WO2022014800A1 - 발화 동영상 생성 방법 및 장치 - Google Patents

발화 동영상 생성 방법 및 장치 Download PDF

Info

Publication number
WO2022014800A1
WO2022014800A1 PCT/KR2020/017847 KR2020017847W WO2022014800A1 WO 2022014800 A1 WO2022014800 A1 WO 2022014800A1 KR 2020017847 W KR2020017847 W KR 2020017847W WO 2022014800 A1 WO2022014800 A1 WO 2022014800A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature vector
speech
image
person
encoder
Prior art date
Application number
PCT/KR2020/017847
Other languages
English (en)
French (fr)
Inventor
채경수
황금별
Original Assignee
주식회사 딥브레인에이아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 딥브레인에이아이 filed Critical 주식회사 딥브레인에이아이
Priority to US17/762,914 priority Critical patent/US20220398793A1/en
Publication of WO2022014800A1 publication Critical patent/WO2022014800A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/04—Time compression or expansion
    • G10L21/055—Time compression or expansion for synchronising with other signals, e.g. video signals
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
    • H04N19/23—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding with coding of regions that are present throughout a whole video segment, e.g. sprites, background or mosaic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
    • H04N19/27—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding involving both synthetic and natural picture components, e.g. synthetic natural hybrid coding [SNHC]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/854—Content authoring
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G10L2021/105—Synthesis of the lips movements from speech, e.g. for talking heads

