WO2020180084A1 - 타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램 - Google Patents

타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
WO2020180084A1
WO2020180084A1 PCT/KR2020/002992 KR2020002992W WO2020180084A1 WO 2020180084 A1 WO2020180084 A1 WO 2020180084A1 KR 2020002992 W KR2020002992 W KR 2020002992W WO 2020180084 A1 WO2020180084 A1 WO 2020180084A1
Authority
WO
WIPO (PCT)
Prior art keywords
mask
target
image
colored
neural network
Prior art date
Application number
PCT/KR2020/002992
Other languages
English (en)
French (fr)
Inventor
장재혁
강성민
이가영
Original Assignee
네이버웹툰 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 네이버웹툰 주식회사 filed Critical 네이버웹툰 주식회사
Publication of WO2020180084A1 publication Critical patent/WO2020180084A1/ko
Priority to US17/464,899 priority Critical patent/US20210398331A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • G06N3/045—Combinations of 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Definitions

  • the present invention relates to a method, an apparatus, and a computer program for completing coloring of a target image to be colored by using a reference image.
  • a webtoon service that provides online cartoon content is a representative example of these services.
  • the present invention is intended to be able to produce online content more efficiently.
  • the present invention aims to reduce the amount of time the user spends on coloring in the production of content requiring coloring by a user, such as a webtoon, so that the content can be produced in a faster time.
  • the present invention in the automatic coloring of an image not by a user, by performing coloring by referring to a reference image provided together, the present invention seeks to perform coloring that more suits the user's needs, thereby reducing work time according to the user's modification. I want to make it.
  • the method of completing the coloring of a target image to be colored using a reference image according to one sealing PDp of the present invention includes a partial region of the target image using a learned first artificial neural network. Generating at least one target mask; Generating at least one reference mask corresponding to each of the at least one target mask and including at least a partial region of the reference image using the first artificial neural network; Generating at least one colored target mask by coloring each of the at least one target mask by referring to a color of the at least one reference mask; And generating a colored target image from the target image, the at least one target mask, and the at least one colored target mask using the learned second artificial neural network.
  • the first artificial neural network divides the target image into at least one area based on the similarity of the color to be colored in each area, and learns to generate the at least one target mask including each of the at least one divided area. It can be a neural network.
  • the at least one target mask may include whether each of a plurality of points constituting the target image is included in each of the at least one target mask.
  • the first artificial neural network divides the reference image into at least one area based on the similarity of the color to be colored in each area and the shape similarity with the area included in the at least one target mask, and divides at least one It may be a neural network trained to generate the at least one reference mask including each of the regions of.
  • the at least one reference mask may include whether each of a plurality of points constituting the reference image is included in each of the at least one reference mask.
  • the second artificial neural network may be a neural network trained to generate the colored target image from the at least one colored target mask by referring to the target image and the at least one target mask.
  • the second artificial neural network generates the colored target image from the at least one colored target mask by referring to the target image and the at least one target mask, and a predetermined image on the at least one colored target mask It may be a neural network trained to generate the colored target image by applying an effect.
  • the predetermined image effect may be an effect such that a color difference between pixels included in each of the at least one colored target mask and an adjacent pixel is equal to or less than a predetermined threshold difference.
  • the generating of the colored target mask may include determining a representative color of a region included in the first reference mask according to a predetermined method; And generating the colored target mask by determining the representative color as a color of a target mask corresponding to the first reference mask.
  • the predetermined method may be a method of determining an average color of a color of a region included in the first reference mask as the representative color.
  • the apparatus includes a processor, and the processor uses a learned first artificial neural network At least one target mask including a partial region of the image is generated, and at least one target mask corresponding to each of the at least one target mask and including at least a partial region of the reference image is generated using the first artificial neural network.
  • Generate at least one reference mask generate at least one colored target mask by coloring each of the at least one target mask by referring to the color of the at least one reference mask, and use the learned second artificial neural network ,
  • a colored target image may be generated from the target image, the at least one target mask, and the at least one colored target mask.
  • the first artificial neural network divides the target image into at least one area based on the similarity of the color to be colored in each area, and learns to generate the at least one target mask including each of the at least one divided area. It can be a neural network.
  • the at least one target mask may include whether each of a plurality of points constituting the target image is included in each of the at least one target mask.
  • the first artificial neural network divides the reference image into at least one area based on the similarity of the color to be colored in each area and the shape similarity with the area included in the at least one target mask, and divides at least one It may be a neural network trained to generate the at least one reference mask including each of the regions of.
  • the at least one reference mask may include whether each of a plurality of points constituting the reference image is included in each of the at least one reference mask.
  • the second artificial neural network may be a neural network trained to generate the colored target image from the at least one colored target mask by referring to the target image and the at least one target mask.
  • the second artificial neural network generates the colored target image from the at least one colored target mask by referring to the target image and the at least one target mask, and a predetermined image on the at least one colored target mask It may be a neural network trained to generate the colored target image by applying an effect.
  • the predetermined image effect may be an effect such that a color difference between pixels included in each of the at least one colored target mask and an adjacent pixel is equal to or less than a predetermined threshold difference.
  • the processor determines a representative color of an area included in the first reference mask according to a predetermined method, determines the representative color as a color of a target mask corresponding to the first reference mask, and generates the colored target mask can do.
  • the predetermined method may be a method of determining an average color of a color of a region included in the first reference mask as the representative color.
  • online content can be produced more efficiently.
  • content that requires the user's coloring such as a webtoon
  • FIG. 1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating the internal configuration of the user terminal 100 and the server 200 according to an embodiment of the present invention.
  • FIG. 3 is a diagram for explaining the structure of an exemplary artificial neural network learned by the processor 212.
  • FIG. 4 is a diagram illustrating an example of a target image.
  • 5A-5D are diagrams illustrating exemplary target masks generated by the processor 212 from the target image of FIG. 4 according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating an example of a reference image.
  • 7A to 7D are diagrams illustrating exemplary reference masks generated by the processor 212 from the reference image of FIG. 6.
  • FIG. 8 is a diagram illustrating an example of a colored target mask.
  • 10A to 10B are diagrams for schematically illustrating a process of generating a colored target image by the processor 212.
  • 11 is a flowchart illustrating a method of completing coloring of a target image performed by the server 200 according to an embodiment of the present invention.
  • FIG. 1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
  • the network environment of FIG. 1 shows an example including a plurality of user terminals 101, 102, 103 and 104, a server 200 and a network 300.
  • 1 is an example for explaining the invention, and the number of user terminals 101, 102, 103, 104 or the number of servers 200 is not limited as shown in FIG. 1.
  • the plurality of user terminals 101, 102, 103, and 104 transmit a target image to be painted and a reference image to be referred to for coloring to the server 200 according to a user's manipulation, and ,
  • the colored target image may be received from the server 200.
  • the plurality of user terminals 101, 102, 103, and 104 determine a target image to be painted and a reference image to be referred to for coloring according to a user's manipulation, and color the target image. You can also complete
  • the plurality of user terminals 101, 102, 103 and 104 may be a fixed terminal implemented as a computer device or a mobile terminal.
  • Examples of the plurality of user terminals 101, 102, 103, 104 include smartphones, mobile phones, navigation, computers, notebook computers, digital broadcasting terminals, personal digital assistants (PDAs), portable multimedia players (PMPs), tablets PC, etc.
  • PDAs personal digital assistants
  • PMPs portable multimedia players
  • the plurality of user terminals 101, 102, 103, and 104 are connected to each other and/or the server (the plurality of user terminals 101, 102, 103, 104) through the network 300 using a wireless or wired communication method. 200).
  • the communication method of the plurality of user terminals 101, 102, 103, 104 is not limited, and a communication network (for example, a mobile communication network, wired Internet, wireless Internet, broadcasting network) that the network 300 can include is used. Short-range wireless communication between devices may also be included as well as a communication method.
  • a communication network for example, a mobile communication network, wired Internet, wireless Internet, broadcasting network
  • Short-range wireless communication between devices may also be included as well as a communication method.
  • the network 300 is a Personal Area Network (PAN), a Local Area Network (LAN), a Campus Area Network (CAN), a Metropolitan Area Network (MAN), a Wide Area Network (WAN), and a Broad Band Network (BBN). , Internet, and the like.
  • PAN Personal Area Network
  • LAN Local Area Network
  • CAN Campus Area Network
  • MAN Metropolitan Area Network
  • WAN Wide Area Network
  • BBN Broad Band Network
  • the network 300 may include any one or more of a network topology including a bus network, a star network, a ring network, a mesh network, a star-bus network, a tree or a hierarchical network, etc. Not limited.
  • user terminals 101, 102, 103, and 104 are referred to as user terminals 100 and described.
  • the server 200 may receive a target image to be colored and a reference image to be referred to for coloring of the target image from the user terminal 100 described above, and may color the target image using learned artificial neural networks. A detailed description of this will be described later.
  • the server 200 may be implemented as a computer device or a plurality of computer devices that provide commands, codes, files, contents, services, etc. to the user terminal 100 through the network 300.
  • FIG. 2 is a block diagram illustrating the internal configuration of the user terminal 100 and the server 200 according to an embodiment of the present invention.
  • the user terminal 100 and the server 200 may include memories 111 and 211, processors 112 and 212, communication modules 113 and 213, and input/output interfaces 114 and 214.
  • the memories 111 and 211 are computer-readable recording media, and may include a random access memory (RAM), a read only memory (ROM), and a permanent mass storage device such as a disk drive.
  • RAM random access memory
  • ROM read only memory
  • permanent mass storage device such as a disk drive.
  • the memory 111 and 211 may store an operating system and at least one program code (for example, a code for a program that is installed in the user terminal 100 to color an image through data transmission/reception with the server 200). .
  • These software components may be loaded from a computer-readable recording medium separate from the memories 111 and 211 using a drive mechanism.
  • a separate computer-readable recording medium may include a computer-readable recording medium such as a floppy drive, a disk, a tape, a DVD/CD-ROM drive, and a memory card.
  • software components may be loaded into the memories 111 and 211 through the communication modules 113 and 213 instead of a computer-readable recording medium.
  • at least one program is based on a program installed by files provided by a file distribution system (for example, the server 200 described above) that distributes the installation files of developers or applications through the network 300 Thus, it can be loaded into the memories 111 and 211.
  • the processors 112 and 212 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations.
  • the instructions may be provided to the processors 112 and 212 by the memories 111 and 211 or the communication modules 113 and 213.
  • the processors 112 and 212 may be configured to execute an instruction received according to a program code stored in a recording device such as the memories 111 and 211.
  • the communication modules 113 and 213 may provide a function for the user terminal 100 and the server 200 to communicate with each other through the network 300, and other user terminals (not shown) or other servers (not shown) It can provide a function to communicate with.
  • a request generated by the processor 112 of the user terminal 100 according to a program code stored in a recording device such as a memory 111 is sent to the server 200 through the network 300 under the control of the communication module 113.
  • control signals, commands, contents, files, etc. provided under the control of the server 200 and the processor 212 are transmitted via the communication module 213 and the network 300 to the communication module 113 of the user terminal 100 It may be received by the user terminal 100 through.
  • the input/output interfaces 114 and 214 may be means for interfacing with the input/output device 115.
  • the input device may include a device such as a keyboard or a mouse
  • the output device may include a device such as a display for displaying an image.
  • the input/output interfaces 114 and 214 may be a means for an interface with a device in which input and output functions are integrated into one, such as a touch screen.
  • the user terminal 100 and the server 200 may include more components than those of FIG. 2. However, there is no need to clearly show most of the prior art components.
  • the user terminal 100 may be implemented to include at least some of the input/output devices 115 described above, or other components such as a transceiver, a global positioning system (GPS) module, a camera, various sensors, and a database. May include more.
  • GPS global positioning system
  • the processor 212 of the server 200 may complete the coloring of the target image using learned artificial neural networks.
  • a'target image' is an image to be painted, and may mean an image in which at least some areas are not painted (that is, there is no color information on at least some areas).
  • the'area' may mean a part of an image that is divided by an outline in the image.
  • a'reference image' is an image for reference to the coloring of the above-described target image, and may mean an image in which the coloring is completed. Such a reference image may be acquired together with the target image and used for coloring the target image.
  • the reference image may be provided by the user.
  • the user may provide a reference image colored in a desired style (ie, a desired color combination) together with the target image, so that the target image may be colored in a similar style to the reference image.
  • the reference image may be provided by the processor 212 based on a predetermined image analysis result.
  • the processor 212 uses any one of the plurality of candidate reference images as a reference image based on the similarity of the shape of the plurality of candidate reference images and the target image (ie, the similarity of the shape of at least one area constituting the image). You can choose. In this case, the user can obtain the colored target image by providing only the target image.
  • a'mask' such as a'target mask' and a'reference mask' is an image including at least a partial area of an original image (for example, a reference image or a target image), and each of a plurality of points constituting the original image This may mean an image including information on whether to be included in the corresponding mask.
  • the first target mask generated from the target image may include whether each of a plurality of points constituting the target image is included in the first target mask in the form of a ground truth (ie, in the form of 1 or 0).
  • the first reference mask generated from the reference image may include whether each of a plurality of points constituting the reference image is included in the first reference mask in the form of ground truth (that is, in the form of 1 or 0). have.
  • the'colored mask' may mean an image to which color information is further added to the above-described mask.
  • the'colored first target mask' determines whether each of a plurality of points constituting the target image is included in the first target mask, in the form of ground truth (that is, 1 or 0). Form), and may mean an image that further includes color information of the included area.
  • the'artificial neural network' such as the first artificial neural network and the second artificial neural network is a neural network that is properly trained according to a purpose and/or purpose, and is learned by machine learning or deep learning. It may have been.
  • the'first artificial neural network divides the target image into at least one area based on the similarity of the color to be colored in each area of the target image, and the divided at least one area It may be a neural network trained to generate at least one target mask including each.
  • the first artificial neural network is a neural network that has been trained to generate at least one mask by dividing the input image into a plurality of areas, and a mask by dividing the input image into a plurality of areas based on the similarity of the color to be colored. Can be created.
  • the first artificial neural network uses the similarity of the color to be colored in each area of the reference image (here, the reference image means an outline image generated from the colored reference image) and the above-described process.
  • the reference image is divided into at least one area based on a shape similarity with a partial area of the target image included in the generated at least one target mask, and at least one reference mask including each of the at least one divided area It may be a neural network that has been trained to generate.
  • the first artificial neural network is a neural network that has been trained to generate at least one mask by dividing the input image into a plurality of regions, similar to the case of the target image, and refers to the input masks together with the similarity of the color to be colored.
  • a mask may be generated by dividing the input image into a plurality of regions.
  • the'second artificial neural network' refers to a target image to be colored and at least one target mask generated from the target image, and is a neural network that is trained to generate a colored target image from at least one colored target mask.
  • the second artificial neural network may be trained to generate a colored target image by applying a predetermined image effect to at least one colored target mask.
  • a description of the colored target mask will be described later.
  • a first artificial neural network and a second artificial neural network are sometimes collectively referred to as an'artificial neural network'.
  • FIG. 3 is a diagram for explaining the structure of an exemplary artificial neural network learned by the processor 212.
  • the artificial neural network may be a neural network according to a convolutional neural network (CNN) model.
  • CNN convolutional neural network
  • the CNN model may be a hierarchical model used to finally extract features of input data by alternately performing a plurality of computational layers (Convolutional Layer, Pooling Layer).
  • the processor 212 includes a convolution layer for extracting feature values of the target image included in the training data, and the extracted feature values. By combining, a pooling layer constituting the feature map may be generated.
  • the processor 212 may combine the generated feature maps to generate a fully connected layer that prepares to generate at least one target mask.
  • the processor 212 may calculate an output layer including at least one target mask.
  • the input data (for example, the target image) of the convolution layer is divided into 5X7 blocks, a 5X3 unit block is used to generate the convolution layer, and 1X4 or 1X2 is used to generate the pooling layer.
  • the unit block of the form is used, this is illustrative and the spirit of the present invention is not limited thereto. Therefore, the size of the image block used to generate each layer may be variously set.
  • FIG. 3 illustrates the structure of an exemplary first artificial neural network as described above, and the structure of the first artificial neural network may be different from FIG. 3 according to the type and/or quantity of input data.
  • the first artificial neural network may include a block for receiving at least one target mask in addition to the reference image as input data of the convolutional layer.
  • the processor 212 may calculate an output layer including at least one reference mask according to the above-described process.
  • the convolution layer may include a target image, at least one target mask generated from the target image, and a block for receiving at least one colored target mask.
  • the output layer may include a block for outputting a colored target image.
  • Such an artificial neural network may be stored in the above-described memory 211 in the form of coefficients of at least one node constituting the artificial neural network, a weight of the node, and coefficients of a function defining a relationship between a plurality of layers constituting the artificial neural network.
  • the structure of the neural network may also be stored in the memory 211 in the form of a source code and/or a program.
  • the processor 212 may build or train a neural network model by processing training data according to a supervised learning technique.
  • the training data may include a target image and at least one target mask generated from the target image.
  • the processor 212 may repeatedly perform learning so that the first artificial neural network learns a correspondence relationship between the target image and at least one target mask generated from the target image based on the learning data.
  • the processor 212 may train the first artificial neural network to reflect the characteristics of image segmentation using the original image and at least one mask obtained by dividing the original image. Accordingly, the first artificial neural network may be trained to output at least one target mask in response to an input of a target image.
