WO2023018127A1 - 이미지를 제공하는 방법 및 이를 지원하는 전자 장치 - Google Patents

이미지를 제공하는 방법 및 이를 지원하는 전자 장치 Download PDF

Info

Publication number
WO2023018127A1
WO2023018127A1 PCT/KR2022/011711 KR2022011711W WO2023018127A1 WO 2023018127 A1 WO2023018127 A1 WO 2023018127A1 KR 2022011711 W KR2022011711 W KR 2022011711W WO 2023018127 A1 WO2023018127 A1 WO 2023018127A1
Authority
WO
WIPO (PCT)
Prior art keywords
images
image
electronic device
module
processor
Prior art date
Application number
PCT/KR2022/011711
Other languages
English (en)
French (fr)
Inventor
오동근
김낙훈
전학제
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to US17/884,250 priority Critical patent/US20230154132A1/en
Publication of WO2023018127A1 publication Critical patent/WO2023018127A1/ko

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • 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
    • G06N20/00—Machine learning
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
    • H04N23/682—Vibration or motion blur correction
    • H04N23/685—Vibration or motion blur correction performed by mechanical compensation
    • H04N23/687—Vibration or motion blur correction performed by mechanical compensation by shifting the lens or sensor position
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/69—Control of means for changing angle of the field of view, e.g. optical zoom objectives or electronic zooming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/698—Control of cameras or camera modules for achieving an enlarged field of view, e.g. panoramic image capture
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/95—Computational photography systems, e.g. light-field imaging systems
    • H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
    • 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
    • G06T2207/20216—Image averaging
    • 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
    • G06T2207/30168—Image quality inspection

Definitions

  • the super-resolution technique is a pixel shift method of obtaining a high-resolution image from a plurality of low-resolution images acquired by a camera while moving a camera (eg, an image sensor) at intervals of one pixel or half pixel. and a single image super resolution (SISR) (also referred to as “single frame super resolution (SFSR)”) method of acquiring one high-resolution image from one low-resolution image.
  • SISR single image super resolution
  • SFSR single frame super resolution
  • One or more external electronic devices receiving 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 deliver the execution result to the electronic device 101 .
  • the electronic device 101 may provide the result as at least part of a response to the request as it is or additionally processed.
  • 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.
  • Server 108 may be an intelligent server using machine learning and/or neural networks. According to one embodiment, the external electronic device 104 or server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to intelligent services (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • the artificial intelligence model 231 is illustrated as including the SFSR module 360, but is not limited thereto.
  • the artificial intelligence model 231 may include a denoise artificial intelligence model (eg, a denoising CNN model) in addition to or in place of the SFSR module 360 .
  • a denoise artificial intelligence model eg, a denoising CNN model
  • an image having a more improved quality may be obtained by removing noise from an image.
  • the processor 240 based on one of the plurality of first images, the remaining images (eg, the rest of the images) except for the one image that is the reference among the plurality of first images, position) can be sorted.
  • the second image is reduced by offsetting noises (eg, moiré signal) present in the plurality of first images (eg, aligned first images) or the reference image, and the data in the high frequency region may be an amplified image.
  • noises eg, moiré signal
  • reference numeral 801 may indicate one image among a plurality of up-scaled (eg, bicubic up-scaled) first images. As shown by reference numeral 801, one of the plurality of up-scaled first images may include noise 811 (eg, a moiré signal) while not including high-frequency data in some areas. there is.
  • noise 811 eg, a moiré signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Studio Devices (AREA)

Abstract

본 개시의 다양한 실시예들에 따른 전자 장치는, 카메라를 포함하는 카메라 모듈, 메모리, 및 상기 카메라 모듈 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 카메라 모듈을 통하여 복수의 제 1 이미지들을 연속적으로 획득하고, 상기 복수의 제 1 이미지들을 정렬(align)하고, 상기 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하고, 및 상기 정렬된 복수의 제 1 이미지들 및 상기 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 제 2 이미지를 획득할 수 있다.

Description

이미지를 제공하는 방법 및 이를 지원하는 전자 장치
본 개시는, 이미지를 제공하는 방법 및 이를 지원하는 전자 장치에 관한 것이다.
고해상도(예: ultra-high definition; UHD)를 가지는 디스플레이가 출시됨에 따라, 초해상도(super resolution) 기법에 대한 관심이 증가하고 있다. 초해상도(super resolution) 기법은 저해상도(low resolution) 이미지를 고해상도(high resolution) 이미지로 변환하는 기법이다.
초해상도 기법에서 복수의 이미지들이 이용되거나 하나의 이미지가 이용될 수 있다. 예를 들어, 초해상도 기법은, 카메라(예: 이미지 센서)를 한 픽셀 또는 반 픽셀 간격으로 이동하는 동안, 카메라를 획득된 복수의 저해상도 이미지들로부터 고해상도 이미지를 획득하는 픽셀 시프트(pixel shift) 방식과, 하나의 저해상도 이미지로부터 하나의 고해상도 이미지를 획득하는 SISR(single image super resolution)(또는, "SFSR(single frame super resolution)"로도 지칭됨) 방식이 있다.
픽셀 시프트 방식의 경우, 하드웨어적으로, 카메라를 한 픽셀 또는 반 픽셀 간격으로 이동시키기 위한 구성이 필요하기 때문에, 전자 장치(예: 스마트 폰)에서의 구현이 어려울 수 있다. 또한, SISR 방식의 경우, 하나의 저해상도 이미지를 입력으로 이용하기 때문에, 하나의 저해상도 이미지로부터 고해상도를 가지는 이미지를 획득하는데 한계가 있을 수 있다.
본 개시의 실시예들은, 전자 장치의 카메라를 통하여 획득되는 복수의 이미지들을 정렬하고, 정렬된 복수의 이미지들 및 정렬된 복수의 이미지들로부터 획득된 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 고해상도 이미지를 획득하는, 이미지를 제공하는 방법 및 이를 지원하는 전자 장치에 관한 것이다.