Definitions

  • An embodiment of the present invention relates to a speech video generation technology based on machine learning.
  • a landmark or keypoint related to voice is first generated from an existing speech image, learning is performed, and then an image matching the input voice is synthesized using the learned model.
  • a process of extracting a key point for learning, transforming it into a standard space (a position facing the front from the center of the screen), and inverse transformation are essential, and the steps of synthesizing the key point and synthesizing the image There is a problem that the procedure is complicated as it is necessary.
  • the result is unnatural because it does not reflect the natural movement of the person by cutting only the face part, aligning the size and position, and then synthesizing the image that matches the input voice. There is a problem.
  • Disclosed embodiments are to provide a method and apparatus for generating a speech video capable of reflecting a motion or gesture occurring during speech.
  • Another object of the disclosed embodiment is to provide a method and apparatus for generating a speech video capable of simplifying the structure of a neural network.
  • the disclosed embodiment is to provide a method and apparatus for generating a speech video capable of preventing degradation of speech video quality even if mask processing is not properly performed on a person background image.
  • a speech video generating apparatus is a computing device including one or more processors and a memory for storing one or more programs executed by the one or more processors, and a video portion of a speech video of a predetermined person.
  • a first encoder that receives a background image of a person whose speech-related part is covered by a mask, extracts an image feature vector from the background image of the person, and compresses the extracted image feature vector;
  • a second encoder for receiving a speech audio signal that is an audio part of the speech video, extracting a speech feature vector from the speech audio signal, and compressing the extracted speech feature vector;
  • a combination unit for generating a combination vector by combining the compressed image feature vector output from the first encoder and the compressed audio feature vector output from the second encoder; and an image restoration unit configured to restore a speech video of the person by receiving the combination vector as an input.
  • the first encoder and the second encoder may compress the image feature vector and the audio feature vector at different compression rates, respectively.
  • the time of the person background image and the speech audio signal may be synchronized with each other and have the same time period in the person's speech video.
  • the first encoder includes a first feature extracting unit for extracting an image feature vector from the background image of the person and a first compression unit for compressing the extracted image feature vector
  • the second encoder comprises: A second feature extraction unit for extracting a feature vector and a second compression unit for compressing the extracted speech feature vector may be provided, wherein a compression ratio of the first compression part is higher than a compression ratio of the second compression part.
  • the length of the image feature vector compressed by the first compression unit may be smaller than the length of the audio feature vector compressed by the second compression unit.
  • the first compression unit calculates a representative value of an image feature vector for each channel based on the extracted image feature vector, and calculates a representative image feature matrix using the representative value of the image feature vector for each channel as each matrix element, , by connecting a fully connected neural network to the image representative feature matrix, it is possible to control the compression size of the image feature vector.
  • the representative value may be an average value of the image feature vectors for each channel, and the first compression unit may calculate an average value of the image feature vectors for each channel through Equation 1 below.
  • the first compression unit The first compression unit,
  • the image representative feature matrix can be calculated through Equation 2 below.
  • the compressed image feature vector output from the first compression unit may be expressed through Equation 3 below.
  • W b , b b parameters of a fully connected neural network
  • the second compression unit compresses the extracted speech feature vector on the time axis to calculate a representative speech feature vector, and connects a fully connected neural network to the representative speech feature vector to determine the compressed size of the speech feature vector. can be controlled
  • the second compression unit may calculate the speech representative feature vector through Equation 4 below.
  • the compressed speech feature vector output from the second compression unit may be expressed through Equation 5 below.
  • W a , b a parameters of a fully connected neural network
  • a speech video generation method is a method performed in a computing device having one or more processors, and a memory for storing one or more programs executed by the one or more processors, in a first encoder , receiving a person background image in which a part related to the person's speech is covered with a mask as a video part of a speech video of a predetermined person, extracting an image feature vector from the person background image, and compressing the extracted video feature vector; receiving, at a second encoder, a speech audio signal that is an audio part of the speech video, extracting speech feature vectors from the speech audio signal, and compressing the extracted speech feature vectors; generating a combination vector by combining the compressed video feature vector output from the first encoder and the compressed audio feature vector output from the second encoder, in a combining unit; and restoring, in the image restoration unit, the speech video of the person by inputting the combination vector as an input.
  • a video of speech may be generated by reflecting the person's unique gesture or characteristic, thereby generating a more natural speech video.
  • the video part of the speech video is inputted to the first encoder
  • the audio part is inputted to the second encoder
  • the masked speech-related part is restored from the audio through a single neural network model without a separate keypoint prediction process. You will be able to create videos.
  • the speech audio signal can be induced to lead the information related to the speech, , it is possible to prevent the quality of the speech video from being deteriorated even if masking is not properly performed in the background image of the person.
  • FIG. 1 is a block diagram showing the configuration of an apparatus for generating a speech video according to an embodiment of the present invention
  • FIG. 2 is a view showing a state in which a speech video is inferred through an apparatus for generating a speech video according to an embodiment of the present invention
  • FIG. 3 is a block diagram showing the configuration of an apparatus for generating a speech video according to another embodiment of the present invention.
  • FIG. 4 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments;
  • the terms "transmission”, “communication”, “transmission”, “reception” and other similar meanings of a signal or information are not only directly transmitted from one component to another component, but also a signal or information This includes passing through other components.
  • to “transmit” or “transmit” a signal or information to a component indicates the final destination of the signal or information and does not imply a direct destination. The same is true for “reception” of signals or information.
  • first and second may be used to describe various components, but the components should not be limited by the terms. The above terms may be used for the purpose of distinguishing one component from another component.
  • a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component.
  • the speech video generating apparatus 100 may include a first encoder 102 , a second encoder 104 , a combination unit 106 , and a decoder 108 .
  • the configuration of the speech video generating apparatus 100 shown in FIG. 1 represents functionally distinct functional elements, and may be functionally connected to each other in order to perform the function according to the present invention, and any one or more components are actually physically may be implemented by being integrated with each other.
  • the speech video generating apparatus 100 may be implemented as a machine learning technique based on a convolutional neural network (CNN), but the machine learning technique is not limited thereto, and various other machine learning techniques technology can be applied.
  • CNN convolutional neural network
  • the first encoder 102 may be a machine learning model that is trained to extract an image feature vector using a background image of a person as an input.
  • vector may be used to include “tensor”.
  • the person background image input to the first encoder 102 is an image in which the person speaks (speaks).
  • the person background image may be an image including the face and upper body of the person. That is, the background image of the person may be an image including not only the face but also the upper body so that movements of the face, neck, and shoulders appearing when the corresponding person speaks can be seen.
  • a portion related to utterance may be masked. That is, portions related to utterance (eg, a mouth and a portion around the mouth, etc.) in the person background image may be covered with the mask M. In addition, during the masking process, portions related to the face movement, neck movement, and shoulder movement according to the person's utterance in the person background image may not be masked. Then, the first encoder 102 extracts an image feature vector of a portion excluding the speech-related portion from the person background image.
  • the first encoder 102 may include one or more convolutional layers and one or more pooling layers.
  • the convolution layer may extract feature values of pixels corresponding to the filter while moving a filter having a preset size (eg, 3 ⁇ 3 pixel size) from the input person background image at regular intervals.
  • the pooling layer may perform down sampling by receiving the output of the convolution layer as an input.
  • the second encoder 104 is a machine learning model trained to extract speech feature vectors by taking the speech audio signal as an input.
  • the speech audio signal corresponds to the audio part of the person background image (ie, the person's speech image) input to the first encoder 102 .
  • a video part may be input to the first encoder 102
  • an audio part may be input to the second encoder 104 .
  • the second encoder 104 may include one or more convolutional layers and one or more pooling layers, but the structure of the neural network of the second encoder 104 is not limited thereto.
  • the time of the person background image input to the first encoder 102 and the speech audio signal input to the second encoder 104 may be synchronized with each other. That is, a video may be input to the first encoder 102 and audio may be input to the second encoder 104 in a section of the same time zone in a moving picture uttered by a person. In this case, the person background image and the speech audio signal may be input to the first encoder 102 and the second encoder 104 every preset unit time (eg, one frame or a plurality of consecutive frames, etc.).
  • the combination unit 106 may generate a combination vector by combining the image feature vector output from the first encoder 102 and the audio feature vector output from the second encoder 104 .
  • the combining unit 106 may generate a combined vector by concatenating the image feature vector and the audio feature vector, but is not limited thereto.
  • the decoder 108 may restore a video of a person's utterance by receiving the combination vector output from the combination unit 106 as an input.
  • the decoder 108 is configured to configure the video feature vector ( That is, it may be a machine learning model that is trained to restore the part (that is, the part related to the utterance) that is covered by the mask (M) of the video part in which the person utters the video part, and the part related to the utterance is the feature of the part covered by the mask.
  • the decoder 108 may be a model trained to reconstruct a masked region using an audio signal when a portion related to an utterance is masked in the person background image.
  • the decoder 108 performs inverse convolution on a combination vector in which an image feature vector output from the first encoder 102 and a speech feature vector output from the second encoder 104 are combined. After that, up-sampling may be performed to generate an utterance video.
  • the decoder 108 compares the generated speech video with the original speech video (ie, the correct answer value), so that the generated speech video (ie, a video in which the speech-related part is restored through the audio part) is close to the original speech video
  • the learning parameters eg, loss function, softmax function, etc.
  • FIG. 2 is a diagram illustrating a state in which a speech video is inferred through an apparatus for generating a speech video according to an embodiment of the present invention.
  • the first encoder 102 receives a background image of a person.