  • the training data may include a reference image, at least one reference mask generated from the reference image, and at least one target mask that is referred to for generation of at least one reference mask.
  • the processor 212 may perform training such that the first artificial neural network learns a correspondence relationship between the reference image and at least one target mask and at least one reference mask generated from the reference image.
  • the processor 212 further learns the first artificial neural network to reflect the characteristics of image segmentation using the reference information by using the original image, information referenced for segmentation of the original image, and at least one mask obtained by segmenting the original image. I can make it. Accordingly, the first artificial neural network may be trained to output at least one reference mask with respect to the input of the reference image and at least one target mask. Of course, even in this case, learning can be performed repeatedly.
  • the training data may include a target image, at least one target mask generated from the target image, at least one colored target mask, and a colored target image.
  • the processor 212 corresponds to the target image by the second artificial neural network, at least one target mask generated from the target image, and at least one colored target mask and the colored target image. Learning can be done to learn relationships. Accordingly, the second artificial neural network may be trained to output a colored target image with respect to the input of the target image, at least one target mask generated from the target image, and at least one colored target mask. Of course, even in this case, learning can be performed repeatedly.
  • 'training' an artificial neural network is to update the coefficients of at least one node constituting the artificial neural network, the weight of the node, and/or the coefficients of a function defining the relationship between a plurality of layers constituting the artificial neural network.
  • the artificial neural network is a neural network according to a synthetic product neural network (CNN) model, but this is exemplary and the neural network model is not limited thereto. Therefore, the artificial neural network may be a neural network according to various types of neural network models.
  • CNN synthetic product neural network
  • the processor 212 may acquire a target image to be colored.
  • the processor 212 may receive the target image from the user terminal 100 described above, or may read the target image from the memory 211 in the server 200.
  • the processor 212 may acquire a reference image for reference to the coloring of the target image.
  • a reference image may also be obtained by receiving from the user terminal 100 or reading from the memory 211.
  • FIG. 4 is a diagram illustrating an example of a target image.
  • a'target image' is an image to be painted, and may mean an image in which at least some areas are not painted.
  • the target image may be a scene (or one frame) of a cartoon, or may be various types of images such as posters and illustrations.
  • the target image is the same as the image shown in FIG. 4.
  • the processor 212 may generate at least one target mask including a partial region of the acquired target image using the learned first artificial neural network.
  • the first artificial neural network may be an artificial neural network in which features related to image segmentation are learned using an original image and at least one mask obtained by dividing the original image. Accordingly, the processor 212 may generate at least one target mask from the target image using the first artificial neural network. In other words, the processor 212 may input the target image to the first artificial neural network and obtain at least one target mask as the output.
  • 5A-5D are diagrams illustrating exemplary target masks generated by the processor 212 from the target image of FIG. 4 according to an embodiment of the present invention.
  • the processor 212 may generate a first target mask including an upper region of the background as illustrated in FIG. 5A from the target image as illustrated in FIG. 4.
  • an area included in one target mask correspond to areas in which colors similar to each other can be colored. Accordingly, an area included in the mask shown in FIG. 5A (ie, a white area) may correspond to an area that can be colored with one color or a similar color.
  • the processor 212 includes a second target mask including a lower area of the background as shown in FIG. 5B, a third target mask including a speech balloon area, and You can create a fourth target mask that includes the hair area.
  • regions included on each mask may correspond to regions that can be colored with similar colors.
  • the target masks shown in FIGS. 5A to 5D are exemplary, and the quantity or specific shape of the target masks is not limited thereto. Accordingly, in addition to the target mask described in FIGS. 5A to 5D, the processor 212 may further generate a mask including a face region, a mask including a body region, and the like.
  • the processor 212 corresponds to each of the at least one target mask generated by the above-described process, using the learned first artificial neural network, and includes at least a partial region of the obtained reference image. At least one reference mask may be generated.
  • the first artificial neural network is a neural network that has been trained to generate at least one mask by dividing an input image into a plurality of regions as described above.
  • input masks that is, input target mask S
  • the processor 212 may generate at least one reference mask from the reference image and at least one target mask using the first artificial neural network.
  • the processor 212 may input a reference image and at least one target mask to the first artificial neural network and obtain at least one reference mask as the output.
  • FIG. 6 is a diagram illustrating an example of a reference image.
  • 7A to 7D are diagrams illustrating exemplary reference masks generated by the processor 212 from the reference image of FIG. 6.
  • the processor 212 refers to the target mask as shown in FIG. 5A including the background upper region of the target image (FIG. 4), from the reference image as shown in FIG. 6 to the top of the background as shown in FIG. 7A.
  • a first reference mask including an area can be created.
  • the processor 212 refers to the target mask shown in FIG. 5B including the lower area of the background, and generates a second reference mask including the lower area of the background as shown in FIG. 7B from the reference image shown in FIG. 6. can do.
  • the processor 212 may generate a reference mask as shown in FIG. 7C with reference to a target mask as shown in FIG. 5C including a speech balloon region, or may generate a reference mask as illustrated in FIG. 5D including a hair region, etc. You can also create a reference mask like.
  • the reference masks illustrated in FIGS. 7A to 7D are exemplary, and the quantity or specific shape of the reference masks is not limited thereto. Accordingly, the processor 212 may further generate a mask including a face region, a mask including a body region, and the like, in addition to the target mask described in FIGS. 7A to 7D.
  • the processor 212 may generate at least one colored target mask by coloring each of the at least one target mask by referring to the color of at least one reference mask.
  • the processor 212 may determine a representative color of a region included in the reference mask according to a predetermined method.
  • a'mask' such as a reference mask includes at least a partial area of the original image, and includes only whether each of a plurality of points constituting the original image is included in the corresponding mask.
  • the processor 212 may refer to the reference mask and the reference image together to determine a representative color of a region included in the reference mask as the color of the reference mask.
  • the processor 212 refers to an area included in the first reference mask shown in FIG. 7A, and calculates the average color of the corresponding area in the reference image of FIG. 6 as a representative color of the area included in the first reference mask. It can be determined by the color of the mask.
  • the processor 212 refers to the area included in the second reference mask shown in FIG. 7B, and uses the average color of the corresponding area in the reference image of FIG. 6 to the representative color of the area included in the second reference mask (ie, the reference It can also be determined by the color of the mask).
  • the processor 212 may generate a colored target mask by determining the representative color determined by the above-described process as the color of the target mask corresponding to the reference mask. In other words, the processor 212 may generate a colored target mask by coloring the target mask with a color of a reference mask corresponding to each target mask.
  • FIG. 8 is a diagram illustrating an example of a colored target mask.
  • the processor 212 refers to the area included in the first reference mask shown in FIG. 7A, and uses the average color of the corresponding area in the reference image of FIG. 6 as a representative color of the area included in the first reference mask. You can decide.
  • the processor 212 may generate a colored target mask as shown in FIG. 8 by coloring the first target mask shown in FIG. 5A with the determined representative color in consideration of the correspondence between the reference mask and the target mask. .
  • the processor 212 may generate a colored target mask as shown in FIG. 8 by coloring each of the target masks shown in FIGS. 5B, 5C and 5D with a representative color determined for each in the same manner. I can.
  • the target mask colored by the processor 212 may be used to generate a colored target image.
  • the processor 212 may generate a colored target image from a target image, at least one target mask, and at least one colored target mask using the learned second artificial neural network.
  • the second artificial neural network may be a neural network that has been trained to generate a colored target image from at least one colored target mask by referring to a target image to be colored and at least one target mask generated from the target image. have.
  • the second artificial neural network may be a neural network trained to generate a colored target image from at least one colored target mask.
  • the processor 212 generates a colored target image by merging at least one colored target mask using such a second artificial neural network, and applying a predetermined image effect to the at least one colored target mask. You can create an image.
  • the predetermined image effect may be an effect such that a color difference between pixels included in each of the at least one colored target mask and an adjacent pixel becomes less than or equal to a predetermined threshold difference.
  • This image effect mitigates unnatural parts (e.g., borders generated by checkerboard artifacts) included in the image generated by the second artificial neural network, or unnatural parts caused by merging of a plurality of masks. This may be for improving the completeness of the colored target image.
  • the same color may be colored in regions corresponding to each other in the target image and the reference image by the first artificial neural network and the second artificial neural network. have.
  • the coloring in the automatic coloring of images not by the user, by performing coloring by referring to the reference image provided together, the coloring can be performed more appropriate to the needs of the user, thereby reducing the working time according to the user's modification. Can be saved.
  • the processor 212 may generate at least one target mask (FIGS. 5A to 5D) from the target image (FIG. 4) using the first artificial neural network.
  • the processor 212 may generate a reference image from which coloring is removed (ie, an image in which only outlines remain) from the reference image (FIG. 6 ).
  • the processor 212 may use the first artificial neural network to generate at least one reference mask (FIGS. 7A to 7D) from the reference image from which coloring has been removed.
  • the processor refers to at least one target mask (FIGS. 5A to 5D) generated previously, and at least one reference mask (FIGS. 7A to 7D) corresponding to each of the at least one target mask (FIGS. 5A to 5D ). Can be created.
  • the processor 212 may generate at least one colored target mask by referring to at least one target mask, at least one reference mask, and a reference image generated by the above-described process. .
  • the processor 212 may color each target mask based on an average color on the reference image of an area included in the reference mask corresponding to each target mask (a partial area of the reference image).
  • the processor 212 uses a second artificial neural network to generate at least one colored target mask, at least one target mask, and a target image colored from the target image. Can be generated.
  • the present invention can generate a target image that is automatically colored in a style similar to the reference image provided with it.
  • FIG. 11 is a flowchart illustrating a method of completing coloring of a target image performed by the server 200 according to an embodiment of the present invention.
  • description will be made with reference to FIGS. 1 to 10B together, but descriptions of contents overlapping with FIGS. 1 to 10B will be omitted.
  • the server 200 may generate at least one target mask including a partial region of a target image acquired using the learned first artificial neural network (S111).
  • the first artificial neural network may be an artificial neural network in which features related to image segmentation are learned using an original image and at least one mask obtained by dividing the original image. Accordingly, the server 200 may generate at least one target mask from the target image using the first artificial neural network. In other words, the server 200 may obtain at least one target mask by inputting a target image to the first artificial neural network and outputting the target image.
  • the server 200 may generate a first target mask including an upper region of the background as illustrated in FIG. 5A from the target image as illustrated in FIG. 4.
  • an area included in one target mask correspond to areas in which colors similar to each other can be colored. Accordingly, an area included in the mask shown in FIG. 5A (ie, a white area) may correspond to an area that can be colored with one color or a similar color.
  • the server 200 includes a second target mask including a lower area of the background as shown in FIG. 5B, a third target mask including a speech balloon area from the target image shown in FIG. You can create a fourth target mask that includes the hair area.
  • regions included on each mask may correspond to regions that can be colored with similar colors.
  • the server 200 may further generate a mask including a face region, a mask including a body region, and the like, in addition to the target mask described in FIGS. 5A to 5D.
  • the server 200 corresponds to each of the at least one target mask generated by the above-described process, using the learned first artificial neural network, and includes at least a partial region of the obtained reference image.
  • At least one reference mask may be generated (S112).
  • the first artificial neural network is a neural network that has been trained to generate at least one mask by dividing an input image into a plurality of regions as described above.
  • input masks that is, input target mask S
  • the server 200 may generate at least one reference mask from the reference image and at least one target mask using the first artificial neural network.
  • the server 200 may obtain at least one reference mask by inputting the reference image and at least one target mask to the first artificial neural network and outputting the input.
  • the server 200 refers to the target mask shown in FIG. 5A including the background upper area of the target image (FIG. 4), from the reference image shown in FIG. 6 to the top of the background as shown in FIG. 7A.
  • a first reference mask including an area can be created.
  • the server 200 creates a second reference mask including the lower region of the background as shown in FIG. 7B from the reference image of FIG. 6 by referring to the target mask as shown in FIG. 5B including the lower region of the background. can do.
  • the server 200 may generate a reference mask as shown in FIG. 7C with reference to a target mask as shown in FIG. 5C including a speech bubble area, and FIG. 7D with reference to a target mask as shown in FIG. 5D including a hair area and the like. You can also create a reference mask like.
  • the reference masks illustrated in FIGS. 7A to 7D are exemplary, and the quantity or specific shape of the reference masks is not limited thereto. Accordingly, in addition to the target mask described in FIGS. 7A to 7D, the server 200 may further generate a mask including a face area, a mask including a body area, and the like.
  • the server 200 may generate at least one colored target mask by coloring each of the at least one target mask by referring to the color of at least one reference mask (S113).
  • the server 200 may determine a representative color of an area included in the reference mask according to a predetermined method.
  • a'mask' such as a reference mask includes at least a partial area of the original image, and includes only whether each of a plurality of points constituting the original image is included in the corresponding mask.
  • the server 200 may refer to the reference mask and the reference image together to determine a representative color of an area included in the reference mask as the color of the reference mask.
  • the server 200 refers to an area included in the first reference mask shown in FIG. 7A, and calculates the average color of the corresponding area in the reference image of FIG. 6 as a representative color of the area included in the first reference mask, that is, the reference It can be determined by the color of the mask.
  • the server 200 refers to the area included in the second reference mask shown in FIG. 7B, and uses the average color of the corresponding area in the reference image of FIG. 6 to the representative color of the area included in the second reference mask (that is, the reference It can also be determined by the color of the mask.
  • the server 200 may generate a colored target mask by determining the representative color determined by the above-described process as the color of the target mask corresponding to the reference mask. In other words, the server 200 may generate a colored target mask by coloring the target mask with the color of the reference mask corresponding to each target mask.
  • the server 200 refers to an area included in the first reference mask shown in FIG. 7A, and uses the average color of the corresponding area in the reference image of FIG. 6 as a representative color of the area included in the first reference mask. You can decide.
  • the server 200 may generate a colored target mask as shown in FIG. 8 by coloring the first target mask shown in FIG. 5A with the determined representative color in consideration of the correspondence between the reference mask and the target mask. .
  • the server 200 may generate a colored target mask as shown in FIG. 8 by coloring each of the target masks shown in FIGS. 5B, 5C, and 5D with a representative color determined for each in the same manner. I can.
  • the target mask colored by the server 200 may be used to generate a colored target image.
  • the server 200 may generate a colored target image from the target image, at least one target mask, and at least one colored target mask using the learned second artificial neural network.
  • the second artificial neural network may be a neural network that has been trained to generate a colored target image from at least one colored target mask by referring to a target image to be colored and at least one target mask generated from the target image. have.
  • the second artificial neural network may be a neural network trained to generate a colored target image from at least one colored target mask.
  • the server 200 generates a colored target image by merging at least one colored target mask by using such a second artificial neural network, and the colored target by applying a predetermined image effect to the at least one colored target mask. You can create an image.
  • the predetermined image effect may be an effect such that a color difference between pixels included in each of the at least one colored target mask and an adjacent pixel becomes less than or equal to a predetermined threshold difference.
  • This image effect mitigates unnatural parts (e.g., borders generated by checkerboard artifacts) included in the image generated by the second artificial neural network, or unnatural parts caused by merging of a plurality of masks. This may be for improving the completeness of the colored target image.
  • the same color in the corresponding regions in the target image and the reference image by the first artificial neural network and the second artificial neural network This can be colored.
  • the coloring in the automatic coloring of images not by the user, by performing coloring by referring to the reference image provided together, the coloring can be performed more appropriate to the needs of the user, thereby reducing the working time according to the user's modification. Can be saved.
  • the user terminal 100 may perform the method of completing the coloring of the target image described in FIG. 11.
  • the method for completing the coloring of the target image described as being performed by the server 200 and/or the processor 212 of the server 200 in FIGS. 1 to 11 is the user terminal 100 and/or It may be performed by the processor 112 of the user terminal 100.
  • the user terminal 100 determines the target image and the reference image based on the user's manipulation, and includes at least a partial region of the target image acquired using the learned first artificial neural network as described in step S111.
  • One target mask can be created.
  • the user terminal 100 corresponds to each of the at least one target mask generated by the above-described process, using the learned first artificial neural network, and covers at least a partial area of the acquired reference image. At least one included reference mask may be generated.
  • the user terminal 100 may generate at least one colored target mask by coloring each of the at least one target mask by referring to the color of at least one reference mask.
  • the user terminal 100 may generate a colored target image from the target image, at least one target mask, and at least one colored target mask using the learned second artificial neural network.
  • steps S111 to S114 are omitted.
  • the apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component.
  • the devices and components described in the embodiments are, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , A programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, such as one or more general purpose computers or special purpose computers.
  • the processing device may execute an operating system (OS) and one or more software applications executed on the operating system.
  • OS operating system
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of software.
  • the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include.
  • the processing device may include a plurality of processors or one processor and one controller.
  • other processing configurations are possible, such as a parallel processor.
  • the software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device.
  • Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave.
  • the software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 레퍼런스(Reference) 이미지를 이용하여 채색하고자 하는 타겟(Target) 이미지의 채색을 완성하는 방법은, 학습된 제1 인공 신경망을 이용하여, 상기 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성하는 단계; 상기 제1 인공 신경망을 이용하여, 상기 적어도 하나의 타겟 마스크 각각에 대응되고, 상기 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성하는 단계; 상기 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 상기 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성하는 단계; 및 학습된 제2 인공 신경망을 이용하여, 상기 타겟 이미지, 상기 적어도 하나의 타겟 마스크 및 상기 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하는 단계;를 포함할 수 있다.

