내에 저장된 사용자 레코드들을 가리킬 수 있다.
설명된 흐름도들은 동작들을 순차적 프로세스로서 나타낼 수 있지만, 동작들 중 다수는 병렬로 또는 동시에 수행될 수 있다. 게다가, 동작들의 순서는 재배열될 수 있다. 프로세스는 그의 동작들이 완료될 때 종료된다. 프로세스는 방법, 절차, 알고리즘 등에 대응할 수 있다. 방법들의 동작들은 전체적으로 또는 부분적으로 수행될 수 있고, 다른 방법들에서의 동작들의 일부 또는 전부와 함께 수행될 수 있고, 본 명세서에 설명된 시스템들과 같은 임의의 수의 상이한 시스템들, 또는 시스템들 중 임의의 것에 포함된 프로세서와 같은 그의 임의의 부분에 의해 수행될 수 있다.
시간 기반 액세스 제한 아키텍처
도 5는 그에 관하여 콘텐츠(예를 들어, 단기적 메시지(502), 및 데이터의 연관된 멀티미디어 페이로드) 또는 콘텐츠 컬렉션(예를 들어, 단기적 메시지 그룹(504))에 대한 액세스가 시간 제한될 수 있는(예를 들어, 단기적으로 될 수 있는), 액세스-제한 프로세스(500)를 예시하는 개략도이다.
단기적 메시지(502)는 메시지 지속기간 파라미터(506)와 연관되는 것으로 도시되어 있고, 그 값은 단기적 메시지(502)가 메시징 클라이언트(104)에 의해 단기적 메시지(502)의 수신측 사용자에게 디스플레이될 시간의 양을 결정한다. 일 예에서, 전송측 사용자가 메시지 지속기간 파라미터(506)를 사용하여 특정하는 시간의 양에 따라, 최대 10초 동안 수신측 사용자가 단기적 메시지(502)를 볼 수 있다.
메시지 지속기간 파라미터(506) 및 메시지 수신자 식별자(424)는 메시지 타이머(512)에 대한 입력들인 것으로 도시되어 있고, 메시지 타이머(512)는 단기적 메시지(502)가 메시지 수신자 식별자(424)에 의해 식별된 특정 수신측 사용자에게 보여지는 시간의 양을 결정하는 것을 담당한다. 특히, 단기적 메시지(502)는 메시지 지속기간 파라미터(506)의 값에 의해 결정된 기간 동안 관련 수신측 사용자에게만 보여질 것이다. 메시지 타이머(512)는 수신측 사용자에게 콘텐츠(예를 들어, 단기적 메시지(502))의 디스플레이의 전체 타이밍을 담당하는 더 일반화된 단기적 타이머 시스템(202)에 출력을 제공하는 것으로 도시된다.
단기적 메시지(502)는 단기적 메시지 그룹(504)(예를 들어, 개인 스토리 또는 이벤트 스토리에서의 메시지들의 컬렉션) 내에 포함되는 것으로 도 5에 도시되어 있다. 단기적 메시지 그룹(504)은 연관된 그룹 지속기간 파라미터(508)를 가지며, 그 값은 단기적 메시지 그룹(504)이 메시징 시스템(100)의 사용자들에게 제시되고 액세스가능한 시간 지속기간(time duration)을 결정한다. 예를 들어, 그룹 지속기간 파라미터(508)는 음악 콘서트의 지속기간일 수 있고, 여기서 단기적 메시지 그룹(504)은 그 콘서트에 관련된 콘텐츠의 컬렉션이다. 대안적으로, 사용자(소유 사용자 또는 큐레이터 사용자)는 단기적 메시지 그룹(504)의 셋업 및 작성을 수행할 때 그룹 지속기간 파라미터(508)에 대한 값을 특정할 수 있다.
추가적으로, 단기적 메시지 그룹(504) 내의 각각의 단기적 메시지(502)는 연관된 그룹 참가 파라미터(group participation parameter)(510)를 갖고, 그 값은 단기적 메시지(502)가 단기적 메시지 그룹(504)의 컨텍스트 내에서 액세스가능할 시간의 지속기간을 결정한다. 따라서, 특정 단기적 메시지 그룹(504)는, 단기적 메시지 그룹(504) 자체가 그룹 지속기간 파라미터(508)에 관하여 만료되기 전에, 단기적 메시지 그룹(504)의 컨텍스트 내에서 "만료"되고 액세스 불가능해질 수 있다. 그룹 지속기간 파라미터(508), 그룹 참가 파라미터(510), 및 메시지 수신자 식별자(424)는 각각 그룹 타이머(514)에 대한 입력을 제공하며, 그룹 타이머(514)는, 먼저, 단기적 메시지 그룹(504)의 특정 단기적 메시지(502)가 특정 수신측 사용자에게 디스플레이될 것인지, 그리고, 그렇다면, 얼마나 오랫동안 디스플레이될 것인지를 동작적으로 결정한다. 단기적 메시지 그룹(504)은 또한 메시지 수신자 식별자(424)의 결과로서 특정 수신측 사용자의 아이덴티티(identity)를 인식한다는 점에 유의한다.
따라서, 그룹 타이머(514)는 연관된 단기적 메시지 그룹(504)뿐만 아니라, 단기적 메시지 그룹(504)에 포함된 개별 단기적 메시지(502)의 전체 수명을 동작적으로 제어한다. 일 예에서, 단기적 메시지 그룹(504) 내의 각각의 그리고 모든 단기적 메시지(502)는 그룹 지속기간 파라미터(508)에 의해 특정된 기간 동안 볼 수 있고 액세스 가능하게 유지된다. 추가 예에서, 특정 단기적 메시지(502)는, 그룹 참가 파라미터(510)에 기초하여, 단기적 메시지 그룹(504)의 컨텍스트 내에서 만료될 수 있다. 메시지 지속기간 파라미터(506)는 단기적 메시지 그룹(504)의 컨텍스트 내에서도, 특정 단기적 메시지(502)가 수신측 사용자에게 디스플레이되는 시간의 지속기간을 여전히 결정할 수 있다는 점에 유의한다. 따라서, 메시지 지속기간 파라미터(506)는, 수신측 사용자가 단기적 메시지 그룹(504)의 컨텍스트 내부 또는 외부에서 그 단기적 메시지(502)를 보고 있는지에 관계없이, 특정 단기적 메시지(502)가 수신측 사용자에게 디스플레이되는 시간의 지속기간을 결정한다.
단기적 타이머 시스템(202)은 또한 그것이 연관된 그룹 참가 파라미터(510)를 초과했다는 결정에 기초하여 단기적 메시지 그룹(504)으로부터 특정 단기적 메시지(502)를 동작적으로 제거할 수 있다. 예를 들어, 전송측 사용자가 포스팅으로부터 24 시간의 그룹 참가 파라미터(510)를 확립했을 때, 단기적 타이머 시스템(202)은 지정된 24 시간 후에 단기적 메시지 그룹(504)으로부터 관련 단기적 메시지(502)를 제거할 것이다. 단기적 타이머 시스템(202)은 또한 단기적 메시지 그룹(504) 내의 각각의 그리고 모든 단기적 메시지(502)에 대한 그룹 참가 파라미터(510)가 만료되었을 때, 또는 단기적 메시지 그룹(504) 자체가 그룹 지속기간 파라미터(508)에 관하여 만료되었을 때 단기적 메시지 그룹(504)을 제거하도록 동작한다.
특정 사용 경우들에서, 특정 단기적 메시지 그룹(504)의 작성자는 부정(indefinite) 그룹 지속기간 파라미터(508)를 특정할 수 있다. 이 경우, 단기적 메시지 그룹(504) 내의 마지막 잔여 단기적 메시지(502)에 대한 그룹 참가 파라미터(510)의 만료는 단기적 메시지 그룹(504) 자체가 만료될 때를 결정할 것이다. 이 경우, 새로운 그룹 참가 파라미터(510)로, 단기적 메시지 그룹(504)에 추가된, 새로운 단기적 메시지(502)가 단기적 메시지 그룹(504)의 수명을 그룹 참가 파라미터(510)의 값과 같도록 효과적으로 연장한다.
단기적 타이머 시스템(202)이 단기적 메시지 그룹(504)이 만료되었다고(예를 들어, 더 이상 액세스 가능하지 않다고) 결정하는 것에 응답하여, 단기적 타이머 시스템(202)은 메시징 시스템(100)(및, 예를 들어, 구체적으로 메시징 클라이언트(104))과 통신하여, 관련 단기적 메시지 그룹(504)과 연관된 표지(예를 들어, 아이콘)가 더 이상 메시징 클라이언트(104)의 사용자 인터페이스 내에 디스플레이되지 않게 한다. 유사하게, 단기적 타이머 시스템(202)이 특정 단기적 메시지(502)에 대한 메시지 지속기간 파라미터(506)가 만료되었다고 결정할 때, 단기적 타이머 시스템(202)은 메시징 클라이언트(104)가 단기적 메시지(502)와 연관된 표지(예를 들어, 아이콘 또는 텍스트 식별)를 더 이상 디스플레이하지 않게 한다.
머신 학습을 위한 실측 정보 생성
도 6은 일부 예들에 따른, 머신 학습(600)을 위한 실측 정보들을 생성하는 것을 예시한다. 증강 모듈(614)은 증강 데이터베이스(612)를 사용해서 모델들(602)을 처리하여 증강들(634)을 생성한다. 렌더링 모듈(660)은 증강들(634)을 처리하여 실측 정보 입력(626) 및 실측 정보 출력(662)을 생성한다. 실측 정보 입력(626)은 증강들(630) 및 인덱스들(632)을 포함하며, 렌더링된 이미지들(628) 각각에 적용된 증강들(630) 각각에 인덱스(632)를 제공한다. 유사하게, 실측 정보 출력(662)은 증강들(666) 및 인덱스들(668)을 포함하며, 렌더링된 이미지들(664) 각각에 적용된 증강들(666) 각각에 인덱스(668)를 제공한다.
실측 정보 입력(626) 및 실측 정보 출력(662)은, 컨볼루션 신경망(CNN)(2206)을 트레이닝시키는 것과 같은 머신 학습에 사용된다. 모델들(602)은 베이스 모델(604), 단순화된 베이스 모델(606), 수정된 베이스 모델(608), 및 단순화된 수정된 베이스 모델(610)을 포함한다. 모델들(602)은 일부 예들에 따른 다각형들의 3차원(3D) 메시들이다. 베이스 모델(604) 및 단순화된 베이스 모델(606)은 실측 정보 입력(626)을 생성하는 데 사용된다. 수정된 베이스 모델(608) 및 단순화된 수정된 베이스 모델(610)은 실측 정보 출력(662)을 생성하는 데 사용된다. 도 8은 도 6과 함께 개시된다. 도 8은 일부 예들에 따른, 베이스 모델(806) 및 수정된 베이스 모델(808)을 예시한다. 도 8을 참조하면, 베이스 모델(806)은 베이스 모델(604)이고, 수정된 베이스 모델(808)은 수정된 베이스 모델(608)이다. 일부 예들에서, 수정된 베이스 모델(608)은 베이스 모델(604)로부터 도출된다. 예를 들어, 수정된 베이스 모델(608)은, 수정된 베이스 모델(608)이 꼬마 요정 생명체(elfin creature)처럼 보이도록 베이스 모델(604)의 특징들을 과장함으로써 베이스 모델(604)을 만화 캐릭터로 바꾸는 것을 포함한다. 다른 예들에서, 수정된 베이스 모델(608)은 베이스 모델(608)과 별개이다. 베이스 모델(604) 또는 수정된 베이스 모델(608)이 논의될 때, 논의는 모델들(602) 중 몇몇에 적용된다는 것이 이해된다. 베이스 모델(806) 및 수정된 베이스 모델(808)은 정점들을 갖는 많은 다각형들로 구성된다.
일부 예들에서, 베이스 모델(604) 및 수정된 베이스 모델(608)은 그래픽 애플리케이션에서 조각화된다(sculptured). 다른 예들에서, 베이스 모델(604) 또는 수정된 베이스 모델(608)은 머리의 이미지 또는 3D 스캔으로부터 생성되며, 여기서 이미지 또는 3D 스캔은 다각형들로 표현되는 3D 모델로 변환된다. 얼굴들은 모델들(602) 및 증강 데이터베이스(612)의 주요 초점이지만, 완전한 인체들, 말들과 같은 동물들, 집들과 같은 객체들, 만화들과 같은 애니메이션들, 비디오들 등과 같은 다른 이미지들이 사용될 수 있다.
베이스 모델(604) 및 수정된 베이스 모델(608)은 각각 단순화된 베이스 모델(606) 및 단순화된 수정된 베이스 모델(610)보다 더 많은 수의 다각형을 갖는다. 감소된 수의 다각형들은, 더 많은 증강들(634)이 생성되고 더 많은 렌더링된 이미지들(628, 664)이 생성되는 것을 가능하게 한다. 추가적으로, 더 적은 수의 다각형들은 증강들(634) 중 일부를 추가하는 프로세스를 단순화시킨다. 증강 모듈(614)은 리토폴로지(retopology) 프로세스를 사용하여 단순화된 베이스 모델(606) 및 단순화된 수정된 베이스 모델(610)을 생성하기 위해 베이스 모델(604) 및 수정된 베이스 모델(608)을 처리하도록 구성된다.
