WO2022154337A1 - 이미지를 업스케일하는 전자 장치 및 이의 제어 방법 - Google Patents

이미지를 업스케일하는 전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
WO2022154337A1
WO2022154337A1 PCT/KR2021/020319 KR2021020319W WO2022154337A1 WO 2022154337 A1 WO2022154337 A1 WO 2022154337A1 KR 2021020319 W KR2021020319 W KR 2021020319W WO 2022154337 A1 WO2022154337 A1 WO 2022154337A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
electronic device
deep learning
learning model
upscaled
Prior art date
Application number
PCT/KR2021/020319
Other languages
English (en)
French (fr)
Inventor
정봉수
고봉혁
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
Publication of WO2022154337A1 publication Critical patent/WO2022154337A1/ko
Priority to US18/313,755 priority Critical patent/US20230334622A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Definitions

  • Embodiments of the present disclosure relate to an electronic device for upscaling an image, and a method for controlling the same.
  • Conventional image upscaling includes rule-based interpolation algorithms such as Nearest Neighbor, Bilinear, Bicubic, and Lanczos. These techniques operate by interpolating intermediate pixel values necessary for upscaling by referring to information of neighboring pixels based on each set rule.
  • a deep learning model for image upscaling operates by learning numerous input images, selecting optimal deep learning model parameters, and applying the selected parameters to the input image.
  • Such deep learning models can be divided into on-device modeling with a deep learning model engine in a mobile device and a server-based modeling technique with a deep learning model engine on a server.
  • the conventional image upscaling method using rule-based interpolation algorithms such as Nearest Neighbor, Bilinear, Bicubic, and Lanczos simply adjusts the size of the image and does not improve the quality. do.
  • the method of acquiring a high-resolution upscaled image using a deep learning model used to solve this problem requires a lot of computation and memory when using a deep learning model in a mobile device, so there is a limit to its application.
  • the deep learning model when using a deep learning model on a mobile device, if the resolution of the input image is large, the deep learning model requires a lot of memory and the operation speed is very slow, or in the worst case, the operation is impossible. There is a limit to the image size.
  • the present disclosure provides an electronic device capable of efficiently performing image upscaling using a deep learning model in a mobile device based on a resource of the mobile device and characteristics of an input image, and a control method thereof.
  • the electronic device includes a memory, a display, at least one processor operatively connected to the memory and the display, wherein the at least one processor divides an input image into a plurality of divided images, At least one deep learning model to acquire image characteristics included in each of the plurality of divided images, and to process each of the plurality of divided images among a plurality of deep learning models for upscaling stored in the memory based on the image characteristics to obtain a plurality of upscaled divided images respectively corresponding to the plurality of divided images through the at least one deep learning model, and to obtain an upscaled image by merging the plurality of upscaled divided images and display the upscaled image on the display.
  • a method for controlling an electronic device includes dividing an input image into a plurality of divided images, acquiring image characteristics included in each of the plurality of divided images, and storing the image characteristics stored in a memory based on the image characteristics.
  • the method may include obtaining an upscaled divided image, acquiring an upscaled image by merging the plurality of upscaled divided images, and displaying the upscaled image on the display.
  • the electronic device includes a memory, a display, the memory, and at least one processor operatively connected to the display, wherein the at least one processor acquires image characteristics for each region of an input image, Divides the input image into a plurality of divided images based on the image characteristics for each region, and processes each of the plurality of divided images among a plurality of deep learning models for upscaling stored in the memory based on the image characteristics for each region Identifies at least one deep learning model to be performed, obtains a plurality of upscaled segmented images respectively corresponding to the plurality of segmented images through the at least one deep learning model, and merges the plurality of upscaled segmented images to obtain an upscaled image, and may be set to display the upscaled image on the display.
  • the electronic device can efficiently and quickly process high-resolution image upscaling using an on-device deep learning model without limiting the size of an input image even in a mobile device with limited resources.
  • FIG. 1 is a block diagram of an electronic device in a network environment according to various embodiments of the present disclosure
  • FIG. 2 is a diagram for briefly explaining an image upscaling operation of an electronic device according to various embodiments of the present disclosure
  • FIG. 3 is a diagram for describing an image upscaling operation based on image characteristics of a divided image of an electronic device according to various embodiments of the present disclosure
  • FIG. 4 is a diagram for explaining an upscaling operation using a deep learning model according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • FIG. 5 is a diagram for explaining an upscaling operation using a deep learning model according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • FIG. 6 is a diagram for explaining an upscaling operation using a deep learning model according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • FIG. 7 is a diagram for describing an image upscaling operation of dividing an image according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • FIG. 8 is a diagram for explaining an operation of dividing an image according to various embodiments of the present disclosure.
  • FIG. 9 is a view for explaining a padding operation performed when dividing an image according to various embodiments of the present disclosure.
  • FIG. 10 is a diagram for describing an operation of storing metadata in an upscaled image according to various embodiments of the present disclosure
  • the method for recognizing image characteristics included in an image uses image data as input data of a deep learning model to obtain an image or output data obtained by recognizing image characteristics in an image can be obtained
  • a deep learning model can be acquired through learning.
  • what is acquired through learning means that the basic deep learning model is learned using a plurality of learning data by a learning algorithm, whereby a predefined action rule or deep learning model set to perform a desired characteristic (or purpose) is acquired means to be
  • a deep learning model may be composed of a plurality of neural network layers. Each of the plurality of neural network layers has a plurality of weight values, and a neural network operation is performed through an operation between an operation result of a previous layer and a plurality of weights.
  • Visual understanding is a technology that recognizes and processes objects as if they were human eyes. Object Recognition, Object Tracking, Image Retrieval, Human Reconnition, Scene Recognition , spatial understanding (3D Reconstruction/Localization), image enhancement, and the like.
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100, according to various embodiments.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with at least one of the electronic device 104 and the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • a second network 199 e.g., a second network 199
  • the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 .
  • at least one of these components eg, the connection terminal 178
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, a program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or operation, the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 . may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, a program 140
  • the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 .
  • the volatile memory 132 may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • the processor 120 is the main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • the main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a
  • the secondary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or when the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the coprocessor 123 eg, an image signal processor or a communication processor
  • may be implemented as part of another functionally related component eg, the camera module 180 or the communication module 190 ). have.
  • the auxiliary processor 123 may include a hardware structure specialized for processing a deep learning model.
  • Deep learning models can be created through machine learning. Such learning, for example, may be performed in the electronic device 101 itself on which the deep learning model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • a deep learning model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
  • the deep learning model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176 ) of the electronic device 101 .
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used by a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver may be implemented separately from or as part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 , or an external electronic device (eg, a sound output module 155 ) connected directly or wirelessly with the electronic device 101 .
  • the electronic device 102) eg, a speaker or headphones
  • the electronic device 102 may output a sound.
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more specified protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : It may include a local area network (LAN) communication module, or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : It may include a local area network (LAN) communication module, or a power line communication module.
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a telecommunication network
  • the wireless communication module 192 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • subscriber information eg, International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology is a high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low -latency communications
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) in order to achieve a high data rate, for example.
  • the wireless communication module 192 uses various techniques for securing performance in a high frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. Technologies such as full dimensional MIMO (FD-MIMO), array antenna, analog beam-forming, or large scale antenna may be supported.
  • the wireless communication module 192 may support various requirements specified in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 is configured to implement a peak data rate (eg, 20 Gbps or more) for realization of eMBB, loss coverage for realization of mMTC (eg, 164 dB or less), or U-plane latency (for URLLC realization) (
  • a peak data rate eg, 20 Gbps or more
  • mMTC eg, 164 dB or less
  • U-plane latency for URLLC realization
  • DL and uplink (UL) may support 0.5 ms or less, or 1 ms or less round trip respectively.
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is connected from the plurality of antennas by, for example, the communication module 190 . can be selected. A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, bottom side) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or a part of operations executed in the electronic device 101 may be executed in one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101 .
  • the electronic device 101 may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • the server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • FIG. 2 is a diagram for briefly explaining an image upscaling operation of an electronic device according to various embodiments of the present disclosure
  • an electronic device eg, the electronic device 101 or the processor 120 of FIG. 1 .
  • inputs an input image 21 into a plurality of deep learning models 210 An upscaled image 22 may be obtained from a plurality of deep learning models 210 .
  • the electronic device may divide the input image 21 into a plurality of divided images, and input the plurality of divided images into a plurality of deep learning models 210 , respectively.
  • the electronic device may determine the available size of a memory (eg, the memory 130 of FIG. 1 ), the size of the input image 21 , the computing power of at least one processor (eg, the processor 120 of FIG. 1 ); Based on the size of each of the plurality of deep learning models 210 or the image characteristics of the input image 21, it is divided into a plurality of divided images, and based on the image characteristics of each of the plurality of divided images, each of the plurality of divided images is divided into a plurality can be input to the deep learning model 210 of
  • an image characteristic is a characteristic recognizable when a user sees an image with their eyes, and includes not only image properties such as brightness, color, contrast, saturation, contrast, etc. of the image, but also images of each region in the image contains at least one of the frequency form of the signal, the contours contained in the image, the location of the edges, thickness, sharpness, density, complexity, color arrangement, texture, and whether or not a specific object (e.g., face image, plant, car, food) is included. can do.
  • the electronic device may acquire the upscaled image 22 by merging the plurality of upscaled divided images output from the plurality of deep learning models 210 .
  • the electronic device displays the upscaled image 22 on a display (eg, the display module 160 of FIG. 1 ) or an external electronic device (eg, the electronic device 104 of FIG. 1 ). It may be transmitted through a communication module (eg, the communication module 190 of FIG. 1 ).
  • FIG. 3 is a diagram for describing an image upscaling operation based on image characteristics of a divided image of an electronic device according to various embodiments of the present disclosure
  • the electronic device receives an input image (eg, the input image 21 of FIG. 2 ).
  • an input image eg, the input image 21 of FIG. 2 .
  • the electronic device can be divided into a plurality of divided images.
  • the electronic device may identify at least one of the number or size of the plurality of divided images based on at least one of an available size of a memory (eg, the memory 130 of FIG. 1 ) or a size of an input image.
  • a memory eg, the memory 130 of FIG. 1
  • the electronic device may determine that the number of the plurality of divided images is small and the size of each divided image is large.
  • the electronic device includes a computing power of at least one processor (eg, the processor 120 of FIG. 1 ) and a plurality of deep learning models (eg, the plurality of deep learning models 210 of FIG. 2 ) of each At least one of the number or size of the plurality of divided images may be identified by further considering the size. According to various embodiments, the electronic device may identify at least one of the number or size of a plurality of divided images based on image characteristics included in the input image. An operation of segmenting an input image based on image characteristics will be described below with reference to FIG. 7 .