Description

타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램
본 발명은 레퍼런스 이미지를 이용하여 채색하고자 하는 타겟 이미지의 채색을 완성하는 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
컴퓨터를 비롯한 다양한 스마트기기가 보급됨에 따라 현대에는 온라인망을 이용한 서비스, 특히 온라인을 통해 콘텐츠를 제공하는 서비스가 제공되고 있다.
온라인으로 만화 콘텐츠를 제공하는 웹툰 서비스가 이러한 서비스 들의 대표적인 예시이다.
종래기술에 따르면, 이러한 만화 콘텐츠의 제작을 위해 제작자가 모든 장면을 개별적으로 작성하였다. 그러나 오늘날 이러한 방식에 따른 콘텐츠 제작 속도는 온라인 콘텐츠 시장의 확대 속도 및 이에 따른 사용자 수의 증가 속도를 따라가지 못하여 원활한 콘텐츠의 공급을 방해하는 요소로써 작용한다.
따라서 보다 효율적인 웹툰 콘텐츠의 제작 방법의 필요성이 대두되고 있다.
본 발명은 온라인 콘텐츠를 보다 효율적으로 제작할 수 있도록 하고자 한다.
특히 본 발명은 웹툰과 같은 사용자의 채색이 필요한 콘텐츠의 제작에 있어서, 사용자가 채색에 사용하는 시간을 절감시킴으로써 콘텐츠를 보다 빠른 시간 내에 제작할 수 있도록 하고자 한다.
또한 본 발명은 사용자에 의하지 않은 이미지의 자동 채색에 있어서, 함께 제공된 레퍼런스 이미지를 참조하여 채색을 수행함으로써, 사용자의 니즈에 보다 부합하는 채색을 수행하고자 하며, 이로써 사용자의 수정에 따른 작업 시간을 절감시키고자 한다.
본 발명의 일 실싱PDp따른 레퍼런스(Reference) 이미지를 이용하여 채색하고자 하는 타겟(Target) 이미지의 채색을 완성하는 방법은, 학습된 제1 인공 신경망을 이용하여, 상기 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성하는 단계; 상기 제1 인공 신경망을 이용하여, 상기 적어도 하나의 타겟 마스크 각각에 대응되고, 상기 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성하는 단계; 상기 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 상기 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성하는 단계; 및 학습된 제2 인공 신경망을 이용하여, 상기 타겟 이미지, 상기 적어도 하나의 타겟 마스크 및 상기 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하는 단계;를 포함할 수 있다.
상기 제1 인공 신경망은 각 영역에 채색하고자 하는 색상의 유사도에 기초하여 상기 타겟 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 타겟 마스크를 생성하도록 학습된 신경망일 수 있다.
상기 적어도 하나의 타겟 마스크는 상기 타겟 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 타겟 마스크 각각에 포함되는지 여부를 포함할 수 있다.
상기 제1 인공 신경망은 각 영역에 채색하고자 하는 색상의 유사도 및 상기 적어도 하나의 타겟 마스크에 포함된 영역과의 형상 유사도에 기초하여, 상기 레퍼런스 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 레퍼런스 마스크를 생성하도록 학습된 신경망일 수 있다.
상기 적어도 하나의 레퍼런스 마스크는 상기 레퍼런스 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 레퍼런스 마스크 각각에 포함되는지 여부를 포함할 수 있다.
상기 제2 인공 신경망은 상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다.
상기 제2 인공 신경망은 상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하되, 상기 적어도 하나의 채색된 타겟 마스크에 소정의 이미지 효과를 적용하여 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다.
상기 소정의 이미지 효과는 상기 적어도 하나의 채색된 타겟 마스크 각각에 포함되는 픽셀들이 인접하는 픽셀과의 색상 차이가 소정의 임계 차이 이하가 되도록 하는 효과일 수 있다.
상기 채색된 타겟 마스크를 생성하는 단계는 소정의 방식에 따라 제1 레퍼런스 마스크에 포함된 영역의 대표 색상을 결정하는 단계; 및 상기 대표 색상을 상기 제1 레퍼런스 마스크에 대응되는 타겟 마스크의 색상으로 결정하여, 상기 채색된 타겟 마스크를 생성하는 단계;를 포함할 수 있다.
상기 소정의 방식은 상기 제1 레퍼런스 마스크에 포함된 영역의 색상의 평균 색상을 상기 대표 색상으로 결정하는 방식일 수 있다.
본 발명의 일 실시예에 따른 레퍼런스 이미지를 이용하여 채색하고자 하는 타겟 이미지의 채색을 완성하는 장치에 있어서, 상기 장치는 프로세서를 포함하고, 상기 프로세서는 학습된 제1 인공 신경망을 이용하여, 상기 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성하고, 상기 제1 인공 신경망을 이용하여, 상기 적어도 하나의 타겟 마스크 각각에 대응되고, 상기 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성하고, 상기 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 상기 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성하고, 학습된 제2 인공 신경망을 이용하여, 상기 타겟 이미지, 상기 적어도 하나의 타겟 마스크 및 상기 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성할 수 있다.
상기 제1 인공 신경망은 각 영역에 채색하고자 하는 색상의 유사도에 기초하여 상기 타겟 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 타겟 마스크를 생성하도록 학습된 신경망일 수 있다.
상기 적어도 하나의 타겟 마스크는 상기 타겟 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 타겟 마스크 각각에 포함되는지 여부를 포함할 수 있다.
상기 제1 인공 신경망은 각 영역에 채색하고자 하는 색상의 유사도 및 상기 적어도 하나의 타겟 마스크에 포함된 영역과의 형상 유사도에 기초하여, 상기 레퍼런스 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 레퍼런스 마스크를 생성하도록 학습된 신경망일 수 있다.
상기 적어도 하나의 레퍼런스 마스크는 상기 레퍼런스 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 레퍼런스 마스크 각각에 포함되는지 여부를 포함할 수 있다.
상기 제2 인공 신경망은 상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다.
상기 제2 인공 신경망은 상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하되, 상기 적어도 하나의 채색된 타겟 마스크에 소정의 이미지 효과를 적용하여 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다.
상기 소정의 이미지 효과는 상기 적어도 하나의 채색된 타겟 마스크 각각에 포함되는 픽셀들이 인접하는 픽셀과의 색상 차이가 소정의 임계 차이 이하가 되도록 하는 효과일 수 있다.
상기 프로세서는 소정의 방식에 따라 제1 레퍼런스 마스크에 포함된 영역의 대표 색상을 결정하고, 상기 대표 색상을 상기 제1 레퍼런스 마스크에 대응되는 타겟 마스크의 색상으로 결정하여, 상기 채색된 타겟 마스크를 생성할 수 있다.
상기 소정의 방식은 상기 제1 레퍼런스 마스크에 포함된 영역의 색상의 평균 색상을 상기 대표 색상으로 결정하는 방식일 수 있다.
본 발명에 따르면, 온라인 콘텐츠를 보다 효율적으로 제작할 수 있다. 특히 웹툰과 같은 사용자의 채색이 필요한 콘텐츠의 제작에 있어서, 사용자가 채색에 사용하는 시간을 절감시킴으로써 콘텐츠를 보다 빠른 시간 내에 제작할 수 있도록 한다.
또한 사용자에 의하지 않은 이미지의 자동 채색에 있어서, 함께 제공된 레퍼런스 이미지를 참조하여 채색을 수행함으로써, 사용자의 니즈에 보다 부합하는 채색을 수행할 수 있으며, 이로써 사용자의 수정에 따른 작업 시간을 절감시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2 는 본 발명의 일 실시예에 있어서 사용자 단말(100) 및 서버(200)의 내부 구성을 설명하기 위한 블록도이다.
도 3은 프로세서(212)에 의해 학습된 예시적인 인공 신경망의 구조를 설명하기 위한 도면이다.
도 4는 타겟 이미지의 예시를 도시한 도면이다.
도 5a 내지 도 5d는 본 발명의 일 실시예에 따른 프로세서(212)가 도 4의 타겟 이미지로부터 생성한 예시적인 타겟 마스크를 도시한 도면이다.
도 6은 레퍼런스 이미지의 예시를 도시한 도면이다.
도 7a 내지 도 7d는 프로세서(212)가 도 6의 레퍼런스 이미지로부터 생성한 예시적인 레퍼런스 마스크를 도시한 도면이다.
도 8은 채색된 타겟 마스크의 예시를 도시한 도면이다.
도 9는 채색된 타겟 이미지의 예시이다.
도 10a 내지 도 10b은 프로세서(212)가 채색된 타겟 이미지를 생성하는 과정을 개략적으로 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 서버(200)에 의해 수행되는 타겟 이미지의 채색을 완성하는 방법을 설명하기 위한 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 사용자 단말들(101, 102, 103, 104), 서버(200) 및 네트워크(300)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 사용자 단말들(101, 102, 103, 104)의 수나 서버(200)의 수가 도 1과 같이 한정되는 것은 아니다.
본 발명의 일 실시예에서, 복수의 사용자 단말들(101, 102, 103, 104)은 사용자의 조작에 따라 채색을 완성하고자 하는 타겟 이미지 및 채색에 참조할 레퍼런스 이미지를 서버(200)에 전송하고, 서버(200)로부터 채색된 타겟 이미지를 수신할 수 있다.
본 발명의 다른 실시예에서, 복수의 사용자 단말들(101, 102, 103, 104)은 사용자의 조작에 따라 채색을 완성하고자 하는 타겟 이미지 및 채색에 참조할 레퍼런스 이미지를 결정하고, 타겟 이미지의 채색을 완성할 수도 있다.
복수의 사용자 단말들(101, 102, 103, 104)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 사용자 단말들(101, 102, 103, 104)의 예를 들면, 스마트폰, 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 테블릿 PC 등이 있다.
복수의 사용자 단말들(101, 102, 103, 104)은 무선 또는 유선 통신 방식을 이용하여 네트워크(300)를 통해 복수의 사용자 단말들(101, 102, 103, 104) 상호간에 및/또는 서버(200)와 통신할 수 있다.
한편 복수의 사용자 단말들(101, 102, 103, 104)의 통신 방식은 제한되지 않으며, 네트워크(300)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다.
예를 들어, 네트워크(300)는 PAN(Personal Area Network), LAN(Local Area Network), CAN(Campus Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network), BBN(Broad Band Network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다.
또한, 네트워크(300)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(Hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
이하에서는 설명의 편의를 위하여 복수의 사용자 단말들(101, 102, 103, 104)을 사용자 단말(100)로 명명하여 설명한다.
서버(200)는 전술한 사용자 단말(100)로부터 채색하고자 하는 타겟 이미지 및 타겟 이미지의 채색에 참조할 레퍼런스 이미지를 수신하고, 학습된 인공 신경망들을 이용하여 타겟 이미지를 채색할 수 있다. 이에 대한 상세한 설명은 후술한다. 이와 같은 서버(200)는 네트워크(300)를 통하여 사용자 단말(100)에 명령, 코드, 파일, 콘텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.
도 2 는 본 발명의 일 실시예에 있어서 사용자 단말(100) 및 서버(200)의 내부 구성을 설명하기 위한 블록도이다.