  • the person background image may be a person background image used in the learning process.
  • the person background image may be an image including the face and upper half of the person.
  • a portion related to utterance may be covered with the mask (M).
  • the first encoder 102 may extract an image feature vector from the person background image.
  • the second encoder 104 receives the spoken audio signal.
  • the speech audio signal may be irrelevant to the person background image input to the first encoder 102 .
  • the speech audio signal may be a speech audio signal of a person different from the person in the person background image.
  • the present invention is not limited thereto, and the spoken audio signal may be uttered by a person in the person background image. In this case, the utterance of the person may be uttered in a background or situation unrelated to the background image of the person.
  • the second encoder 104 may extract a speech feature vector from the speech audio signal.
  • the combination unit 106 may generate a combination vector by combining the image feature vector output from the first encoder 102 and the audio feature vector output from the second encoder 104 .
  • the decoder 108 may restore and output the speech video by receiving the combination vector as an input. That is, the decoder 108 may generate a speech video by reconstructing a speech-related part of the person background image based on the speech feature vector output from the second encoder 104 .
  • the speech audio signal input to the second encoder 104 is a speech that is not related to the person background image (for example, the person in the person background image does not speak), or the person in the person background image is uttering. As such, an utterance video is generated.
  • a speech video may be generated by reflecting the person's unique gesture or characteristic, thereby generating a more natural speech video.
  • the video part of the speech video is input to the first encoder 102
  • the audio part is input to the second encoder 104
  • the masked speech-related part is restored from the audio, without a separate keypoint prediction process.
  • a single neural network model makes it possible to generate utterance videos.
  • the mask M does not properly cover the speech-related part of the person in the background image of the person, there is a risk that the background image of the person controls the speech-related part in the speech video generated by the decoder 108 .
  • the mask (M) is masked beyond the person's speech-related part in the person's background image, information such as the position and movement of the person's upper body is reduced in the person's background image, so the quality of the speech video generated by the decoder 108 is reduced. will be lowered
  • the compression ratio is increased during the encoding of the person background image to remove trivial information related to speech. can be induced. For example, if the wrinkles under the eyes move slightly when a person speaks, but the mask (M) does not cover this part in the person's background image and some speech-related parts remain. Since the part is information with relatively small data, it may be induced to be removed in the encoding process.
  • the decoder 108 generates a speech video based on a combination vector in which the video feature vector of the first encoder 102 and the audio feature vector of the second encoder 104 are combined, so that the speech audio signal can lead the information of the speech-related part. Then, even if masking is not properly performed in the background image of the person, it is possible to prevent the quality of the speech video from being deteriorated.
  • FIG. 3 is a block diagram showing the configuration of an apparatus for generating a speech video according to another embodiment of the present invention.
  • the configuration for compressing the person background image and the speech audio signal in the speech video generating apparatus shown in FIG. 1 is illustrated in more detail.
  • the speech video generating apparatus 100 may include a first encoder 102 , a second encoder 104 , a combination unit 106 , and an image restoration unit 108 .
  • the first encoder 102 may include a first feature extraction unit 102a and a first compression unit 102b.
  • the first feature extraction unit 102a may extract an image feature vector from an input background image of a person.
  • the first feature extraction unit 102a may use a plurality of 2D convolutional neural network layer layers, and image features down-sampled through convolution methods such as stride and dilation. vector can be extracted.
  • the image feature vector extracted by the first feature extraction unit 102a has the form of a tensor of (Height, Width, Channel), but will be referred to as an image feature vector for convenience of description.
  • the first compression unit 102b may compress the image feature vector extracted by the first feature extraction unit 102a.
  • the first compression unit 102b may spatially compress an image feature vector in the form of (Height, Width, Channel) (ie, tensor form) into a vector in the form of (Height, Width). have.
  • the first compression unit 102b may reduce the size of the image feature vector by applying pooling (eg, Average Pooling or Max Pooling, etc.) to the image feature vector.
  • pooling eg, Average Pooling or Max Pooling, etc.
  • the first compression unit 102b may calculate a representative value of an image feature vector for each channel.
  • the representative value may include, for example, an average value or a maximum value.
  • the first compression unit 102b may obtain an average value of the image feature vectors for each channel through Equation 1 below.
  • the first compression unit 102b may calculate a representative image feature matrix based on a representative value of an image feature vector for each channel.
  • the first compression unit 102b may calculate a representative image feature matrix using a representative value of an image feature vector for each channel as each matrix element.
  • the first compression unit 102b may obtain an image representative feature matrix through Equation 2 below.
  • the first compression unit 102b may control the compressed size of the image feature vector by connecting a fully connected neural network to the image representative feature matrix.
  • the compressed image feature vector output from the first compression unit 102b may be expressed by Equation 3 below.
  • W b , b b parameters of a fully connected neural network
  • the compression ratio of the image feature vector in the first compression unit 102b (hereinafter, may be referred to as an image compression ratio) may be expressed as K/N.
  • K is the number of channels in the image feature vector.
  • the activation function ⁇ may be, for example, a nonlinear function such as sigmoid, tanh, and relu.
  • the parameter (W b ) is , and the parameter (b b ) is can be may mean a mistake.
  • the second encoder 104 may include a second feature extraction unit 104a and a second compression unit 104b.
  • the second feature extraction unit 104a may extract a speech feature vector from the input speech audio signal.
  • the speech feature vector extracted by the second feature extraction unit 104a may have the form of (Sequence_length, Channel).
  • Sequence_length may mean the number of continuous speech feature vectors on the time axis for a preset reference time.
  • the preset reference time may mean a time of the speech audio signal required to determine a mouth shape according to a person's speech.
  • the second compression unit 104b may compress the speech feature vector extracted by the second feature extraction unit 104a.
  • the second compression unit 104b compresses the speech feature vector on the (Sequence_length) axis (ie, the time axis) by applying pooling (eg, Average Pooling or Max Pooling, etc.) to the speech feature vector. You can reduce the size of the vector.
  • pooling eg, Average Pooling or Max Pooling, etc.
  • the second compression unit 104b may calculate a representative speech feature vector for the speech feature vector by compressing the speech feature vector on the time axis through Equation 4 below.
  • the second compression unit 104b may control the compressed size of the speech feature vector by connecting a fully connected neural network to the speech representative feature vector.
  • the compressed speech feature vector output from the second compression unit 104b may be expressed by Equation 5 below.
  • W a , b a parameters of a fully connected neural network
  • the compression ratio of the speech feature vector in the second compression unit 104b (hereinafter, may be referred to as speech compression ratio) is It can be expressed as K'/M.
  • the activation function ⁇ may be, for example, a nonlinear function such as sigmoid, tanh, and relu.
  • the parameter (W a ) is , and the parameter (b b ) is can be may mean a mistake.
  • the length N of the compressed image feature vector output from the first compression unit 102b may be set to be smaller than the length M of the compressed audio feature vector output from the second compression unit 104b.
  • the compression ratio of the first compression unit 102b may be higher than that of the second compression unit 104b.
  • the length of the image feature vector output from the first encoder 102 is determined by the second encoder It becomes much longer than the length of the image feature vector output in (104).
  • the compression rate so that the length (N) of the image feature vector output from the first encoder 102 is smaller than the length (M) of the audio feature vector output from the second encoder 104, It is possible to induce the speech audio signal to lead the information related to the speech, thereby preventing the degradation of the speech video quality even if masking is not properly performed in the background image of the person.
  • the combination unit 106 may generate a compressed combination vector by combining the compressed image feature vector output from the first encoder 102 and the compressed audio feature vector output from the second encoder 104 .
  • the combining unit 106 may generate a compressed combined vector by concatenating the compressed image feature vector and the compressed audio feature vector, but is not limited thereto.
  • the image restoration unit 108 may restore the speech video of the person by inputting the compressed combination vector output from the combining unit 106 as an input.
  • the size of the video feature vector in the compressed combination vector is strongly compressed to be smaller than the size of the speech feature vector, if the compressed combination vector is input to a general decoder to restore the speech video, the quality of the speech video may be deteriorated.
  • the image restoration unit 108 may be implemented as a StyleGAN (Generative Adversarial Network).
  • StyleGAN Geneative Adversarial Network
  • StyleGAN is a structure that injects a compressed combination vector in the process of decoding a predetermined constant value (random vector) without directly decoding the compressed combination vector. It can be used to increase the capacity of a neural network.
  • each component may have different functions and capabilities other than those described below, and may include additional components in addition to those described below.
  • the illustrated computing environment 10 includes a computing device 12 .
  • the computing device 12 may be the speech video generating device 100 .
  • Computing device 12 includes at least one processor 14 , computer readable storage medium 16 , and communication bus 18 .
  • the processor 14 may cause the computing device 12 to operate in accordance with the exemplary embodiments discussed above.
  • the processor 14 may execute one or more programs stored in the computer-readable storage medium 16 .
  • the one or more programs may include one or more computer-executable instructions that, when executed by the processor 14, configure the computing device 12 to perform operations in accordance with the exemplary embodiment. can be
  • Computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information.
  • the program 20 stored in the computer readable storage medium 16 includes a set of instructions executable by the processor 14 .
  • computer-readable storage medium 16 includes memory (volatile memory, such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash It may be memory devices, other forms of storage medium accessed by computing device 12 and capable of storing desired information, or a suitable combination thereof.
  • Communication bus 18 interconnects various other components of computing device 12 , including processor 14 and computer readable storage medium 16 .
  • Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24 .
  • the input/output interface 22 and the network communication interface 26 are coupled to the communication bus 18 .
  • Input/output device 24 may be coupled to other components of computing device 12 via input/output interface 22 .
  • Exemplary input/output device 24 may include a pointing device (such as a mouse or trackpad), a keyboard, a touch input device (such as a touchpad or touchscreen), a voice or sound input device, various types of sensor devices, and/or imaging devices. input devices and/or output devices such as display devices, printers, speakers and/or network cards.
  • the exemplary input/output device 24 may be included in the computing device 12 as a component constituting the computing device 12 , and may be connected to the computing device 12 as a separate device distinct from the computing device 12 . may be

