WO2022065933A1 - 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법 - Google Patents

오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법 Download PDF

Info

Publication number
WO2022065933A1
WO2022065933A1 PCT/KR2021/013071 KR2021013071W WO2022065933A1 WO 2022065933 A1 WO2022065933 A1 WO 2022065933A1 KR 2021013071 W KR2021013071 W KR 2021013071W WO 2022065933 A1 WO2022065933 A1 WO 2022065933A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
dnn
training
audio
audio signal
Prior art date
Application number
PCT/KR2021/013071
Other languages
English (en)
French (fr)
Inventor
남우현
손윤재
정현권
황성희
Original Assignee
삼성전자 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
Priority claimed from KR1020200179918A external-priority patent/KR20220042986A/ko
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to EP21872961.4A priority Critical patent/EP4202921A4/en
Priority to CN202180066296.5A priority patent/CN116324979A/zh
Publication of WO2022065933A1 publication Critical patent/WO2022065933A1/ko
Priority to US18/127,374 priority patent/US20230238003A1/en

Links

Images

Classifications

    • 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
    • G10L19/008—Multichannel audio signal coding or decoding using interchannel correlation to reduce redundancy, e.g. joint-stereo, intensity-coding or matrixing
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G10L19/02—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 using spectral analysis, e.g. transform vocoders or subband vocoders