본 개시가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 다양한 예시 실시예들에 따른 전자 장치는, 카메라를 포함하는 카메라 모듈, 메모리, 및 상기 카메라 모듈 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 카메라 모듈을 통하여 복수의 제 1 이미지들을 연속적으로 획득하고, 상기 복수의 제 1 이미지들을 정렬(align)하고, 상기 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하고, 및 상기 정렬된 복수의 제 1 이미지들 및 상기 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 제 2 이미지를 획득할 수 있다.
본 개시의 다양한 예시 실시예들에 따른 전자 장치에서 이미지를 제공하는 방법은, 상기 전자 장치의 카메라 모듈을 통하여 복수의 제 1 이미지들을 연속적으로 획득하는 동작, 상기 복수의 제 1 이미지들을 정렬하는 동작, 상기 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하는 동작, 및 상기 정렬된 복수의 제 1 이미지들 및 상기 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 제 2 이미지를 획득하는 동작을 포함할 수 있다.
본 발명의 다양한 실시예에 따른 이미지를 제공하는 방법 및 이를 지원하는 전자 장치는, 전자 장치의 카메라를 통하여 획득되는 복수의 이미지들을 정렬하고, 정렬된 복수의 이미지들 및 정렬된 복수의 이미지들로부터 획득된 기준 이미지에 기반하여, 인공 지능 모델을 이용하여, 고해상도 이미지를 획득할 수 있다.
또한, 본 발명의 다양한 실시예에 따른 이미지를 제공하는 방법 및 이를 지원하는 전자 장치는, 실제 카메라를 통하여 획득된 저해상도 이미지 및 고해상도 이미지를 이용하여 training함으로써, 초해상도 기법을 제공하기 위한 인공지능 모델을 향상시킬 수 있다.
또한, 본 발명의 다양한 실시예에 따른 이미지를 제공하는 방법 및 이를 지원하는 전자 장치는, 고주파 영역 데이터가 복원된 고해상도 이미지를 획득할 수 있다.
본 개시의 어떤 실시예들의 상기 및 다른 측면들, 특징들 및 이점들은 첨부 도면과 함께 취해진 다음의 상세한 설명으로부터 더욱 명백할 것이다. 상기 첨부 도면들에서:
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는, 다양한 실시예들에 따른, 카메라 모듈을 예시하는 블록도이다.
도 3은, 다양한 실시예들에 따른, 전자 장치의 예시 구성을 설명하기 위한 블록도이다.
도 4는, 다양한 실시예들에 따른, 이미지를 제공하는 동작을 수행하기 위한 구성들을 블록도이다.
도 5는, 다양한 실시예들에 따른, 복수의 이미지들을 정렬하는 예시 방법을 설명하기 위한 예시도이다.
도 6은, 다양한 실시예들에 따른, 이미지를 제공하는 방법을 예시 설명하기 위한 흐름도이다.
도 7은, 다양한 실시예들에 따른, 이미지를 제공하는 예시 방법을 설명하기 위한 흐름도이다.
도 8a는, 다양한 실시예들에 따른, 복수의 이미지들을 정렬하는 예시 방법을 설명하기 위한 도면이다.
도 8b는, 다양한 실시예들에 따른, 복수의 이미지들을 정렬하는 예시 방법을 설명하기 위한 도면이다.
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. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 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. 인공지능 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. 인공지능 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 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. 일 실시예에 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.
일 실시예에 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. 일 실시예에 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. 일 실시예에 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.
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, 일 실시예에 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.
일 실시예에 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.
도 2는, 다양한 실시예들에 따른, 카메라 모듈(180)을 예시하는 블록도(200)이다.
도 2를 참조하면, 카메라 모듈(180)은 렌즈 어셈블리(221), 플래쉬(222), 이미지 센서(223), 이미지 스태빌라이저(224), 메모리(225)(예: 버퍼 메모리), 또는 이미지 시그널 프로세서(226)를 포함할 수 있다.
렌즈 어셈블리(221)는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다. 렌즈 어셈블리(221)는 하나 또는 그 이상의 렌즈들을 포함할 수 있다. 일 실시예에 따르면, 카메라 모듈(180)은 복수의 렌즈 어셈블리(221)들을 포함할 수 있다. 이런 경우, 카메라 모듈(180)은, 예를 들면, 듀얼 카메라, 360도 카메라, 또는 구형 카메라(spherical camera)를 형성할 수 있다. 복수의 렌즈 어셈블리(221)들 중 일부는 동일한 렌즈 속성(예: 화각, 초점 거리, 자동 초점, f 넘버(f number), 또는 광학 줌)을 갖거나, 또는 적어도 하나의 렌즈 어셈블리는 다른 렌즈 어셈블리의 렌즈 속성들과 다른 하나 이상의 렌즈 속성들을 가질 수 있다. 렌즈 어셈블리(221)는, 예를 들면, 광각 렌즈 또는 망원 렌즈를 포함할 수 있다.
플래쉬(222)는 피사체로부터 방출 또는 반사되는 빛을 강화하기 위하여 사용되는 빛을 방출할 수 있다. 일 실시예에 따르면, 플래쉬(222)는 하나 이상의 발광 다이오드들(예: RGB(red-green-blue) LED, white LED, infrared LED, 또는 ultraviolet LED), 또는 xenon lamp를 포함할 수 있다. 이미지 센서(223)는 피사체로부터 방출 또는 반사되어 렌즈 어셈블리(221)를 통해 전달된 빛을 전기적인 신호로 변환함으로써, 상기 피사체에 대응하는 이미지를 획득할 수 있다.
일 실시예에 따르면, 이미지 센서(223)는, 예를 들면, RGB 센서, BW(black and white) 센서, IR 센서, 또는 UV 센서와 같이 속성이 다른 이미지 센서들 중 선택된 하나의 이미지 센서, 동일한 속성을 갖는 복수의 이미지 센서들, 또는 다른 속성을 갖는 복수의 이미지 센서들을 포함할 수 있다. 이미지 센서(223)에 포함된 각각의 이미지 센서는, 예를 들면, CCD(charged coupled device) 센서 또는 CMOS(complementary metal oxide semiconductor) 센서를 이용하여 구현될 수 있다.
