WO2022085914A1 - 전자 장치 및 전자 장치의 제어 방법 - Google Patents

전자 장치 및 전자 장치의 제어 방법 Download PDF

Info

Publication number
WO2022085914A1
WO2022085914A1 PCT/KR2021/011018 KR2021011018W WO2022085914A1 WO 2022085914 A1 WO2022085914 A1 WO 2022085914A1 KR 2021011018 W KR2021011018 W KR 2021011018W WO 2022085914 A1 WO2022085914 A1 WO 2022085914A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
information
segmentation
electronic device
objects
Prior art date
Application number
PCT/KR2021/011018
Other languages
English (en)
French (fr)
Inventor
윤준근
김기덕
김민수
김정현
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
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to US17/451,790 priority Critical patent/US20220122218A1/en
Publication of WO2022085914A1 publication Critical patent/WO2022085914A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/60—
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Definitions

  • the present invention relates to a control method, and more particularly, to an electronic device capable of extending an outer region of an original image and a control method of the electronic device.
  • the data for prediction increases as the region of the original image extends from the region to the outer region is ambiguous and a problem that blur may be generated in the outer region of the image is pointed out.
  • the information included in the extended outer region may not be naturally connected with the information contained in the original image.
  • the present disclosure is in accordance with the above-mentioned necessity, and an object of the present disclosure is to provide an electronic device capable of acquiring an image in which an outer region of an original image is naturally extended and a control method of the electronic device.
  • an electronic device includes a memory storing at least one instruction and a processor executing the at least one instruction, the processor comprising: By executing the at least one instruction, the processor identifies a plurality of objects included in the first image in response to receiving a user input for expanding the outer region of the first image, and corresponds to each of the plurality of objects Segmentation of the area to be A first segmentation image including information is obtained, a second segmentation image in which an outer region of the first segmentation image is extended based on the segmentation information is obtained, and the segmentation information included in the second segmentation image is RGB information may obtain a second image converted to , obtain a third image by reflecting characteristics of the first image to the second image based on the segmentation information, and provide the obtained third image.
  • a plurality of pieces included in the first image are received.
  • a non-transitory computer-readable recording medium including a program for executing a method for controlling an electronic device
  • the method for controlling the electronic device includes a first image
  • a plurality of objects included in the first image are identified, and a segmentation of a region corresponding to each of the plurality of objects acquiring a first segmentation image including information; acquiring a second segmentation image in which an outer region of the first segmentation image is expanded based on the segmentation information;
  • FIG. 1 is a flowchart illustrating a control method of an electronic device according to an embodiment of the present disclosure
  • FIG. 2 is a view showing images sequentially acquired according to each step of the control method of FIG. 1 of the present disclosure
  • FIG. 3 is a view for explaining in detail various embodiments of a segmentation process according to the present disclosure.
  • 4A and 4B are diagrams for explaining in detail an embodiment of a second segmentation image acquisition process according to various embodiments of the present disclosure
  • FIG. 5 is a view for explaining in detail various embodiments of the image blending process according to the present disclosure.
  • FIG. 6 is a view for explaining various embodiments of a method for providing an expected result for expansion of an outer region according to the present disclosure
  • FIGS. 7A and 7B are diagrams illustrating a user interface for providing an expected result for an extension of an outer region according to various embodiments of the present disclosure
  • FIG. 8 is a block diagram schematically illustrating a configuration of an electronic device according to various embodiments of the present disclosure
  • FIG. 9 is a detailed block diagram illustrating a configuration of an electronic device according to various embodiments of the present disclosure.
  • expressions such as “have,” “may have,” “include,” or “may include” indicate the presence of a corresponding characteristic (eg, a numerical value, function, operation, or component such as a part). and does not exclude the presence of additional features.
  • expressions such as “A or B,” “at least one of A and/and B,” or “one or more of A or/and B” may include all possible combinations of the items listed together.
  • “A or B,” “at least one of A and B,” or “at least one of A or B” means (1) includes at least one A, (2) includes at least one B; Or (3) it may refer to all cases including both at least one A and at least one B.
  • a component eg, a first component
  • another component eg, a second component
  • the certain element may be directly connected to the other element or may be connected through another element (eg, a third element).
  • a component eg, a first component
  • another component eg, a second component
  • the expression “a device configured to” may mean that the device is “capable of” with other devices or parts.
  • a processor configured (or configured to perform) A, B, and C refers to a dedicated processor (eg, an embedded processor) for performing the corresponding operations, or by executing one or more software programs stored in a memory device.
  • a generic-purpose processor eg, a CPU or an application processor
  • a 'module' or 'unit' performs at least one function or operation, and may be implemented as hardware or software, or a combination of hardware and software.
  • a plurality of 'modules' or a plurality of 'units' may be integrated into at least one module and implemented with at least one processor, except for 'modules' or 'units' that need to be implemented with specific hardware.
  • the electronic device may include, for example, at least one of a smart phone, a tablet PC, a desktop PC, a laptop PC, and a wearable device.
  • a wearable device may be an accessory (e.g., watch, ring, bracelet, anklet, necklace, eyewear, contact lens, or head-mounted-device (HMD)), a textile or clothing integral (e.g. electronic garment); It may include at least one of body-attached (eg, skin pad or tattoo), or bioimplantable circuitry.
  • HMD head-mounted-device
  • the electronic device may include, for example, a television, a digital video disk (DVD) player, an audio device, a refrigerator, an air conditioner, a vacuum cleaner, an oven, a microwave oven, a washing machine, an air purifier, a set-top box, a home automation control panel, Connect at least one of a security control panel, media box (e.g. Samsung HomeSyncTM, Apple TVTM, or Google TVTM), game console (e.g. XboxTM, PlayStationTM), electronic dictionary, electronic key, camcorder, or electronic picture frame.
  • a security control panel e.g. Samsung HomeSyncTM, Apple TVTM, or Google TVTM
  • media box e.g. Samsung HomeSyncTM, Apple TVTM, or Google TVTM
  • game console e.g. XboxTM, PlayStationTM
  • electronic dictionary electronic key
  • camcorder camcorder
  • the electronic device may include various medical devices (eg, various portable medical devices (eg, a blood glucose monitor, a heart rate monitor, a blood pressure monitor, or a body temperature monitor), magnetic resonance angiography (MRA), magnetic resonance imaging (MRI), or CT.
  • various medical devices eg, various portable medical devices (eg, a blood glucose monitor, a heart rate monitor, a blood pressure monitor, or a body temperature monitor), magnetic resonance angiography (MRA), magnetic resonance imaging (MRI), or CT.
  • various portable medical devices eg, a blood glucose monitor, a heart rate monitor, a blood pressure monitor, or a body temperature monitor
  • MRA magnetic resonance angiography
  • MRI magnetic resonance imaging
  • GNSS global navigation satellite system
  • EDR event data recorder
  • FDR flight data recorder
  • automotive infotainment devices marine electronic equipment
  • GNSS global navigation satellite system
  • EDR event data recorder
  • FDR flight data recorder
  • automotive infotainment devices marine electronic equipment
  • GNSS global navigation satellite system
  • POS point of sale
  • Internet of Things devices eg, light bulbs, various sensors, sprinkler devices, fire alarms, thermostats, street lights, toasters, exercise equipment, hot water tanks, heaters, boilers, etc.
  • FIG. 1 is a flowchart illustrating a control method of an electronic device according to an embodiment of the present disclosure.
  • FIG. 2 is a diagram showing images sequentially acquired according to each step of the control method of FIG. 1 .
  • an embodiment according to the present disclosure will be described with reference to FIG. 2 together with FIG. 1 .
  • An 'electronic device' refers to a device capable of providing a new image by expanding an outer region of an image.
  • the electronic device may be implemented as a user terminal such as a smart phone or a tablet PC, or may be implemented as a server or a cloud system for extending the outer region of an image and transmitting the image to the user terminal.
  • the electronic device according to the present disclosure is not limited to the above-described type.
  • the electronic device may receive a user input for expanding the outer region of the first image 10 ( S110 ).
  • an 'image' refers to an image representing objects included in an image according to RGB values for each pixel. That is, the term "image" is a general term for a general image, such as an image acquired through a camera of an electronic device, in distinction from a 'segmentation image' to be described later.
  • the image refers to images such as the first image 10, the second image 40, the third image 60, and the fourth image 50 of FIG. 2, among which the 'first image (10) )' refers to an original image that has not undergone an image processing process according to the control method of the present disclosure.
  • the first image 10 may be an image acquired in real time through an electronic device, an image pre-stored in the electronic device, or an image received from an external device, and may mean a moving image as well as an image composed of a single frame. .
  • the 'user input' refers to a user input for expanding the outer region of the first image 10 that is the original image
  • the 'outer region' of the image refers to a preset region surrounding the boundary of the image.
  • the outer region of the first image 10 may be a region from the boundary of the first image 10 to the boundary indicated by the dotted line 11 .
  • FIG. 2 illustrates a case in which the area surrounding the boundary of the first image 10 is set as the outer area, the present disclosure is not limited thereto. That is, the present disclosure may also be applied to a case for expanding one side or both sides of the first image 10 .
  • the size of the outer region to be expanded may also be variously determined according to a user's setting.
  • the user input is transmitted by a user touch input through the display of the electronic device, a user voice received through a microphone of the electronic device, input of a physical button provided in the electronic device, and transmitted by a remote control device for controlling the electronic device. It may be received based on a control signal or the like.
  • the term 'extension of the image' does not enlarge pixels of the original image by a certain ratio, but pixels that can be naturally connected to objects included in the original image. It refers to the process of creating a new image by adding it to the outer region. Accordingly, in describing the present disclosure, the term 'extension' of an image may be replaced with a term such as 'extension' or 'extrapolation'.
  • the electronic device may acquire the first segmentation image 20 including segmentation information on a region corresponding to each of the plurality of objects included in the first image 10 ( S120 ). Specifically, the electronic device identifies a plurality of objects included in the first image 10 by using the segmentation model, and displays segmentation information on a region corresponding to each of the plurality of objects in a color corresponding to the first segmentation model. An image 20 may be acquired.
  • the 'segmentation model' refers to a neural network model trained to obtain and output a segmented image corresponding to an input image.
  • the segmentation model sets an output channel for each of a plurality of predefined classes (which may be referred to as categories or domains, etc.) using one-hot encoding, and passes an image input to each output channel By doing this, information on the class corresponding to each pixel of the input image can be obtained.
  • the segmentation model according to the present disclosure is a 'semantic segmentation model (semantic segmentation model), and may include neural networks such as Convolutional Neural Network (CNN), Unet CNN, Fully Convolutional Network for Semantic Segmentation (FCN), and the like.
  • CNN Convolutional Neural Network
  • FCN Fully Convolutional Network for Semantic Segmentation
  • the 'segmentation information' includes information about a label indicating which class each pixel of the input image belongs to, and specifically, each type of a plurality of objects included in the input image, a location of each of the plurality of objects, and It may include information about a region of each of the plurality of objects, and the like.
  • the 'segmentation image' is an image including segmentation information, and specifically, refers to an image representing a region corresponding to each of a plurality of objects with a color corresponding to a class of a plurality of objects included in the image.
  • the segmentation image refers to images such as the first segmentation image 20 and the second segmentation image 30 of FIG. 2 , among which the term 'first segmentation image 20' refers to the first image 10 in the present disclosure. It is used as a term for specifying the segmented image output as a result of input to the segmentation model according to For example, in the first segmentation image 20 of FIG.
  • a region corresponding to each of the objects “sky”, “sea”, “land” and “mountain” included in the first segmentation image 20 is “sky”. “,” “sea”, “land” and “mountain” are denoted by the color assigned to each.
  • the segmentation model simplifies the various information included in the first image 10 in the form of a clustering map (that is, a segmentation map), and by clarifying the boundaries of each of the plurality of objects included in the image, It can play a role of clearly specifying information required for image extension.
  • a clustering map that is, a segmentation map
  • the electronic device may more clearly detect the boundary of each of the plurality of objects included in the first image 10 by performing an 'outline detection process' in addition to the above-described segmentation process.
  • An embodiment in which the segmentation process and the contour detection process are combined will be described with reference to FIG. 3 .
  • the electronic device may acquire the second segmentation image 30 in which the outer region of the first segmentation image 20 is expanded based on the segmentation information (S130). That is, the 'second segmentation image 30' refers to a segmentation image obtained by expanding the outer region of the first segmentation image 20 .
  • the second segmentation image 30 is an expanded image in which pixels that can be naturally connected to objects included in the original image are added to the area around the boundary of the first segmentation image 20 . can be
  • the electronic device identifies an extended attribute corresponding to each type of a plurality of objects based on information on each type of a plurality of objects included in the segmentation information, and identifies the plurality of identified types.
  • the outer region of the first segmented image 20 may be expanded based on the extended attribute for each object.
  • the 'extended attribute' is used as a generic term for attributes of the shape of an object that may affect the natural expansion of the outer region of the image.
  • the extended attribute may include a convergence attribute and a divergent attribute.
  • 'Expanded property' refers to the property of an object that naturally forms a closed curve to complete the shape of the object when expanding an object, such as "person, car, or smartphone", and 'convergence property' means "sky, sea, or mountain When expanding an object like ", etc., it is a natural property of an object not to form a closed curve to complete the shape of the object.
  • the extended attribute according to the present disclosure is not limited to the above-described example, and may include attributes including a general shape and size of an object.
  • the electronic device may expand the outer region of the first segmentation image 20 based on the extended attribute for each of the plurality of objects. For example, as the divergent attribute, which is an extended attribute corresponding to “sky” disposed in the outer region of the first segmentation image 20 , is identified, the electronic device sets “sky” to the boundary of the second segmented image 30 . It can be expanded in an extended form. Meanwhile, although not shown in FIG. 2 , if “car” is disposed in the outer region of the first segmented image 20, the electronic device identifies a convergence property that is an extended property corresponding to “car”, and “car” " can be expanded to form a closed curve corresponding to its size.
  • FIG. 4 Various embodiments of the present disclosure related to an image expansion process will be described in detail with reference to FIG. 4 .
  • the electronic device may obtain a second image 40 in which segmentation information included in the second segmentation image 30 is converted into RGB information (S140).
  • the electronic device may acquire the second image 40 based on the second segmentation image 30 through the image generation model.
  • the term 'second image 40' distinguishes an image obtained based on the second segmentation image 30 from a first image 10 that is an original image and a third image 60 as will be described later. It is a term for Meanwhile, as shown in FIG. 2 , the second image 40 has the same size as the second segmented image 30 .
  • the 'image generation model' refers to a neural network model trained to generate a new image corresponding to input data.
  • the image generation model according to the present disclosure may be implemented as a Generative Adversarial Network (GAN), and a generator trained to generate an image and a discriminator trained to distinguish a plurality of images. may include.
  • GAN Generative Adversarial Network
  • the 'generator' may be trained to follow a distribution of training data composed of pairs of a segmented image and a corresponding image, and accordingly may output an image corresponding to the input segmented image.
  • the 'discriminator' may discriminate the difference between the image generated by the generator and the image of the training data, and output feedback information about the difference.
  • the discriminator obtains a probability value close to 1 as the image generated by the generator is similar to the image of the training data, and obtains a probability value close to 0 as the image generated by the generator is not similar to the image in the training data. there is.
  • a value obtained by adding a probability value when an image generated by the generator is input to the discriminator and a probability value when an image of training data is input to the discriminator may be a loss function of the discriminator.
  • the learning process of the discriminator may be performed by updating the weight of the discriminator in a direction that minimizes the value of the loss function.
  • the loss function value may be transmitted to the weight of each layer included in the generator and the discriminator through backpropagation to determine the direction and size of the update.
  • a method of optimizing weights in this way is called gradient descent.
  • the weight optimization method according to the present disclosure is not limited to a specific method.
  • the discriminator when the image generated by the generator is input to the discriminator, the discriminator may be trained to obtain a probability value close to 1. That is, the difference between the probability value and 1 in the case of inputting the image generated by the generator to the discriminator becomes the loss function of the generator, and the learning process of the generator by updating the weight of the generator in a direction that minimizes the value of this loss function This can be done.