  • the size or number of divided images according to the available size of the memory may be stored as a look-up table in the memory, and the electronic device uses the look-up table stored in the memory to select the divided images. At least one of a number or a size may be identified.
  • the electronic device determines the available size of the memory, the size of the input image, Based on at least one of the computing power of at least one processor and the size of each of the plurality of deep learning models, the number of divided images may be determined to be six or the size of the divided images may be determined to be 320 x 270.
  • the electronic device transmits the input image to the server (eg, the server of FIG. 1 ) so that the image upscaling operation is performed by the server. (108)).
  • the server eg, the server of FIG. 1
  • the electronic device performs padding such that an area of a set size overlaps with each of the divided images adjacent to each of the divided images. can do. For example, when a padding operation is performed using 4 pixels for each boundary of the divided image, the electronic device may determine the size of the divided image to be 328 x 278. According to various embodiments, the size of the area to be padded may be adjusted according to the image complexity of the divided image.
  • the electronic device may widely identify a region to be padded, and if the complexity of the split image is low, the electronic device may narrowly identify a region to be padded.
  • a division operation in consideration of a padding operation according to various embodiments will be described below with reference to FIG. 9 .
  • the electronic device may acquire image characteristics included in each of the plurality of divided images.
  • the electronic device may acquire, as an image characteristic, at least one of image complexity of each of the plurality of divided images or whether a specific object (eg, a face image, a plant, a car, or food) is included.
  • a specific object eg, a face image, a plant, a car, or food
  • the image characteristics include not only image properties such as brightness, color, contrast, saturation, contrast, etc. of the image, but also the frequency shape of the image signal in each region in the image, the contour included in the image, the position of the edge, and the thickness. , clarity, density, complexity, color arrangement, texture, and whether a specific object (eg, a face image, a plant, a car, or food) is included.
  • the electronic device obtains a value of image complexity by analyzing at least one of an arrangement of an outline, an edge position, thickness, sharpness, density, or color included in each of the divided images, based on the frequency shape of each of the divided images can do.
  • the electronic device may identify whether a specific object (eg, a face image, a plant, a car, or food) is included based on at least one of an outline, a color difference, or a contrast difference included in each of the divided images.
  • the electronic device performs a plurality of divided images among a plurality of deep learning models (eg, a plurality of deep learning models 210 of FIG. 2 ) for upscaling stored in a memory based on image characteristics. At least one deep learning model to process each can be identified.
  • a plurality of deep learning models eg, a plurality of deep learning models 210 of FIG. 2
  • At least one deep learning model to process each can be identified.
  • each deep learning model may include a plurality of network layers, and a high-complexity deep learning model with a high network layer depth, a low-complexity deep learning model with a low network layer depth, or a deep learning model specialized for a specific thing It may include at least one of the learning models.
  • the electronic device uses a first deep learning model with a high network layer depth for a segmented image that does not include a specific object (eg, face image, plant, car, food) among the plurality of segmented images and whose image complexity is greater than or equal to a set value.
  • a specific object eg, face image, plant, car, food
  • a segmented image that does not contain a specific object among the plurality of segmented images and whose image complexity is less than a set value is input to the second deep learning model with a low network layer depth, and a specific object (eg, face) among the plurality of segmented images is input to the second deep learning model
  • Segmented images including images, plants, cars, and food can be input to a third deep learning model specialized for a specific object (eg, face image, plants, cars, food).
  • a specific object eg, a face image, a plant, a car, or food
  • the electronic device may acquire a plurality of upscaled divided images respectively corresponding to the plurality of divided images through at least one deep learning model.
  • the electronic device may include at least one processor (eg, the processor 120 of FIG. 1 ), and the at least one processor uses at least one of a plurality of deep learning models to upscale an image, respectively. action can be performed.
  • the at least one processor or computation unit, computation unit
  • the at least one processor includes at least one of a central processing unit (CPU), a graphic processing unit (GPU), a digital signal processor (DSP), or a neural processing unit (NPU). can do.
  • the at least one processor may drive at least one of the plurality of deep learning models based on the computing power of each of the at least one processor.
  • the first deep learning model which is a high-complexity deep learning model
  • the second deep learning model which is a low-complexity deep learning model
  • a specific object eg, a face image, a plant,
  • a third deep learning model specialized for cars, food can be driven by an NPU.
  • a plurality of deep learning models may be driven by one processor.
  • the electronic device may acquire an upscaled image by merging a plurality of upscaled divided images.
  • the electronic device may merge the plurality of upscaled divided images by processing the boundary regions of the plurality of upscaled divided images.
  • the electronic device determines the pixel value of the padding area corresponding to the overlapping area of the divided image before upscaling in the upscaled divided image, In the upscaled segmented image, the average of the pixel values of the padding area corresponding to the overlapping area of the adjacent segmented image before upscaling is determined as the pixel value of the padding area corresponding to the overlapping area of the segmented image before upscaling in the upscaled segmented image By doing so, a boundary processing operation can be performed.
  • the electronic device when the upscaled segmented image and the adjacent upscaled segmented image are output from different deep learning models, the electronic device upscales the obtained average after reflecting different weights to the pixel values of each padding area It may also be determined as a pixel value of a padding area of each of the divided image and the adjacent upscaled divided image.
  • the electronic device averages the pixel values of the padding area corresponding to the overlapping area of the adjacent segmented image before upscaling in the adjacent upscaled segmented image to the overlapping area of the segmented image before upscaling in the upscaled segmented image.
  • the boundary processing operation may be performed by determining the pixel value of the corresponding padding area. For example, the electronic device determines the pixel value of the padding area of the upscaled divided image as the pixel value of the padding area of the adjacent upscaled divided image, and the pixel value of the padding area of the adjacent upscaled divided image is upscaled. It can be determined by the pixel value of the padding area of the divided image.
  • the electronic device may display an upscaled image on a display (eg, the display module 160 of FIG. 1 ).
  • the electronic device may encode the upscaled image and display it on the display.
  • the division information of the input image or the deep learning model information used in the electronic device may be attached to the upscaled image as metadata.
  • An operation of attaching metadata to the upscaled image will be described below with reference to FIG. 10 .
  • the electronic device may transmit the upscaled image to an external electronic device (eg, the electronic device 104 of FIG. 1 ) through a communication module (eg, the communication module 190 of FIG. 1 ).
  • an external electronic device eg, the electronic device 104 of FIG. 1
  • a communication module eg, the communication module 190 of FIG. 1
  • FIG. 4 is a diagram for explaining an upscaling operation using a deep learning model according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • an electronic device (eg, the electronic device 101 or the processor 120 of FIG. 1 ) divides an input image into four divided images 411 , 412 , 413 , and 414 . can do.
  • the electronic device may acquire image characteristics of each of the four divided images 411 , 412 , 413 , and 414 before or after division.
  • the electronic device when it is identified that all four divided images 411, 412, 413, and 414 have image complexity less than a set value, the electronic device performs a plurality of deep learning for the four divided images 411, 412, 413, and 414. It may be input to the second deep learning model among the models 210 .
  • the electronic device may sequentially upscale the four divided images 411 , 412 , 413 , and 414 using the second deep learning model ( t1 , t2 , t3 , t4 ).
  • the electronic device merges (420) the upscaled divided images corresponding to each of the four divided images 411, 412, 413, and 414 output from the second deep learning model to obtain the upscaled image.
  • acquired, and the acquired upscaled image may be output.
  • the electronic device may sequentially perform an upscaling operation through the first deep learning model, and divide
  • an upscaling operation may be sequentially performed through the third deep learning model.
  • the electronic device when the third deep learning model specialized for a specific object is not stored in the memory (eg, the memory 130 of FIG. 1 ), the electronic device generates the deep learning model based on the image complexity of each segmented image. You can choose.
  • FIG. 5 is a diagram for explaining an upscaling operation using a deep learning model according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • an electronic device (eg, the electronic device 101 or the processor 120 of FIG. 1 ) divides an input image into four divided images 511 , 512 , 513 , and 514 . can do.
  • the electronic device may acquire image characteristics of each of the four divided images 511 , 512 , 513 , and 514 before or after division.
  • the first divided image 511 and the third divided image 513 among the four divided images 511 , 512 , 513 , and 514 are identified as having an image complexity equal to or greater than a set value
  • the second divided image 511 When the image 512 and the fourth segmented image 514 are identified as having an image complexity less than a set value, the first segmented image 511 and the third segmented image 513 are selected from among the plurality of deep learning models 210. 1 may be input to the deep learning model, and the second divided image 512 and the fourth divided image 514 may be input to the second deep learning model.
  • the electronic device performs upscaling on the first divided image 511 and the second divided image 512 in parallel (t1) through the first deep learning model and the second deep learning model, respectively.
  • the third divided image 513 and the fourth divided image 514 are first deep learning, respectively. Upscaling can be performed in parallel (t2) through the model and the second deep learning model.
  • the electronic device merges the upscaled divided images corresponding to each of the four divided images 511, 512, 513, and 514 output from the first deep learning model and the second deep learning model (520) to obtain an upscaled image, and output the obtained upscaled image.
  • the electronic device 1 It is possible to upscale three divided images sequentially using a deep learning model, and to upscale one divided image using a second deep learning model in parallel with the upscaling operation of one of the three divided images. have.
  • FIG. 6 is a diagram for explaining an upscaling operation using a deep learning model according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • the electronic device may divide the input image into three divided images 611 , 612 , and 613 . have. According to various embodiments of the present disclosure, the electronic device may acquire image characteristics of each of the three divided images 611 , 612 , and 613 before or after division.
  • the first divided image 611 is identified as having an image complexity equal to or greater than a set value
  • the second divided image 612 is a value to which the image complexity is set.
  • the third segmented image 613 is identified as including a specific object (eg, a face image, a plant, a car, food)
  • the first segmented image 611 is applied to a plurality of deep learning models 210 ) may be input to the first deep learning model
  • the second split image 612 may be input to the second deep learning model
  • the third split image 613 may be input to the third deep learning model.
  • the electronic device uses the first divided image 611 , the second divided image 612 , and the third divided image 613 as a first deep learning model, a second deep learning model, and a third deep learning, respectively. Upscaling can be performed in parallel (t1) through the model.
  • the electronic device merges (620) the upscaled divided images corresponding to each of the three divided images 611, 612, and 613 output from the first deep learning model to the third deep learning model to up-scale them.
  • a scaled image may be acquired, and the acquired upscaled image may be output.
  • FIG. 7 is a diagram for describing an image upscaling operation of dividing an image according to image characteristics of an electronic device according to various embodiments of the present disclosure
  • the electronic device receives an input image (eg, the input image 21 of FIG. 2 ). image characteristics for each area of .
  • the electronic device may acquire, as an image characteristic, at least one of image complexity for each region of the input image or whether a characteristic object (eg, a face image, a plant, a car, or food) is included.
  • a characteristic object eg, a face image, a plant, a car, or food
  • the electronic device may identify at least one of a region in the input image in which the image complexity is greater than or equal to a set value, a region in which the image complexity is less than a set value, or a region in which a specific object is included.
  • the electronic device may divide the input image into a plurality of divided images based on image characteristics for each region.
  • the electronic device identifies at least one of the size, shape, or number of each of the plurality of divided images based on image complexity for each region in the input image or whether a specific object is included, and determines the size, shape, or
  • the input image may be divided into a plurality of divided images based on at least one of the number.
  • FIG. 8 is a diagram for explaining an operation of dividing an image according to various embodiments of the present disclosure.
  • the electronic device (eg, the electronic device or the processor 120 of FIG. 1 ) divides a region 810 having a low image complexity among an input image into a large-sized divided image, , regions 811 and 812 having high image complexity may be divided into small-sized divided images. Due to this, it is possible to reduce the processing load of a deep learning model that upscales a segmented image with high image complexity.