이미지 스태빌라이저(224)는 카메라 모듈(180) 또는 이를 포함하는 전자 장치(101)의 움직임에 반응하여, 렌즈 어셈블리(221)에 포함된 적어도 하나의 렌즈 또는 이미지 센서(223)를 특정한 방향으로 움직이거나 이미지 센서(223)의 동작 특성을 제어(예: 리드 아웃(read-out) 타이밍을 조정 등)할 수 있다. 이는 촬영되는 이미지에 대한 상기 움직임에 의한 부정적인 영향의 적어도 일부를 보상하게 해 준다. 일 실시예에 따르면, 이미지 스태빌라이저(224)는, 일 실시예에 따르면, 이미지 스태빌라이저(224)은 카메라 모듈(180)의 내부 또는 외부에 배치된 자이로 센서(미도시) 또는 가속도 센서(미도시)를 이용하여 카메라 모듈(180) 또는 전자 장치(101)의 그런 움직임을 감지할 수 있다. 일 실시예에 따르면, 이미지 스태빌라이저(224)는, 예를 들면, 광학식 이미지 스태빌라이저로 구현될 수 있다.
메모리(225)는 이미지 센서(223)을 통하여 획득된 이미지의 적어도 일부를 다음 이미지 처리 작업을 위하여 적어도 일시 저장할 수 있다. 예를 들어, 셔터에 따른 이미지 획득이 지연되거나, 또는 복수의 이미지들이 고속으로 획득되는 경우, 획득된 원본 이미지(예: Bayer-patterned 이미지 또는 높은 해상도의 이미지)는 메모리(225)에 저장이 되고, 그에 대응하는 사본 이미지(예: 낮은 해상도의 이미지)는 디스플레이 모듈(160)을 통하여 프리뷰될 수 있다. 이후, 지정된 조건이 만족되면(예: 사용자 입력 또는 시스템 명령) 메모리(225)에 저장되었던 원본 이미지의 적어도 일부가, 예를 들면, 이미지 시그널 프로세서(226)에 의해 획득되어 처리될 수 있다. 일 실시예에 따르면, 메모리(225)는 메모리(130)의 적어도 일부로, 또는 이와는 독립적으로 운영되는 별도의 메모리로 구성될 수 있다.
이미지 시그널 프로세서(226)는 이미지 센서(223)을 통하여 획득된 이미지 또는 메모리(225)에 저장된 이미지에 대하여 하나 이상의 이미지 처리들을 수행할 수 있다. 상기 하나 이상의 이미지 처리들은, 예를 들면, 깊이 지도(depth map) 생성, 3차원 모델링, 파노라마 생성, 특징점 추출, 이미지 합성, 또는 이미지 보상(예: 노이즈 감소, 해상도 조정, 밝기 조정, 블러링(blurring), 샤프닝(sharpening), 또는 소프트닝(softening)을 포함할 수 있다. 추가적으로 또는 대체적으로, 이미지 시그널 프로세서(226)는 카메라 모듈(180)에 포함된 구성 요소들 중 적어도 하나(예: 이미지 센서(223))에 대한 제어(예: 노출 시간 제어, 또는 리드 아웃 타이밍 제어)를 수행할 수 있다. 이미지 시그널 프로세서(226)에 의해 처리된 이미지는 추가 처리를 위하여 메모리(225)에 다시 저장 되거나 카메라 모듈(180)의 외부 구성 요소(예: 메모리(130), 디스플레이 모듈(160), 전자 장치(102), 전자 장치(104), 또는 서버(108))로 제공될 수 있다. 일 실시예에 따르면, 이미지 시그널 프로세서(226)는 프로세서(120)의 적어도 일부로 구성되거나, 프로세서(120)와 독립적으로 운영되는 별도의 프로세서로 구성될 수 있다. 이미지 시그널 프로세서(226)이 프로세서(120)과 별도의 프로세서로 구성된 경우, 이미지 시그널 프로세서(226)에 의해 처리된 적어도 하나의 이미지는 프로세서(120)에 의하여 그대로 또는 추가의 이미지 처리를 거친 후 디스플레이 모듈(160)를 통해 표시될 수 있다.
일 실시예에 따르면, 전자 장치(101)는 각각 다른 속성 또는 기능을 가진 복수의 카메라 모듈(180)들을 포함할 수 있다. 이런 경우, 예를 들면, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 광각 카메라이고, 적어도 다른 하나는 망원 카메라일 수 있다. 유사하게, 상기 복수의 카메라 모듈(180)들 중 적어도 하나는 전면 카메라이고, 적어도 다른 하나는 후면 카메라일 수 있다.
도 3은, 다양한 실시예들에 따른, 전자 장치(101)의 예시 구성을 설명하기 위한 블록도이다.
도 3을 참조하면, 일 실시예에서, 전자 장치(101)는, 디스플레이(210), 카메라 모듈(220)(예: 카메라를 포함하는 카메라 모듈), 메모리(230), 및/또는 프로세서(240)(예: 프로세싱 회로를 포함하는 프로세서)를 포함할 수 있다.
일 실시예에서, 디스플레이(210)는, 도 1의 디스플레이 모듈(160)에 포함될 수 있다.
일 실시예에서, 디스플레이(210)는, 카메라 모듈(220)을 통하여, 획득된 이미지를 표시할 수 있다. 예를 들어, 디스플레이(210)는, 카메라 모듈(220)을 통하여 연속적으로 획득된 복수의 이미지들을, 표시할 수 있다. 다른 예를 들어, 디스플레이(210)는, 카메라 모듈(220)을 통하여 연속적으로 획득된 복수의 이미지들이 처리된 경우, 처리를 통하여 획득된 이미지를 표시할 수 있다.
일 실시예에서, 카메라 모듈(220)은, 도 1 및 도 2의 카메라 모듈(180)에 포함될 수 있다.
일 실시예에서, 카메라 모듈(220)은 카메라를 포함하고 연속적으로 복수의 이미지들을 획득할 수 있다. 연속적으로 획득되는 복수의 이미지들은 서로 다른 시야(view)를 가지는 이미지들(예: 상호 간 시차를 갖는 이미지들)일 수 있다.
일 실시예에서, 메모리(230)는 도 1의 메모리(130)에 포함될 수 있다.
일 실시예에서, 메모리(230)는, 이미지를 제공하는 동작의 적어도 일부를 수행하기 위한 구성들을 포함할 수 있다.