Definitions

  • the present disclosure relates to the field of encoding and decoding of audio. More specifically, the present disclosure relates to a field of encoding and decoding audio including a plurality of channels based on artificial intelligence (AI).
  • AI artificial intelligence
  • Audio is encoded by a codec conforming to a predetermined compression standard, for example, AAC (Advanced Audio Coding) standard, OPUS standard, or the like, and then stored in a bitstream form in a recording medium or transmitted through a communication channel.
  • AAC Advanced Audio Coding
  • the general-purpose codec does not support encoding/decoding of multi-channel audio that provides a spatial stereoscopic effect to a listener, a method of encoding/decoding multi-channel audio at a low bit rate using a general-purpose codec this is required
  • An embodiment has a technical task of encoding/decoding multi-channel audio using a general-purpose codec supporting encoding/decoding of small-channel audio.
  • it is a technical task to encode multi-channel audio at a low bit rate and restore it with high quality.
  • An audio signal processing apparatus includes: a memory for storing one or more instructions; and a processor executing the one or more instructions stored in the memory, wherein the processor frequency-converts a first audio signal including n channels to generate a first audio signal in the frequency domain, and a first DNN based on a frequency characteristic signal for each channel from the first audio signal in the frequency domain, and a second audio signal including m (m ⁇ n) channels from the first audio signal based on a second DNN. and generating an output audio signal by encoding the second audio signal and the frequency characteristic signal, wherein the first audio signal is a High Order Ambisonics signal including a zero-order signal and a plurality of first-order signals. , and the second audio signal may include one of a mono signal and a stereo signal.
  • An embodiment may encode/decode multi-channel audio using a general-purpose codec that supports encoding/decoding of small-channel audio.
  • multi-channel audio may be encoded at a low bit rate and reconstructed at a high quality.
  • effects that can be achieved by the audio encoding apparatus and method and the audio decoding apparatus and method according to an embodiment are not limited to the above-mentioned effects, and other effects not mentioned above can be seen from the description below. It will be clearly understood by those of ordinary skill in the art to which the disclosure pertains.
  • FIG. 1 is a diagram for describing an audio encoding and decoding process according to an exemplary embodiment.
  • FIG. 2 is a block diagram illustrating a configuration of an audio encoding apparatus according to an embodiment.
  • 3 is an exemplary diagram for describing signals included in a higher-order Ambisonics signal.
  • FIG. 4 is a diagram for describing a first DNN according to an embodiment.
  • FIG. 5 is a diagram comparing the first audio signal of the frequency domain shown in FIG. 4 and a frequency characteristic signal.
  • FIG. 6 is a diagram for describing a second DNN according to an embodiment.
  • FIG. 7 is a view for explaining a method of combining an audio characteristic signal and a frequency characteristic signal.
  • FIG. 8 is a diagram for explaining a method of combining an audio characteristic signal and a frequency characteristic signal.
  • FIG. 9 is a block diagram illustrating a configuration of an audio decoding apparatus according to an embodiment.
  • FIG. 10 is a diagram for describing a third DNN according to an embodiment.
  • FIG. 11 is a diagram for describing a fourth DNN according to an embodiment.
  • FIG. 12 is a diagram for explaining a training method of a first DNN, a second DNN, a third DNN, and a fourth DNN.
  • FIG. 13 is a flowchart illustrating a training process of a first DNN, a second DNN, a third DNN, and a fourth DNN by a training apparatus.
  • FIG. 14 is a flowchart illustrating a training process of the first DNN, the second DNN, the third DNN, and the fourth DNN by the training apparatus.
  • 15 is a diagram for explaining another training method of the first DNN, the second DNN, the third DNN, and the fourth DNN.
  • 16 is a flowchart illustrating another training process of the first DNN, the second DNN, the third DNN, and the fourth DNN by the training apparatus.
  • 17 is a flowchart for explaining another training process of the first DNN, the second DNN, the third DNN, and the fourth DNN by the training apparatus.
  • FIG. 18 is a flowchart illustrating an audio encoding method according to an embodiment.
  • 19 is a flowchart illustrating an audio decoding method according to an embodiment.
  • An audio signal processing apparatus includes: a memory for storing one or more instructions; and a processor executing the one or more instructions stored in the memory, wherein the processor frequency-converts a first audio signal including n channels to generate a first audio signal in the frequency domain, and a first DNN based on a frequency characteristic signal for each channel from the first audio signal in the frequency domain, and a second audio signal including m (m ⁇ n) channels from the first audio signal based on a second DNN. and generating an output audio signal by encoding the second audio signal and the frequency characteristic signal, wherein the first audio signal is a High Order Ambisonics signal including a zero-order signal and a plurality of first-order signals. , and the second audio signal may include one of a mono signal and a stereo signal.
  • the frequency characteristic signal may include a representative value for each channel, and the representative value for each channel may be a value corresponding to a plurality of frequency bands for each channel of the first audio signal in the frequency domain.
  • the second DNN may obtain an audio characteristic signal from the first audio signal and output the second audio signal from an integrated characteristic signal in which the audio characteristic signal and the frequency characteristic signal are combined.
  • the integrated characteristic signal may be obtained by replacing samples of some of the channels of the audio characteristic signal with samples of the frequency characteristic signal.
  • the partial channels may include a predetermined number of channels continuous from a first channel or a predetermined number of continuous channels from a last channel among channels of the audio characteristic signal.
  • a time length of the audio characteristic signal may be the same as a time length of the frequency characteristic signal.
  • the number of samples of each channel may be one in a predetermined time period.
  • the output audio signal may be expressed as a bitstream, and the frequency characteristic signal may be included in an additional region of the bitstream.
  • the processor may obtain the second audio signal by combining the intermediate audio signal output from the second DNN and the downscaled small-channel audio signal from the first audio signal.
  • the first DNN is trained according to a comparison result of the frequency domain training signal converted from the first training signal and the frequency domain training signal restored by the training DNN from the training frequency characteristic signal, and the training frequency characteristic signal may be obtained from the frequency domain training signal based on the first DNN.
  • the second DNN is a comparison result of a second training signal obtained through the second DNN from the first training signal and a downscaled small-channel training signal from the first training signal, the first training signal and , can be trained according to at least one of a comparison result of the fourth training signal restored from the training audio data, and a comparison result between the training frequency characteristic signal and the training frequency characteristic signal obtained from the training audio data there is.
  • the first DNN and the second DNN may be trained alternately.
  • An audio signal processing apparatus includes: a memory for storing one or more instructions; and a processor executing the one or more instructions stored in the memory, wherein the processor generates a third audio signal and a frequency characteristic signal including m channels by decoding the input audio signal, based on the third DNN , a weight signal including n channels (n>m) is generated from the frequency characteristic signal, and the weight is added to an intermediate audio signal including n channels generated by a fourth DNN from the third audio signal.
  • a fourth audio signal including n channels is generated by applying a signal, wherein the third audio signal includes one of a mono signal and a stereo signal, and the fourth audio signal includes a zero-order signal and a plurality of 1's. It may be a High Order Ambisonics signal including difference signals.
  • the fourth DNN processes the third audio signal to obtain an integrated characteristic signal, and outputs the intermediate audio signal from the audio characteristic signal included in the integrated characteristic signal, wherein the frequency characteristic signal is the integrated characteristic signal may be extracted from and input to the third DNN.
  • the frequency characteristic signal may include a predetermined number of channels continuous from a first channel among channels of the integrated characteristic signal or a predetermined number of continuous channel samples from a last channel.
  • the third DNN and the fourth DNN may process the frequency characteristic signal and the audio characteristic signal, respectively, and output the weight signal and the intermediate audio signal having the same length as that of the fourth audio signal. .
  • the processor may obtain the fourth audio signal by multiplying samples of the intermediate audio signal and samples of the weight signal.
  • the third DNN and the fourth DNN are a comparison result of a second training signal obtained from a first training signal through a second DNN and a downscaled small-channel training signal from the first training signal, the first training A signal, a comparison result of a fourth training signal reconstructed through the third DNN and the fourth DNN from the training audio data, and a frequency characteristic signal for training obtained through the first DNN, and the training audio data Training may be performed according to at least one of the comparison results between the training frequency characteristic signals obtained through the fourth DNN.
  • a method of processing an audio signal includes: generating a first audio signal in a frequency domain by frequency-converting a first audio signal including n channels (n is a natural number greater than 1); generating a frequency characteristic signal for each channel from a first audio signal in the frequency domain based on a first DNN; generating a second audio signal including m channels (m is a natural number less than n) from the first audio signal based on a second DNN; and generating an output audio signal by encoding the second audio signal and the frequency characteristic signal, wherein the first audio signal includes a zero-order signal and a plurality of first-order signals.
  • Ambisonics may include one of a mono signal and a stereo signal.
  • a method of processing an audio signal includes: generating a third audio signal including m channels and a frequency characteristic signal by decoding an input audio signal; generating a weight signal including n (n>m) channels from the frequency characteristic signal based on the third DNN; and generating a fourth audio signal including n channels by applying the weight signal to an intermediate audio signal including n channels generated by a fourth DNN from the third audio signal,
  • the three audio signals may include one of a mono signal and a stereo signal, and the fourth audio signal may be a high order ambisonics signal including a zero-order signal and a plurality of first-order signals.
  • a component when referred to as “connected” or “connected” to another component, the component may be directly connected to or directly connected to the other component, but the opposite is particularly true. Unless there is a description to be used, it will be understood that it may be connected or connected through another element in the middle.
  • components expressed as ' ⁇ part (unit)', 'module', etc. are two or more components combined into one component, or two or more components for each more subdivided function. may be differentiated into.
  • each of the components to be described below may additionally perform some or all of the functions of other components in addition to the main functions they are responsible for, and some of the main functions of each component may have different functions. It goes without saying that it may be performed exclusively by the component.
  • 'deep neural network (DNN)' is a representative example of an artificial neural network model simulating a brain nerve, and is not limited to an artificial neural network model using a specific algorithm.
  • a 'parameter' is a value used in a calculation process of each layer constituting a neural network, and may include, for example, a weight used when an input value is applied to a predetermined calculation expression.
  • the parameter may be expressed in a matrix form.
  • a parameter is a value set as a result of training, and may be updated through separate training data if necessary.
  • the 'first audio signal' means audio to be encoded
  • the 'second audio signal' means audio obtained as a result of AI encoding of the first audio signal
  • the 'third audio signal' refers to audio obtained through the first decoding in an audio decoding process
  • the 'fourth audio signal' refers to audio obtained as a result of AI decoding of the third audio signal.
  • 'first DNN' means a DNN used to obtain a frequency characteristic signal of the first audio signal
  • 'second DNN' means a DNN used for AI downscaling of the first audio signal
  • 'third DNN' refers to a DNN used to obtain a weight signal from a frequency characteristic signal
  • 'fourth DNN' refers to a DNN used for AI upscaling of the third audio signal.
  • 'AI downscaling' refers to a process of reducing the number of audio channels based on AI
  • 'first encoding' refers to an encoding process by an audio compression method based on frequency transformation
  • 'first decoding' refers to a decoding process by a frequency conversion-based audio restoration method
  • 'AI upscaling' refers to a process of increasing the number of audio channels based on AI.
  • FIG. 1 is a diagram for describing an audio encoding and decoding process according to an exemplary embodiment.
  • a first audio signal 105 including a plurality of channels is AI-encoded 110 to obtain a second audio signal 115 including a small number of channels.
  • the first audio signal 105 may be ambisonic audio including a W channel, an X channel, a Y channel and a Z channel
  • the second audio signal 115 includes an L (left) channel and an R (right) channel. It may be stereo audio including channels or mono audio of 1 channel.
  • the first audio signal 105 may be audio having more than one channel number, such as 5-channel audio, 6-channel audio, or 9-channel audio.
  • an audio signal having a large number of channels such as the first audio signal 105 and the fourth audio signal 145
  • An audio signal having a small number of channels as shown in (135) may be referred to as a small-channel audio signal.
  • the number of channels of the small-channel audio signal is smaller than the number of channels included in the multi-channel audio signal.
  • the first encoding 120 and the first decoding 130 are performed on the second audio signal 115 having a smaller number of channels compared to the first audio signal 105 as a target, multi-channel audio
  • the encoding/decoding of the first audio signal 105 is possible even with a codec that does not support encoding/decoding of the signal.
  • n and m are natural numbers, and m is less than n. In another example, n and m may be rational numbers.
  • the audio data obtained as a result of the AI encoding 110 is received, the third audio signal 135 of m channel is obtained through the first decoding 130, and the third audio signal 135 is applied to the AI A fourth audio signal 145 of n channels is obtained by decoding 140 .
  • the first audio signal 105 is AI downscaled to obtain the small-channel second audio signal 115 .
  • the third audio signal 135 is AI-upscaled to obtain the multi-channel fourth audio signal 145 . That is, since the number of channels of the first audio signal 105 is decreased through the AI encoding 110 and the number of channels of the third audio signal 135 is increased through the AI decoding 140, the first It is necessary to minimize the difference between the audio signal 105 and the fourth audio signal 145 .
  • a frequency characteristic signal is used to compensate for a change in the number of channels occurring in the AI encoding 110 process and the AI decoding 140 process.
  • the frequency characteristic signal represents the correlation between channels of the first audio signal 105, and in the AI decoding 140 process, the fourth audio signal 145 identical to/similar to the first audio signal 105 based on the frequency characteristic signal. ) can be restored.
  • AI for the AI encoding 110 and AI decoding 140 may be implemented as a deep neural network (DNN).
  • DNN deep neural network
  • the DNNs for the AI encoding 110 and the AI decoding 140 are jointly trained through sharing of loss information, so the first audio signal 105 and the fourth audio signal 145 ) can be minimized.
  • the first encoding 120 and the first decoding 130 shown in FIG. 1 will be described in detail.
  • the AI downscaled second audio signal 115 from the first audio signal 105 is the first encoding 120 .
  • the first encoding 120 includes a process of transforming the second audio signal 115 into a frequency domain, a process of quantizing the signal converted into the frequency domain, and a process of entropy encoding the quantized signal.
  • the first encoding 120 process as described above may be implemented through one of the audio signal compression methods using frequency conversion, such as the AAC (Advanced Audio Coding) standard and the OPUS standard.
  • the third audio signal 135 corresponding to the second audio signal 115 may be restored through the first decoding 130 of the audio data.
  • the first decoding 130 may include a process of generating a quantized signal by entropy-decoding audio data, a process of inverse quantizing the quantized signal, and a process of converting a frequency domain signal into a time domain signal. .
  • Such a first decoding 130 process may be implemented through an audio signal restoration method corresponding to one of the audio signal compression methods using frequency conversion, such as the AAC standard and the OPUS standard used in the first encoding 120 process.
  • Audio data obtained through an audio encoding process includes a frequency characteristic signal.
  • the frequency characteristic signal is used to reconstruct the fourth audio signal 145 that is identical/similar to the first audio signal 105 .
  • Audio data may be transmitted in the form of a bitstream.
  • the audio data may include data obtained based on sample values in the second audio signal 115 , for example, quantized sample values of the second audio signal 115 .
  • the audio data may include information used in the process of the first encoding 120 of the second audio signal 115 , for example, prediction mode information and quantization parameter related information.
  • Audio data may be generated according to a rule, for example, a syntax, of an audio signal compression method used in the first encoding 120 process among audio signal compression methods using frequency conversion, such as the AAC standard and the OPUS standard.
  • FIG. 2 is a block diagram illustrating a configuration of an encoding apparatus 200 according to an embodiment.
  • the encoding apparatus 200 includes an AI encoder 210 and a first encoder 230 .
  • the AI encoder 210 may include a transform unit 212 , a feature extractor 214 , and an AI downscaler 216 .
  • the encoding apparatus 200 according to an embodiment may further include a legacy downscaling unit 250 .
  • FIG. 2 shows the AI encoder 210, the first encoder 230, and the legacy downscaler 250 as separate components, but the AI encoder 210, the first encoder 230 and the legacy downscaler
  • the scale unit 250 may be implemented through one processor. In this case, it may be implemented as a dedicated processor or may be implemented through a combination of software and a general-purpose processor such as an application processor (AP), a central processing unit (CPU), or a graphic processing unit (GPU). Also, in the case of a dedicated processor, a memory for implementing an embodiment of the present disclosure or a memory processing unit for using an external memory may be included.
  • AP application processor
  • CPU central processing unit
  • GPU graphic processing unit
  • the AI encoder 210 , the first encoder 230 , and the legacy downscaler 250 may include a plurality of processors. In this case, it may be implemented as a combination of dedicated processors, or may be implemented through a combination of software and a plurality of general-purpose processors such as an AP, CPU, or GPU.
  • the conversion unit 212 , the feature extraction unit 214 , and the AI downscale unit 216 may also be implemented with different processors.
  • the AI encoder 210 obtains a second audio signal 115 including m channels and a frequency characteristic signal from the first audio signal 105 including n channels.
  • n and m are natural numbers, and n is greater than m. In another example, n and m may be rational numbers.
  • the first audio signal 105 may be a High Order Ambisonics signal including n channels. Specifically, the first audio signal 105 may be a higher-order ambisonics signal including a zero-order signal and a plurality of first-order signals. A higher order ambisonic signal will be described with reference to FIG. 3 .
  • 3 is an exemplary diagram for describing signals included in a higher-order Ambisonics signal.
  • the higher-order ambisonics signal may include a 0-order signal corresponding to the W channel, a primary signal corresponding to the X channel, the Y channel, and the Z channel, and a secondary signal corresponding to the R channel and the S channel.
  • the high-order ambisonics signal may further include a third-order signal, a fourth-order signal, and the like.
  • the first audio signal 105 comprises a zero-order signal corresponding to the W channel and a signal higher than the zero-order (eg, primary signals corresponding to the X channel, Y channel, and Z channel). may include Depending on the implementation, the first audio signal 105 may include a primary signal and signals of higher order than the primary signal.
  • the second audio signal 115 may be any one of a stereo signal and a mono signal.
  • the second audio signal 115 is output to the first encoder 230 , and the frequency characteristic signal is output from the characteristic extractor 214 to the AI downscaler 216 , or the first It may be output to the encoder 230 .
  • the AI encoder 210 may acquire the frequency characteristic signal and the second audio signal 115 based on AI.
  • AI may mean processing by DNN.
  • the AI encoder 210 may obtain a frequency characteristic signal using the first DNN and obtain a second audio signal 115 using the second DNN.
  • the AI encoder 210 obtains not only AI downscaling for reducing the number of channels of the first audio signal 105 but also a frequency characteristic signal indicating characteristics of each channel of the first audio signal 105 .
  • the second audio signal 115 and the frequency characteristic signal are signaled to the decoding device 900 through a predetermined process, and the decoding device 900 uses the frequency characteristic signal to obtain a second audio signal identical/similar to the first audio signal 105 . 4
  • the audio signal 145 may be restored.
  • the AI encoder 210 will be described in detail, and the transform unit 212 converts the first audio signal 105 from the time domain to the frequency domain to obtain the first audio signal in the frequency domain.
  • the transform unit 212 may convert the first audio signal 105 into a first audio signal in the frequency domain according to various transformation methods such as Short Time Fourier Transform (STFT).
  • STFT Short Time Fourier Transform
  • the first audio signal 105 includes samples classified according to a channel and time, and the first audio signal in a frequency domain includes samples classified according to a channel, time, and a frequency bin.
  • the frequency bin means a kind of frequency index indicating which frequency (or frequency band) each sample has a value corresponding to.
  • the characteristic extractor 214 obtains a frequency characteristic signal from the first audio signal in the frequency domain through the first DNN.
  • the frequency characteristic signal indicates the correlation between channels of the first audio signal 105
  • the decoding apparatus 900 which will be described later, uses the frequency characteristic signal to obtain a second audio signal identical/similar to the first audio signal 105 . 4 audio signals 145 may be obtained.
  • the characteristic extractor 214 obtains a frequency characteristic signal in which the number of samples is smaller than that of the first audio signal in the frequency domain.
  • the reason for obtaining the frequency characteristic signal is to compensate for a signal loss due to a change in the number of channels due to AI downscaling, to enable encoding by the first encoder 230 , and to reduce the number of bits of audio data.
  • the correlation between channels of the first audio signal 105 may be recognized from the first audio signal in the frequency domain, but since the first audio signal in the frequency domain also has n channels like the first audio signal 105 , the first It is not subject to encoding and becomes a factor in increasing the number of bits of audio data due to its large size.
  • the characteristic extractor 214 reduces the number of bits of audio data by obtaining a frequency characteristic signal in which the number of samples is reduced compared to the first audio signal in the frequency domain, and at the same time provides the decoding apparatus 900 to the first audio signal. Inter-channel correlation of 105 may be signaled.
  • the AI downscaler 216 obtains a second audio signal 115 by processing the first audio signal 105 as a second DNN.
  • the number of channels of the second audio signal 115 is smaller than the number of channels of the first audio signal 105 .
  • the first encoder 230 does not support the encoding of the first audio signal 105 , but may support the encoding of the second audio signal 115 .
  • the first audio signal 105 may be 4-channel ambisonic audio
  • the second audio signal 115 may be stereo audio
  • the first audio signal 105 and the second audio signal ( 115) is not limited to 4 channels and 2 channels, respectively.
  • the AI downscaling unit 216 When the frequency characteristic signal obtained by the characteristic extraction unit 214 is output to the AI downscaling unit 216, the AI downscaling unit 216 performs frequency characteristics during processing of the first audio signal 105 through the second DNN. Embedding the signal. A process of embedding the frequency characteristic signal will be described later with reference to FIGS. 6 to 8 .
  • the first encoder 230 may first encode the second audio signal 115 output from the AI downscaler 216 to reduce the amount of information included in the second audio signal 115 .
  • Audio data may be obtained as a result of the first encoding by the first encoder 230 .
  • Audio data may be expressed in the form of a bitstream, and may be transmitted to the decoding apparatus 900 through a network. Audio data may be referred to as an output audio signal.
  • the first encoder 230 When the frequency characteristic signal is output from the characteristic extractor 214 to the first encoder 230 , the first encoder 230 first encodes the frequency characteristic signal together with the second audio signal 115 .
  • the frequency characteristic signal since the frequency characteristic signal may have n channels like the first audio signal 105 , it may be included in an additional region of a bitstream corresponding to audio data instead of a frequency transformation-based encoding method.
  • the frequency characteristic signal may be included in a payload region or a user defined region of audio data.
  • the encoding apparatus 200 may further include a legacy downscaling unit 250 .
  • the legacy downscaling unit 250 performs legacy downscaling of the first audio signal 105 to Acquire the audio signal of the channel.
  • the small-channel audio signal may have m channels, like the second audio signal 115 .
  • the small-channel audio signal may be summed with the audio signal output from the AI downscaler 216 , and a second audio signal 115 obtained as a result of the summing may be input to the first encoder 230 .
  • the legacy downscaling unit 250 may obtain a small-channel audio signal by using at least one of several algorithms for reducing the number of channels of the first audio signal 105 .
  • the first audio signal 105 is 4-channel audio including a W-channel signal, an X-channel signal, a Y-channel signal, and a Z-channel signal
  • a W-channel signal, an X-channel signal, a Y-channel signal, and a Z-channel signal Two or more signals may be combined to obtain a small-channel audio signal.
  • the W channel signal represents the sum of the intensities of the omnidirectional sound sources
  • the X channel signal represents the difference in intensity between the front and rear sound sources
  • the Y channel signal represents the difference in the intensity of the left and right sound sources
  • the Z channel signal represents the intensity of the upper and lower sound sources.
  • the legacy downscaler 250 converts a signal obtained by subtracting a Y channel signal from a W channel signal into an L (left) channel signal, and sums the W channel signal and the Y channel signal.
  • One signal may be acquired as an R (right) channel signal.
  • the legacy downscaler 250 may obtain a small-channel audio signal through UHJ encoding.
  • the small-channel audio signal corresponds to a prediction version of the second audio signal 115
  • the audio signal output from the AI downscaler 216 is a residual version of the second audio signal 115 . version) corresponds to That is, by adding the small-channel audio signal corresponding to the prediction version of the second audio signal 115 to the audio signal output from the AI downscaler 216 in the form of a skip connection, , it is possible to reduce the number of layers of the second DNN.
  • a first DNN for extracting a frequency characteristic signal and a second DNN for AI downscaling the first audio signal 105 will be described with reference to FIGS. 4 to 8 .
  • FIG. 4 is a diagram for explaining the first DNN 400 according to an embodiment.
  • the first DNN 400 may include at least one convolution layer and at least one reshape layer.
  • the convolutional layer obtains characteristic data by processing input data with a filter of a predetermined size.
  • the parameters of the filter of the convolutional layer may be optimized through a training process to be described later.
  • the reshaping layer changes the size of the input data by changing the positions of the samples of the input data.
  • the first audio signal 107 in the frequency domain is input to the first DNN 400 .
  • the first audio signal 107 in the frequency domain comprises samples divided into channels, time and frequency bins. That is, the first audio signal 107 in the frequency domain may be 3D data of samples. Each sample of the first audio signal 107 in the frequency domain may be a frequency coefficient obtained as a result of frequency conversion.
  • the magnitude of the first audio signal 107 in the frequency domain is (32, 4, 512), which means that the time length of the first audio signal 107 in the frequency domain is 32, and the number of channels is 4, indicating that the number of frequency bins is 512.
  • a time length of 32 means that the number of frames is 32, and each frame corresponds to a predetermined time period (eg, 5 ms). That the size of the first audio signal 107 in the frequency domain is (32, 4, 512) is only an example, and the size of the first audio signal 107 in the frequency domain or input/output of each layer depends on an implementation example.
  • the magnitude of the signal may be variously changed.
  • the first convolutional layer 410 processes the first audio signal 107 in the frequency domain with a filters having a size of 3x1. As a result of processing the first convolutional layer 410 , a characteristic signal 415 having a magnitude of (32, 4, a) may be obtained.
  • the second convolutional layer 420 processes a signal input through b filters having a size of 3x1. As a result of processing the second convolutional layer 420 , a characteristic signal 425 having a size of (32, 4, b) may be obtained.
  • the third convolutional layer 430 processes a signal input through four filters having a size of 3x1. As a result of the processing of the third convolutional layer 430 , a characteristic signal 435 having a magnitude of (32, 4, 4) may be obtained.
  • the reshaping layer 440 obtains the frequency characteristic signal 109 of the (128, 4) magnitude by changing the characteristic signal 435 of the (32, 4, 4) magnitude.
  • the reshaping layer 440 moves samples specified as the second to fourth frequency bins among the samples of the characteristic signal 435 having a magnitude of (32, 4, 4) in the time axis direction to (128, 4) It is possible to obtain the frequency characteristic signal 109 of the magnitude.
  • the first DNN 400 has the same number of channels as the first audio signal 107 in the frequency domain, but the number of samples of each channel in a predetermined time interval is the first audio signal in the frequency domain A frequency characteristic signal (109) less than (107) is obtained.
  • 4 shows that the first DNN 400 includes three convolutional layers and one reshaping layer, but this is only an example, and the number of channels and the first audio signal 107 in the frequency domain is the same , if it is possible to obtain a frequency characteristic signal 109 in which the number of samples is less than that of the first audio signal 107 in the frequency domain, the number of convolutional layers and reshaping layers included in the first DNN 400 may vary. can be deformed. Similarly, the reshaping layer may be replaced with a convolutional layer, and the number and size of filters used in each convolutional layer may be variously changed.
  • FIG. 5 is a diagram comparing the first audio signal 107 and the frequency characteristic signal 109 of the frequency domain shown in FIG. 4 .
  • Each sample of the first audio signal 107 in the frequency domain is divided according to a frame (ie time), a frequency bin and a channel. Referring to FIG. 5 , k samples exist in the first channel during the first frame.
  • the number of samples per channel during a predetermined time period is less than that of the first audio signal 107 in the frequency domain.
  • the number of samples of each channel during a predetermined time period may be one.
  • the number of samples belonging to the first channel during the first frame may be one.
  • Samples of the frequency characteristic signal 109 may be representative values of a plurality of frequency bands of a specific channel during a predetermined time period.
  • the representative value of the fourth channel during the first frame that is, the sample value 0.5
  • the sample value 0.5 may be a representative value of frequency bands corresponding to the first to kth frequency bins of the fourth channel during the first frame.
  • the frequency characteristic signal 109 may indicate the correlation between channels of the first audio signal 105 , specifically, the correlation between channels in the frequency domain of the first audio signal 105 .
  • that the sample value of the third channel during the first frame of the frequency characteristic signal 109 is 0 means that samples of the third channel signal during the first frame of the first audio signal 107 in the frequency domain; That is, it may mean that the frequency coefficients are 0.
  • sample value of the first channel is 0.5 and the sample value of the second channel is 0.2 during the first frame of the frequency characteristic signal 109 means that during the first frame of the first audio signal 107 in the frequency domain, It may mean that there are more non-zero frequency components in the first channel signal, that is, non-zero frequency coefficients in the second channel signal.
  • the correlation between channels is signaled to the decoding apparatus 900 by using the frequency characteristic signal 109 in which the number of samples is smaller than that of the first audio signal 107 in the frequency domain, the correlation between channels is signaled in the frequency domain. It is possible to reduce the number of bits of audio data compared to the case of using the first audio signal 107 itself.
  • FIG. 6 is a diagram for explaining the second DNN 600 according to an embodiment.
  • the second DNN 600 includes at least one convolutional layer and at least one reshaping layer.
  • At least one convolution layer included in the second DNN 600 may be a one-dimensional convolution layer, unlike the two-dimensional convolution layer of the first DNN 400 .
  • the difference is that for a one-dimensional convolutional layer, the filter moves only transversely or longitudinally along the stride for convolution processing, whereas the filter of a two-dimensional convolutional layer moves transversely and longitudinally along the stride.
  • the first audio signal 105 is input to the second DNN 600 .
  • the samples of the first audio signal 105 are divided into time and channel. That is, the first audio signal 105 may be 2D data.
  • the first convolutional layer 610 convolutionally processes the first audio signal 105 using a number of filters of a size of 33 .
  • the size of the filter of the first convolutional layer 610 is 33
  • the horizontal size of the filter is 33
  • the vertical size is the vertical size of the input signal, that is, the vertical size of the first audio signal 105 (the number of channels).
  • a characteristic signal 615 having a magnitude of (128, a) is output.
  • the second convolutional layer 620 receives the output signal of the first convolutional layer 610 and processes the inputted signal through b filters having a size of 33 . As a result of the processing, an audio characteristic signal 625 having a magnitude of (128, b) may be obtained.
  • the magnitude of the audio characteristic signal 625 may be (128, b-4) according to a combination method of the frequency characteristic signal 109, which will be described later.
  • the frequency characteristic signal 109 may be embedded during the processing of the second DNN 600 for the first audio signal 105 . As shown in FIG. 6 , the frequency characteristic signal 109 is an audio characteristic signal. 625 may be combined, and an integrated characteristic signal 628 obtained as a result of combining may be input to a next layer.
  • FIG. 7 and 8 are diagrams for explaining a method of combining the audio characteristic signal 625 and the frequency characteristic signal 109 .
  • samples of a predetermined number (4 in FIG. 7 ) of channels in the audio characteristic signal 625 may be replaced with samples of the frequency characteristic signal 109 .
  • the channels of the audio characteristic signal 625 to be replaced may include a predetermined number of channels continuous from the first channel or a predetermined number of channels continuous from the last channel among the channels of the audio characteristic signal 625 .
  • the frequency characteristic signal 109 has four channels, the samples from the first channel to the fourth channel of the audio characteristic signal 625 are replaced with samples of the frequency characteristic signal 109, so that the integrated characteristic A signal 628 may be obtained.
  • the frequency characteristic signal 109 may be added to the audio characteristic signal 625 . That is, if the audio characteristic signal 625 has b-4 channels and the frequency characteristic signal 109 has 4 channels, adding the frequency characteristic signal 109 to the audio characteristic signal 625 results in b channels.
  • An integrated characteristic signal 628 with The frequency characteristic signal 109 may be added before the first channel of the audio characteristic signal 625 or may be added after the last channel of the audio characteristic signal 625 .
  • the reason for combining the frequency characteristic signal 109 to the front part or the rear part of the audio characteristic signal 625 in FIGS. 7 and 8 is to enable the decoding device 900 to easily separate the frequency characteristic signal from the integrated characteristic signal. it is for
  • the integrated characteristic signal 628 is input to the reshaping layer 630 .
  • the integrated characteristic signal 628 having a magnitude of (128, b) may be changed to a characteristic signal 635 having a magnitude of (16384, 2) through the reshaping layer 630 .
  • the output signal 635 of the reshaping layer 630 is input to the third convolutional layer 640 .
  • the third convolutional layer 640 convolutionally processes the input signal through two filters of size 1 to obtain a second audio signal 115 of size (16384, 2).