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Image Analysis (AREA)

Abstract

발화 동영상 생성 방법 및 장치가 개시된다. 개시되는 일 실시예에 따른 발화 동영상 생성 장치는, 하나 이상의 프로세서들, 및 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 소정 인물의 발화 동영상 중 비디오 부분으로 인물의 발화와 관련된 부분이 마스크로 가려진 인물 배경 영상을 입력 받고, 인물 배경 영상으로부터 영상 특징 벡터를 추출하며, 추출한 영상 특징 벡터를 압축하는 제1 인코더, 발화 동영상 중 오디오 부분인 발화 오디오 신호를 입력 받고, 발화 오디오 신호로부터 음성 특징 벡터를 추출하며, 추출한 음성 특징 벡터를 압축하는 제2 인코더, 제1 인코더에서 출력되는 압축된 영상 특징 벡터 및 제2 인코더에서 출력되는 압축된 음성 특징 벡터를 조합하여 조합 벡터를 생성하는 조합부, 및 조합 벡터를 입력으로 하여 인물의 발화 동영상을 복원하는 영상 복원부를 포함한다.

Description

발화 동영상 생성 방법 및 장치
본 발명의 실시예는 머신 러닝에 기반한 발화 동영상 생성 기술과 관련된다.
최근, 인공 지능 분야의 기술 발전에 따라 다양한 유형의 콘텐츠가 인공 지능 기술에 기초하여 생성되고 있다. 그 일 예로, 어떤 전달하고자 하는 음성 메시지가 있을 때, 그 음성 메시지를 유명 인물(예를 들어, 대통령 등)이 말하는 것과 같은 발화 동영상을 생성하여 사람들의 주의를 끌고자 하는 경우가 있다. 이는 유명 인물의 영상에서 유명 인물이 특정 메시지를 말하는 것처럼 입 모양 등을 특정 메시지에 맞게 생성하여 구현하게 된다.
이를 위하여, 종래에는 기존의 발화 영상에서 먼저 음성과 관련된 랜드마크 또는 키포인트를 생성하여 이에 대한 학습을 수행한 후, 학습된 모델을 이용하여 입력된 음성에 맞는 영상을 합성하는 방식을 사용하였다. 그러나, 이러한 종래 기술의 경우 학습을 위하여 키포인트를 추출하고 이를 표준 공간(화면 중심에서 정면을 바라보는 위치)으로 변환 및 역변환하는 과정이 필수적으로 요구되며, 키포인트를 합성하는 단계와 영상을 합성하는 단계가 필요한 바 그 절차가 복잡하다는 문제점이 있다.
한편, 키포인트를 사용하지 않는 방식의 경우, 얼굴 부분만 잘라 크기 및 위치를 정렬한 후 입력된 음성에 맞는 영상을 합성하는 방식을 사용하여, 인물의 자연스러운 움직임을 반영하지 못하기 때문에 결과물이 부자연스럽다는 문제점이 있다.
개시되는 실시예들은 발화 시 발생하는 움직임 또는 제스쳐를 반영할 수 있는 발화 동영상 생성 방법 및 장치를 제공하기 위한 것이다.
또한 개시되는 실시예는 신경망 구조를 간소화할 수 있는 발화 동영상 생성 방법 및 장치를 제공하기 위한 것이다.
또한 개시되는 실시예는 인물 배경 영상에서 마스크 처리가 제대로 안 되어도 발화 동영상 품질이 저하되는 것을 방지할 수 있는 발화 동영상 생성 방법 및 장치를 제공하기 위한 것이다.
개시되는 일 실시예에 따른 발화 동영상 생성 장치는, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 소정 인물의 발화 동영상 중 비디오 부분으로 상기 인물의 발화와 관련된 부분이 마스크로 가려진 인물 배경 영상을 입력 받고, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하며, 추출한 영상 특징 벡터를 압축하는 제1 인코더; 상기 발화 동영상 중 오디오 부분인 발화 오디오 신호를 입력 받고, 상기 발화 오디오 신호로부터 음성 특징 벡터를 추출하며, 추출한 음성 특징 벡터를 압축하는 제2 인코더; 상기 제1 인코더에서 출력되는 압축된 영상 특징 벡터 및 상기 제2 인코더에서 출력되는 압축된 음성 특징 벡터를 조합하여 조합 벡터를 생성하는 조합부; 및 상기 조합 벡터를 입력으로 하여 상기 인물의 발화 동영상을 복원하는 영상 복원부를 포함한다.
상기 제1 인코더와 상기 제2 인코더는 서로 다른 압축율로 상기 영상 특징 벡터 및 상기 음성 특징 벡터를 각각 압축할 수 있다.
상기 인물 배경 영상과 상기 발화 오디오 신호의 시간은 서로 동기화 되고, 상기 인물의 발화 동영상에서 동일한 시구간을 갖는 것일 수 있다.
상기 제1 인코더는, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하는 제1 특징 추출부 및 상기 추출한 영상 특징 벡터를 압축하는 제1 압축부를 포함하고, 상기 제2 인코더는, 상기 발화 오디오 신호로부터 음성 특징 벡터를 추출하는 제2 특징 추출부 및 상기 추출한 음성 특징 벡터를 압축하는 제2 압축부를 포함하며, 상기 제1 압축부의 압축률은 상기 제2 압축부의 압축률 보다 높게 마련될 수 있다.
상기 제1 압축부에 의해 압축된 영상 특징 벡터의 길이는 상기 제2 압축부에 의해 압축된 음성 특징 벡터의 길이 보다 작게 마련될 수 있다.
상기 제1 압축부는, 상기 추출한 영상 특징 벡터를 기반으로 각 채널 별 영상 특징 벡터의 대표값을 산출하고, 상기 각 채널 별 영상 특징 벡터의 대표값을 각 행렬 요소로 하는 영상 대표 특징 행렬을 산출하며, 상기 영상 대표 특징 행렬에 풀리 커넥티드(Fully Connected) 신경망을 연결하여 영상 특징 벡터의 압축되는 크기를 제어할 수 있다.
상기 대표값은, 상기 각 채널 별 영상 특징 벡터의 평균값이고, 상기 제1 압축부는, 하기 수학식 1을 통해 상기 각 채널 별 영상 특징 벡터의 평균값을 산출할 수 있다.
(수학식 1)
Figure PCTKR2020017847-appb-img-000001
f c : c번째 채널의 영상 특징 벡터의 평균값
H : 영상 특징 벡터의 높이(Height)
W : 영상 특징 벡터의 너비(Width)
F i,j,c : (i,j) 좌표에서 c번째 채널의 영상 특징 벡터 값
상기 제1 압축부는,
하기 수학식 2를 통해 상기 영상 대표 특징 행렬을 산출할 수 있다.
(수학식 2)
Figure PCTKR2020017847-appb-img-000002
f b : 영상 대표 특징 행렬
K : 영상 특징 벡터의 채널 개수
T : 전치 행렬
상기 제1 압축부에서 출력하는 압축된 영상 특징 벡터는 하기 수학식 3을 통해 표현될 수 있다.
(수학식 3)
Figure PCTKR2020017847-appb-img-000003
z b : 압축된 영상 특징 벡터
σ : 풀리 커넥티드 신경망의 활성화 함수
W b, b b : 풀리 커넥티드 신경망의 파라미터
상기 제2 압축부는, 상기 추출한 음성 특징 벡터를 시간 축으로 압축하여 음성 대표 특징 벡터를 산출하고, 상기 음성 대표 특징 벡터에 풀리 커넥티드(Fully Connected) 신경망을 연결하여 음성 특징 벡터의 압축되는 크기를 제어할 수 있다.
상기 제2 압축부는, 하기 수학식 4를 통해 상기 음성 대표 특징 벡터를 산출할 수 있다.
(수학식 4)
Figure PCTKR2020017847-appb-img-000004
f a : 음성 대표 특징 벡터
L : 기준 시간 동안 시간 축 상의 연속적인 음성 특징 벡터의 개수
F l : l번째 음성 특징 벡터
상기 제2 압축부에서 출력하는 압축된 음성 특징 벡터는 하기 수학식 5를 통해 표현될 수 있다.
(수학식 5)
Figure PCTKR2020017847-appb-img-000005
z a : 압축된 음성 특징 벡터
σ : 풀리 커넥티드 신경망의 활성화 함수
W a, b a : 풀리 커넥티드 신경망의 파라미터
개시되는 일 실시예에 따른 발화 동영상 생성 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 제1 인코더에서, 소정 인물의 발화 동영상 중 비디오 부분으로 상기 인물의 발화와 관련된 부분이 마스크로 가려진 인물 배경 영상을 입력 받고, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하며, 추출한 영상 특징 벡터를 압축하는 단계; 제2 인코더에서, 상기 발화 동영상 중 오디오 부분인 발화 오디오 신호를 입력 받고, 상기 발화 오디오 신호로부터 음성 특징 벡터를 추출하며, 추출한 음성 특징 벡터를 압축하는 단계; 조합부에서, 상기 제1 인코더에서 출력되는 압축된 영상 특징 벡터 및 상기 제2 인코더에서 출력되는 압축된 음성 특징 벡터를 조합하여 조합 벡터를 생성하는 단계; 및 영상 복원부에서, 상기 조합 벡터를 입력으로 하여 상기 인물의 발화 동영상을 복원하는 단계를 포함한다.
개시되는 실시예에 의하면, 발화와 관련된 부분을 마스킹 처리한 상태에서 얼굴 및 상반신이 포함된 인물 배경 영상을 입력으로 하여 학습하기 때문에, 사람의 발화 시 나타나는 얼굴 움직임, 목 움직임, 및 어깨 움직임 등과 같은 그 사람만의 독특한 제스쳐 또는 특징을 반영하여 발화 동영상을 생성할 수 있으며, 그로 인해 보다 자연스러운 발화 동영상을 생성할 수 있게 된다.
또한, 발화 동영상 중 비디오 부분은 제1 인코더로 입력하고, 오디오 부분은 제2 인코더로 입력하며, 마스킹 처리된 발화와 관련된 부분을 오디오로부터 복원함으로써, 별도의 키포인트 예측 과정 없이 단일 신경망 모델을 통해 발화 동영상을 생성할 수 있게 된다.
또한, 얼굴뿐만 아니라 상반신도 포함된 발화 동영상을 생성하게 되므로, 해당 인물의 다른 신체 부분(예를 들어, 몸통이나 팔 다리 등)에 대해 추가적인 변환 또는 합성 과정 없이 자연스럽게 붙여 넣을 수 있게 된다.