증강 모듈(614)은 먼저 베이스 모델(604) 및 단순화된 베이스 모델(606)을 처리하여, 증강들(638) 및 인덱스들(640)을 갖는 증강된 베이스 모델(636)과 증강들(644) 및 인덱스들(646)을 갖는 증강된 단순화된 베이스 모델들(642)을 생성한다. 다음으로, 증강 모듈(614)은 수정된 베이스 모델(608) 및 단순화된 수정된 베이스 모델(610)을 처리하여, 증강들(650) 및 인덱스들(652)을 갖는 증강된 수정된 베이스 모델(648)과 인덱스들(658)을 갖는 증강된 656을 갖는 증강된 단순화된 수정된 베이스 모델(654)을 생성한다. 증강 모듈(614)은 베이스 모델(604) 및 단순화된 베이스 모델(606)을 처리하는 데 사용된 것과 동일한 증강들(638) 및 증강들(644)을 사용해서, 수정된 베이스 모델(608) 및 단순화된 베이스 모델(610)을 처리하여 증강들(650) 및 증강들(656)을 생성한다. 이러한 방식으로, 증강된 베이스 모델들(636)과 증강된 수정된 베이스 모델들(648) 사이에 일대일 대응이 있으므로, 이들이 CNN을 트레이닝시키는 데 사용될 수 있다. 유사하게, 증강된 단순화된 베이스 모델들(642)과 증강된 단순화된 수정된 베이스 모델들(654) 사이에 일대일 대응이 있다.
정규화 모듈(normalize module)(622)은 증강들이 모델들(602)에 적용될 수 있도록 모델들(602) 및 증강 데이터베이스(612)로부터의 증강들을 처리한다. 적용 모듈(624)은 증강들(634)을 생성하기 위해 모델들(602)에 증강들을 적용한다. 정규화 모듈(622) 및 적용 모듈(624)은 도 10 내지 도 23과 관련하여 설명된다.
증강 모듈(614)은 무작위화 모듈(randomization module)(616) 및 정규화 모듈(622)을 포함한다. 무작위화 모듈(616)은 증강 데이터베이스(612)로부터 베이스 모델(604)에 적용할 증강들(638 및 644)을 선택한다. 도 7은 도 6과 함께 개시된다. 도 7은 일부 예들에 따른, 증강 데이터베이스(612)를 예시한다. 증강 데이터베이스(612)는 아이템 증강들(item augmentations)(702), 셰이더 증강들(shader augmentations)(704), 블렌드셰이프 증강들(blendshape augmentations)(706)(또는 블렌드 셰이프 증강들(blend shape augmentations)), 조명 증강들(lighting augmentations)(708), 및 배향 증강들(orientation augmentations)(710)을 포함한다. 적용 모듈(624)에 의해 적용될 때, 증강 데이터베이스(612)의 증강들은 모델들(602)의 모델에 대한 변경을 야기한다. 증강 데이터베이스(612)의 증강들은 도 10 내지 도 23과 관련하여 추가로 설명된다.
다양성 모듈(diversity module)(618)은 무작위화 모듈(616)에 의해 선택된 증강들(638 및 644)이 ML 모델들을 적절하게 트레이닝시키기 위해 다양하도록 보장한다. 예를 들어, 다양성 모듈(618)은, 증강들(638 및 644)이 인간 의류들 및 얼굴 감정들의 다양한 선택을 포함하도록 조명 증강들(708), 의류 증강들을 포함하는 아이템 증강들(702), 및 얼굴 감정 증강들을 포함하는 블렌드셰이프 증강들(706)이 선택되는 것을 보장한다. 다양성 모듈(618)은 다양성을 보장하기 위해 증강 데이터베이스(612)를 스캔하고 카테고리화한다. 예를 들어, 다양성 모듈(618)은 얼굴 감정들에 대한 카테고리들을 결정하고, 증강들(638 및 644)의 선택이 얼굴 감정들의 다양한 선택을 포함하도록 보장한다. 일부 예들에서, 다양성 모듈(618)은 백분율을 유지하고, 그 후, 백분율이 미리 결정된 임계값 미만으로 떨어지면 얼굴 감정들을 선택한다. 예를 들어, 증강들(638 및 644)이 베이스 모델(604)을 미소로 변환하는 얼굴 증강들의 10 퍼센트만을 포함하고, 미리 결정된 백분율이 베이스 모델(604)을 미소로 변환하는 증강들(638 및 644)의 15 퍼센트를 갖는 것이면, 다양성 모듈(618)은 베이스 모델(604)을 미소로 변환하는 더 많은 증강들(638 및 644)이 선택되는 것을 보장한다. 미소에 대한 다양성 백분율은, 베이스 모델(604)을 미소로 변환하는 모든 증강을, 베이스 모델(604)을 얼굴 표정으로 변환하는 증강들의 총 개수로 나눈 값을 카운팅하는 것에 기초하여 결정될 수 있다.
포함성 모듈(inclusivity module)(620)은 암시적 바이어스들(implicit biases)을 회피하기 위해 증강들(638 및 644)이 증강 데이터베이스(612)로부터의 증강들을 포함하는 것을 보장한다. 예를 들어, 포함성 모듈(620)은 증강들(638 및 644)이 상이한 피부색들, 상이한 얼굴 구조들, 상이한 성별들 등을 포함하도록 보장한다. 포함성 모듈(620)은 증강들(638 및 644)에 대해 선택된 피부색들, 얼굴 구조들, 및 성별들 각각에 대한 포함성 백분율을 유지한다. 백분율이 미리 결정된 임계값 미만으로 떨어지면, 포함성 모듈(620)은 포함성 백분율이 미리 결정된 임계값 위로 올라가는 것을 보장하기 위해 증강들(638 및 644)을 선택한다. 포함성 모듈(620)에 대한 미리 결정된 임계값들은 미리 결정된 값들이다.
고정된 증강들(621)은 증강들(650, 656)로부터 제외될 증강들(638 및 644)을 표시한다. 예를 들어, 도 8을 참조하면, 수정된 베이스 모델(808)의 귀들은 고정되고, ML 모델이 수행할 변환의 일부이다. 베이스 모델(604) 및 단순화된 베이스 모델(606)의 귀들을 수정하는 증강들은 증강된 수정된 베이스 모델(648) 및 증강된 단순화된 수정된 베이스 모델(654)에 대해서는 포함되지 않는다. 다른 증강이 고정된 증강들(621)에 포함될 수 있다. 예를 들어, 수정된 베이스 모델(608)이 청색과 같은 고정된 피부색을 갖는다면, 피부색을 수정하는 증강들(638 및 644)이 증강들(650, 656)로부터 제외된다. 다른 예들에서, 고정된 증강들(621)은 조명, 음영, 얼굴 표정들, 귀 형상, 의류 아이템 등을 포함한다. 일부 예들에서, 실측 정보 입력(626) 및 실측 정보 출력(662)을 생성하고 있는 사용자는 사용자 인터페이스를 사용하여 고정된 증강들(621)을 표시한다.
렌더링 모듈(660)은 증강들(634)을 처리하고 렌더링된 이미지들(628 및 664)을 생성한다. 고품질 이미지들의 렌더링은 계산 집약적이다. 모델들(602)의 복잡도 및 모델들(602)에 적용되는 증강들(638, 644, 650, 및 656)에 따라, 현대의 그래픽 처리 유닛(GPU)을 갖는 머신 상에서 1024x1024 이미지를 렌더링하는 것은 2 내지 10분이 소요된다. 렌더링을 가속화하기 위해, 렌더링 모듈(660)은 웹 서버(124) 또는 애플리케이션 서버들(112)과 같은 클라우드 머신들 상에 이미지들을 렌더링하도록 구성된다. 각각의 클라우드 머신은 독립적인 렌더링 프로세스를 실행(run)한다. 각각의 렌더링 프로세스는 모델들(602) 및 증강 데이터베이스(612)로부터의 증강들과 같은 모든 요구되는 자원들을 갖는 증강들(634) 중 하나를 취하고, 렌더링된 이미지들(628, 664)의 세트를 컴파일한다. 각각의 렌더링된 이미지(628, 664)는 조명 증강들(708) 및 배향 증강들(710)과 함께, 증강된 베이스 모델(636)과 같은 증강된 모델의 고유 조합을 표현한다. 일부 예들에서, 렌더링 모듈(660)은 웹 서버들 상에서 실행되는 Blender®와 같은 다른 애플리케이션들에 대한 파일들을 생성한다.
도 9는 도 6과 함께 개시된다. 도 9는 일부 예들에 따른, 상이한 얼굴들(900)을 예시한다. 얼굴들(902, 904, 906)은 구조, 피부색, 머리카락, 의류, 배경들, 얼굴 표정들, 머리 기울기, 조명 등의 관점에서 얼굴들의 다양성을 예시한다. 증강 데이터베이스(612)는 실측 정보 입력(626)이 다양하고 포함적인 세트의 렌더링된 이미지들(628)을 포함하도록 증강들을 포함한다. ML 모델을 트레이닝시키기 위해 다양하고 포함적인 그룹의 증강들(634)을 갖도록 달라질 필요가 있는 많은 상이한 자유도가 존재한다. 사람들 또는 만화들의 머리들의 경우, 증강 데이터베이스(612)는 피부색, 피부 텍스처, 얼굴 기하형상, 성별, 안경과 같은 액세서리, 의류, 눈 표정, 눈색, 응시 방향, 입 표정, 눈썹 표정, 및 객체 배향을 변화시키는 증강들을 포함한다.
도 10은 일부 예들에 따른, 렌더링된 이미지들 및 세그먼트화 맵들(1000)의 예를 예시한다. 렌더링된 이미지들(1006, 1008, 및 1010)은 도 8의 베이스 모델(806) 또는 수정된 베이스 모델(808)에 기초한다. 렌더링된 이미지들(1006, 1008, 및 1010)은 머리카락, 머리 기울기, 의류, 피부색, 눈 표정, 및 배경들에 대한 상이한 증강들을 포함한다. 세그먼트화 맵들(segmentation maps)(1012, 1014, 및 1016)은 렌더링된 이미지들(1006, 1008, 및 1010)에 대응하고 적용 모듈(624)에 의해 베이스 모델(808)에 증강들을 적용하는 것을 용이하게 하는 데 사용된다. 추가적으로, 세그먼트화 맵들(1012, 1014, 및 1016)은, 상이한 머리카락 증강들이 적용되고, 상이한 머리 기울기들이 적용되고, 상이한 눈 표정들이 적용되고, 상이한 의류 증강들이 적용되고, 상이한 입 표정들이 적용되는 것을 예시한다. 예시되지는 않았지만, 렌더링된 이미지들(1006, 1008, 및 1010)에 적용되는 동일한 증강들이 베이스 모델(806)과 수정된 베이스 모델(608) 양자 모두에 적용되므로, 렌더링된 이미지들(1006, 1008, 1010) 각각에 대해, 베이스 모델(604) 또는 수정된 베이스 모델(608)로부터 도출된 동일한 증강들을 갖는 대응하는 렌더링된 이미지가 존재하게 된다. 그러나, 베이스 모델(806) 또는 수정된 베이스 모델(608)은, 고정된 증강(621)인 귀들을 수정하고, 따라서 적용 모듈(624)에 의해 수정된 베이스 모델(608) 또는 베이스 모델(806)에 적용되지 않는 추가적인 증강을 가질 수 있다.
도 11 내지 도 13은 서로 함께 설명된다. 도 11은 의류 증강들을 예시한다. 도 11에는 3가지 의류 증강(1102, 1104, 및 1106)이 예시되어 있다. 의류 증강들(1102, 1104, 및 1106)은 증강 데이터베이스(612)로부터의 아이템 증강들(702)이다. 의류 증강들(1102, 1104, 1106)은 그 자신의 텍스처, 형상, 및 색상들을 갖는 3D 객체들(714)이다. 아이템 증강들(702)은 베이스 모델(604) 또는 수정된 베이스 모델(608)에 추가되는 별개의 객체들인 증강들이다. 아이템 증강들(702)은 머리카락, 의류, 액세서리들, 안경 등을 포함한다.
베이스 모델(604) 및 수정된 베이스 모델(608)은 3D 객체(714)의 각각의 타입에 대한 프록시 객체들(716)을 갖는다. 도 12는 일부 예들에 따른, 프록시 객체(1206)를 예시한다. 3D 모델(1202)은 프록시 객체(1206)를 갖는 베이스 모델(808)과 같은 수정된 베이스 모델(608)이다. 3D 모델(1204)은, 의류 증강(1208)을 생성하기 위해 프록시 객체(1206)에 따라 3D 모델(1202)에 의류 증강(1102)이 적용된 수정된 베이스 모델(608)이다. 프록시 객체(1206)는 의류 증강을 적용하는 방법을 표시하는 많은 다각형들이다. 정규화 모듈(622)은 프록시 객체(1206)에 맞도록 의류 증강(1102)을 크기조정하고, 적용 모듈(624)은 크기조정된 의류 증강(1102)을 프록시 객체(1206)와 병합하여 의류 증강(1102)을 갖는 3D 모델(1204)을 생성한다. 의류 증강(1102)의 색상은 달라질 수 있다. 도 6을 참조하면, 3D 모델(1204)은 인덱스(652)를 갖는 증강(650)을 갖는 베이스 모델(808)과 같은 증강된 수정된 베이스 모델(648)이며, 여기서 증강(650)은 의류 증강(1102)이다. 증강 모듈(614)은 인덱스(640)를 갖는 증강(638)을 갖는 베이스 모델(806)과 같은 대응하는 증강된 베이스 모델(636)을 생성하며, 여기서 증강(638)은 베이스 모델(806)에 적용된 것과 동일한 의류 증강(1102)이다.