  • the size of the second audio signal 115 of (16384, 2) means that the second audio signal 115 is a stereo signal of 16384 frames having two channels. According to an embodiment, when the second audio signal 115 is a mono signal, the magnitude of the second audio signal 115 may be (16384, 1).
  • the second DNN 600 has a time length equal to the time length of the first audio signal 105 , and a second audio signal having a number of channels less than the number of channels of the first audio signal 105 . (115) is output. If the second DNN 600 is capable of outputting the second audio signal 115 , the second DNN 600 may have various structures other than the structure shown in FIG. 6 . In other words, although FIG. 6 shows that the second DNN 600 includes three convolutional layers and one reshaping layer, this is only an example, and a time equal to the time length of the first audio signal 105 .
  • the convolutional layer and the reshaping layer included in the second DNN 600 are The number of may be variously modified. Similarly, the reshaping layer may be replaced with a convolutional layer, and the number and size of filters used in each convolutional layer may be variously changed.
  • the encoding apparatus 200 may transmit audio data obtained through AI encoding and first encoding to the decoding apparatus 900 through a network.
  • the audio data may be stored in a hard disk, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks.
  • a data storage medium including
  • FIG. 9 is a block diagram illustrating a configuration of an audio decoding apparatus 900 according to an embodiment.
  • the decoding apparatus 900 includes a first decoding unit 910 and an AI decoding unit 930 .
  • the AI decoding unit 930 may include a weight signal obtaining unit 912 , an AI upscaling unit 914 , and a combining unit 916 .
  • the first decoding unit 910 and the AI decoding unit 930 may be implemented through one processor.
  • it may be implemented as a dedicated processor or may be implemented through a combination of software and a general-purpose processor such as an application processor (AP), a central processing unit (CPU), or a graphic processing unit (GPU).
  • AP application processor
  • CPU central processing unit
  • GPU graphic processing unit
  • a dedicated processor a memory for implementing an embodiment of the present disclosure or a memory processing unit for using an external memory may be included.
  • the first decoding unit 910 and the AI decoding unit 930 may include a plurality of processors. In this case, it may be implemented as a combination of dedicated processors, or may be implemented through a combination of software and a plurality of general-purpose processors such as an AP, CPU, or GPU.
  • the weight signal obtaining unit 912 , the AI upscaling unit 914 , and the combining unit 916 may also be implemented with different processors.
  • the first decoder 910 obtains audio data. Audio data obtained by the first decoder 910 may be referred to as an input audio signal. Audio data may be received via a network, hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks. medium) may be obtained from a data storage medium including
  • the first decoding unit 910 first decodes the audio data. As a result of the first decoding of the audio data, a third audio signal 135 is obtained, and the third audio signal 135 is output to the AI upscaler 914 . Like the second audio signal 115 , the third audio signal 135 may include m channels.
  • the frequency characteristic signal when the frequency characteristic signal is included in the additional region of the audio data, the frequency characteristic signal is restored through the first decoding of the audio data.
  • the frequency characteristic signal When the frequency characteristic signal is embedded in the third audio signal 135 , the frequency characteristic signal may be obtained through processing by the fourth DNN of the AI upscaling unit 914 .
  • the AI decoder 930 reconstructs the fourth audio signal 145 including n channels based on the third audio signal 135 and the frequency characteristic signal.
  • the decoder 930 obtains a weight signal for compensating for signal loss from the frequency characteristic signal.
  • the weight signal obtaining unit 912 obtains the weight signal of the n channel by processing the frequency characteristic signal of the n channel through the third DNN.
  • the time length of the weight signal is the same as the time length of the intermediate audio signal obtained through the AI upscaling unit 914, and may be greater than the time length of the frequency characteristic signal.
  • the sample values included in the weight signal are weights to be applied to each of the samples of the intermediate audio signal obtained through the AI upscaling unit 914, and are the values of the first audio signal 105 for sample values of each channel of the intermediate audio signal. It is used to reflect the correlation between channels.
  • the third DNN of the weight signal obtaining unit 912 will be described with reference to FIG. 10 .
  • FIG. 10 is a diagram for explaining the third DNN 1000 according to an embodiment.
  • the third DNN 1000 may include at least one convolutional layer and at least one reshaping layer.
  • the convolutional layer included in the third DNN 1000 may be a two-dimensional convolutional layer.
  • the frequency characteristic signal 136 is input to the third DNN 1000 , and a weight signal 137 is obtained through processing in the third DNN 1000 .
  • the magnitude of the frequency characteristic signal 136 is (128, 4), which means that the frequency characteristic signal 136 has 4 channels of 128 frames.
  • the first convolutional layer 1010 obtains the characteristic signal 1015 of the size (128, 4, a) by processing the frequency characteristic signal 136 with a filter having a size of 3x1.
  • the second convolutional layer 1020 obtains a characteristic signal 1025 of size (128, 4, b) by processing the input signal through b filters of size 3x1.
  • the third convolutional layer 1030 obtains a characteristic signal 1035 of size (128, 4, 128) by processing the input signal through 128 filters of size 3x1.
  • the reshaping layer 1040 acquires the weight signal 137 of the (16384, 4) size by changing the positions of the samples in the characteristic signal 1035 of the (128, 4, 128) size. For example, the reshaping layer 1040 moves the samples of the second frequency bin to the 128th frequency bin among samples in the characteristic signal 1035 having a size of (128, 4, 128) on the time axis (16384, 4 ), a weight signal 137 of the magnitude may be obtained.
  • the third DNN 1000 obtains a weight signal 137 having the same time length and channel as the time length and channel of the intermediate audio signal output by the AI upscaling unit 914 . Accordingly, if the third DNN 1000 is capable of outputting the weight signal 137 , the third DNN 1000 may have various structures other than the structure shown in FIG. 10 . In other words, although FIG. 10 shows that the third DNN 1000 includes three convolutional layers and one reshaping layer, this is only an example, and a time length equal to the time length and channel of the intermediate audio signal and If the weight signal 137 having a channel can be obtained, the number of convolutional layers and reshaping layers included in the third DNN 1000 may be variously modified. Similarly, the reshaping layer may be replaced with a convolutional layer, and the number and size of filters used in each convolutional layer may be variously changed.
  • the first DNN 400 obtains the frequency characteristic signal 109 from the first audio signal 107 in the frequency domain converted from the first audio signal 105 to obtain a frequency characteristic signal 109, a weight signal obtaining unit 912 It can be seen that does not inversely transform the frequency characteristic signal 136 or the weight signal 137 into the time domain. This is to prevent delay due to inverse transformation in the server-client structure. In other words, the delay due to inverse transformation is removed for fast content consumption by the client terminal receiving the audio signal from the server in a streaming manner.
  • FIG. 11 is a diagram for explaining a fourth DNN 1100 according to an embodiment.
  • the fourth DNN 1100 may include at least one convolutional layer and at least one reshaping layer.
  • the convolutional layer of the fourth DNN 1100 may be a one-dimensional convolutional layer.
  • the third audio signal 135 is input to the fourth DNN 1100 and AI-upscaled to the intermediate audio signal 138 through processing in the fourth DNN 1100 .
  • the size of the third audio signal 135 is (16384, 2), which means that the third audio signal 135 has two channels of 16384 frames.
  • the first convolutional layer 1110 obtains a characteristic signal 1115 of a size (4096, a) by processing the third audio signal 135 with a filters of size 33.
  • the second convolutional layer 1120 obtains an integrated characteristic signal 1128 of size (128, b) by processing the input signal through b filters of size 33.
  • the fourth DNN 1100 is an integrated characteristic signal 1128 that is the same as/similar to the integrated characteristic signal 628 obtained during the processing of the first audio signal 105 by the second DNN 600 through a training process to be described later. may be trained to output through the second convolutional layer 1120 .
  • the frequency characteristic signal 136 is extracted from the integrated characteristic signal 1128 . Specifically, among the channels of the integrated characteristic signal 1128 , samples of a predetermined number of channels continuous from the first channel or a predetermined number of continuous channels from the last channel may be extracted as the frequency characteristic signal 136 . As described above, the frequency characteristic signal 136 is transmitted to the weight signal obtaining unit 912 .
  • the third convolutional layer 1130 processes the signal input through the c filters of size 33 (eg, the audio characteristic signal 1125 separated from the integrated characteristic signal 1128) to have a size of (256, c). A characteristic signal 1135 is obtained.
  • the reshaping layer outputs the intermediate audio signal 138 of the (16384, 4) size by changing the positions of the samples in the characteristic signal 1135 of the (256, c) size.
  • the fourth DNN 1100 obtains the intermediate audio signal 138 having the same time length and channel as the time length and channel of the first audio signal 105 . Accordingly, if it is the fourth DNN 1100 capable of outputting the intermediate audio signal 138 , the fourth DNN 1100 may have various structures other than the structure shown in FIG. 11 . In other words, although FIG. 11 shows that the fourth DNN 1100 includes three convolutional layers and one reshaping layer, this is only an example, and the time length and channel of the first audio signal 105 and If the intermediate audio signal 138 having the same time length and channel can be obtained, the number of convolutional layers and reshaping layers included in the fourth DNN 1100 may be variously modified. Similarly, the reshaping layer may be replaced with a convolutional layer, and the number and size of filters used in each convolutional layer may be variously changed.
  • the weight signal output by the weight signal obtaining unit 912 and the intermediate audio signal output by the AI upscaling unit 914 are input to the combining unit 916 , and the combining unit 916 .
  • the combining unit 916 may obtain the fourth audio signal 145 by applying the samples of the weight signal to the samples of the intermediate audio signal.
  • the combiner 916 may obtain the fourth audio signal 145 by multiplying sample values of the intermediate audio signal and sample values of the weight signal by 1:1 between samples corresponding to each other.
  • the third audio signal 135 may be obtained by first decoding audio data.
  • the legacy decoding apparatus may output the third audio signal 135 for reproduction by a speaker. That is, audio data obtained as a result of the first encoding of the second audio signal 115 according to an embodiment is performed by both the audio decoding apparatus 900 that performs the AI decoding function and the legacy decoding apparatus that does not perform the AI decoding. It can have backwards compatibility that can be used.
  • FIG. 12 is a diagram for explaining a training method of the first DNN 400 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 .
  • FIG. 12 shows a training method for a second DNN 600 embedding a frequency characteristic signal in a second audio signal 115 .
  • the first training signal 1201 corresponds to the first audio signal 105
  • the second training signal 1205 corresponds to the second audio signal 115
  • the third training signal 1206 corresponds to the third audio signal 135
  • the fourth training signal 1210 corresponds to the fourth audio signal 145 .
  • a frequency domain training signal 1202 is obtained through the frequency transformation 1220 on the first training signal 1201 , and the frequency domain training signal 1202 is input to the first DNN 400 .
  • the first DNN 400 processes the frequency domain training signal 1202 according to preset parameters to obtain a frequency characteristic signal 1203 for training.
  • the frequency characteristic signal for training 1203 is input to the second DNN 600 together with the first training signal 1201, and the frequency characteristic signal for training 1203 is embedded in the second DNN 600 through preset parameters.
  • a second training signal 1205 is obtained.
  • the second training signal 1205 is changed to the third training signal 1206 through the first encoding and first decoding 1250 .
  • training audio data is obtained through the first encoding of the second training signal 1205
  • the third training signal 1206 is obtained through the first decoding of the training audio data.
  • the third training signal 1206 is input to the fourth DNN 1100 .
  • the fourth DNN 1100 obtains a frequency characteristic signal 1207 for training and an intermediate audio signal 1209 for training from the third training signal 1206 through preset parameters.
  • the third DNN 1000 obtains a training weight signal 1208 by processing the training frequency characteristic signal 1207 through a preset parameter.
  • a fourth training signal 1210 is obtained as the training weight signal 1208 and the training intermediate audio signal 1209 are defective.
  • the training frequency characteristic signal 1203 obtained by the first DNN 400 is input to the training DNN 1240 , and the training DNN 1240 is the training frequency by the first DNN 400 .
  • This is a DNN for verifying whether the characteristic signal 1203 is correctly generated.
  • the training DNN 1240 may have a mirror structure of the first DNN 400 .
  • the training DNN 1240 reconstructs the frequency domain training signal 1204 by processing the training frequency characteristic signal 1203 .
  • generation loss information (LossDG) 1260 is obtained
  • the generation loss information (LossDG) 1260 is an L1-norm value between the frequency domain training signal 1202 obtained through the frequency transform 1220 and the frequency domain training signal 1204 obtained by the DNN 1240 for training.
  • Video Multimethod Assessment Fusion may include at least one of the values.
  • the generation loss information 1260 may be expressed by Equation 1 below.
  • Equation 1 F( ) denotes the frequency transformation 1220 , and A nch denotes the first training signal 1201 .
  • D( ) denotes processing by the training DNN 1240 , and
  • C Embed denotes the training frequency characteristic signal 1203 .
  • the generation loss information 1260 is a frequency domain training signal similar to the frequency domain training signal 1202 obtained through the frequency transformation 1220 by the training DNN 1240 processing the training frequency characteristic signal 1203 to some extent. Indicates whether (1204) has been generated.
  • the first training signal 1201 is changed to a small-channel training signal through the legacy downscale 1230, and according to the comparison result of the small-channel training signal and the second training signal 1205, down loss information (LossDown) ( 1270) is obtained.
  • Down loss information (LossDown) 1270 is a small-channel audio signal and the second training signal 1205 between the L1-norm value, L2-norm value, SSIM (Structural Similarity) value, PSNR-HVS (Peak Signal-To) It may include at least one of a Noise Ratio-Human Vision System) value, a Multiscale SSIM (MS-SSIM) value, a Variance Inflation Factor (VIF) value, and a Video Multimethod Assessment Fusion (VMAF) value.
  • the down loss information 1270 may be expressed by Equation 2 below.
  • Equation 2 ⁇ is a predetermined weight, S mch is the second training signal 1205, and S Label indicates a small-channel training signal. And, F( ) represents frequency conversion.
  • the down loss information 1270 indicates to what extent the second training signal 1205 embedding the training frequency characteristic signal 1203 is similar to the small-channel training signal obtained through the legacy downscaling 1230 .
  • the quality of the third training signal 1206 may be improved as the second training signal 1205 is similar to the small-channel training signal. In particular, the quality of a signal reconstructed by the legacy decoding apparatus may be improved.
  • Up loss information (LossUp) 1280 is obtained according to a comparison result of the first training signal 1201 and the fourth training signal 1210 .
  • Up loss information (LossUp) (1280) is between the first training signal 1201 and the fourth training signal 1210 L1-norm value, L2-norm value, SSIM (Structural Similarity) value, PSNR-HVS (Peak Signal) It may include at least one of a -To-Noise Ratio-Human Vision System) value, a Multiscale SSIM (MS-SSIM) value, a Variance Inflation Factor (VIF) value, and a Video Multimethod Assessment Fusion (VMAF) value.
  • the up loss information 1280 may be expressed by Equation 3 below.
  • Equation 3 ⁇ is a predetermined weight, A nch is the first training signal 1201 , and A pnch is the fourth training signal 1210 . And, F( ) represents frequency conversion.
  • the up-loss information 1280 indicates to what extent accurately the training weight signal 1208 and the training intermediate audio signal 1209 are generated.
  • Matching loss information (LossM) ( 1290) is obtained.
  • Matching loss information (LossM) 1290 is an L1-norm value, an L2-norm value, a Structural Similarity (SSIM) value, and a Peak Signal-To-Noise (PSNR-HVS) value between the two training frequency characteristic signals 1203 and 1207. It may include at least one of a Ratio-Human Vision System) value, a Multiscale SSIM (MS-SSIM) value, a Variance Inflation Factor (VIF) value, and a Video Multimethod Assessment Fusion (VMAF) value.
  • the matching loss information 1290 may be expressed by Equation 4 below.
  • Equation 4 C Embed represents the training frequency characteristic signal 1203 embedded in the second training signal 1205 , and C Extract represents the training frequency characteristic signal 1207 extracted by the fourth DNN 1100 . indicates.
  • the matching loss information 1290 indicates how similar the integrated characteristic signal output from the fourth DNN 1100 is to the integrated characteristic signal obtained through the second DNN 600 .
  • the two frequency characteristic signals are also similar.
  • the first DNN 400 , the second DNN 600 , the third DNN 1000 and the fourth DNN 1100 are generated loss information 1260 , down loss information 1270 , up loss information 1280 and matching
  • the parameter may be updated so that final loss information obtained by combining at least one of the loss information 1290 is reduced or minimized.
  • the first DNN 400 and the training DNN 1240 may update parameters so that the generation loss information 1260 is reduced or minimized.
  • the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are final obtained as a result of combining the down loss information 1270 , the up loss information 1280 , and the matching loss information 1290 .
  • the parameter may be updated so that loss information is reduced or minimized.
  • the training of the first DNN 400 and the training DNN 1240 is expressed as an equation as follows.
  • Phase1 represents a parameter set of the first DNN 400 and the training DNN 1240 .
  • the first DNN 400 and the training DNN 1240 obtain a parameter set that minimizes the generation loss information (LossDG) 1260 through training.
  • LossDG generation loss information
  • the training of the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 is expressed as an equation as follows.
  • Phase2 represents the parameter sets of the second DNN 600 , the third DNN 1000 and the fourth DNN 1100 , and ⁇ and denotes a preset weight.
  • the second DNN 600 , the third DNN 1000 and the fourth DNN 1100 are down loss information (LossDown) 1270, up loss information (LossUp) 1280 and matching loss information (LossM) through training
  • a parameter set that minimizes the final loss information by combining (1290) according to a preset weight is obtained.
  • training of the first DNN 400 and the training DNN 1240 and training of the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 may be alternately performed.
  • the first DNN 400 and the training DNN 1240 process the input signal according to the initially set parameters, and then update the parameters according to the generation loss information 1260 .
  • the first DNN 400 and the training DNN 1240 process the input signal according to the updated parameters, and the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are first
  • the input signal is processed according to the set parameters.
  • the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are among matching loss information 1290 , up loss information 1280 , and down loss information 1270 obtained as a result of processing the input signal. Update the parameter according to at least one.
  • the first DNN 400 and the training DNN 1240 update the parameters again. That is, according to an embodiment, the training of the first DNN 400 and the training DNN 1240 , and the training of the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are alternately performed. By doing so, it is possible to reliably train the parameters of each DNN to a higher level of accuracy.
  • 13 and 14 are flowcharts for explaining a training process of the first DNN 400 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 by the training apparatus 1300 .
  • the training of the first DNN 400 , the training DNN 1240 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 described in relation to FIG. 12 is performed by the training device 1300 .
  • the training apparatus 1300 may include a first DNN 400 , a training DNN 1240 , a second DNN 600 , a third DNN 1000 , and a fourth DNN 1100 .
  • the training apparatus 1300 may be, for example, the audio encoding apparatus 200 or a separate server.
  • the third DNN 1000 and the fourth DNN 1100 obtained as a result of training may be stored in the audio decoding apparatus 900 .
  • the training apparatus 1300 initially sets parameters of the first DNN 400 , the training DNN 1240 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 ( S1310 ).
  • the training apparatus 1300 inputs the frequency domain training signal 1202 obtained through the frequency transformation 1220 from the first training signal 1201 to the first DNN 400 (S1320).
  • the first DNN 400 outputs the training frequency characteristic signal 1203 to the training DNN 1240 ( S1330 ), and the training DNN 1240 transmits the reconstructed frequency domain training signal 1204 to the training device 1300 . ) to output (S1340).
  • the training device 1300 compares the frequency domain training signal 1202 obtained through the frequency transformation 1220 with the frequency domain training signal 1204 output from the DNN 1240 for training to calculate the generation loss information 1260 . do (S1350). Then, the first DNN 400 and the training DNN 1240 update parameters according to the generation loss information 1260 ( S1360 and S1370 ).
  • the training apparatus 1300 re-inputs the frequency domain training signal 1202 obtained through the frequency transformation 1220 from the first training signal 1201 to the first DNN 400 ( S1380 ).
  • the first DNN 400 processes the frequency domain training signal 1202 through the updated parameters and outputs the training frequency characteristic signal 1203 to the training apparatus 1300 and the second DNN 600 ( S1390 ).
  • the training apparatus 1300 inputs the first training signal 1201 to the second DNN 600 ( S1410 ), and the second DNN 600 is the training frequency characteristic signal 1203 and the second DNN 600 .
  • the first training signal 1201 is processed and the second training signal 1205 is output to the training apparatus 1300 (S1420).
  • the training apparatus 1300 acquires down loss information 1270 according to the comparison result of the legacy downscaled 1230 small-channel training signal from the first training signal 1201 and the second training signal 1205 (S1430) ).
  • the training apparatus 1300 inputs the third training signal 1206 obtained through the first encoding and the first decoding 1250 of the second training signal 1205 to the fourth DNN 1100 (S1440), and 4
  • the DNN 1100 outputs the training frequency characteristic signal 1207 to the third DNN 1000 and the training apparatus 1300 ( S1450 ).
  • the training apparatus 1300 compares the training frequency characteristic signal 1203 output by the first DNN 400 with the training frequency characteristic signal 1207 output by the fourth DNN 1100 in step S1390 and matches Loss information 1290 is calculated (S1460).
  • the fourth DNN 1100 outputs the training intermediate audio signal 1209 through the processing of the third training signal 1206 (S1470), and the third DNN 1000 processes the training frequency characteristic signal 1207 A training weight signal 1208 is output through (S1480).
  • the training device 1300 obtains a fourth training signal 1210 by combining the training intermediate audio signal 1209 and the training weight signal 1208 , the first training signal 1201 and the fourth training signal 1210 . ) to obtain up loss information 1280 (S1490).
  • the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are final obtained by combining at least one of the down loss information 1270 , the matching loss information 1290 , and the up loss information 1280 .
  • the parameters are updated according to the loss information (S1492, S1494, S1496).
  • the training apparatus 1300 performs the above-described step S1320 until the parameters of the first DNN 400 , the training DNN 1240 , the second DNN 600 , the third DNN 1000 and the fourth DNN 1100 are optimized. to S1496 may be repeated.
  • 15 is a diagram for explaining another training method of the first DNN 400 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 .
  • the first training signal 1501 corresponds to the first audio signal 105
  • the second training signal 1505 corresponds to the second audio signal 115
  • the third training signal 1506 corresponds to the third audio signal 135
  • the fourth training signal 1510 corresponds to the fourth audio signal 145 .
  • a frequency domain training signal 1502 is obtained through the frequency transformation 1520 on the first training signal 1501 , and the frequency domain training signal 1502 is input to the first DNN 400 .
  • the first DNN 400 processes the frequency domain training signal 1502 according to preset parameters to obtain a frequency characteristic signal 1503 for training.
  • the first training signal 1501 is input to the second DNN 600 , and the second DNN 600 obtains the second training signal 1505 through preset parameters.
  • the frequency characteristic signal for training 1503 and the second training signal 1505 are processed through first encoding and first decoding 1550 .
  • training audio data is obtained through the first encoding of the training frequency characteristic signal 1503 and the second training signal 1505, and the third training signal 1506 is obtained through the first decoding of the training audio data.
  • a frequency characteristic signal 1507 for training is obtained.
  • the frequency characteristic signal for training 1507 is input to the third DNN 1000
  • the third training signal 1506 is input to the fourth DNN 1100 .
  • the third DNN 1000 obtains a training weight signal 1508 by processing the training frequency characteristic signal 1507 through preset parameters.
  • the fourth DNN 1100 obtains an intermediate audio signal 1509 for training from the third training signal 1506 through preset parameters.
  • a fourth training signal 1510 is obtained as the training weight signal 1508 and the training intermediate audio signal 1509 are defective.
  • the training frequency characteristic signal 1503 obtained by the first DNN 400 is input to the training DNN 1540 , and the training DNN 1540 is the training frequency by the first DNN 400 .
  • This is a DNN for verifying whether the characteristic signal 1503 is correctly generated.
  • the training DNN 1540 may have a mirror structure of the first DNN 400 .
  • the training DNN 1540 reconstructs the frequency domain training signal 1504 by processing the training frequency characteristic signal 1503 .
  • generation loss information (LossDG) 1560 is is obtained.
  • the generation loss information (LossDG) 1560 is an L1-norm value between the frequency domain training signal 1502 obtained through the frequency transform 1520 and the frequency domain training signal 1504 obtained by the training DNN 1540 .
  • Video Multimethod Assessment Fusion may include at least one of the values.
  • the generation loss information 1560 may be expressed by Equation 1 described above.
  • the first training signal 1501 is changed to a small-channel training signal through the legacy downscale 1530, and according to the comparison result of the small-channel training signal and the second training signal 1505, down loss information (LossDown) ( 1570) is obtained.
  • Down loss information (LossDown) (1570) is a small-channel training signal and the second training signal (1505) between the L1-norm value, L2-norm value, SSIM (Structural Similarity) value, PSNR-HVS (Peak Signal-To) It may include at least one of a Noise Ratio-Human Vision System) value, a Multiscale SSIM (MS-SSIM) value, a Variance Inflation Factor (VIF) value, and a Video Multimethod Assessment Fusion (VMAF) value.
  • the down loss information 1570 may be expressed by Equation 2 above.
  • Up loss information (LossUp) 1580 is obtained according to a comparison result of the first training signal 1501 and the fourth training signal 1510 .
  • Up loss information (LossUp) 1580 is between the first training signal 1501 and the fourth training signal 1510 L1-norm value, L2-norm value, SSIM (Structural Similarity) value, PSNR-HVS (Peak Signal) It may include at least one of a -To-Noise Ratio-Human Vision System) value, a Multiscale SSIM (MS-SSIM) value, a Variance Inflation Factor (VIF) value, and a Video Multimethod Assessment Fusion (VMAF) value.
  • the up loss information 1580 may be expressed by Equation 3 above.
  • matching loss information (LossM) 1290 is not obtained in the training process of FIG. 15 .
  • the training frequency characteristic signal 1503 is not embedded in the second training signal 1505, and the training frequency characteristic signal 1507 obtained through the first decoding and the first This is because the identity between the training frequency characteristic signals 1503 obtained through the DNN 400 is recognized.
  • the first DNN 400 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 include at least one of the generation loss information 1560 , the down loss information 1570 , and the up loss information 1580 .
  • the parameters can be updated so that the final loss information obtained by combining one is reduced or minimized.
  • the first DNN 400 and the training DNN 1540 may update parameters so that the generation loss information 1560 is reduced or minimized.
  • the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are configured such that the final loss information obtained as a result of the combination of the down loss information 1570 and the up loss information 1580 is reduced or minimized. You can update parameters.
  • the training of the first DNN 400 and the training DNN 1540 may be expressed by Equation 5 described above, and the training of the second DNN 600 , the third DNN 1000 and the fourth DNN 1100 is It can be expressed by Equation 7 below.
  • Phase2 represents parameter sets of the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 , and ⁇ represents a preset weight.
  • the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are final obtained as a result of the combination of the down loss information (LossDown) 1570 and the up loss information (LossUp) 1580 through training. Obtain a parameter set that minimizes loss information.
  • training of the first DNN 400 and the training DNN 1540 and training of the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 may be alternately performed.
  • the first DNN 400 and the training DNN 1540 process the input signal according to the initially set parameters, and then update the parameters according to the generation loss information 1560 .
  • the first DNN 400 and the training DNN 1540 process the input signal according to the updated parameters, and the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are first
  • the input signal is processed according to the set parameters.
  • the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 update parameters according to at least one of the up-loss information 1580 and the down-loss information 1570 obtained as a result of processing the input signal. do.
  • the first DNN 400 and the training DNN 1540 update the parameters again.
  • 16 and 17 are flowcharts for explaining a training process of the first DNN 400 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 by the training apparatus 1300 .
  • the training of the first DNN 400 , the training DNN 1540 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 described in relation to FIG. 15 is performed by the training device 1300 .
  • the training apparatus 1300 may include a first DNN 400 , a training DNN 1540 , a second DNN 600 , a third DNN 1000 , and a fourth DNN 1100 .
  • the training apparatus 1300 may be, for example, the audio encoding apparatus 200 or a separate server.
  • the third DNN 1000 and the fourth DNN 1100 obtained as a result of training may be stored in the audio decoding apparatus 900 .
  • the training device 1300 initializes the parameters of the first DNN 400 , the training DNN 1540 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 .
  • Set (S1610) the parameters of the first DNN 400 , the training DNN 1540 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 .
  • the training apparatus 1300 inputs the frequency domain training signal 1502 obtained through the frequency transformation 1520 from the first training signal 1501 to the first DNN 400 ( S1620 ).
  • the first DNN 400 outputs the training frequency characteristic signal 1503 to the training DNN 1540 ( S1630 ), and the training DNN 1540 transmits the reconstructed frequency domain training signal 1504 to the training device 1300 . ) to output (S1640).
  • the training apparatus 1300 compares the frequency domain training signal 1502 obtained through the frequency transformation 1520 with the frequency domain training signal 1504 output from the training DNN 1540 to calculate the generation loss information 1560 . do (S1650). Then, the first DNN 400 and the training DNN 1540 update parameters according to the generation loss information 1560 ( S1660 and S1670 ).
  • the training apparatus 1300 re-inputs the frequency domain training signal 1502 obtained through the frequency transformation 1520 from the first training signal 1501 to the first DNN 400 ( S1680 ).
  • the first DNN 400 processes the frequency domain training signal 1502 through the updated parameters and outputs the training frequency characteristic signal 1503 to the training apparatus 1300 ( S1690 ).
  • the frequency characteristic signal for training 1503 is not embedded in the second training signal 1505 , the frequency characteristic signal for training 1503 is not input to the second DNN 600 in FIG. 16 .
  • the training device 1300 inputs the first training signal 1501 to the second DNN 600 ( S1710 ), and the second DNN 600 processes the first training signal 1501 .
  • the second training signal 1505 is output to the training device 1300 (S1720).
  • the training apparatus 1300 acquires down loss information 1570 according to the comparison result of the legacy downscaled small-channel training signal 1530 from the first training signal 1501 and the second training signal 1505 (S1730) ).
  • the training apparatus 1300 inputs the third training signal 1506 and the training frequency characteristic signal 1507 obtained through the first encoding and the first decoding to the fourth DNN 1100 and the third DNN 1000, respectively. (S1740, S1750).
  • the fourth DNN 1100 outputs a training intermediate audio signal 1509 through processing of the third training signal 1506 (S1760), and the third DNN 1000 processes the training frequency characteristic signal 1507 A training weight signal 1508 is output through (S1770).
  • the training device 1300 obtains a fourth training signal 1510 by combining the training intermediate audio signal 1509 and the training weight signal 1508, and the first training signal 1501 and the fourth training signal 1510 ) to obtain up loss information 1580 (S1780).
  • the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 update parameters according to the final loss information obtained by combining at least one of the down loss information 1570 and the up loss information 1580 . (S1792, S1794, S1796).
  • the training apparatus 1300 performs the above-described step S1620 until the parameters of the first DNN 400 , the training DNN 1540 , the second DNN 600 , the third DNN 1000 , and the fourth DNN 1100 are optimized. to S1796 may be repeated.
  • FIG. 18 is a flowchart illustrating an audio encoding method according to an embodiment.
  • the encoding apparatus 200 converts the first audio signal 105 including n channels from the time domain to the frequency domain.
  • the first audio signal in the frequency domain obtained as a result of the conversion may have n channels.
  • the encoding apparatus 200 processes the first audio signal in the frequency domain with the first DNN 400 so that the number of samples per channel in a predetermined time interval is the number of samples per channel of the first audio signal in the frequency domain. A less frequency characteristic signal is obtained.
  • the encoding apparatus 200 obtains a second audio signal 115 including m channels (m ⁇ n) from the first audio signal 105 using the second DNN 600 .
  • the time length of the second audio signal 115 may be the same as the time length of the first audio signal 105 , and the number of channels of the second audio signal 115 may be smaller than the number of channels of the first audio signal 105 . .
  • the encoding apparatus 200 first encodes the second audio signal 115 and the frequency characteristic signal to obtain audio data.
  • the frequency characteristic signal may be first encoded after being embedded in the second audio signal 115 , or the second audio signal 115 and the frequency characteristic signal may be included in audio data through the first encoding, respectively. may be
  • 19 is a flowchart illustrating an audio decoding method according to an embodiment.
  • the decoding apparatus 900 first decodes the audio data to obtain a third audio signal 135 including m channels and a frequency characteristic signal.
  • the frequency characteristic signal may be extracted during processing of the third audio signal 135 by the fourth DNN 1100 .
  • the decoding apparatus 900 obtains a weight signal from the frequency characteristic signal using the third DNN 1000 .
  • the time length and number of channels of the weight signal may be the same as the time length and number of channels of the first audio signal 105 and the fourth audio signal 145 .
  • the decoding apparatus 900 obtains an intermediate audio signal including n channels from the third audio signal 135 using the fourth DNN 1100 .
  • the time length and number of channels of the intermediate audio signal may be the same as the time length and number of channels of the first audio signal 105 and the fourth audio signal 145 .
  • the decoding apparatus 900 obtains a fourth audio signal 145 including n channels by applying a weighting signal to the intermediate audio signal.
  • the fourth audio signal 145 may be output to a playback device (eg, a speaker) for playback.
  • a playback device eg, a speaker
  • the above-described embodiments of the present disclosure can be written as a program that can be executed on a computer, and the written program can be stored in a medium.
  • the medium may continuously store a computer executable program, or may be a temporary storage for execution or download.
  • the medium may be various recording means or storage means in the form of a single or several hardware combined, it is not limited to a medium directly connected to any computer system, and may exist distributed on a network. Examples of the medium include a hard disk, a magnetic medium such as a floppy disk and a magnetic tape, an optical recording medium such as CD-ROM and DVD, a magneto-optical medium such as a floppy disk, and those configured to store program instructions, including ROM, RAM, flash memory, and the like.
  • examples of other media may include recording media or storage media managed by an app store that distributes applications, sites that supply or distribute various other software, and servers.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Stereophonic System (AREA)