  • the generator and the discriminator can be trained adversarially, and accordingly, the generator can accurately simulate the distribution of training data.
  • the image generation model is trained through sufficient training data and sufficient training time
  • the second image 40 and the original image generated by converting the segmentation information included in the first segmentation image 20 back into RGB information Differences may exist between the first images 10 .
  • Such a difference may be resolved through step S150, which will be described later.
  • the electronic device may acquire the third image 60 by reflecting the characteristics of the first image 10 in the second image 40 based on the segmentation information (S150) ).
  • the term 'third image 60' is used to specify an image generated by reflecting characteristics of the first image 10 in the second image 40 .
  • the third image 60 has the same size as the second image 40 as shown in FIG. 2 .
  • the process of reflecting the characteristics of the first image 10 to the second image 40 may include a style transfer process and an image blending process.
  • the 'style transfer process' refers to a process of acquiring the fourth image 50 reflecting the style of the first image 10 by transferring the style of the first image 10 to the second image 40 .
  • an image in which the style of the first image 10 is reflected in the second image 40 is referred to as a 'fourth image 50' for convenience.
  • the electronic device obtains information about a parameter that can affect the style of the image from the first image 10 and changes the parameter of the second image 40 to correspond to the obtained parameter information.
  • an image in which the style of the first image 10 is reflected may be acquired.
  • parameters that can affect the style of an image include, but are not limited to, hue, brightness, saturation, contrast, exposure, highlights, shadows, brightness, color temperature, noise, vignette, and blackpoint. it is not limited to, hue, brightness, saturation, contrast, exposure, highlights, shadows, brightness, color temperature, noise, vignette, and blackpoint. it is not
  • the style transition process may be performed using the segmentation information included in the first segmentation image 20 together with the parameter information obtained from the first image 10 .
  • the electronic device identifies each type of a plurality of objects included in the first image 10, a location of each of the plurality of objects, and an area of each of the plurality of objects based on the segmentation information,
  • the style of the first image 10 may be reflected in the second image 20 in more detail in units of objects.
  • the 'image blending process' refers to a process of obtaining a new image by mixing the first image 10 and the fourth image 50 .
  • an image generated by mixing the RGB values for each pixel of the first image 10 and the fourth image 50 is referred to as a 'third image 60'.
  • the electronic device identifies a blending property corresponding to each type of a plurality of objects based on information on each type of a plurality of objects included in the segmentation information, and a first image based on the blending property for each of the plurality of objects
  • An area in which (10) and the fourth image 50 are mixed is determined, and the RGB value for each pixel of the first image 10 and the RGB value for each pixel of the fourth image 50 corresponding to the determined area are given a predetermined weight.
  • the third image 60 may be obtained by mixing according to .
  • the 'blending property' may include a size of an area occupied by an object in an image, a degree to which a characteristic within the object changes, and a depth at which the object is disposed in the image.
  • the electronic device may mix a wide area of the first image 10 with the fourth image 50, , conversely, in the case of an object with a large degree of change in characteristics within the object, such as "person", the electronic device uses a relatively narrow area (10) of the first image (50) in the fourth image (50) compared to the area corresponding to "sea”. ) can be mixed.
  • a relatively narrow area (10) of the first image (50) in the fourth image (50) compared to the area corresponding to "sea”.
  • the electronic device may provide the acquired third image 60 ( S160 ). Specifically, the electronic device may display the third image 60 through the display of the electronic device, and transmit the third image 60 to the external device through the communication unit of the electronic device to transmit the third image 60 to the user. can also be provided to
  • the electronic device obtains an image in which the outer region of the original image is naturally expanded based on the types of each of a plurality of objects included in the original image and properties thereof, and provides the user with an image. be able to provide
  • FIG. 3 is a diagram for describing in detail an embodiment of a segmentation process according to the present disclosure. That is, FIG. 3 is a diagram for describing in detail the embodiment related to step S120 of FIG. 1 .
  • the electronic device may acquire a first segmentation image including segmentation information on a region corresponding to each of a plurality of objects included in the first image 310 .
  • a segmentation image in which one object is represented by a color corresponding to a plurality of labels or a plurality of objects is represented by a color corresponding to one label may be obtained through the segmentation process.
  • the segmentation process results in “person (including clothing worn by the person)”
  • the electronic device performs an outline detection process on the first image 310 , and uses the result of the segmentation process together with the result of the outline detection process to obtain the first image 310 . ), a first segmented image in which the boundary of each of the plurality of objects included in the ) is clearly specified may be obtained.
  • the 'outline' refers to a set of points at which the brightness of an image changes from a low value to a high value or from a high value to a low value.
  • 'outline detection' means using a mask such as a Sobel mask or a Prewitt mask to obtain information about a gradient indicating a rate of change in brightness in an image, and based on that, pixels corresponding to the outline are detected. process of detection.
  • the electronic device may obtain information on the outline included in the first image 310 by performing the outline detection process, and as shown in FIG. 3 , the outline included in the first image 310 .
  • An image 320 indicating information on may be acquired.
  • the electronic device may identify regions of each of the plurality of objects included in the first image 310 based on the obtained outline information. there is. Meanwhile, the electronic device may acquire the first segmentation image 330 including segmentation information through the above-described segmentation process.
  • the electronic device assigns classes of each of the plurality of objects identified based on the segmentation information, and the plurality of objects identified based on information on the outline
  • the first segmented image 330 may be acquired by assigning it to each region.
  • the image 340 of FIG. 3 shows an image in which each region of a plurality of objects identified based on information on outlines included in the first image 310 is represented by color information corresponding to an assigned class.
  • the electronic device performs the first segmentation process in which the boundary of each of the plurality of objects included in the first image 310 is clearly specified by combining the segmentation process with the contour detection process. image can be acquired.
  • FIGS. 4A and 4B are diagrams for explaining in detail an embodiment of a process of acquiring a second segmented image according to various embodiments of the present disclosure; That is, FIGS. 4A and 4B are diagrams for specifically explaining the embodiment related to step S130 of FIG. 1 .
  • the electronic device may acquire the second segmentation image in which the outer region of the first segmentation image 400 is expanded based on the segmentation information.
  • the electronic device may extend the outer region of the first segmented image 400 by using a regression model based on RGB information included in the global space of the image, but in this case, considerable processing resources are consumed. there is a problem.
  • the electronic device may divide the image into patches and expand the outer region of the first segmented image 400 based on the patches. For example, as shown in FIG. 4A , the electronic device divides the first segmentation image 400 into a plurality of patches having a preset size, and extends some of the plurality of patches to the first segmentation image 400 . ), the second segmented image may be acquired by sequentially merging the regions. Four arrows shown in FIG. 4A indicate that the extended patches 410 can be merged while traversing the outer region of the first segmented image 400 in a clockwise direction.
  • a separation line may appear on the bonding surface between the extended patches 410 as shown in the region 420 of FIG. 4A .
  • a separation line 435 may appear on the bonding surface between the expanded patches 410 , and accordingly, the patch A problem may occur in which the boundary of the object does not naturally connect at the junction between the objects 410 .
  • the electronic device according to the present disclosure may process the boundary of objects to be naturally connected by removing the separation line appearing on the bonding surface between the patches 410 .
  • the electronic device moves the positions of objects on both sides of the separation line to a midpoint of the separation line, thereby causing the separation line appearing on the bonding surface between the patches 410 .
  • the electronic device moves the object to the left of the separation line 435 upward toward the line 440 indicating the midpoint of the separation line 435 .
  • the object on the right side of the line may be moved downward toward the line 440 indicating the midpoint of the separation line 435 .
  • the separation line appearing on the bonding surface between the patches 410 may be removed.
  • the separation line 435 appearing on the joint surface between the patches 410 is removed by moving the positions of the objects on both sides of the separation line 435 to the midpoint of the separation line 435
  • the positions of the objects on both sides of the separation line 435 may be moved to a point other than the middle point of the separation line 435 .
  • FIG. 4B when the object on the left side of the separation line 435 is larger than the object on the right side of the separation line 435, for naturalness of the entire second segmentation image, it is spaced apart from the object on the left side of the separation line 435 .
  • the separation line 435 displayed on the joint surface may be removed by moving the object to the right of the line 435 more.
  • the electronic device acquires a second segmentation image in which the boundary of an object is naturally connected by removing a separation line that may appear in the process of expanding the first segmentation image 400 .
  • FIG. 5 is a diagram for describing in detail various embodiments of an image blending process according to the present disclosure. That is, FIG. 5 is a diagram for specifically explaining the image blending process related to step S150 of FIG. 1 .
  • the electronic device may acquire the third image 530 by reflecting the characteristics of the first image 510 in the second image. Specifically, the electronic device acquires the fourth image 520 in which the style of the first image 510 is reflected by transferring the style of the first image 510 to the second image through the style transition process, and performs the image blending process. Through this, the third image 530 may be obtained by mixing the first image 510 and the fourth image 520 .
  • a first image 510 according to the present disclosure, a fourth image 520 in which the style of the first image 510 is reflected through a style transition process, and a first image ( An example of the third image 530 in which the 510 and the fourth image 520 are mixed is illustrated.
  • the boundary lines 521 and 531 of FIG. 5 are regions in which the first image 510 is disposed when the first image 510 is disposed in the center of the fourth image 520 and the third image 530, respectively. indicates
  • the electronic device may acquire the third image 530 by merging the first image 510 and the fourth image 520 so that the first image 510 is disposed in the center of the fourth image 520 .
  • an outline corresponding to the boundary line 531 may appear in the third image 530 , or an unnatural portion may occur before and after the boundary line 531 .
  • the electronic device obtains the third image 530 by mixing the RGB values for each pixel of the first image 510 corresponding to the partial region inside the boundary line 521 and the RGB values for each pixel of the fourth image 520 . can do.
  • the electronic device identifies a blending property corresponding to each type of a plurality of objects based on information on each type of a plurality of objects included in the segmentation information, and based on the blending property for each of the plurality of objects
  • a region in which the first image 510 and the fourth image 520 are mixed is determined, and the RGB value for each pixel of the first image 510 and the RGB value for each pixel of the fourth image 520 corresponding to the determined region are obtained.
  • the third image 530 may be obtained by mixing according to a predetermined weight.
  • the 'blending property' may include a size of an area occupied by an object in an image, a degree to which a characteristic changes within an object, and a depth at which an object is disposed in an image.
  • the electronic device may mix a wide area of the first image 510 with the fourth image 520 , and an area 511 corresponding to "sky", like the area 512 corresponding to "cliff” in FIG. 5 . ), when the area occupied in the first image 510 and the fourth image 520 is relatively small and the degree of change of the characteristic within the object is large, the electronic device displays the area 511 corresponding to "sky".
  • a relatively narrow area of the first image 510 may be mixed with the fourth image 520 compared to that of the case.
  • the wide area of the first image 510 is similar to the case of the area 511 corresponding to “sky”.
  • a region 524 between the boundary line 521 and the boundary line 522 of FIG. 5 represents a mixed region in which RGB values for each pixel of the first image 510 and the fourth image 520 are mixed.
  • the wide region corresponding to “sky” and the narrow region corresponding to “cliff” indicate the result according to the above-described example.
  • the electronic device performs an image blending process based on each type of a plurality of objects included in the original image and properties thereof, so that the outer region of the original image becomes more natural. An enlarged image can be obtained.
  • FIG. 6 is a diagram for explaining an embodiment of a method of providing an expected result for the expansion of an outer region according to the present disclosure.
  • 7A and 7B are diagrams illustrating a user interface of an electronic device for providing an expected result for the expansion of the outer region according to the present disclosure.
  • the extension of the outer region is natural depending on the characteristics of the original image, including the type of object included in the original image and the resolution of the original image. There may be differences in degree. Therefore, prior to receiving a user input for extending the outer region of the original image, there is a need to provide the user with an expected result of the naturalness in the case of extending the outer region of the original image for each original image.
  • the electronic device 100 may compare filter information for an image with a distribution of pre-stored first evaluation data to provide an expected result for the extension of the outer region.
  • 'filter information' refers to information on characteristics of an image that can be obtained with a small amount of operation, such as the RGB range of the original image, the relationship between adjacent labels according to segmentation information, differential density and frequency distribution, etc. am.
  • the 'first evaluation data' refers to the construction of filter information of the original images in the form of data by analyzing the original images for the image evaluated that the extension of the outer region is naturally made by the developer.
  • the electronic device 100 is filter information on the original image evaluated that the extension of the outer region is naturally performed by the developer.
  • Information on the RGB range indicating the distribution and the label range indicating the distribution of labels for each pixel of the original image can be obtained.
  • the electronic device 100 may obtain information on the differential density of the original image, and as shown in the image 620 of FIG. 6 , the electronic device 100 may obtain information on the frequency distribution for the high-frequency region and the low-frequency region included in the original image.
  • the electronic device 100 After the first evaluation data is obtained, the electronic device 100 obtains evaluation information related to the degree to which filter information for each of the plurality of images stored in the electronic device 100 matches the first evaluation data, and obtains the obtained evaluation Information may be provided to the user as an expected result of the expansion of the outer region. In other words, the electronic device 100 compares filter information for each of the plurality of images with filter information of images in which the extension of the outer region is evaluated as natural to expand the extension of the outer region of each of the plurality of images. evaluation information can be provided.
  • the 'evaluation information' may be score information or percentage information indicating a degree to which filter information for each of the plurality of images matches the first evaluation data.
  • evaluation information for each of a plurality of images may be provided through an application (eg, a gallery app) for displaying a plurality of images stored in the electronic device 100 .
  • an application eg, a gallery app
  • the electronic device 100 displays a message such as “recommendation 710” at the upper right of images with a high degree of matching with the first evaluation data stored in filter information among a plurality of images.
  • UI User Interface
  • FIG. 7B the electronic device 100 displays a UI item indicating percentage information 730 related to the degree to which filter information matches the first evaluation data at the upper right of each of the plurality of images. may be
  • the provision of evaluation information may be performed according to a user input for selecting a UI item such as “extended recommendation 740” of FIG. 7B . Then, when evaluation information for each of the plurality of images is provided, the user selects at least one image to expand the outer region, and then selects a UI item such as “Expansion 720, 750” of FIG. 7A or 7B. By doing so, it is possible to acquire an image in which the outer region is expanded according to the present disclosure.
  • the electronic device may provide an expected result for the expansion of the outer region based on the user's feedback information.
  • the user may input user feedback for at least one image among the plurality of images.
  • the user feedback may include positive feedback and negative feedback.
  • the electronic device 100 may acquire second evaluation data based on filter information on images to which positive feedback is input.
  • the 'second evaluation data' refers to a form of data in which filter information of the original images is constructed by analyzing the original images for which the user has evaluated that the extension of the outer region has been made naturally. That is, the second evaluation data is distinguished from the first evaluation data, which is data constructed by the developer's evaluation.
  • the electronic device acquires evaluation information related to the degree to which filter information for each of the plurality of images matches the first evaluation data and the second evaluation data, and the obtained The evaluation information may be provided to the user as an expected result for the expansion of the outer region.
  • “Step 1" and “Step 2" of FIG. 6 are the process of building the first evaluation data based on the original image evaluated that the expansion of the outer area was naturally performed by the developer, respectively, and the second evaluation based on user feedback It shows the process of building data.