또한, 제1 인코더에서 출력되는 영상 특징 벡터의 길이가 제2 인코더에서 출력되는 음성 특징 벡터의 길이보다 작도록 압축률을 조정함으로써, 발화 오디오 신호가 발화와 관련된 부분의 정보를 주도하도록 유도할 수 있으며, 그로 인해 인물 배경 영상에서 마스킹이 제대로 되지 못하였다 하여도 발화 동영상의 품질이 저하되는 것을 방지할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 발화 동영상 생성 장치의 구성을 나타낸 블록도
도 2는 본 발명의 일 실시예에 따른 발화 동영상 생성 장치를 통해 발화 동영상을 추론하는 상태를 나타낸 도면
도 3은 본 발명의 다른 실시예에 따른 발화 동영상 생성 장치의 구성을 나타낸 블록도
도 4는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 발화 동영상 생성 장치의 구성을 나타낸 블록도이다. 도 1을 참조하면, 발화 동영상 생성 장치(100)는 제1 인코더(102), 제2 인코더(104), 조합부(106), 및 디코더(108)를 포함할 수 있다.
도 1에 도시된 발화 동영상 생성 장치(100)의 구성은, 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 본 발명에 따른 기능을 수행하기 위하여 상호 기능적으로 연결될 수 있으며, 어느 하나 이상의 구성이 실제 물리적으로는 서로 통합되어 구현될 수도 있다.
예시적인 실시예에서, 발화 동영상 생성 장치(100)는 합성곱 신경망(Convolutional Neural Network : CNN) 기반의 머신 러닝 기술로 구현될 수 있으나, 머신 러닝 기술이 이에 한정되는 것은 아니며 그 이외의 다양한 머신 러닝 기술이 적용될 수 있다. 이하에서는, 발화 동영상 생성을 위한 학습 과정을 위주로 설명하기로 한다.
제1 인코더(102)는 인물 배경 영상을 입력으로 하여 영상 특징 벡터를 추출하도록 학습되는 머신 러닝 모델일 수 있다. 이하, "벡터"는 "텐서"를 포함하는 의미로 사용될 수 있다.
여기서, 제1 인코더(102)로 입력되는 인물 배경 영상은 인물이 발화하는(말을 하는) 영상이다. 인물 배경 영상은 인물의 얼굴과 상반신이 포함된 영상일 수 있다. 즉, 인물 배경 영상은 해당 인물이 발화 할 때 나타나는 얼굴, 목, 및 어깨 등의 움직임이 보여지도록 얼굴뿐만 아니라 상반신이 포함된 영상일 수 있다.
제1 인코더(102)로 입력되는 인물 배경 영상에서 발화와 관련된 부분은 마스킹(Masking) 처리될 수 있다. 즉, 인물 배경 영상에서 발화와 관련된 부분(예를 들어, 입 및 입 주위 부분 등)은 마스크(M)로 가릴 수 있다. 또한, 마스킹 처리 시 인물 배경 영상에서 인물의 발화에 따른 얼굴 움직임, 목 움직임, 및 어깨 움직임 등과 관련된 부분은 마스킹 처리되지 않도록 할 수 있다. 그러면, 제1 인코더(102)에서는 인물 배경 영상에서 발화와 관련된 부분을 제외한 부분의 영상 특징 벡터를 추출하게 된다.
제1 인코더(102)는 하나 이상의 합성곱 층(Convolutional Layer) 및 하나 이상의 풀링 층(Pooling Layer)를 포함할 수 있다. 합성곱 층은 입력되는 인물 배경 영상에서 기 설정된 크기(예를 들어, 3×3 픽셀 크기)의 필터를 일정 간격으로 이동시키면서 해당 필터에 대응되는 픽셀들의 특징 값을 추출할 수 있다. 풀링 층은 합성곱 층의 출력을 입력으로 받아 다운 샘플링(Down Sampling)을 수행할 수 있다.
제2 인코더(104)는 발화 오디오 신호를 입력으로 하여 음성 특징 벡터를 추출하도록 학습되는 머신 러닝 모델이다. 여기서, 발화 오디오 신호는 제1 인코더(102)로 입력되는 인물 배경 영상(즉, 인물이 발화하는 영상) 중 오디오 부분에 해당한다. 다시 말하면, 인물이 발화하는 동영상에서 비디오 부분은 제1 인코더(102)로 입력되고, 오디오 부분은 제2 인코더(104)로 입력될 수 있다. 제2 인코더(104)는 하나 이상의 합성곱 층(Convolutional Layer) 및 하나 이상의 풀링 층(Pooling Layer)를 포함할 수 있으나, 제2 인코더(104)의 신경망 구조가 이에 한정되는 것은 아니다.
제1 인코더(102)로 입력되는 인물 배경 영상과 제2 인코더(104)로 입력되는 발화 오디오 신호의 시간은 서로 동기화 될 수 있다. 즉, 인물이 발화하는 동영상에서 동일한 시간 대의 구간 중 비디오는 제1 인코더(102)로 입력되고, 오디오는 제2 인코더(104)로 입력될 수 있다. 이때, 인물 배경 영상 및 발화 오디오 신호는 기 설정된 단위 시간(예를 들어, 하나의 프레임 또는 복수 개의 연속된 프레임 등)마다 제1 인코더(102) 및 제2 인코더(104)로 입력될 수 있다.
조합부(106)는 제1 인코더(102)에서 출력되는 영상 특징 벡터 및 제2 인코더(104)에서 출력되는 음성 특징 벡터를 조합하여 조합 벡터를 생성할 수 있다. 예시적인 실시예에서, 조합부(106)는 영상 특징 벡터와 음성 특징 벡터를 연결(Concatenate)하여 조합 벡터를 생성할 수 있으나, 이에 한정되는 것은 아니다.
디코더(108)는 조합부(106)에서 출력되는 조합 벡터를 입력으로 하여 인물의 발화 동영상을 복원할 수 있다. 구체적으로, 디코더(108)는 제2 인코더(104)에서 출력되는 음성 특징 벡터(즉, 인물이 발화하는 동영상에서 오디오 부분의 특징)를 기반으로 제1 인코더(102)에서 출력되는 영상 특징 벡터(즉, 인물이 발화하는 동영상에서 비디오 부분으로, 발화 관련된 부분이 마스크로 가려진 부분의 특징)의 마스크(M)로 가려진 부분(즉, 발화와 관련된 부분)을 복원하도록 학습되는 머신 러닝 모델일 수 있다. 즉, 디코더(108)는 인물 배경 영상에서 발화와 관련된 부분이 마스킹 된 경우, 오디오 신호를 이용하여 마스킹 된 영역을 복원하도록 학습되는 모델일 수 있다.
예시적인 실시예에서, 디코더(108)는 제1 인코더(102)에서 출력되는 영상 특징 벡터와 제2 인코더(104)에서 출력되는 음성 특징 벡터가 조합된 조합 벡터에 역 합성곱(Deconvolution)을 수행한 후 업 샘플링(Up Sampling)을 수행하여 발화 동영상을 생성할 수 있다.
디코더(108)는 생성된 발화 동영상과 원래의 발화 동영상(즉, 정답값)을 비교하여, 생성된 발화 동영상(즉, 오디오 부분을 통해 발화 관련된 부분을 복원한 동영상)이 원래의 발화 동영상에 가까워지도록 학습 파라미터(예를 들어, 손실 함수, 소프트맥스 함수 등)를 조절할 수 있다.
도 2는 본 발명의 일 실시예에 따른 발화 동영상 생성 장치를 통해 발화 동영상을 추론하는 상태를 나타낸 도면이다.
도 2를 참조하면, 제1 인코더(102)는 인물 배경 영상을 입력받는다. 여기서, 인물 배경 영상은 학습 과정에서 사용된 인물 배경 영상일 수 있다. 인물 배경 영상은 인물의 얼굴과 상반이 포함된 영상일 수 있다. 또한, 인물 배경 영상은 발화와 관련된 부분이 마스크(M)로 가려질 수 있다. 제1 인코더(102)는 인물 배경 영상으로부터 영상 특징 벡터를 추출할 수 있다.
제2 인코더(104)는 발화 오디오 신호를 입력받는다. 여기서, 발화 오디오 신호는 제1 인코더(102)로 입력되는 인물 배경 영상과는 관련 없는 것일 수 있다. 예를 들어, 발화 오디오 신호는 인물 배경 영상 속 인물과는 다른 인물의 발화 오디오 신호일 수 있다. 그러나, 이에 한정되는 것은 아니며 발화 오디오 신호는 인물 배경 영상 속 인물이 발화한 것일 수도 있다. 이때, 해당 인물의 발화는 인물 배경 영상과는 관련 없는 배경 또는 상황에서 발화된 것일 수 있다. 제2 인코더(104)는 발화 오디오 신호로부터 음성 특징 벡터를 추출할 수 있다.
조합부(106)는 제1 인코더(102)에서 출력되는 영상 특징 벡터 및 제2 인코더(104)에서 출력되는 음성 특징 벡터를 조합하여 조합 벡터를 생성할 수 있다.
디코더(108)는 조합 벡터를 입력으로 하여 발화 동영상을 복원하여 출력할 수 있다. 즉, 디코더(108)는 제2 인코더(104)에서 출력되는 음성 특징 벡터를 기반으로 인물 배경 영상의 발화와 관련된 부분을 복원하여 발화 동영상을 생성할 수 있다. 이 경우, 제2 인코더(104)로 입력되는 발화 오디오 신호는 인물 배경 영상과는 관련 없는 발화이나(예를 들어, 인물 배경 영상 속 인물이 발화한 것은 아니나), 인물 배경 영상 속 인물이 발화하는 것처럼 발화 동영상이 생성되게 된다.
개시되는 실시예에 의하면, 발화와 관련된 부분을 마스킹 처리한 상태에서 얼굴 및 상반신이 포함된 인물 배경 영상을 입력으로 하여 학습하기 때문에, 사람의 발화 시 나타나는 얼굴 움직임, 목 움직임, 및 어깨 움직임 등과 같은 그 사람만의 독특한 제스쳐 또는 특징을 반영하여 발화 동영상을 생성할 수 있으며, 그로 인해 보다 자연스러운 발화 동영상을 생성할 수 있게 된다.
또한, 발화 동영상 중 비디오 부분은 제1 인코더(102)로 입력하고, 오디오 부분은 제2 인코더(104)로 입력하며, 마스킹 처리된 발화와 관련된 부분을 오디오로부터 복원함으로써, 별도의 키포인트 예측 과정 없이 단일 신경망 모델을 통해 발화 동영상을 생성할 수 있게 된다.
또한, 얼굴뿐만 아니라 상반신도 포함된 발화 동영상을 생성하게 되므로, 해당 인물의 다른 신체 부분(예를 들어, 몸통이나 팔 다리 등)에 대해 추가적인 변환 또는 합성 과정 없이 자연스럽게 붙여 넣을 수 있게 된다.