사용자 단말(100)과 서버(200)는 메모리(111, 211), 프로세서(112, 212), 통신 모듈(113, 213) 그리고 입출력 인터페이스(114, 214)를 포함할 수 있다.
메모리(111, 211)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(Random Access Memory), ROM(Read Only Memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(Permanent Mass Storage Device)를 포함할 수 있다.
또한, 메모리(111, 211)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 사용자 단말(100)에 설치되어 서버(200)와 데이터 송수신을 통하여 이미지를 채색하는 프로그램을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 드라이브 메커니즘(Drive Mechanism)을 이용하여 메모리(111, 211)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다.
다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신 모듈(113, 213)을 통해 메모리(111, 211)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로 상술한 서버(200))이 네트워크(300)를 통해 제공하는 파일들에 의해 설치되는 프로그램에 기반하여 메모리(111, 211)에 로딩될 수 있다.
프로세서(112, 212)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(111, 211) 또는 통신 모듈(113, 213)에 의해 프로세서(112, 212)로 제공될 수 있다. 예를 들어 프로세서(112, 212)는 메모리(111, 211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(113, 213)은 네트워크(300)를 통해 사용자 단말(100)과 서버(200)가 서로 통신하기 위한 기능을 제공할 수 있으며, 다른 사용자 단말(미도시) 또는 다른 서버(미도시)와 통신하기 위한 기능을 제공할 수 있다. 일례로, 사용자 단말(100)의 프로세서(112)가 메모리(111)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(113)의 제어에 따라 네트워크(300)를 통해 서버(200)로 전달될 수 있다. 역으로, 서버(200) 프로세서(212)의 제어에 따라 제공되는 제어 신호나 명령, 콘텐츠, 파일 등이 통신 모듈(213)과 네트워크(300)를 거쳐 사용자 단말(100)의 통신 모듈(113)을 통해 사용자 단말(100)로 수신될 수 있다.
입출력 인터페이스(114, 214)는 입출력 장치(115)와의 인터페이스를 위한 수단일 수 있다. 이때 입력 장치는 예를 들어 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 이미지를 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(114, 214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다.
또한, 다른 실시예들에서 사용자 단말(100) 및 서버(200)는 도 2 의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 사용자 단말(100)은 상술한 입출력 장치(115) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(Transceiver), GPS(Global Positioning System) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
본 발명의 일 실시예에 따른 서버(200)의 프로세서(212)는 학습된 인공 신경망들을 이용하여 타겟 이미지의 채색을 완성할 수 있다.
본 발명에서 '타겟 이미지'(Target Image)는 채색을 완성하고자 하는 이미지로, 적어도 일부 영역의 채색이 완성되지 않은(즉 적어도 일부 영역의 색상정보가 없는) 이미지를 의미할 수 있다. 이때 '영역'은 이미지 내의 윤곽선 등에 의해 구분되는 이미지의 일 부분을 의미할 수 있다.
본 발명에서 '레퍼런스 이미지'(Reference Image)는 전술한 타겟 이미지의 채색에 참조하기 위한 이미지로, 채색이 완성된 이미지를 의미할 수 있다. 이와 같은 레퍼런스 이미지는 타겟 이미지와 함께 획득되어 타겟 이미지의 채색에 사용될 수 있다.
본 발명의 일 실시예에서, 레퍼런스 이미지는 사용자에 의해 제공될 수 있다. 사용자는 자신이 원하는 스타일(즉 원하는 색상 조합)로 채색된 레퍼런스 이미지를 타겟 이미지와 함께 제공하여, 타겟 이미지가 레퍼런스 이미지와 유사한 스타일로 채색되도록 할 수 있다.
또 다른 실시예에서, 레퍼런스 이미지는 소정의 이미지 분석 결과에 기초하여 프로세서(212)에 의해 제공될 수도 있다. 이러한 경우 프로세서(212)는 복수의 후보 레퍼런스 이미지와 타겟 이미지의 형태의 유사성(즉 이미지를 구성하는 적어도 하나의 영역들의 형상의 유사성)에 기초하여, 복수의 후보 레퍼런스 이미지 중 어느 하나를 레퍼런스 이미지로 선택할 수 있다. 이러한 경우 사용자는 단지 타겟 이미지만을 제공하여 채색된 타겟 이미지를 획득할 수 있다.
본 발명에서 '타겟 마스크' 및 '레퍼런스 마스크'와 같은 '마스크'(Mask)는 원본 이미지(가령 레퍼런스 이미지 또는 타겟 이미지)의 적어도 일부 영역을 포함하는 이미지로, 원본 이미지를 구성하는 복수의 지점 각각이 해당 마스크에 포함되는지 여부에 관한 정보를 포함하는 이미지를 의미할 수 있다.
가령 타겟 이미지로부터 생성되는 제1 타겟 마스크는 타겟 이미지를 구성하는 복수의 지점 각각이 제1 타겟 마스크에 포함되는지 여부를 Ground Truth형태(즉 1 또는 0의 형태로)로 포함할 수 있다.
이와 유사하게, 레퍼런스 이미지로부터 생성되는 제1 레퍼런스 마스크는, 레퍼런스 이미지를 구성하는 복수의 지점 각각이 제1 레퍼런스 마스크에 포함되는지 여부를 Ground Truth형태(즉 1 또는 0의 형태로)로 포함할 수 있다.
본 발명에서 '채색된 마스크'는 전술한 마스크에 색상 정보가 더 추가된 이미지를 의미할 수 있다.
가령 제1 타겟 마스크에 색상 정보가 추가된 형태인 '채색된 제1 타겟 마스크'는 타겟 이미지를 구성하는 복수의 지점 각각이 제1 타겟 마스크에 포함되는지 여부를 Ground Truth형태(즉 1 또는 0의 형태로)로 포함하고, 포함되는 영역의 색상정보를 더 포함하는 이미지를 의미할 수 있다.
본 발명에서 제1 인공 신경망 및 제2 인공 신경망과 같은 '인공 신경망'은 목적 및/또는 용도에 따라 적절하게 학습된 신경망으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 것 일 수 있다.
본 발명에서 '제1 인공 신경망'은 입력 이미지가 타겟 이미지인 경우, 타겟 이미지의 각 영역에 채색하고자 하는 색상의 유사도에 기초하여 타겟 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 적어도 하나의 타겟 마스크를 생성하도록 학습된 신경망일 수 있다.
바꾸어 말하면, 제1 인공 신경망은 입력된 이미지를 복수의 영역으로 구분하여 적어도 하나의 마스크를 생성하도록 학습된 신경망으로, 채색하고자 하는 색상의 유사도에 기초하여 입력된 이미지를 복수의 영역으로 구분하여 마스크를 생성할 수 있다.
한편 제1 인공 신경망은 입력 이미지가 레퍼런스 이미지인 경우, 레퍼런스 이미지(이때 레퍼런스 이미지는 채색된 레퍼런스 이미지로부터 생성된 윤곽선 이미지를 의미한다)의 각 영역에 채색하고자 하는 색상의 유사도 및 전술한 과정에 의해 생성된 적어도 하나의 타겟 마스크에 포함된 타겟 이미지의 일부 영역과의 형상 유사도에 기초하여, 레퍼런스 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 적어도 하나의 레퍼런스 마스크를 생성하도록 학습된 신경망일 수 있다.
바꾸어 말하면, 제1 인공 신경망은 타겟 이미지의 경우와 마찬가지로 입력된 이미지를 복수의 영역으로 구분하여 적어도 하나의 마스크를 생성하도록 학습된 신경망으로, 채색하고자 하는 색상의 유사도와 더불어 함께 입력된 마스크들을 참조하여 입력된 이미지를 복수의 영역으로 구분하여 마스크를 생성할 수 있다.
본 발명에서 '제2 인공 신경망'은 채색하고자 하는 타겟 이미지 및 이러한 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크를 참조하여, 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다. 이때 제2 인공 신경망은 적어도 하나의 채색된 타겟 마스크에 소정의 이미지 효과를 적용하여 채색된 타겟 이미지를 생성하도록 학습될 수 있다. 채색된 타겟 마스크에 대한 설명은 후술한다. 이하에서는 설명의 편의를 위하여 때때로 제1 인공 신경망 및 제2 인공 신경망을 '인공 신경망'으로 통칭하여 설명한다.
도 3은 프로세서(212)에 의해 학습된 예시적인 인공 신경망의 구조를 설명하기 위한 도면이다.
본 발명의 일 실시예에 따른 인공 신경망은 합성 곱 신경망(CNN: Convolutional Neural Network) 모델에 따른 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델일 수 있다.
도 3에 도시된 신경망 모델이 제1 인공 신경망에 대한 것이라는 전제 하에, 프로세서(212)는 학습 데이터에 포함되는 타겟 이미지의 특징 값을 추출하는 컨볼루션 레이어(Convolution layer)와, 추출된 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 생성할 수 있다.
또한 프로세서(212)는 생성된 특징 맵을 결합하여, 적어도 하나의 타겟 마스크의 생성하는 준비를 하는 풀리 커넥티드 레이어(Fully Conected Layer)를 생성할 수 있다.
마지막으로 프로세서(212)는 적어도 하나의 타겟 마스크를 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.
도 3에 도시된 예시에서는, 컨볼루션 레이어의 입력 데이터(가령 타겟 이미지)가 5X7 형태의 블록으로 나누어지며, 컨볼루션 레이어의 생성에 5X3 형태의 단위 블록이 사용되고, 풀링 레이어의 생성에 1X4 또는 1X2 형태의 단위 블록이 사용되는 것으로 도시되었지만, 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 각 레이어의 생성에 사용되는 이미지 블록의 크기는 다양하게 설정될 수 있다.
또한 도 3 도시된 예시는, 앞서 설명한 바와 같이 예시적인 제1 인공 신경망의 구조를 도시한 것으로, 제1 인공 신경망의 구조는 입력 데이터의 종류 및/또는 수량에 따라 도 3과 상이할 수 있다.
가령 제1 인공 신경망은 컨볼루션 레이어의 입력 데이터로써, 레퍼런스 이미지 외에 적어도 하나의 타겟 마스크를 입력 받기 위한 블록을 포함할 수 있다. 이러한 경우에도 프로세서(212)는 전술한 과정에 따라 적어도 하나의 레퍼런스 마스크를 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.
제2 인공 신경망의 경우, 컨볼루션 레이어에 타겟 이미지, 해당 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크, 적어도 하나의 채색된 타겟 마스크를 입력 받기 위한 블록을 포함할 수 있다. 물론 출력 레이어에는 채색된 타겟 이미지를 출력하기 위한 블록이 포함될 수 있다.
이와 같은 인공 신경망은 전술한 메모리(211)에 인공 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 인공 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들의 형태로 저장될 수 있다. 물론 인경 신경망의 구조 또한 메모리(211)에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.
본 발명의 일 실시예에 따른 프로세서(212)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 신경망 모델을 구축하거나 학습시킬 수 있다.
가령 제1 인공 신경망의 학습에 있어서, 학습 데이터는 타겟 이미지와 해당 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크를 포함할 수 있다.
프로세서(212)는 이와 같은 학습 데이터에 기초하여, 제1 인공 신경망이 타겟 이미지와 해당 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크간의 대응관계를 학습하도록 학습을 반복하여 수행할 수 있다.
바꾸어 말하면 프로세서(212)는 원본 이미지와 이러한 원본 이미지를 분할한 적어도 하나의 마스크를 이용하여, 이미지 분할에 관한 특징이 반영되도록 제1 인공 신경망을 학습시킬 수 있다. 이에 따라 제1 인공 신경망은 타겟 이미지의 입력에 대해, 적어도 하나의 타겟 마스크를 출력하도록 학습될 수 있다.