일 실시예에서, 프로세서(240)는 도 1의 프로세서(120)에 포함될 수 있다.
일 실시예에서, 프로세서(240)는, 프로세싱 회로를 포함하고, 이미지를 제공하는 동작을 전반적으로 제어할 수 있다. 일 실시예에서, 프로세서(240)는, 이미지를 제공하는 동작을 수행하기 위한 하나 이상의 프로세서들을 포함할 수 있다.
일 실시예에서, 도 3에서는 전자 장치(101)가, 디스플레이(210), 카메라 모듈(220), 메모리(230), 및/또는 프로세서(240)를 포함하는 것으로 예시하고 있지만, 이에 제한되지 않는다. 예를 들어, 전자 장치(101)는, 실시예에 따라, 디스플레이(210)를 포함하지 않을 수 있다. 다른 예를 들어, 전자 장치(101)는, 도 1에 도시된 전자 장치(101)의 구성들 중에서 적어도 하나의 구성(예: 통신 모듈(190))을 더 포함할 수 있다.
도 4는, 다양한 실시예들에 따른, 이미지를 제공하는 동작을 수행하기 위한 예시 구성들을 나타내는 블록도(400)이다.
도 4를 참조하면, 일 실시예에서, 이미지를 제공하는 동작을 수행하기 위한 구성들은, 크롭(crop) 모듈(310)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 크롭 모듈), 업스케일링(upscaling) 모듈(320)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 업스케일링 모듈), 정렬(alignment) 모듈(330)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 정렬 모듈), 가중 평균(weighted average) 모듈(340)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 가중 평균 모듈), 및/또는 인공지능 모델(231)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 인공 지능 모델)을 포함할 수 있다. 일 실시예에서, 크롭 모듈(310), 업스케일링 모듈(320), 정렬 모듈(330), 가중 평균 모듈(340), 및/또는 인공지능 모델(231)은 메모리(230)에 저장될 수 있다.
일 실시예에서, 인공지능 모델(231)은 concatenation 모듈(350)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 concatenation 모듈), SFSR(single frame super resolution) 모듈(360)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 SFSR 모듈), 및/또는 합성 모듈(370)(예: 다양한 프로세싱 회로 및/또는 실행 가능한 프로그램 명령들을 포함하는 합성 모듈)을 포함할 수 있다. 다만, 이에 제한되지 않으며, concatenation 모듈(350), SFSR(single frame super resolution) 모듈(360), 또는 합성 모듈(370) 중 적어도 하나는, 인공지능을 이용함 없이, 지정된 알고리즘을 이용하여 구현될 수도 있다.
일 실시예에서, 크롭 모듈(310), 업스케일링 모듈(320), 정렬 모듈(330), 또는 가중 평균 모듈(340), 중 적어도 하나의 모듈은 인공지능 모델(231)에 포함될 수 있다.
일 실시예에서, 크롭(crop) 모듈(310)은, 카메라 모듈(220)을 통하여 연속적으로 획득된 복수의 이미지들(이하, "복수의 제 1 이미지들"로 지칭될 수 있음)을 크롭할 수 있다. 일 실시예에서, 사용자로부터 카메라 모듈(220)과 관련된 줌(zoom) 입력(예: 줌 인(zoom in) 입력)이 수신된 경우, 크롭 모듈(310)은, 카메라 모듈(220)과 관련된 줌 배율에 기반하여, 복수의 제 1 이미지들을 크롭할 수 있다. 예를 들어, 줌 배율이 1.0x인 상태에서 줌 배율을 2.0x로, 줌 배율을 2배 증가시키는 입력이 수신된 경우, 크롭 모듈(310)은, 카메라 모듈(220)의 이미지 센서 전체 영역(또는 현재 표시 중인 이미지에 대응하는 이미지 센서의 영역)을 통하여 획득된 복수의 제 1 이미지들 각각에서, 이미지의 중심(또는 현재 디스플레이(210)를 통하여 표시 중인 이미지의 중심)을 기준으로, 이미지의 1/4에 해당하는 영역을 크롭할 수 있다. 일 실시예에서, 크롭 모듈(310)은 크롭된 복수의 제 1 이미지들(이하, "크롭된 복수의 제 1 이미지들"로 지칭함)을 업스케일링 모듈(320)로 전달할 수 있다.
일 실시예에서, 업스케일링(upscaling) 모듈(312)은 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행할 수 있다.
일 실시예에서, 업스케일링 모듈(320)은, 크롭된 복수의 제 1 이미지들을, 크롭된 복수의 제 1 이미지들의 크기 보다 큰 크기를 가지는 복수의 이미지들(이하, "업스케일링된 복수의 제 1 이미지들"로 지칭될 수 있음)로 업스케일링할 수 있다.
일 실시예에서, 업스케일링 모듈(320)은, 카메라 모듈(220)과 관련된 줌 배율에 기반하여, 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행할 수 있다. 예를 들어, 줌 배율이 1.0x인 상태에서 줌 배율을 2.0x로 줌 배율을 2배 증가시키는 입력이 수신됨에 기반하여, 복수의 제 1 이미지들 각각에서, 이미지의 중심을 기준으로, 이미지의 1/4에 해당하는 영역이 크롭된 경우, 업스케일링 모듈(320)은 제 1 크기를 가지는 크롭된 복수의 제 1 이미지들을 제 1 크기 보다 4배 큰 제 2 크기(예: 가로 2배 및 세로 2배)를 가지는 업스케일링된 복수의 제 1 이미지들로 업스케일링할 수 있다.
일 실시예에서, 업스케일링 모듈(320)은, 다양한 알고리즘들을 이용하여, 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행할 수 있다. 예를 들어, 업스케일링 모듈(320)은, 최근접 이웃(nearest neighbor) 알고리즘, bicubic 알고리즘, 또는 bilinear 알고리즘을 이용하여, 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행할 수 있다. 다만, 업스케일링 모듈(320)이 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행하기 위하여 이용하는 알고리즘은 전술한 알고리즘들에 제한되지 않는다.
일 실시예에서, 업스케일링 모듈(320)은 프로세서(240)에 포함되지 않을 수 있으며, 이러한 경우, 업스케일링 동작은 인공지능 모델(231)(예: SFSR 모듈(360))에서 수행될 수 있다.