도 13은 일부 예들에 따른, 프록시 객체(1306)를 예시한다. 3D 모델(1302)은 프록시 객체(1306)를 갖는 베이스 모델(808)과 같은 수정된 베이스 모델(608)이다. 3D 모델(1304)은, 머리카락 증강(1308)을 생성하기 위해 프록시 객체(1306)에 따라 3D 모델(1302)에 머리카락 증강(예시되지 않음)이 적용된 수정된 베이스 모델(608)이다. 프록시 객체(1306)는 머리카락 증강을 적용하는 방법을 표시하는 많은 다각형들이다. 정규화 모듈(622)은 프록시 객체(1306)에 맞도록 머리카락 증강을 크기조정하고, 적용 모듈(624)은 크기조정된 머리카락 증강을 프록시 객체(1306)와 병합하여 머리카락 증강(1308)을 갖는 3D 모델(1304)을 생성한다. 머리카락 증강의 색상은 달라질 수 있다. 도 6을 참조하면, 3D 모델(1304)은 인덱스(652)를 갖는 증강(650)을 갖는 베이스 모델(808)과 같은 증강된 수정된 베이스 모델(648)이며, 여기서 증강(650)은 머리카락 증강이다. 증강 모듈(614)은 인덱스(640)를 갖는 증강(638)을 갖는 베이스 모델(806)과 같은 대응하는 증강된 베이스 모델(636)을 생성하며, 여기서 증강(638)은 베이스 모델(806)에 적용된 것과 동일한 머리카락 증강이다.
도 14는 일부 예들에 따른, 피부 텍스처들(1402, 1404, 1406, 및 1406)을 예시한다. 피부 텍스처들(1402, 1404, 1406, 및 1408)은 피부 텍스처들(718)인 셰이더 증강들(704)로서 증강 데이터베이스(612)에 저장된다. 피부 텍스처들(1402, 1404, 1406, 및 1406)은 베이스 모델(604) 및 수정된 베이스 모델(608)에 적용된다. 도 10을 참조하면, 렌더링된 이미지(1006)는 피부 텍스처(1404)로 증강되고, 렌더링된 이미지(1008)는 피부 텍스처(1408)로 증강되며, 렌더링된 이미지(1010)는 피부 텍스처(1402)로 증강된다. 피부 텍스처들(1402, 1404, 1406, 및 1406)은 베이스 모델(604) 및 수정된 베이스 모델(608)에서 사용되는 상이한 텍스처들을 커버하며, 아이템 증강들(702)과 같은 증강 데이터베이스(612)로부터의 다른 증강들을 커버하는 데 사용될 수 있다. 피부 텍스처들(1402, 1404, 1406, 및 1408)은 다각형들 및 색상들로 표현된 객체들이다. 정규화 모듈(622)은 베이스 모델(604) 또는 수정된 베이스 모델(608)에 따라 피부 텍스처들(1402, 1404, 1406, 및 1408)을 크기조정한다. 예를 들어, 정규화 모듈(622)은 피부 텍스처(1408)를 베이스 모델(808)에 맞도록 크기조정한다. 그 후 적용 모듈(624)은 크기조정된 피부 텍스처(1408)를 베이스 모델(808)에 적용한다. 그 다음, 다른 증강들이 추가된 후 렌더링되어, 렌더링된 이미지(1008)를 생성한다.
도 15는 일부 예들에 따른, 눈 텍스처들(1502, 1504, 1506, 및 1506)을 예시한다. 눈 텍스처들(1502, 1504, 1506, 및 1508)은 눈 텍스처들(720)인 셰이더 증강들(704)로서 증강 데이터베이스(612)에 저장된다. 눈 텍스처들(1502, 1504, 1506, 및 1506)은 베이스 모델(604) 및 수정된 베이스 모델(608)에 적용된다. 도 10을 참조하면, 렌더링된 이미지(1006)는 눈 텍스처(1502)로 증강되고, 렌더링된 이미지(1008)는 눈 텍스처(1504)로 증강되며, 렌더링된 이미지(1010)는 눈 텍스처(1506)로 증강된다. 눈 텍스처들(1502, 1504, 1506, 및 1506)은 베이스 모델(604) 및 수정된 베이스 모델(608)에서 사용되는 상이한 텍스처들을 커버하며, 아이템 증강들(702)과 같은 증강 데이터베이스(612)로부터의 다른 증강들을 커버하는 데 사용될 수 있다. 눈 텍스처들(1502, 1504, 1506, 및 1508)은 다각형들 및 컬러들로 표현된 객체들이다. 정규화 모듈(622)은 베이스 모델(604) 또는 수정된 베이스 모델(608)에 따라 눈 텍스처들(1502, 1504, 1506, 및 1508)을 크기조정한다. 예를 들어, 정규화 모듈(622)은 눈 텍스처(1502)를 베이스 모델(808)에 맞도록 크기조정한다. 그 후 적용 모듈(624)은 크기조정된 눈 텍스처(1502)를 베이스 모델(808)에 적용한다. 그 다음, 다른 증강들이 추가된 후 렌더링되어, 렌더링된 이미지(1006)를 생성한다.
도 16은 일부 예들에 따른, 3D 베이스 모델에 블렌드셰이프 증강들(blendshape augmentations)을 적용하는 것을 예시한다. 블렌드셰이프 증강들(706)(또는 모프 증강들)은 모델들(602)이 어떻게 모핑 또는 변경되어야 하는지의 표시들이다. 예를 들어, 블렌드셰이프 증강(706)은 모델들(602)의 다각형들의 정점들의 위치들에 대한 변경들을 표시한다. 블렌드셰이프 증강들(706)은 상이한 사람들의 그룹들; 신체 타입들; 성별들; 슬픔, 미소, 웃음, 키스, 활짝 웃는 입, 놀라는 입, 및 극도로 크게 벌린 입을 포함하는 입 표정들; 응시 방향, 눈 표정, 및 눈 깜박임을 포함하는 눈들; 및 올라간 눈썹과 내려간 눈썹을 포함하는 눈썹들에 대해 모델들(602)을 변경하기 위한 증강들을 포함한다.
베이스 모델(808)과 동일할 수 있는 3D 모델(1602)은 블렌드셰이프 1(1610), 블렌드셰이프 2(1612), 및 블렌드셰이프 3(1614)에 의해 모핑되거나 변경된다. 정규화 모듈(622)은 블렌드셰이프 1(1610), 블렌드셰이프 2(1612), 및 블렌드셰이프 3(1614)을 조정하고, 그 후 적용 모듈(624)은 블렌드셰이프들을 3D 모델(1602)에 적용한다. 새로운 3D 모델들(1604, 1606, 및 1608) 각각은 블렌드셰이프 1(1610), 블렌드셰이프 2(1612), 및 블렌드셰이프 3(1614)으로서 증강들(650)을 갖는 증강된 수정된 베이스 모델들(648)이다. 증강 모듈(614)은 증강들(650)에 대응하는 증강들(638)을 갖는 증강된 베이스 모델(636)을 생성한다. 블렌드셰이프 1(1610)은 3D 모델(1602)을 취하고, 포함성 고려들을 위해 특정 사람들의 그룹에 귀속될 수 있는 상이한 얼굴 특징들에 대해 3D 모델을 조정한다. 블렌드셰이프 2(1612)는 3D 모델(1602)을 취하고 얼굴 특징 타입을 더 넓은 얼굴로 조정한다. 블렌드셰이프 3(1614)은 3D 모델(1602)을 취하고 3D 모델(1602)의 남성 버전에 대해 얼굴 특징들을 조정한다. 예시된 바와 같이, 새로운 3D 모델들(1604, 1606, 및 1608)은 머리카락 증강들 및 의류 증강들과 같은 추가적인 증강들을 포함한다.
도 17은 일부 예들에 따른, HDRI(High Dynamic Range Imagery) 조명(1700)을 예시한다. 증강 데이터베이스는 렌더링된 이미지들(628 및 664)을 생성함에 있어서 렌더링 모듈(660)에 의해 적용되는 조명 증강들(708)을 포함한다.
CNN(2206)과 같은 ML 모델들은 렌더링된 이미지들(628, 664)에 사용되는 조명에 민감하다. 렌더링된 이미지들(628, 664)을 렌더링하는 데 사용된 조명이 단지 심지어 밝은 광인 경우 실측 정보 입력(626) 및 실측 정보 출력(662)으로 트레이닝된 ML 모델들은 종종, 입력 이미지가 어둡거나 음영이 있으면 만족스러운 출력 이미지들을 생성하지 못할 것이다. 다양성 모듈(618)은 조명 증강들(708)의 다양성이 사용되는 것을 보장한다. 조명 증강들(708)은 머리들에 대해 밝은 조명, 어두운 조명, 및 음영 조명을 포함해야 한다. 2가지 타입의 조명 증강(708)이 존재한다. HDRI 조명(1700)은 파노라마 포토이고 단일 지점으로부터의 모든 각도들을 커버한다. 렌더링 모듈(660)은 HDRI 조명(1700)을 사용하여 렌더링된 이미지들(628, 664)을 렌더링한다. HDRI 조명(1700)은 렌더링된 이미지를 재렌더링하지 않고 렌더링된 이미지의 배경이 증강될 수 있게 한다. 도 18은 일부 예들에 따른, HDRI 조명(1800)을 예시한다. HDRI 조명(1800)은 HDRI 조명의 다른 예이다.
도 19는 일부 예들에 따른, 상이한 조명(1900)을 갖는 렌더링된 이미지들을 예시한다. 조명 증강들(708)은 램프들과 같은 광원들을 사용하고, 증강된 베이스 모델(636) 및 증강된 수정된 베이스 모델(648)에 의해, 장면에서 그들의 위치 및 밝기를 구성하는 것을 포함한다. 렌더링 모듈(660)은 렌더링된 이미지들(1902, 1904, 1906, 및 1908)을 상이한 조명 증강들(708)로 렌더링했다. 일부 예들에서, ML 모델이 트레이닝된 후에 애플리케이션에서 사용될 가능성이 더 높은 조명 증강들(708)이 사용된다. 예를 들어, 하나의 조명 증강(708)은, 실측 정보 입력(626) 및 실측 정보 출력(662)으로 트레이닝된 후의 ML 모델에 대한 공통 입력 이미지일 수 있는, 모바일 디바이스 상에서 촬영된 자화상(self-portrait)을 위한 단일 광원이다.
도 20은 일부 예들에 따른, 배향 증강들(2000)의 생성을 예시한다. 도 20에는, 3D 모델(2002), z-축(2008, 2014), y-축(2010, 2016), x-축(2012, 2018), 앵커 화살표(2004), 및 3D 모델(2002)에 대한 시각화 선(visualization line)인 벡터(V)(2020)가 예시되어 있다. 도 6 및 도 7을 참조하면, ML 모델들을 트레이닝시키기 위해, 실측 정보 입력(626) 및 실측 정보 출력(662)은 상이한 배향 증강들(710)을 사용하여 렌더링 모듈(660)에 의해 렌더링된 베이스 모델(604) 및 수정된 베이스 모델(608)을 포함한다.
배향 증강들(710)의 목표는, 생산시 ML 모델에 대한 입력에서 볼 수 있는 실측 정보 입력(626) 및 실측 정보 출력(662)에 배향들을 제공하는 것이다. 증강 모듈(614)은, 베이스 모델(608)을 상하로 이동시키고 피치(pitch)라고 지칭되는 y-축(2010, 2016), 및 베이스 모델(608)을 좌우로 이동시키고 요(yaw)라고 지칭되는 x-축(2012, 2018)에 걸쳐, 베이스 모델(608)에 대한 배향 증강들(700)을 무작위로 선택하도록 구성된다. 일부 예들에서, 3D 모델(2002)이 사용자의 머리의 크롭(crop)일 때 z-축(2008, 2014)은 변경되지 않는다. z-축(2008, 2014)에서의 변경은 베이스 모델(608)을 회전시킬 것이고, 롤(roll)로 지칭된다. 생산시 ML 모델에 대한 입력은 사용자의 머리를 크롭하며, 이는 z-축(2008, 2014) 각도를 0이 되게 한다.
증강 모듈(614)은, 머리 뒤에 위치되고 3D 모델(2002)에 바인딩되는 베이스 모델(608)에 객체인 앵커 화살표(2004)를 추가하여, 3D 모델(2002)이 앵커 화살표(2004)로부터 머리의 후면 상의 지점까지 가는 벡터 V(2020)를 따라 "보이게" 한다. 앵커 화살표(2004)는 공(ball)으로서 시각화될 수 있고, 벡터 V(2020)는 선이다. 증강 모듈(614)은 y-축(2010, 2016) 및 x-축(2012, 2018)에 의해 형성된 평면 내의 원을 사용하고, 평면 내의 원을 완전히 턴 오버하여, 원을 1000개의 이산 스텝으로 분할하는 것에 기초하여 1000개의 배향 증강(710)을 선택하는 것과 같이 배향 증강들(710)을 선택한다. 일부 예들에서, 배향 증강들(710)은 벡터 V(2020)가 뒤를 보거나 멀리 보는 3D 모델(2002)의 배향들에 대해 선택되지 않는다.