  • the electronic device uses a background area 820 that does not include a specific object (eg, a face image, a plant, a car, or food) as a first divided image, and sets the specific object.
  • the region 821 including eg, a face image, a plant, a car, and food
  • the second divided image may be divided into the outline shape of a specific object
  • the first divided image may be divided into shapes other than the shape of the first divided image.
  • the electronic device performs padding so that an area of a set size overlaps with each of the divided images adjacent to each of the divided images. can do.
  • the size of the area to be padded may be adjusted according to the image complexity of the divided image. For example, if the complexity of the split image is high, the electronic device may widely identify a region to be padded, and if the complexity of the split image is low, the electronic device may narrowly identify a region to be padded.
  • a division operation in consideration of a padding operation according to various embodiments will be described below with reference to FIG. 9 .
  • the electronic device stores each of the plurality of divided images in a memory (eg, the memory 190 of FIG. 1 ) based on image characteristics for each region, and a plurality of deep learning models for upscaling. (eg, a plurality of deep learning models 210 of FIG. 2 ) may be input to at least one deep learning model to process each of a plurality of divided images.
  • a memory eg, the memory 190 of FIG. 1
  • a plurality of deep learning models for upscaling eg, a plurality of deep learning models 210 of FIG. 2
  • the electronic device since the input image is divided into a plurality of divided images based on image characteristics for each region, the electronic device performs each of the plurality of divided images based on the image characteristics of each of the plurality of divided images without a separate image characteristic identification operation.
  • the electronic device may acquire a plurality of upscaled divided images respectively corresponding to the plurality of divided images through at least one deep learning model.
  • the electronic device may acquire an upscaled image by merging a plurality of upscaled divided images.
  • the electronic device may display an upscaled image on a display (eg, the display module 160 of FIG. 1 ).
  • Operations 730 to 760 of FIG. 7 are the same as operations 330 to 360 of FIG. 3 , and thus redundant descriptions will be omitted.
  • FIG. 9 is a view for explaining a padding operation performed when dividing an image according to various embodiments of the present disclosure.
  • an electronic device may include an available memory size, an input image size, and a computing power of at least one processor.
  • the input image may be divided into three regions 910 and 920 based on at least one of the size of each of the plurality of deep learning models or image characteristics for each region of the input image.
  • the electronic device performs padding ( padding) is possible.
  • the electronic device acquires the first divided image 911 so as to be as large as a size (eg, 4 pixels) set for each boundary of the first region 910 , and is set for each boundary of the second region 920 .
  • a second divided image 921 may be acquired to be as large as a size (eg, 4 pixels)
  • a third divided image may be acquired to be as large as a size (eg, 4 pixels) set for each boundary of the third region.
  • the electronic device may acquire a divided image including an area having a pixel value of 0 by a set size in the outer boundary area of the input image.
  • the boundary between the first divided image 911 and the second divided image 921 is an overlapping area ( 912) are included.
  • the size of the area to be padded may be adjusted according to the image complexity of the divided image. For example, if the complexity of the split image is high, the electronic device may widely identify a region to be padded, and if the complexity of the split image is low, the electronic device may narrowly identify a region to be padded.
  • the electronic device may perform a boundary processing operation on a padding area corresponding to the overlapping area 912 among a plurality of upscaled divided images output through at least one deep learning model. For example, the electronic device determines the pixel value of the padding area corresponding to the overlapping area 912 of the pre-upscale segmented image in the upscaled segmented image, and the overlapping area of the adjacent segmented image before upscaling in the adjacent upscaled segmented image.
  • the boundary processing operation may be performed by determining the average of pixel values of the padding area corresponding to 912 as the pixel value of the padding area corresponding to the overlapping area 912 of the divided image before upscaling in the upscaled divided image. .
  • the electronic device when the upscaled segmented image and the adjacent upscaled segmented image are output from different deep learning models, the electronic device upscales the obtained average after reflecting different weights to the pixel values of each padding area It may also be determined as a pixel value of a padding area of each of the divided image and the adjacent upscaled divided image.
  • the electronic device averages the pixel values of the padding area corresponding to the overlapping area 912 of the adjacent divided image before upscaling in the adjacent upscaled divided image of the upscaled divided image before the upscale.
  • the boundary processing operation may be performed by determining the pixel value of the padding area corresponding to the overlapping area 912 .
  • the electronic device determines the pixel value of the padding area of the upscaled divided image as the pixel value of the padding area of the adjacent upscaled divided image, and the pixel value of the padding area of the adjacent upscaled divided image is upscaled. It can be determined by the pixel value of the padding area of the divided image.
  • FIG. 10 is a diagram for describing an operation of storing metadata in an upscaled image according to various embodiments of the present disclosure
  • an electronic device eg, the electronic device 101 or the processor 120 of FIG. 1 ) converts an input image (eg, the input image 21 of FIG. 2 ) to an image decoder
  • image characteristics for each region of the input image may be identified.
  • the electronic device divides an image based on image characteristics for each region, performs segmented image upscaling through a deep learning model, and merges the upscaled segmented images to obtain an upscaled image.
  • the image segmentation operation, the upscaling operation, and the merging operation are the same as those of FIGS. 3 and 7 , and a duplicate description will be omitted.
  • the electronic device may input the upscaled image to the image encoder 1020 .
  • the electronic device may input at least one of the image segmentation information and the deep learning model information obtained by the image decoder 1010 as metadata to the image encoder 1020 and attach it to the upscaled image.
  • the electronic device converts the image complexity for each region of the input image, whether or not a specific object is included, used deep learning model information, and location information (eg, boundary pixel information) of each segmented image to the meta image of the upscaled image. It can be stored as data.
  • the electronic device when performing additional upscaling of an upscaled image, may perform an additional upscaling operation based on metadata without analyzing the upscaled image.
  • the electronic device (eg, the electronic device 101 of FIG. 1 ) includes a memory (eg, the memory 130 of FIG. 1 ), a display (eg, the display module 60 of FIG. 1 ), and the a memory and at least one processor (eg, processor 120 of FIG. 1 ) operatively coupled to the display, wherein the at least one processor is configured to process an input image (eg, input image 21 of FIG. 2 ).
  • a plurality of deep learning models for upscaling (e.g., a plurality of images in FIG.
  • an upscaled image eg, the upscaled image 22 of FIG. 2
  • the at least one processor selects at least one of an available size of the memory (eg, the memory 130 of FIG. 1 ) and a size of the input image. At least one of the number of the plurality of divided images or sizes of the plurality of divided images may be identified based on the plurality of divided images.
  • the at least one processor may acquire, as the image characteristic, at least one of image complexity or whether a face image is included in each of the plurality of divided images. .
  • the at least one processor is a deep learning model to process a segmented image in which a face image is not included among the plurality of segmented images and the image complexity is greater than or equal to a set value. is identified as a first deep learning model, and a deep learning model to process a split image in which a face image is not included among the plurality of split images and whose image complexity is less than the set value is identified as a second deep learning model, and the plurality of A deep learning model to process a segmented image including a face image among segmented images can be identified as a third deep learning model.
  • each of the plurality of processors may perform image upscaling through at least one of the plurality of deep learning models. have.
  • each of the plurality of divided images may be padded such that an adjacent divided image and an area having a set size overlap each other.
  • the at least one processor may include a pixel value of a padding area corresponding to the area of each of the plurality of upscaled divided images, and the plurality of upscaled images.
  • An average of pixel values of a padding region corresponding to the region of each adjacent upscaled divided image of each of the scaled divided images may be obtained as a pixel value of the region.
  • the at least one processor may adjust the size of the region based on the image complexity of each of the plurality of divided images.
  • the at least one processor may include at least one of the image characteristic information, the identified at least one deep learning model information, or the location information of the plurality of segmented images.
  • One may be stored as metadata of the upscaled image.
  • a method for controlling an electronic device includes dividing an input image into a plurality of divided images, and acquiring image characteristics included in each of the plurality of divided images.
  • the dividing may include identifying at least one of the number of the plurality of divided images or the sizes of the plurality of divided images based on at least one of the available size of the memory and the size of the input image. It can include actions.
  • the acquiring of the image characteristic may include acquiring, as the image characteristic, at least one of image complexity of each of the plurality of divided images or whether a face image is included.
  • a deep learning model that does not include a face image among the plurality of split images and is to process a split image whose image complexity is equal to or greater than a set value is identified as a first deep learning model
  • the plurality of A deep learning model to process a segmented image that does not contain a face image among the segmented images and whose image complexity is less than the set value is identified as the second deep learning model, and the segmented image including the face image among the plurality of segmented images is processed
  • the deep learning model to be used can be identified as the third deep learning model.
  • the acquiring of the plurality of upscaled divided images is performed by each of the plurality of processors using at least one of the plurality of deep learning models when a plurality of processors are included in the electronic device. can be performed.
  • each of the plurality of divided images may be padded so that an adjacent divided image and an area having a set size overlap each other.
  • the acquiring of the upscaled image may include: a pixel value of a padding area corresponding to the area of each of the plurality of upscaled divided images; and a pixel value of each of the plurality of upscaled divided images.
  • An average of pixel values of a padding region corresponding to the region of the upscaled divided image may be obtained as a pixel value of the region.
  • the method may further include adjusting the size of the region based on the image complexity of each of the plurality of divided images.
  • the method may further include storing at least one of the image characteristic information, the identified at least one deep learning model information, or the location information of the plurality of divided images as metadata of the upscaled image.
  • the electronic device (eg, the electronic device 101 of FIG. 1 ) includes a memory (eg, the memory 130 of FIG. 1 ), a display (eg, the display 160 of FIG. 1 ), and the memory. and at least one processor (eg, processor 120 in FIG. 1 ) operatively coupled to the display, wherein the at least one processor comprises: a region of an input image (eg, input image 21 in FIG. 2 ).
  • a plurality of deep learning models for upscaling that acquires image characteristics for each region, divides the input image into a plurality of divided images based on the image characteristics for each region, and stores the image characteristics for each region in the memory Identifies at least one deep learning model to process each of a plurality of segmented images, and obtains a plurality of upscaled segmented images respectively corresponding to the plurality of segmented images through the at least one deep learning model, and It may be configured to obtain an upscaled image by merging upscaled divided images, and display the upscaled image on the display.
  • the at least one processor acquires, as the image characteristic, at least one of image complexity of the input image or whether a face image is included, and the image complexity or At least one of the size, shape, or number of each of the plurality of divided images is identified based on whether the face image is included, and the input image is generated based on at least one of the size, shape, or number of each of the plurality of divided images. It can be divided into a plurality of divided images.
  • the electronic device may have various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a wearable device e.g., a smart bracelet
  • a home appliance device e.g., a home appliance
  • first, second, or first or second may simply be used to distinguish an element from other elements in question, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as, for example, logic, logic block, component, or circuit.
  • a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document include one or more instructions stored in a storage medium (eg, internal memory 136 or external memory 138) readable by a machine (eg, electronic device 101).
  • a storage medium eg, internal memory 136 or external memory 138
  • the processor eg, the processor 120
  • the device eg, the electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term is used in cases where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be provided in a computer program product (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 machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play StoreTM) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones).
  • a portion of the computer program product may be temporarily stored or temporarily created in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a relay server.
  • each component eg, a module or a program of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. have.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, or omitted. , or one or more other operations may be added.