일 실시예에서, 정렬(alignment) 모듈(330)은, 업스케일링된 복수의 제 1 이미지들을 정렬할 수 있다.
일 실시예에서, 정렬 모듈(330)은, 업스케일링된 복수의 제 1 이미지들 중 하나의 이미지(예: 업스케일링된 복수의 제 1 이미지들 중 하나의 이미지의 위치)를 기준으로, 업스케일링된 복수의 제 1 이미지들 중에서, 기준이 되는 하나의 이미지를 제외한 나머지 이미지들(예: 나머지 이미지들의 위치)을 정렬할 수 있다. 이하, 도 5를 참조하여, 정렬 모듈(330)이 업스케일링된 복수의 제 1 이미지들을 정렬하는 방법을 보다 상세히 설명하도록 한다.
도 5는, 다양한 실시예들에 따른, 복수의 이미지들을 정렬하는 예시 방법을 설명하기 위한 예시도(500)이다.
도 5를 참조하면, 일 실시예에서, 참조 부호 501은, 업스케일링된 복수의 제 1 이미지들을 나타낼 수 있다. 예를 들어, 업스케일링된 복수의 제 1 이미지들은, 이미지 1(511), 이미지 2(512), 이미지 3(513), 및 이미지 4(514)를 포함할 수 있다. 참조 부호 501에서는, 4개의 업스케일링된 복수의 제 1 이미지들을 예시하고 있지만 이에 제한되지 않는다. 일 실시예에서, 참조 부호 501 및 참조 부호 502에서, 이미지 1(511), 이미지 2(512), 이미지 3(513), 및 이미지 4(514)는 각각 베이어(bayer) 패턴을 가지는 이미지들일 수 있다. 예를 들어, 이미지 1(511) 내에서, 제 1 픽셀(511-1)은 RGB의 레드(red)에 해당하는 픽셀이고, 제 2 픽셀(511-2) 및 제 3 픽셀(511-3)은 RGB의 그린(Green)에 해당하는 픽셀들이고, 제 4 픽셀(511-4)은 RGB의 블루(blue)에 해당하는 픽셀일 수 있다. 다만, 이에 제한되지 않으며, 업스케일링된 복수의 제 1 이미지들은, RGB 데이터를 가지는 이미지들일 수 있다.
일 실시예에서, 정렬 모듈(330)은, 카메라 모듈(220)을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 카메라 모듈(220)의 움직임에 대한 정보를 획득할 수 있다. 예를 들어, 정렬 모듈(330)은, 카메라 모듈(220)을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 복수의 제 1 이미지들 중에서 첫 번째 이미지(예: 복수의 제 1 이미지들 중에서 첫 번째로 획득된 이미지)가 획득된, 카메라 모듈(220)의 위치와, 첫 번째 이미지 이후의 이미지들(예: 첫 번째 이미지 획득 후 획득되는 이미지들)이 획득된 카메라 모듈(220)의 위치들 간 차이들을 획득(예: 산출)할 수 있다. 일 실시예에서, 정렬 모듈(330)은, 상기 첫 번째 이미지의 픽셀 값들과, 첫 번째 이미지 이후의 이미지들 각각의 픽셀 값들을 비교함으로써, 카메라 모듈(220)을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 카메라 모듈(220)의 움직임에 대한 정보를 획득할 수 있다.
일 실시예에서, 정렬 모듈(330)은, 획득된 카메라 모듈(220)의 움직임에 대한 정보에 기반하여, 스케일링된 복수의 제 1 이미지들을 정렬할 수 있다. 예를 들어, 참조 부호 502에 도시된 바와 같이, 정렬 모듈(330)은, 스케일링된 복수의 제 1 이미지들 중 하나의 이미지(예: 이미지(511))을 기준으로, 기준이 되는 하나의 이미지를 제외한 나머지 이미지들(예: 이미지들(512, 513, 514))을 정렬할 수 있다. 일 실시예에서, 정렬 모듈(330)은, 획득된 카메라 모듈(220)의 움직임에 대한 정보에 기반하여, 스케일링된 복수의 제 1 이미지들 중에서 기준이 되는 하나의 이미지의 위치를 기준으로, 상기 나머지 이미지들의 위치들을 각각 이동(shift)시킴으로써, 업스케일링된 복수의 제 1 이미지들(이하, 정렬 후, 상기 기준이 되는 하나의 이미지 및 상기 나머지 이미지들을 "정렬된 복수의 제 1 이미지들"로 지칭함)을 정렬할 수 있다. 일 실시예에서, 정렬 모듈(330)은, 정렬된 복수의 제 1 이미지들을 인공지능 모델(231)(예: concatenation 모듈(350))로 전달할 수 있다.
일 실시예에서, 가중 평균(weighted average) 모듈(340)은, 정렬된 복수의 제 1 이미지들을 가중치(weight)를 고려하여 평균할 수 있다. 예를 들어, 가중 평균 모듈(340)은, 정렬된 복수의 제 1 이미지들 각각의 품질(quality)(예: 정렬된 복수의 제 1 이미지들 각각이 블러드(blurred)한 정도 및/또는 정렬된 복수의 제 1 이미지들 각각의 최대 신호 대 잡음비(peak signal to noise ratio; PSNR)에 기반하여, 정렬된 복수의 제 1 이미지들 각각에 대하여 가중치를 부여할 수 있다. 일 실시예에서, 정렬된 복수의 제 1 이미지들에 대하여 부여되는 가중치들은 서로 동일하거나 다를 수 있다.
일 실시예에서, 가중 평균 모듈(340)은, 정렬된 복수의 제 1 이미지들에 부여된 가중치들에 기반하여, 정렬된 복수의 제 1 이미지들(예: 정렬된 복수의 제 1 이미지들 각각의 픽셀 값들)을 평균함으로써 하나의 이미지(이하, "기준(reference) 이미지"로 지칭하기로 한다)를 획득할 수 있다.