도 21은 일부 예들에 따른, 매트(matte)들을 예시한다. 증강 모듈(614)은 베이스 모델(604)로부터 매트들(2106 및 2108)을 생성하도록 구성된다. 3D 모델들(2102 및 2104)은 베이스 모델(808)과 같은 수정된 베이스 모델(608)로부터의 렌더링된 이미지들이며, 여기서 증강 데이터베이스(612)로부터의 증강들이 추가된 다음, 렌더링 모듈(660)에 의해 렌더링된다. 매트들(2106 및 2108)은, 증강 모듈(614)이 증강을 추가하거나 수정하기 위해 증강된 수정된 베이스 모델(648) 또는 렌더링된 이미지들(664)의 부분들을 선택할 수 있게 한다. 매트들(2106 및 2108)은 매트들(2106 및 2108)의 상이한 부분들을 표시하는 인덱스들 또는 라벨들과 연관된다. 예를 들어, 눈 영역은 눈들의 라벨을 갖고, 증강 모듈(614)은 매트들(2106 및 2108)을 사용하여 3D 모델들(2102 및 2104)의 눈 영역을 선택하고, 눈색 변경과 같은 것에 의해 눈 영역을 변경할 수 있다. 일부 예들에서, 매트들은 Cryptomattes®이다. 매트들(2106 및 2108)의 인덱스들 또는 라벨들은 인덱스들(640, 646, 652, 658, 632, 및 668)과 동일하다. 추가적으로, 증강 데이터베이스(612)는 증강 데이터베이스(612)에 저장된 증강들과 연관된 인덱스들을 포함한다.
도 22는 일부 예들에 따른 컨볼루션 신경망(CNN)들을 트레이닝하기 위한 적대적 생성 네트워크(GAN)(2200)를 예시한다. 도 22는 실측 정보 입력(626) 및 실측 정보 출력(662)이 CNN(2206)과 같은 ML 모델을 트레이닝시키는 데 어떻게 사용될 수 있는지를 예시한다. CNN(2206)은 실측 정보 입력 이미지(2202)를 취하고, 실측 정보 입력 이미지(2202)를 생성하거나 처리하여 출력 이미지(2208)를 생성한다. 실측 정보 입력 이미지(2202)는 실측 정보 입력(626)으로부터의 그라운드 렌더링된 이미지(628)와 동일하거나 유사하고, 실측 정보 출력 이미지(2216)는 실측 정보 출력(662)으로부터의 렌더링된 이미지(664)와 동일하거나 유사하다.
일부 예들에 따르면, CNN(2206), 손실 네트워크(loss network)(2212), 및 판별기 네트워크(discriminator network)(2223)는 컨볼루션 신경망들이다. 일부 예들에 따르면, 각각은 다수의 컨볼루션 계층들, 풀링 계층들(pooling layers), 및 완전 연결 계층들(fully connected layers)을 가진다. 네트워크들 중 하나 이상은 업 샘플링(up sampling) 및 다운 샘플링(down sampling)을 가질 수 있다. 네트워크들 중 하나 이상은 네트워크의 다음 계층에 연결된 계층들 및 출력 계층에 더 가까운 추가적인 계층을 가질 수 있다. 일부 예들에 따르면, 완전 연결 계층들은 ReLU(rectified linear unit)를 사용한다.
가중치 조정 모듈(2224)은 판별기 네트워크(2223)로부터의 적대적 손실들(adversarial losses) 및 지각 손실들(2218)에 기초하여 CNN(2206)의 가중치들(2204)을 조정하도록 구성된다. 가중치 조정 모듈(2224)은 손실 함수들의 가중된 합을 최소화하거나 줄이는 가중치들(2204)을 결정하기 위한 확률적 경사 하강법(stochastic gradient descent method)을 사용하는 것에 기초하여 가중치들(2204)을 조정한다. 가중치 조정 모듈(2224)은 본 명세서에 설명된 바와 같이 가중치들(2225)을 변경함으로써 판별기 네트워크(2223)를 추가적으로 트레이닝한다.
지각 손실(2218)은 다수의 트레이닝된 신경망(NN)(2220)의 도움으로 결정된다. 일부 예들에 따르면, 손실 네트워크(2212)는 고레벨 특징들의 세트들로 그룹화되는 고레벨 특징들을 표현하는 이미지들에 기초하여 트레이닝된다. 고레벨 특징들은 채색 정보(coloring information) 및 조명 정보를 포함할 수 있다. NN들(2220) 각각은 가중치들(2214)을 조정함으로써 하나 이상의 고레벨 특징에 대해 트레이닝될 수 있다. 트레이닝된 NN들(2220)은 출력 이미지(2208)와 실측 정보 출력 이미지(2216) 양자 모두에 대한 고레벨 특징들을 결정한다. 지각 손실(2218)은 실측 정보 출력 이미지(2216)로부터 출력 이미지(2208)의 고레벨 특징 손실을 결정하는 것에 기초한다. 그 다음, 지각 손실은 일부 예들에 따라 회귀 분석에 기초하여 가중치 조정 모듈(2224)에 의해 결정된다. 일부 예들에 따르면, 가중치 조정 모듈(2224)은 수학식 (1)을 사용하여 지각 손실(lossper)을 결정한다.
수학식 (1): , 여기서 는 실측 정보 출력 이미지(2216)이고, 는 출력 이미지(2208)이고, E는 합산의 기대 값이고, n은 실측 정보 쌍들의 수이고, 는 트레이닝된 NN들(2220)에 따른 특징들에 대한 와 사이의 특징 재구성 손실이고, wi는 특징 i에 할당된 가중치이다.
CNN(2206)의 손실은 수학식 (2)를 사용하여 가중치 조정 모듈(2224)에 의해 결정된다. 수학식 (2): , 여기서 Gloss는 이미지 변환 네트워크에 대한 손실이고, E는 기대 값이고, D는 판별기 네트워크(2223)의 결정이다.
판별기 네트워크(2223)는 실측 정보 입력 이미지(2202) 및 출력 이미지(2208)를 입력으로서 취하고, 출력 이미지(2208)가 실측 정보 출력 이미지(2216)일 가능성을 나타내기 위해 0과 1 사이의 값을 출력하도록 트레이닝된다. 판별기 네트워크(2223)의 손실은 수학식 (3)에 따라 가중치 조정 모듈(2224)에 의해 결정된다.
수학식 (3): , 여기서 Dloss는 판별기 네트워크(2223)에 대한 손실이고, E는 기대 값이고, x는 실측 정보 입력 이미지(2202)이고, xreal은 실측 정보 출력 이미지(2216)이고, D(xreal)는 xreal이 실측 정보 출력 이미지(2216)인지 여부에 대한 0 내지 1의 값과 같은 예측이고, D(G(x))는 출력 이미지(2208)인 G(x)가 실측 정보 출력 이미지(2216)인지 여부에 대한 0 내지 1의 값과 같은 예측이다.
가중치 조정 모듈(2224)은 수학식 (4)에 따라 CNN(2206)에 대한 손실 함수를 결정한다. 수학식 (4): , 여기서 loss는 CNN(2206)을 트레이닝하는 데 사용되는 손실이고, Lossper은 수학식 (1)에 따라 결정되며, Gloss는 수학식 (2)에 따라 결정되고, α는 1 미만의 상수이다.
가중치 조정 모듈(2224)은 서로 연계하여 CNN(2206) 및 판별기 네트워크(2223)를 트레이닝한다. 판별기 네트워크(2223)가 출력 이미지(2208)가 실측 정보 출력 이미지(2216)인지 여부를 결정함에 있어서 더 양호해짐에 따라, CNN(2206)은 출력 이미지(2208)를 실측 정보 출력 이미지(2216)와 더 유사하게 만들도록 트레이닝된다. 이러한 방식으로, 판별기 네트워크(2223)가 출력 이미지(2208)와 실측 정보 출력 이미지(2216)를 구별함에 있어서 개선됨에 따라, CNN(2206)은 출력 이미지(2208)를 실측 정보 출력 이미지(2216)에 더 가깝게 생성함에 있어서 개선되기 때문에, 2개의 네트워크는 서로 트레이닝하는 데 도움이 된다. 머신 학습(600)을 위한 실측 정보들을 생성하기 위한 시스템은 많은 상이한 조명 시나리오들 및 상이한 3D 모델들 하에서 임의로 큰 트레이닝 쌍들의 세트를 생성할 수 있기 때문에, CNN(2206)은 많은 상이한 조명 시나리오들 및 많은 상이한 3D 모델들 하에서 조명을 처리하거나 변환하도록 트레이닝될 수 있다.
도 23은 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다. 도 23는 일부 예들에 따른, 클라이언트 디바이스(102)일 수 있는 모바일 디바이스(2302)를 예시한다. 모바일 디바이스(2302)는 카메라(2306) 및 스크린(2304)을 포함할 수 있다. 예시된 바와 같이, 입력 이미지(2310)를 처리하여 출력 이미지(2312)를 생성한다. 출력 이미지(2312)는 입력 이미지(2310)에 비해 밝아진 영역들(2314) 및 어두워진 영역들(2316)을 가진다. 모바일 디바이스(2302)의 사용자는 입력 이미지(2310)가 중화(2318)되는 것을 선택하였다. 사용자는 출력 이미지(2312)를 저장(save)(2320)하거나 예컨대 메시징 시스템(100)을 통해 출력 이미지(2312)를 단기적 메시지로서 전송(2322)하는 것을 선택할 수 있다. 사용자는 출력 이미지(2312)를 변경하거나 출력 이미지(2312)에 증강을 추가하기 위해 편집 및 향상(edit and enhance)(2308)을 선택할 수 있다. 일부 예들에서, 편집 및 향상(2308)은 사용자 재조명 옵션들을 제공한다. 일부 예들에서, 편집 및 향상(2308)이 선택될 때 제시되는 메뉴로부터의 옵션으로서 중화(neutralize)(2318)가 제공된다. 중화 기능(neutralize function)은 실측 정보 입력(626) 및 실측 정보 출력(662)으로 트레이닝된 CNN(2206)에 의해 제공되며, 여기서 수정된 베이스 모델(608)에 대한 중화된 광은 고정된 증강(621)이므로, 실측 정보 입력(626)에 대한 상이한 조명 증강들(708)이 중화된 광으로 변경된다.
도 24는 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다. 예시된 바와 같이, 입력 이미지(2402)를 처리하여 출력 이미지(2404)를 생성한다. 입력 이미지(2402)는 편집 및 향상(2308) 특징들을 사용하여 이미지에 추가된 객체 1(2408) 및 객체 2(2410)를 갖는다. 객체 1(2408) 및 객체 2(2410)는 입력 이미지(2402)에서의 사람의 이미지와 상이한 조명을 갖는다. 재조명(2406) 동작은 수정된 객체 1(2412) 및 수정된 객체 2(2423)를 생성하기 위해 객체 1(2408) 및 객체 2(2410)의 조명을 조정한다. 재조명 기능은 실측 정보 입력(626) 및 실측 정보 출력(662)으로 트레이닝된 CNN(2206)에 의해 제공되며, 여기서 아이템 증강들(702)은 객체 1(2408) 및 객체 2(2410)뿐만 아니라 입력 이미지(2402)에 추가될 수 있는 다른 증강들 또는 객체들도 포함한다. 아이템 증강들(702)의 조명은 고정된 증강(621)이므로, 조명은 실측 정보 입력(626)에 대해 일정하게 유지되고, 조명은 실측 정보 출력(662)에 대해 조정되거나 정규화된다.
도 25는 일부 예들에 따른, ML 모델의 예시적인 적용을 예시한다. 예시된 바와 같이, 입력 이미지(2502)를 처리하여 출력 이미지(2504)를 생성한다. 입력 이미지(2502)는 사람의 얼굴의 이미지이다. 출력 이미지(2504)는 만화 이미지로 바뀐 사람의 얼굴의 이미지이다. 만화(2506) 동작은 사람의 얼굴을 만화로 바꾼다. 만화 기능은 실측 정보 입력(626) 및 실측 정보 출력(662)으로 트레이닝된 CNN(2206)에 의해 제공되며, 여기서 베이스 모델(604)은 사람에 대한 것이고 수정된 베이스 모델(608)은 만화 이미지로 바뀐 사람에 대한 것이다. 증강 모듈(614) 및 렌더링 모듈(660)은 증강 데이터베이스(612)로부터 증강들을 선택하여 다양하고 포함적인 증강들을 제공하므로, CNN(2206)은 모든 타입들의 사람들을 수용하도록 트레이닝되게 된다.
도 26은 일부 예들에 따른, 머신 학습 모델들을 위한 실측 정보들을 생성하는 방법(2600)을 예시한다. 이 방법은 동작 2602에서 제1 3D 베이스 모델을 처리하여 복수의 제1 렌더링된 이미지들을 생성하는 것으로 시작한다. 예를 들어, 제1 3D 베이스 모델을 처리하여 복수의 제1 이미지들을 생성하며, 복수의 제1 이미지들 중 각각의 제1 이미지는 복수의 증강들 중 제1 증강들에 의해 수정된 제1 3D 베이스 모델을 묘사한다. 도 16을 참조하면, 증강 모듈(614) 및 렌더링 모듈(660)은 베이스 모델(808)로부터 3D 모델들(1604, 1606, 및 1608)을 생성했고, 여기서 증강 모듈(614)은 증강 데이터베이스(612)로부터 머리카락 및 의류들과 같은 증강들을 3D 모델(1602)에 적용했다.
방법(2600)은 동작 2604에서 제2 3D 베이스 모델에 대해 복수의 증강들 중 호환되지 않는 증강들을 결정하는 것으로 계속된다. 예를 들어, 제2 3D 베이스 모델에 대해, 제1 증강들 중 호환되지 않는 증강들을 결정하며, 호환되지 않는 증강들은 제2 3D 베이스 모델의 고정된 특징들에 대한 수정들을 표시한다. 도 8을 참조하면, 베이스 모델(808)은 귀들의 고정된 특징들을 가지므로, 귀들을 변경하는 임의의 증강들은 베이스 모델(808)에 적용되지 않는다.