또한 제1 인공 신경망의 학습에 있어서, 학습 데이터는 레퍼런스 이미지와 해당 레퍼런스 이미지로부터 생성된 적어도 하나의 레퍼런스 마스크 그리고 적어도 하나의 레퍼런스 마스크의 생성에 참조하는 적어도 하나의 타겟 마스크를 포함할 수 있다.
이러한 경우, 프로세서(212)는 제1 인공 신경망이 레퍼런스 이미지 및 적어도 하나의 타겟 마스크와 해당 레퍼런스 이미지로부터 생성된 적어도 하나의 레퍼런스 마스크 간의 대응관계를 학습하도록 학습을 수행할 수도 있다.
바꾸어 말하면 프로세서(212)는 원본 이미지, 원본 이미지의 분할에 참조한 정보 및 원본 이미지를 분할한 적어도 하나의 마스크를 이용하여, 참조 정보를 이용한 이미지 분할에 관한 특징이 반영되도록 제1 인공 신경망을 더 학습시킬 수 있다. 이에 따라 제1 인공 신경망은 레퍼런스 이미지 및 적어도 하나의 타겟 마스크의 입력에 대해, 적어도 하나의 레퍼런스 마스크를 출력하도록 학습될 수 있다. 물론 이러한 경우에도 학습은 반복적으로 수행될 수 있다.
제2 인공 신경망의 학습에 있어서, 학습 데이터는 타겟 이미지, 해당 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크, 적어도 하나의 채색된 타겟 마스크 및 채색된 타겟 이미지를 포함할 수 있다.
프로세서(212)는 제1 인공 신경망의 학습에서와 마찬가지로, 제2 인공 신경망이 타겟 이미지, 해당 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크 및 적어도 하나의 채색된 타겟 마스크와 채색된 타겟 이미지의 간의 대응관계를 학습하도록 학습을 수행할 수 있다. 이에 따라 제2 인공 신경망은 타겟 이미지, 해당 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크 및 적어도 하나의 채색된 타겟 마스크의 입력에 대해, 채색된 타겟 이미지를 출력하도록 학습될 수 있다. 물론 이러한 경우에도 학습은 반복적으로 수행될 수 있다.
한편 본 발명에서 인공 신경망을 '학습 시키는 것'은 인공 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및/또는 인공 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들을 갱신하는 것을 의미할 수 있다.
도 3에서는 인공 신경망이 합성 곱 신경망(CNN) 모델에 따른 신경망인 것을 예시적으로 설명하지만, 이는 예시적인 것으로 신경망 모델이 이에 한정되는 것은 아니다. 따라서 인공 신경망은 다양한 종류의 신경망 모델에 따른 신경망일 수 있다.
이하에서는 상술한 인공 신경망이 프로세서(212)에 의해 학습되었음을 전제로, 프로세서(212)가 타겟 이미지의 채색을 완성하는 방법에 대해서 설명한다.
본 발명의 일 실시예에 따른 프로세서(212)는 채색하고자 하는 타겟 이미지를 획득할 수 있다. 가령 프로세서(212)는 전술한 사용자 단말(100)로부터 타겟 이미지를 수신할 수도 있고, 서버(200) 내의 메모리(211)로부터 타겟 이미지를 독출할 수도 있다.
이때 본 발명의 일 실시예에 따른 프로세서(212)는 타겟 이미지의 채색에 참조를 위한 레퍼런스 이미지를 함께 획득할 수 있다. 물론 이러한 레퍼런스 이미지 또한 사용자 단말(100)로부터 수신하거나, 메모리(211)로부터 독출하는 방식으로 획득될 수 있다.
도 4는 타겟 이미지의 예시를 도시한 도면이다.
전술한 바와 같이 본 발명에서 '타겟 이미지'(Target Image)는 채색을 완성하고자 하는 이미지로, 적어도 일부 영역의 채색이 완성되지 않은 이미지를 의미할 수 있다.
이러한 타겟 이미지는 도 4에 도시된 바와 같이 만화의 한 장면(또는 한 컷)일 수도 있고, 포스터, 일러스트 등 다양한 종류의 이미지일 수도 있다. 이하에서는 설명의 편의를 위하여 타겟 이미지가 도 4에 도시된 이미지와 같음을 전제로 설명한다.
본 발명의 일 실시예에 따른 프로세서(212)는 학습된 제1 인공 신경망을 이용하여 획득된 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성할 수 있다.
전술한 바와 같이 제1 인공 신경망은 원본 이미지와 이러한 원본 이미지를 분할한 적어도 하나의 마스크를 이용하여, 이미지 분할에 관한 특징을 학습한 인공 신경망일 수 있다. 따라서 프로세서(212)는 제1 인공 신경망을 이용하여 타겟 이미지로부터 적어도 하나의 타겟 마스크를 생성할 수 있다. 바꾸어 말하면, 프로세서(212)는 제1 인공 신경망에 타겟 이미지를 입력하여, 그 출력으로써 적어도 하나의 타겟 마스크를 획득할 수 있다.
도 5a 내지 도 5d는 본 발명의 일 실시예에 따른 프로세서(212)가 도 4의 타겟 이미지로부터 생성한 예시적인 타겟 마스크를 도시한 도면이다.
가령 본 발명의 일 실시예에 따른 프로세서(212)는 도 4와 같은 타겟 이미지로부터 도 5a와 같이 배경의 상단 영역을 포함하는 첫 번째 타겟 마스크를 생성할 수 있다.
제1 인공 신경망은 채색하고자 하는 색상의 유사도에 기초하여 타겟 마스크를 생성하므로, 하나의 타겟 마스크에 포함되는 영역들은 서로 유사한 색상이 채색될 수 있는 영역에 해당한다. 따라서 도 5a에 도시된 마스크에 포함되는 영역(즉 흰색으로 표시된 영역)은 하나의 색상 또는 이와 유사한 색상으로 채색될 수 있는 영역에 해당할 수 있다.
이와 유사하게, 본 발명의 일 실시예에 따른 프로세서(212)는 도 4와 같은 타겟 이미지로부터 도 5b와 같이 배경의 하단 영역을 포함하는 두 번째 타겟 마스크, 말풍선 영역을 포함하는 세 번째 타겟 마스크 및 머리카락 영역을 포함하는 네 번째 타겟 마스크를 생성할 수 있다. 물론 전술한 첫 번째 타겟 마스크와 마찬가지로, 각각의 마스크 상에 포함되는 영역들은 서로 유사한 색상으로 채색될 수 있는 영역에 해당할 수 있다.
한편 도 5a 내지 도 5d에 도시된 타겟 마스크는 예시적인 것으로, 타겟 마스크의 수량이나 구체적인 형태가 이에 한정되는 것은 아니다. 따라서 프로세서(212)는 도 5a 내지 5d에서 설명한 타겟 마스크 외에, 얼굴 영역을 포함하는 마스크, 몸통 영역을 포함하는 마스크 등을 더 생성할 수 있다.
본 발명의 일 실시예에 따른 프로세서(212)는 학습된 제1 인공 신경망을 이용하여, 전술한 과정에 의해 생성된 적어도 하나의 타겟 마스크 각각에 대응되고, 획득된 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성할 수 있다.
제1 인공 신경망은 전술한 바와 같이 입력된 이미지를 복수의 영역으로 구분하여 적어도 하나의 마스크를 생성하도록 학습된 신경망으로, 채색하고자 하는 색상의 유사도와 더불어, 입력된 마스크들(즉 입력된 타겟 마스크들)을 참조하여 입력된 이미지를 복수의 영역으로 구분하여 마스크를 생성하도록 학습된 신경망일 수 있다. 따라서 프로세서(212)는 제1 인공 신경망을 이용하여 레퍼런스 이미지 및 적어도 하나의 타겟 마스크들로부터 적어도 하나의 레퍼런스 마스크를 생성할 수 있다. 바꾸어 말하면, 프로세서(212)는 제1 인공 신경망에 레퍼런스 이미지 및 적어도 하나의 타겟 마스크를 입력하여, 그 출력으로써 적어도 하나의 레퍼런스 마스크를 획득할 수 있다.
도 6은 레퍼런스 이미지의 예시를 도시한 도면이다. 도 7a 내지 도 7d는 프로세서(212)가 도 6의 레퍼런스 이미지로부터 생성한 예시적인 레퍼런스 마스크를 도시한 도면이다.
본 발명의 일 실시예에 따른 프로세서(212)는 타겟 이미지(도 4)의 배경 상단 영역을 포함하는 도 5a와 같은 타켓 마스크를 참조하여, 도 6과 같은 레퍼런스 이미지로부터 도 7a와 같이 배경의 상단 영역을 포함하는 첫 번째 레퍼런스 마스크를 생성할 수 있다.
이와 유사하게, 프로세서(212)는 배경의 하단 영역을 포함하는 도 5b와 같은 타켓 마스크를 참조하여, 도 6과 같은 레퍼런스 이미지로부터 도 7b와 같이 배경의 하단 영역을 포함하는 두 번째 레퍼런스 마스크를 생성할 수 있다.
물론 프로세서(212)는 말풍선 영역을 포함하는 도 5c와 같은 타겟 마스크를 참조하여 도 7c와 같은 레퍼런스 마스크를 생성할 수도 있고, 머리카락 영역등을 포함하는 도 5d와 같은 타겟 마스크를 참조하여, 도 7d와 같은 레퍼런스 마스크를 생성할 수도 있다.
한편 도 7a 내지 도 7d에 도시된 레퍼런스 마스크는 예시적인 것으로, 레퍼런스 마스크의 수량이나 구체적인 형태가 이에 한정되는 것은 아니다. 따라서 프로세서(212)는 도 7a 내지 7d에서 설명한 타겟 마스크 외에, 얼굴 영역을 포함하는 마스크, 몸통 영역을 포함하는 마스크 등을 더 생성할 수 있다.
본 발명의 일 실시예에 따른 프로세서(212)는 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성할 수 있다.
이를 위하여 본 발명의 일 실시예에 따른 프로세서(212)는 소정의 방식에 따라 레퍼런스 마스크에 포함된 영역의 대표 색상을 결정할 수 있다.
전술한 마와 같이 레퍼런스 마스크와 같은 '마스크'는 원본 이미지의 적어도 일부 영역을 포함하는 것으로, 원본 이미지를 구성하는 복수의 지점 각각이 해당 마스크에 포함되는지 여부만을 포함한다.
따라서 프로세서(212)는 레퍼런스 마스크와 레퍼런스 이미지를 함께 참조하여 해당 레퍼런스 마스크에 포함된 영역의 대표 색상을 해당 레퍼런스 마스크의 색상으로 결정할 수 있다.
가령 프로세서(212)는 도 7a에 도시된 첫 번째 레퍼런스 마스크에 포함되는 영역을 참조하여, 도 6의 레퍼런스 이미지에서 해당 영역의 평균 색상을 첫 번째 레퍼런스 마스크에 포함되는 영역의 대표 색상, 즉 해당 레퍼런스 마스크의 색상으로 결정할 수 있다.
물론 프로세서(212)는 도 7b에 도시된 두 번째 레퍼런스 마스크에 포함되는 영역을 참조하여, 도 6의 레퍼런스 이미지에서 해당 영역의 평균 색상을 두 번째 레퍼런스 마스크에 포함되는 영역의 대표 색상(즉 해당 레퍼런스 마스크의 색상)으로 결정할 수도 있다.
프로세서(212)는 전술한 과정에 의해 결정된 대표 색상을 해당 레퍼런스 마스크에 대응되는 타겟 마스크의 색상으로 결정하여 채색된 타겟 마스크를 생성할 수 있다. 바꾸어 말하면 프로세서(212)는 타겟 마스크를 각각의 타겟 마스크에 대응되는 레퍼런스 마스크의 색상으로 채색하여 채색된 타겟 마스크를 생성할 수 있다.
도 8은 채색된 타겟 마스크의 예시를 도시한 도면이다.
전술한 바와 같이 프로세서(212)는 도 7a에 도시된 첫 번째 레퍼런스 마스크에 포함되는 영역을 참조하여, 도 6의 레퍼런스 이미지에서 해당 영역의 평균 색상을 첫 번째 레퍼런스 마스크에 포함되는 영역의 대표 색상으로 결정할 수 있다. 또한 프로세서(212)는 레퍼런스 마스크와 타겟 마스크 간의 대응관계를 고려하여, 도 5a에 도시된 첫 번째 타겟 마스크를 결정된 대표 색상으로 채색하여 도 8에 도시된 바와 같이 채색된 타겟 마스크를 생성할 수 있다.
물론 프로세서(212)는 이와 동일한 방법으로, 도 5b, 도 5c 및 도 5d에 도시된 타겟 마스크 각각을, 각각에 대해 결정된 대표 색상으로 채색하여 도 8에 도시된 바와 같이 채색된 타겟 마스크를 생성할 수 있다. 프로세서(212)에 의해 채색된 타겟 마스크는 채색된 타겟 이미지를 생성하는데 사용될 수 있다.
본 발명의 일 실시예에 따른 프로세서(212)는 학습된 제2 인공 신경망을 이용하여, 타겟 이미지, 적어도 하나의 타겟 마스크 및 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성할 수 있다.
전술한 바와 같이 제2 인공 신경망은 채색하고자 하는 타겟 이미지 및 이러한 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크를 참조하여, 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다. 바꾸어 말하면, 제2 인공 신경망은 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다.
프로세서(212)는 이러한 제2 인공 신경망을 이용하여, 적어도 하나의 채색된 타겟 마스크를 병합하여 채색된 타겟 이미지를 생성하되, 적어도 하나의 채색된 타겟 마스크에 소정의 이미지 효과를 적용하여 채색된 타겟 이미지를 생성할 수 있다.
이때 소정의 이미지 효과는 적어도 하나의 채색된 타겟 마스크 각각에 포함되는 픽셀들이 인접하는 픽셀과의 색상 차이가 소정의 임계 차이 이하가 되도록 하는 효과일 수 있다. 이와 같은 이미지 효과는 제2 인공 신경망에 의해 생성된 이미지에 포함되는 부자연스러운 부분(예를 들어 checkerboard artifacts에 의해 생성되는 경계선 등)이나, 복수의 마스크의 병합에 의해 발생되는 부자연스러운 부분들을 완화시켜 채색된 타겟 이미지의 완성도를 향상시키기 위한 것일 수 있다.
도 9는 채색된 타겟 이미지의 예시이다.
타겟 이미지의 채색에 참조된 레퍼런스 이미지(도 6)와 타겟 이미지를 대비하여 살펴보면, 제1 인공 신경망 및 제2 인공 신경망에 의해 타겟 이미지와 레퍼런스의 이미지 내의 서로 대응되는 영역에 동일한 색상이 채색될 수 있다.