Abstract

인스트럭션을 저장하는 메모리; 및 메모리에 저장된 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는, n개의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하고, 제 1 DNN을 기반으로 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하고, 제 2 DNN을 기반으로 제 1 오디오 신호로부터 m개(m<n)의 채널을 포함하는 제 2 오디오 신호를 생성하고, 제 2 오디오 신호 및 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하되, 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고, 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하는, 일 실시예에 따른 오디오 신호의 처리 장치가 개시된다.

Description

오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법
본 개시는 오디오의 부호화 및 복호화 분야에 관한 것이다. 보다 구체적으로, 본 개시는 다수의 채널을 포함하는 오디오를 AI(artificial intelligence) 기반으로 부호화 및 복호화하는 분야에 관한 것이다.
오디오는 소정의 압축 표준, 예를 들어, AAC(Advanced Audio Coding) 표준, OPUS 표준 등을 따르는 코덱(codec)에 의해 부호화된 후 비트스트림 형태로 기록매체에 저장되거나 통신 채널을 통해 전송된다.
일반적으로, 범용의 코덱은 청취자에게 공간적인 입체감을 제공하는 다-채널 오디오의 부호화/복호화를 지원하지 않는다는 점에서, 다-채널 오디오를 범용의 코덱을 이용하여 낮은 비트레이트로 부호화/복호화하는 방안이 요구된다.
일 실시예는 소-채널 오디오의 부호화/복호화를 지원하는 범용의 코덱을 이용하여 다-채널 오디오를 부호화/복호화하는 것을 기술적 과제로 한다.
또한, 일 실시예는 다-채널 오디오를 낮은 비트레이트로 부호화하고, 높은 퀄리티로 복원하는 것을 기술적 과제로 한다.
일 실시예에 따른 오디오 신호의 처리 장치는, 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는, n개의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하고, 제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하고, 제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m<n)의 채널을 포함하는 제 2 오디오 신호를 생성하고, 상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하되, 상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고, 상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함할 수 있다.
일 실시예는 소-채널 오디오의 부호화/복호화를 지원하는 범용의 코덱을 이용하여 다-채널 오디오를 부호화/복호화할 수 있다.
또한, 일 실시예는 다-채널 오디오를 낮은 비트레이트로 부호화하고, 높은 퀄리티로 복원할 수 있다.
다만, 일 실시예에 따른 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 일 실시예에 따른 오디오의 부호화 및 복호화 과정을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 오디오 부호화 장치의 구성을 도시하는 블록도이다.
도 3은 고차 앰비소닉 신호에 포함되는 신호들을 설명하기 위한 예시적인 도면이다.
도 4는 일 실시예에 따른 제 1 DNN을 설명하기 위한 도면이다.
도 5는 도 4에 도시된 주파수 도메인의 제 1 오디오 신호와 주파수 특성 신호를 비교하는 도면이다.
도 6은 일 실시예에 따른 제 2 DNN을 설명하기 위한 도면이다.
도 7은 오디오 특성 신호와 주파수 특성 신호의 결합 방법을 설명하기 위한 도면이다.
도 8은 오디오 특성 신호와 주파수 특성 신호의 결합 방법을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 오디오 복호화 장치의 구성을 도시하는 블록도이다.
도 10은 일 실시예에 따른 제 3 DNN을 설명하기 위한 도면이다.
도 11은 일 실시예에 따른 제 4 DNN을 설명하기 위한 도면이다.
도 12는 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 훈련 방법을 설명하기 위한 도면이다.
도 13은 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 훈련 과정을 설명하기 위한 흐름도이다.
도 14는 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 훈련 과정을 설명하기 위한 흐름도이다.
도 15는 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 다른 훈련 방법을 설명하기 위한 도면이다.
도 16은 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 다른 훈련 과정을 설명하기 위한 흐름도이다.
도 17은 훈련 장치에 의한 제 1 DNN, 제 2 DNN, 제 3 DNN 및 제 4 DNN의 다른 훈련 과정을 설명하기 위한 흐름도이다.
도 18은 일 실시예에 따른 오디오 부호화 방법을 설명하는 순서도이다.
도 19는 일 실시예에 따른 오디오 복호화 방법을 설명하는 순서도이다.
일 실시예에 따른 오디오 신호의 처리 장치는, 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는, n개의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하고, 제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하고, 제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m<n)의 채널을 포함하는 제 2 오디오 신호를 생성하고, 상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하되, 상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고, 상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함할 수 있다.
상기 주파수 특성 신호는, 채널별 대표 값을 포함하고, 상기 채널별 대표 값은, 상기 주파수 도메인의 제 1 오디오 신호의 채널별 복수의 주파수 대역에 대응하는 값일 수 있다.
상기 제 2 DNN은, 상기 제 1 오디오 신호로부터 오디오 특성 신호를 획득하고, 상기 오디오 특성 신호와 상기 주파수 특성 신호가 결합된 통합 특성 신호로부터 상기 제 2 오디오 신호를 출력할 수 있다.
상기 오디오 특성 신호의 채널들 중 일부 채널의 샘플들이 상기 주파수 특성 신호의 샘플들로 대체됨으로써 상기 통합 특성 신호가 획득될 수 있다.
상기 일부 채널은, 상기 오디오 특성 신호의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널 또는 마지막 채널로부터 연속된 소정 개수의 채널을 포함할 수 있다.
상기 오디오 특성 신호의 시간 길이와 상기 주파수 특성 신호의 시간 길이는 동일할 수 있다.
상기 주파수 특성 신호는, 소정 시간 구간에서 각 채널의 샘플의 개수가 1개일 수 있다.
상기 출력 오디오 신호는, 비트스트림으로 표현되며, 상기 주파수 특성 신호는 상기 비트스트림의 부가 영역에 포함될 수 있다.
상기 프로세서는, 상기 제 2 DNN으로부터 출력된 중간 오디오 신호와, 상기 제 1 오디오 신호로부터 다운스케일된 소-채널 오디오 신호를 결합하여 상기 제 2 오디오 신호를 획득할 수 있다.
상기 제 1 DNN은, 제 1 훈련 신호로부터 변환된 주파수 도메인 훈련 신호와, 훈련용 주파수 특성 신호로부터 훈련용 DNN에 의해 복원된 주파수 도메인 훈련 신호의 비교 결과에 따라 훈련되며, 상기 훈련용 주파수 특성 신호는, 상기 제 1 DNN에 기반하여 상기 주파수 도메인 훈련 신호로부터 획득될 수 있다.
상기 제 2 DNN은, 상기 제 1 훈련 신호로부터 상기 제 2 DNN을 통해 획득되는 제 2 훈련 신호와, 상기 제 1 훈련 신호로부터 다운스케일된 소-채널 훈련 신호의 비교 결과, 상기 제 1 훈련 신호와, 훈련용 오디오 데이터로부터 복원된 제 4 훈련 신호의 비교 결과, 및 상기 훈련용 주파수 특성 신호와, 상기 훈련용 오디오 데이터로부터 획득되는 훈련용 주파수 특성 신호 사이의 비교 결과 중 적어도 하나에 따라 훈련될 수 있다.
상기 제 1 DNN과 제 2 DNN은 교대로 훈련될 수 있다.
다른 실시예에 따른 오디오 신호의 처리 장치는, 하나 이상의 인스트럭션들을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 상기 프로세서는, 입력 오디오 신호를 복호화함으로써 m개의 채널을 포함하는 제 3 오디오 신호 및 주파수 특성 신호를 생성하고, 제 3 DNN을 기반으로, 상기 주파수 특성 신호로부터 n개(n>m)의 채널을 포함하는 가중치 신호를 생성하고, 상기 제 3 오디오 신호로부터 제 4 DNN에 의해 생성되는 n개의 채널을 포함하는 중간 오디오 신호에 상기 가중치 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호를 생성하되, 상기 제 3 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하고, 상기 제 4 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호일 수 있다.
상기 제 4 DNN은, 상기 제 3 오디오 신호를 처리하여 통합 특성 신호를 획득하고, 상기 통합 특성 신호에 포함된 오디오 특성 신호로부터 상기 중간 오디오 신호를 출력하며, 상기 주파수 특성 신호는, 상기 통합 특성 신호로부터 추출되어 상기 제 3 DNN으로 입력될 수 있다.
상기 주파수 특성 신호는, 상기 통합 특성 신호의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널의 샘플들 또는 마지막 채널로부터 연속된 소정 개수의 채널의 샘플들을 포함할 수 있다.
상기 제 3 DNN과 상기 제 4 DNN은, 상기 주파수 특성 신호 및 상기 오디오 특성 신호를 각각 처리하여 상기 제 4 오디오 신호의 시간 길이와 동일한 시간 길이의 상기 가중치 신호와 상기 중간 오디오 신호를 출력할 수 있다.
상기 프로세서는, 상기 중간 오디오 신호의 샘플들과 상기 가중치 신호의 샘플들을 곱하여 상기 제 4 오디오 신호를 획득할 수 있다.
상기 제 3 DNN 및 제 4 DNN은, 제 1 훈련 신호로부터 제 2 DNN을 통해 획득되는 제 2 훈련 신호와, 상기 제 1 훈련 신호로부터 다운스케일된 소-채널 훈련 신호의 비교 결과, 상기 제 1 훈련 신호와, 훈련용 오디오 데이터로부터 상기 제 3 DNN과 상기 제 4 DNN을 통해 복원된 제 4 훈련 신호의 비교 결과, 및 제 1 DNN을 통해 획득되는 훈련용 주파수 특성 신호와, 상기 훈련용 오디오 데이터로부터 상기 제 4 DNN을 통해 획득된 훈련용 주파수 특성 신호 사이의 비교 결과 중 적어도 하나에 따라 훈련될 수 있다.
다른 실시예에 따른 오디오 신호의 처리 방법은, n개(n은 1보다 큰 자연수)의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하는 단계; 제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하는 단계; 제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m은 n보다 작은 자연수)의 채널을 포함하는 제 2 오디오 신호를 생성하는 단계; 및 상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하는 단계를 포함하되, 상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고, 상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함할 수 있다.
다른 실시예에 따른 오디오 신호의 처리 방법은, 입력 오디오 신호를 복호화함으로써 m개의 채널을 포함하는 제 3 오디오 신호 및 주파수 특성 신호를 생성하는 단계; 제 3 DNN을 기반으로, 상기 주파수 특성 신호로부터 n개(n>m)의 채널을 포함하는 가중치 신호를 생성하는 단계; 및 상기 제 3 오디오 신호로부터 제 4 DNN에 의해 생성되는 n개의 채널을 포함하는 중간 오디오 신호에 상기 가중치 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호를 생성하는 단계를 포함하고, 상기 제 3 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하고, 상기 제 4 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호일 수 있다.
본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고, 이를 상세한 설명을 통해 설명하고자 한다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 실시예의 설명 과정에서 이용되는 숫자(예를 들어, 제 1, 제 2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 명세서에서 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 '~부(유닛)', '모듈' 등으로 표현되는 구성요소는 2개 이상의 구성요소가 하나의 구성요소로 합쳐지거나 또는 하나의 구성요소가 보다 세분화된 기능별로 2개 이상으로 분화될 수도 있다. 또한, 이하에서 설명할 구성요소 각각은 자신이 담당하는 주기능 이외에도 다른 구성요소가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성요소 각각이 담당하는 주기능 중 일부 기능이 다른 구성요소에 의해 전담되어 수행될 수도 있음은 물론이다.
또한, 본 명세서에서 'DNN(deep neural network)'은 뇌 신경을 모사한 인공신경망 모델의 대표적인 예시로써, 특정 알고리즘을 사용한 인공신경망 모델로 한정되지 않는다.
또한, 본 명세서에서 '파라미터'는 뉴럴 네트워크를 이루는 각 레이어의 연산 과정에서 이용되는 값으로서, 예를 들어, 입력 값을 소정 연산식에 적용할 때 이용되는 가중치를 포함할 수 있다. 파라미터는 매트릭스 형태로 표현될 수 있다. 파라미터는 훈련의 결과로 설정되는 값으로서, 필요에 따라 별도의 훈련 데이터(training data)를 통해 갱신될 수 있다.
또한, 본 명세서에서 '제 1 오디오 신호'는 오디오 부호화의 대상이 되는 오디오를 의미하고, '제 2 오디오 신호'는 제 1 오디오 신호의 AI 부호화 결과 획득된 오디오를 의미한다. 또한, '제 3 오디오 신호'는 오디오 복호화 과정에서 제 1 복호화를 통해 획득된 오디오를 의미하고, '제 4 오디오 신호'는 제 3 오디오 신호의 AI 복호화 결과 획득된 오디오를 의미한다.
또한, 본 명세서에서 '제 1 DNN'은 제 1 오디오 신호의 주파수 특성 신호를 획득하는데 이용되는 DNN을 의미하고, '제 2 DNN'은 제 1 오디오 신호의 AI 다운스케일에 이용되는 DNN을 의미한다. 또한, '제 3 DNN'은 주파수 특성 신호로부터 가중치 신호를 획득하는데 이용되는 DNN을 의미하고, '제 4 DNN'은 제 3 오디오 신호의 AI 업스케일에 이용되는 DNN을 의미한다
또한, 본 명세서에서 'AI 다운스케일'은 AI 기반으로 오디오의 채널 수를 감소시키는 처리를 의미하고, '제 1 부호화'는 주파수 변환 기반의 오디오 압축 방법에 의한 부호화 처리를 의미한다. 또한, '제 1 복호화'는 주파수 변환 기반의 오디오 복원 방법에 의한 복호화 처리를 의미하고, 'AI 업스케일'은 AI 기반으로 오디오의 채널 수를 증가시키는 처리를 의미한다.
이하, 본 개시의 기술적 사상에 의한 실시예들을 차례로 상세히 설명한다.
도 1은 일 실시예에 따른 오디오의 부호화 및 복호화 과정을 설명하기 위한 도면이다.
전술한 바와 같이, 오디오 신호의 채널 수가 많아짐에 따라 부호화/복호화를 위한 정보 처리량이 많아지게 되고, 이에 따라 오디오 신호의 부호화 및 복호화 효율을 향상시키기 위한 방안이 필요하다.
도 1에 도시된 바와 같이, 오디오 부호화 과정에서는 다수의 채널을 포함하는 제 1 오디오 신호(105)를 AI 부호화(110)하여 적은 개수의 채널을 포함하는 제 2 오디오 신호(115)를 획득한다. 제 1 오디오 신호(105)는 W 채널, X 채널, Y 채널 및 Z 채널을 포함하는 앰비소닉(ambisonic) 오디오일 수 있고, 제 2 오디오 신호(115)는 L(left) 채널과 R(right) 채널을 포함하는 스테레오 오디오 또는 1채널의 모노 오디오일 수 있다. 구현예에 따라, 제 1 오디오 신호(105)는 5채널 오디오, 6채널 오디오 또는 9채널 오디오 등 1개보다 많은 채널 수를 갖는 오디오일 수 있다. 본 개시에서, 제 1 오디오 신호(105) 및 제 4 오디오 신호(145)와 같이 많은 채널 수를 갖는 오디오 신호를 다-채널 오디오 신호로 참조하고, 제 2 오디오 신호(115) 및 제 3 오디오 신호(135)와 같이 적은 채널 수를 갖는 오디오 신호를 소-채널 오디오 신호로 참조할 수 있다. 소-채널 오디오 신호의 채널 개수는 다-채널 오디오 신호에 포함된 채널 개수보다 적다.
본 개시에서는 제 1 오디오 신호(105)와 비교하여 적은 채널 수를 갖는 제 2 오디오 신호(115)를 대상으로 하여 제 1 부호화(120) 및 제 1 복호화(130)를 수행하므로, 다-채널 오디오 신호의 부호화/복호화를 지원하지 않는 코덱으로도 제 1 오디오 신호(105)의 부호화/복호화가 가능하다.
도 1을 참조하여 상세히 설명하면, 오디오 부호화 과정에서, n개의 채널을 포함하는 제 1 오디오 신호(105)를 AI 부호화(110)하여 m개의 채널을 포함하는 제 2 오디오 신호(115)를 획득하고, 제 2 오디오 신호(115)를 제 1 부호화(120)한다. 일 예시에서, n과 m은 자연수이며, m은 n보다 작다. 다른 예시에서, n과 m은 유리수일 수도 있다.
오디오 복호화 과정에서는, AI 부호화(110) 결과 획득된 오디오 데이터를 수신하고, 제 1 복호화(130)를 통해 m 채널의 제 3 오디오 신호(135)를 획득하고, 제 3 오디오 신호(135)를 AI 복호화(140)하여 n 채널의 제 4 오디오 신호(145)를 획득한다.
AI 부호화(110) 과정에서는 제 1 오디오 신호(105)를 입력받으면, 소-채널의 제 2 오디오 신호(115)를 획득하기 위해 제 1 오디오 신호(105)를 AI 다운스케일한다. 그리고, AI 복호화(140) 과정에서는 제 3 오디오 신호(135)를 입력받으면, 다-채널의 제 4 오디오 신호(145)를 획득하기 위해 제 3 오디오 신호(135)를 AI 업스케일한다. 즉, AI 부호화(110)를 통해 제 1 오디오 신호(105)의 채널 수가 감소하고, AI 복호화(140)를 통해 제 3 오디오 신호(135)의 채널 수가 증가하므로, 채널 수 변동에 기인한 제 1 오디오 신호(105)와 제 4 오디오 신호(145)의 차이를 최소화할 필요가 있다.
본 개시의 실시예에서는, AI 부호화(110) 과정과 AI 복호화(140) 과정에서 발생하는 채널 수 변동을 보상하기 위해 주파수 특성 신호를 이용한다. 주파수 특성 신호는 제 1 오디오 신호(105)의 채널 간 상관 관계를 나타내며, AI 복호화(140) 과정에서는 이러한 주파수 특성 신호에 기반하여 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 복원할 수 있다.
AI 부호화(110) 및 AI 복호화(140)를 위한 AI는 DNN(deep neural network)으로 구현될 수 있다. 도 12 등을 참조하여 후술하는 바와 같이, AI 부호화(110) 및 AI 복호화(140)를 위한 DNN들은 손실 정보의 공유를 통해 연계 훈련되므로, 제 1 오디오 신호(105)와 제 4 오디오 신호(145) 사이의 차이가 최소화될 수 있다.
도 1에 도시된 제 1 부호화(120) 및 제 1 복호화(130)에 대해 상세히 설명하면, 제 1 오디오 신호(105)로부터 AI 다운스케일된 제 2 오디오 신호(115)는 제 1 부호화(120)를 통해 정보량이 감축될 수 있다. 제 1 부호화(120)는, 제 2 오디오 신호(115)를 주파수 도메인으로 변환(transformation)하는 과정, 주파수 도메인으로 변환된 신호를 양자화(quantization)하는 과정 및 양자화된 신호를 엔트로피 부호화하는 과정 등을 포함할 수 있다. 이와 같은 제 1 부호화(120) 과정은 AAC(Advanced Audio Coding) 표준, OPUS 표준 등 주파수 변환을 이용한 오디오 신호 압축 방법 중의 하나를 통해 구현될 수 있다.
제 2 오디오 신호(115)에 대응하는 제 3 오디오 신호(135)는 오디오 데이터의 제 1 복호화(130)를 통해 복원될 수 있다. 제 1 복호화(130)는, 오디오 데이터를 엔트로피 복호화하여 양자화된 신호를 생성하는 과정, 양자화된 신호를 역양자화하는 과정 및 주파수 도메인의 신호를 시간 도메인의 신호로 변환하는 과정 등을 포함할 수 있다. 이와 같은 제 1 복호화(130) 과정은 제 1 부호화(120) 과정에서 사용된 AAC 표준, OPUS 표준 등 주파수 변환을 이용한 오디오 신호 압축 방법 중의 하나에 대응되는 오디오 신호 복원 방법을 통해 구현될 수 있다.
오디오 부호화 과정을 통해 획득된 오디오 데이터는 주파수 특성 신호를 포함한다. 전술한 바와 같이, 주파수 특성 신호는 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 복원하는데 이용된다.
오디오 데이터는 비트스트림 형태로 전송될 수 있다. 오디오 데이터는 제 2 오디오 신호(115) 내 샘플 값들에 기초하여 획득되는 데이터, 예를 들어, 제 2 오디오 신호(115)의 양자화된 샘플 값들을 포함할 수 있다. 또한, 오디오 데이터는 제 2 오디오 신호(115)의 제 1 부호화(120) 과정에서 이용된 정보들, 예를 들어, 예측 모드 정보, 양자화 파라미터 관련 정보 등을 포함할 수 있다. 오디오 데이터는 AAC 표준, OPUS 표준 등 주파수 변환을 이용하는 오디오 신호 압축 방법 중 제 1 부호화(120) 과정에서 이용된 오디오 신호 압축 방법의 규칙, 예를 들어, 신택스(syntax)에 따라 생성될 수 있다.