방법(2600)은 동작 2606에서 제2 3D 베이스 모델을 처리하여 복수의 제2 렌더링된 이미지들을 생성하는 것으로 계속되며, 각각의 제2 렌더링된 이미지는 제2 증강들에 의해 수정된 제2 3D 베이스 모델을 포함한다. 예를 들어, 제2 3D 베이스 모델을 처리하여 복수의 제1 이미지들 각각에 대한 제2 이미지를 생성하며, 각각의 제2 이미지는 제2 증강들에 의해 수정된 제2 3D 베이스 모델을 묘사하고, 제2 증강들은 대응하는 제1 이미지의 제1 증강들에 대응하고, 제2 증강들은 제1 증강들 중 호환되지 않는 증강들이 아닌 증강들을 포함한다. 도 10을 참조하면, 증강 모듈(614) 및 렌더링 모듈(660)은 베이스 모델(808)로부터 렌더링된 이미지들(1006, 1008, 및 1010)을 생성했고, 여기서 증강 모듈(614)은 증강 데이터베이스(612)로부터 머리카락 및 의류들과 같은 증강들을 베이스 모델(808)에 적용했지만, 귀들을 변경할 증강은 적용하지 않았다.
방법(2600)의 동작들 중 하나 이상은 선택적일 수 있다. 방법(2600)은 하나 이상의 추가적인 동작을 포함할 수 있다. 방법(2600)의 동작들은 상이한 순서로 수행될 수 있다.
머신 아키텍처
도 27은 머신(2700)으로 하여금 본 명세서에서 논의된 방법론들 중 임의의 하나 이상을 수행하게 하기 위한 명령어들(2708)(예를 들어, 소프트웨어, 프로그램, 애플리케이션, 애플릿, 앱, 또는 다른 실행가능 코드)이 실행될 수 있는 머신(2700)의 도식적 표현이다. 예를 들어, 명령어들(2708)은 머신(2700)으로 하여금 본 명세서에 설명된 방법들 중 임의의 하나 이상을 실행하게 할 수 있다. 명령어들(2708)은, 일반적인 비-프로그래밍된 머신(2700)을, 설명되고 예시된 기능들을 설명된 방식으로 수행하도록 프로그래밍된 특정한 머신(2700)으로 변환한다. 머신(2700)은 독립형 디바이스로서 동작할 수 있거나 다른 머신들에 결합(예를 들어, 네트워킹)될 수 있다. 네트워킹된 배치에서, 머신(2700)은 서버-클라이언트 네트워크 환경에서 서버 머신 또는 클라이언트 머신의 자격으로 동작하거나, 피어-투-피어(또는 분산형) 네트워크 환경에서 피어 머신으로서 동작할 수 있다. 머신(2700)은, 서버 컴퓨터, 클라이언트 컴퓨터, 개인용 컴퓨터(PC), 태블릿 컴퓨터, 랩톱 컴퓨터, 넷북, 셋톱박스(STB), PDA(personal digital assistant), 엔터테인먼트 미디어 시스템, 셀룰러 전화기, 스마트폰, 모바일 디바이스, 웨어러블 디바이스(예를 들어, 스마트워치), 스마트 홈 디바이스(예를 들어, 스마트 어플라이언스), 다른 스마트 디바이스들, 웹 어플라이언스, 네트워크 라우터, 네트워크 스위치, 네트워크 브리지, 또는 머신(2700)에 의해 취해질 액션들을 특정하는 명령어들(2708)을 순차적으로 또는 다른 방식으로 실행할 수 있는 임의의 머신을 포함할 수 있고, 이에 제한되지 않는다. 게다가, 단일 머신(2700)만이 예시되어 있지만, "머신"이라는 용어는 또한 본 명세서에서 논의된 방법론들 중 임의의 하나 이상을 수행하기 위해 명령어들(2708)을 개별적으로 또는 공동으로 실행하는 머신들의 컬렉션을 포함하는 것으로 간주되어야 한다. 예를 들어, 머신(2700)은 클라이언트 디바이스(102) 또는 메시징 서버 시스템(108)의 일부를 형성하는 다수의 서버 디바이스들 중 어느 하나를 포함할 수 있다. 일부 예들에서, 머신(2700)은 또한 클라이언트 및 서버 시스템들 둘 다를 포함할 수 있으며, 특정 방법 또는 알고리즘의 특정 동작들은 서버 측에서 수행되고 특정 방법 또는 알고리즘의 특정 동작들은 클라이언트 측에서 수행된다.
머신(2700)은, 버스(2740)를 통해 서로 통신하도록 구성될 수 있는, 프로세서들(2702), 메모리(2704), 및 I/O(input/output) 컴포넌트들(2738)을 포함할 수 있다. 일부 예들에 따르면, 프로세서들(2702)은 컴퓨터 프로세서들이라고 지칭될 수 있다. 일 예에서, 프로세서들(2702)(예를 들어, CPU(Central Processing Unit), RISC(Reduced Instruction Set Computing) 프로세서, CISC(Complex Instruction Set Computing) 프로세서, GPU(Graphics Processing Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), RFIC(Radio-Frequency Integrated Circuit), 다른 프로세서, 또는 이들의 임의의 적절한 조합)은, 예를 들어, 명령어들(2708)을 실행하는 프로세서(2706) 및 프로세서(2702)를 포함할 수 있다. 용어 "프로세서"는, 명령어들을 동시에 실행할 수 있는 2개 이상의 독립 프로세서(때때로 "코어"라고 함)를 포함할 수 있는 멀티-코어 프로세서들을 포함하는 것으로 의도된다. 도 27은 다수의 프로세서들(2702)을 도시하지만, 머신(2700)은 단일 코어를 갖는 단일 프로세서, 다수의 코어들을 갖는 단일 프로세서(예를 들어, 멀티-코어 프로세서), 단일 코어를 갖는 다수의 프로세서들, 다수의 코어들을 갖는 다수의 프로세서들, 또는 이들의 임의의 조합을 포함할 수 있다.
메모리(2704)는 메인 메모리(2712), 정적 메모리(2714), 및 스토리지 유닛(2716)을 포함하며, 버스(2740)를 통해 프로세서들(2702)에 양자 모두 액세스가능하다. 메인 메모리(2704), 정적 메모리(2714), 및 스토리지 유닛(2716)은 본 명세서에 설명된 방법론들 또는 기능들 중 임의의 하나 이상을 구현하는 명령어들(2708)을 저장한다. 명령어들(2708)은 또한, 머신(2700)에 의한 그의 실행 동안, 완전히 또는 부분적으로, 메인 메모리(2712) 내에, 정적 메모리(2714) 내에, 스토리지 유닛(2716) 내의 머신 판독가능 매체(2718) 내에, 프로세서들(2702) 중 적어도 하나 내에(예를 들어, 프로세서의 캐시 메모리 내에), 또는 이들의 임의의 적절한 조합으로 존재할 수 있다.
I/O 컴포넌트들(2738)은, 입력을 수신하고, 출력을 제공하고, 출력을 생성하고, 정보를 송신하고, 정보를 교환하고, 측정들을 캡처하는 등을 수행하기 위한 매우 다양한 컴포넌트들을 포함할 수 있다. 특정 머신에 포함되는 구체적인 I/O 컴포넌트들(2738)은 머신의 타입에 의존할 것이다. 예를 들어, 모바일 폰들과 같은 휴대용 머신들은 터치 입력 디바이스 또는 다른 이러한 입력 메커니즘들을 포함할 수 있고, 헤드리스 서버 머신(headless server machine)은 이러한 터치 입력 디바이스를 포함하지 않을 가능성이 높다. I/O 컴포넌트들(2738)은 도 27에 도시되지 않은 많은 다른 컴포넌트를 포함할 수 있다는 것이 인정될 것이다. 다양한 예들에서, I/O 컴포넌트들(2738)은 사용자 출력 컴포넌트들(2724) 및 사용자 입력 컴포넌트들(2726)을 포함할 수 있다. 사용자 출력 컴포넌트들(2724)은, 시각적 컴포넌트들(예를 들어, 플라즈마 디스플레이 패널(PDP), 발광 다이오드(LED) 디스플레이, 액정 디스플레이(LCD), 프로젝터, 또는 음극선관(CRT)과 같은 디스플레이), 음향 컴포넌트들(예를 들어, 스피커), 햅틱 컴포넌트들(예를 들어, 진동 모터, 저항 메커니즘), 다른 신호 생성기 등을 포함할 수 있다. 사용자 입력 컴포넌트들(2726)은, 영숫자 입력 컴포넌트들(예를 들어, 키보드, 영숫자 입력을 수신하도록 구성된 터치 스크린, 포토-광학 키보드, 또는 다른 영숫자 입력 컴포넌트), 포인트 기반 입력 컴포넌트들(예를 들어, 마우스, 터치패드, 트랙볼, 조이스틱, 모션 센서, 또는 다른 포인팅 기구), 촉각 입력 컴포넌트들(예를 들어, 물리적 버튼, 터치 또는 터치 제스처의 위치 및 힘을 제공하는 터치 스크린, 또는 다른 촉각 입력 컴포넌트), 오디오 입력 컴포넌트들(예를 들어, 마이크로폰) 등을 포함할 수 있다.
추가의 예들에서, I/O 컴포넌트들(2738)은, 다양한 다른 컴포넌트들 중에서, 바이오메트릭 컴포넌트들(2728), 모션 컴포넌트들(2730), 환경 컴포넌트들(2732), 또는 포지션 컴포넌트들(position components)(2734)을 포함할 수 있다. 예를 들어, 바이오메트릭 컴포넌트들(2728)은 표현들(예를 들어, 손 표현들, 얼굴 표정들, 음성 표현들, 신체 제스처들, 또는 눈 추적)을 검출하고, 생체신호들(예를 들어, 혈압, 심박수, 체온, 땀, 또는 뇌파들)을 측정하고, 사람(예를 들어, 음성 식별, 망막 식별, 얼굴 식별, 지문 식별, 또는 뇌전도 기반 식별)을 식별하고, 이와 유사한 것을 하기 위한 컴포넌트들을 포함한다. 모션 컴포넌트들(2730)은 가속도 센서 컴포넌트들(예를 들어, 가속도계), 중력 센서 컴포넌트들, 회전 센서 컴포넌트들(예를 들어, 자이로스코프)을 포함한다.
환경 컴포넌트들(2732)은, 예를 들어, (정지 이미지/사진 및 비디오 능력들을 갖는) 하나 이상의 카메라, 조명 센서 컴포넌트들(예를 들어, 광도계), 온도 센서 컴포넌트들(예를 들어, 주위 온도를 검출하는 하나 이상의 온도계), 습도 센서 컴포넌트들, 압력 센서 컴포넌트들(예를 들어, 기압계), 음향 센서 컴포넌트들(예를 들어, 배경 노이즈를 검출하는 하나 이상의 마이크로폰), 근접 센서 컴포넌트들(예를 들어, 인근 객체들을 검출하는 적외선 센서들), 가스 센서들(예를 들어, 안전을 위해 유해성 가스들의 농도들을 검출하거나 대기 내의 오염물질들을 측정하는 가스 검출 센서들), 또는 주변 물리적 환경에 대응하는 표시들, 측정들, 또는 신호들을 제공할 수 있는 다른 컴포넌트들을 포함할 수 있다.
카메라들과 관련하여, 클라이언트 디바이스(102)는, 예를 들어, 클라이언트 디바이스(102)의 전면에 있는 전면 카메라들 및 클라이언트 디바이스(102)의 후면에 있는 후면 카메라들을 포함하는 카메라 시스템을 가질 수 있다. 전면 카메라들은, 예를 들어, 클라이언트 디바이스(102)의 사용자의 정지 이미지들 및 비디오(예를 들어, "셀피")를 캡처하기 위해 사용될 수 있고, 이것은 이후 위에서 설명한 증강 데이터(예를 들어, 필터들)로 증강될 수 있다. 후면 카메라들은, 예를 들어, 더 전통적인 카메라 모드에서 정지 이미지들 및 비디오들을 캡처하기 위해 사용될 수 있고, 이들 이미지들은 유사하게 증강 데이터로 증강된다. 전면 및 후면 카메라들에 더하여, 클라이언트 디바이스(102)는 360° 사진들 및 비디오들을 캡처하기 위한 360° 카메라를 또한 포함할 수 있다.
또한, 클라이언트 디바이스(102)의 카메라 시스템은 클라이언트 디바이스(102)의 전면 측 및 후면 측에 이중 후면 카메라들(예를 들어, 주 카메라뿐만 아니라 깊이 감지 카메라), 또는 심지어 삼중, 사중 또는 오중 후면 카메라 구성들을 포함할 수 있다. 이러한 다수의 카메라 시스템들은, 예를 들어, 와이드 카메라, 울트라-와이드 카메라, 텔레포토 카메라, 매크로 카메라 및 깊이 센서를 포함할 수 있다.
포지션 컴포넌트들(2734)은 위치 센서 컴포넌트들(예를 들어, GPS 수신기 컴포넌트), 고도 센서 컴포넌트들(예를 들어, 고도가 도출될 수 있는 공기 압력을 검출하는 고도계들 또는 기압계들), 배향 센서 컴포넌트들(예를 들어, 자력계들), 및 이와 유사한 것을 포함한다.