Landscapes

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

Abstract

다양한 실시예에 따라서, 전자 장치는, 메모리, 디스플레이, 메모리 및 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 입력 이미지를 복수의 분할 이미지로 분할하고, 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하고, 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 적어도 하나의 딥러닝 모델을 통해 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 업스케일된 이미지를 디스플레이에 표시하도록 설정될 수 있다. 한편, 전자 장치는 딥러닝 모델을 이용하여 이미지 특성 획득 및 이미지 업스케일링을 수행할 수도 있다.

Description

이미지를 업스케일하는 전자 장치 및 이의 제어 방법
본 개시의 실시 예들은, 이미지를 업스케일하는 전자 장치 및 이의 제어 방법에 관한 것이다.
종래의 이미지 업스케일링(upscailing)은 Nearest neighbor, Bilinear, Bicubic, Lanczos 등의 룰(rule) 기반의 Interpolation 알고리즘이 있다. 이런 기술들은 주변 픽셀의 정보를 각각의 정해진 룰 기반으로 참조하여 업스케일시 필요한 중간 픽셀 값을 보간하는 방식으로 동작한다.
기술의 발전에 따라 근래에는 이미지 업스케일을 위한 딥러닝 모델을 이용하여 이미지 업스케일을 수행하고 있다. 이미지 업스케일을 위한 딥러닝 모델은 수많은 입력 이미지를 학습하여 최적의 딥러닝 모델 파라미터를 선택하고, 선택된 파라미터를 입력 이미지에 적용하는 방식으로 동작하고 있다.
이러한 딥러닝 모델은 모바일 장치 내에 딥러닝 모델 엔진이 있는 온 디바이스(on device) 모델링과 서버에 딥러닝 모델 엔진이 있는 서버 기반의 모델링 기법으로 나눌 수 있다.
Nearest neighbor, Bilinear, Bicubic, Lanczos 등의 룰 기반의 Interpolation 알고리즘에 의한 종래의 이미지 업스케일링 방식은 단순히 이미지의 크기만을 조정해줄 뿐 품질 등을 개선해 주지는 못하여 업스케일된 이미지의 화질 저하 및 열화가 발생한다.
이러한 문제점을 해결하고자 사용된 딥러닝 모델을 이용하여 높은 해상도의 업스케일된 이미지를 획득하는 방식은 모바일 장치 내에서 딥러닝 모델을 이용하는 경우에는 많은 연산량과 메모리가 필요하여 적용에 한계가 있다.
예를 들어, 모바일 장치에서 딥러닝 모델을 이용하는 경우 입력 이미지의 해상도가 크면, 딥러닝 모델은 매우 많은 메모리를 필요로 하여 동작 속도가 매우 느려지거나, 최악의 상황에서는 동작이 불가능한 문제가 발생하여 입력 이미지 크기에 제한이 발생한다.
이에 따라, 딥러닝 모델을 이용한 업스케일 동작은 대부분 서버에서 처리하고, 처리 결과를 단말에서 수신하고 있다.
본 개시는 모바일 장치의 리소스와 입력 이미지의 특성에 기초하여 모바일 장치에서 딥러닝 모델을 이용하여 효율적으로 이미지 업스케일을 수행할 수 있는 전자 장치 및 이의 제어 방법을 제공한다.
다양한 실시 예에 따르면, 전자 장치는, 메모리, 디스플레이, 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지를 복수의 분할 이미지로 분할하고, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하고, 상기 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.
다양한 실시 예에 따르면, 전자 장치의 제어 방법은, 입력 이미지를 복수의 분할 이미지로 분할하는 동작, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하는 동작, 상기 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하는 동작, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하는 동작, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하는 동작 및 상기 업스케일된 이미지를 상기 디스플레이에 표시하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 전자 장치는, 메모리, 디스플레이, 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지의 영역 별 이미지 특성을 획득하고, 상기 영역 별 이미지 특성을 기반으로 상기 입력 이미지를 복수의 분할 이미지로 분할하고, 상기 영역 별 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.
본 개시의 다양한 실시 예에 따른 전자 장치는, 리소스가 제한된 모바일 장치에서도, 입력 이미지의 크기에 제한 없이 온 디바이스 딥러닝 모델을 이용한 고해상도 이미지 업스케일을 효율적이고 고속으로 처리할 수 있게 된다.
도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시 예에 따른 전자 장치의 이미지 업스케일링 동작을 간략히 설명하기 위한 도면이다.
도 3은 다양한 실시 예에 따른 전자 장치의 분할 이미지의 이미지 특성에 기반한 이미지 업스케일링 동작을 설명하기 위한 도면이다.
도 4는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
도 5는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
도 6은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
도 7은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따라 이미지를 분할하는 이미지 업스케일링 동작을 설명하기 위한 도면이다.
도 8은 다양한 실시 예에 따른 이미지의 분할 동작을 설명하기 위한 도면이다.
도 9는 다양한 실시 예에 따른 이미지 분할시 수행되는 패딩(padding) 동작을 설명하기 위한 도면이다.
도 10은 다양한 실시 예에 따른 업스케일된 이미지에 메타 데이터가 저장되는 동작을 설명하기 위한 도면이다.
본 개시에 따른 전자 장치의 이미지 업스케일링 방법에 있어서, 이미지에 포함된 이미지 특성을 인식하기 위한 방법은 이미지 데이터를 딥러닝 모델의 입력 데이터로 이용하여 이미지 또는 이미지 내 이미지 특성을 인식한 출력 데이터를 획득할 수 있다. 딥러닝 모델은 학습을 통해 획득될 수 있다. 여기서, 학습을 통해 획득된다는 것은, 기본 딥러닝 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 딥러닝 모델이 획득됨을 의미한다. 딥러닝 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다.
시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식(Object Recognition), 객체 추적(Object Tracking), 영상 검색(Image Retrieval), 사람 인식(Human Reconnition), 장면 이해(Scene Recognition), 공간 이해(3D Reconstruction/Localization), 영상 개선(Image Enhancement) 등을 포함한다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 딥러닝 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 딥러닝 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 딥러닝 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 딥러닝 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 딥러닝 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는 다양한 실시 예에 따른 전자 장치의 이미지 업스케일링 동작을 간략히 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 2를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지(21)를 복수의 딥러닝 모델(210)에 입력하고, 복수의 딥러닝 모델(210)로부터 업스케일된 이미지(22)를 획득할 수 있다.
다양한 실시 예에 따라, 전자 장치는 입력 이미지(21)를 복수의 분할 이미지로 분할하고, 복수의 분할 이미지를 각각 복수의 딥러닝 모델(210)에 입력할 수 있다. 예를 들어, 전자 장치는 메모리(예: 도 1의 메모리(130))의 가용 크기, 입력 이미지(21)의 크기, 적어도 하나의 프로세서(예: 도 1의 프로세서(120))의 연산 능력, 복수의 딥러닝 모델(210) 각각의 크기 또는 입력 이미지(21)의 이미지 특성을 기반으로 복수의 분할 이미지로 분할하고, 복수의 분할 이미지 각각의 이미지 특성을 기반으로, 복수의 분할 이미지 각각을 복수의 딥러닝 모델(210)에 입력할 수 있다.
다양한 실시 예에 따라, 이미지 특성은, 사용자가 이미지를 눈으로 보았을 때 인지할 수 있는 특징으로, 이미지의 밝기, 색감, 명암, 채도, 대비 등의 이미지의 속성 뿐만 아니라, 이미지 내 각 영역의 이미지 신호의 주파수 형태, 이미지에 포함된 윤곽, 에지의 위치, 굵기, 선명도, 밀도, 복잡도, 색상의 배열, 질감, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따라, 전자 장치는 복수의 딥러닝 모델(210)에서 출력된 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지(22)를 획득할 수 있다.
다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지(22)를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시하거나, 외부 전자 장치(예: 도 1의 전자 장치(104))에 통신 모듈(예: 도 1의 통신 모듈(190))을 통해 전송할 수 있다.
이하 도 3 내지 도 10을 참조하여, 복수의 딥러닝 모델(210)을 이용하여 업스케일된 이미지를 획득하는 동작을 보다 자세히 설명하기로 한다.
도 3은 다양한 실시 예에 따른 전자 장치의 분할 이미지의 이미지 특성에 기반한 이미지 업스케일링 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 3을 참조하면, 310 동작에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는, 입력 이미지(예: 도 2의 입력 이미지(21))를 복수의 분할 이미지로 분할할 수 있다.
예를 들어, 전자 장치는 메모리(예: 도 1의 메모리(130))의 가용 크기 또는 입력 이미지의 크기 중 적어도 하나를 기반으로 복수의 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다.
예를 들어, 전자 장치는 메모리의 가용 크기가 크거나, 입력 이미지의 크기가 작으면, 복수의 분할 이미지의 개수는 적은 개수이고, 각 분할 이미지의 크기는 크도록 결정할 수 있다.
다양한 실시 예에 따라, 전자 장치는 적어도 하나의 프로세서(예: 도 1의 프로세서(120))의 연산 능력, 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 각각의 크기를 더 고려하여 복수의 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다. 다양한 실시 예에 따라, 전자 장치는 입력 이미지에 포함된 이미지 특성을 기반으로 복수의 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다. 이미지 특성을 기반으로 입력 이미지를 분할하는 동작은 이하 도 7을 참조하여 설명하기로 한다.
다양한 실시 예에 따라, 메모리에는 메모리의 가용 크기에 따른 분할 이미지의 크기 또는 개수를 룩업 테이블(look-up table)로 저장되어 있을 수 있으며, 전자 장치는 메모리에 저장된 룩업 테이블을 이용하여 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다.