이로써 본 발명은 사용자에 의하지 않은 이미지의 자동 채색에 있어서, 함께 제공된 레퍼런스 이미지를 참조하여 채색을 수행함으로써, 사용자의 니즈에 보다 부합하는 채색을 수행할 수 있으며, 이로써 사용자의 수정에 따른 작업 시간을 절감시킬 수 있다.
이하에서는 도 10a 내지 도 10b를 참조하여 프로세서(212)가 채색된 타겟 이미지를 생성하는 과정을 다시 한번 설명한다.
본 발명의 일 실시예에 따른 프로세서(212)는 제1 인공 신경망을 이용하여, 타겟 이미지(도 4)로부터 적어도 하나의 타겟 마스크(도 5a 내지 도 5d)를 생성할 수 있다.
한편 본 발명의 일 실시예에 따른 프로세서(212)는 레퍼런스 이미지(도 6)로부터, 채색이 제거된 레퍼런스 이미지(즉 윤곽선만 잔존하는 이미지)를 생성할 수 있다. 프로세서(212)는 제1 인공 신경망을 이용하여, 채색이 제거된 레퍼런스 이미지로부터 적어도 하나의 레퍼런스 마스크(도 7a 내지 도 7d)를 생성할 수 있다. 이때 프로세서는 앞서 생성된 적어도 하나의 타겟 마스크(도 5a 내지 도 5d)를 참조하여, 적어도 하나의 타겟 마스크(도 5a 내지 도 5d) 각각에 대응되도록 적어도 하나의 레퍼런스 마스크(도 7a 내지 도 7d)를 생성할 수 있다.
본 발명의 일 실시예에 따른 프로세서(212)는 상술한 과정에 의해서 생성된 적어도 하나의 타겟 마스크, 적어도 하나의 레퍼런스 마스크 및 레퍼런스 이미지를 참조하여, 적어도 하나의 채색된 타겟 마스크를 생성할 수 있다.
이때 프로세서(212)는 각각의 타겟 마스크와 대응되는 레퍼런스 마스크에 포함되는 영역(레퍼런스 이미지의 일부 영역)의 레퍼런스 이미지 상에서의 평균 색상에 기초하여, 각각의 타겟 마스크를 채색할 수 있다.
본 발명의 일 실시예에 따른 프로세서(212)는 제2 인공 신경망을 이용하여, 전술한 과정에 따라 생성된 적어도 하나의 채색된 타겟 마스크, 적어도 하나의 타겟 마스크 및 타겟 이미지로부터 채색된 타겟 이미지를 생성할 수 있다.
이로써 본 발명은 함께 제공된 레퍼런스 이미지와 유사한 스타일로 자동 채색된 타겟 이미지를 생성할 수 있다.
도 11은 본 발명의 일 실시예에 따른 서버(200)에 의해 수행되는 타겟 이미지의 채색을 완성하는 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 10b를 함께 참조하여 설명하되, 도 1 내지 도 10b와 중복되는 내용의 설명은 생략한다.
본 발명의 일 실시예에 따른 서버(200)는 학습된 제1 인공 신경망을 이용하여 획득된 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성할 수 있다.(S111)
전술한 바와 같이 제1 인공 신경망은 원본 이미지와 이러한 원본 이미지를 분할한 적어도 하나의 마스크를 이용하여, 이미지 분할에 관한 특징을 학습한 인공 신경망일 수 있다. 따라서 서버(200)는 제1 인공 신경망을 이용하여 타겟 이미지로부터 적어도 하나의 타겟 마스크를 생성할 수 있다. 바꾸어 말하면, 서버(200)는 제1 인공 신경망에 타겟 이미지를 입력하여, 그 출력으로써 적어도 하나의 타겟 마스크를 획득할 수 있다.
가령 본 발명의 일 실시예에 따른 서버(200)는 도 4와 같은 타겟 이미지로부터 도 5a와 같이 배경의 상단 영역을 포함하는 첫 번째 타겟 마스크를 생성할 수 있다.
제1 인공 신경망은 채색하고자 하는 색상의 유사도에 기초하여 타겟 마스크를 생성하므로, 하나의 타겟 마스크에 포함되는 영역들은 서로 유사한 색상이 채색될 수 있는 영역에 해당한다. 따라서 도 5a에 도시된 마스크에 포함되는 영역(즉 흰색으로 표시된 영역)은 하나의 색상 또는 이와 유사한 색상으로 채색될 수 있는 영역에 해당할 수 있다.
이와 유사하게, 본 발명의 일 실시예에 따른 서버(200)는 도 4와 같은 타겟 이미지로부터 도 5b와 같이 배경의 하단 영역을 포함하는 두 번째 타겟 마스크, 말풍선 영역을 포함하는 세 번째 타겟 마스크 및 머리카락 영역을 포함하는 네 번째 타겟 마스크를 생성할 수 있다. 물론 전술한 첫 번째 타겟 마스크와 마찬가지로, 각각의 마스크 상에 포함되는 영역들은 서로 유사한 색상으로 채색될 수 있는 영역에 해당할 수 있다. 또한 도면에는 도시되지 않았지만, 서버(200)는 도 5a 내지 5d에서 설명한 타겟 마스크 외에, 얼굴 영역을 포함하는 마스크, 몸통 영역을 포함하는 마스크 등을 더 생성할 수 있다.
본 발명의 일 실시예에 따른 서버(200)는 학습된 제1 인공 신경망을 이용하여, 전술한 과정에 의해 생성된 적어도 하나의 타겟 마스크 각각에 대응되고, 획득된 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성할 수 있다.(S112)
제1 인공 신경망은 전술한 바와 같이 입력된 이미지를 복수의 영역으로 구분하여 적어도 하나의 마스크를 생성하도록 학습된 신경망으로, 채색하고자 하는 색상의 유사도와 더불어, 입력된 마스크들(즉 입력된 타겟 마스크들)을 참조하여 입력된 이미지를 복수의 영역으로 구분하여 마스크를 생성하도록 학습된 신경망일 수 있다. 따라서 서버(200)는 제1 인공 신경망을 이용하여 레퍼런스 이미지 및 적어도 하나의 타겟 마스크들로부터 적어도 하나의 레퍼런스 마스크를 생성할 수 있다. 바꾸어 말하면, 서버(200)는 제1 인공 신경망에 레퍼런스 이미지 및 적어도 하나의 타겟 마스크를 입력하여, 그 출력으로써 적어도 하나의 레퍼런스 마스크를 획득할 수 있다.
본 발명의 일 실시예에 따른 서버(200)는 타겟 이미지(도 4)의 배경 상단 영역을 포함하는 도 5a와 같은 타켓 마스크를 참조하여, 도 6과 같은 레퍼런스 이미지로부터 도 7a와 같이 배경의 상단 영역을 포함하는 첫 번째 레퍼런스 마스크를 생성할 수 있다.
이와 유사하게, 서버(200)는 배경의 하단 영역을 포함하는 도 5b와 같은 타켓 마스크를 참조하여, 도 6과 같은 레퍼런스 이미지로부터 도 7b와 같이 배경의 하단 영역을 포함하는 두 번째 레퍼런스 마스크를 생성할 수 있다.
물론 서버(200)는 말풍선 영역을 포함하는 도 5c와 같은 타겟 마스크를 참조하여 도 7c와 같은 레퍼런스 마스크를 생성할 수도 있고, 머리카락 영역등을 포함하는 도 5d와 같은 타겟 마스크를 참조하여, 도 7d와 같은 레퍼런스 마스크를 생성할 수도 있다.
한편 도 7a 내지 도 7d에 도시된 레퍼런스 마스크는 예시적인 것으로, 레퍼런스 마스크의 수량이나 구체적인 형태가 이에 한정되는 것은 아니다. 따라서 서버(200)는 도 7a 내지 7d에서 설명한 타겟 마스크 외에, 얼굴 영역을 포함하는 마스크, 몸통 영역을 포함하는 마스크 등을 더 생성할 수 있다.
본 발명의 일 실시예에 따른 서버(200)는 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성할 수 있다.(S113)
이를 위하여 본 발명의 일 실시예에 따른 서버(200)는 소정의 방식에 따라 레퍼런스 마스크에 포함된 영역의 대표 색상을 결정할 수 있다.
전술한 바와 같이 레퍼런스 마스크와 같은 '마스크'는 원본 이미지의 적어도 일부 영역을 포함하는 것으로, 원본 이미지를 구성하는 복수의 지점 각각이 해당 마스크에 포함되는지 여부만을 포함한다.
따라서 서버(200)는 레퍼런스 마스크와 레퍼런스 이미지를 함께 참조하여 해당 레퍼런스 마스크에 포함된 영역의 대표 색상을 해당 레퍼런스 마스크의 색상으로 결정할 수 있다.
가령 서버(200)는 도 7a에 도시된 첫 번째 레퍼런스 마스크에 포함되는 영역을 참조하여, 도 6의 레퍼런스 이미지에서 해당 영역의 평균 색상을 첫 번째 레퍼런스 마스크에 포함되는 영역의 대표 색상, 즉 해당 레퍼런스 마스크의 색상으로 결정할 수 있다.
물론 서버(200)는 도 7b에 도시된 두 번째 레퍼런스 마스크에 포함되는 영역을 참조하여, 도 6의 레퍼런스 이미지에서 해당 영역의 평균 색상을 두 번째 레퍼런스 마스크에 포함되는 영역의 대표 색상(즉 해당 레퍼런스 마스크의 색상)으로 결정할 수도 있다.
서버(200)는 전술한 과정에 의해 결정된 대표 색상을 해당 레퍼런스 마스크에 대응되는 타겟 마스크의 색상으로 결정하여 채색된 타겟 마스크를 생성할 수 있다. 바꾸어 말하면 서버(200)는 타겟 마스크를 각각의 타겟 마스크에 대응되는 레퍼런스 마스크의 색상으로 채색하여 채색된 타겟 마스크를 생성할 수 있다.
전술한 바와 같이 서버(200)는 도 7a에 도시된 첫 번째 레퍼런스 마스크에 포함되는 영역을 참조하여, 도 6의 레퍼런스 이미지에서 해당 영역의 평균 색상을 첫 번째 레퍼런스 마스크에 포함되는 영역의 대표 색상으로 결정할 수 있다. 또한 서버(200)는 레퍼런스 마스크와 타겟 마스크 간의 대응관계를 고려하여, 도 5a에 도시된 첫 번째 타겟 마스크를 결정된 대표 색상으로 채색하여 도 8에 도시된 바와 같이 채색된 타겟 마스크를 생성할 수 있다.
물론 서버(200)는 이와 동일한 방법으로, 도 5b, 도 5c 및 도 5d에 도시된 타겟 마스크 각각을, 각각에 대해 결정된 대표 색상으로 채색하여 도 8에 도시된 바와 같이 채색된 타겟 마스크를 생성할 수 있다. 서버(200)에 의해 채색된 타겟 마스크는 채색된 타겟 이미지를 생성하는데 사용될 수 있다.
본 발명의 일 실시예에 따른 서버(200)는 학습된 제2 인공 신경망을 이용하여, 타겟 이미지, 적어도 하나의 타겟 마스크 및 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성할 수 있다.(S114)
전술한 바와 같이 제2 인공 신경망은 채색하고자 하는 타겟 이미지 및 이러한 타겟 이미지로부터 생성된 적어도 하나의 타겟 마스크를 참조하여, 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다. 바꾸어 말하면, 제2 인공 신경망은 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하도록 학습된 신경망일 수 있다.
서버(200)는 이러한 제2 인공 신경망을 이용하여, 적어도 하나의 채색된 타겟 마스크를 병합하여 채색된 타겟 이미지를 생성하되, 적어도 하나의 채색된 타겟 마스크에 소정의 이미지 효과를 적용하여 채색된 타겟 이미지를 생성할 수 있다.
이때 소정의 이미지 효과는 적어도 하나의 채색된 타겟 마스크 각각에 포함되는 픽셀들이 인접하는 픽셀과의 색상 차이가 소정의 임계 차이 이하가 되도록 하는 효과일 수 있다. 이와 같은 이미지 효과는 제2 인공 신경망에 의해 생성된 이미지에 포함되는 부자연스러운 부분(예를 들어 checkerboard artifacts에 의해 생성되는 경계선 등)이나, 복수의 마스크의 병합에 의해 발생되는 부자연스러운 부분들을 완화시켜 채색된 타겟 이미지의 완성도를 향상시키기 위한 것일 수 있다.
타겟 이미지의 채색에 참조된 레퍼런스 이미지(도 6)와 타겟 이미지(도 9)를 대비하여 살펴보면, 제1 인공 신경망 및 제2 인공 신경망에 의해 타겟 이미지와 레퍼런스의 이미지 내의 서로 대응되는 영역에 동일한 색상이 채색될 수 있다.
이로써 본 발명은 사용자에 의하지 않은 이미지의 자동 채색에 있어서, 함께 제공된 레퍼런스 이미지를 참조하여 채색을 수행함으로써, 사용자의 니즈에 보다 부합하는 채색을 수행할 수 있으며, 이로써 사용자의 수정에 따른 작업 시간을 절감시킬 수 있다.
본 발명의 다른 실시예에서, 사용자 단말(100)은 도 11에서 설명하는 타겟 이미지의 채색을 완성하는 방법을 수행할 수 있다. 바꾸어 말하면, 도 1 내지 도 11에서 서버(200) 및/또는 서버(200)의 프로세서(212)에 의해 수행되는 것으로 설명된 타겟 이미지의 채색을 완성하는 방법은, 사용자 단말(100) 및/또는 사용자 단말(100)의 프로세서(112)에 의해 수행될 수 있다.
이러한 경우, 사용자 단말(100)은 사용자의 조작에 기초하여 타겟 이미지 및 레퍼런스 이미지를 결정하고, 단계 S111에서 설명한 바와 같이 학습된 제1 인공 신경망을 이용하여 획득된 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성할 수 있다.
또한 단계 S112에서 설명한 바와 같이, 사용자 단말(100)은 학습된 제1 인공 신경망을 이용하여, 전술한 과정에 의해 생성된 적어도 하나의 타겟 마스크 각각에 대응되고, 획득된 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성할 수 있다.
또한 단계 S113에서 설명한 바와 같이, 사용자 단말(100)은 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성할 수 있다.
마지막으로 단계 S114에서 설명한 바와 같이, 사용자 단말(100)은 학습된 제2 인공 신경망을 이용하여, 타겟 이미지, 적어도 하나의 타겟 마스크 및 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성할 수 있다. 단계 S111 내지 단계 S114에 대한 상세한 설명은 생략한다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (21)