통신은 매우 다양한 기술을 사용하여 구현될 수 있다. I/O 컴포넌트들(2738)은 머신(2700)을 각자의 결합 또는 접속들을 통해 네트워크(2720) 또는 디바이스들(2722)에 결합하도록 동작가능한 통신 컴포넌트들(2736)을 추가로 포함한다. 예를 들어, 통신 컴포넌트들(2736)은, 네트워크 인터페이스 컴포넌트, 또는 네트워크(2720)와 인터페이스하기 위한 다른 적합한 디바이스를 포함할 수 있다. 추가 예들에서, 통신 컴포넌트들(2736)은 유선 통신 컴포넌트들, 무선 통신 컴포넌트들, 셀룰러 통신 컴포넌트들, 근접장 통신(NFC) 컴포넌트들, Bluetooth® 컴포넌트들(예를 들어, Bluetooth® Low Energy), Wi-Fi® 컴포넌트들, 및 다른 양상들을 통해 통신을 제공하는 다른 통신 컴포넌트들을 포함할 수 있다. 디바이스들(2722)은, 다른 머신 또는 임의의 다양한 주변 디바이스(예를 들어, USB를 통해 결합된 주변 디바이스)일 수 있다.
더욱이, 통신 컴포넌트들(2736)은 식별자들을 검출할 수 있거나 식별자들을 검출하도록 동작가능한 컴포넌트들을 포함할 수 있다. 예를 들어, 통신 컴포넌트들(2736)은 RFID(Radio Frequency Identification) 태그 판독기 컴포넌트들, NFC 스마트 태그 검출 컴포넌트들, 광학 판독기 컴포넌트들(예를 들어, UPC(Universal Product Code) 바코드와 같은 1차원 바코드들, QR(Quick Response) 코드와 같은 다차원 바코드들, Aztec 코드, 데이터 매트릭스(Data Matrix), Dataglyph, MaxiCode, PDF417, 울트라 코드(Ultra Code), UCC RSS-2D 바코드, 및 다른 광학 코드들을 검출하는 광학 센서), 또는 음향 검출 컴포넌트들(예를 들어, 태깅된 오디오 신호들을 식별하는 마이크로폰들)을 포함할 수 있다. 게다가, 인터넷 프로토콜(IP) 지리위치를 통한 위치, Wi-Fi® 신호 삼각측량을 통한 위치, 특정 위치를 나타낼 수 있는 NFC 비컨 신호의 검출을 통한 위치 등과 같은, 다양한 정보가 통신 컴포넌트들(2736)을 통해 도출될 수 있다.
다양한 메모리들(예를 들어, 메인 메모리(2712), 정적 메모리(2714), 및 프로세서들(2702)의 메모리) 및 스토리지 유닛(2716)은 본 명세서에 설명된 방법론들 또는 기능들 중 임의의 하나 이상을 구현하거나 그에 의해 사용되는 명령어들 및 데이터 구조들(예를 들어, 소프트웨어)의 하나 이상의 세트를 저장할 수 있다. 이러한 명령어들(예를 들어, 명령어들(2708))은, 프로세서들(2702)에 의해 실행될 때, 다양한 동작들이 개시된 예들을 구현하게 한다.
명령어들(2708)은 네트워크 인터페이스 디바이스(예를 들어, 통신 컴포넌트들(2736)에 포함된 네트워크 인터페이스 컴포넌트)를 통해, 송신 매체를 사용하여, 그리고 수 개의 잘 알려진 전송 프로토콜(예를 들어, HTTP(hypertext transfer protocol)) 중 어느 하나를 사용하여, 네트워크(2720)를 통해 송신되거나 수신될 수 있다. 유사하게, 명령어들(2708)은 디바이스들(2722)에 대한 결합(예를 들어, 피어-투-피어 결합)을 통해 송신 매체를 사용하여 송신되거나 수신될 수 있다.
소프트웨어 아키텍처
도 28은 본 명세서에 설명된 디바이스들 중 임의의 하나 이상에 설치될 수 있는 소프트웨어 아키텍처(2804)를 예시하는 블록도(2800)이다. 소프트웨어 아키텍처(2804)는 프로세서들(2820), 메모리(2826), 및 I/O 컴포넌트들(2838)을 포함하는 머신(2802)과 같은 하드웨어에 의해 지원된다. 이 예에서, 소프트웨어 아키텍처(2804)는 각각의 계층이 특정 기능을 제공하는 계층들의 스택으로서 개념화될 수 있다. 소프트웨어 아키텍처(2804)는 운영 체제(2812), 라이브러리들(2810), 프레임워크들(2808), 및 애플리케이션들(2806)과 같은 계층들을 포함한다. 동작적으로, 애플리케이션들(2806)은 소프트웨어 스택을 통해 API 호출들(2850)을 인보크하고, API 호출들(2850)에 응답하여 메시지들(2852)을 수신한다.
운영 체제(2812)는 하드웨어 리소스들을 관리하고 공통 서비스들을 제공한다. 운영 체제(2812)는, 예를 들어, 커널(2814), 서비스들(2816), 및 드라이버들(2822)을 포함한다. 커널(2814)은 하드웨어와 다른 소프트웨어 계층들 사이에서 추상화 계층(abstraction layer)으로서 작용한다. 예를 들어, 커널(2814)은 다른 기능 중에서도, 메모리 관리, 프로세서 관리(예를 들어, 스케줄링), 컴포넌트 관리, 네트워킹, 및 보안 설정들을 제공한다. 서비스들(2816)은 다른 소프트웨어 계층들에 대한 다른 공통 서비스들을 제공할 수 있다. 드라이버들(2822)은 기저 하드웨어(underlying hardware)를 제어하거나 그와 인터페이스하는 것을 담당한다. 예를 들어, 드라이버들(2822)은 디스플레이 드라이버들, 카메라 드라이버들, BLUETOOTH® 또는 BLUETOOTH® Low Energy 드라이버들, 플래시 메모리 드라이버들, 직렬 통신 드라이버들(예를 들어, USB 드라이버들), WI-FI® 드라이버들, 오디오 드라이버들, 전력 관리 드라이버들 등을 포함할 수 있다.
라이브러리들(2810)은 애플리케이션들(2806)에 의해 사용되는 공통 저레벨 인프라스트럭처를 제공한다. 라이브러리들(2810)은, 메모리 할당 기능, 문자열 조작 기능, 수학 기능 등과 같은 기능을 제공하는 시스템 라이브러리들(2818)(예를 들어, C 표준 라이브러리)을 포함할 수 있다. 또한, 라이브러리들(2810)은 미디어 라이브러리들(예를 들어, MPEG4(Moving Picture Experts Group-4), 진보된 비디오 코딩(Advanced Video Coding)(H.264 또는 AVC), MP3(Moving Picture Experts Group Layer-3), AAC(Advanced Audio Coding), AMR(Adaptive Multi-Rate) 오디오 코덱, 공동 영상 전문가 그룹(Joint Photographic Experts Group)(JPEG 또는 JPG), 또는 PNG(Portable Network Graphics)와 같은 다양한 미디어 포맷들의 제시 및 조작을 지원하는 라이브러리들), 그래픽 라이브러리들(예를 들어, 디스플레이 상의 그래픽 콘텐츠에서 2차원(2D) 및 3차원(3D)으로 렌더링하기 위해 사용되는 OpenGL 프레임워크), 데이터베이스 라이브러리들(예를 들어, 다양한 관계형 데이터베이스 기능들을 제공하는 SQLite), 웹 라이브러리들(예를 들어, 웹 브라우징 기능성을 제공하는 WebKit) 등과 같은 API 라이브러리들(2824)을 포함할 수 있다. 라이브러리들(2810)은 또한, 많은 다른 API를 애플리케이션들(2806)에 제공하는 매우 다양한 기타 라이브러리들(2828)을 포함할 수 있다.
프레임워크들(2808)은 애플리케이션들(2806)에 의해 사용되는 공통 고레벨 인프라스트럭처를 제공한다. 예를 들어, 프레임워크들(2808)은 다양한 그래픽 사용자 인터페이스(GUI) 기능, 고레벨 리소스 관리, 및 고레벨 위치 서비스를 제공한다. 프레임워크들(2808)은 애플리케이션들(2806)에 의해 사용될 수 있는 광범위한 다른 API들을 제공할 수 있으며, 그 중 일부는 특정 운영 체제 또는 플랫폼에 특정적일 수 있다.
일 예에서, 애플리케이션들(2806)은 홈 애플리케이션(2836), 연락처 애플리케이션(2830), 브라우저 애플리케이션(2832), 북 리더 애플리케이션(2834), 실측 정보(2841) 생성 애플리케이션, 위치 애플리케이션(2842), 미디어 애플리케이션(2844), 메시징 애플리케이션(2846), 게임 애플리케이션(2848), 및 제3자 애플리케이션(2840)과 같은 광범위한 다른 애플리케이션들을 포함할 수 있다. 실측 정보(2841) 생성 애플리케이션은 여기서 그리고 도 6과 함께 개시된 바와 같은 동작들을 수행할 수 있다. 애플리케이션들(2806)은 프로그램들에 정의된 함수들을 실행하는 프로그램들이다. 객체 지향 프로그래밍 언어(예를 들어, Objective-C, Java, 또는 C++) 또는 절차적 프로그래밍 언어(procedural programming language)(예를 들어, C 또는 어셈블리 언어)와 같은, 다양한 방식으로 구조화된, 애플리케이션들(2806) 중 하나 이상을 생성하기 위해 다양한 프로그래밍 언어들이 이용될 수 있다. 구체적인 예에서, 제3자 애플리케이션(2840)(예를 들어, 특정 플랫폼의 벤더 이외의 엔티티에 의해 ANDROID™ 또는 IOS™ 소프트웨어 개발 키트(SDK)를 사용하여 개발된 애플리케이션)은 IOS™, ANDROID™, WINDOWS® Phone, 또는 다른 모바일 운영 체제와 같은 모바일 운영 체제 상에서 실행되는 모바일 소프트웨어일 수 있다. 이 예에서, 제3자 애플리케이션(2840)은 본 명세서에 설명된 기능을 용이하게 하기 위해 운영 체제(2812)에 의해 제공되는 API 호출들(2850)을 인보크할 수 있다.
처리 컴포넌트들
이제 도 29을 참조하면, 프로세서(2902), 프로세서(2906), 및 프로세서(2908)(예를 들어, GPU, CPU 또는 이들의 조합)를 포함하는 처리 환경(2900)의 도식적 표현이 도시되어 있다. 프로세서(2902)는 전원(2904)에 결합되고, (영구적으로 구성되거나 일시적으로 인스턴스화된) 모듈들, 즉, 증강 컴포넌트(2910), 렌더링 컴포넌트(2912), 및 증강 데이터베이스 컴포넌트(2914)를 포함하는 것으로 도시되어 있다. 도 6을 참조하면, 증강 컴포넌트(2910)는 증강된 베이스 모델(636), 증강된 단순화된 베이스 모델(642), 증강된 수정된 베이스 모델(648), 및 증강된 단순화된 수정된 베이스 모델(654)에 대해 각각 증강들(638, 644, 650, 656)을 동작적으로 선택하고 추가하며; 렌더링 컴포넌트(2912)는 증강들(634)을 취하고 증강들(634)을 처리하여 렌더링된 이미지들(628, 664)을 생성하며; 증강 데이터베이스 컴포넌트(2914)는 분산될 수 있는 증강 데이터베이스(612)를 관리하는 동작들을 동작적으로 수행한다. 예시된 바와 같이, 프로세서(2902)는 프로세서(2906)와 프로세서(2908) 둘 다에 통신가능하게 결합된다.
용어집
"캐리어 신호"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 임의의 무형 매체를 지칭하고, 이러한 명령어들의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 다른 무형 매체를 포함한다. 명령어들은 네트워크 인터페이스 디바이스를 통해 송신 매체를 사용하여 네트워크를 통해 송신 또는 수신될 수 있다.
"클라이언트 디바이스"는 하나 이상의 서버 시스템 또는 다른 클라이언트 디바이스들로부터 리소스들을 획득하기 위해 통신 네트워크에 인터페이스하는 임의의 머신을 지칭한다. 클라이언트 디바이스는, 모바일폰, 데스크톱 컴퓨터, 랩톱, PDA(portable digital assistant)들, 스마트폰들, 태블릿들, 울트라북들, 넷북들, 랩톱들, 멀티-프로세서 시스템들, 마이크로프로세서-기반 또는 프로그램가능 가전 제품들, 게임 콘솔들, 셋톱박스들, 또는 사용자가 네트워크에 액세스하기 위해 사용할 수 있는 임의의 다른 통신 디바이스일 수 있고, 이에 제한되지 않는다.