일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들에 비하여, 고주파 영역에서 원본 신호(예: 정렬된 복수의 제 1 이미지들 각각의 패턴)의 강도가 증가되고, 노이즈의 강도가 감소된 이미지일 수 있다. 일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들에 포함되지 않은 고주파 영역의 데이터를 포함하는 이미지일 수 있다. 일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들에 비하여 노이즈(예: 모아레 신호)를 적게 포함하는 이미지일 수 있다. 일 실시예에서, 기준 이미지는 정렬된 복수의 제 1 이미지들에 포함된 노이즈의 적어도 일부가 일부가 제거된 이미지일 수 있다. 일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들 각각의 적어도 일부 영역에 기반하여 생성된 이미지일 수 있다.
일 실시예에서, 가중 평균 모듈(340)은, 정렬된 복수의 제 1 이미지들 전체 또는 정렬된 복수의 제 1 이미지들 중 일부의 이미지들에 대하여, 가중치를 고려하여 평균할 수 있다. 일 실시예에서, 가중 평균 모듈(340)은 기준 이미지를 인공지능 모델(231)(예: concatenation 모듈(350))로 전달할 수 있다.
일 실시예에서, concatenation 모듈(350)은, 정렬 모듈(330)로부터 정렬된 복수의 제 1 이미지들을 획득하고, 가중 평균 모듈(340)로부터 기준 이미지를 획득할 수 있다. 일 실시예에서, concatenation 모듈(350)은 정렬된 복수의 제 1 이미지들 및 기준 이미지를 하나의 이미지로 변환할 수 있다. 예를 들어, 정렬된 복수의 제 1 이미지들 및 기준 이미지는 각각 레드 채널, 그린 채널, 및 블루 채널을 가질 수 있다. concatenation 모듈(350)은, 정렬된 복수의 제 1 이미지들 및 기준 이미지로부터, 정렬된 복수의 제 1 이미지들의 채널들 및 기준 이미지의 채널들을 가지는 하나의 이미지를 획득할 수 있다.
일 실시예에서, SFSR 모듈(360)(또는 "SFSR 인공지능 모델"로도 지칭됨)은, 정렬된 복수의 제 1 이미지들 및 기준 이미지로부터 변환된 이미지를 입력 데이터로서 이용하여, 노이즈(noise)(예: 모아레(moire) 신호)가 감소(또는 제거)되고 고주파 영역의 데이터가 복원된 이미지를 결과 데이터로서 출력할 수 있다. 예를 들어, SFSR 모듈(360)은, 정렬된 복수의 제 1 이미지들의 채널들 및 기준 이미지의 채널들을 가지는 하나의 이미지에 기반하여, 전술한 픽셀 시프트 방식과 유사하게, 이미지를 구성할 각각의 픽셀이 레드 값, 그린 값, 및 블루 값을 가지는 이미지를 출력할 수 있다.
일 실시예에서, SFSR 모듈(360)은 예를 들어 RCAN(very deep residual channel attention networks)을 이용한 인공지능 모델을 포함할 수 있다. RCAN은, 입력 데이터에 대한 특징(예: shallow feature)을 추출하기 위한 콘볼루션(convolution) 계층, 스킵 연결(skip connection)(예: long skip connection), 복수의 잔차 그룹들(residual groups), 복수의 잔차 그룹들의 결과 데이터로부터 특징(예: deep feature)을 추출하는 콘볼루션 계층을 포함할 수 있다. RCAN의 잔차 그룹은 각각 복수의 채널 강조 블록들(channel attention blocks), 스킵 연결(skip connection)(예: short skip connection), 및 콘볼루션 계층을 포함할 수 있다. 다만, SFSR 모듈(360)이 이용하는 인공지능 네트워크는 RCAN에 제한되지 않으며, 다양한 인공지능 네트워크를 이용할 수 있다. 예를 들어, SFSR 모듈(360)은, SRCNN, FSRCNN, ESPCN, 또는 VDSR을 이용할 수도 있다.
일 실시예에서, 합성 모듈(370)은, 인공지능 모델(231)로부터 출력되는 이미지 및 가중 평균 모듈(340)로부터 입력되는 기준 이미지에 기반하여 최종 이미지("제 2 이미지"로도 지칭됨)를 획득할 수 있다. 일 실시예에서, 제 2 이미지는, 복수의 제 1 이미지들(예: 정렬된 제 1 이미지들) 또는 기준 이미지에 존재하는 노이즈들(예: 모아레 신호)이 상쇄되어 감소되고, 고주파 영역의 데이터가 증폭된, 이미지일 수 있다.
도 4에서 인공지능 모델(231)이 SFSR 모듈(360)을 포함하는 것으로 예시하고 있지만, 이에 제한되지 않는다. 일 실시예에서, 인공지능 모델(231)은 SFSR 모듈(360)에 추가적으로 또는 SFSR 모듈(360)을 대체하여, denoise 인공지능 모델(예: denoising CNN 모델)을 포함할 수 있다. 인공지능 모델(231)이 denoise 인공지능 모델(231)을 이용하는 경우, 이미지의 노이즈를 제거함으로써, 보다 향상된 화질을 가지는 이미지를 획득할 수 있다.
본 개시의 다양한 예시 실시예들에 따른 전자 장치는, 카메라를 포함하는 카메라 모듈, 메모리, 및 상기 카메라 모듈 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 카메라 모듈을 통하여 복수의 제 1 이미지들을 연속적으로 획득하고, 상기 복수의 제 1 이미지들을 정렬(align)하고, 상기 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하고, 및 상기 정렬된 복수의 제 1 이미지들 및 상기 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 제 2 이미지를 획득할 수 있다.
다양한 예시 실시예에서, 상기 적어도 하나의 프로세서는, 상기 정렬된 복수의 제 1 이미지들에 대한 가중 평균 동작을 수행함으로써, 상기 기준 이미지를 획득할 수 있다.
다양한 예시 실시예에서, 상기 제 2 이미지는, 복수의 제 1 이미지들의 해상도 보다 높은 해상도를 가질 수 있다.
다양한 예시 실시예에서, 상기 적어도 하나의 프로세서는, 상기 복수의 제 1 이미지들을 크롭(crop)하고, 상기 크롭된 복수의 제 1 이미지들을 업스케일링(upscaling)하고, 및 상기 업스케일링된 복수의 제 1 이미지들을 정렬하도록 구성될 수 있다.