한편, 인물 배경 영상은 해당 인물의 발화와 관련된 부분은 최대한 제거하면서 해당 인물의 상반신 위치 및 움직임에 대한 정보는 최대한 보존하고 있어야 한다. 인물 배경 영상에서 해당 인물의 발화와 관련된 부분을 마스크(M)가 제대로 가리지 못하면 디코더(108)에서 생성하는 발화 동영상에서 인물 배경 영상이 발화와 관련된 부분을 제어할 위험성이 있게 된다.
반면, 인물 배경 영상에서 해당 인물의 발화 관련된 부분 이상으로 마스크(M)가 마스킹 처리되면 인물 배경 영상에서 인물의 상반신 위치 및 움직임 등과 같은 정보가 줄어 들어 디코더(108)에서 생성하는 발화 동영상의 품질이 저하되게 된다.
따라서 이하에서는, 인물 배경 영상에서 마스크(M)가 발화와 관련된 부분을 제대로 가리지 못하였더라도 이를 발화 동영상 생성 장치(100) 내의 신경망을 통해 조절할 수 있는 방안에 대해 설명하기로 한다.
즉, 인물 배경 영상에서 마스크(M)가 해당 인물의 발화와 관련된 부분을 제대로 마스킹 하지 못하여 발화와 관련된 부분이 일부 남아 있더라도, 인물 배경 영상을 인코딩하는 과정에서 압축률을 높여 발화와 관련된 사소한 정보는 제거되도록 유도할 수 있다. 예를 들어, 인물의 발화 시 눈 밑 주름이 살짝 움직이는데, 인물 배경 영상에서 마스크(M)가 이 부분을 가리지 못하여 발화와 관련된 부분이 일부 남아 있는 경우, 인물 배경 영상의 인코딩 시 압축률을 높이면 눈 밑 부분은 비교적 데이터가 작은 정보이므로 인코딩 과정에서 제거되도록 유도할 수 있다.
여기서, 디코더(108)는 제1 인코더(102)의 영상 특징 벡터와 제2 인코더(104)의 음성 특징 벡터가 조합된 조합 벡터를 기반으로 발화 동영상을 생성하게 되므로, 제1 인코더(102)의 압축률은 높여 영상 특징 벡터의 크기를 상대적으로 줄이고 제2 인코더(104)의 압축률은 낮추어 음성 특징 벡터의 크기를 상대적으로 크게 함으로써, 발화 오디오 신호가 발화와 관련된 부분의 정보를 주도할 수 있다. 그러면, 인물 배경 영상에서 마스킹이 제대로 되지 못하였다 하여도 발화 동영상의 품질이 저하되는 것을 방지할 수 있게 된다.
도 3은 본 발명의 다른 실시예에 따른 발화 동영상 생성 장치의 구성을 나타낸 블록도이다. 여기서는, 도 1에 도시된 발화 동영상 생성 장치에서 인물 배경 영상 및 발화 오디오 신호를 압축하는 구성을 보다 구체적으로 도시하였다.
도 3을 참조하면, 발화 동영상 생성 장치(100)는 제1 인코더(102), 제2 인코더(104), 조합부(106), 및 영상 복원부(108)를 포함할 수 있다.
제1 인코더(102)는 제1 특징 추출부(102a) 및 제1 압축부(102b)를 포함할 수 있다. 제1 특징 추출부(102a)는 입력되는 인물 배경 영상으로부터 영상 특징 벡터를 추출할 수 있다. 예시적인 실시예에서, 제1 특징 추출부(102a)는 2차원 합성곱 신경망 레이어층이 다수 사용될 수 있으며, 스트라이드(Stride), 딜레이션(Dilation) 등의 합성곱 방식을 통해 다운 샘플링된 영상 특징 벡터를 추출할 수 있다. 제1 특징 추출부(102a)에서 추출된 영상 특징 벡터는 (Height, Width, Channel)의 텐서 형태를 가지나, 설명의 편의상 영상 특징 벡터로 지칭하기로 한다.
제1 압축부(102b)는 제1 특징 추출부(102a)에서 추출한 영상 특징 벡터를 압축할 수 있다. 예시적인 실시예에서, 제1 압축부(102b)는 (Height, Width, Channel) 형태(즉, 텐서 형태)의 영상 특징 벡터를 (Height, Width) 형태의 벡터로 공간적 압축(Spatial Compression)할 수 있다. 제1 압축부(102b)는 영상 특징 벡터에 풀링(예를 들어, Average Pooling 또는 Max Pooling 등)을 적용하여 영상 특징 벡터의 크기를 줄일 수 있다.
구체적으로, 제1 압축부(102b)는 각 채널 별 영상 특징 벡터의 대표값을 산출할 수 있다. 대표값으로는 예를 들어, 평균값 또는 최대값 등이 있을 수 있다. 예시적인 실시예에서, 제1 압축부(102b)는 다음의 수학식 1을 통해 각 채널 별 영상 특징 벡터의 평균값을 구할 수 있다.
(수학식 1)
Figure PCTKR2020017847-appb-img-000006
f c : c번째 채널의 영상 특징 벡터의 평균값
H : 영상 특징 벡터의 높이(Height)
W : 영상 특징 벡터의 너비(Width)
F i,j,c : (i,j) 좌표에서 c번째 채널의 영상 특징 벡터 값
또한, 제1 압축부(102b)는 각 채널 별 영상 특징 벡터의 대표값을 기반으로 영상 대표 특징 행렬을 산출할 수 있다. 제1 압축부(102b)는 각 채널 별 영상 특징 벡터의 대표값을 각 행렬 요소로 하는 영상 대표 특징 행렬을 산출할 수 있다. 제1 압축부(102b)는 다음의 수학식 2를 통해 영상 대표 특징 행렬을 구할 수 있다.
(수학식 2)
Figure PCTKR2020017847-appb-img-000007
f b : 영상 대표 특징 행렬
K : 영상 특징 벡터의 채널 개수
T : 전치 행렬
제1 압축부(102b)는 영상 대표 특징 행렬에 풀리 커넥티드(Fully Connected) 신경망을 연결하여 영상 특징 벡터의 압축되는 크기를 제어할 수 있다. 제1 압축부(102b)에서 출력하는 압축된 영상 특징 벡터는 다음의 수학식 3을 통해 나타낼 수 있다.
(수학식 3)
Figure PCTKR2020017847-appb-img-000008
z b : 압축된 영상 특징 벡터
σ : 풀리 커넥티드 신경망의 활성화 함수
W b, b b : 풀리 커넥티드 신경망의 파라미터
여기서, 압축된 영상 특징 벡터의 길이가 N인 경우, 제1 압축부(102b)에서 영상 특징 벡터의 압축률(이하, 영상 압축률이라 지칭할 수 있음)은 K/N로 나타낼 수 있다. K는 영상 특징 벡터의 채널 개수이다. 그리고, 활성화 함수(σ)는 예를 들어, Sigmoid, Tanh, Relu 등과 같은 Nonlinear Function이 사용될 수 있다. 또한, 파라미터(W b)는
Figure PCTKR2020017847-appb-img-000009
이고, 파라미터(b b)는
Figure PCTKR2020017847-appb-img-000010
일 수 있다.
Figure PCTKR2020017847-appb-img-000011
은 실수를 의미할 수 있다.
제2 인코더(104)는 제2 특징 추출부(104a) 및 제2 압축부(104b)를 포함할 수 있다. 제2 특징 추출부(104a)는 입력되는 발화 오디오 신호로부터 음성 특징 벡터를 추출할 수 있다. 제2 특징 추출부(104a)에서 추출된 음성 특징 벡터는 (Sequence_length, Channel)의 형태를 가질 수 있다. 여기서, Sequence_length는 기 설정된 기준 시간 동안 시간 축 상의 연속적인 음성 특징 벡터의 개수를 의미할 수 있다. 여기서, 기 설정된 기준 시간은 인물의 발화에 따른 입 모양을 판단하기 위해 필요한 발화 오디오 신호의 시간을 의미할 수 있다.
제2 압축부(104b)는 제2 특징 추출부(104a)에서 추출한 음성 특징 벡터를 압축할 수 있다. 예시적인 실시예에서, 제2 압축부(104b)는 음성 특징 벡터에 풀링(예를 들어, Average Pooling 또는 Max Pooling 등)을 적용하여 (Sequence_length) 축(즉, 시간 축)으로 압축함으로써, 음성 특징 벡터의 크기를 줄일 수 있다.
구체적으로, 제2 압축부(104b)는 다음의 수학식 4를 통해 음성 특징 벡터를 시간 축으로 압축하여 음성 특징 벡터에 대한 음성 대표 특징 벡터를 산출할 수 있다.
(수학식 4)
Figure PCTKR2020017847-appb-img-000012
f a : 음성 대표 특징 벡터
L : 기준 시간 동안 시간 축 상의 연속적인 음성 특징 벡터의 개수
F l : l번째 음성 특징 벡터
제2 압축부(104b)는 음성 대표 특징 벡터에 풀리 커넥티드(Fully Connected) 신경망을 연결하여 음성 특징 벡터의 압축되는 크기를 제어할 수 있다. 제2 압축부(104b)에서 출력하는 압축된 음성 특징 벡터는 다음의 수학식 5를 통해 나타낼 수 있다.
(수학식 5)
Figure PCTKR2020017847-appb-img-000013
z a : 압축된 음성 특징 벡터
σ : 풀리 커넥티드 신경망의 활성화 함수
W a, b a : 풀리 커넥티드 신경망의 파라미터
여기서, 음성 대표 특징 벡터의 길이가 K'이고, 압축된 음성 특징 벡터의 길이가 M인 경우, 제2 압축부(104b)에서 음성 특징 벡터의 압축률(이하, 음성 압축률이라 지칭할 수 있음)은 K'/M으로 나타낼 수 있다. 그리고, 활성화 함수(σ)는 예를 들어, Sigmoid, Tanh, Relu 등과 같은 Nonlinear Function이 사용될 수 있다. 또한, 파라미터(W a)는
Figure PCTKR2020017847-appb-img-000014
이고, 파라미터(b b)는
Figure PCTKR2020017847-appb-img-000015
일 수 있다.
Figure PCTKR2020017847-appb-img-000016
은 실수를 의미할 수 있다.
한편, 제1 압축부(102b)에서 출력되는 압축된 영상 특징 벡터의 길이(N)는 제2 압축부(104b)에서 출력되는 압축된 음성 특징 벡터의 길이(M)보다 작도록 마련될 수 있다. 이를 위해 제1 압축부(102b)의 압축률이 제2 압축부(104b)의 압축률 보다 높게 마련될 수 있다.