도 2는 일 실시예에 따른 부호화 장치(200)의 구성을 도시하는 블록도이다.
도 2를 참조하면, 일 실시예에 따른 부호화 장치(200)는 AI 부호화부(210) 및 제 1 부호화부(230)를 포함한다. AI 부호화부(210)는 변환부(212), 특성 추출부(214) 및 AI 다운스케일부(216)를 포함할 수 있다. 도 2에 도시되어 있는 바와 같이, 일 실시예에 따른 부호화 장치(200)는 레거시 다운스케일부(250)를 더 포함할 수 있다.
도 2는 AI 부호화부(210), 제 1 부호화부(230) 및 레거시 다운스케일부(250)를 개별적인 구성으로 도시하고 있으나, AI 부호화부(210), 제 1 부호화부(230) 및 레거시 다운스케일부(250)는 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 전용 프로세서로 구현될 수도 있고, AP(application processor) 또는 CPU(central processing unit), GPU(graphic processing unit)와 같은 범용 프로세서와 소프트웨어의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함할 수 있다.
AI 부호화부(210), 제 1 부호화부(230) 및 레거시 다운스케일부(250)는 복수의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 소프트웨어의 조합을 통해 구현될 수도 있다. 변환부(212), 특성 추출부(214) 및 AI 다운스케일부(216)도 서로 다른 프로세서로 구현될 수 있다.
AI 부호화부(210)는 n개의 채널을 포함하는 제 1 오디오 신호(105)로부터 m개의 채널을 포함하는 제 2 오디오 신호(115)와 주파수 특성 신호를 획득한다. 일 예에서, n과 m은 자연수이고, n은 m보다 크다. 다른 예에서, n과 m은 유리수일 수도 있다.
제 1 오디오 신호(105)는 n개의 채널을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호일 수 있다. 구체적으로, 제 1 오디오 신호(105)는 0차 신호와 복수의 1차 신호들을 포함하는 고차 앰비소닉 신호일 수 있다. 고차 앰비소닉 신호에 대해 도 3을 참조하여 설명한다.
도 3은 고차 앰비소닉 신호에 포함되는 신호들을 설명하기 위한 예시적인 도면이다.
고차 앰비소닉 신호는, W 채널에 해당하는 0차 신호와, X 채널, Y 채널 및 Z 채널에 해당하는 1차 신호, R 채널, S 채널 등에 해당하는 2차 신호를 포함할 수 있다. 도 3에 도시되어 있진 않지만, 고차 앰비소닉 신호는 3차 신호, 4차 신호 등을 더 포함할 수 있다.
일 실시예에서, 제 1 오디오 신호(105)는 W 채널에 해당하는 0차 신호와, 0차보다 고차인 신호(예를 들어, X 채널, Y 채널 및 Z 채널에 해당하는 1차 신호들)을 포함할 수 있다. 구현예에 따라, 제 1 오디오 신호(105)는 1차 신호와 1차보다 고차인 신호들을 포함할 수도 있다.
일 실시예에서, 제 2 오디오 신호(115)는 스테레오 신호 및 모노 신호 중 어느 하나일 수 있다.
다시 도 2를 참조하면, 제 2 오디오 신호(115)는 제 1 부호화부(230)로 출력되고, 주파수 특성 신호는 특성 추출부(214)로부터 AI 다운스케일부(216)로 출력되거나, 제 1 부호화부(230)로 출력될 수 있다.
AI 부호화부(210)는 AI 기반으로 주파수 특성 신호와 제 2 오디오 신호(115)를 획득할 수 있다. 여기서, AI는 DNN에 의한 처리를 의미할 수 있다. 구체적으로, AI 부호화부(210)는 제 1 DNN을 이용하여 주파수 특성 신호를 획득하고, 제 2 DNN을 이용하여 제 2 오디오 신호(115)를 획득할 수 있다.
AI 부호화부(210)는 제 1 오디오 신호(105)의 채널 수를 감소시키는 AI 다운스케일뿐만 아니라, 제 1 오디오 신호(105)의 채널 별 특성을 나타내는 주파수 특성 신호를 획득한다. 제 2 오디오 신호(115)와 주파수 특성 신호는 소정의 처리를 통해 복호화 장치(900)로 시그널링되고, 복호화 장치(900)는 주파수 특성 신호를 이용하여 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 복원할 수 있다.
AI 부호화부(210)에 대해 상세히 설명하면, 변환부(212)는 제 1 오디오 신호(105)를 시간 도메인에서 주파수 도메인으로 변환하여 주파수 도메인의 제 1 오디오 신호를 획득한다. 변환부(212)는 STFT(Short Time Fourier Transform) 등의 다양한 변환 방법에 따라 제 1 오디오 신호(105)를 주파수 도메인의 제 1 오디오 신호로 변환할 수 있다.
제 1 오디오 신호(105)는 채널 및 시간에 따라 구분되는 샘플들을 포함하며, 주파수 도메인의 제 1 오디오 신호는 채널, 시간 및 주파수 빈(frequency bin)에 따라 구분되는 샘플들을 포함한다. 여기서, 주파수 빈이란, 각 샘플이 어느 주파수(또는 주파수 대역)에 해당하는 값을 가지고 있는지를 나타내는 일종의 주파수 인덱스를 의미한다.
특성 추출부(214)는 제 1 DNN을 통해 주파수 도메인의 제 1 오디오 신호로부터 주파수 특성 신호를 획득한다. 전술한 바와 같이, 주파수 특성 신호는 제 1 오디오 신호(105)의 채널 간 상관 관계를 나타내고, 후술하는 복호화 장치(900)는 주파수 특성 신호를 이용하여 제 1 오디오 신호(105)와 동일/유사한 제 4 오디오 신호(145)를 획득할 수 있다.
특성 추출부(214)는 샘플들의 개수가 주파수 도메인의 제 1 오디오 신호보다 적은 주파수 특성 신호를 획득한다. 주파수 특성 신호를 획득하는 이유는 AI 다운스케일에 의한 채널 수 변동에 따른 신호 손실을 보상하고, 제 1 부호화부(230)에 의한 부호화를 가능하게 하고, 오디오 데이터의 비트 수를 감소시키기 위함이다. 제 1 오디오 신호(105)의 채널 간 상관 관계는 주파수 도메인의 제 1 오디오 신호로부터 파악될 수 있으나, 주파수 도메인의 제 1 오디오 신호 역시 제 1 오디오 신호(105)와 마찬가지로 n 채널을 가지므로 제 1 부호화의 대상이 되지 않고, 큰 크기로 인해 오디오 데이터의 비트 수를 증가시키는 요인이 된다. 이에 일 실시예에 따른 특성 추출부(214)는 주파수 도메인의 제 1 오디오 신호 대비 샘플 수가 감소된 주파수 특성 신호를 획득함으로써 오디오 데이터의 비트 수를 감소시키는 동시에 복호화 장치(900)에게 제 1 오디오 신호(105)의 채널 간 상관 관계를 시그널링할 수 있다.
AI 다운스케일부(216)는 제 1 오디오 신호(105)를 제 2 DNN으로 처리하여 제 2 오디오 신호(115)를 획득한다. 제 2 오디오 신호(115)의 채널 수는 제 1 오디오 신호(105)의 채널 수보다 작다. 전술한 바와 같이, 제 1 부호화부(230)는 제 1 오디오 신호(105)의 부호화를 지원하지 않지만, 제 2 오디오 신호(115)의 부호화는 지원할 수 있다.
일 실시예에서, 제 1 오디오 신호(105)는 4채널의 앰비소닉 오디오일 수 있고, 제 2 오디오 신호(115)는 스테레오 오디오일 수 있으나, 제 1 오디오 신호(105)와 제 2 오디오 신호(115)의 채널 수는 각각 4채널 및 2 채널로 한정되지 않는다.
특성 추출부(214)가 획득한 주파수 특성 신호가 AI 다운스케일부(216)로 출력되는 경우, AI 다운스케일부(216)는 제 2 DNN을 통한 제 1 오디오 신호(105)의 처리 중에 주파수 특성 신호를 임베딩(embedding)한다. 주파수 특성 신호를 임베딩하는 과정에 대해서는 도 6 내지 도 8을 참조하여 후술한다.
제 1 부호화부(230)는 AI 다운스케일부(216)로부터 출력된 제 2 오디오 신호(115)를 제 1 부호화하여 제 2 오디오 신호(115)가 가지는 정보량을 감축시킬 수 있다. 제 1 부호화부(230)에 의한 제 1 부호화 결과 오디오 데이터가 획득될 수 있다. 오디오 데이터는 비트스트림의 형태로 표현될 수 있고, 네트워크를 통해 복호화 장치(900)로 전송될 수 있다. 오디오 데이터는 출력 오디오 신호로 참조될 수도 있다.
주파수 특성 신호가 특성 추출부(214)로부터 제 1 부호화부(230)로 출력되는 경우, 제 1 부호화부(230)는 제 2 오디오 신호(115)와 함께 주파수 특성 신호를 제 1 부호화한다. 일 실시예에서, 주파수 특성 신호는 제 1 오디오 신호(105)와 마찬가지로 n개의 채널을 가질 수 있으므로, 주파수 변환 기반의 부호화 방식 대신 오디오 데이터에 해당하는 비트스트림의 부가 영역에 포함될 수 있다. 예를 들어, 주파수 특성 신호는 오디오 데이터의 페이로드 영역 또는 사용자 정의 영역(User Defined Region)에 포함될 수 있다.
도 2에 도시된 바와 같이, 부호화 장치(200)는 레거시 다운스케일부(250)를 더 포함할 수 있는데, 레거시 다운스케일부(250)는 제 1 오디오 신호(105)를 레거시 다운스케일하여 소-채널의 오디오 신호를 획득한다. 예를 들어, 소-채널 오디오 신호는 제 2 오디오 신호(115)와 마찬가지로 m개의 채널을 가질 수 있다.
소-채널의 오디오 신호는 AI 다운스케일부(216)에서 출력된 오디오 신호에 합해지고, 합한 결과로서 획득된 제 2 오디오 신호(115)가 제 1 부호화부(230)로 입력될 수 있다.
일 실시예에서, 레거시 다운스케일부(250)는 제 1 오디오 신호(105)의 채널 수를 감소시키는 여러 알고리즘 중 적어도 하나의 알고리즘을 이용하여 소-채널 오디오 신호를 획득할 수 있다.
일 예로, 제 1 오디오 신호(105)가 W 채널 신호, X 채널 신호, Y 채널 신호 및 Z 채널 신호를 포함하는 4채널 오디오인 경우, W 채널 신호, X 채널 신호, Y 채널 신호 및 Z 채널 신호 중 2개 이상의 신호를 조합하여 소-채널 오디오 신호를 획득할 수 있다. 여기서, W 채널 신호는 전 방향 음원의 세기의 합을 나타내고, X 채널 신호는 전후 음원의 세기의 차이를 나타내고, Y 채널 신호는 좌우 음원의 세기의 차이를 나타내고, Z 채널 신호는 상하 음원의 세기의 차이를 나타낼 수 있다. 제 2 오디오 신호(115)가 스테레오 오디오인 경우, 레거시 다운스케일부(250)는 W 채널 신호에서 Y 채널 신호를 차감한 신호를 L(left) 채널 신호로, W 채널 신호와 Y 채널 신호를 합산한 신호를 R(right) 채널 신호로 획득할 수 있다. 다른 예로, 레거시 다운스케일부(250)는 UHJ 인코딩을 통해 소-채널 오디오 신호를 획득할 수도 있다.
소-채널의 오디오 신호는 제 2 오디오 신호(115)의 예측 버전(prediction version)에 해당하고, AI 다운스케일부(216)에서 출력된 오디오 신호는 제 2 오디오 신호(115)의 잔차 버전(residual version)에 해당한다. 즉, 제 2 오디오 신호(115)의 예측 버전(prediction version)에 해당하는 소-채널의 오디오 신호를 스킵 커넥션(skip connection)의 형태로 AI 다운스케일부(216)에서 출력된 오디오 신호에 합함으로써, 제 2 DNN의 레이어들의 개수를 감소시킬 수 있다.
이하에서는, 주파수 특성 신호를 추출하는 제 1 DNN 및 제 1 오디오 신호(105)를 AI 다운스케일하는 제 2 DNN에 대해 도 4 내지 도 8을 참조하여 설명한다.
도 4는 일 실시예에 따른 제 1 DNN(400)을 설명하기 위한 도면이다.
제 1 DNN(400)은 적어도 하나의 컨볼루션(convolution) 레이어 및 적어도 하나의 리쉐입(reshape) 레이어를 포함할 수 있다.
컨볼루션 레이어는 미리 결정된 크기의 필터로 입력 데이터를 처리하여 특성 데이터를 획득한다. 컨볼루션 레이어의 필터의 파라미터들은 후술하는 훈련 과정을 통해 최적화될 수 있다.
리쉐입 레이어는 입력된 데이터의 샘플들의 위치를 변경하여 입력 데이터의 크기를 변경한다.
도 4를 참조하면, 주파수 도메인의 제 1 오디오 신호(107)가 제 1 DNN(400)으로 입력된다. 주파수 도메인의 제 1 오디오 신호(107)는 채널, 시간 및 주파수 빈으로 구분되는 샘플들을 포함한다. 즉, 주파수 도메인의 제 1 오디오 신호(107)는 샘플들의 3차원 데이터일 수 있다. 주파수 도메인의 제 1 오디오 신호(107)의 각 샘플은 주파수 변환 결과로 획득된 주파수 계수일 수 있다.
도 4는 주파수 도메인의 제 1 오디오 신호(107)의 크기가 (32, 4, 512)임을 도시하고 있는데, 이는, 주파수 도메인의 제 1 오디오 신호(107)의 시간 길이가 32이고, 채널 수는 4이고, 주파수 빈의 개수가 512임을 나타낸다. 32라는 시간 길이는 프레임의 개수가 32임을 의미하며, 각 프레임은 소정의 시간 구간(예를 들어, 5ms)에 대응한다. 주파수 도메인의 제 1 오디오 신호(107)의 크기가 (32, 4, 512)라는 것은 하나의 예시일 뿐이며, 구현 예에 따라 주파수 도메인의 제 1 오디오 신호(107)의 크기나, 각 레이어의 입출력 신호의 크기는 다양하게 변경될 수 있다.
제 1 컨볼루션 레이어(410)는 3x1 크기의 a개의 필터로 주파수 도메인의 제 1 오디오 신호(107)를 처리한다. 제 1 컨볼루션 레이어(410)의 처리 결과, (32, 4, a) 크기의 특성 신호(415)가 획득될 수 있다.
제 2 컨볼루션 레이어(420)는 3x1 크기의 b개의 필터로 입력된 신호를 처리한다. 제 2 컨볼루션 레이어(420)의 처리 결과, (32, 4, b) 크기의 특성 신호(425)가 획득될 수 있다.
제 3 컨볼루션 레이어(430)는 3x1 크기의 4개의 필터로 입력된 신호를 처리한다. 제 3 컨볼루션 레이어(430)의 처리 결과, (32, 4, 4) 크기의 특성 신호(435)가 획득될 수 있다.
리쉐입 레이어(440)는 (32, 4, 4) 크기의 특성 신호(435)를 변경하여 (128, 4) 크기의 주파수 특성 신호(109)를 획득한다. 리쉐입 레이어(440)는 (32, 4, 4) 크기의 특성 신호(435)의 샘플들 중 두 번째 주파수 빈 내지 네 번째 주파수 빈으로 특정되는 샘플들을 시간 축 방향으로 이동시켜 (128, 4) 크기의 주파수 특성 신호(109)를 획득할 수 있다.
본 개시의 일 실시예에 따른 제 1 DNN(400)은 주파수 도메인의 제 1 오디오 신호(107)와 채널 수는 동일하되, 소정 시간 구간에서 각 채널의 샘플의 개수가 주파수 도메인의 제 1 오디오 신호(107)보다 적은 주파수 특성 신호(109)를 획득한다. 도 4는 제 1 DNN(400)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 주파수 도메인의 제 1 오디오 신호(107)와 채널 수는 동일하고, 샘플들의 개수는 주파수 도메인의 제 1 오디오 신호(107)보다 적은 주파수 특성 신호(109)를 획득할 수 있다면, 제 1 DNN(400)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용되는 필터의 개수 및 크기도 다양하게 변경될 수 있다.
도 5는 도 4에 도시된 주파수 도메인의 제 1 오디오 신호(107)와 주파수 특성 신호(109)를 비교하는 도면이다.
주파수 도메인의 제 1 오디오 신호(107)의 각 샘플은 프레임(즉, 시간), 주파수 빈 및 채널에 따라 구분된다. 도 5를 참조하면, 제 1 프레임 동안 제 1 채널에 k개의 샘플들이 존재한다.
주파수 특성 신호(109)는 소정 시간 구간 동안 채널 별 샘플의 개수가 주파수 도메인의 제 1 오디오 신호(107)보다 적다. 예를 들어, 소정 시간 구간 동안 각 채널의 샘플의 개수는 1개일 수 있다. 도 5에 도시된 것과 같이, 제 1 프레임 동안 제 1 채널에 속한 샘플의 개수는 1개일 수 있다.
주파수 특성 신호(109)의 샘플들은 소정 시간 구간 동안의 특정 채널의 복수의 주파수 대역의 대표 값일 수 있다. 예를 들어, 제 1 프레임 동안의 제 4 채널의 대표 값, 즉 샘플 값 0.5는 제 1 프레임 동안의 제 4 채널의 제 1 주파수 빈 내지 제 k 주파수 빈에 해당하는 주파수 대역들의 대표 값일 수 있다.
전술한 바와 같이, 주파수 특성 신호(109)는 제 1 오디오 신호(105)의 채널 간 상관 관계, 구체적으로는 제 1 오디오 신호(105)의 주파수 도메인에서의 채널 간 상관 관계를 나타낼 수 있다. 예를 들어, 주파수 특성 신호(109)의 제 1 프레임 동안 제 3 채널의 샘플 값이 0이라는 것은, 주파수 도메인의 제 1 오디오 신호(107)의 제 1 프레임 동안의 제 3 채널 신호의 샘플들, 즉 주파수 계수들이 0임을 의미할 수 있다. 또한, 주파수 특성 신호(109)의 제 1 프레임 동안 제 1 채널의 샘플 값이 0.5이고, 제 2 채널의 샘플 값이 0.2라는 것은, 주파수 도메인의 제 1 오디오 신호(107)의 제 1 프레임 동안의 제 1 채널 신호 내 0이 아닌 주파수 성분, 즉 0이 아닌 주파수 계수들이 제 2 채널 신호보다 많다는 것을 의미할 수 있다.
본 개시의 일 실시예에 따르면, 주파수 도메인의 제 1 오디오 신호(107) 대비 샘플의 개수가 적은 주파수 특성 신호(109)를 이용하여 복호화 장치(900)에게 채널 간 상관 관계를 시그널링하므로, 주파수 도메인의 제 1 오디오 신호(107) 자체를 이용하는 경우에 비해 오디오 데이터의 비트 수를 감소시킬 수 있다.
도 6은 일 실시예에 따른 제 2 DNN(600)을 설명하기 위한 도면이다.
제 2 DNN(600)은 적어도 하나의 컨볼루션 레이어와 적어도 하나의 리쉐입 레이어를 포함한다.
제 2 DNN(600)에 포함된 적어도 하나의 컨볼루션 레이어는 제 1 DNN(400)의 2차원 컨볼루션 레이어와 달리 1차원 컨볼루션 레이어일 수 있다. 1차원 컨볼루션 레이어의 경우, 필터가 컨볼루션 처리를 위해 스트라이드에 따라 횡방향 또는 종방향으로만 이동하지만, 2차원 컨볼루션 레이어의 필터는 스트라이드에 따라 횡방향 및 종방향으로 이동한다는 점에서 차이가 있다.
도 6을 참조하면, 제 1 오디오 신호(105)가 제 2 DNN(600)으로 입력된다. 제 1 오디오 신호(105)의 샘플들은 시간과 채널로 구분된다. 즉, 제 1 오디오 신호(105)는 2차원 데이터일 수 있다.
제 1 컨볼루션 레이어(610)는 33의 크기의 a 개의 필터로 제 1 오디오 신호(105)를 컨볼루션 처리한다. 제 1 컨볼루션 레이어(610)의 필터의 크기가 33이라는 것은, 필터의 가로 크기가 33이고, 세로 크기는 입력된 신호의 세로 크기, 즉, 제 1 오디오 신호(105)의 세로 크기(채널 개수)와 동일하다는 것을 의미할 수 있다. 제 1 컨볼루션 레이어(610)의 처리 결과 (128, a) 크기를 갖는 특성 신호(615)가 출력된다.
제 2 컨볼루션 레이어(620)는 제 1 컨볼루션 레이어(610)의 출력 신호를 입력받고, 33의 크기의 b 개의 필터로 입력된 신호를 처리한다. 처리 결과 (128, b) 크기의 오디오 특성 신호(625)가 획득될 수 있다. 후술하는 주파수 특성 신호(109)의 결합 방식에 따라 오디오 특성 신호(625)의 크기는 (128, b-4)일 수도 있다.
주파수 특성 신호(109)는, 제 1 오디오 신호(105)에 대한 제 2 DNN(600)의 처리 과정 중에 임베딩될 수 있는데, 도 6에 도시된 바와 같이, 주파수 특성 신호(109)는 오디오 특성 신호(625)와 결합될 수 있고, 결합 결과로 획득된 통합 특성 신호(628)가 다음 레이어로 입력될 수 있다.
주파수 특성 신호(109)와 오디오 특성 신호(625)의 결합 방법은 도 7 및 도 8을 참조하여 설명한다.
도 7 및 도 8은 오디오 특성 신호(625)와 주파수 특성 신호(109)의 결합 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 오디오 특성 신호(625) 내 소정 개수(도 7에서는 4)의 채널들의 샘플들이 주파수 특성 신호(109)의 샘플들로 대체될 수 있다. 대체 대상인 오디오 특성 신호(625)의 채널들은 오디오 특성 신호(625)의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널 또는 마지막 채널로부터 연속된 소정 개수의 채널을 포함할 수 있다. 예를 들어, 주파수 특성 신호(109)가 4개의 채널을 갖는다면, 오디오 특성 신호(625)의 첫 번째 채널부터 네 번째 채널까지의 샘플들이 주파수 특성 신호(109)의 샘플들로 대체됨으로써 통합 특성 신호(628)가 획득될 수 있다.
다음으로, 도 8을 참조하면, 오디오 특성 신호(625)에 주파수 특성 신호(109)가 부가될 수도 있다. 즉, 오디오 특성 신호(625)가 b-4개의 채널을 갖고, 주파수 특성 신호(109)가 4개의 채널을 갖는다면, 오디오 특성 신호(625)에 주파수 특성 신호(109)를 부가함으로써 b개의 채널을 갖는 통합 특성 신호(628)가 획득될 수 있다. 주파수 특성 신호(109)는 오디오 특성 신호(625)의 첫 번째 채널의 앞에 부가될 수도 있고, 오디오 특성 신호(625)의 마지막 채널의 뒤에 부가될 수도 있다.
도 7 및 도 8에서 주파수 특성 신호(109)를 오디오 특성 신호(625)의 앞 부분이나 뒷 부분에 결합시키는 이유는 복호화 장치(900)가 통합 특성 신호로부터 주파수 특성 신호를 쉽게 분리할 수 있게 하기 위함이다.
다시 도 6을 참조하면, 통합 특성 신호(628)는 리쉐입 레이어(630)로 입력된다. (128, b)의 크기를 갖는 통합 특성 신호(628)는 리쉐입 레이어(630)를 통해 (16384, 2) 크기의 특성 신호(635)로 변경될 수 있다.
리쉐입 레이어(630)의 출력 신호(635)는 제 3 컨볼루션 레이어(640)로 입력된다. 제 3 컨볼루션 레이어(640)는 1의 크기의 2개의 필터로 입력된 신호를 컨볼루션 처리하여 (16384, 2) 크기의 제 2 오디오 신호(115)를 획득한다. 제 2 오디오 신호(115)의 크기가 (16384, 2)라는 것은, 제 2 오디오 신호(115)가 2개의 채널을 갖는 16384개의 프레임의 스테레오 신호임을 의미한다. 구현예에 따라, 제 2 오디오 신호(115)가 모노 신호인 경우, 제 2 오디오 신호(115)의 크기는 (16384, 1)일 수 있다.
일 실시예에 따른 제 2 DNN(600)은 제 1 오디오 신호(105)의 시간 길이와 동일한 시간 길이를 가지면서, 제 1 오디오 신호(105)의 채널 수보다 적은 채널 수를 갖는 제 2 오디오 신호(115)를 출력한다. 이러한 제 2 오디오 신호(115)를 출력할 수 있는 제 2 DNN(600)이라면, 제 2 DNN(600)은 도 6에 도시된 구조 이외의 다양한 구조를 가질 수 있다. 다시 말하면, 도 6은 제 2 DNN(600)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 제 1 오디오 신호(105)의 시간 길이와 동일한 시간 길이를 가지면서, 제 1 오디오 신호(105)의 채널 수보다 적은 채널 수를 갖는 제 2 오디오 신호(115)를 획득할 수 있다면, 제 2 DNN(600)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용하는 필터의 개수 및 크기도 다양하게 변경될 수 있다.