  1. 레퍼런스(Reference) 이미지를 이용하여 채색하고자 하는 타겟(Target) 이미지의 채색을 완성하는 방법에 있어서,
    학습된 제1 인공 신경망을 이용하여, 상기 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성하는 단계;
    상기 제1 인공 신경망을 이용하여, 상기 적어도 하나의 타겟 마스크 각각에 대응되고, 상기 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성하는 단계;
    상기 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 상기 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성하는 단계; 및
    학습된 제2 인공 신경망을 이용하여, 상기 타겟 이미지, 상기 적어도 하나의 타겟 마스크 및 상기 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하는 단계;를 포함하는, 타겟 이미지의 채색을 완성하는 방법.
  2. 청구항 1에 있어서
    상기 제1 인공 신경망은
    각 영역에 채색하고자 하는 색상의 유사도에 기초하여 상기 타겟 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 타겟 마스크를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 방법.
  3. 청구항 2에 있어서
    상기 적어도 하나의 타겟 마스크는
    상기 타겟 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 타겟 마스크 각각에 포함되는지 여부를 포함하는, 타겟 이미지의 채색을 완성하는 방법.
  4. 청구항 2에 있어서
    상기 제1 인공 신경망은
    각 영역에 채색하고자 하는 색상의 유사도 및 상기 적어도 하나의 타겟 마스크에 포함된 영역과의 형상 유사도에 기초하여, 상기 레퍼런스 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 레퍼런스 마스크를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 방법.
  5. 청구항 4에 있어서
    상기 적어도 하나의 레퍼런스 마스크는
    상기 레퍼런스 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 레퍼런스 마스크 각각에 포함되는지 여부를 포함하는, 타겟 이미지의 채색을 완성하는 방법.
  6. 청구항 1에 있어서
    상기 제2 인공 신경망은
    상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 방법.
  7. 청구항 6에 있어서
    상기 제2 인공 신경망은
    상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하되, 상기 적어도 하나의 채색된 타겟 마스크에 소정의 이미지 효과를 적용하여 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 방법.
  8. 청구항 7에 있어서
    상기 소정의 이미지 효과는
    상기 적어도 하나의 채색된 타겟 마스크 각각에 포함되는 픽셀들이 인접하는 픽셀과의 색상 차이가 소정의 임계 차이 이하가 되도록 하는 효과인, 타겟 이미지의 채색을 완성하는 방법.
  9. 청구항 1에 있어서
    상기 채색된 타겟 마스크를 생성하는 단계는
    소정의 방식에 따라 제1 레퍼런스 마스크에 포함된 영역의 대표 색상을 결정하는 단계; 및
    상기 대표 색상을 상기 제1 레퍼런스 마스크에 대응되는 타겟 마스크의 색상으로 결정하여, 상기 채색된 타겟 마스크를 생성하는 단계;를 포함하는, 타겟 이미지의 채색을 완성하는 방법.
  10. 청구항 9에 있어서
    상기 소정의 방식은
    상기 제1 레퍼런스 마스크에 포함된 영역의 색상의 평균 색상을 상기 대표 색상으로 결정하는 방식인, 타겟 이미지의 채색을 완성하는 방법.
  11. 컴퓨터를 이용하여
    청구항 1 내지 청구항 10 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램.
  12. 레퍼런스 이미지를 이용하여 채색하고자 하는 타겟 이미지의 채색을 완성하는 장치에 있어서, 상기 장치는 프로세서를 포함하고,
    상기 프로세서는
    학습된 제1 인공 신경망을 이용하여, 상기 타겟 이미지의 일부 영역을 포함하는 적어도 하나의 타겟 마스크(Mask)를 생성하고,
    상기 제1 인공 신경망을 이용하여, 상기 적어도 하나의 타겟 마스크 각각에 대응되고, 상기 레퍼런스 이미지의 적어도 일부 영역을 포함하는 적어도 하나의 레퍼런스 마스크를 생성하고,
    상기 적어도 하나의 레퍼런스 마스크의 색상을 참조하여, 상기 적어도 하나의 타겟 마스크 각각을 채색하여 적어도 하나의 채색된 타겟 마스크를 생성하고,
    학습된 제2 인공 신경망을 이용하여, 상기 타겟 이미지, 상기 적어도 하나의 타겟 마스크 및 상기 적어도 하나의 채색된 타겟 마스크로부터 채색된 타겟 이미지를 생성하는, 타겟 이미지의 채색을 완성하는 장치.
  13. 청구항 12에 있어서
    상기 제1 인공 신경망은
    각 영역에 채색하고자 하는 색상의 유사도에 기초하여 상기 타겟 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 타겟 마스크를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 장치.
  14. 청구항 13에 있어서
    상기 적어도 하나의 타겟 마스크는
    상기 타겟 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 타겟 마스크 각각에 포함되는지 여부를 포함하는, 타겟 이미지의 채색을 완성하는 장치.
  15. 청구항 13에 있어서
    상기 제1 인공 신경망은
    각 영역에 채색하고자 하는 색상의 유사도 및 상기 적어도 하나의 타겟 마스크에 포함된 영역과의 형상 유사도에 기초하여, 상기 레퍼런스 이미지를 적어도 하나의 영역으로 구분하고, 구분된 적어도 하나의 영역 각각을 포함하는 상기 적어도 하나의 레퍼런스 마스크를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 장치.
  16. 청구항 15에 있어서
    상기 적어도 하나의 레퍼런스 마스크는
    상기 레퍼런스 이미지를 구성하는 복수의 지점 각각이 적어도 하나의 레퍼런스 마스크 각각에 포함되는지 여부를 포함하는, 타겟 이미지의 채색을 완성하는 장치.
  17. 청구항 12에 있어서
    상기 제2 인공 신경망은
    상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 장치.
  18. 청구항 17에 있어서
    상기 제2 인공 신경망은
    상기 타겟 이미지 및 상기 적어도 하나의 타겟 마스크를 참조하여, 상기 적어도 하나의 채색된 타겟 마스크로부터 상기 채색된 타겟 이미지를 생성하되, 상기 적어도 하나의 채색된 타겟 마스크에 소정의 이미지 효과를 적용하여 상기 채색된 타겟 이미지를 생성하도록 학습된 신경망인, 타겟 이미지의 채색을 완성하는 장치.
  19. 청구항 18에 있어서
    상기 소정의 이미지 효과는
    상기 적어도 하나의 채색된 타겟 마스크 각각에 포함되는 픽셀들이 인접하는 픽셀과의 색상 차이가 소정의 임계 차이 이하가 되도록 하는 효과인, 타겟 이미지의 채색을 완성하는 장치.
  20. 청구항 12에 있어서
    상기 프로세서는
    소정의 방식에 따라 제1 레퍼런스 마스크에 포함된 영역의 대표 색상을 결정하고,
    상기 대표 색상을 상기 제1 레퍼런스 마스크에 대응되는 타겟 마스크의 색상으로 결정하여, 상기 채색된 타겟 마스크를 생성하는, 타겟 이미지의 채색을 완성하는 장치.
  21. 청구항 20에 있어서
    상기 소정의 방식은
    상기 제1 레퍼런스 마스크에 포함된 영역의 색상의 평균 색상을 상기 대표 색상으로 결정하는 방식인, 타겟 이미지의 채색을 완성하는 장치.
PCT/KR2020/002992 2019-03-05 2020-03-03 타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램 WO2020180084A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/464,899 US20210398331A1 (en) 2019-03-05 2021-09-02 Method for coloring a target image, and device and computer program therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0025357 2019-03-05
KR1020190025357A KR102216749B1 (ko) 2019-03-05 2019-03-05 타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/464,899 Continuation US20210398331A1 (en) 2019-03-05 2021-09-02 Method for coloring a target image, and device and computer program therefor