다양한 예시 실시예에서, 상기 적어도 하나의 프로세서는, 상기 카메라 모듈과 관련된 줌 배율을 증가시키기 위한 입력을 수신함에 기반하여, 상기 복수의 제 1 이미지들을 크롭하고, 및 상기 줌 배율에 기반하여, 상기 크롭된 복수의 제 1 이미지들을 업스케일링하도록 구성될 수 있다.
다양한 예시 실시예에서, 상기 기준 이미지는, 상기 업스케일링된 복수의 제 1 이미지들에 비하여, 고주파 영역에서 원본 신호의 강도가 증가되고 노이즈의 강도가 감소된 이미지를 포함할 수 있다.
다양한 예시 실시예에서, 상기 적어도 하나의 프로세서는, 상기 카메라 모듈을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 카메라 모듈의 움직임에 대한 정보를 획득하고, 및 상기 카메라 모듈의 움직임에 대한 정보에 기반하여, 상기 복수의 제 1 이미지들을 정렬하도록 구성될 수 있다.
다양한 예시 실시예에서, 상기 적어도 하나의 프로세서는, 상기 정렬된 복수의 제 1 이미지들 각각의 품질(quality)에 기반하여, 상기 정렬된 복수의 제 1 이미지들 각각에 가중치를 부여하고, 및 상기 가중치에 기반하여, 상기 정렬된 복수의 제 1 이미지들에 대한 평균 동작을 수행하도록 구성될 수 있다.
다양한 예시 실시예에서, 상기 인공지능 모델은, SFSR(single frame super resolution) 인공지능 모델 및/또는 denoise 인공지능 모델을 포함할 수 있다.
도 6은, 다양한 실시예들에 따른, 이미지를 제공하는 예시 방법을 설명하기 위한 흐름도(600)이다.
도 6을 참조하면, 동작 601에서, 일 실시예에서, 프로세서(240)는, 카메라 모듈(220)을 통하여, 복수의 제 1 이미지들을 연속적으로 획득할 수 있다.
동작 603에서, 일 실시예에서, 프로세서(240)는 획득된 복수의 제 1 이미지들을 정렬할 수 있다.
일 실시예에서, 프로세서(240)는, 복수의 제 1 이미지들 중 하나의 이미지를 기준으로, 복수의 제 1 이미지들 중에서, 기준이 되는 하나의 이미지를 제외한 나머지 이미지들(예: 나머지 이미지들의 위치)을 정렬할 수 있다.
일 실시예에서, 프로세서(240)는, 카메라 모듈(220)을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 카메라 모듈(220)의 움직임에 대한 정보를 획득할 수 있다. 예를 들어, 프로세서(240)는, 카메라 모듈(220)을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 복수의 제 1 이미지들 중에서 첫 번째 이미지(예: 복수의 제 1 이미지들 중에서 첫 번째로 획득된 이미지)가 획득된, 카메라 모듈(220)의 위치와, 첫 번째 이미지 이후의 이미지들(예: 첫 번째 이미지 획득 후 획득되는 이미지들)이 획득된 카메라 모듈(220)의 위치들 간 차이들을 획득(예: 산출)할 수 있다. 일 실시예에서, 프로세서(240)는, 상기 첫 번째 이미지의 픽셀 값들과, 첫 번째 이미지 이후의 이미지들 각각의 픽셀 값들을 비교함으로써, 카메라 모듈(220)을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 카메라 모듈(220)의 움직임에 대한 정보를 획득할 수 있다.
일 실시예에서, 프로세서(240)는, 획득된 카메라 모듈(220)의 움직임에 대한 정보에 기반하여, 복수의 제 1 이미지들을 정렬할 수 있다.
일 실시예에서, 프로세서(240)는, 획득된 카메라 모듈(220)의 움직임에 대한 정보에 기반하여, 복수의 제 1 이미지들 중에서 기준이 되는 하나의 이미지의 위치를 기준으로, 상기 나머지 이미지들의 위치들을 각각 이동(shift)시킴으로써, 복수의 제 1 이미지들을 정렬할 수 있다.
동작 605에서, 일 실시예에서, 프로세서(240)는, 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득할 수 있다.
일 실시예에서, 프로세서(240)는 정렬된 복수의 제 1 이미지들을 가중치(weight)를 고려하여 평균할 수 있다. 예를 들어, 프로세서(240)는, 정렬된 복수의 제 1 이미지들 각각의 품질(quality)(예: 정렬된 복수의 제 1 이미지들 각각이 블러드(blurred)한 정도 및/또는 정렬된 복수의 제 1 이미지들 각각의 최대 신호 대 잡음비(peak signal to noise ratio; PSNR)에 기반하여, 정렬된 복수의 제 1 이미지들 각각에 대하여 가중치를 부여할 수 있다. 일 실시예에서, 정렬된 복수의 제 1 이미지들에 대하여 부여되는 가중치들은 서로 동일하거나 다를 수 있다. 다만, 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하는 방법은 전술한 예시에 제한되지 않는다. 예를 들어, 프로세서(240)는, 정렬된 복수의 제 1 이미지들의 중간 값(median)을 이용하여, 기준 이미지를 획득할 수 있다.
일 실시예에서, 프로세서(240)는, 정렬된 복수의 제 1 이미지들에 부여된 가중치들을 고려하여, 정렬된 복수의 제 1 이미지들(예: 정렬된 복수의 제 1 이미지들 각각의 픽셀 값들)을 평균함으로써 기준 이미지를 획득할 수 있다.
일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들에 비하여, 고주파 영역에서 원본 신호(예: 정렬된 복수의 제 1 이미지들 각각의 패턴)의 강도가 증가되고, 노이즈 신호의 강도가 감소된 이미지일 수 있다. 일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들에 포함되지 않은 고주파 영역의 데이터를 포함하는 이미지일 수 있다. 일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들에 비하여 노이즈(예: 모아레 신호)를 적게 포함하는 이미지일 수 있다. 일 실시예에서, 기준 이미지는 정렬된 복수의 제 1 이미지들에 포함된 노이즈의 적어도 일부가 일부가 제거된 이미지일 수 있다. 일 실시예에서, 기준 이미지는, 정렬된 복수의 제 1 이미지들 각각의 적어도 일부 영역에 기반하여 생성된 이미지일 수 있다.