즉, 동일한 시구간을 가지는 인물 배경 영상과 발화 오디오 신호를 제1 인코더(102) 및 제2 인코더(104)로 입력하면, 제1 인코더(102)에서 출력되는 영상 특징 벡터의 길이는 제2 인코더(104)에서 출력되는 영상 특징 벡터의 길이보다 훨씬 길게 된다.
그러나, 개시되는 실시예에서는 제1 인코더(102)에서 출력되는 영상 특징 벡터의 길이(N)가 제2 인코더(104)에서 출력되는 음성 특징 벡터의 길이(M)보다 작도록 압축률을 조정함으로써, 발화 오디오 신호가 발화와 관련된 부분의 정보를 주도하도록 유도할 수 있으며, 그로 인해 인물 배경 영상에서 마스킹이 제대로 되지 못하였다 하여도 발화 동영상의 품질이 저하되는 것을 방지할 수 있게 된다.
조합부(106)는 제1 인코더(102)에서 출력되는 압축된 영상 특징 벡터와 제2 인코더(104)에서 출력되는 압축된 음성 특징 벡터를 조합하여 압축된 조합 벡터를 생성할 수 있다. 예시적인 실시예에서, 조합부(106)는 압축된 영상 특징 벡터와 압축된 음성 특징 벡터를 연결(Concatenate)하여 압축된 조합 벡터를 생성할 수 있으나, 이에 한정되는 것은 아니다.
영상 복원부(108)는 조합부(106)에서 출력되는 압축된 조합 벡터를 입력으로 하여 인물의 발화 동영상을 복원할 수 있다. 여기서, 압축된 조합 벡터에서 영상 특징 벡터의 크기가 음성 특징 벡터의 크기 보다 작을 정도로 강하게 압축되어 있으므로, 압축된 조합 벡터를 일반적인 디코더로 입력하여 발화 동영상을 복원하도록 하면, 발화 동영상의 품질이 저하될 수 있다.
이에, 개시되는 실시예에서는, 영상 복원부(108)를 StyleGAN(Generative Adversarial Network)으로 구현할 수 있다. StyleGAN(Generative Adversarial Network)은 압축된 조합 벡터를 직접 디코딩 하지 않고 정해진 상수 값(랜덤 벡터)을 디코딩 하는 과정에서 압축된 조합 벡터를 주입하는 구조로 신경망의 수용력(Capacity)을 높이기 위해 사용될 수 있다.
도 4는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 발화 동영상 생성 장치(100)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (13)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서,
    소정 인물의 발화 동영상 중 비디오 부분으로 상기 인물의 발화와 관련된 부분이 마스크로 가려진 인물 배경 영상을 입력 받고, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하며, 추출한 영상 특징 벡터를 압축하는 제1 인코더;
    상기 발화 동영상 중 오디오 부분인 발화 오디오 신호를 입력 받고, 상기 발화 오디오 신호로부터 음성 특징 벡터를 추출하며, 추출한 음성 특징 벡터를 압축하는 제2 인코더;
    상기 제1 인코더에서 출력되는 압축된 영상 특징 벡터 및 상기 제2 인코더에서 출력되는 압축된 음성 특징 벡터를 조합하여 조합 벡터를 생성하는 조합부; 및
    상기 조합 벡터를 입력으로 하여 상기 인물의 발화 동영상을 복원하는 영상 복원부를 포함하는, 발화 동영상 생성 장치.
  2. 청구항 1에 있어서,
    상기 제1 인코더와 상기 제2 인코더는 서로 다른 압축율로 상기 영상 특징 벡터 및 상기 음성 특징 벡터를 각각 압축하는, 발화 동영상 생성 장치.
  3. 청구항 1에 있어서,
    상기 인물 배경 영상과 상기 발화 오디오 신호의 시간은 서로 동기화 되고, 상기 인물의 발화 동영상에서 동일한 시구간을 갖는 것인, 발화 동영상 생성 장치.
  4. 청구항 1에 있어서,
    상기 제1 인코더는, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하는 제1 특징 추출부 및 상기 추출한 영상 특징 벡터를 압축하는 제1 압축부를 포함하고,
    상기 제2 인코더는, 상기 발화 오디오 신호로부터 음성 특징 벡터를 추출하는 제2 특징 추출부 및 상기 추출한 음성 특징 벡터를 압축하는 제2 압축부를 포함하며,
    상기 제1 압축부의 압축률은 상기 제2 압축부의 압축률 보다 높게 마련되는, 발화 동영상 생성 장치.
  5. 청구항 4에 있어서,
    상기 제1 압축부에 의해 압축된 영상 특징 벡터의 길이는 상기 제2 압축부에 의해 압축된 음성 특징 벡터의 길이 보다 작게 마련되는, 발화 동영상 생성 장치.
  6. 청구항 4에 있어서,
    상기 제1 압축부는,
    상기 추출한 영상 특징 벡터를 기반으로 각 채널 별 영상 특징 벡터의 대표값을 산출하고, 상기 각 채널 별 영상 특징 벡터의 대표값을 각 행렬 요소로 하는 영상 대표 특징 행렬을 산출하며, 상기 영상 대표 특징 행렬에 풀리 커넥티드(Fully Connected) 신경망을 연결하여 영상 특징 벡터의 압축되는 크기를 제어하는, 발화 동영상 생성 장치.
  7. 청구항 6에 있어서,
    상기 대표값은, 상기 각 채널 별 영상 특징 벡터의 평균값이고,
    상기 제1 압축부는, 하기 수학식 1을 통해 상기 각 채널 별 영상 특징 벡터의 평균값을 산출하는, 발화 동영상 생성 장치.
    (수학식 1)
    Figure PCTKR2020017847-appb-img-000017
    f c : c번째 채널의 영상 특징 벡터의 평균값
    H : 영상 특징 벡터의 높이(Height)
    W : 영상 특징 벡터의 너비(Width)
    F i,j,c : (i,j) 좌표에서 c번째 채널의 영상 특징 벡터 값
  8. 청구항 7에 있어서,
    상기 제1 압축부는,
    하기 수학식 2를 통해 상기 영상 대표 특징 행렬을 산출하는, 발화 동영상 생성 장치.
    (수학식 2)
    Figure PCTKR2020017847-appb-img-000018
    f b : 영상 대표 특징 행렬
    K : 영상 특징 벡터의 채널 개수
    T : 전치 행렬
  9. 청구항 8에 있어서,
    상기 제1 압축부에서 출력하는 압축된 영상 특징 벡터는 하기 수학식 3을 통해 표현되는, 발화 동영상 생성 장치.
    (수학식 3)
    Figure PCTKR2020017847-appb-img-000019
    z b : 압축된 영상 특징 벡터
    σ : 풀리 커넥티드 신경망의 활성화 함수
    W b, b b : 풀리 커넥티드 신경망의 파라미터
  10. 청구항 4에 있어서,
    상기 제2 압축부는,
    상기 추출한 음성 특징 벡터를 시간 축으로 압축하여 음성 대표 특징 벡터를 산출하고, 상기 음성 대표 특징 벡터에 풀리 커넥티드(Fully Connected) 신경망을 연결하여 음성 특징 벡터의 압축되는 크기를 제어하는, 발화 동영상 생성 장치.
  11. 청구항 10에 있어서,
    상기 제2 압축부는,
    하기 수학식 4를 통해 상기 음성 대표 특징 벡터를 산출하는, 발화 동영상 생성 장치.
    (수학식 4)
    Figure PCTKR2020017847-appb-img-000020
    f a : 음성 대표 특징 벡터
    L : 기준 시간 동안 시간 축 상의 연속적인 음성 특징 벡터의 개수
    F l : l번째 음성 특징 벡터
  12. 청구항 11에 있어서,
    상기 제2 압축부에서 출력하는 압축된 음성 특징 벡터는 하기 수학식 5를 통해 표현되는, 발화 동영상 생성 장치.
    (수학식 5)
    Figure PCTKR2020017847-appb-img-000021
    z a : 압축된 음성 특징 벡터
    σ : 풀리 커넥티드 신경망의 활성화 함수
    W a, b a : 풀리 커넥티드 신경망의 파라미터
  13. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    제1 인코더에서, 소정 인물의 발화 동영상 중 비디오 부분으로 상기 인물의 발화와 관련된 부분이 마스크로 가려진 인물 배경 영상을 입력 받고, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하며, 추출한 영상 특징 벡터를 압축하는 단계;
    제2 인코더에서, 상기 발화 동영상 중 오디오 부분인 발화 오디오 신호를 입력 받고, 상기 발화 오디오 신호로부터 음성 특징 벡터를 추출하며, 추출한 음성 특징 벡터를 압축하는 단계;
    조합부에서, 상기 제1 인코더에서 출력되는 압축된 영상 특징 벡터 및 상기 제2 인코더에서 출력되는 압축된 음성 특징 벡터를 조합하여 조합 벡터를 생성하는 단계; 및
    영상 복원부에서, 상기 조합 벡터를 입력으로 하여 상기 인물의 발화 동영상을 복원하는 단계를 포함하는, 발화 동영상 생성 방법.
PCT/KR2020/017847 2020-07-13 2020-12-08 발화 동영상 생성 방법 및 장치 WO2022014800A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/762,914 US20220398793A1 (en) 2020-07-13 2020-12-08 Method and device for generating speech moving image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200086183A KR102331517B1 (ko) 2020-07-13 2020-07-13 발화 동영상 생성 방법 및 장치
KR10-2020-0086183 2020-07-13