Publications (1)

Publication Number Publication Date
WO2020180084A1 true WO2020180084A1 (ko) 2020-09-10

Family

ID=72337086

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/002992 WO2020180084A1 (ko) 2019-03-05 2020-03-03 타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램

Country Status (3)

Country Link
US (1) US20210398331A1 (ko)
KR (1) KR102216749B1 (ko)
WO (1) WO2020180084A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411550A (zh) * 2020-10-29 2021-09-17 腾讯科技（深圳）有限公司 视频上色方法、装置、设备及存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102247662B1 (ko) * 2021-01-29 2021-05-03 주식회사 아이코드랩 만화의 스케치 이미지를 자동으로 채색하기 위한 장치 및 방법
KR102477798B1 (ko) * 2022-01-27 2022-12-15 주식회사 위딧 웹툰 캐릭터 채색 장치
KR102470821B1 (ko) * 2022-01-27 2022-11-28 주식회사 위딧 웹툰 배경 이미지 생성 장치
KR102449795B1 (ko) * 2022-02-23 2022-09-30 주식회사 아이코드랩 스케치 이미지 자동 채색 장치 및 방법
KR102449790B1 (ko) * 2022-02-23 2022-09-30 주식회사 아이코드랩 스케치 이미지 자동 채색 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010084996A (ko) * 2001-07-09 2001-09-07 한희철 단일 이미지를 이용한 3차원 아바타 제작 방법 및 이를이용한 자판기
KR100478767B1 (ko) * 1998-08-20 2005-03-24 애플 컴퓨터, 인크. 그래픽 렌더링 방법, 컴퓨터 그래픽 파이프라인용 상태 감시 장치 및 3차원 그래픽 렌더링용 계산처리 시스템
KR101676575B1 (ko) * 2015-07-24 2016-11-15 주식회사 카카오 만화 컨텐츠의 공유 영역 추출 장치 및 그 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6459495B1 (en) * 1997-07-15 2002-10-01 Silverbrook Research Pty Ltd Dot center tracking in optical storage systems using ink dots
DE59805342D1 (de) * 1997-10-30 2002-10-02 Baldeweg Ag Dr Verfahren und vorrichtung zur bearbeitung von bildobjekten
US6577826B1 (en) * 2000-03-24 2003-06-10 Fuji Xerox Co., Ltd. Image forming apparatus which sets parameters for the formation of paper
FR2825817B1 (fr) * 2001-06-07 2003-09-19 Commissariat Energie Atomique Procede de traitement d'images pour l'extraction automatique d'elements semantiques
JP5678584B2 (ja) * 2009-12-16 2015-03-04 株式会社リコー 画像処理装置、画像処理方法、およびプログラム
WO2018213829A1 (en) * 2017-05-19 2018-11-22 Google Llc Transforming grayscale images into color images using deep neural networks
JP7477260B2 (ja) * 2018-01-30 2024-05-01 株式会社Preferred Networks 情報処理装置、情報処理プログラム及び情報処理方法
EP3818472A1 (en) * 2019-09-11 2021-05-12 Google LLC Image colorization using machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100478767B1 (ko) * 1998-08-20 2005-03-24 애플 컴퓨터, 인크. 그래픽 렌더링 방법, 컴퓨터 그래픽 파이프라인용 상태 감시 장치 및 3차원 그래픽 렌더링용 계산처리 시스템
KR20010084996A (ko) * 2001-07-09 2001-09-07 한희철 단일 이미지를 이용한 3차원 아바타 제작 방법 및 이를이용한 자판기
KR101676575B1 (ko) * 2015-07-24 2016-11-15 주식회사 카카오 만화 컨텐츠의 공유 영역 추출 장치 및 그 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUPTA, Raj Kumar et al. Image colorization using similar images. MM 12: Proceedings of the 20th ACM international conference on Multimedia. 20 October-02 November 2012. pp. 369-378. See abstract; pp. 370; and figure 1. *
RICHARD ZHANG; JUN-YAN ZHU; PHILLIP ISOLA; XINYANG GENG; ANGELA S. LIN; TIANHE YU; ALEXEI A. EFROS: "Real-Time User-Guided Image Colorization with Learned Deep Priors", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 8 May 2017 (2017-05-08), 201 Olin Library Cornell University Ithaca, NY 14853, XP080946745 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411550A (zh) * 2020-10-29 2021-09-17 腾讯科技（深圳）有限公司 视频上色方法、装置、设备及存储介质

Also Published As

Publication number Publication date
KR20200106754A (ko) 2020-09-15
KR102216749B1 (ko) 2021-02-17
US20210398331A1 (en) 2021-12-23

Similar Documents

Publication Publication Date Title
WO2020180084A1 (ko) 타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램
WO2020091207A1 (ko) 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램과 인공 신경망 학습 방법, 장치 및 컴퓨터 프로그램
WO2019164251A1 (en) Method of performing learning of deep neural network and apparatus thereof
WO2019031714A1 (ko) 객체를 인식하는 방법 및 장치
WO2021107204A1 (ko) 의상의 3차원 모델링 방법
WO2020180134A1 (ko) 이미지 수정 시스템 및 이의 이미지 수정 방법
WO2020231226A1 (en) Method of performing, by electronic device, convolution operation at certain layer in neural network, and electronic device therefor
WO2022050719A1 (ko) 사용자의 치매 정도 결정 방법 및 장치
WO2022196945A1 (ko) 개체군 분산 모사 모델 기반 개체군 분산 예측 장치 및 이를 이용한 개체군 분산 예측 방법
WO2023171981A1 (ko) 감시카메라 관리 장치
WO2022255529A1 (ko) 머신 러닝 기반의 립싱크 영상 생성을 위한 학습 방법 및 이를 수행하기 위한 립싱크 영상 생성 장치
WO2022265262A1 (ko) 빅데이터 기반의 인공지능 학습용 데이터 추출 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
WO2021040105A1 (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
WO2019190171A1 (ko) 전자 장치 및 그 제어 방법
WO2021075758A1 (en) Electronic apparatus and controlling method thereof
WO2019190142A1 (en) Method and device for processing image
WO2020241923A1 (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
EP3707678A1 (en) Method and device for processing image
WO2020262721A1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
WO2021107202A1 (ko) 의상의 3차원 모델링 방법
WO2023022321A1 (ko) 분산 학습용 서버 및 분산 학습 방법
WO2018182066A1 (ko) 이미지에 동적 효과를 적용하는 방법 및 장치
WO2020251151A1 (ko) 3차원 가상 공간 모델을 이용한 사용자 포즈 추정 방법 및 장치
WO2023003090A1 (ko) 립싱크 영상 제공 장치, 방법 및 컴퓨터 프로그램과 립싱크 영상 표시 장치, 방법 및 컴퓨터 프로그램
WO2022019580A1 (ko) 영상 내에서 객체를 추론하는 전자 장치 및 추론 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20766103

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20766103

Country of ref document: EP

Kind code of ref document: A1