부호화 장치(200)는 AI 부호화 및 제 1 부호화를 통해 획득된 오디오 데이터를 네트워크를 통해 복호화 장치(900)로 전송할 수 있다. 구현예에 따라, 오디오 데이터는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium) 등을 포함하는 데이터 저장 매체에 저장될 수도 있다.
도 9는 일 실시예에 따른 오디오 복호화 장치(900)의 구성을 도시하는 블록도이다.
도 9를 참조하면, 복호화 장치(900)는 제 1 복호화부(910) 및 AI 복호화부(930)를 포함한다. AI 복호화부(930)는 가중치 신호 획득부(912), AI 업스케일부(914) 및 결합부(916)를 포함할 수 있다.
도 9는 제 1 복호화부(910) 및 AI 복호화부(930)를 개별적인 구성으로 도시하고 있으나, 제 1 복호화부(910) 및 AI 복호화부(930)는 하나의 프로세서를 통해 구현될 수 있다. 이 경우, 전용 프로세서로 구현될 수도 있고, AP(application processor) 또는 CPU(central processing unit), GPU(graphic processing unit)와 같은 범용 프로세서와 소프트웨어의 조합을 통해 구현될 수도 있다. 또한, 전용 프로세서의 경우, 본 개시의 실시예를 구현하기 위한 메모리를 포함하거나, 외부 메모리를 이용하기 위한 메모리 처리부를 포함할 수 있다.
제 1 복호화부(910) 및 AI 복호화부(930)는 복수의 프로세서로 구성될 수도 있다. 이 경우, 전용 프로세서들의 조합으로 구현될 수도 있고, AP 또는 CPU, GPU와 같은 다수의 범용 프로세서들과 소프트웨어의 조합을 통해 구현될 수도 있다. 가중치 신호 획득부(912), AI 업스케일부(914) 및 결합부(916)도 각각 서로 다른 프로세서로 구현될 수 있다.
제 1 복호화부(910)는 오디오 데이터를 획득한다. 제 1 복호화부(910)가 획득하는 오디오 데이터는 입력 오디오 신호로 참조될 수도 있다. 오디오 데이터는 네트워크를 통해 수신되거나, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium) 등을 포함하는 데이터 저장 매체로부터 획득될 수도 있다.
제 1 복호화부(910)는 오디오 데이터를 제 1 복호화한다. 오디오 데이터의 제 1 복호화 결과 제 3 오디오 신호(135)가 획득되고, 제 3 오디오 신호(135)는 AI 업스케일부(914)로 출력된다. 제 3 오디오 신호(135)는 제 2 오디오 신호(115)와 마찬가지로 m개의 채널을 포함할 수 있다.
전술한 바와 같이, 주파수 특성 신호가 오디오 데이터의 부가 영역에 포함되는 경우, 오디오 데이터의 제 1 복호화를 통해 주파수 특성 신호가 복원된다. 주파수 특성 신호가 제 3 오디오 신호(135) 내에 임베딩되어 있는 경우에는, AI 업스케일부(914)의 제 4 DNN에 의한 처리를 통해 주파수 특성 신호가 획득될 수 있다.
AI 복호화부(930)는 제 3 오디오 신호(135) 및 주파수 특성 신호에 기반하여 n개의 채널을 포함하는 제 4 오디오 신호(145)를 복원한다.
제 3 오디오 신호(135)를 AI 업스케일하여 제 4 오디오 신호(145)를 획득하는 것만으로는 전술한 AI 다운스케일에 의한 채널 변동에 따른 신호 손실을 보상할 수 없으므로, 일 실시예에 따른 AI 복호화부(930)는 주파수 특성 신호로부터 신호 손실을 보상하기 위한 가중치 신호를 획득한다.
구체적으로, 가중치 신호 획득부(912)는 제 3 DNN을 통해 n 채널의 주파수 특성 신호를 처리하여 n 채널의 가중치 신호를 획득한다. 가중치 신호의 시간 길이는 AI 업스케일부(914)를 통해 획득되는 중간 오디오 신호의 시간 길이와 동일하고, 주파수 특성 신호의 시간 길이보다 클 수 있다. 가중치 신호에 포함된 샘플 값들은 AI 업스케일부(914)를 통해 획득되는 중간 오디오 신호의 샘플들 각각에 적용될 가중치로서, 중간 오디오 신호의 각 채널의 샘플 값들에 대해 제 1 오디오 신호(105)의 채널 간 상관 관계를 반영하기 위해 이용된다.
가중치 신호 획득부(912)의 제 3 DNN에 대해 도 10을 참조하여 설명한다.
도 10은 일 실시예에 따른 제 3 DNN(1000)을 설명하기 위한 도면이다.
도 10을 참조하면, 제 3 DNN(1000)은 적어도 하나의 컨볼루션 레이어 및 적어도 하나의 리쉐입 레이어를 포함할 수 있다. 제 3 DNN(1000)에 포함된 컨볼루션 레이어는 2차원 컨볼루션 레이어일 수 있다.
주파수 특성 신호(136)는 제 3 DNN(1000)으로 입력되고, 제 3 DNN(1000)에서의 처리 과정을 통해 가중치 신호(137)가 획득된다.
도 10에 도시된 바와 같이, 주파수 특성 신호(136)의 크기는 (128, 4)이며, 이는 주파수 특성 신호(136)가 128개의 프레임의 4개의 채널을 갖는다는 것을 의미한다.
제 1 컨볼루션 레이어(1010)는 3x1 크기의 a개의 필터로 주파수 특성 신호(136)를 처리하여 (128, 4, a) 크기의 특성 신호(1015)를 획득한다.
제 2 컨볼루션 레이어(1020)는 3x1 크기의 b개의 필터로 입력된 신호를 처리하여 (128, 4, b) 크기의 특성 신호(1025)를 획득한다.
제 3 컨볼루션 레이어(1030)는 3x1 크기의 128개의 필터로 입력된 신호를 처리하여 (128, 4, 128) 크기의 특성 신호(1035)를 획득한다.
리쉐입 레이어(1040)는 (128, 4, 128) 크기의 특성 신호(1035) 내 샘플들의 위치를 변경하여 (16384, 4) 크기의 가중치 신호(137)를 획득한다. 예를 들어, 리쉐입 레이어(1040)는 (128, 4, 128) 크기의 특성 신호(1035) 내 샘플들 중 두 번째 주파수 빈부터 128번째 주파수 빈의 샘플들을 시간 축으로 이동시켜 (16384, 4) 크기의 가중치 신호(137)를 획득할 수 있다.
일 실시예에 따른 제 3 DNN(1000)은 AI 업스케일부(914)에 의해 출력되는 중간 오디오 신호의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 가중치 신호(137)를 획득한다. 따라서, 이러한 가중치 신호(137)를 출력할 수 있는 제 3 DNN(1000)이라면, 제 3 DNN(1000)은 도 10에 도시된 구조 이외의 다양한 구조를 가질 수 있다. 다시 말하면, 도 10은 제 3 DNN(1000)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 중간 오디오 신호의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 가중치 신호(137)를 획득할 수 있다면, 제 3 DNN(1000)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용하는 필터의 개수 및 크기도 다양하게 변경될 수 있다.
한편, 앞서 제 1 DNN(400)은 제 1 오디오 신호(105)로부터 변환된 주파수 도메인의 제 1 오디오 신호(107)를 대상으로 주파수 특성 신호(109)를 획득하는데, 가중치 신호 획득부(912)는 주파수 특성 신호(136)나 가중치 신호(137)를 시간 도메인으로 역변환하지 않는 것을 알 수 있다. 이는, 서버-클라이언트 구조에서 역변환에 의한 지연을 방지하기 위함이다. 다시 말하면, 서버로부터 오디오 신호를 스트리밍 방식으로 수신하는 클라이언트 단말의 신속한 컨텐츠 소비를 위해 역변환에 의한 지연을 제거한 것이다.
다음으로는, AI 업스케일부(914)의 제 4 DNN에 대해 도 11을 참조하여 설명한다.
도 11은 일 실시예에 따른 제 4 DNN(1100)을 설명하기 위한 도면이다.
도 11을 참조하면, 제 4 DNN(1100)은 적어도 하나의 컨볼루션 레이어와 적어도 하나의 리쉐입 레이어를 포함할 수 있다. 제 4 DNN(1100)의 컨볼루션 레이어는 1차원 컨볼루션 레이어일 수 있다.
제 3 오디오 신호(135)는 제 4 DNN(1100)으로 입력되고, 제 4 DNN(1100)에서의 처리 과정을 통해 중간 오디오 신호(138)로 AI 업스케일된다.
도 11에 도시된 바와 같이, 제 3 오디오 신호(135)의 크기는 (16384, 2)이며, 이는 제 3 오디오 신호(135)가 16384개의 프레임의 2개의 채널을 갖는다는 것을 의미한다.
제 1 컨볼루션 레이어(1110)는 33 크기의 a개의 필터로 제 3 오디오 신호(135)를 처리하여 (4096, a) 크기의 특성 신호(1115)를 획득한다.
제 2 컨볼루션 레이어(1120)는 33 크기의 b개의 필터로 입력된 신호를 처리하여 (128, b) 크기의 통합 특성 신호(1128)를 획득한다. 제 4 DNN(1100)는 후술하는 훈련 과정을 통해 제 2 DNN(600)에 의한 제 1 오디오 신호(105)의 처리 과정 중에 획득되는 통합 특성 신호(628)와 동일/유사한 통합 특성 신호(1128)를 제 2 컨볼루션 레이어(1120)를 통해 출력하도록 훈련될 수 있다.
주파수 특성 신호(136)가 제 3 오디오 신호(135) 내에 임베딩된 경우, 통합 특성 신호(1128)로부터 주파수 특성 신호(136)가 추출된다. 구체적으로, 통합 특성 신호(1128)의 채널들 중 첫 번째 채널부터 연속된 소정 개수의 채널 또는 마지막 채널부터 연속된 소정 개수의 채널의 샘플들이 주파수 특성 신호(136)로 추출될 수 있다. 전술한 바와 같이, 주파수 특성 신호(136)는 가중치 신호 획득부(912)로 전달된다.
제 3 컨볼루션 레이어(1130)는 33 크기의 c개의 필터로 입력된 신호(예를 들어, 통합 특성 신호(1128)로부터 분리된 오디오 특성 신호(1125))를 처리하여 (256, c) 크기의 특성 신호(1135)를 획득한다.
리쉐입 레이어는 (256, c) 크기의 특성 신호(1135) 내 샘플들의 위치를 변경하여 (16384, 4) 크기의 중간 오디오 신호(138)를 출력한다.
일 실시예에 따른 제 4 DNN(1100)은 제 1 오디오 신호(105)의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 중간 오디오 신호(138)를 획득한다. 따라서, 이러한 중간 오디오 신호(138)를 출력할 수 있는 제 4 DNN(1100)이라면, 제 4 DNN(1100)은 도 11에 도시된 구조 이외의 다양한 구조를 가질 수 있다. 다시 말하면, 도 11은 제 4 DNN(1100)이 3개의 컨볼루션 레이어와 1개의 리쉐입 레이어를 포함하는 것으로 도시하고 있으나, 이는 예시일 뿐, 제 1 오디오 신호(105)의 시간 길이 및 채널과 동일한 시간 길이 및 채널을 갖는 중간 오디오 신호(138)를 획득할 수 있다면, 제 4 DNN(1100)에 포함되는 컨볼루션 레이어와 리쉐입 레이어의 개수는 다양하게 변형될 수 있다. 마찬가지로, 리쉐입 레이어는 컨볼루션 레이어로 대체될 수도 있고, 각 컨볼루션 레이어에서 이용하는 필터의 개수 및 크기도 다양하게 변경될 수 있다.
다시 도 9를 참조하면, 가중치 신호 획득부(912)에 의해 출력된 가중치 신호와 AI 업스케일부(914)에 의해 출력된 중간 오디오 신호는 결합부(916)로 입력되고, 결합부(916)는 중간 오디오 신호의 샘플들에 가중치 신호의 샘플들을 적용하여 제 4 오디오 신호(145)를 획득할 수 있다. 예를 들어, 결합부(916)는 중간 오디오 신호의 샘플 값들과 가중치 신호의 샘플 값들을 서로 대응하는 샘플끼리 1:1로 곱하여 제 4 오디오 신호(145)를 획득할 수 있다.
한편, 도 9에 도시된 오디오 복호화 장치(900)와 달리 AI 복호화를 수행하지 못하는 레거시 복호화 장치의 경우, 오디오 데이터를 제 1 복호화하여 제 3 오디오 신호(135)를 획득할 수 있다. 레거시 복호화 장치는 제 3 오디오 신호(135)를 스피커에 의한 재생을 위해 출력할 수 있다. 즉, 일 실시예에 따른 제 2 오디오 신호(115)의 제 1 부호화 결과로 획득된 오디오 데이터는 AI 복호화 기능을 수행하는 오디오 복호화 장치(900)와 AI 복호화를 수행하지 못하는 레거시 복호화 장치 모두에 의해 이용될 수 있는 하위 호환성을 가질 수 있다.
이하에서는, 도 12 내지 도 17을 참조하여, 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 방법에 대해 설명한다.
도 12는 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 방법을 설명하기 위한 도면이다.
도 12는 주파수 특성 신호를 제 2 오디오 신호(115) 내에 임베딩하는 제 2 DNN(600)을 위한 훈련 방법을 나타낸다.
도 12에서 제 1 훈련 신호(1201)는 제 1 오디오 신호(105)에 대응하고, 제 2 훈련 신호(1205)는 제 2 오디오 신호(115)에 대응한다. 또한, 제 3 훈련 신호(1206)는 제 3 오디오 신호(135)에 대응하고, 제 4 훈련 신호(1210)는 제 4 오디오 신호(145)에 대응한다.
제 1 훈련 신호(1201)에 대한 주파수 변환(1220)을 통해 주파수 도메인 훈련 신호(1202)가 획득되고, 주파수 도메인 훈련 신호(1202)는 제 1 DNN(400)으로 입력된다. 제 1 DNN(400)은 미리 설정된 파라미터에 따라 주파수 도메인 훈련 신호(1202)를 처리하여 훈련용 주파수 특성 신호(1203)를 획득한다. 훈련용 주파수 특성 신호(1203)는 제 1 훈련 신호(1201)와 함께 제 2 DNN(600)으로 입력되고, 제 2 DNN(600)은 미리 설정된 파라미터를 통해 훈련용 주파수 특성 신호(1203)가 임베딩된 제 2 훈련 신호(1205)를 획득한다.
제 2 훈련 신호(1205)는 제 1 부호화 및 제 1 복호화(1250)를 통해 제 3 훈련 신호(1206)로 변경된다. 구체적으로, 제 2 훈련 신호(1205)에 대한 제 1 부호화를 통해 훈련용 오디오 데이터가 획득되고, 훈련용 오디오 데이터의 제 1 복호화를 통해 제 3 훈련 신호(1206)가 획득된다. 제 3 훈련 신호(1206)는 제 4 DNN(1100)으로 입력된다. 제 4 DNN(1100)은 미리 설정된 파라미터를 통해 제 3 훈련 신호(1206)로부터 훈련용 주파수 특성 신호(1207)와 훈련용 중간 오디오 신호(1209)를 획득한다. 제 3 DNN(1000)은 미리 설정된 파라미터를 통해 훈련용 주파수 특성 신호(1207)를 처리하여 훈련용 가중치 신호(1208)를 획득한다. 훈련용 가중치 신호(1208)와 훈련용 중간 오디오 신호(1209)가 결함됨으로써 제 4 훈련 신호(1210)가 획득한다.
도 12에서 제 1 DNN(400)에 의해 획득된 훈련용 주파수 특성 신호(1203)가 훈련용 DNN(1240)으로 입력되는데, 훈련용 DNN(1240)은 제 1 DNN(400)에 의해 훈련용 주파수 특성 신호(1203)가 정확하게 생성되었는지를 검증하기 위한 DNN이다. 훈련용 DNN(1240)은 제 1 DNN(400)의 미러(mirror) 구조를 가질 수 있다. 훈련용 DNN(1240)은 훈련용 주파수 특성 신호(1203)를 처리하여 주파수 도메인 훈련 신호(1204)를 복원한다.
주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 훈련용 DNN(1240)에 의해 획득된 주파수 도메인 훈련 신호(1204) 사이의 비교 결과에 따라 생성 손실 정보(LossDG)(1260)가 획득된다. 생성 손실 정보(LossDG)(1260)는 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 훈련용 DNN(1240)에 의해 획득된 주파수 도메인 훈련 신호(1204) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 생성 손실 정보(1260)는 다음의 수학식 1로 표현될 수 있다.
[수학식 1]
Figure PCTKR2021013071-appb-img-000001
수학식 1에서 F()는 주파수 변환(1220)을 의미하고, Anch는 제 1 훈련 신호(1201)를 나타낸다. D()는 훈련용 DNN(1240)에 의한 처리를 의미하고, CEmbed는 훈련용 주파수 특성 신호(1203)를 나타낸다.
생성 손실 정보(1260)는 훈련용 DNN(1240)이 훈련용 주파수 특성 신호(1203)를 처리하여, 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 어느 정도로 유사한 주파수 도메인 훈련 신호(1204)를 생성하였는지를 나타낸다.
제 1 훈련 신호(1201)는 레거시 다운스케일(1230)을 통해 소-채널 훈련 신호로 변경되는데, 소-채널 훈련 신호와 제 2 훈련 신호(1205)의 비교 결과에 따라 다운 손실 정보(LossDown)(1270)가 획득된다. 다운 손실 정보(LossDown)(1270)는 소-채널 오디오 신호와 제 2 훈련 신호(1205) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 다운 손실 정보(1270)는 다음의 수학식 2로 표현될 수 있다.
[수학식 2]
Figure PCTKR2021013071-appb-img-000002
수학식 2에서 β는 미리 결정된 가중치이고, Smch는 제 2 훈련 신호(1205)이고, SLabel은 소-채널 훈련 신호를 나타낸다. 그리고, F()는 주파수 변환을 나타낸다.
다운 손실 정보(1270)는 훈련용 주파수 특성 신호(1203)를 임베딩한 제 2 훈련 신호(1205)가 레거시 다운스케일(1230)을 통해 획득된 소-채널 훈련 신호와 어느 정도로 유사한지를 나타낸다. 제 2 훈련 신호(1205)가 소-채널 훈련 신호와 유사할수록 제 3 훈련 신호(1206)의 퀄리티가 향상될 수 있다. 특히, 레거시 복호화 장치에 의해 복원되는 신호의 퀄리티가 향상될 수 있다.
제 1 훈련 신호(1201)와 제 4 훈련 신호(1210)의 비교 결과에 따라 업 손실 정보(LossUp)(1280)가 획득된다. 업 손실 정보(LossUp)(1280)는 제 1 훈련 신호(1201)와 제 4 훈련 신호(1210) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 업 손실 정보(1280)는 다음의 수학식 3으로 표현될 수 있다.
[수학식 3]
Figure PCTKR2021013071-appb-img-000003
수학식 3에서 β는 미리 결정된 가중치이고, Anch는 제 1 훈련 신호(1201)이고, Apnch는 제 4 훈련 신호(1210)를 나타낸다. 그리고, F()는 주파수 변환을 나타낸다.
업 손실 정보(1280)는 훈련용 가중치 신호(1208)와 훈련용 중간 오디오 신호(1209)가 어느 정도로 정확하게 생성되었는지를 나타낸다.
제 1 DNN(400)에 의해 출력된 훈련용 주파수 특성 신호(1203)와 제 4 DNN(1100)을 통해 추출된 훈련용 주파수 특성 신호(1207) 사이의 비교 결과에 따라 매칭 손실 정보(LossM)(1290)가 획득된다. 매칭 손실 정보(LossM)(1290)는 두 훈련용 주파수 특성 신호(1203, 1207) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 매칭 손실 정보(1290)는 다음의 수학식 4로 표현될 수 있다.
[수학식 4]
Figure PCTKR2021013071-appb-img-000004
수학식 4에서 CEmbed는 제 2 훈련 신호(1205)에 임베딩되는 훈련용 주파수 특성 신호(1203)를 나타내고, CExtract는 제 4 DNN(1100)에 의해 추출되는 훈련용 주파수 특성 신호(1207)를 나타낸다.
매칭 손실 정보(1290)는 제 4 DNN(1100)이 중간에 출력하는 통합 특성 신호가, 제 2 DNN(600)을 통해 획득되는 통합 특성 신호와 어느 정도로 유사한지를 나타낸다. 제 4 DNN(1100)이 출력하는 통합 특성 신호와 제 2 DNN(600)을 통해 획득되는 통합 특성 신호가 유사한 경우, 두 주파수 특성 신호 역시 유사해진다.
제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 생성 손실 정보(1260), 다운 손실 정보(1270), 업 손실 정보(1280) 및 매칭 손실 정보(1290) 중 적어도 하나를 결합하여 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.
구체적으로, 제 1 DNN(400)과 훈련용 DNN(1240)은 생성 손실 정보(1260)가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다. 또한, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1270), 업 손실 정보(1280) 및 매칭 손실 정보(1290)의 결합 결과로 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.
제 1 DNN(400) 및 훈련용 DNN(1240)의 훈련을 수식으로 표현하면 다음과 같다.
[수학식 5]
Figure PCTKR2021013071-appb-img-000005
수학식 5에서
Figure PCTKR2021013071-appb-img-000006
Phase1은 제 1 DNN(400) 및 훈련용 DNN(1240)의 파라미터 세트를 나타낸다. 제 1 DNN(400) 및 훈련용 DNN(1240)은 훈련을 통해 생성 손실 정보(LossDG)(1260)를 최소화하는 파라미터 세트를 획득한다.
제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련을 수식으로 표현하면 다음과 같다.
[수학식 6]
Figure PCTKR2021013071-appb-img-000007
수학식 6에서
Figure PCTKR2021013071-appb-img-000008
Phase2는 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 세트를 나타내고, α 및
Figure PCTKR2021013071-appb-img-000009
는 미리 설정된 가중치를 나타낸다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 훈련을 통해 다운 손실 정보(LossDown)(1270), 업 손실 정보(LossUp)(1280) 및 매칭 손실 정보(LossM)(1290)를 미리 설정된 가중치에 따라 조합한 최종 손실 정보를 최소화하는 파라미터 세트가 획득된다.