  • “final recommendation target" in the lower part of FIG. 6 corresponds to the intersection of one of the graphs showing the distribution according to the first evaluation data and one of the graphs showing the distribution according to the second evaluation data Indicates that images that become available can be recommended to the user.
  • the electronic device promotes user convenience by providing the user with an expected result for naturalness when the outer region of the image is expanded for each original image. This can be done, and unnecessary computational processes can be minimized.
  • FIG. 8 is a block diagram schematically illustrating the configuration of the electronic device 100 according to various embodiments of the present disclosure
  • FIG. 9 is a block diagram illustrating in detail the configuration of the electronic device 100 according to various embodiments of the present disclosure. am.
  • the electronic device 100 includes a memory 110 and a processor 120 .
  • the electronic device 100 may further include a camera 130 , a communication unit 140 , a display 150 , and an input unit 160 .
  • the processor 120 includes software modules such as a segmentation module 121 , an image expansion module 122 , an image generation module 123 , a style transfer module 125 , and an image blending module 125 . can do.
  • the configurations shown in FIGS. 8 and 9 are merely exemplary, and in implementing the present disclosure, a new configuration may be added or some configuration may be omitted in addition to the configuration shown in FIGS. 8 and 9 . of course there is
  • At least one instruction related to the electronic device 100 may be stored in the memory 110 .
  • an operating system (O/S) for driving the electronic device 100 may be stored in the memory 110 .
  • various software programs or applications for operating the electronic device 100 according to various embodiments of the present disclosure may be stored in the memory 110 .
  • the memory 110 may include a semiconductor memory 110 such as a flash memory 110 or a magnetic storage medium such as a hard disk.
  • various software modules for operating the electronic device 100 may be stored in the memory 110 according to various embodiments of the present disclosure, and the processor 120 executes various software modules stored in the memory 110 .
  • the operation of the electronic device 100 may be controlled. That is, the memory 110 is accessed by the processor 120 , and reading/writing/modification/deletion/update of data by the processor 120 may be performed.
  • the term memory 110 refers to the memory 110 , a ROM (not shown) in the processor 120 , a RAM (not shown), or a memory card (not shown) mounted in the electronic device 100 (eg, For example, it may be used in the meaning of including a micro SD card, a memory stick).
  • images such as a first image, a second image, a third image, a fourth image, a first segmentation image, and a second segmentation image according to the present disclosure are stored in the memory 110 .
  • the first image and the third image shown in the memory 110 of FIG. 9 are merely examples of some of the images that can be stored in the memory 110 .
  • the first evaluation data and the second evaluation data according to the present disclosure may be stored in the memory 110 , and various data related to a plurality of modules and a neural network model according to the present disclosure may be stored.
  • various information necessary within the scope for achieving the object of the present disclosure may be stored in the memory 110 , and the information stored in the memory 110 may be received from a server or an external device or inputted by a user according to the information. may be updated.
  • the processor 120 controls the overall operation of the electronic device 100 .
  • the processor 120 is connected to the components of the electronic device 100 as described above, and executes at least one instruction stored in the memory 110 as described above, thereby controlling the operation of the electronic device 100 . You have total control.
  • the processor 120 may be implemented in various ways.
  • the processor 120 may include an application specific integrated circuit (ASIC), an embedded processor, a microprocessor, hardware control logic, a hardware finite state machine (FSM), and a digital signal processor (Digital Signal). Processor, DSP).
  • ASIC application specific integrated circuit
  • FSM hardware finite state machine
  • DSP digital signal processor
  • the term processor 120 may be used to include a central processing unit (CPU), a graphic processing unit (GPU), a main processing unit (MPU), and the like.
  • the processor 120 identifies a plurality of objects included in the first image and identifies a plurality of objects in response to receiving a user input for expanding the outer region of the first image.
  • a first segmentation image including segmentation information for a region corresponding to each is obtained, and a second segmentation image in which an outer region of the first segmentation image is extended based on the segmentation information is obtained, and a second segmentation image to obtain a second image in which the segmentation information contained in is converted into RGB information, to obtain a third image by reflecting the characteristics of the first image to the second image based on the segmentation information, and to provide the obtained third image
  • a first segmentation image including segmentation information for a region corresponding to each is obtained
  • a second segmentation image in which an outer region of the first segmentation image is extended based on the segmentation information is obtained
  • a second segmentation image to obtain a second image in which the segmentation information contained in is converted into RGB information
  • the processor 120 includes a segmentation module 121 , an image expansion module, an image generation module 123 , and a style transition module 125 . ) and software modules such as the image blending module 125 .
  • the segmentation module 121 refers to a module for acquiring a segmentation image corresponding to an input image. That is, the segmentation module 121 is a module that performs the segmentation process as described above, and may include the 'semantic segmentation model' as described above. Specifically, upon receiving the first image, the segmentation module 121 may acquire the first segmentation image and transmit it to the image expansion module 122 .
  • the image expansion module 122 refers to a module that expands and outputs an outer region of an input image. That is, the image expansion module 122 refers to a module that performs the process of expanding the outer region as described above. Specifically, upon receiving the first segmentation image, the image expansion module 122 may acquire a second segmentation image in which an outer region of the first segmentation image is expanded and transmit it to the image generating module 123 .
  • the image generating module 123 refers to a module that generates a new image corresponding to an input image. That is, the image generating module 123 is a module that performs the process of generating the second image as described above, and may be implemented as a Generative Adversarial Network (GAN) as described above. Specifically, when the second segmentation image is input, the image generating module 123 generates a second image in which segmentation information included in the second segmentation image is converted into RGB information, and converts the generated second image to the style transfer module ( 125) can be transmitted.
  • GAN Generative Adversarial Network
  • the style transfer module 125 refers to a module that transfers the style of the first image to the second image. That is, the style transition module 125 refers to a module that performs the style transition process as described above. Specifically, the style transition module 125 receives the first image and the second image, obtains information about a parameter that can affect the style of the image from the first image, and corresponds to the obtained information about the parameter By changing the parameters of the second image as much as possible, the fourth image in which the style of the first image is reflected may be acquired and transmitted to the image blending module 125 .
  • the image blending module 125 refers to a module for obtaining a new image by mixing the first image and the fourth image. That is, the image blending module 125 refers to a module that performs the image blending process as described above. Specifically, the image blending module 125 determines an area in which the first image and the fourth image are mixed based on the segmentation information, and the RGB values for each pixel of the first image and for each pixel of the fourth image corresponding to the determined area The third image may be obtained by mixing RGB values according to a predetermined weight.
  • At least some of the modules as described above may be implemented through a neural network model, and may be implemented by computer vision technology that does not use a neural network model, and is a module included in the processor 120 in an on-chip form. may be implemented as Various other embodiments according to the present disclosure based on the control of the processor 120 have been described above with reference to FIGS. 1 to 7B , and thus a redundant description thereof will be omitted.
  • the camera 130 may acquire an image of at least one object.
  • the camera 130 includes an image sensor, and the image sensor may convert light entering through a lens into an electrical image signal.
  • the camera 130 may include at least one of various lenses such as a telephoto lens, a wide-angle lens, an ultra-wide-angle lens, and a 3D lens.
  • the processor 120 may acquire the first image through the camera 130 and store it in the memory 110 .
  • the communication unit 140 includes a circuit and may communicate with an external device. Specifically, the processor 120 may receive various data or information from an external device connected through the communication unit 140 , and may transmit various data or information to the external device.
  • the communication unit 140 may include at least one of a WiFi module, a Bluetooth module, a wireless communication module, and an NFC module.
  • each of the WiFi module and the Bluetooth module may perform communication using a WiFi method and a Bluetooth method.
  • various types of connection information such as an SSID may be first transmitted and received, and various types of information may be transmitted and received after communication connection using this.
  • the wireless communication module may perform communication according to various communication standards such as IEEE, Zigbee, 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), 5th Generation (5G), and the like.
  • the NFC module may perform communication using a Near Field Communication (NFC) method using a 13.56 MHz band among various RF-ID frequency bands such as 135 kHz, 13.56 MHz, 433 MHz, 860 to 960 MHz, and 2.45 GHz.
  • NFC Near Field Communication
  • the processor 120 may receive a first image that is an original image from an external device through the communication unit 140 , and a third image that is an image in which an outer region of the first image is expanded. may control the communication unit 140 to transmit to an external device.
  • the processor 120 may receive the first evaluation data and the second evaluation data according to the present disclosure through the communication unit 140 , and may receive various data related to the neural network model.
  • the display 150 may output image data under the control of the processor 120 . Specifically, the display 150 may output an image pre-stored in the memory 110 under the control of the processor 120 . Also, the display 150 may display a user interface (UI) stored in the memory 110 .
  • the display 150 may be implemented as a liquid crystal display panel (LCD), organic light emitting diodes (OLED), etc., and the display 150 may be implemented as a flexible display, a transparent display, etc. in some cases.
  • the display 150 according to the present disclosure is not limited to a specific type.
  • the processor 120 may generate images such as a first image, a second image, a third image, a fourth image, a first segmentation image, and a second segmentation image according to the present disclosure.
  • the display 150 may be controlled to display.
  • the processor 120 may control the display 150 to display a UI for providing an expected result for the expansion of the outer region as shown in FIGS. 7A and 7B .
  • the electronic device 100 according to the present disclosure may further include a speaker, and when the image according to the present disclosure is a moving picture, while controlling the display 150 to display the moving picture
  • the speaker may be controlled to output audio data corresponding to the moving picture.
  • the input unit 160 includes a circuit, and the processor 120 may receive a user command for controlling the operation of the electronic device 100 through the input unit 160 .
  • the input unit 160 may include a microphone, a camera 130 (not shown), and a remote control signal receiver (not shown).
  • the input unit 160 may be implemented as a touch screen and included in the display 150 .
  • the microphone may receive a voice signal and convert the received voice signal into an electrical signal.
  • the processor 120 may receive a user input for expanding the outer region of the first image through the input unit 160 , and evaluation information on the result of the extension of the outer region It is also possible to receive a user input for being provided.
  • control method of the electronic device 100 may be implemented as a program and provided to the electronic device 100 .
  • a program including a control method of the electronic device 100 may be stored and provided in a non-transitory computer readable medium.
  • a user input for expanding an outer region of the first image of the control method of the electronic device 100 is received , identifying a plurality of objects included in the first image and obtaining a first segmentation image including segmentation information on a region corresponding to each of the plurality of objects, based on the first segmentation information Acquiring a second segmentation image in which the outer region of the segmentation image is extended, acquiring a second image in which segmentation information included in the second segmentation image is converted into RGB information, characteristics of the first image based on the segmentation information It may include the steps of obtaining a third image by reflecting in the second image and providing the obtained third image.
  • control method of the electronic device 100 and the computer-readable recording medium including a program for executing the control method of the electronic device 100 have been briefly described, but this is only for omitting redundant description, and Of course, various embodiments of the device 100 may be applied to a computer-readable recording medium including a control method of the electronic device 100 and a program for executing the control method of the electronic device 100 .
  • the outer region of the original image naturally expands based on the types of each of a plurality of objects included in the original image and properties thereof. It is possible to obtain the image that has been obtained and provide it to the user.
  • the electronic device 100 may acquire a first segmentation image in which the boundary of each of the plurality of objects included in the first image is clearly specified, and By removing the separation line that may appear during the expansion process, a second segmented image in which the boundaries of objects are naturally connected can be obtained, and the image blending process is performed based on the types of each of the plurality of objects included in the original image and their properties. By doing so, an image in which the outer region of the original image is more naturally expanded may be obtained.
  • the electronic device 100 may provide the user with an expected result of the naturalness in the case of expanding the outer region of the image for each original image, thereby increasing user convenience and minimizing unnecessary computation.
  • the functions related to the neural network models as described above may be performed through the memory 110 and the processor 120 .
  • the processor 120 may include one or a plurality of processors 120 .
  • one or a plurality of processors 120 is a general-purpose processor 120, such as a CPU, AP, GPU. It may be a graphics-only processor 120 such as a VPU or the like, or an artificial intelligence-only processor 120 such as an NPU.
  • One or a plurality of processors 120 controls to process input data according to a predefined operation rule or artificial intelligence model stored in the non-volatile memory 110 and the volatile memory 110 .
  • the predefined action rule or artificial intelligence model is characterized in that it is created through learning.
  • a predefined operation rule or artificial intelligence model of a desired characteristic is created by applying a learning algorithm to a plurality of learning data.
  • Such learning may be performed in the device itself on which artificial intelligence according to the present disclosure is performed, or may be performed through a separate server/system.
  • the artificial intelligence model may be composed of a plurality of neural network layers. Each layer has a plurality of weight values, and the layer operation is performed through the operation of the previous layer and the operation of the plurality of weights.
  • Examples of neural networks include Convolutional Neural Network (CNN), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), GAN.
  • CNN Convolutional Neural Network
  • DNN Deep Neural Network
  • RNN Restricted Boltzmann Machine
  • DBN Deep Belief Network
  • BBN Bidirectional Recurrent Deep Neural Network
  • GAN GAN
  • the learning algorithm is a method of training a predetermined target device (eg, a robot) using a plurality of learning data so that the predetermined target device can make a decision or make a prediction by itself.
  • Examples of the learning algorithm include supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, and the learning algorithm in the present disclosure is specified when It is not limited to the above-mentioned example except for.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory storage medium' is a tangible device and only means that it does not contain a signal (eg, electromagnetic wave). It does not distinguish the case where it is stored as
  • the 'non-transitory storage medium' may include a buffer in which data is temporarily stored.
  • the method according to various embodiments disclosed in this document may be provided by being included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play StoreTM) or on two user devices (eg, It can be distributed (eg downloaded or uploaded) directly or online between smartphones (eg: smartphones).
  • a portion of the computer program product eg, a downloadable app
  • a machine-readable storage medium such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.
  • each of the components may be composed of a singular or a plurality of entities, and some of the above-described corresponding sub-components are omitted. Alternatively, other sub-components may be further included in various embodiments. Alternatively or additionally, some components (eg, a module or a program) may be integrated into a single entity to perform the same or similar functions performed by each corresponding component prior to integration.
  • operations performed by a module, program, or other component may be sequentially, parallel, repetitively or heuristically executed, or at least some operations may be executed in a different order, omitted, or other operations may be added.
  • unit or “module” used in the present disclosure includes a unit composed of hardware, software, or firmware, and may be used interchangeably with terms such as, for example, logic, logic block, part, or circuit.
  • a “unit” or “module” may be an integrally formed component or a minimum unit or a part of performing one or more functions.
  • the module may be configured as an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present disclosure may be implemented as software including instructions stored in a machine-readable storage medium readable by a machine (eg, a computer).
  • the device calls the stored instructions from the storage medium. and, as a device capable of operating according to the called command, the electronic device (eg, the electronic device 100) according to the disclosed embodiments may be included.
  • the processor may perform a function corresponding to the instruction by using other components directly or under the control of the processor.
  • Instructions may include code generated or executed by a compiler or interpreter.