"통신 네트워크"는 애드 혹 네트워크, 인트라넷, 엑스트라넷, VPN(virtual private network), LAN(local area network), 무선 LAN(WLAN), WAN(wide area network), 무선 WAN(WWAN), MAN(metropolitan area network), 인터넷, 인터넷의 일부, PSTN(Public Switched Telephone Network)의 일부, POTS(plain old telephone service) 네트워크, 셀룰러 전화 네트워크, 무선 네트워크, Wi-Fi® 네트워크, 다른 타입의 네트워크, 또는 2개 이상의 이러한 네트워크의 조합일 수 있는, 네트워크의 하나 이상의 부분을 지칭한다. 예를 들어, 네트워크 또는 네트워크의 일부는 무선 또는 셀룰러 네트워크를 포함할 수 있고, 결합(coupling)은 CDMA(Code Division Multiple Access) 연결, GSM(Global System for Mobile communications) 연결, 또는 다른 타입들의 셀룰러 또는 무선 결합일 수 있다. 이 예에서, 결합은 1xRTT(Single Carrier Radio Transmission Technology), EVDO(Evolution-Data Optimized) 기술, GPRS(General Packet Radio Service) 기술, EDGE(Enhanced Data rates for GSM Evolution) 기술, 3G를 포함한 3GPP(third Generation Partnership Project), 4세대 무선(4G) 네트워크, UMTS(Universal Mobile Telecommunications System), HSPA(High Speed Packet Access), WiMAX(Worldwide Interoperability for Microwave Access), LTE(Long Term Evolution) 표준, 다양한 표준 설정 기구에 의해 정의된 다른 것들, 다른 장거리 프로토콜들, 또는 다른 데이터 전송 기술과 같은, 다양한 타입의 데이터 전송 기술들 중 임의의 것을 구현할 수 있다.
"컴포넌트"는 함수 또는 서브루틴 호출들, 분기 포인트들, API들, 또는 특정한 처리 또는 제어 기능들의 분할 또는 모듈화를 제공하는 다른 기술들에 의해 정의된 경계들을 갖는 디바이스, 물리적 엔티티 또는 로직을 지칭한다. 컴포넌트들은 그들의 인터페이스들을 통해 다른 컴포넌트들과 조합되어 머신 프로세스를 수행할 수 있다. 컴포넌트는, 다른 컴포넌트들 및 보통은 관련된 기능들 중 특정 기능을 수행하는 프로그램의 일부와 함께 사용하도록 설계되는 패키징된 기능적 하드웨어 유닛일 수 있다. 컴포넌트들은 소프트웨어 컴포넌트들(예를 들어, 머신 판독가능 매체 상에 구체화되는 코드) 또는 하드웨어 컴포넌트들을 구성할 수 있다. "하드웨어 컴포넌트"는 특정 동작들을 수행할 수 있는 유형 유닛(tangible unit)이고, 특정 물리적 방식으로 구성되거나 배열될 수 있다. 다양한 예시적인 예들에서, 하나 이상의 컴퓨터 시스템(예를 들어, 독립형 컴퓨터 시스템, 클라이언트 컴퓨터 시스템, 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 컴포넌트(예를 들어, 프로세서 또는 프로세서들의 그룹)는 본 명세서에 설명된 바와 같이 특정 동작들을 수행하도록 동작하는 하드웨어 컴포넌트로서 소프트웨어(예를 들어, 애플리케이션 또는 애플리케이션 부분)에 의해 구성될 수 있다. 하드웨어 컴포넌트는 또한, 기계적으로, 전자적으로, 또는 이들의 임의의 적합한 조합으로 구현될 수 있다. 예를 들어, 하드웨어 컴포넌트는 특정 동작들을 수행하도록 영구적으로 구성되는 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 컴포넌트는, FPGA(field-programmable gate array) 또는 ASIC(application specific integrated circuit)와 같은 특수 목적 프로세서일 수 있다. 하드웨어 컴포넌트는 또한, 특정 동작들을 수행하도록 소프트웨어에 의해 일시적으로 구성되는 프로그램가능 로직 또는 회로를 포함할 수 있다. 예를 들어, 하드웨어 컴포넌트는 범용 프로세서 또는 다른 프로그램가능 프로세서에 의해 실행되는 소프트웨어를 포함할 수 있다. 일단 그러한 소프트웨어에 의해 구성되면, 하드웨어 컴포넌트들은 구성된 기능들을 수행하도록 고유하게 맞춤화된 특정 머신들(또는 머신의 특정 컴포넌트들)이 되고 더 이상 범용 프로세서들이 아니다. 하드웨어 컴포넌트를 기계적으로, 전용의 영구적으로 구성된 회로에, 또는 일시적으로 구성된 회로(예를 들어, 소프트웨어에 의해 구성됨)에 구현하기로 하는 결정은 비용 및 시간 고려사항들에 의해 주도될 수 있다는 것을 인식할 것이다. 따라서, "하드웨어 컴포넌트"(또는 "하드웨어 구현된 컴포넌트")라는 문구는, 특정 방식으로 동작하도록 또는 본 명세서에서 설명된 특정 동작들을 수행하도록 물리적으로 구성되거나, 영구적으로 구성되거나(예를 들어, 하드와이어드), 또는 일시적으로 구성된(예를 들어, 프로그래밍된) 엔티티이기만 하다면, 유형 엔티티(tangible entity)를 포괄하는 것으로 이해되어야 한다. 하드웨어 컴포넌트들이 일시적으로 구성되는(예를 들어, 프로그래밍되는) 예들을 고려할 때, 하드웨어 컴포넌트들 각각이 임의의 하나의 시간 인스턴스에서 구성 또는 인스턴스화될 필요는 없다. 예를 들어, 하드웨어 컴포넌트가 특수 목적 프로세서가 되도록 소프트웨어에 의해 구성된 범용 프로세서를 포함하는 경우에, 범용 프로세서는 상이한 시간들에서 (예를 들어, 상이한 하드웨어 컴포넌트들을 포함하는) 각각 상이한 특수 목적 프로세서들로서 구성될 수 있다. 따라서 소프트웨어는 예를 들어, 하나의 시간 인스턴스에서는 특정한 하드웨어 컴포넌트를 구성하고 상이한 시간 인스턴스에서는 상이한 하드웨어 컴포넌트를 구성하도록 특정한 프로세서 또는 프로세서들을 구성한다. 하드웨어 컴포넌트는 다른 하드웨어 컴포넌트들에 정보를 제공하고 그로부터 정보를 수신할 수 있다. 따라서, 설명된 하드웨어 컴포넌트들은 통신가능하게 결합되는 것으로서 간주될 수 있다. 다수의 하드웨어 컴포넌트가 동시에 존재하는 경우에, 하드웨어 컴포넌트들 중 2개 이상 간의 또는 2개 이상 사이의(예를 들어, 적절한 회로들 및 버스들을 통한) 신호 송신을 통해 통신이 달성될 수 있다. 다수의 하드웨어 컴포넌트들이 상이한 시간들에서 구성되거나 인스턴스화되는 예들에서, 그러한 하드웨어 컴포넌트들 사이의 통신은, 예를 들어, 다수의 하드웨어 컴포넌트들이 액세스할 수 있는 메모리 구조들 내의 정보의 스토리지 및 검색을 통해 달성될 수 있다. 예를 들어, 하나의 하드웨어 컴포넌트는 동작을 수행하고 그 동작의 출력을 이것이 통신가능하게 결합된 메모리 디바이스에 저장할 수 있다. 그 후 추가의 하드웨어 컴포넌트는, 나중에, 저장된 출력을 검색 및 처리하기 위해 메모리 디바이스에 액세스할 수 있다. 하드웨어 컴포넌트들은 또한 입력 또는 출력 디바이스들과 통신을 개시할 수 있고, 리소스(예를 들어, 정보의 컬렉션)에 대해 동작할 수 있다. 본 명세서에 설명된 예시적인 방법들의 다양한 동작은 관련 동작들을 수행하도록 일시적으로 구성되거나(예를 들어, 소프트웨어에 의해) 영구적으로 구성되는 하나 이상의 프로세서에 의해 적어도 부분적으로 수행될 수 있다. 일시적으로 구성되든 영구적으로 구성되든 간에, 그러한 프로세서들은 본 명세서에 설명된 하나 이상의 동작 또는 기능을 수행하도록 동작하는 프로세서에 의해 구현되는 컴포넌트들(processor-implemented components)을 구성할 수 있다. 본 명세서에 사용된 바와 같이, "프로세서에 의해 구현되는 컴포넌트(processor-implemented component)"는 하나 이상의 프로세서를 사용하여 구현되는 하드웨어 컴포넌트를 지칭한다. 유사하게, 본 명세서에 설명된 방법들은 적어도 부분적으로 프로세서에 의해 구현될 수 있고, 특정한 프로세서 또는 프로세서들은 하드웨어의 예이다. 예를 들어, 방법의 동작들 중 적어도 일부가 하나 이상의 프로세서 또는 프로세서에 의해 구현되는 컴포넌트에 의해 수행될 수 있다. 더욱이, 하나 이상의 프로세서는 또한 "클라우드 컴퓨팅" 환경에서 또는 "서비스로서의 소프트웨어(software as a service)"(SaaS)로서 관련 동작들의 수행을 지원하도록 동작할 수 있다. 예를 들어, 동작들 중 적어도 일부는 (프로세서들을 포함하는 머신들의 예들로서) 컴퓨터들의 그룹에 의해 수행될 수 있고, 이러한 동작들은 네트워크(예를 들어, 인터넷)를 통해 그리고 하나 이상의 적절한 인터페이스(예를 들어, API)를 통해 액세스가능하다. 동작들 중 특정한 것의 수행은 단일 머신 내에 존재할 뿐만 아니라, 다수의 머신에 걸쳐 배치되는, 프로세서들 사이에 분산될 수 있다. 일부 예시적인 예들에서, 프로세서들 또는 프로세서에 의해 구현되는 컴포넌트들은 단일의 지리적 위치에(예를 들어, 가정 환경, 사무실 환경, 또는 서버 팜(server farm) 내에) 위치할 수 있다. 다른 예시적인 예들에서, 프로세서들 또는 프로세서에 의해 구현되는 컴포넌트들은 다수의 지리적 위치에 걸쳐 분산될 수 있다.
"컴퓨터 판독가능 저장 매체"는 머신 저장 매체와 송신 매체 양자 모두를 지칭한다. 따라서, 용어들은 저장 디바이스들/매체들과 반송파들/변조된 데이터 신호들 양자 모두를 포함한다. "머신 판독가능 매체", "컴퓨터 판독가능 매체" 및 "디바이스 판독가능 매체"라는 용어들은 동일한 것을 의미하며, 본 개시내용에서 상호교환가능하게 사용될 수 있다. 복수의 "컴퓨터 판독가능 매체"는 "컴퓨터 판독가능 매체들"이라고 지칭될 수 있다.
"단기적 메시지(ephemeral message)"는 시간 제한된 지속기간(time-limited duration) 동안 액세스가능한 메시지를 지칭한다. 단기적 메시지는 텍스트, 이미지, 비디오 등일 수 있다. 단기적 메시지에 대한 액세스 시간은 메시지 전송자에 의해 설정될 수 있다. 대안적으로, 액세스 시간은 디폴트 설정 또는 수신인에 의해 지정된 설정일 수 있다. 설정 기법에 관계없이, 메시지는 일시적(transitory)이다.
"머신 저장 매체"는 실행가능 명령어들, 루틴들 및 데이터를 저장한 단일의 또는 다수의 저장 디바이스들 및 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및 연관된 캐시들 및 서버들)을 지칭한다. 따라서, 용어는 프로세서들 내부 또는 외부의 메모리를 포함하는 고체 상태 메모리들, 및 광학 및 자기 매체들을 포함하지만 이에 제한되지 않는 것으로 간주되어야 한다. 머신 저장 매체, 컴퓨터 저장 매체 및 디바이스 저장 매체의 특정 예들은 예로서 반도체 메모리 디바이스들, 예를 들어, EPROM(erasable programmable read-only memory), EEPROM(electrically erasable programmable read-only memory), FPGA, 및 플래시 메모리 디바이스들을 포함하는 비휘발성 메모리; 내부 하드 디스크들 및 이동식 디스크들과 같은 자기 디스크들; 광자기 디스크들; 및 CD-ROM 및 DVD-ROM 디스크들을 포함한다. "머신 저장 매체", "디바이스 저장 매체", "컴퓨터 저장 매체"라는 용어들은 동일한 것을 의미하며, 본 개시내용에서 상호교환가능하게 사용될 수 있다. "머신 저장 매체", "컴퓨터 저장 매체", 및 "디바이스 저장 매체"라는 용어들은 구체적으로 반송파들, 변조된 데이터 신호들, 및 다른 이러한 매체들을 제외하고, 이들 중 적어도 일부는 "신호 매체"라는 용어 하에 포함된다.
"비일시적 컴퓨터 판독가능 저장 매체"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 유형의 매체를 지칭한다.
"신호 매체"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 임의의 무형 매체를 지칭하고, 소프트웨어 또는 데이터의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 다른 무형 매체를 포함한다. 용어 "신호 매체"는 임의의 형태의 변조된 데이터 신호, 반송파 등을 포함하는 것으로 간주되어야 한다. 용어 "변조된 데이터 신호"는 신호 내의 정보를 인코딩하는 것과 같은 문제에서 그의 특성 중 하나 이상이 설정 또는 변경된 신호를 의미한다. "송신 매체" 및 "신호 매체"라는 용어들은 동일한 것을 의미하며, 본 개시내용에서 상호교환가능하게 사용될 수 있다.