일 실시예에서, 제 1 DNN(400)과 훈련용 DNN(1240)의 훈련, 그리고 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련이 교대로 수행될 수도 있다. 구체적으로, 제 1 DNN(400)과 훈련용 DNN(1240)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한 후, 생성 손실 정보(1260)에 따라 파라미터를 갱신한다. 그리고, 제 1 DNN(400)과 훈련용 DNN(1240)은 갱신된 파라미터에 따라 입력된 신호를 처리하고, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 입력 신호의 처리 결과로 획득되는 매칭 손실 정보(1290), 업 손실 정보(1280) 및 다운 손실 정보(1270) 중 적어도 하나에 따라 파라미터를 갱신한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 갱신이 완료되면, 제 1 DNN(400)과 훈련용 DNN(1240)이 재차 파라미터를 갱신한다. 즉, 일 실시예에 따르면, 제 1 DNN(400)과 훈련용 DNN(1240)의 훈련, 그리고 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련이 교대로 수행됨으로써, 각 DNN의 파라미터를 더욱 높은 정확도 수준까지 안정적으로 훈련시킬 수 있다.
도 13 및 도 14는 훈련 장치(1300)에 의한 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 과정을 설명하기 위한 흐름도이다.
도 12와 관련하여 설명한 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련은 훈련 장치(1300)에 의해 수행될 수 있다. 훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)을 포함할 수 있다. 훈련 장치(1300)는 예를 들어, 오디오 부호화 장치(200) 또는 별도의 서버일 수 있다. 훈련 결과 획득된 제 3 DNN(1000)과 제 4 DNN(1100)은 오디오 복호화 장치(900)에 저장될 수 있다.
훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터를 초기 세팅한다(S1310).
훈련 장치(1300)는 제 1 훈련 신호(1201)로부터 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)를 제 1 DNN(400)으로 입력한다(S1320). 제 1 DNN(400)은 훈련용 주파수 특성 신호(1203)를 훈련용 DNN(1240)으로 출력하고(S1330), 훈련용 DNN(1240)은 복원된 주파수 도메인 훈련 신호(1204)를 훈련 장치(1300)로 출력한다(S1340).
훈련 장치(1300)는 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)와 훈련용 DNN(1240)에서 출력된 주파수 도메인 훈련 신호(1204)를 비교하여 생성 손실 정보(1260)를 산출한다(S1350). 그리고, 제 1 DNN(400)과 훈련용 DNN(1240)은 생성 손실 정보(1260)에 따라 파라미터를 갱신한다(S1360, S1370).
훈련 장치(1300)는 제 1 훈련 신호(1201)로부터 주파수 변환(1220)을 통해 획득된 주파수 도메인 훈련 신호(1202)를 제 1 DNN(400)으로 다시 입력한다(S1380). 제 1 DNN(400)은 갱신된 파라미터를 통해 주파수 도메인 훈련 신호(1202)를 처리하여 훈련용 주파수 특성 신호(1203)를 훈련 장치(1300)와 제 2 DNN(600)으로 출력한다(S1390).
다음으로, 도 14에서 훈련 장치(1300)는 제 1 훈련 신호(1201)를 제 2 DNN(600)으로 입력하고(S1410), 제 2 DNN(600)은 훈련용 주파수 특성 신호(1203)와 제 1 훈련 신호(1201)를 처리하여 제 2 훈련 신호(1205)를 훈련 장치(1300)로 출력한다(S1420).
훈련 장치(1300)는 제 1 훈련 신호(1201)로부터 레거시 다운스케일(1230)된 소-채널 훈련 신호와 제 2 훈련 신호(1205)의 비교 결과에 따라 다운 손실 정보(1270)를 획득한다(S1430).
훈련 장치(1300)는 제 2 훈련 신호(1205)의 제 1 부호화 및 제 1 복호화(1250)를 통해 획득된 제 3 훈련 신호(1206)를 제 4 DNN(1100)으로 입력하고(S1440), 제 4 DNN(1100)은 훈련용 주파수 특성 신호(1207)를 제 3 DNN(1000)과 훈련 장치(1300)로 출력한다(S1450).
훈련 장치(1300)는 S1390 단계에서 제 1 DNN(400)에 의해 출력된 훈련용 주파수 특성 신호(1203)와 제 4 DNN(1100)에 의해 출력된 훈련용 주파수 특성 신호(1207)를 비교하여 매칭 손실 정보(1290)를 산출한다(S1460).
제 4 DNN(1100)은 제 3 훈련 신호(1206)의 처리를 통해 훈련용 중간 오디오 신호(1209)를 출력하고(S1470), 제 3 DNN(1000)은 훈련용 주파수 특성 신호(1207)의 처리를 통해 훈련용 가중치 신호(1208)를 출력한다(S1480).
훈련 장치(1300)는 훈련용 중간 오디오 신호(1209)와 훈련용 가중치 신호(1208)를 결합하여 제 4 훈련 신호(1210)를 획득하고, 제 1 훈련 신호(1201)와 제 4 훈련 신호(1210)를 비교하여 업 손실 정보(1280)를 획득한다(S1490).
제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1270), 매칭 손실 정보(1290) 및 업 손실 정보(1280) 중 적어도 하나를 조합하여 획득한 최종 손실 정보에 따라 파라미터를 갱신한다(S1492, S1494, S1496).
훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1240), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터들이 최적화될때까지 전술한 S1320 단계 내지 S1496 단계를 반복할 수 있다.
도 12 내지 도 14는 주파수 특성 신호가 제 2 오디오 신호(115)에 임베딩되는 경우의 훈련 과정을 도시하고 있는데, 주파수 특성 신호가 제 2 오디오 신호(115)에 임베딩되지 않는 경우의 훈련 과정에 대해 도 15 내지 도 17을 참조하여 설명한다.
도 15는 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 다른 훈련 방법을 설명하기 위한 도면이다.
도 15에서 제 1 훈련 신호(1501)는 제 1 오디오 신호(105)에 대응하고, 제 2 훈련 신호(1505)는 제 2 오디오 신호(115)에 대응한다. 또한, 제 3 훈련 신호(1506)는 제 3 오디오 신호(135)에 대응하고, 제 4 훈련 신호(1510)는 제 4 오디오 신호(145)에 대응한다.
제 1 훈련 신호(1501)에 대한 주파수 변환(1520)을 통해 주파수 도메인 훈련 신호(1502)가 획득되고, 주파수 도메인 훈련 신호(1502)는 제 1 DNN(400)으로 입력된다. 제 1 DNN(400)은 미리 설정된 파라미터에 따라 주파수 도메인 훈련 신호(1502)를 처리하여 훈련용 주파수 특성 신호(1503)를 획득한다.
제 1 훈련 신호(1501)는 제 2 DNN(600)으로 입력되고, 제 2 DNN(600)은 미리 설정된 파라미터를 통해 제 2 훈련 신호(1505)를 획득한다.
훈련용 주파수 특성 신호(1503)와 제 2 훈련 신호(1505)는 제 1 부호화 및 제 1 복호화(1550)를 통해 처리된다. 구체적으로, 훈련용 주파수 특성 신호(1503)와 제 2 훈련 신호(1505)의 제 1 부호화를 통해 훈련용 오디오 데이터가 획득되고, 훈련용 오디오 데이터의 제 1 복호화를 통해 제 3 훈련 신호(1506)와 훈련용 주파수 특성 신호(1507)가 획득된다. 훈련용 주파수 특성 신호(1507)는 제 3 DNN(1000)으로 입력되고, 제 3 훈련 신호(1506)는 제 4 DNN(1100)으로 입력된다. 제 3 DNN(1000)은 미리 설정된 파라미터를 통해 훈련용 주파수 특성 신호(1507)를 처리하여 훈련용 가중치 신호(1508)를 획득한다.
제 4 DNN(1100)은 미리 설정된 파라미터를 통해 제 3 훈련 신호(1506)로부터 훈련용 중간 오디오 신호(1509)를 획득한다. 훈련용 가중치 신호(1508)와 훈련용 중간 오디오 신호(1509)가 결함됨으로써 제 4 훈련 신호(1510)가 획득한다.
도 15에서 제 1 DNN(400)에 의해 획득된 훈련용 주파수 특성 신호(1503)가 훈련용 DNN(1540)으로 입력되는데, 훈련용 DNN(1540)은 제 1 DNN(400)에 의해 훈련용 주파수 특성 신호(1503)가 정확하게 생성되었는지를 검증하기 위한 DNN이다. 훈련용 DNN(1540)은 제 1 DNN(400)의 미러 구조를 가질 수 있다. 훈련용 DNN(1540)은 훈련용 주파수 특성 신호(1503)를 처리하여 주파수 도메인 훈련 신호(1504)를 복원한다.
주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)와 훈련용 DNN(1540)에 의해 획득된 주파수 도메인 훈련 신호(1504) 사이의 비교 결과에 따라 생성 손실 정보(LossDG)(1560)가 획득된다. 생성 손실 정보(LossDG)(1560)는 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)와 훈련용 DNN(1540)에 의해 획득된 주파수 도메인 훈련 신호(1504) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 생성 손실 정보(1560)는 전술한 수학식 1로 표현될 수 있다.
제 1 훈련 신호(1501)는 레거시 다운스케일(1530)을 통해 소-채널 훈련 신호로 변경되는데, 소-채널 훈련 신호와 제 2 훈련 신호(1505)의 비교 결과에 따라 다운 손실 정보(LossDown)(1570)가 획득된다. 다운 손실 정보(LossDown)(1570)는 소-채널 훈련 신호와 제 2 훈련 신호(1505) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 다운 손실 정보(1570)는 전술한 수학식 2로 표현될 수 있다.
제 1 훈련 신호(1501)와 제 4 훈련 신호(1510)의 비교 결과에 따라 업 손실 정보(LossUp)(1580)가 획득된다. 업 손실 정보(LossUp)(1580)는 제 1 훈련 신호(1501)와 제 4 훈련 신호(1510) 사이의 L1-norm 값, L2-norm 값, SSIM(Structural Similarity) 값, PSNR-HVS(Peak Signal-To-Noise Ratio-Human Vision System) 값, MS-SSIM(Multiscale SSIM) 값, VIF(Variance Inflation Factor) 값 및 VMAF(Video Multimethod Assessment Fusion) 값 중 적어도 하나를 포함할 수 있다. 일 예로, 업 손실 정보(1580)는 전술한 수학식 3으로 표현될 수 있다.
도 12에서 설명한 훈련 과정과 비교하면, 도 15의 훈련 과정에서는 매칭 손실 정보(LossM)(1290)가 획득되지 않는다. 그 이유는 도 15의 훈련 과정에서는 훈련용 주파수 특성 신호(1503)가 제 2 훈련 신호(1505)에 임베딩되지 않기 때문이고, 제 1 복호화를 통해 획득된 훈련용 주파수 특성 신호(1507)와 제 1 DNN(400)을 통해 획득된 훈련용 주파수 특성 신호(1503) 사이의 동일성이 인정되기 때문이다.
제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 생성 손실 정보(1560), 다운 손실 정보(1570) 및 업 손실 정보(1580) 중 적어도 하나를 결합하여 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.
구체적으로, 제 1 DNN(400)과 훈련용 DNN(1540)은 생성 손실 정보(1560)가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다. 또한, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1570) 및 업 손실 정보(1580)의 결합 결과로 획득되는 최종 손실 정보가 감소 또는 최소화되도록 파라미터를 갱신할 수 있다.
제 1 DNN(400) 및 훈련용 DNN(1540)의 훈련은 전술한 수학식 5로 표현될 수 있고, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련은 다음의 수학식 7로 표현될 수 있다.
[수학식 7]
Figure PCTKR2021013071-appb-img-000010
수학식 7에서
Figure PCTKR2021013071-appb-img-000011
Phase2는 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 세트를 나타내고, α는 미리 설정된 가중치를 나타낸다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 훈련을 통해 다운 손실 정보(LossDown)(1570) 및 업 손실 정보(LossUp)(1580)의 조합 결과로 획득되는 최종 손실 정보를 최소화하는 파라미터 세트를 획득한다.
일 실시예에서, 제 1 DNN(400)과 훈련용 DNN(1540)의 훈련, 그리고 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련이 교대로 수행될 수도 있다. 구체적으로, 제 1 DNN(400)과 훈련용 DNN(1540)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한 후, 생성 손실 정보(1560)에 따라 파라미터를 갱신한다. 그리고, 제 1 DNN(400)과 훈련용 DNN(1540)은 갱신된 파라미터에 따라 입력된 신호를 처리하고, 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)이 최초 설정된 파라미터에 따라 입력된 신호를 처리한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 입력 신호의 처리 결과로 획득되는 업 손실 정보(1580) 및 다운 손실 정보(1570) 중 적어도 하나에 따라 파라미터를 갱신한다. 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터 갱신이 완료되면, 제 1 DNN(400)과 훈련용 DNN(1540)이 재차 파라미터를 갱신한다.
도 16 및 도 17은 훈련 장치(1300)에 의한 제 1 DNN(400), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련 과정을 설명하기 위한 흐름도이다.
도 15와 관련하여 설명한 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 훈련은 훈련 장치(1300)에 의해 수행될 수 있다. 훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)을 포함할 수 있다. 훈련 장치(1300)는 예를 들어, 오디오 부호화 장치(200) 또는 별도의 서버일 수 있다. 훈련 결과 획득된 제 3 DNN(1000)과 제 4 DNN(1100)은 오디오 복호화 장치(900)에 저장될 수 있다.
도 16을 참조하면, 훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터를 초기 세팅한다(S1610).
훈련 장치(1300)는 제 1 훈련 신호(1501)로부터 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)를 제 1 DNN(400)으로 입력한다(S1620). 제 1 DNN(400)은 훈련용 주파수 특성 신호(1503)를 훈련용 DNN(1540)으로 출력하고(S1630), 훈련용 DNN(1540)은 복원된 주파수 도메인 훈련 신호(1504)를 훈련 장치(1300)로 출력한다(S1640).
훈련 장치(1300)는 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)와 훈련용 DNN(1540)에서 출력된 주파수 도메인 훈련 신호(1504)를 비교하여 생성 손실 정보(1560)를 산출한다(S1650). 그리고, 제 1 DNN(400)과 훈련용 DNN(1540)은 생성 손실 정보(1560)에 따라 파라미터를 갱신한다(S1660, S1670).
훈련 장치(1300)는 제 1 훈련 신호(1501)로부터 주파수 변환(1520)을 통해 획득된 주파수 도메인 훈련 신호(1502)를 제 1 DNN(400)으로 다시 입력한다(S1680). 제 1 DNN(400)은 갱신된 파라미터를 통해 주파수 도메인 훈련 신호(1502)를 처리하여 훈련용 주파수 특성 신호(1503)를 훈련 장치(1300)로 출력한다(S1690). 도 13과 비교하면, 훈련용 주파수 특성 신호(1503)가 제 2 훈련 신호(1505)에 임베딩되지 않으므로, 도 16에서는 훈련용 주파수 특성 신호(1503)가 제 2 DNN(600)으로 입력되지 않는다.
다음으로, 도 17에서 훈련 장치(1300)는 제 1 훈련 신호(1501)를 제 2 DNN(600)으로 입력하고(S1710), 제 2 DNN(600)은 제 1 훈련 신호(1501)를 처리하여 제 2 훈련 신호(1505)를 훈련 장치(1300)로 출력한다(S1720).
훈련 장치(1300)는 제 1 훈련 신호(1501)로부터 레거시 다운스케일(1530)된 소-채널 훈련 신호와 제 2 훈련 신호(1505)의 비교 결과에 따라 다운 손실 정보(1570)를 획득한다(S1730).
훈련 장치(1300)는 제 1 부호화 및 제 1 복호화를 통해 획득된 제 3 훈련 신호(1506)와 훈련용 주파수 특성 신호(1507)를 각각 제 4 DNN(1100)과 제 3 DNN(1000)으로 입력한다(S1740, S1750). 제 4 DNN(1100)은 제 3 훈련 신호(1506)의 처리를 통해 훈련용 중간 오디오 신호(1509)를 출력하고(S1760), 제 3 DNN(1000)은 훈련용 주파수 특성 신호(1507)의 처리를 통해 훈련용 가중치 신호(1508)를 출력한다(S1770).
훈련 장치(1300)는 훈련용 중간 오디오 신호(1509)와 훈련용 가중치 신호(1508)를 결합하여 제 4 훈련 신호(1510)를 획득하고, 제 1 훈련 신호(1501)와 제 4 훈련 신호(1510)를 비교하여 업 손실 정보(1580)를 획득한다(S1780).
제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)은 다운 손실 정보(1570) 및 업 손실 정보(1580) 중 적어도 하나를 조합하여 획득한 최종 손실 정보에 따라 파라미터를 갱신한다(S1792, S1794, S1796).
훈련 장치(1300)는 제 1 DNN(400), 훈련용 DNN(1540), 제 2 DNN(600), 제 3 DNN(1000) 및 제 4 DNN(1100)의 파라미터들이 최적화될때까지 전술한 S1620 단계 내지 S1796 단계를 반복할 수 있다.
도 18은 일 실시예에 따른 오디오 부호화 방법을 설명하는 순서도이다.
S1810 단계에서, 부호화 장치(200)는 n개의 채널을 포함하는 제 1 오디오 신호(105)를 시간 도메인에서 주파수 도메인으로 변환한다. 변환 결과 획득된 주파수 도메인의 제 1 오디오 신호는 n 개의 채널을 가질 수 있다.
S1820 단계에서, 부호화 장치(200)는 주파수 도메인의 제 1 오디오 신호를 제 1 DNN(400)으로 처리하여 소정 시간 구간에서 채널 별 샘플들의 개수가 주파수 도메인의 제 1 오디오 신호의 채널 별 샘플들의 개수보다 적은 주파수 특성 신호를 획득한다.
S1830 단계에서, 부호화 장치(200)는 제 2 DNN(600)을 이용하여 제 1 오디오 신호(105)로부터 m개의 채널(m<n)을 포함하는 제 2 오디오 신호(115)를 획득한다. 제 2 오디오 신호(115)의 시간 길이는 제 1 오디오 신호(105)의 시간 길이와 동일하고, 제 2 오디오 신호(115)의 채널 수는 제 1 오디오 신호(105)의 채널 수보다 작을 수 있다.
S1840 단계에서, 부호화 장치(200)는 제 2 오디오 신호(115)와 주파수 특성 신호를 제 1 부호화하여 오디오 데이터를 획득한다. 전술한 바와 같이, 주파수 특성 신호는 제 2 오디오 신호(115)에 임베딩된 후 제 1 부호화될 수 있고, 또는 제 2 오디오 신호(115)와 주파수 특성 신호가 각각 제 1 부호화를 통해 오디오 데이터에 포함될 수도 있다.
도 19는 일 실시예에 따른 오디오 복호화 방법을 설명하는 순서도이다.
S1910 단계에서, 복호화 장치(900)는 오디오 데이터를 제 1 복호화하여 m개의 채널을 포함하는 제 3 오디오 신호(135)와 주파수 특성 신호를 획득한다. 주파수 특성 신호는 제 4 DNN(1100)에 의한 제 3 오디오 신호(135)의 처리 과정 중에 추출될 수도 있다.
S1920 단계에서, 복호화 장치(900)는 제 3 DNN(1000)을 이용하여 주파수 특성 신호로부터 가중치 신호를 획득한다. 가중치 신호의 시간 길이 및 채널 수는 제 1 오디오 신호(105) 및 제 4 오디오 신호(145)의 시간 길이 및 채널 수와 동일할 수 있다.
S1930 단계에서, 복호화 장치(900)는 제 4 DNN(1100)을 이용하여 제 3 오디오 신호(135)로부터 n개의 채널을 포함하는 중간 오디오 신호를 획득한다. 중간 오디오 신호의 시간 길이 및 채널 수는 제 1 오디오 신호(105) 및 제 4 오디오 신호(145)의 시간 길이 및 채널 수와 동일할 수 있다.
S1940 단계에서, 복호화 장치(900)는 중간 오디오 신호에 가중시 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호(145)를 획득한다.
제 4 오디오 신호(145)는 재생을 위해 재생 장치(예를 들어, 스피커)로 출력될 수 있다.
한편, 상술한 본 개시의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 작성된 프로그램은 매체에 저장될 수 있다.
매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상, 본 개시의 기술적 사상을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 개시의 기술적 사상은 상기 실시예들에 한정되지 않고, 본 개시의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형 및 변경이 가능하다.