Abstract

전자 장치 및 전자 장치의 제어 방법이 개시된다. 구체적으로, 본 개시에 따른 전자 장치는 제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신하면, 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하며, 세그먼테이션 정보를 바탕으로 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하고, 제2 세그먼테이션 이미지에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하며, 세그먼테이션 정보를 바탕으로 제1 이미지의 특성을 제2 이미지에 반영하여 제3 이미지를 획득하고, 획득된 제3 이미지를 제공한다.

Description

전자 장치 및 전자 장치의 제어 방법
제어 방법에 관한 것으로서, 구체적으로는 원본 이미지의 외곽 영역을 확장할 수 있는 전자 장치 및 전자 장치의 제어 방법에 관한 것이다.
CROSS-REFERENCE TO RELATED APPLICATIONS
본 출원은 2020년 10월 21일에 출원된 대한민국 특허출원 제 10-2020-0137105 호에 기초하여 우선권을 주장하며, 해당 출원의 모든 내용은 그 전체가 본 출원에 레퍼런스로 포함된다.
근래에는 원본 이미지의 배경을 보다 넓게 확장시키거나 이미지에 포함된 오브젝트의 구도를 보다 안정적으로 변경하기 위해, 원본 이미지의 외곽 영역을 자연스럽게 확장시켜 새로운 이미지를 생성하기 위한 기술이 개발되고 있다.
그런데, 종래 기술에 따라 원본 이미지 일부 영역에 해당하는 패치를 복사하여 외곽 영역에 붙여 넣는 방식으로 원본 이미지의 외곽 영역을 확장시키는 경우, 자연스럽지 않는 오브젝트까지 외곽 영역에 보여지는 문제가 있다.
한편, 종래 기술에 따라 원본 이미지의 픽셀들을 분석하여 외곽 영역에 배치될 이미지를 예측하여 그려주는 방식으로 원본 이미지의 외곽 영역을 확장시키는 경우, 원본 이미지의 영역에서 외곽 영역으로 확장될수록 예측을 위한 데이터가 모호해지고 그로 인해 이미지의 외곽 영역에 블러(blur)가 발생될 수 있다는 문제점 등이 지적된다.
특히, 종래 기술에 따르면 원본 이미지에 포함된 복수의 오브젝트의 속성과 그에 따른 이미지의 맥락(context)에 대한 정보를 고려하지 않고 원본 이미지의 외곽 영역을 확장시키기 때문에, 확장된 외곽 영역에 포함된 정보가 원본 이미지에 포함된 정보와 자연스럽게 연결되지 않을 수 있다.
따라서, 원본 이미지의 외곽 영역을 자연스럽게 확장시켜 사용자의 의도에 부합하는 이미지를 제공할 수 있는 기술에 대한 필요성이 대두되고 있다.
본 개시는 상술한 바와 같은 필요성에 따른 것으로서, 본 개시의 목적은 원본 이미지의 외곽 영역이 자연스럽게 확장된 이미지를 획득할 수 있는 전자 장치 및 전자 장치의 제어 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 다양한 실시 예에 따르면, 전자 장치는 적어도 하나의 인스트럭션(instruction)을 저장하는 메모리 및 상기 적어도 하나의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 상기 프로세서는 제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신함에 따라, 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 상기 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하며, 상기 세그먼테이션 정보를 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하고, 상기 제2 세그먼테이션 이미지에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하며, 상기 세그먼테이션 정보를 바탕으로 상기 제1 이미지의 특성을 상기 제2 이미지에 반영하여 제3 이미지를 획득하고, 상기 획득된 제3 이미지를 제공할 수 있다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 다양한 예에 따르면, 전자 장치의 제어 방법에 있어서, 제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신함에 따라, 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 상기 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하는 단계, 상기 세그먼테이션 정보를 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하는 단계, 상기 제2 세그먼테이션 이미지에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하는 단계, 상기 세그먼테이션 정보를 바탕으로 상기 제1 이미지의 특성을 상기 제2 이미지에 반영하여 제3 이미지를 획득하는 단계 및 상기 획득된 제3 이미지를 제공하는 단계를 포함한다.
상술한 바와 같은 목적을 달성하기 위한 본 개시의 다양한 실시 예에 따르면, 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 상기 전자 장치의 제어 방법은 제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신함에 따라, 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 상기 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하는 단계, 상기 세그먼테이션 정보를 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하는 단계, 상기 제2 세그먼테이션 이미지에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하는 단계, 상기 세그먼테이션 정보를 바탕으로 상기 제1 이미지의 특성을 상기 제2 이미지에 반영하여 제3 이미지를 획득하는 단계 및 상기 획득된 제3 이미지를 제공하는 단계를 포함한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 흐름도,
도 2는 본 개시의 도 1의 제어 방법의 각 단계에 따라 순차적으로 획득되는 이미지들을 나타내는 도면,
도 3은 본 개시에 따른 세그먼테이션 과정에 대한 다양한 실시 예를 상세하게 설명하기 위한 도면,
도 4a 및 도 4b는 본 개시의 다양한 실시 예에 따른 제2 세그먼테이션 이미지의 획득 과정에 대한 실시 예를 상세하게 설명하기 위한 도면,
도 5는 본 개시에 따른 이미지 블렌딩 과정에 대한 다양한 실시 예를 상세하게 설명하기 위한 도면,
도 6은 본 개시에 따른 외곽 영역의 확장에 대한 예상 결과를 제공하는 방법에 대한 다양한 실시 예를 설명하기 위한 도면,
도 7a 및 도 7b는 본 개시의 다양한 실시 예에 따른 외곽 영역의 확장에 대한 예상 결과를 제공하기 위한 사용자 인터페이스를 나타내는 도면,
도 8은 본 개시의 다양한 실시 예에 따른 전자 장치의 구성을 간략하게 나타내는 블록도, 그리고,
도 9는 본 개시의 다양한 실시 예에 따른 전자 장치의 구성을 상세하게 나타내는 블록도이다.
본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.
덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.
대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.
한편, 본 개시의 다양한 실시 예에 따른 전자 장치는 예를 들면, 스마트 폰, 태블릿 PC, 데스크탑 PC, 랩탑 PC 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다.
어떤 실시 예들에서, 전자 장치는 예를 들면, 텔레비전, DVD(digital video disk)플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSync™, 애플TV™, 또는 구글 TV™), 게임 콘솔(예: Xbox™, PlayStation™), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치(예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 나타내는 흐름도이다. 그리고, 도 2는 도 1의 제어 방법의 각 단계에 따라 순차적으로 획득되는 이미지들을 나타내는 도면이다. 이하에서는 도 1과 함께 도 2를 참조하여 본 개시에 따른 일 실시 예에 대해 설명한다.
본 개시에 따른 '전자 장치'는 이미지의 외곽 영역을 확장하여 새로운 이미지를 제공할 수 있는 장치를 말한다. 예를 들어, 전자 장치는 스마트폰, 태블릿 PC 등과 같은 사용자 단말로 구현될 수도 있으며, 이미지의 외곽 영역을 확장하여 사용자 단말로 전송하기 위한 서버 또는 클라우드 시스템으로 구현될 수도 있다. 다만, 본 개시에 따른 전자 장치가 상술한 유형에 국한되는 것은 아니다.
도 1에 도시된 바와 같이, 전자 장치는 제1 이미지(10)의 외곽 영역을 확장시키기 위한 사용자 입력을 수신할 수 있다(S110).
본 개시에 있어서 '이미지'란 픽셀 별 RGB 값에 따라 이미지에 포함된 오브젝트들을 나타내는 이미지를 말한다. 즉, 이미지라는 용어는 후술하는 바와 같은 '세그먼테이션 이미지'와 구별하여, 전자 장치의 카메라를 통해 획득되는 이미지와 같은 통상적인 이미지를 총칭하기 위한 용어이다. 예를 들어, 이미지는 도 2의 제1 이미지(10), 제2 이미지(40), 제3 이미지(60) 및 제4 이미지(50) 등과 같은 이미지를 말하며, 그 중 '제1 이미지(10)'란 본 개시의 제어 방법에 따른 이미지 처리 과정을 거치지 않은 원본 이미지를 말한다.
한편, 제1 이미지(10)는 전자 장치를 통해 실시간으로 획득되는 이미지, 전자 장치에 기 저장된 이미지 및 외부 장치로부터 수신된 이미지 등일 수 있으며, 한 장의 프레임으로 구성된 이미지뿐만 아니라 동영상을 의미할 수도 있다.
'사용자 입력'은 원본 이미지인 제1 이미지(10)의 외곽 영역을 확장하기 위한 사용자 입력을 말하며, 여기서, 이미지의 '외곽 영역'이란 이미지의 경계 주변을 둘러싸는 기 설정된 영역을 말한다. 예를 들어, 제1 이미지(10)의 외곽 영역은 제1 이미지(10)의 경계에서부터 점선(11)로 나타낸 경계까지의 영역일 수 있다. 도 2에서는 제1 이미지(10)의 경계를 사방으로 둘러싸는 영역이 외곽 영역으로 설정된 경우를 도시하였으나, 본 개시가 이에 국한되는 것은 아니다. 즉, 본 개시는 제1 이미지(10)의 일측면 또는 양측면을 확장하기 위한 경우 등에 있어서도 적용될 수 있다. 확장의 대상이 되는 외곽 영역의 크기 또한 사용자의 설정에 따라 다양하게 결정될 수 있다.
한편, 사용자 입력은 전자 장치의 디스플레이를 통해 입력되는 사용자 터치, 전자 장치의 마이크를 통해 수신되는 사용자 음성 또는 전자 장치에 구비된 물리 버튼의 입력, 전자 장치를 제어하기 위한 원격 제어 장치에 의해 전송된 제어 신호 등을 바탕으로 수신될 수 있다.
한편, 본 개시를 설명함에 있어서 '이미지의 확장'이라는 용어는 원본 이미지의 픽셀들을 일정 비율로 확대(enlarge)하는 것이 아니라, 원본 이미지에 포함된 오브젝트들에 자연스럽게 이어질 수 있는 픽셀들을 그 원본 이미지의 외곽 영역에 부가하여 새로운 이미지를 생성하는 과정을 의미한다. 따라서, 본 개시를 설명함에 있어서 이미지의 '확장'이라는 용어는 '연장(extension)' 또는 '외삽(extrapolation)' 등과 같은 용어로 대체될 수 있다.
사용자 입력이 수신되면, 전자 장치는 제1 이미지(10)에 포함된 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지(20)를 획득할 수 있다(S120). 구체적으로, 전자 장치는 세그먼테이션 모델을 이용하여, 제1 이미지(10)에 포함된 복수의 오브젝트를 식별하고, 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션 정보를 그에 대응되는 색상으로 나타내는 제1 세그먼테이션 이미지(20)를 획득할 수 있다.
'세그먼테이션 모델'은 입력된 이미지에 대응되는 세그먼테이션 이미지를 획득하여 출력하도록 학습된 신경망 모델을 말한다. 예를 들어, 세그먼테이션 모델은 one-hot encoding을 이용하여 기 정의된 복수의 클래스(카테고리 또는 도메인 등으로 지칭될 수도 있음) 각각에 대한 출력 채널을 설정하고, 각각의 출력 채널에 입력된 이미지를 통과시킴으로써 입력된 이미지의 각 픽셀에 대응되는 클래스에 대한 정보를 획득할 수 있다. 본 개시에 따른 세그먼테이션 모델은 특히 '시멘틱 세그먼테이션 모델(semantic segmentation model)'일 수 있으며, CNN(Convolutional Neural Network), Unet CNN, Fully Convolutional Network for Semantic Segmentation (FCN) 등과 같은 신경망을 포함할 수 있다.
'세그먼테이션 정보'는 입력된 이미지의 각 픽셀이 어떠한 클래스에 속하는지를 나타내는 레이블에 대한 정보를 포함하며, 구체적으로는, 입력된 이미지에 포함된 복수의 오브젝트 각각의 종류, 복수의 오브젝트 각각의 위치 및 복수의 오브젝트 각각의 영역 등에 대한 정보를 포함할 수 있다.
'세그먼테이션 이미지'는 세그먼테이션 정보를 포함하는 이미지로서, 구체적으로, 이미지에 포함된 복수의 오브젝트 별 클래스에 대응되는 색상으로 복수의 오브젝트 각각에 대응되는 영역을 나타내는 이미지를 말한다. 세그먼테이션 이미지는 도 2의 제1 세그먼테이션 이미지(20) 및 제2 세그먼테이션 이미지(30) 등과 같은 이미지를 말하며, 그 중 '제1 세그먼테이션 이미지(20)'라는 용어는 제1 이미지(10)를 본 개시에 따른 세그먼테이션 모델에 입력한 결과 출력된 세그먼테이션 이미지를 특정하기 위한 용어로 사용된다. 예를 들어, 도 2의 제1 세그먼테이션 이미지(20)는 제1 세그먼테이션 이미지(20)에 포함된 오브젝트들인 "하늘", "바다", "땅" 및 "산" 각각에 대응되는 영역을 "하늘", "바다", "땅" 및 "산" 각각에 할당된 색상으로 나타낸다.
정리하면, 세그먼테이션 모델은 제1 이미지(10)에 포함된 다양한 정보들을 클러스터링 맵(clustering map, 즉, 세그먼테이션 맵)의 형태로 단순화하고, 이미지에 포함된 복수의 오브젝트 각각의 경계를 명확하게 함으로써, 이미지 확장에 필요한 정보를 명확하게 특정하는 역할을 수행할 수 있다.
한편, 전자 장치는 상술한 바와 같은 세그먼테이션 과정에 더하여 '윤곽선 검출(outline detection) 과정'을 수행함으로써, 제1 이미지(10)에 포함된 복수의 오브젝트 각각의 경계를 보다 명확하게 검출할 수 있다. 세그먼테이션 과정에 윤곽선 검출 과정이 결합된 실시 예에 대해서는 도 3을 참조하여 상술한다.
제1 세그먼테이션 이미지(20)를 획득함에 따라, 전자 장치는 세그먼테이션 정보를 바탕으로 제1 세그먼테이션 이미지(20)의 외곽 영역이 확장된 제2 세그먼테이션 이미지(30)를 획득할 수 있다(S130). 즉, '제2 세그먼테이션 이미지(30)'는 제1 세그먼테이션 이미지(20)의 외곽 영역을 확장함으로써 획득된 세그먼테이션 이미지를 말한다. 도 2에 도시된 바와 같이, 제2 세그먼테이션 이미지(30)는 제1 세그먼테이션 이미지(20)의 경계 주변의 영역에 원본 이미지에 포함된 오브젝트들에 자연스럽게 이어질 수 있는 픽셀들이 부가된 형태로 확장된 이미지일 수 있다.