예를 들어, 입력 이미지의 크기가 960 x 540이고, 가로와 세로 각각 4배의 업스케일을 통해 3840 x 2160 크기의 이미지를 획득하고자 하는 경우, 전자 장치는 메모리의 가용 크기, 입력 이미지의 크기, 적어도 하나의 프로세서의 연산 능력, 복수의 딥러닝 모델 각각의 크기 중 적어도 하나를 기반으로 분할 이미지의 개수를 6개로 결정하거나 분할 이미지의 크기를 320 x 270으로 결정할 수 있다.
다양한 실시 예에 따라, 메모리의 가용 크기가 설정된 값 미만이거나, 입력 이미지의 크기가 설정된 값보다 크면, 전자 장치는 서버에 의해 이미지 업스케일 동작이 수행되도록 입력 이미지를 서버(예: 도 1의 서버(108))로 전송할 수도 있다.
다양한 실시 예에 따라, 전자 장치는 이후 350 동작에서의 복수의 업스케일된 분할 이미지의 병합 동작에서의 경계 처리 동작을 위해 분할 이미지 각각이 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩(padding)할 수 있다. 예를 들어, 분할 이미지 경계 별로 4픽셀을 이용하여 패딩 동작을 수행하는 경우, 전자 장치는 분할 이미지의 크기를 328 x 278로 결정할 수 있다. 다양한 실시 예에 따라, 분할 이미지의 이미지 복잡도에 따라 패딩이 수행될 영역의 크기가 조절될 수 있다. 예를 들어, 전자 장치는 분할 이미지의 복잡도가 높으면 패딩이 수행될 영역을 넓게 식별하고, 분할 이미지의 복잡도가 낮으면 패딩이 수행될 영역을 좁게 식별할 수 있다. 다양한 실시 예에 따른, 패딩 동작을 고려한 분할 동작은 이하 도 9를 참조하여 설명하기로 한다.
다양한 실시 예에 따라, 320 동작에서, 전자 장치는 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득할 수 있다.
예를 들어, 전자 장치는 복수의 분할 이미지 각각의 이미지 복잡도 또는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부 중 적어도 하나를 이미지 특성으로써 획득할 수 있다.
다양한 실시 예에 따라, 이미지 특성은 이미지의 밝기, 색감, 명암, 채도, 대비 등의 이미지의 속성뿐만 아니라, 이미지 내 각 영역의 이미지 신호의 주파수 형태, 이미지에 포함된 윤곽, 에지의 위치, 굵기, 선명도, 밀도, 복잡도, 색상의 배열, 질감, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부 중 적어도 하나를 포함할 수 있다.
예를 들어, 전자 장치는 분할 이미지 각각의 주파수 형태를 기반으로, 분할 이미지 각각에 포함된 윤곽, 에지의 위치, 굵기, 선명도, 밀도 또는 색상의 배열 중 적어도 하나를 분석하여 이미지 복잡도의 값을 획득할 수 있다. 또 다른 실시 예로, 전자 장치는 분할 이미지 각각에 포함된 윤곽, 색상 차이 또는 명암 차이 중 적어도 하나를 기반으로 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부를 식별할 수 있다.
다양한 실시 예에 따라, 330 동작에서, 전자 장치는 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별할 수 있다.
다양한 실시 예에 따라, 딥러닝 모델 각각은 복수의 네트워크 레이어 를 포함할 수 있으며, 네트워크 레이어의 깊이가 높은 고복잡도 딥러닝 모델, 네트워크 레이어의 깊이가 낮은 저복잡도 딥러닝 모델 또는 특정 사물에 특화된 딥러닝 모델 중 적어도 하나를 포함할 수 있다.
예를 들어, 전자 장치는 복수의 분할 이미지 중 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지는 네트워크 레이어의 깊이가 높은 제1 딥러닝 모델에 입력하고, 복수의 분할 이미지 중 특정 사물이 포함되지 않고 이미지 복잡도가 설정된 값 미만인 분할 이미지는 네트워크 레이어의 깊이가 낮은 제2 딥러닝 모델에 입력하고, 복수의 분할 이미지 중 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함된 분할 이미지는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)에 특화된 제3 딥러닝 모델에 입력할 수 있다. 이는 일 실시 예일 뿐, 이미지 복잡도에 따라 3개 이상의 딥러닝 모델 중 하나의 딥러닝 모델에 입력될 수도 있다. 또 다른 실시 예로, 분할 이미지에 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부에 따라 두 개의 딥러닝 모델 중 하나의 딥러닝 모델에 입력될 수도 있다.
다양한 실시 예에 따라, 340 동작에서, 전자 장치는 적어도 하나의 딥러닝 모델을 통해 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득할 수 있다.
다양한 실시 예에 따라, 전자 장치는 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함할 수 있고, 적어도 하나의 프로세서는 각각 복수의 딥러닝 모델 중 적어도 하나를 이용하여 이미지 업스케일 동작을 수행할 수 있다. 예를 들어, 적어도 하나의 프로세서(또는 계산 유닛, 연산 유닛)는, CPU(central processing unit), GPU(graphic processing unit), DSP(digital signal processor) 또는 NPU(neural processing unit) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따라, 적어도 하나의 프로세서는, 적어도 하나의 프로세서 각각의 연산 능력을 기반으로 복수의 딥러닝 모델 중 적어도 하나를 구동할 수 있다.
예를 들어, 고복잡도 딥러닝 모델인 제1 딥러닝 모델은 GPU에 의해 구동되고, 저복잡도 딥러닝 모델인 제2 딥러닝 모델은 CPU에 의해 구동되고, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)에 특화된 제3 딥러닝 모델은 NPU에 의해 구동될 수 있다. 다양한 실시 예에 따라, 복수의 딥러닝 모델이 하나의 프로세서에 의해 구동될 수도 있다.
다양한 실시 예에 따라, 350 동작에서, 전자 장치는 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득할 수 있다.
다양한 실시 예에 따라, 전자 장치는 복수의 업스케일된 분할 이미지의 경계 영역을 처리하여 복수의 업스케일된 분할 이미지를 병합할 수 있다.
예를 들어, 310 동작에서 인접 분할 이미지와 겹치는 영역이 존재하도록 이미지를 분할한 경우, 전자 장치는 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값과, 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수 있다. 다양한 실시 예에 따라, 업스케일된 분할 이미지와 인접한 업스케일된 분할 이미지가 서로 다른 딥러닝 모델에서 출력된 경우, 전자 장치는 각 패딩 영역의 픽셀 값에 다른 가중치를 반영한 후 획득된 평균을 업스케일된 분할 이미지 및 인접한 업스케일된 분할 이미지 각각의 패딩 영역의 픽셀 값으로 결정할 수도 있다.
또 다른 실시 예로, 전자 장치는 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값을 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수도 있다. 예를 들어, 전자 장치는 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정하고, 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정할 수 있다.
다양한 실시 예에 따라, 360 동작에서, 전자 장치는 업스케일된 이미지를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다.
예를 들어, 전자 장치는 업스케일된 이미지를 인코딩하여 디스플레이에 표시할 수 있다.
다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지를 인코딩하는 동작에서 입력 이미지의 분할 정보 또는 이용된 딥러닝 모델 정보가 메타 데이터로써 업스케일된 이미지에 첨부될 수 있다. 업스케일된 이미지에 메타 데이터를 첨부하는 동작은 이하 도 10을 참조하여 설명하기로 한다.
다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지를 통신 모듈(예: 도 1의 통신 모듈(190))을 통해 외부 전자 장치(예: 도 1의 전자 장치(104))로 전송할 수도 있다.
도 4는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 4를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지를 4개의 분할 이미지(411, 412, 413, 414)로 분할할 수 있다. 다양한 실시 예에 따라, 전자 장치는 분할 전 또는 분할 후 4개의 분할 이미지(411, 412, 413, 414) 각각의 이미지 특성을 획득할 수 있다.
예를 들어, 전자 장치는 4개의 분할 이미지(411, 412, 413, 414) 모두 이미지 복잡도가 설정된 값 미만인 것으로 식별되는 경우, 4개의 분할 이미지(411, 412, 413, 414)를 복수의 딥러닝 모델(210) 중 제2 딥러닝 모델에 입력할 수 있다.
다양한 실시 예에 따라, 전자 장치는 4개의 분할 이미지(411, 412, 413, 414)를 제2 딥러닝 모델을 이용하여 순차적(t1, t2, t3, t4)으로 업스케일을 수행할 수 있다.
다양한 실시 예에 따라, 전자 장치는 제2 딥러닝 모델에서 출력된 4개의 분할 이미지(411, 412, 413, 414) 각각에 대응되는 업스케일된 분할 이미지를 병합(420)하여 업스케일된 이미지를 획득하고, 획득된 업스케일된 이미지를 출력할 수 있다.
다양한 실시 예에 따라, 4개의 분할 이미지(411, 412, 413, 414) 모두 이미지 복잡도가 설정된 값 이상인 경우, 전자 장치는 제1 딥러닝 모델을 통해 순차적으로 업스케일 동작을 수행할 수 있고, 분할 이미지(411, 412, 413, 414) 모두 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함된 경우 제3 딥러닝 모델을 통해 순차적으로 업스케일 동작을 수행할 수도 있다.
다양한 실시 예에 따라, 메모리(예: 도 1의 메모리(130))에 특정 사물에 특화된 제3 딥러닝 모델이 저장되지 않은 경우, 전자 장치는 각 분할 이미지의 이미지 복잡도를 기반으로 딥러닝 모델을 선택할 수 있다.
도 5는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 5를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지를 4개의 분할 이미지(511, 512, 513, 514)로 분할할 수 있다. 다양한 실시 예에 따라, 전자 장치는 분할 전 또는 분할 후 4개의 분할 이미지(511, 512, 513, 514) 각각의 이미지 특성을 획득할 수 있다.
예를 들어, 전자 장치는 4개의 분할 이미지(511, 512, 513, 514) 중 제1 분할 이미지(511) 및 제3 분할 이미지(513)는 이미지 복잡도가 설정된 값 이상인 것으로 식별되고, 제2 분할 이미지(512) 및 제4 분할 이미지(514)는 이미지 복잡도가 설정된 값 미만인 것으로 식별되는 경우, 제1 분할 이미지(511) 및 제3 분할 이미지(513)를 복수의 딥러닝 모델(210) 중 제1 딥러닝 모델에 입력하고, 제2 분할 이미지(512) 및 제4 분할 이미지(514)는 제2 딥러닝 모델에 입력할 수 있다.
다양한 실시 예에 따라, 전자 장치는 제1 분할 이미지(511) 및 제2 분할 이미지(512)를 각각 제1 딥러닝 모델 및 제2 딥러닝 모델을 통해 병렬(t1)적으로 업스케일을 수행할 수 있다.
다양한 실시 예에 따라, 제1 분할 이미지(511) 및 제2 분할 이미지(512)의 업스케일 수행(t1) 후 제3 분할 이미지(513) 및 제4 분할 이미지(514)를 각각 제1 딥러닝 모델 및 제2 딥러닝 모델을 통해 병렬(t2)적으로 업스케일을 수행할 수 있다.
다양한 실시 예에 따라, 전자 장치는 제1 딥러닝 모델 및 제2 딥러닝 모델에서 출력된 4개의 분할 이미지(511, 512, 513, 514) 각각에 대응되는 업스케일된 분할 이미지를 병합(520)하여 업스케일된 이미지를 획득하고, 획득된 업스케일된 이미지를 출력할 수 있다.