Claims (20)
- 방법으로서,
제1 3차원(3D) 베이스 모델을 처리하여 복수의 제1 이미지들을 생성하는 단계- 상기 복수의 제1 이미지들 중 각각의 제1 이미지는 복수의 증강들 중 제1 증강들에 의해 수정된 상기 제1 3D 베이스 모델을 묘사함 -;
제2 3D 베이스 모델에 대해, 상기 제1 증강들 중 호환되지 않는 증강들을 결정하는 단계- 상기 호환되지 않는 증강들은 상기 제2 3D 베이스 모델의 고정된 특징들에 대한 수정들을 표시함 -; 및
상기 제2 3D 베이스 모델을 처리하여 상기 복수의 제1 이미지들 각각에 대한 제2 이미지를 생성하는 단계를 포함하고, 각각의 제2 이미지는 제2 증강들에 의해 수정된 상기 제2 3D 베이스 모델을 묘사하고, 상기 제2 증강들은 대응하는 제1 이미지의 상기 제1 증강들에 대응하고, 상기 제2 증강들은 상기 제1 증강들 중 호환되지 않는 증강들이 아닌 증강들을 포함하는, 방법. - 제1항에 있어서,
상기 제1 3D 베이스 모델을 처리하여 상기 제1 3D 베이스 모델을 수정함으로써 상기 제2 3D 베이스 모델을 생성하는 단계를 추가로 포함하는, 방법. - 제1항에 있어서, 상기 복수의 증강들은: 아이템 증강들(item augmentations), 셰이더 증강들(shader augmentations), 블렌드 셰이프 증강들(blend shape augmentations), 조명 증강들(lighting augmentations), 및 배향 증강들(orientation augmentations)을 포함하는, 방법.
- 제1항에 있어서,
상기 복수의 증강들을 처리하여 상기 복수의 증강들을 카테고리들로 카테고리화하는 단계; 및
상기 복수의 제1 이미지들이 상기 카테고리들 중 각각의 카테고리에 대한 증강들을 묘사하도록, 상기 카테고리들로부터 상기 제1 증강들을 선택하는 단계를 추가로 포함하는, 방법. - 제4항에 있어서, 상기 카테고리들은 제1 카테고리들이고, 상기 방법은:
상기 복수의 증강들을 처리하여 상기 복수의 증강들을 제2 카테고리들로 카테고리화하는 단계- 상기 제2 카테고리들은 성별 및 사람들의 그룹을 포함함 -; 및
상기 복수의 제1 이미지들이 상기 제2 카테고리들 각각으로부터의 증강들을 묘사하도록, 상기 제2 카테고리들로부터 상기 제1 증강들을 선택하는 단계를 추가로 포함하는, 방법. - 제4항에 있어서, 상기 카테고리들 중 각각의 카테고리는 상기 제1 3D 베이스 모델과 연관된 프록시 객체(proxy object)를 포함하고, 상기 제1 증강들은 대응하는 프록시 객체에 따라 적용되고, 상기 프록시 객체는 복수의 다각형들 및 상기 제1 3D 베이스 모델에 대한 위치를 포함하는, 방법.
- 제6항에 있어서, 상기 프록시 객체는 제1 프록시 객체이고, 상기 카테고리들 중 각각의 카테고리는 상기 제2 3D 베이스 모델과 연관된 제2 프록시 객체를 포함하고, 상기 제2 증강들은 대응하는 제2 프록시 객체에 따라 적용되고, 상기 제2 프록시 객체는 복수의 다각형들 및 상기 제2 3D 베이스 모델에 대한 위치를 포함하는, 방법.
- 제5항에 있어서, 매트(matte)는 복수의 영역들을 포함하고, 각각의 영역은 상기 제1 3D 베이스 모델의 일부를 표시하며, 상기 카테고리들 중 각각의 카테고리는 상기 복수의 영역들 중 하나의 영역과 연관되고, 상기 제1 증강들은 대응하는 영역에 따라 상기 제1 3D 베이스 모델의 영역들에 적용되는, 방법.
- 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 고정된 특징들은, 피부색, 귀 형상, 얼굴 표정, 의류 아이템, 상기 제2 3D 베이스 모델의 조명, 및 상기 제2 3D 베이스 모델의 음영 중 하나 이상을 포함하는, 방법.
- 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 제1 증강들은 상기 제1 3D 베이스 모델에 대해 수정되고, 상기 제2 증강들은 상기 제2 3D 베이스 모델에 대해 수정되는, 방법.
- 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 제1 3D 베이스 모델은 정점들(vertices)을 갖는 다각형들의 메시(mesh)를 포함하고, 상기 제1 증강들은 모프 증강(morph augmentation)으로 상기 메시의 상기 정점들을 어떻게 수정할지를 표시하는 모프 증강을 포함하는, 방법.
- 제11항에 있어서, 상기 모프 증강은 사람들의 그룹을 표시하는 얼굴 표정 또는 얼굴 구조인, 방법.
- 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 제1 3D 베이스 모델을 처리하여 단순화된 제1 3D 베이스 모델을 생성하는 단계 - 상기 제1 3D 베이스 모델은 제1 복수의 다각형들을 포함하고, 상기 단순화된 제1 3D 베이스 모델은 제2 복수의 다각형들을 포함하고, 상기 제1 복수의 다각형들의 개수는 상기 제2 복수의 다각형들의 개수보다 큼 -; 및
상기 단순화된 제1 3D 베이스 모델로부터 상기 복수의 제1 이미지들 중 하나 이상을 생성하는 단계를 추가로 포함하는, 방법. - 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 복수의 제2 이미지들은 실측 정보 입력(ground truth input)이고 상기 복수의 제2 이미지들은 실측 정보 출력(ground truth output)인, 방법.
- 제14항에 있어서,
상기 실측 정보 입력 및 상기 실측 정보 출력을 사용하여 컨볼루션 신경망을 트레이닝하는 단계를 추가로 포함하는, 방법. - 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 복수의 제1 이미지들 및 상기 복수의 제2 이미지들을 렌더링하는 단계를 추가로 포함하는, 방법. - 시스템으로서,
하나 이상의 컴퓨터 프로세서; 및
상기 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 상기 시스템으로 하여금 동작들을 수행하게 하는 명령어들을 저장한 하나 이상의 컴퓨터 판독가능 매체를 포함하고, 상기 동작들은:
제1 3차원(3D) 베이스 모델을 처리하여 복수의 제1 이미지들을 생성하는 것- 상기 복수의 제1 이미지들 중 각각의 제1 이미지는 복수의 증강들 중 제1 증강들에 의해 수정된 상기 제1 3D 베이스 모델을 묘사함 -;
제2 3D 베이스 모델에 대해, 상기 제1 증강들 중 호환되지 않는 증강들을 결정하는 것- 상기 호환되지 않는 증강들은 상기 제2 3D 베이스 모델의 고정된 특징들에 대한 수정들을 표시함 -; 및
상기 제2 3D 베이스 모델을 처리하여 상기 복수의 제1 이미지들 각각에 대한 제2 이미지를 생성하는 것을 포함하고, 각각의 제2 이미지는 제2 증강들에 의해 수정된 상기 제2 3D 베이스 모델을 묘사하고, 상기 제2 증강들은 대응하는 제1 이미지의 상기 제1 증강들에 대응하고, 상기 제2 증강들은 상기 제1 증강들 중 호환되지 않는 증강들이 아닌 증강들을 포함하는, 시스템. - 제17항에 있어서, 상기 복수의 증강들은: 아이템 증강들, 셰이더 증강들, 블렌드 셰이프 증강들, 조명 증강들, 및 배향 증강들을 포함하는, 시스템.
- 컴퓨터에 의해 처리될 때, 동작들을 수행하도록 상기 컴퓨터를 구성하는 명령어들을 포함한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 동작들은:
제1 3차원(3D) 베이스 모델을 처리하여 복수의 제1 이미지들을 생성하는 것- 상기 복수의 제1 이미지들 중 각각의 제1 이미지는 복수의 증강들 중 제1 증강들에 의해 수정된 상기 제1 3D 베이스 모델을 묘사함 -;
제2 3D 베이스 모델에 대해, 상기 제1 증강들 중 호환되지 않는 증강들을 결정하는 것- 상기 호환되지 않는 증강들은 상기 제2 3D 베이스 모델의 고정된 특징들에 대한 수정들을 표시함 -; 및
상기 제2 3D 베이스 모델을 처리하여 상기 복수의 제1 이미지들 각각에 대한 제2 이미지를 생성하는 것을 포함하고, 각각의 제2 이미지는 제2 증강들에 의해 수정된 상기 제2 3D 베이스 모델을 묘사하고, 상기 제2 증강들은 대응하는 제1 이미지의 상기 제1 증강들에 대응하고, 상기 제2 증강들은 상기 제1 증강들 중 호환되지 않는 증강들이 아닌 증강들을 포함하는, 비일시적 컴퓨터 판독가능 저장 매체. - 제19항에 있어서, 상기 복수의 증강들은: 아이템 증강들, 셰이더 증강들, 블렌드 셰이프 증강들, 조명 증강들, 및 배향 증강들을 포함하는, 비일시적 컴퓨터 판독가능 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/506,215 | 2021-10-20 | ||
| US17/506,215 US11847756B2 (en) | 2021-10-20 | 2021-10-20 | Generating ground truths for machine learning |
| PCT/US2022/078410 WO2023070018A1 (en) | 2021-10-20 | 2022-10-20 | Generating ground truths for machine learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240093792A true KR20240093792A (ko) | 2024-06-24 |
Family
ID=84330869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020247016600A KR20240093792A (ko) | 2021-10-20 | 2022-10-20 | 머신 학습을 위한 실측 정보 생성 |
Country Status (5)
| Country | Link |
|---|---|
| US (2) | US11847756B2 (ko) |
| EP (1) | EP4420090A1 (ko) |
| KR (1) | KR20240093792A (ko) |
| CN (1) | CN118119978A (ko) |
| WO (1) | WO2023070018A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117135416B (zh) * | 2023-10-26 | 2023-12-22 | 环球数科集团有限公司 | 一种基于aigc的视频生成系统 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9189886B2 (en) * | 2008-08-15 | 2015-11-17 | Brown University | Method and apparatus for estimating body shape |
| US9036898B1 (en) * | 2011-01-18 | 2015-05-19 | Disney Enterprises, Inc. | High-quality passive performance capture using anchor frames |
| JP7342008B2 (ja) * | 2018-02-27 | 2023-09-11 | マジック リープ， インコーポレイテッド | 仮想アバタのためのメッシュの合致 |
| US10692276B2 (en) | 2018-05-03 | 2020-06-23 | Adobe Inc. | Utilizing an object relighting neural network to generate digital images illuminated from a target lighting direction |
| EP3579196A1 (en) * | 2018-06-05 | 2019-12-11 | Cristian Sminchisescu | Human clothing transfer method, system and device |
| CA3239810A1 (en) * | 2019-03-08 | 2020-09-17 | Leddartech Inc. | Method, system and computer readable medium for evaluating influence of an action performed by an external entity |
| US11288857B2 (en) | 2019-04-04 | 2022-03-29 | Google Llc | Neural rerendering from 3D models |
| US11200456B2 (en) | 2019-07-31 | 2021-12-14 | GE Precision Healthcare LLC | Systems and methods for generating augmented training data for machine learning models |
| US11538216B2 (en) | 2019-09-03 | 2022-12-27 | Adobe Inc. | Dynamically estimating light-source-specific parameters for digital images using a neural network |
| US11341605B1 (en) * | 2019-09-30 | 2022-05-24 | Amazon Technologies, Inc. | Document rectification via homography recovery using machine learning |
| US11830129B2 (en) | 2020-09-30 | 2023-11-28 | Snap Inc. | Object relighting using neural networks |
| US20220237838A1 (en) * | 2021-01-27 | 2022-07-28 | Nvidia Corporation | Image synthesis using one or more neural networks |
-
2021
- 2021-10-20 US US17/506,215 patent/US11847756B2/en active Active
-
2022
- 2022-10-20 KR KR1020247016600A patent/KR20240093792A/ko unknown
- 2022-10-20 WO PCT/US2022/078410 patent/WO2023070018A1/en active Application Filing
- 2022-10-20 EP EP22813382.3A patent/EP4420090A1/en active Pending
- 2022-10-20 CN CN202280070155.5A patent/CN118119978A/zh active Pending
-
2023
- 2023-11-02 US US18/386,515 patent/US20240062500A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US11847756B2 (en) | 2023-12-19 |
| US20230118572A1 (en) | 2023-04-20 |
| EP4420090A1 (en) | 2024-08-28 |
| CN118119978A (zh) | 2024-05-31 |
| US20240062500A1 (en) | 2024-02-22 |
| WO2023070018A1 (en) | 2023-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11830118B2 (en) | Virtual clothing try-on | |
| US11995781B2 (en) | Messaging system with neural hair rendering | |
| KR20230098244A (ko) | 적응형 골격 관절 원활화 | |
| US20220207355A1 (en) | Generative adversarial network manipulated image effects | |
| US12067804B2 (en) | True size eyewear experience in real time | |
| KR20240137630A (ko) | 객체 대체 시스템 | |
| US11830129B2 (en) | Object relighting using neural networks | |
| US11562548B2 (en) | True size eyewear in real time | |
| KR20230044213A (ko) | 관절형 애니메이션을 위한 모션 표현들 | |
| US20230154084A1 (en) | Messaging system with augmented reality makeup | |
| EP4272173A1 (en) | Flow-guided motion retargeting | |
| US12079927B2 (en) | Light estimation using neural networks | |
| US20240062500A1 (en) | Generating ground truths for machine learning | |
| WO2023235110A1 (en) | Cross-modal shape and color manipulation | |
| KR20240130769A (ko) | 소스 이미지의 스타일화된 표현들에서 이미지 특징들을 보호함 | |
| US20240007585A1 (en) | Background replacement using neural radiance field | |
| US20230215062A1 (en) | Protecting image features in stylized representations of a source image | |
| EP4272169A1 (en) | Light estimation using neural networks | |
| WO2022146727A1 (en) | Generative adversarial network manipulated image effects |