특히, 본 개시의 다양한 실시 예에 따르면, 전자 장치는 세그먼테이션 정보에 포함된 복수의 오브젝트 각각의 종류에 대한 정보를 바탕으로 복수의 오브젝트 각각의 종류에 대응되는 확장 속성을 식별하고, 식별된 복수의 오브젝트 별 확장 속성을 바탕으로 제1 세그먼테이션 이미지(20)의 외곽 영역을 확장시킬 수 있다.
여기서, '확장 속성'이란 이미지의 외곽 영역을 자연스럽게 확장시키는 것에 영향을 미칠 수 있는 오브젝트의 형태에 대한 속성을 총칭하기 위한 용어로 사용된다. 구체적으로, 확장 속성은 수렴 속성 및 발산 속성을 포함할 수 있다. '확장 속성'이란 "인물, 자동차 또는 스마트 폰" 등과 같이 오브젝트를 확장시키는 경우 오브젝트의 형태를 완성하기 위해 폐곡선을 형성하는 것이 자연스러운 오브젝트의 속성을 말하며, '수렴 속성'이란 "하늘, 바다 또는 산" 등과 같이 오브젝트를 확장시키는 경우 오브젝트의 형태를 완성하기 위해 폐곡선을 형성하지 않는 것이 자연스러운 오브젝트의 속성을 말한다. 본 개시에 따른 확장 속성이 상술한 예에 국한되는 것은 아니며, 오브젝트의 일반적인 형상과 크기 등을 비롯한 속성을 포함할 수도 있다.
복수의 오브젝트 각각의 종류에 대응되는 확장 속성을 식별함에 따라, 전자 장치는 복수의 오브젝트 별 확장 속성을 바탕으로 제1 세그먼테이션 이미지(20)의 외곽 영역을 확장시킬 수 있다. 예를 들어, 제1 세그먼테이션 이미지(20)의 외곽 영역에 배치된 "하늘"에 대응되는 확장 속성인 발산 속성이 식별됨에 따라, 전자 장치는 "하늘"을 제2 세그먼테이션 이미지(30)의 경계까지 뻗어나가는 형태로 확장시킬 수 있다. 한편, 도 2에 도시되지는 않았으나, 제1 세그먼테이션 이미지(20)의 외곽 영역에 "자동차"가 배치된 경우라면, 전자 장치는 "자동차"에 대응되는 확장 속성인 수렴 속성을 식별하고, "자동차"가 그 크기에 대응되는 폐곡선을 형성하는 형태로 확장시킬 수 있다. 이미지의 확장 과정에 관련된 본 개시의 다양한 실시 예에 대해서는 도 4를 참조하여 상술한다.
제2 세그먼테이션 이미지(30)를 획득함에 따라, 전자 장치는 제2 세그먼테이션 이미지(30)에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지(40)를 획득할 수 있다(S140).
구체적으로, 전자 장치는 이미지 생성 모델을 통해, 제2 세그먼테이션 이미지(30)를 바탕으로 제2 이미지(40)를 획득할 수 있다. '제2 이미지(40)'라는 용어는 제2 세그먼테이션 이미지(30)를 바탕으로 획득된 이미지를, 원본 이미지인 제1 이미지(10) 및 후술하는 바와 같은 제3 이미지(60)와 구별하여 특정하기 위한 용어이다. 한편, 제2 이미지(40)는 도 2에 도시된 바와 같이, 제2 세그먼테이션 이미지(30)와 동일한 크기를 갖는다.
'이미지 생성 모델'은 입력된 데이터에 대응되는 새로운 이미지를 생성하도록 학습된 신경망 모델을 말한다. 특히, 본 개시에 따른 이미지 생성 모델은 적대적 생성 신경망(Generative Adversarial Network, GAN)으로 구현될 수 있으며, 이미지를 생성하도록 학습된 생성기(generator) 및 복수의 이미지를 구별하도록 학습된 판별기(discriminator)를 포함할 수 있다.
구체적으로, '생성기'는 세그먼테이션 이미지와 그에 대응되는 이미지의 쌍들로 구성된 학습 데이터의 분포를 따르도록 학습될 수 있으며, 그에 따라 입력된 세그먼테이션 이미지에 대응되는 이미지를 출력할 수 있다. 그리고, '판별기'는 생성기에 의해 생성된 이미지와 학습 데이터의 이미지 사이의 차이점을 구별하여, 그 차이점에 대한 피드백 정보를 출력할 수 있다.
판별기는 생성기에 의해 생성된 이미지가 학습 데이터의 이미지와 유사할수록 1에 가까운 확률 값을 획득하고, 생성기에 의해 생성된 이미지가 학습 데이터의 이미지와 유사하지 않을수록 0에 가까운 확률 값을 획득할 수 있다. 그리고, 생성기에 의해 생성된 이미지를 판별기에 입력하는 경우의 확률 값과 학습 데이터의 이미지를 판별기에 입력하는 경우의 확률 값을 합한 값이 판별기의 손실 함수(loss function)가 될 수 있다.
그리고, 이 손실 함수의 값을 최소화하는 방향으로 판별기의 가중치를 업데이트함으로써 판별기의 학습 과정이 수행될 수 있다. 구체적으로, 손실 함수 값은 역전파(backpropagation)를 통해 생성기 및 판별기에 포함된 각각의 레이어의 가중치에 전달되어 업데이트의 방향과 크기를 결정할 수 있다. 이와 같은 방식으로 가중치를 최적화하는 방식을 경사하강법(gradient descent)이라고 부른다. 다만, 본 개시에 따른 가중치의 최적화 방식이 특정한 방식에 국한되는 것은 아니다.
한편, 생성기의 경우, 생성기에 의해 생성된 이미지를 판별기에 입력하는 경우 판별기가 1에 가까운 확률 값을 획득하도록 학습될 수 있다. 즉, 생성기에 의해 생성된 이미지를 판별기에 입력하는 경우의 확률 값과 1 사이의 차이가 생성기의 손실함수가 되고, 이 손실 함수의 값을 최소화하는 방향으로 생성기의 가중치를 업데이트함으로써 생성기의 학습 과정이 수행될 수 있다.
상술한 바와 같이, 생성기 및 판별기는 서로 적대적으로(adversarial) 학습될 수 있으며, 그에 따라 생성기는 학습 데이터의 분포를 정확하게 모사할 수 있게 된다. 그러나, 충분한 학습 데이터와 충분한 학습 시간을 통해 이미지 생성 모델을 학습시키더라도, 제1 세그먼테이션 이미지(20)에 포함된 세그먼테이션 정보를 다시 RGB 정보로 변환함으로써 생성된 제2 이미지(40)와 원본 이미지인 제1 이미지(10) 사이에는 차이점이 존재할 수 있다. 이와 같은 차이점은 후술하는 바와 같은 단계 S150을 통해 해소될 수 있다.
제2 이미지(40)를 획득함에 따라, 전자 장치는 세그먼테이션 정보를 바탕으로 제1 이미지(10)의 특성을 제2 이미지(40)에 반영하여 제3 이미지(60)를 획득할 수 있다(S150). 여기서, '제3 이미지(60)'라는 용어는 제2 이미지(40)에 제1 이미지(10)의 특성을 반영하여 생성된 이미지를 특정하기 위해 사용된다. 제3 이미지(60)는 도 2에 도시된 바와 같이 제2 이미지(40)와 동일한 크기를 갖는다.
구체적으로, 제1 이미지(10)의 특성을 제2 이미지(40)에 반영하는 과정은 스타일 전이(style transfer) 과정 및 이미지 블렌딩(image blending) 과정을 포함할 수 있다.
먼저, '스타일 전이 과정'이란 제1 이미지(10)의 스타일을 제2 이미지(40)에 전이시킴으로써 제1 이미지(10)의 스타일이 반영된 제4 이미지(50)를 획득하는 과정을 말한다. 이하에서는 제2 이미지(40)에 제1 이미지(10)의 스타일이 반영된 이미지를 편의상 '제4 이미지(50)'라고 지칭한다.
구체적으로, 전자 장치는 제1 이미지(10)로부터 이미지의 스타일에 영향을 미칠 수 있는 파라미터에 대한 정보를 획득하고, 획득된 파라미터에 대한 정보에 대응되도록 제2 이미지(40)의 파라미터를 변경함으로써, 제1 이미지(10)의 스타일이 반영된 이미지를 획득할 수 있다. 예를 들어, 이미지의 스타일에 영향을 미칠 수 있는 파라미터는 색조, 명도, 채도, 대비, 노출, 하이라이트, 그림자, 밝기, 색 온도, 노이즈, 비네트 및 블랙포인트 등을 포함하며, 다만 이에 국한되는 것은 아니다.
특히, 제1 이미지(10)로부터 획득된 파라미터에 대한 정보와 함께 제1 세그먼테이션 이미지(20)에 포함된 세그먼테이션 정보를 이용하여 스타일 전이 과정을 수행할 수 있다. 구체적으로, 전자 장치는 세그먼테이션 정보를 바탕으로 제1 이미지(10)에 포함된 복수의 오브젝트 각각의 종류, 복수의 오브젝트 각각의 위치 및 복수의 오브젝트 각각의 영역을 식별하고, 각각의 오브젝트 별로 상술한 바와 같은 스타일 전이 과정을 수행함으로써, 제1 이미지(10)의 스타일을 오브젝트 단위로 보다 상세하게 제2 이미지(20)에 반영할 수 있다.
다음으로, '이미지 블렌딩 과정'이란 제1 이미지(10)와 제4 이미지(50)를 혼합하여 새로운 이미지를 획득하는 과정을 말한다. 이하에서는 제1 이미지(10) 및 제4 이미지(50)의 픽셀 별 RGB 값을 혼합함으로써 생성된 이미지를 '제3 이미지(60)'라고 지칭한다.
구체적으로, 전자 장치는 세그먼테이션 정보에 포함된 복수의 오브젝트 각각의 종류에 대한 정보를 바탕으로 복수의 오브젝트 각각의 종류에 대응되는 블렌딩 속성을 식별하고, 복수의 오브젝트 별 블렌딩 속성을 바탕으로 제1 이미지(10)와 제4 이미지(50)가 혼합되는 영역을 결정하며, 결정된 영역에 대응되는 제1 이미지(10)의 픽셀 별 RGB 값 및 제4 이미지(50)의 픽셀 별 RGB 값을 소정의 가중치에 따라 혼합하여 제3 이미지(60)를 획득할 수 있다. 여기서, '블렌딩 속성'은 오브젝트가 이미지 내에서 차지하는 면적의 크기, 오브젝트 내에서 특징이 변화하는 정도, 그리고, 오브젝트가 이미지 내에서 배치된 뎁스(depth) 등을 포함할 수 있다.
일 예로서, "바다"에 대응되는 영역과 같이 오브젝트 내에서 특징이 변화하는 정도가 크지 않은 경우, 전자 장치는 제1 이미지(10)의 넓은 영역을 제4 이미지(50)에 혼합할 수 있으며, 반대로 "인물"과 같이 오브젝트 내에서 특징이 변화하는 정도가 큰 오브젝트의 경우, 전자 장치는 "바다"에 대응되는 영역에 비하여 상대적으로 제1 이미지의(10) 좁은 영역을 제4 이미지(50)에 혼합할 수 있다. 본 개시에 따른 이미지 블렌딩 과정에 대한 보다 구체적인 실시 예에 대해서는 도 5를 참조하여 상술한다.
상술한 바와 같은 과정을 통해 제3 이미지(60)를 획득함에 따라, 전자 장치는 획득된 제3 이미지(60)를 제공할 수 있다(S160). 구체적으로, 전자 장치는 전자 장치의 디스플레이를 통해 제3 이미지(60)를 표시할 수 있으며, 전자 장치의 통신부를 통해 제3이미지(60)를 외부 장치에 전송함으로써 제3 이미지(60)를 사용자에게 제공할 수도 있다.
상술한 바와 같은 실시 예에 따르면, 본 개시에 따른 전자 장치는 원본 이미지에 포함된 복수의 오브젝트 각각의 유형과 그에 따른 속성을 바탕으로, 원본 이미지의 외곽 영역이 자연스럽게 확장된 이미지를 획득하여 사용자에게 제공할 수 있게 된다.
도 3은 본 개시에 따른 세그먼테이션 과정에 대한 실시 예를 상세하게 설명하기 위한 도면이다. 즉, 도 3은 도 1의 단계 S120에 관련된 실시 예를 구체적으로 설명하기 위한 도면이다.
전술한 바와 같이, 전자 장치는 제1 이미지(310)에 포함된 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션 정보를 포함하는 제1 세그먼테이션 이미지를 획득할 수 있다.
그런데, 세그먼테이션 과정에서는 제1 이미지(310)의 각 픽셀 별로 그에 대응되는 클래스를 식별하기 때문에 제1 이미지(310)에 포함된 오브젝트의 경계가 명확하게 특정되지 않을 수 있다. 구체적으로, 세그먼테이션 과정을 통해 하나의 오브젝트를 복수의 레이블에 대응되는 색상으로 나타내거나, 복수의 오브젝트를 하나의 레이블에 대응되는 색상으로 나타내는 세그먼테이션 이미지가 획득될 수 있다. 예를 들어, 도 3에 도시된 제1 이미지(310)와 같이 "인물"의 주변이 모두 "하늘"로 둘러싸여 있는 경우, 세그먼테이션 과정을 수행한 결과 "인물(인물이 착용하고 있는 의류를 포함)"에 대응되는 영역 중 적어도 일부가 "하늘"로 인식될 가능성이 있다.
따라서, 본 개시에 따른 전자 장치는 제1 이미지(310)에 대한 윤곽선 검출(outline detection) 과정을 수행하고, 윤곽선 검출 과정에 따른 결과와 함께 세그먼테이션 과정에 따른 결과를 이용하여, 제1 이미지(310)에 포함된 복수의 오브젝트 각각의 경계가 명확하게 특정된 제1 세그먼테이션 이미지를 획득할 수 있다.
여기서, '윤곽선'이란 이미지의 밝기가 낮은 값에서 높은 값으로 변하거나 높은 값에서 낮은 값으로 변하는 지점의 집합을 말한다. 그리고, '윤곽선 검출'이란 소벨(Sobel) 마스크 또는 프리윗(Prewitt) 마스크 등과 같은 마스크를 이용하여 이미지내에서의 밝기 변화율을 나타내는 그래디언트에 대한 정보를 획득하고, 그에 기초하여 윤곽선에 대응되는 픽셀들을 검출하는 과정을 말한다.
구체적으로, 전자 장치는 윤곽선 검출 과정을 수행하여, 제1 이미지(310)에 포함된 윤곽선에 대한 정보를 획득할 수 있으며, 도 3에 도시된 바와 같이, 제1 이미지(310)에 포함된 윤곽선에 대한 정보를 나타내는 이미지(320)을 획득할 수도 있다. 그리고, 제1 이미지(310)에 포함된 윤곽선에 대한 정보를 획득하면, 전자 장치는 획득된 윤곽선에 대한 정보를 바탕으로 제1 이미지(310)에 포함된 복수의 오브젝트 각각의 영역을 식별할 수 있다. 한편, 전자 장치는 전술한 바와 같은 세그먼테이션 과정을 통해 세그먼테이션 정보를 포함하는 제1 세그먼테이션 이미지(330)를 획득할 수 있다.
제1 이미지(310)에 포함된 복수의 오브젝트 각각의 영역을식별함에 따라, 전자 장치는 세그먼테이션 정보를 바탕으로 식별된 복수의 오브젝트 각각의 클래스를, 윤곽선에 대한 정보를 바탕으로 식별된 복수의 오브젝트 각각의 영역에 할당하여 제1 세그먼테이션 이미지(330)를 획득할 수 있다. 도 3의 이미지(340)은 제1 이미지(310)에 포함된 윤곽선들에 대한 정보를 바탕으로 식별된 복수의 오브젝트 각각의 영역을 할당된 클래스에 대응되는 색상 정보로 나타내는 이미지를 도시한 것이다.
도 3을 참조하여 상술한 바와 같은 실시 예에 따르면, 전자 장치는 세그먼테이션 과정에 윤곽선 검출 과정을 결합함으로써, 제1 이미지(310)에 포함된 복수의 오브젝트 각각의 경계가 명확하게 특정된 제1 세그먼테이션 이미지를 획득할 수 있게 된다.
도 4a 및 도 4b는 본 개시의 다양한 실시 예에 따른 제2 세그먼테이션 이미지의 획득 과정에 대한 실시 예를 상세하게 설명하기 위한 도면이다. 즉, 도 4a 및 도 4b는 도 1의 단계 S130에 관련된 실시 예를 구체적으로 설명하기 위한 도면이다.
전술한 바와 같이, 전자 장치는 세그먼테이션 정보를 바탕으로 제1 세그먼테이션 이미지(400)의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득할 수 있다. 일 예로서, 전자 장치는 이미지의 전역 공간에 포함된 RGB 정보를 바탕으로 회귀 모델을 이용하는 방법으로 제1 세그먼테이션 이미지(400)의 외곽 영역을 확장시킬 수도 있으나, 이 경우 적지 않은 프로세싱 자원이 소모된다는 문제가 있다.
따라서, 전자 장치는 이미지를 패치 단위로 분할하고 패치들에 기초하여 제1 세그먼테이션 이미지(400)의 외곽 영역을 확장시킬 수 있다. 예를 들어, 도 4a에 도시된 바와 같이, 전자 장치는 제1 세그먼테이션 이미지(400)를 기 설정된 크기를 갖는 복수의 패치로 분할하고, 복수의 패치 중 일부 패치를 확장하여 제1 세그먼테이션 이미지(400)의 외곽 영역에 순차적으로 병합함으로써 제2 세그먼테이션 이미지를 획득할 수 있다. 도 4a에 나타낸 4 개의 화살표는 제1 세그먼테이션 이미지(400)의 외곽 영역을 시계 방향으로 순회하면서 확장된 패치들(410)을 병합할 수 있다는 것을 나타낸 것이다.