다양한 실시 예에 따라, 4개의 분할 이미지(511, 512, 513, 514) 중 3개의 분할 이미지만 이미지 복잡도가 설정된 값 이상이고, 하나의 분할 이미지는 이미지 복잡도가 설정된 값 미만이면, 전자 장치는 제1 딥러닝 모델을 이용하여 3개의 분할 이미지를 순차적으로 업스케일하고, 3개 중 하나의 분할 이미지의 업스케일 동작과 병렬적으로 제2 딥러닝 모델을 이용하여 하나의 분할 이미지를 업스케일할 수 있다.
도 6은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 6을 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지를 3개의 분할 이미지(611, 612, 613)로 분할할 수 있다. 다양한 실시 예에 따라, 전자 장치는 분할 전 또는 분할 후 3개의 분할 이미지(611, 612, 613) 각각의 이미지 특성을 획득할 수 있다.
예를 들어, 전자 장치는 3개의 분할 이미지(611, 612, 613) 중 제1 분할 이미지(611)는 이미지 복잡도가 설정된 값 이상인 것으로 식별되고, 제2 분할 이미지(612)는 이미지 복잡도가 설정된 값 미만인 것으로 식별되고, 제3 분할 이미지(613)는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함된 것으로 식별되는 경우, 제1 분할 이미지(611)를 복수의 딥러닝 모델(210) 중 제1 딥러닝 모델에 입력하고, 제2 분할 이미지(612)를 제2 딥러닝 모델에 입력하고, 제3 분할 이미지(613)를 제3 딥러닝 모델에 입력할 수 있다.
다양한 실시 예에 따라, 전자 장치는 제1 분할 이미지(611), 제2 분할 이미지(612) 및 제3 분할 이미지(613)를 각각 제1 딥러닝 모델, 제2 딥러닝 모델 및 제3 딥러닝 모델을 통해 병렬(t1)적으로 업스케일을 수행할 수 있다.
다양한 실시 예에 따라, 전자 장치는 제1 딥러닝 모델 내지 제3 딥러닝 모델에서 출력된 3개의 분할 이미지(611, 612, 613) 각각에 대응되는 업스케일된 분할 이미지를 병합(620)하여 업스케일된 이미지를 획득하고, 획득된 업스케일된 이미지를 출력할 수 있다.
도 7은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따라 이미지를 분할하는 이미지 업스케일링 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 7을 참조하면, 710 동작에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지(예: 도 2의 입력 이미지(21))의 영역 별 이미지 특성을 획득할 수 있다.
예를 들어, 전자 장치는 입력 이미지의 영역 별 이미지 복잡도 또는 특성 사물(예: 얼굴 이미지, 식물, 자동차, 음식)의 포함 여부 중 적어도 하나를 이미지 특성으로써 획득할 수 있다.
다양한 실시 예에 따라, 전자 장치는 입력 이미지 내 이미지 복잡도가 설정된 값 이상인 영역, 이미지 복잡도가 설정된 값 미만인 영역 또는 특정 사물이 포함된 영역 중 적어도 하나를 식별할 수 있다.
다양한 실시 예에 따라, 720 동작에서, 전자 장치는 영역 별 이미지 특성을 기반으로 입력 이미지를 복수의 분할 이미지로 분할할 수 있다.
예를 들어, 전자 장치는 입력 이미지 내 영역 별 이미지 복잡도 또는 특정 사물 포함 여부를 기반으로 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 식별하고, 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 기반으로 입력 이미지를 복수의 분할 이미지로 분할할 수 있다.
도 8은 다양한 실시 예에 따른 이미지의 분할 동작을 설명하기 위한 도면이다.
예를 들어, 도 8(a)를 참조하면, 전자 장치(예: 도 1의 전자 장치 또는 프로세서(120))는 입력 이미지 중 이미지 복잡도가 낮은 영역(810)은 큰 크기의 분할 이미지로 분할하고, 이미지 복잡도가 높은 영역(811, 812)은 작은 크기의 분할 이미지로 분할할 수 있다. 이로 인해, 이미지 복잡도가 높은 분할 이미지를 업스케일하는 딥러닝 모델의 처리 부하를 감소시킬 수 있다.
다양한 실시 예에 따라, 도 8(b)를 참조하면, 전자 장치는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함되지 않은 배경 영역(820)을 제1 분할 이미지로, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)가 포함된 영역(821)은 제2 분할 이미지로 분할할 수 있다. 예를 들어, 제2 분할 이미지는 특정 사물의 윤곽 모양으로 분할되고, 제1 분할 이미지는 제1 분할 이미지의 모양을 제외한 모양으로 분할될 수 있다.
다양한 실시 예에 따라, 전자 장치는 이후 750 동작에서의 복수의 업스케일된 분할 이미지의 병합 동작에서의 경계 처리 동작을 위해 분할 이미지 각각이 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩(padding)할 수 있다. 다양한 실시 예에 따라, 분할 이미지의 이미지 복잡도에 따라 패딩이 수행될 영역의 크기가 조절될 수 있다. 예를 들어, 전자 장치는 분할 이미지의 복잡도가 높으면 패딩이 수행될 영역을 넓게 식별하고, 분할 이미지의 복잡도가 낮으면 패딩이 수행될 영역을 좁게 식별할 수 있다. 다양한 실시 예에 따른, 패딩 동작을 고려한 분할 동작은 이하 도 9를 참조하여 설명하기로 한다.
다양한 실시 예에 따라, 730 동작에서, 전자 장치는 복수의 분할 이미지 각각을, 영역 별 이미지 특성을 기반으로 메모리(예: 도 1의 메모리(190))에 저장된 업스케일링을 위한 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델에 입력할 수 있다.
예를 들어, 입력 이미지의 영역 별 이미지 특성을 기반으로 복수의 분할 이미지로 분할되었으므로, 전자 장치는 별도의 이미지 특성 식별 동작 없이, 복수의 분할 이미지 각각의 이미지 특성을 기반으로, 복수의 분할 이미지 각각을 복수의 딥러닝 모델 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델에 입력할 수 있다.
다양한 실시 예에 따라, 740 동작에서, 전자 장치는 적어도 하나의 딥러닝 모델을 통해 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득할 수 있다.
다양한 실시 예에 따라, 750 동작에서, 전자 장치는 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득할 수 있다.
다양한 실시 예에 따라, 760 동작에서, 전자 장치는 업스케일된 이미지를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다.
다양한 실시 예에 따른 도 7의 730 동작 내지 760 동작은 도 3의 330 동작 내지 360 동작과 동일한 바 중복된 설명은 생략한다.
도 9는 다양한 실시 예에 따른 이미지 분할시 수행되는 패딩(padding) 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 9를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는, 메모리의 가용 크기, 입력 이미지의 크기, 적어도 하나의 프로세서의 연산 능력, 복수의 딥러닝 모델 각각의 크기 또는 입력 이미지의 영역 별 이미지 특성 중 적어도 하나를 기반으로 입력 이미지를 3개의 영역(910, 920)로 분할할 수 있다.
다양한 실시 예에 따라, 전자 장치는 딥러닝 모델을 통해 획득된 복수의 업스케일된 분할 이미지의 병합 동작에서의 경계 처리 동작을 위해 분할 이미지 각각이 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩(padding)할 수 있다.
예를 들어, 전자 장치는 제1 영역(910)의 각 경계 별로 설정된 크기(예: 4 픽셀)만큼 크도록 제1 분할 이미지(911)를 획득하고, 제2 영역(920)의 각 경계 별로 설정된 크기(예: 4픽셀)만큼 크도록 제2 분할 이미지(921)를 획득하고, 제3 영역의 각 경계 별로 설정된 크기(예: 4픽셀) 만큼 크도록 제3 분할 이미지를 획득할 수 있다.
다양한 실시 예에 따라, 전자 장치는 입력 이미지의 외부 경계 영역에서는 설정된 크기 만큼 픽셀 값 이 0인 영역을 포함하여 분할 이미지를 획득할 수 있다.
다양한 실시 예에 따라, 입력 이미지의 각 영역(910, 920) 별로 설정된 크기만큼 크도록 분할 이미지를 획득함에 따라, 제1 분할 이미지(911) 및 제2 분할 이미지(921)의 경계는 겹치는 영역(912)이 포함된다.
다양한 실시 예에 따라, 분할 이미지의 이미지 복잡도에 따라 패딩이 수행될 영역의 크기가 조절될 수 있다. 예를 들어, 전자 장치는 분할 이미지의 복잡도가 높으면 패딩이 수행될 영역을 넓게 식별하고, 분할 이미지의 복잡도가 낮으면 패딩이 수행될 영역을 좁게 식별할 수 있다.
다양한 실시 예에 따라, 전자 장치는 적어도 하나의 딥러닝 모델을 통해 출력된 복수의 업스케일된 분할 이미지 중 겹치는 영역(912)에 대응되는 패딩 영역에서 경계 처리 동작을 수행할 수 있다. 예를 들어, 전자 장치는 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값과, 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값의 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수 있다. 다양한 실시 예에 따라, 업스케일된 분할 이미지와 인접한 업스케일된 분할 이미지가 서로 다른 딥러닝 모델에서 출력된 경우, 전자 장치는 각 패딩 영역의 픽셀 값에 다른 가중치를 반영한 후 획득된 평균을 업스케일된 분할 이미지 및 인접한 업스케일된 분할 이미지 각각의 패딩 영역의 픽셀 값으로 결정할 수도 있다.
또 다른 실시 예로, 전자 장치는 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값을 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수도 있다. 예를 들어, 전자 장치는 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정하고, 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정할 수 있다.
도 10은 다양한 실시 예에 따른 업스케일된 이미지에 메타 데이터가 저장되는 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 10을 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는, 입력 이미지(예: 도 2의 입력 이미지(21))를 이미지 디코더(1010)에 입력하여 입력 이미지의 영역 별 이미지 특성을 식별할 수 있다.
다양한 실시 예에 따라, 전자 장치는 영역 별 이미지 특성을 기반으로 이미지를 분할하고, 딥러닝 모델을 통해 분할 이미지 업스케일을 수행하고, 업스케일된 분할 이미지를 이미지 병합하여 업스케일된 이미지를 획득할 수 있다. 이미지 분할 동작, 업스케일 동작 및 병합 동작은 도 3 및 도 7과 동일한 바, 중복된 설명은 생략한다.
다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지를 이미지 인코더(1020)에 입력할 수 있다. 다양한 실시 예에 따라, 전자 장치는 이미지 디코더(1010)에서 획득된 이미지 분할 정보 또는 딥러닝 모델 정보 중 적어도 하나를 메타 데이터로써 이미지 인코더(1020)에 입력하여 업스케일된 이미지에 첨부할 수 있다.
다양한 실시 예에 따라, 전자 장치는 입력 이미지의 영역 별 이미지 복잡도, 특정 사물 포함 유무, 사용된 딥러닝 모델 정보, 분할 이미지 각각의 위치 정보(예: 경계의 픽셀 정보)를 업스케일된 이미지의 메타 데이터로써 저장할 수 있다.
다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지의 추가 업스케일을 수행하는 경우 업스케일된 이미지의 분석 없이 메타 데이터를 기반으로 추가 업스케일 동작을 수행할 수 있다.