Claims (15)

  1. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
    상기 프로세서는,
    n개의 채널을 포함하는 제 1 오디오 신호를 주파수 변환하여 주파수 도메인의 제 1 오디오 신호를 생성하고,
    제 1 DNN을 기반으로 상기 주파수 도메인의 제 1 오디오 신호로부터 채널별 주파수 특성 신호를 생성하고,
    제 2 DNN을 기반으로 상기 제 1 오디오 신호로부터 m개(m<n)의 채널을 포함하는 제 2 오디오 신호를 생성하고,
    상기 제 2 오디오 신호 및 상기 주파수 특성 신호를 부호화함으로써 출력 오디오 신호를 생성하되,
    상기 제 1 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호이고,
    상기 제 2 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하는, 오디오 신호의 처리 장치.
  2. 제1항에 있어서,
    상기 주파수 특성 신호는, 채널별 대표 값을 포함하고,
    상기 채널별 대표 값은, 상기 주파수 도메인의 제 1 오디오 신호의 채널별 복수의 주파수 대역에 대응하는 값인, 오디오 신호의 처리 장치.
  3. 제1항에 있어서,
    상기 제 2 DNN은,
    상기 제 1 오디오 신호로부터 오디오 특성 신호를 획득하고, 상기 오디오 특성 신호와 상기 주파수 특성 신호가 결합된 통합 특성 신호로부터 상기 제 2 오디오 신호를 출력하는, 오디오 신호의 처리 장치.
  4. 제3항에 있어서,
    상기 오디오 특성 신호의 채널들 중 일부 채널의 샘플들이 상기 주파수 특성 신호의 샘플들로 대체됨으로써 상기 통합 특성 신호가 획득되는, 오디오 신호의 처리 장치.
  5. 제4항에 있어서,
    상기 일부 채널은,
    상기 오디오 특성 신호의 채널들 중 첫 번째 채널로부터 연속된 소정 개수의 채널 또는 마지막 채널로부터 연속된 소정 개수의 채널을 포함하는, 오디오 신호의 처리 장치.
  6. 제3항에 있어서,
    상기 오디오 특성 신호의 시간 길이와 상기 주파수 특성 신호의 시간 길이는 동일한, 오디오 신호의 처리 장치.
  7. 제1항에 있어서,
    상기 주파수 특성 신호는,
    소정 시간 구간에서 각 채널의 샘플의 개수가 1개인, 오디오 신호의 처리 장치.
  8. 제1항에 있어서,
    상기 출력 오디오 신호는, 비트스트림으로 표현되며,
    상기 주파수 특성 신호는 상기 비트스트림의 부가 영역에 포함되는, 오디오 신호의 처리 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 제 2 DNN으로부터 출력된 중간 오디오 신호와, 상기 제 1 오디오 신호로부터 다운스케일된 소-채널 오디오 신호를 결합하여 상기 제 2 오디오 신호를 획득하는, 오디오 신호의 처리 장치.
  10. 제1항에 있어서,
    상기 제 1 DNN은,
    제 1 훈련 신호로부터 변환된 주파수 도메인 훈련 신호와, 훈련용 주파수 특성 신호로부터 훈련용 DNN에 의해 복원된 주파수 도메인 훈련 신호의 비교 결과에 따라 훈련되며,
    상기 훈련용 주파수 특성 신호는, 상기 제 1 DNN에 기반하여 상기 주파수 도메인 훈련 신호로부터 획득된, 오디오 신호의 처리 장치.
  11. 제10항에 있어서,
    상기 제 2 DNN은,
    상기 제 1 훈련 신호로부터 상기 제 2 DNN을 통해 획득되는 제 2 훈련 신호와, 상기 제 1 훈련 신호로부터 다운스케일된 소-채널 훈련 신호의 비교 결과,
    상기 제 1 훈련 신호와, 훈련용 오디오 데이터로부터 복원된 제 4 훈련 신호의 비교 결과, 및
    상기 훈련용 주파수 특성 신호와, 상기 훈련용 오디오 데이터로부터 획득되는 훈련용 주파수 특성 신호 사이의 비교 결과 중 적어도 하나에 따라 훈련되는, 오디오 신호의 처리 장치.
  12. 제11항에 있어서,
    상기 제 1 DNN과 제 2 DNN은 교대로 훈련되는, 오디오 신호의 처리 장치.
  13. 하나 이상의 인스트럭션들을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고,
    상기 프로세서는,
    입력 오디오 신호를 복호화함으로써 m개의 채널을 포함하는 제 3 오디오 신호 및 주파수 특성 신호를 생성하고,
    제 3 DNN을 기반으로, 상기 주파수 특성 신호로부터 n개(n>m)의 채널을 포함하는 가중치 신호를 생성하고,
    상기 제 3 오디오 신호로부터 제 4 DNN에 의해 생성되는 n개의 채널을 포함하는 중간 오디오 신호에 상기 가중치 신호를 적용하여 n개의 채널을 포함하는 제 4 오디오 신호를 생성하되,
    상기 제 3 오디오 신호는, 모노 신호 및 스테레오 신호 중 하나를 포함하고,
    상기 제 4 오디오 신호는, 0차 신호 및 복수의 1차 신호들을 포함하는 고차 앰비소닉(High Order Ambisonics) 신호인, 오디오 신호의 처리 장치.
  14. 제13항에 있어서,
    상기 제 4 DNN은,
    상기 제 3 오디오 신호를 처리하여 통합 특성 신호를 획득하고, 상기 통합 특성 신호에 포함된 오디오 특성 신호로부터 상기 중간 오디오 신호를 출력하며,
    상기 주파수 특성 신호는, 상기 통합 특성 신호로부터 추출되어 상기 제 3 DNN으로 입력되는, 오디오 신호의 처리 장치.
  15. 제13항에 있어서,
    상기 프로세서는,
    상기 중간 오디오 신호의 샘플들과 상기 가중치 신호의 샘플들을 곱하여 상기 제 4 오디오 신호를 획득하는, 오디오 신호의 처리 장치.
PCT/KR2021/013071 2020-09-28 2021-09-24 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법 WO2022065933A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP21872961.4A EP4202921A4 (en) 2020-09-28 2021-09-24 AUDIO ENCODING APPARATUS AND METHOD AND AUDIO DECODING APPARATUS AND METHOD
CN202180066296.5A CN116324979A (zh) 2020-09-28 2021-09-24 音频编码装置和方法，以及音频解码装置和方法
US18/127,374 US20230238003A1 (en) 2020-09-28 2023-03-28 Audio encoding apparatus and method, and audio decoding apparatus and method

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2020-0126360 2020-09-28
KR20200126360 2020-09-28
KR1020200179918A KR20220042986A (ko) 2020-09-28 2020-12-21 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법
KR10-2020-0179918 2020-12-21

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/127,374 Continuation US20230238003A1 (en) 2020-09-28 2023-03-28 Audio encoding apparatus and method, and audio decoding apparatus and method

Publications (1)

Publication Number Publication Date
WO2022065933A1 true WO2022065933A1 (ko) 2022-03-31

Family

ID=80846719

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/013071 WO2022065933A1 (ko) 2020-09-28 2021-09-24 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법

Country Status (4)

Country Link
US (1) US20230238003A1 (ko)
EP (1) EP4202921A4 (ko)
CN (1) CN116324979A (ko)
WO (1) WO2022065933A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230379645A1 (en) * 2022-05-19 2023-11-23 Google Llc Spatial Audio Recording from Home Assistant Devices

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190069192A (ko) * 2017-12-11 2019-06-19 한국전자통신연구원 오디오 신호의 채널 파라미터 예측 방법 및 장치
KR20190069198A (ko) * 2017-12-11 2019-06-19 한국전자통신연구원 다채널 오디오 신호에서 음원을 추출하는 장치 및 그 방법
KR20190072653A (ko) * 2016-11-08 2019-06-25 프라운호퍼-게젤샤프트 추르 푀르데룽 데어 안제반텐 포르슝 에 파우 적어도 2개의 채널들을 다운믹싱하기 위한 다운믹서 및 방법 및 멀티채널 인코더 및 멀티채널 디코더
KR20200013091A (ko) * 2013-05-24 2020-02-05 돌비 인터네셔널 에이비 오디오 인코더 및 디코더
KR20200086064A (ko) * 2019-01-08 2020-07-16 엘지전자 주식회사 신호 처리 장치 및 이를 구비하는 영상표시장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041041B1 (en) * 2006-05-30 2011-10-18 Anyka (Guangzhou) Microelectronics Technology Co., Ltd. Method and system for providing stereo-channel based multi-channel audio coding
US11699451B2 (en) * 2018-07-02 2023-07-11 Dolby Laboratories Licensing Corporation Methods and devices for encoding and/or decoding immersive audio signals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200013091A (ko) * 2013-05-24 2020-02-05 돌비 인터네셔널 에이비 오디오 인코더 및 디코더
KR20190072653A (ko) * 2016-11-08 2019-06-25 프라운호퍼-게젤샤프트 추르 푀르데룽 데어 안제반텐 포르슝 에 파우 적어도 2개의 채널들을 다운믹싱하기 위한 다운믹서 및 방법 및 멀티채널 인코더 및 멀티채널 디코더
KR20190069192A (ko) * 2017-12-11 2019-06-19 한국전자통신연구원 오디오 신호의 채널 파라미터 예측 방법 및 장치
KR20190069198A (ko) * 2017-12-11 2019-06-19 한국전자통신연구원 다채널 오디오 신호에서 음원을 추출하는 장치 및 그 방법
KR20200086064A (ko) * 2019-01-08 2020-07-16 엘지전자 주식회사 신호 처리 장치 및 이를 구비하는 영상표시장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4202921A4 *

Also Published As

Publication number Publication date
CN116324979A (zh) 2023-06-23
US20230238003A1 (en) 2023-07-27
EP4202921A1 (en) 2023-06-28
EP4202921A4 (en) 2024-02-21

Similar Documents

Publication Publication Date Title
WO2010107269A2 (ko) 멀티 채널 신호의 부호화/복호화 장치 및 방법
WO2020009357A1 (ko) Cclm에 기반한 인트라 예측 방법 및 그 장치
WO2018128323A1 (ko) 이차 변환을 이용한 비디오 신호의 인코딩/디코딩 방법 및 장치
WO2010087614A2 (ko) 오디오 신호의 부호화 및 복호화 방법 및 그 장치
WO2010008229A1 (ko) 포스트 다운믹스 신호를 지원하는 다객체 오디오 부호화 장치 및 복호화 장치
WO2017014585A1 (ko) 그래프 기반 변환을 이용하여 비디오 신호를 처리하는 방법 및 장치
WO2011034385A2 (en) Method and apparatus for encoding and decoding mode information
WO2019050385A2 (ko) 비디오 신호를 엔트로피 인코딩, 디코딩하는 방법 및 장치
WO2022065933A1 (ko) 오디오의 부호화 장치 및 방법, 및 오디오의 복호화 장치 및 방법
WO2009116815A2 (en) Apparatus and method for encoding and decoding using bandwidth extension in portable terminal
WO2016195455A1 (ko) 그래프 기반 변환을 이용하여 비디오 신호를 처리하는 방법 및 장치
WO2015093742A1 (en) Method and apparatus for encoding/decoding an audio signal
WO2016204581A1 (ko) 저연산 포맷 변환을 위한 인터널 채널 처리 방법 및 장치
WO2022158943A1 (ko) 다채널 오디오 신호 처리 장치 및 방법
WO2016072611A1 (ko) 인트라 예측을 이용하는 비디오 부호화/복호화 방법 및 장치
WO2014168439A1 (ko) 다채널 신호를 위한 인코더 및 인코딩 방법, 다채널 신호를 위한 디코더 및 디코딩 방법
WO2021107695A1 (en) Method, device and electronic apparatus for transmitting and receiving speech signal
WO2016076624A1 (ko) 그래프 기반 변환(graph based transform)을 이용한 비디오 신호 처리 방법 및 이를 위한 장치
WO2016056709A1 (ko) 이미지 재부호화 방법 및 그 장치
WO2019199040A1 (ko) 메타데이터를 이용하는 오디오 신호 처리 방법 및 장치
WO2022065981A1 (ko) 동영상 처리 장치 및 방법
EP3997887A1 (en) Image providing apparatus and image providing method thereof, and display apparatus and display method thereof
WO2014175617A1 (ko) 직접 오디오 채널 데이터 및 간접 오디오 채널 데이터를 이용한 스케일러블 디지털 오디오 인코딩/디코딩 방법 및 장치
WO2017164606A2 (ko) 블록 기반의 오디오 부호화/복호화 장치 및 그 방법
WO2022177382A1 (ko) Ai를 이용하는 영상의 부호화 및 복호화 장치 및 이에 의한 영상의 부호화 및 복호화 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: 21872961

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021872961

Country of ref document: EP

Effective date: 20230324

NENP Non-entry into the national phase

Ref country code: DE