그런데, 확장된 패치들(410)을 제1 세그먼테이션의 외곽 영역에 병합하는 경우, 도 4a의 영역(420)과 같이, 확장된 패치들(410) 사이의 접합면에 이격선이 나타날 수 있다. 구체적으로, 도 4a의 영역(420)을 확대하여 나타낸 도 4b의 이미지(430)을 참조하면, 확장된 패치들(410) 사이의 접합면에 이격선(435)이 나타날 수 있으며, 이에 따라 패치들(410) 사이의 접합면에서 오브젝트의 경계가 자연스럽게 이어지지 않는 문제가 발생될 수 있다. 따라서, 본 개시에 따른 전자 장치는 패치들(410) 사이의 접합면에 나타난 이격선을 제거함으로써 오브젝트의 경계가 자연스럽게 연결될 수 있도록 처리할 수 있다.
구체적으로, 확장된 일부 패치들 사이의 접합면에 이격선이 나타나면, 전자 장치는 이격선의 중간 지점으로 이격선 양 측의 오브젝트의 위치를 이동시킴으로써 패치들(410) 사이의 접합면에 나타난 이격선을 제거할 수 있다. 예를 들어, 도 4b의 이미지(430)에 도시된 바와 같이, 전자 장치는 이격선(435) 좌측 오브젝트를 이격선(435)의 중간 지점을 나타내는 선(440)을 향해 위쪽으로 이동시키고, 이격선 우측 오브젝트를 이격선(435)의 중간 지점을 나타내는 선(440)을 향해 아래쪽으로 이동시킬 수 있다. 이에 따라, 도 4b의 이미지(450)에 도시된 바와 같이, 패치들(410) 사이의 접합면에 나타난 이격선이 제거될 수 있다.
한편, 이상에서는 이격선(435)의 중간 지점으로 이격선(435) 양 측 오브젝트의 위치를 이동시킴으로써 패치들(410) 사이의 접합면에 나타난 이격선(435)을 제거하는 실시 예에 대해 설명하였으나, 이격선(435) 양 측 오브젝트의 크기에 따라 이격선(435)의 중간 지점이 아닌 다른 지점으로 이격선(435) 양 측 오브젝트의 위치를 이동시킬 수도 있다. 예를 들어, 도 4b에 도시된 바와 같이 이격선(435) 좌측 오브젝트가 이격선(435) 우측 오브젝트보다 큰 경우, 제2 세그먼테이션 이미지 전체의 자연스러움을 위해, 이격선(435) 좌측 오브젝트보다 이격선(435) 우측 오브젝트를 더 많이 이동시켜 접합면에 나타난 이격선(435)을 제거할 수도 있다.
도 4A와 4B를 참조하여 상술한 바와 같은 실시 예에 따르면, 전자 장치는 제1 세그먼테이션 이미지(400)의 확장 과정에서 나타날 수 있는 이격선을 제거함으로써 오브젝트의 경계가 자연스럽게 연결된 제2 세그먼테이션 이미지를 획득할 수 있게 된다.
도 5는 본 개시에 따른 이미지 블렌딩 과정에 대한 다양한 실시 예를 상세하게 설명하기 위한 도면이다. 즉, 도 5는 도 1의 단계 S150에 관련된 이미지 블렌딩 과정을 구체적으로 설명하기 위한 도면이다.
전술한 바와 같이, 전자 장치는 제1 이미지(510)의 특성을 제2 이미지에 반영하여 제3 이미지(530)를 획득할 수 있다. 구체적으로, 전자 장치는 스타일 전이 과정을 통해 제1 이미지(510)의 스타일을 제2 이미지에 전이시킴으로써 제1 이미지(510)의 스타일이 반영된 제4 이미지(520)를 획득하고, 이미지 블렌딩 과정을 통해 제1 이미지(510)와 제4 이미지(520)를 혼합하여 제3 이미지(530)를 획득할 수 있다.
일 예로서, 도 5에는 본 개시에 따른 제1 이미지(510), 스타일 전이 과정을 통해 제1 이미지(510)의 스타일이 반영된 제4 이미지(520), 그리고 이미지 블렌딩 과정을 통해 제1 이미지(510)와 제4 이미지(520)가 혼합된 제3 이미지(530)의 예를 도시하였다. 그리고, 도 5의 경계선들(521, 531)은 각각 제1 이미지(510)를 제4 이미지(520) 및 제3 이미지(530)의 중심부에 배치하는 경우 제1 이미지(510)가 배치되는 영역을 나타낸다.
전자 장치는 제1 이미지(510)가 제4 이미지(520)의 중심부에 배치되도록 제1 이미지(510) 및 제4 이미지(520)를 병합함으로써 제3 이미지(530)를 획득할 수도 있다. 그런데, 이 경우, 제3 이미지(530)에 경계선(531)에 대응되는 윤곽선이 나타나거나, 경계선(531) 전후로 부자연스러운 부분이 발생할 수 있다. 따라서, 전자 장치는 경계선(521) 안쪽의 일부 영역에 대응되는 제1 이미지(510)의 픽셀 별 RGB 값과 제4 이미지(520)의 픽셀 별 RGB 값을 혼합하여 제3 이미지(530)를 획득할 수 있다.
특히, 본 개시에 따른 전자 장치는 세그먼테이션 정보에 포함된 복수의 오브젝트 각각의 종류에 대한 정보를 바탕으로 복수의 오브젝트 각각의 종류에 대응되는 블렌딩 속성을 식별하고, 복수의 오브젝트 별 블렌딩 속성을 바탕으로 제1 이미지(510)와 제4 이미지(520)가 혼합되는 영역을 결정하며, 결정된 영역에 대응되는 제1 이미지(510)의 픽셀 별 RGB 값 및 제4 이미지(520)의 픽셀 별 RGB 값을 소정의 가중치에 따라 혼합하여 제3 이미지(530)를 획득할 수 있다. 전술한 바와 같이, '블렌딩 속성'은 오브젝트가 이미지 내에서 차지하는 면적의 크기, 오브젝트 내에서 특징이 변화하는 정도, 그리고, 오브젝트가 이미지 내에서 배치된 뎁스(depth) 등을 포함할 수 있다.
구체적으로, 도 5의 "하늘"에 대응되는 영역(511)과 같이 제1 이미지(510) 및 제4 이미지(520) 내에서 차지하는 면적이 넓고 오브젝트 내에서 특징이 변화하는 정도가 크지 않은 경우, 전자 장치는 제1 이미지(510)의 넓은 영역을 제4 이미지(520)에 혼합할 수 있으며, 도 5의 "절벽"에 대응되는 영역(512)과 같이, "하늘"에 대응되는 영역(511)에 비하여 상대적으로 제1 이미지(510) 및 제4 이미지(520) 내에서 차지하는 면적이 좁고 오브젝트 내에서 특징이 변화하는 정도가 큰 경우, 전자 장치는 "하늘"에 대응되는 영역(511)의 경우에 비하여 상대적으로 제1 이미지(510)의 좁은 영역을 제4 이미지(520)에 혼합할 수 있다. 도 5에 구체적으로 도시하지는 않았으나, 도 5의 "바다" 및 "땅"에 대응되는 영역의 경우에도, "하늘"에 대응되는 영역(511)의 경우와 마찬가지로 제1 이미지(510)의 넓은 영역을 제4 이미지(520)에 혼합할 수 있다. 도 5의 경계선(521) 및 경계선(522)에 사이의 영역(524)은 제1 이미지(510)와 제4 이미지(520)의 각 픽셀 별 RGB값이 혼합되는 혼합 영역을 나타낸다. 구체적으로, 영역(524) 중 "하늘"에 대응되는 영역이 폭이 넓고 "절벽"에 대응되는 영역의 폭이 좁은 것은 상술한 예시에 따른 결과를 나타낸다.
도 5를 참조하여 상술한 바와 같은 실시 예에 따르면, 전자 장치는 원본 이미지에 포함된 복수의 오브젝트 각각의 유형과 그에 따른 속성을 바탕으로 이미지 블렌딩 과정을 수행함으로써, 원본 이미지의 외곽 영역이 보다 자연스럽게 확장된 이미지를 획득할 수 있게 된다.
도 6은 본 개시에 따른 외곽 영역의 확장에 대한 예상 결과를 제공하는 방법에 대한 실시 예를 설명하기 위한 도면이다. 그리고, 도 7a 및 도 7b는 본 개시에 따른 외곽 영역의 확장에 대한 예상 결과를 제공하기 위한 전자장치의 사용자 인터페이스를 나타내는 도면이다.
상술한 바와 같은 실시 예를 통해 원본 이미지의 외곽 영역이 확장된 이미지를 획득하더라도, 원본 이미지에 포함된 오브젝트의 종류, 원본 이미지의 해상도 등을 비롯한 원본 이미지의 특성에 따라, 외곽 영역의 확장이 자연스러운 정도에는 차이가 있을 수 있다. 따라서, 원본 이미지의 외곽 영역을 확장하기 위한 사용자 입력을 수신하기에 앞서, 사용자에게 원본 이미지 별로 이미지의 외곽 영역을 확장하는 경우의 자연스러움에 대한 예상 결과를 제공할 필요성이 있다.
일 실시 예에 따르면, 전자 장치(100)는 이미지에 대한 필터 정보를 기 저장된 제1 평가 데이터의 분포와 비교하여 외곽 영역의 확장에 대한 예상 결과를 제공할 수 있다. 여기서, '필터 정보'란 원본 이미지의 RGB 범위, 세그먼테이션 정보에 따른 인접 레이블간의 관계, 미분 밀도 및 주파수 분포 등과 같이, 적은 양의 연산으로 획득할 수 있는 이미지의 특성에 대한 정보를 총칭하기 위한 용어이다. 그리고, '제1 평가 데이터'란 개발자에 의해 외곽 영역의 확장이 자연스럽게 이루어졌다고 평가된 이미지에 대한 원본 이미지들을 분석하여, 그 원본 이미지들의 필터 정보를 데이터의 형태로 구축한 것을 말한다.
예를 들어, 도 6에 도시된 바와 같이, 전자 장치(100)는 개발자에 의해 외곽 영역의 확장이 자연스럽게 이루어졌다고 평가된 원본 이미지에 대한 필터 정보로서, 원본 이미지(610)의 픽셀 별 RGB 값의 분포를 나타내는 RGB 범위 및 원본 이미지의 픽셀 별 레이블의 분포를 나타내는 레이블 범위에 대한 정보를 획득할 수 있다. 또한, 전자 장치(100)는 원본 이미지의 미분 밀도에 대한 정보를 획득할 수 있으며, 도 6의 이미지(620)에 도시된 바와 같이, 원본 이미지에 포함된 고주파 영역 및 저주파 영역에 대한 주파수 분포에 대한 정보를 획득할 수도 있다. 마찬가지 방법으로 다수의 원본 이미지에 대한 필터 정보를 획득함에 따라, 전자 장치(100)는 다수의 원본 이미지에 대한 필터 정보를 바탕으로, 외곽 영역의 확장이 자연스럽게 이루어질 것으로 예상되는 이미지에 대한 필터 정보의 분포를 획득할 수 있다.
제1 평가 데이터가 획득된 후, 전자 장치(100)는 전자 장치(100)에 저장된 복수의 이미지 각각에 대한 필터 정보가 제1 평가 데이터에 부합하는 정도에 관련된 평가 정보를 획득하고, 획득된 평가 정보를 외곽 영역의 확장에 대한 예상 결과로서 사용자에게 제공할 수 있다. 다시 말해, 전자 장치(100)는 복수의 이미지 각각에 대한 필터 정보를 외곽 영역 확장이 자연스러운 것으로 평가된 이미지들의 필터 정보와 비교하여, 상기 복수의 이미지 각각의 외곽 영역 확장을 확장하는 경우의 자연스러움에 대한 평가 정보를 제공할 수 있다. 여기서, '평가 정보'는 복수의 이미지 각각에 대한 필터 정보가 제1 평가 데이터에 부합하는 정도를 나타내는 스코어 정보 또는 퍼센티지 정보일 수 있다.
예를 들어, 도 7a 및 도 7b에 도시된 바와 같이, 복수의 이미지 각각에 대한 평가 정보는 전자 장치(100)에 저장된 복수의 이미지를 표시하기 위한 어플리케이션(예: 갤러리앱)을 통해 제공될 수 있다. 구체적으로, 도 7a에 도시된 바와 같이, 전자 장치(100)는 복수의 이미지 중 필터 정보가 기 저장된 제1 평가 데이터에 부합하는 정도가 높은 이미지들의 우측 상단에, "추천(710)"과 같은 UI(User Interface) 아이템을 표시할 수 있다. 또한, 도 7b에 도시된 바와 같이, 전자 장치(100)는 복수의 이미지 각각의 우측 상단에, 필터 정보가 제1 평가 데이터에 부합하는 정도에 관련된 퍼센티지 정보(730)를 나타내는 UI 아이템을 표시할 수도 있다.
한편, 평가 정보의 제공은 도 7b의 "확장 추천(740)"과 같은 UI 아이템을 선택하는 사용자 입력에 따라 수행될 수 있다. 그리고, 복수의 이미지 각각에 대한 평가 정보가 제공되면, 사용자는 외곽 영역을 확장하고자 하는 적어도 하나의 이미지를 선택한 후, 도 7a 또는 도 7b의 "확장(720, 750)"과 같은 UI 아이템을 선택함으로써, 본 개시에 따라 외곽 영역이 확장된 이미지를 획득할 수 있다.
한편, 상술한 바와 같이 기 저장된 평가 데이터를 바탕으로 외곽 영역의 확장에 대한 예상 결과를 제공하더라도, 외곽 영역의 확장이 자연스러운지 여부에 대한 평가는 사용자 개개인의 주관에 따라 달라질 수 있다. 따라서, 본 개시에 따른 전자 장치는 사용자의 피드백 정보를 바탕으로 외곽 영역의 확장에 대한 예상 결과를 제공할 수 있다.
구체적으로, 복수의 이미지 각각에 대한 필터 정보를 바탕으로 외곽 영역의 확장에 대한 예상 결과가 제공되면, 사용자는 복수의 이미지 중 적어도 하나의 이미지에 대한 사용자 피드백을 입력할 수 있다. 여기서, 사용자 피드백은 긍정적인 피드백 및 부정적인 피드백을 포함할 수 있다. 그리고, 복수의 이미지 중 적어도 하나의 이미지에 대한 사용자 피드백을 입력함에 따라, 전자 장치(100)는 긍정적인 피드백이 입력된 이미지들에 대한 필터 정보를 바탕으로 제2 평가 데이터를 획득할 수 있다. 여기서, '제2 평가 데이터'란 사용자에 의해 외곽 영역의 확장이 자연스럽게 이루어졌다고 평가된 이미지에 대한 원본 이미지들을 분석하여, 그 원본 이미지들의 필터 정보를 데이터의 형태로 구축한 것을 말한다. 즉, 제2 평가 데이터는 개발자의 평가에 의해 구축된 데이터인 제1 평가 데이터와는 구별된다.
사용자의 피드백을 바탕으로 제2 평가 데이터를 구축함에 따라, 전자 장치는 복수의 이미지 각각에 대한 필터 정보가 제1 평가 데이터 및 제2 평가 데이터에 부합하는 정도에 관련된 평가 정보를 획득하고, 획득된 평가 정보를 외곽 영역의 확장에 대한 예상결과로서 사용자에게 제공할 수 있다. 도 6의 "1 단계" 및 "2 단계"는 각각 개발자에 의해 외곽 영역의 확장이 자연스럽게 이루어졌다고 평가된 원본 이미지를 바탕으로 제1 평가 데이터를 구축하는 과정과 사용자의 피드백을 바탕으로 제2 평가 데이터를 구축하는 과정을 나타낸다. 그리고, 도 6 하단의 "최종 추천 대상"이라 함은, 제1 평가 데이터에 따른 분포를 나타내는 그래프들 중 하나의 그래프와 제2 평가 데이터에 따른 분포를 나타내는 그래프들 중 하나의 그래프의 교집합에 대응되는 이미지들이 사용자에게 추천될 수 있다는 것을 나타낸다.
도 6 내지 도 7a를 참조하여 상술한 바와 같은 다양한 실시 예에 따르면, 전자 장치는 사용자에게 원본 이미지 별로 이미지의 외곽 영역을 확장하는 경우의 자연스러움에 대한 예상 결과를 제공함으로써, 사용자의 편의성을 도모할 수 있으며, 불필요한 연산과정을 최소화할 수 있게 된다.
도 8은 본 개시의 다양한 실시 예에 따른 전자 장치(100)의 구성을 간략하게 나타내는 블록도, 그리고 도 9는 본 개시의 다양한 실시 예에 따른 전자 장치(100)의 구성을 상세하게 나타내는 블록도이다.
도 8에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다. 또한, 도 9에 도시된 바와 같이, 본 개시의 일실시 예에 따른 전자 장치(100)는 카메라(130), 통신부(140), 디스플레이(150) 및 입력부(160)를 더 포함할 수 있다. 한편, 본 개시에 따른 프로세서(120)는 세그먼테이션 모듈(121), 이미지 확장 모듈(122), 이미지 생성 모듈(123), 스타일 전이 모듈(125) 및 이미지 블렌딩 모듈(125)과 같은 소프트웨어 모듈을 포함할 수 있다. 그러나, 도 8 및 도 9에 도시된 바와 같은 구성들은 예시적인 것에 불과할 뿐이며, 본 개시를 실시함에 있어 도 8 및 도 9에 도시된 바와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음은 물론이다.
메모리(110)에는 전자 장치(100)에 관한 적어도 하나의 인스트럭션(instruction)이 저장될 수 있다. 그리고, 메모리(110)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(110)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(110)는 플래시 메모리(110)(Flash Memory) 등과 같은 반도체 메모리(110)나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.