다양한 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는, 메모리(예: 도 1의 메모리(130)), 디스플레이(예: 도 1의 디스플레이 모듈(60)), 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지(예: 도 2의 입력 이미지(21))를 복수의 분할 이미지로 분할하고, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하고, 상기 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지(예: 도 2의 업스케일된 이미지(22))를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 메모리(예: 도 1의 메모리(130))의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지의 개수 또는 상기 복수의 분할 이미지의 크기 중 적어도 하나를 식별할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 분할 이미지 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))가 복수 개인 경우, 복수의 프로세서 각각은 상기 복수의 딥러닝 모델 중 적어도 하나를 통해 이미지 업스케일링을 수행할 수 있다.
다양한 실시 예에 따르면, 상기 복수의 분할 이미지 각각은, 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩된 것일 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 업스케일된 분할 이미지 각각의 상기 영역에 대응되는 패딩 영역의 픽셀 값과, 상기 복수의 업스케일된 분할 이미지 각각의 인접한 업스케일된 분할 이미지의 상기 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 상기 영역의 픽셀 값으로 획득할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 분할 이미지 각각의 이미지 복잡도를 기반으로 상기 영역의 크기를 조절할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 이미지 특성 정보, 상기 식별된 적어도 하나의 딥러닝 모델 정보 또는 상기 복수의 분할 이미지의 위치 정보 중 적어도 하나를 상기 업스케일된 이미지의 메타 데이터로써 저장할 수 있다.
다양한 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))의 제어 방법은, 입력 이미지를 복수의 분할 이미지로 분할하는 동작, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하는 동작, 상기 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하는 동작, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하는 동작, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하는 동작 및 상기 업스케일된 이미지를 상기 디스플레이에 표시하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 상기 분할하는 동작은, 상기 메모리의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지의 개수 또는 상기 복수의 분할 이미지의 크기 중 적어도 하나를 식별하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 상기 이미지 특성을 획득하는 동작은, 상기 복수의 분할 이미지 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득할 수 있다.
다양한 실시 예에 따르면, 상기 식별하는 동작은, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별할 수 있다.
다양한 실시 예에 따르면, 상기 복수의 업스케일된 분할 이미지를 획득하는 동작은, 상기 전자 장치에 복수의 프로세서가 포함되는 경우, 상기 복수의 딥러닝 모델 중 적어도 하나를 이용하는 상기 복수의 프로세서 각각에 의해 수행될 수 있다.
다양한 실시 예에 따르면, 상기 분할하는 동작은, 상기 복수의 분할 이미지 각각은, 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩된 것일 수 있다.
다양한 실시 예에 따르면, 상기 업스케일된 이미지를 획득하는 동작은, 상기 복수의 업스케일된 분할 이미지 각각의 상기 영역에 대응되는 패딩 영역의 픽셀 값과, 상기 복수의 업스케일된 분할 이미지 각각의 인접한 업스케일된 분할 이미지의 상기 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 상기 영역의 픽셀 값으로 획득할 수 있다.
다양한 실시 예에 따르면, 상기 복수의 분할 이미지 각각의 이미지 복잡도를 기반으로 상기 영역의 크기를 조절하는 동작을 더 포함할 수 있다.
다양한 실시 예에 따르면, 상기 이미지 특성 정보, 상기 식별된 적어도 하나의 딥러닝 모델 정보 또는 상기 복수의 분할 이미지의 위치 정보 중 적어도 하나를 상기 업스케일된 이미지의 메타 데이터로써 저장하는 동작을 더 포함할 수 있다.
다양한 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는, 메모리(예: 도 1의 메모리(130)), 디스플레이(에: 도 1의 디스플레이(160)), 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지(예: 도 2의 입력 이미지(21))의 영역 별 이미지 특성을 획득하고, 상기 영역 별 이미지 특성을 기반으로 상기 입력 이미지를 복수의 분할 이미지로 분할하고, 상기 영역 별 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 입력 이미지의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득하고, 상기 이미지 복잡도 또는 상기 얼굴 이미지 포함 여부를 기반으로 상기 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 식별하고, 상기 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 기반으로 상기 입력 이미지를 상기 복수의 분할 이미지로 분할할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 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 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 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.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    메모리;
    디스플레이;
    상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서;를 포함하고,
    상기 적어도 하나의 프로세서는,
    입력 이미지를 복수의 분할 이미지로 분할하고,
    상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하고,
    상기 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고,
    상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고,
    상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고,
    상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정된 전자 장치.
  2. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 메모리의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지의 개수 또는 상기 복수의 분할 이미지의 크기 중 적어도 하나를 식별하는 전자 장치.
  3. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수의 분할 이미지 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득하는 전자 장치.
  4. 제3항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별하는 전자 장치.
  5. 제1항에 있어서,
    상기 적어도 하나의 프로세서가 복수 개인 경우, 복수의 프로세서 각각은 상기 복수의 딥러닝 모델 중 적어도 하나를 통해 이미지 업스케일링을 수행하는 전자 장치.
  6. 제1항에 있어서,
    상기 복수의 분할 이미지 각각은, 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩(padding)된 것인, 전자 장치.
  7. 제6항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수의 업스케일된 분할 이미지 각각의 상기 영역에 대응되는 패딩(padding) 영역의 픽셀 값과, 상기 복수의 업스케일된 분할 이미지 각각의 인접한 업스케일된 분할 이미지의 상기 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 상기 영역의 픽셀 값으로 획득하는 전자 장치.
  8. 제6항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수의 분할 이미지 각각의 이미지 복잡도를 기반으로 상기 영역의 크기를 조절하는 전자 장치.
  9. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 이미지 특성 정보, 상기 식별된 적어도 하나의 딥러닝 모델 정보 또는 상기 복수의 분할 이미지의 위치 정보 중 적어도 하나를 상기 업스케일된 이미지의 메타 데이터로써 저장하는 전자 장치.
  10. 전자 장치의 제어 방법에 있어서,
    입력 이미지를 복수의 분할 이미지로 분할하는 동작;
    상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하는 동작;
    상기 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하는 동작;
    상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하는 동작;
    상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하는 동작; 및
    상기 업스케일된 이미지를 표시하는 동작;을 포함하는 전자 장치의 제어 방법.
  11. 제10항에 있어서,
    상기 분할하는 동작은,
    상기 메모리의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지의 개수 또는 상기 복수의 분할 이미지의 크기 중 적어도 하나를 식별하는 동작;을 포함하는 전자 장치의 제어 방법.
  12. 제10항에 있어서,
    이미지 특성을 획득하는 동작은,
    상기 복수의 분할 이미지 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득하는 전자 장치의 제어 방법.
  13. 제12항에 있어서,
    상기 식별하는 동작은,
    상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별하는 전자 장치의 제어 방법.
  14. 제10항에 있어서,
    상기 복수의 업스케일된 분할 이미지를 획득하는 동작은,
    상기 전자 장치에 복수의 프로세서가 포함되는 경우, 상기 복수의 딥러닝 모델 중 적어도 하나를 이용하는 상기 복수의 프로세서 각각에 의해 수행되는 전자 장치의 제어 방법.
  15. 제10항에 있어서,
    상기 분할하는 동작은,
    상기 복수의 분할 이미지 각각은, 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩된 것인, 전자 장치의 제어 방법.
PCT/KR2021/020319 2021-01-13 2021-12-30 이미지를 업스케일하는 전자 장치 및 이의 제어 방법 WO2022154337A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/313,755 US20230334622A1 (en) 2021-01-13 2023-05-08 Electronic device for upscaling image and method for controlling same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210004768A KR20220102420A (ko) 2021-01-13 2021-01-13 이미지를 업스케일하는 전자 장치 및 이의 제어 방법
KR10-2021-0004768 2021-01-13