Publications (1)

Publication Number Publication Date
WO2022014800A1 true WO2022014800A1 (ko) 2022-01-20

Family

ID=78933724

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/017847 WO2022014800A1 (ko) 2020-07-13 2020-12-08 발화 동영상 생성 방법 및 장치

Country Status (3)

Country Link
US (1) US20220398793A1 (ko)
KR (2) KR102331517B1 (ko)
WO (1) WO2022014800A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102483416B1 (ko) * 2020-08-25 2022-12-30 주식회사 딥브레인에이아이 발화 동영상 생성 방법 및 장치
US20220374637A1 (en) * 2021-05-20 2022-11-24 Nvidia Corporation Synthesizing video from audio using one or more neural networks
KR102583128B1 (ko) 2022-05-17 2023-09-26 주식회사 딥브레인에이아이 합성용 동영상 촬영 시스템 및 방법
KR102575097B1 (ko) * 2022-11-09 2023-09-06 주식회사 플루언트 음성 기반 아바타 얼굴 표정 구현 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010039771A (ko) * 1999-08-06 2001-05-15 포만 제프리 엘 시청각적 발성자 인식 및 발성 검증 방법 및 장치
KR20060090687A (ko) * 2003-09-30 2006-08-14 코닌클리케 필립스 일렉트로닉스 엔.브이. 시청각 콘텐츠 합성을 위한 시스템 및 방법
JP2007288370A (ja) * 2006-04-13 2007-11-01 Sony Corp 映像・音声信号処理装置
KR20190114150A (ko) * 2018-03-29 2019-10-10 네오사피엔스 주식회사 비디오 번역 및 립싱크 방법 및 시스템
KR20200056342A (ko) * 2018-11-14 2020-05-22 네오사피엔스 주식회사 대상 화자 음성과 동일한 음성을 가진 컨텐츠를 검색하는 방법 및 이를 실행하기 위한 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100343874C (zh) * 2005-07-11 2007-10-17 北京中星微电子有限公司 基于语音的彩色人脸合成方法、系统及其着色方法、装置
US8117183B2 (en) * 2008-05-28 2012-02-14 Xerox Corporation Accurate content-based indexing and retrieval system
KR101177408B1 (ko) 2010-09-16 2012-08-27 광운대학교 산학협력단 시청자의 시점에 따라 홀로그래픽 영상을 복원하는 다시점 기반 대화형 홀로그래픽 복원 장치 및 시스템
US11308329B2 (en) * 2020-05-07 2022-04-19 Adobe Inc. Representation learning from video with spatial audio

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010039771A (ko) * 1999-08-06 2001-05-15 포만 제프리 엘 시청각적 발성자 인식 및 발성 검증 방법 및 장치
KR20060090687A (ko) * 2003-09-30 2006-08-14 코닌클리케 필립스 일렉트로닉스 엔.브이. 시청각 콘텐츠 합성을 위한 시스템 및 방법
JP2007288370A (ja) * 2006-04-13 2007-11-01 Sony Corp 映像・音声信号処理装置
KR20190114150A (ko) * 2018-03-29 2019-10-10 네오사피엔스 주식회사 비디오 번역 및 립싱크 방법 및 시스템
KR20200056342A (ko) * 2018-11-14 2020-05-22 네오사피엔스 주식회사 대상 화자 음성과 동일한 음성을 가진 컨텐츠를 검색하는 방법 및 이를 실행하기 위한 장치

Also Published As

Publication number Publication date
US20220398793A1 (en) 2022-12-15
KR102331517B1 (ko) 2021-12-01
KR102346756B1 (ko) 2022-01-03

Similar Documents

Publication Publication Date Title
WO2022014800A1 (ko) 발화 동영상 생성 방법 및 장치
WO2022045486A1 (ko) 발화 동영상 생성 방법 및 장치
WO2020256471A1 (ko) 머신 러닝 기반의 발화 동영상 생성 방법 및 장치
WO2022169035A1 (ko) 영상 품질을 향상시킬 수 있는 영상 합성 장치 및 방법
KR102360839B1 (ko) 머신 러닝 기반의 발화 동영상 생성 방법 및 장치
WO2022045485A1 (ko) 랜드마크를 함께 생성하는 발화 동영상 생성 장치 및 방법
WO2022004971A1 (ko) 영상 생성을 위한 학습 장치 및 방법
WO2022255529A1 (ko) 머신 러닝 기반의 립싱크 영상 생성을 위한 학습 방법 및 이를 수행하기 위한 립싱크 영상 생성 장치
WO2022169036A1 (ko) 영상 품질을 향상시킬 수 있는 영상 합성 장치 및 방법
KR102346755B1 (ko) 음성 신호를 이용한 발화 동영상 생성 방법 및 장치
WO2010024551A2 (en) Method and system for 3d lip-synch generation with data faithful machine learning
WO2021153971A1 (ko) 비식별화된 이미지를 이용한 신경망 학습 방법 및 이를 제공하는 서버
EP4252228A1 (en) Method and apparatus for real-time sound enhancement
WO2022265273A1 (ko) 고인을 모사하는 가상 인물과 대화를 수행하는 서비스를 제공하는 방법 및 시스템
WO2020122478A2 (ko) 기계 학습 기반으로 파라미터를 학습하는 영상 처리 장치 및 동작 방법
WO2021096339A1 (ko) 이미지 변형 방법
WO2023075508A1 (ko) 전자 장치 및 그 제어 방법
WO2022025359A1 (ko) 발화 영상 생성 방법 및 장치
WO2023158226A1 (ko) 적대적 학습 기법을 이용한 음성 합성 방법 및 장치
WO2022124498A1 (ko) 립싱크 영상 생성 장치 및 방법
WO2022004970A1 (ko) 신경망 기반의 특징점 학습 장치 및 방법
WO2022054994A1 (ko) 비화자 요소에 강인한 화자 임베딩 추출 방법 및 장치, 그리고 이를 위한 기록매체
WO2021230707A1 (ko) 압축 영상의 노이즈를 추출하는 방법 및 장치, 압축 영상의 노이즈를 저감하는 방법 및 장치
WO2022231061A1 (ko) 기계 학습을 이용한 데이터 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치
WO2023229091A1 (ko) 3d 립싱크 비디오 생성 장치 및 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: 20945278

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: 20945278

Country of ref document: EP

Kind code of ref document: A1