구체적으로, 메모리(110)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(120)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
한편, 본 개시에서 메모리(110)라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 메모리(110)에는 본 개시에 따른 제1 이미지, 제2 이미지, 제3 이미지, 제4 이미지, 제1 세그먼테이션 이미지 및 제2 세그먼테이션 이미지 등과 같은 이미지들이 저장될 수 있다. 도 9의 메모리(110)에 도시된 제1 이미지 및 제3 이미지는 메모리(110)에 저장될 수 있는 이미지들 중 일부 이미지를 나타낸 것에 불과하다. 또한, 메모리(110)에는 본 개시에 따른 제1 평가 데이터 및 제2 평가 데이터가 저장될 수 있으며, 본 개시에 따른 복수의 모듈과 신경망 모델에 관련된 다양한 데이터가 저장될 수 있다.
그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(110)에 저장될 수 있으며, 메모리(110)에 저장된 정보는 서버 또는 외부 장치로부터 수신되거나 사용자에 의해 입력된 정보에 따라 갱신될 수도 있다.
프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어 한다. 구체적으로, 프로세서(120)는 상술한 바와 같은 전자 장치(100)의 구성들과 연결되며, 상술한 바와 같은 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써, 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.
프로세서(120)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(120)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에서 프로세서(120)라는 용어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Main Processing Unit)등을 포함하는 의미로 사용될 수 있다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신함에 따라, 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하며, 세그먼테이션 정보를 바탕으로 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하고, 제2 세그먼테이션 이미지에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하며, 세그먼테이션 정보를 바탕으로 제1 이미지의 특성을 제2 이미지에 반영하여 제3 이미지를 획득하고, 획득된 제3 이미지를 제공할 수 있다.
한편, 도 9에 도시된 바와 같이, 본 개시에 따른 프로세서(120)는 본 개시에 따른 프로세서(120)는 세그먼테이션 모듈(121), 이미지 확장 모둘, 이미지 생성 모듈(123), 스타일 전이 모듈(125) 및 이미지 블렌딩 모듈(125)과 같은 소프트웨어 모듈을 포함할 수 있다.
세그먼테이션 모듈(121)은 입력된 이미지에 대응되는 세그먼테이션 이미지를 획득하는 모듈을 말한다. 즉, 세그먼테이션 모듈(121)은 상술한 바와 같은 세그먼테이션과정을 수행하는 모듈로서, 전술한 바와 같은 '시멘틱 세그먼테이션 모델(semantic segmentation model)'을 포함할 수 있다. 구체적으로, 제1 이미지를 수신하면, 세그먼테이션 모듈(121)은 제1 세그먼테이션 이미지를 획득하여 이미지 확장 모듈(122)에 전송할 수 있다.
이미지 확장 모듈(122)은 입력된 이미지의 외곽 영역을 확장하여 출력하는 모듈을 말한다. 즉, 이미지 확장 모듈(122)은 상술한 바와 같은 외곽 영역의 확장 과정을 수행하는 모듈을 말한다. 구체적으로, 제1 세그먼테이션 이미지를 수신하면, 이미지 확장 모듈(122)은 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하여 이미지 생성 모듈(123)에 전송할 수 있다.
이미지 생성 모듈(123)은 입력된 이미지에 대응되는 새로운 이미지를 생성하는 모듈을 말한다. 즉, 이미지 생성 모듈(123)은 상술한 바와 같은 제2 이미지의 생성 과정을 수행하는 모듈로서, 전술한 바와 같이 적대적 생성 신경망(Generative Adversarial Network, GAN)으로 구현될 수 있다. 구체적으로, 제2 세그먼테이션 이미지가 입력되면, 이미지 생성 모듈(123)은 제2 세그먼테이션 이미지에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 생성하고, 생성된 제2 이미지를 스타일 전이 모듈(125)에 전송할 수 있다.
스타일 전이 모듈(125)은 제1 이미지의 스타일을 제2 이미지에 전이시키는 모듈을 말한다. 즉, 스타일 전이 모듈(125)은 상술한 바와 같은 스타일 전이 과정을 수행하는 모듈을 말한다. 구체적으로, 스타일 전이 모듈(125)은 제1 이미지 및 제2 이미지를 수신하고, 제1 이미지로부터 이미지의 스타일에 영향을 미칠 수 있는 파라미터에 대한 정보를 획득하고, 획득된 파라미터에 대한 정보에 대응되도록 제2 이미지의 파라미터를 변경함으로써 제1 이미지의 스타일이 반영된 제4 이미지를 획득하여 이미지 블렌딩 모듈(125)에 전송할 수 있다.
이미지 블렌딩 모듈(125)은 제1 이미지와 제4 이미지를 혼합하여 새로운 이미지를 획득하는 모듈을 말한다. 즉, 이미지 블렌딩 모듈(125)은 상술한 바와 같은 이미지 블렌딩 과정을 수행하는 모듈을 말한다. 구체적으로, 이미지 블렌딩 모듈(125)은 세그먼테이션 정보를 바탕으로 제1 이미지 및 제4 이미지가 혼합되는 영역을 결정하고, 결정된 영역에 대응되는 제1 이미지의 픽셀 별 RGB 값 및 제4 이미지의 픽셀 별 RGB 값을 소정의 가중치에 따라 혼합하여 제3 이미지를 획득할 수 있다.
상술한 바와 같은 모듈들 중 적어도 일부 모듈은 신경망 모델을 통해 구현될 수 있을 뿐만 아니라, 신경망 모델을 이용하지 않는 컴퓨터 비전 기술로 구현될 수 있으며, 프로세서(120)에 on-chip 형태로 포함되는 모듈로 구현될 수도 있다. 그 밖의 프로세서(120)의 제어를 바탕으로 한 본 개시에 따른 다양한 실시 예에 대해서는 도 1 내지 도 7b를 참조하여 상술하였으므로 중복 설명은 생략한다.
카메라(130)는 적어도 하나의 오브젝트에 대한 이미지를 획득할 수 있다. 구체적으로, 카메라(130)는 이미지 센서를 포함하고, 이미지 센서는 렌즈를 통해 들어오는 빛을 전기적인 영상 신호로 변환할 수 있다. 카메라(130)는 망원 렌즈, 광각 렌즈, 초광각 렌즈 및 3D 렌즈 등과 같은 다양한 렌즈들 중 적어도 하나를 포함할 수 있다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 카메라(130)를 통해 제1 이미지를 획득하여 메모리(110)에 저장할 수 있다.
통신부(140)는 회로를 포함하며, 외부 장치와의 통신을 수행할 수 있다. 구체적으로, 프로세서(120)는 통신부(140)를 통해 연결된 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다.
통신부(140)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다. 구체적으로, WiFi 모듈과 Bluetooth 모듈 각각은 WiFi 방식, Bluetooth 방식으로 통신을 수행할 수 있다. WiFi 모듈이나 Bluetooth 모듈을 이용하는 경우에는 SSID 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.
또한, 무선 통신 모듈은 IEEE, Zigbee, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행할 수 있다. 그리고, NFC 모듈은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 통신을 수행할 수 있다.
특히, 도 9에 도시된 바와 같이, 프로세서(120)는 통신부(140)를 통해 외부 장치로부터 원본 이미지인 제1 이미지를 수신할 수 있으며, 제1 이미지의 외곽 영역이 확장된 이미지인 제3 이미지를 외부 장치로 전송하도록 통신부(140)를 제어할 수 있다. 또한, 프로세서(120)는 통신부(140)를 통해 본 개시에 따른 제1 평가 데이터 및 제2 평가 데이터를 수신할 수 있으며, 신경망 모델에 관련된 다양한 데이터를 수신할 수도 있다.
디스플레이(150)는 프로세서(120)의 제어에 의하여 영상 데이터를 출력할 수 있다. 구체적으로, 디스플레이(150)는 프로세서(120)의 제어에 의하여 메모리(110)에 기 저장된 영상을 출력할 수 있다. 또한, 디스플레이(150)는 메모리(110)에 저장된 사용자 인터페이스(User Interface, UI)를 표시할 수도 있다. 디스플레이(150)는 LCD(Liquid Crystal Display Panel), OLED(Organic Light Emitting Diodes) 등으로 구현될 수 있으며, 또한 디스플레이(150)는 경우에 따라 플렉서블 디스플레이, 투명 디스플레이 등으로 구현되는 것도 가능하다. 다만, 본 개시에 따른 디스플레이(150)가 특정한 종류에 한정되는 것은 아니다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 본 개시에 따른 제1 이미지, 제2 이미지, 제3 이미지, 제4 이미지, 제1 세그먼테이션 이미지 및 제2 세그먼테이션 이미지 등과 같은 이미지들 표시하도록 디스플레이(150)를 제어할 수 있다. 그리고, 프로세서(120)는 도 7a 및 도 7b에 도시된 바와 같이 외곽 영역의 확장에 대한 예상 결과를 제공하기 위한 UI를 표시하도록 디스플레이(150)를 제어할 수 있다.
한편, 도 9에 도시하지는 않았으나, 본 개시에 따른 전자 장치(100)는 스피커를 더 포함할 수 있으며, 본 개시에 따른 이미지가 동영상인 경우, 동영상을 표시하도록 디스플레이(150)를 제어함과 동시에 그 동영상에 대응되는 오디오 데이터를 출력하도록 스피커를 제어할 수 있다.
입력부(160)는 회로를 포함하며, 프로세서(120)는 입력부(160)를 통해 전자 장치(100)의 동작을 제어하기 위한 사용자 명령을 수신할 수 있다. 구체적으로, 입력부(160)는 마이크, 카메라(130)(미도시), 및 리모컨 신호 수신부(미도시) 등과 같은 구성으로 이루어 질 수 있다. 그리고, 입력부(160)는 터치 스크린으로서 디스플레이(150)에 포함된 형태로 구현될 수도 있다. 특히, 마이크는 음성 신호를 수신하고, 수신된 음성 신호를 전기 신호로 변환할 수 있다.
특히, 본 개시에 따른 다양한 실시 예에 있어서, 프로세서(120)는 입력부(160)를 통해 제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신할 수 있으며, 외곽 영역의 확장 결과에 대한 평가 정보를 제공받기 위한 사용자 입력을 수신할 수도 있다.
한편, 상술한 실시 예에 따른 전자 장치(100)의 제어 방법은 프로그램으로 구현되어 전자 장치(100)에 제공될 수 있다. 특히, 전자 장치(100)의 제어 방법을 포함하는 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
구체적으로, 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치(100)의 제어 방법 제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신함에 따라, 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 복수의 오브젝트 각각에 대응되는 영역에 대한 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하는 단계, 세그먼테이션 정보를 바탕으로 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하는 단계, 제2 세그먼테이션 이미지에 포함된 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하는 단계, 세그먼테이션 정보를 바탕으로 제1 이미지의 특성을 제2 이미지에 반영하여 제3 이미지를 획득하는 단계 및 획득된 제3 이미지를 제공하는 단계를 포함할 수 있다.
이상에서 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해 간략하게 설명하였으나, 이는 중복 설명을 생략하기 위한 것일 뿐이며, 전자 장치(100)에 대한 다양한 실시 예는 전자 장치(100)의 제어 방법, 그리고 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 컴퓨터 판독 가능 기록매체에 대해서도 적용될 수 있음은 물론이다.
상술한 바와 같은 본 개시의 다양한 실시 예에 따르면, 본 개시에 따른 전자 장치(100)는 원본 이미지에 포함된 복수의 오브젝트 각각의 유형과 그에 따른 속성을 바탕으로, 원본 이미지의 외곽 영역이 자연스럽게 확장된 이미지를 획득하여 사용자에게 제공할 수 있게 된다.
또한, 전자 장치(100)는 세그먼테이션 과정에 윤곽선 검출 과정을 결합함으로써, 제1 이미지에 포함된 복수의 오브젝트 각각의 경계가 명확하게 특정된 제1 세그먼테이션 이미지를 획득할 수 있으며, 제1 세그먼테이션 이미지의 확장 과정에서 나타날 수 있는 이격선을 제거함으로써 오브젝트의 경계가 자연스럽게 연결된 제2 세그먼테이션 이미지를 획득할 수 있고, 원본 이미지에 포함된 복수의 오브젝트 각각의 유형과 그에 따른 속성을 바탕으로 이미지 블렌딩 과정을 수행함으로써, 원본 이미지의 외곽 영역이 보다 자연스럽게 확장된 이미지를 획득할 수도 있다.
한편, 전자 장치(100)는 사용자에게 원본 이미지 별로 이미지의 외곽 영역을 확장하는 경우의 자연스러움에 대한 예상 결과를 제공함으로써, 사용자의 편의성을 도모할 수 있으며, 불필요한 연산 과정을 최소화할 수 있다.
한편, 이상에서 상술한 바와 같은 신경망 모델들에 관련된 기능은 메모리(110) 및 프로세서(120)를 통해 수행될 수 있다.
프로세서(120)는 하나 또는 복수의 프로세서(120)로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서(120)는 CPU, AP 등과 같은 범용 프로세서(120), GPU. VPU 등과 같은 그래픽 전용 프로세서(120) 또는 NPU와 같은 인공 지능 전용 프로세서(120)일 수 있다.
하나 또는 복수의 프로세서(120)는, 비휘발성 메모리(110) 및 휘발성 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Networks) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서 상술한 바와 같은 본 개시의 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다.
다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다.
상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.