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/313,755 Continuation US20230334622A1 (en) 2021-01-13 2023-05-08 Electronic device for upscaling image and method for controlling same

Publications (1)

Publication Number Publication Date
WO2022154337A1 true WO2022154337A1 (ko) 2022-07-21

Family

ID=82448269

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/020319 WO2022154337A1 (ko) 2021-01-13 2021-12-30 이미지를 업스케일하는 전자 장치 및 이의 제어 방법

Country Status (3)

Country Link
US (1) US20230334622A1 (ko)
KR (1) KR20220102420A (ko)
WO (1) WO2022154337A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024101891A1 (ko) * 2022-11-08 2024-05-16 삼성전자 주식회사 전자 장치 및 전자 장치의 이미지 처리 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180062422A (ko) * 2016-11-30 2018-06-08 알텀뷰 시스템즈 인크. 해상도-제한 소규모 cnn 모듈에 기초한 컨볼루션 뉴트럴 네트워크(cnn) 시스템
KR20190110965A (ko) * 2019-09-11 2019-10-01 엘지전자 주식회사 이미지 해상도를 향상시키기 위한 방법 및 장치
JP2020508504A (ja) * 2017-02-24 2020-03-19 ディープマインド テクノロジーズ リミテッド ニューラルネットワークを使用した繰り返しマルチスケール画像生成
KR20200063303A (ko) * 2018-11-19 2020-06-05 삼성전자주식회사 영상 처리 장치 및 그 제어방법
KR102161359B1 (ko) * 2018-12-07 2020-09-29 주식회사 포스코아이씨티 딥러닝 기반의 얼굴이미지 추출장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180062422A (ko) * 2016-11-30 2018-06-08 알텀뷰 시스템즈 인크. 해상도-제한 소규모 cnn 모듈에 기초한 컨볼루션 뉴트럴 네트워크(cnn) 시스템
JP2020508504A (ja) * 2017-02-24 2020-03-19 ディープマインド テクノロジーズ リミテッド ニューラルネットワークを使用した繰り返しマルチスケール画像生成
KR20200063303A (ko) * 2018-11-19 2020-06-05 삼성전자주식회사 영상 처리 장치 및 그 제어방법
KR102161359B1 (ko) * 2018-12-07 2020-09-29 주식회사 포스코아이씨티 딥러닝 기반의 얼굴이미지 추출장치
KR20190110965A (ko) * 2019-09-11 2019-10-01 엘지전자 주식회사 이미지 해상도를 향상시키기 위한 방법 및 장치

Also Published As

Publication number Publication date
KR20220102420A (ko) 2022-07-20
US20230334622A1 (en) 2023-10-19

Similar Documents

Publication Publication Date Title
WO2022085885A1 (en) Method for controlling window and electronic device therefor
WO2022097857A1 (en) Electronic device and method for displaying image on flexible display
WO2022035236A1 (ko) 표시 면적이 가변되는 디스플레이를 포함하는 전자 장치 및 제어 방법
WO2022154337A1 (ko) 이미지를 업스케일하는 전자 장치 및 이의 제어 방법
WO2022108192A1 (ko) 전자 장치 및 전자 장치의 멀티윈도우 제어방법
WO2022030890A1 (ko) 다중 윈도우 이미지 캡쳐 방법 및 이를 위한 전자 장치
WO2022240076A1 (ko) 영상 처리 방법 및 이를 지원하는 전자 장치
WO2022092580A1 (ko) 전자 장치 표면의 온도를 예측하는 방법 및 그 전자 장치
WO2022086272A1 (ko) 사용자 인터페이스를 제공하는 전자 장치 및 그 방법
WO2021256719A1 (ko) 발열 이미지를 이용해 발열을 제어하는 전자 장치 및 그 방법
WO2020175760A1 (en) Electronic device and content generation method
WO2022010245A1 (ko) 그래픽 효과를 적용하기 위한 전자 장치 및 그에 관한 방법
WO2022181949A1 (ko) Ar/vr 환경을 제공하는 전자 장치 및 그 운용 방법
WO2023003224A1 (ko) 증강 현실 또는 가상 현실을 제공하는 전자 장치 및 전자 장치의 동작 방법
WO2022145939A1 (ko) 이미지 처리 방법 및 이를 지원하는 전자 장치
WO2023282458A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2024101704A1 (ko) 터치 입력을 식별하는 웨어러블 장치, 방법, 및 비일시적 컴퓨터 판독가능 저장 매체
WO2022114648A1 (ko) 배경 화면을 설정하기 위한 전자 장치 및 그의 동작 방법
WO2022154410A1 (ko) 이미지 필터 효과의 생성 방법 및 그 전자 장치
WO2024025086A1 (ko) 상호작용에 기반하여 이미지를 표시하기 위한 전자 장치 및 방법
WO2024122913A1 (ko) 기계 학습 모델을 이용하여 영상을 획득하는 전자 장치 및 그 동작 방법
WO2024019311A1 (ko) 디스플레이 패널 상의 외부 객체의 접촉을 처리하는 전자 장치 및 방법
WO2022119118A1 (ko) 플렉서블 디스플레이를 포함하는 전자 장치 및 화면 제어 방법
WO2021242022A1 (ko) 3차원 객체에 2차원 객체를 합성하기 위한 전자 장치, 전자 장치의 동작 방법 및 비일시적 저장 매체
WO2023106606A1 (ko) 전자 장치들 간의 공동 편집을 지원하는 클라우드 서버 및 그 동작 방법

Legal Events

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

Ref document number: 21919959

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: 21919959

Country of ref document: EP

Kind code of ref document: A1