Claims (15)

  1. 전자 장치에 있어서,
    적어도 하나의 인스트럭션(instruction)을 저장하는 메모리; 및
    상기 적어도 하나의 인스트럭션을 실행하는 프로세서; 를 포함하고,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 프로세서는,
    제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신함에 따라, 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 상기 복수의 오브젝트 각각에 대응되는 영역에 대한 제1 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하며,
    상기 제1 세그먼테이션 정보를 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하고,
    상기 제2 세그먼테이션 이미지에 포함된 제2 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하며,
    상기 제2 세그먼테이션 정보를 바탕으로 상기 제1 이미지의 특성을 상기 제2 이미지에 반영하여 제3 이미지를 획득하고,
    상기 획득된 제3 이미지를 제공하는 전자 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 이미지에 포함된 윤곽선에 대한 정보를 획득하고,
    상기 윤곽선에 대한 정보를 바탕으로 상기 제1 이미지에 포함된 복수의 오브젝트 각각의 영역을 식별하며,
    상기 식별된 복수의 오브젝트 각각의 영역에 상기 제1 세그먼테이션 정보에 따른 복수의 오브젝트 각각의 클래스를 할당하여 상기 제1 세그먼테이션 이미지를 획득하는 전자 장치.
  3. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 세그먼테이션 정보에 포함된 복수의 오브젝트 각각의 종류에 대한 정보를 바탕으로 상기 복수의 오브젝트 각각의 종류에 대응되는 확장 속성을 식별하고,
    상기 식별된 복수의 오브젝트 별 확장 속성을 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역을 확장하여 상기 제2 세그먼테이션 이미지를 획득하는 전자 장치.
  4. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 세그먼테이션 이미지를 기 설정된 크기를 갖는 복수의 패치로 분할하고,
    상기 복수의 패치 중 일부 패치를 확장하여 상기 제1 세그먼테이션 이미지의 외곽 영역에 병합하며,
    상기 확장된 일부 패치들 사이의 접합면에 이격선이 나타나면, 상기 이격선의 중간지점으로 상기 이격선 양 측 오브젝트의 위치를 이동시켜 상기 제2 세그먼테이션 이미지를 획득하는 전자 장치.
  5. 제1 항에 있어서,
    상기 프로세서는,
    제1 이미지의 스타일에 영향을 주는 파라미터를 식별하고,
    제2 이미지의 파라미터를 식별된 제1 이미지의 스타일에 영향을 주는 파라미터로 변환함에 따라 제 4이미지를 획득하고,
    상기 제2 세그먼테이션 정보에 포함된 복수의 오브젝트 각각의 종류에 대한 정보를 바탕으로 상기 복수의 오브젝트 각각의 종류에 대응되는 블렌딩 속성을 식별하고,
    상기 복수의 오브젝트 별 블렌딩 속성을 바탕으로 상기 제1 이미지와 상기 제4 이미지를 혼합하여 상기 제3 이미지를 획득하는 전자 장치.
  6. 제1 항에 있어서,
    상기 프로세서는,
    상기 메모리에 저장된 복수의 이미지 각각에 대한 필터 정보를 외곽 영역 확장이 자연스러운 것으로 평가된 이미지들의 필터 정보와 비교하여, 상기 복수의 이미지의 외곽 영역 확장을 확장하는 경우의 자연스러움에 대한 평가 정보를 제공하고,
    상기 필터 정보는,
    상기 복수의 이미지 각각의 픽셀 별 RGB 값의 분포에 대한 정보 및 상기 복수의 이미지 각각에 대한 세그먼테이션 정보에 따른 픽셀 별 레이블의 분포에 대한 정보를 포함하는 전자 장치.
  7. 제6 항에 있어서,
    상기 프로세서는,
    상기 제3 이미지에 대한 사용자의 긍정적인 피드백을 수신하면, 상기 제3 이미지에 대한 필터 정보 및 상기 외곽 영역 확장이 자연스러운 것으로 평가된 이미지들의 필터정보를 바탕으로 상기 평가 정보를 제공하는 전자 장치.
  8. 전자 장치의 제어 방법에 있어서,
    제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신하면, 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 상기 복수의 오브젝트 각각에 대응되는 영역에 대한 제1 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하는 단계;
    상기 제1 세그먼테이션 정보를 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하는 단계;
    상기 제2 세그먼테이션 이미지에 포함된 제2 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하는 단계;
    상기 제2 세그먼테이션 정보를 바탕으로 상기 제1 이미지의 특성을 상기 제2 이미지에 반영하여 제3 이미지를 획득하는 단계; 및
    상기 획득된 제3 이미지를 제공하는 단계; 를 포함하는 전자 장치의 제어 방법.
  9. 제8 항에 있어서,
    상기 제1 세그먼테이션 이미지를 획득하는 단계는,
    상기 제1 이미지에 포함된 윤곽선에 대한 정보를 획득하는 단계;
    상기 윤곽선에 대한 정보를 바탕으로 상기 제1 이미지에 포함된 복수의 오브젝트 각각의 영역을 식별하는 단계; 및
    상기 식별된 복수의 오브젝트 각각의 영역에 상기 제1 세그먼테이션 정보에 따른 복수의 오브젝트 각각의 클래스를 할당하여 상기 제1 세그먼테이션 이미지를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
  10. 제8 항에 있어서,
    상기 제2 세그먼테이션 이미지를 획득하는 단계는,
    상기 제1 세그먼테이션 정보에 포함된 복수의 오브젝트 각각의 종류에 대한 정보를 바탕으로 상기 복수의 오브젝트 각각의 종류에 대응되는 확장 속성을 식별하는 단계; 및
    상기 식별된 복수의 오브젝트 별 확장 속성을 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역을 확장하여 상기 제2 세그먼테이션 이미지를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
  11. 제8 항에 있어서,
    상기 제2 세그먼테이션 이미지를 획득하는 단계는,
    상기 제1 세그먼테이션 이미지를 기 설정된 크기를 갖는 복수의 패치로 분할하는 단계;
    상기 복수의 패치 중 일부 패치를 확장하여 상기 제1 세그먼테이션 이미지의 외곽 영역에 병합하는 단계; 및
    상기 확장된 일부 패치들 사이의 접합면에 이격선이 나타나면, 상기 이격선의 중간지점으로 상기 이격선 양 측 오브젝트의 위치를 이동시켜 상기 제2 세그먼테이션 이미지를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
  12. 제8 항에 있어서,
    상기 제3 이미지를 획득하는 단계는,
    제1 이미지의 스타일에 영향을 주는 파라미터를 식별하는 단계;
    제2 이미지의 파라미터를 식별된 제1 이미지의 스타일에 영향을 주는 파라미터로 변환함에 따라 제 4이미지를 획득하는 단계;
    상기 제2 세그먼테이션 정보에 포함된 복수의 오브젝트 각각의 종류에 대한 정보를 바탕으로 상기 복수의 오브젝트 각각의 종류에 대응되는 블렌딩 속성을 식별하는 단계; 및
    상기 복수의 오브젝트 별 블렌딩 속성을 바탕으로 상기 제1 이미지와 상기 제4 이미지를 혼합하여 상기 제3 이미지를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법.
  13. 제8 항에 있어서,
    상기 전자 장치의 제어 방법은,
    상기 전자 장치의 메모리에 저장된 복수의 이미지 각각에 대한 필터 정보를 외곽 영역 확장이 자연스러운 것으로 평가된 이미지들의 필터 정보와 비교하여, 상기 복수의 이미지의 외곽 영역 확장을 확장하는 경우의 자연스러움에 대한 평가 정보를 제공하는 단계; 를 더 포함하고,
    상기 필터 정보는,
    상기 복수의 이미지 각각의 픽셀 별 RGB 값의 분포에 대한 정보 및 상기 복수의 이미지 각각에 대한 세그먼테이션 정보에 따른 픽셀 별 레이블의 분포에 대한 정보를 포함하는 전자 장치의 제어 방법.
  14. 제13 항에 있어서,
    상기 평가 정보를 제공하는 단계는,
    상기 제3 이미지에 대한 사용자의 긍정적인 피드백을 수신하면, 상기 제3 이미지에 대한 필터 정보 및 상기 외곽 영역 확장이 자연스러운 것으로 평가된 이미지들의 필터 정보를 바탕으로 상기 평가 정보를 제공하는 전자 장치의 제어 방법.
  15. 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독가능 기록매체에 있어서,
    상기 전자 장치의 제어 방법은,
    제1 이미지의 외곽 영역을 확장시키기 위한 사용자 입력을 수신하면, 상기 제1 이미지에 포함된 복수의 오브젝트를 식별하고, 상기 복수의 오브젝트 각각에 대응되는 영역에 대한 제1 세그먼테이션(segmentation) 정보를 포함하는 제1 세그먼테이션 이미지를 획득하는 단계;
    상기 제1 세그먼테이션 정보를 바탕으로 상기 제1 세그먼테이션 이미지의 외곽 영역이 확장된 제2 세그먼테이션 이미지를 획득하는 단계;
    상기 제2 세그먼테이션 이미지에 포함된 제2 세그먼테이션 정보가 RGB 정보로 변환된 제2 이미지를 획득하는 단계;
    상기 제2 세그먼테이션 정보를 바탕으로 상기 제1 이미지의 특성을 상기 제2 이미지에 반영하여 제3 이미지를 획득하는 단계; 및
    상기 획득된 제3 이미지를 제공하는 단계; 를 포함하는 컴퓨터 판독 가능 기록매체.
PCT/KR2021/011018 2020-10-21 2021-08-19 전자 장치 및 전자 장치의 제어 방법 WO2022085914A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/451,790 US20220122218A1 (en) 2020-10-21 2021-10-21 Electronic device and controlling method of electronic device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0137105 2020-10-21
KR1020200137105A KR20220052779A (ko) 2020-10-21 2020-10-21 전자 장치 및 전자 장치의 제어 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/451,790 Continuation US20220122218A1 (en) 2020-10-21 2021-10-21 Electronic device and controlling method of electronic device

Publications (1)

Publication Number Publication Date
WO2022085914A1 true WO2022085914A1 (ko) 2022-04-28

Family

ID=81290635

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/011018 WO2022085914A1 (ko) 2020-10-21 2021-08-19 전자 장치 및 전자 장치의 제어 방법

Country Status (2)

Country Link
KR (1) KR20220052779A (ko)
WO (1) WO2022085914A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102535687B1 (ko) * 2022-08-18 2023-05-26 주식회사 페블러스 이미지에 대응되는 형상 이미지를 제공하기 위한 이미지 처리 방법 및 그러한 방법을 수행하는 전자 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070122409A (ko) * 2006-06-26 2007-12-31 제네시스 마이크로칩 인코포레이티드 비디오 콘텐츠 검출기
US20140320534A1 (en) * 2013-04-30 2014-10-30 Sony Corporation Image processing apparatus, and image processing method
KR101554421B1 (ko) * 2014-04-16 2015-09-18 한국과학기술원 구조 기반 이미지 확장 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070122409A (ko) * 2006-06-26 2007-12-31 제네시스 마이크로칩 인코포레이티드 비디오 콘텐츠 검출기
US20140320534A1 (en) * 2013-04-30 2014-10-30 Sony Corporation Image processing apparatus, and image processing method
KR101554421B1 (ko) * 2014-04-16 2015-09-18 한국과학기술원 구조 기반 이미지 확장 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SOROUSH SEIFI; TINNE TUYTELAARS: "Attend and Segment: Attention Guided Active Semantic Segmentation", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 22 July 2020 (2020-07-22), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081725521 *
YI WANG, TAO XIN, SHEN XIAOYONG, JIA JIAYA: "Wide-Context Semantic Image Extrapolation", IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 16 June 2019 (2019-06-16) - 20 June 2019 (2019-06-20), pages 1399 - 1408, XP055626528, DOI: 10.1109/CVPR.2019.00149 *

Also Published As

Publication number Publication date
KR20220052779A (ko) 2022-04-28

Similar Documents

Publication Publication Date Title
WO2021251689A1 (en) Electronic device and controlling method of electronic device
WO2019164232A1 (ko) 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
WO2018117704A1 (en) Electronic apparatus and operation method thereof
WO2019182346A1 (ko) 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법
WO2019031714A1 (ko) 객체를 인식하는 방법 및 장치
WO2018135881A1 (en) Vision intelligence management for electronic devices
WO2019022472A1 (en) ELECTRONIC DEVICE AND ITS CONTROL METHOD
WO2019231130A1 (ko) 전자 장치 및 그의 제어방법
EP3539056A1 (en) Electronic apparatus and operation method thereof
WO2020180105A1 (en) Electronic device and control method thereof
WO2019172642A1 (ko) 심장 박동을 측정하기 위한 전자 장치 및 방법
WO2020071854A1 (en) Electronic apparatus and control method thereof
WO2020096255A1 (en) Electronic apparatus and control method thereof
WO2022085914A1 (ko) 전자 장치 및 전자 장치의 제어 방법
EP3698258A1 (en) Electronic apparatus and controlling method thereof
WO2019190171A1 (ko) 전자 장치 및 그 제어 방법
WO2021251615A1 (ko) 전자 장치 및 전자 장치의 제어 방법
EP3922036A1 (en) Apparatus and method for generating image
WO2021150033A1 (en) Electronic device and controlling method of electronic device
WO2020130299A1 (en) Electronic apparatus and control method thereof
EP4022526A1 (en) Electronic device and controlling method of electronic device
WO2020149493A1 (ko) 전자 장치 및 이의 제어 방법
WO2020166796A1 (ko) 전자 장치 및 그 제어 방법
WO2019231068A1 (en) Electronic device and control method thereof
EP3738305A1 (en) Electronic device and control method thereof

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: 21882987

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21882987

Country of ref document: EP

Kind code of ref document: A1