일 실시예에서, 프로세서(240)는, 정렬된 복수의 제 1 이미지들 전체 또는 정렬된 복수의 제 1 이미지들 중 일부의 이미지들에 대하여, 가중치를 고려하여 평균할 수 있다. 일 실시예에서, 가중 평균 모듈(340)은 기준 이미지를 인공지능 모델(231)(예: concatenation 모듈(350))로 전달할 수 있다.
동작 607에서, 일 실시예에서, 프로세서(240)는, 정렬된 복수의 제 1 이미지들 및 기준 이미지에 기반하여, 인공지능 모델(231)을 이용하여, 제 2 이미지(예: 최종 이미지)를 획득할 수 있다.
일 실시예에서, 프로세서(240)는, 인공지능 모델(231)을 이용하여, 정렬된 복수의 제 1 이미지들 및 기준 이미지를 하나의 이미지로 변환할 수 있다. 예를 들어, 정렬된 복수의 제 1 이미지들 및 기준 이미지는 각각 레드 채널, 그린 채널, 및 블루 채널을 가질 수 있다. 프로세서(240)는, 인공지능 모델(231)을 이용하여, 정렬된 복수의 제 1 이미지들 및 기준 이미지로부터, 정렬된 복수의 제 1 이미지들의 채널들 및 기준 이미지의 채널들을 가지는 하나의 이미지를 획득할 수 있다.
일 실시예에서, 프로세서(240)는, 인공지능 모델(231)(예: SFSR 모듈(360))을 이용하여, 정렬된 복수의 제 1 이미지들 및 기준 이미지로부터 변환된 이미지를 입력 데이터로서 이용하여, 노이즈(noise)(예: 모아레(moire) 신호)가 감소(또는 제거)되고 고주파 영역의 데이터가 복원된 이미지를 결과 데이터로서 출력할 수 있다. 예를 들어, 프로세서(240)는, 인공지능 모델(231)(예: SFSR 모듈(360))을 이용하여, 정렬된 복수의 제 1 이미지들의 채널들 및 기준 이미지의 채널들을 가지는 하나의 이미지에 기반하여, 전술한 픽셀 시프트 방식과 유사하게, 이미지를 구성할 각각의 픽셀이 레드 값, 그린 값, 및 블루 값을 가지는 이미지를 출력할 수 있다.
일 실시예에서, SFSR 모듈(360)은 예를 들어 RCAN(very deep residual channel attention networks)을 이용한 인공지능 모델일 수 있다. RCAN은, 입력 데이터에 대한 특징(예: shallow feature)을 추출하기 위한 콘볼루션(convolution) 계층, 스킵 연결(skip connection)(예: long skip connection), 복수의 잔차 그룹들(residual groups), 복수의 잔차 그룹들의 결과 데이터로부터 특징 특징(예: deep feature)을 추출하는 콘볼루션 계층을 포함할 수 있다. RCAN의 잔차 그룹은 각각 복수의 채널 강조 블록들(channel attention blocks), 스킵 연결(skip connection)(예: short skip connection), 및 콘볼루션 계층을 포함할 수 있다. 다만, SFSR 모듈(360)이 이용하는 인공지능 네트워크는 RCAN에 제한되지 않으며, 다양한 인공지능 네트워크를 이용할 수 있다. 예를 들어, SFSR 모듈(360)은, SRCNN, FSRCNN, ESPCN, 또는 VDSR을 이용할 수도 있다.
일 실시예에서, 인공지능 모델(231)은 SFSR 모듈(360)에 추가적으로 또는 SFSR 모듈(360)을 대체하여, denoise 인공지능 모델(예: denoising CNN 모델)을 포함할 수 있다. 인공지능 모델(231)이 denoise 인공지능 모델을 이용하는 경우, 이미지의 노이즈를 제거함으로써, 보다 향상된 화질을 가지는 이미지를 획득할 수 있다.
일 실시예에서, 프로세서(240)는, 인공지능 모델(231)로부터 출력되는 이미지 및 기준 이미지에 기반하여 제 2 이미지를 획득할 수 있다. 일 실시예에서, 프로세서(240)는, 인공지능 모델(231)을 이용하여, 인공지능 모델(231)로부터 출력되는 이미지 및 기준 이미지에 기반하여 제 2 이미지를 획득할 수 있다.
일 실시예에서, 제 2 이미지는, 복수의 제 1 이미지들(예: 정렬된 제 1 이미지들) 또는 기준 이미지에 존재하는 노이즈들(예: 모아레 신호)이 상쇄되어 감소되고, 고주파 영역의 데이터가 증폭된, 이미지일 수 있다.
도 6에서는 프로세서(240)가 인공지능 모델(231)을 이용함 없이 복수의 제 1 이미지들을 정렬하고, 정렬된 복수의 제 1 이미지들에 대한 가중 평균 동작을 수행함으로써, 기준 이미지를 획득하는 것으로 예시하고 있지만, 이에 제한되지 않는다. 예를 들어, 프로세서(240)는, 인공지능 모델(231)을 이용하여, 복수의 제 1 이미지들을 정렬하는 동작 및/또는 정렬된 복수의 제 1 이미지들에 대한 가중 평균 동작을 수행할 수 있다.
도 7은, 다양한 실시예들에 따른, 이미지를 제공하는 예시 방법을 설명하기 위한 흐름도(700)이다.
도 7을 참조하면, 동작 701에서, 일 실시예에서, 프로세서(240)는, 카메라 모듈(220)을 통하여, 복수의 제 1 이미지들을 연속적으로 획득할 수 있다.
동작 703에서, 일 실시예에서, 프로세서(240)는 복수의 제 1 이미지들을 크롭할 수 있다. 일 실시예에서, 프로세서(240)는 복수의 제 1 이미지들을 크롭할 수 있다. 일 실시예에서, 사용자로부터 카메라 모듈(220)과 관련된 줌(zoom) 입력(예: 줌 인(zoom in) 입력)이 수신된 경우, 프로세서(240)는, 카메라 모듈(220)과 관련된 줌 배율에 기반하여, 복수의 제 1 이미지들을 크롭할 수 있다. 예를 들어, 줌 배율이 1.0x인 상태에서 줌 배율을 2.0x로 줌 배율을 2배 증가시키는 입력이 수신된 경우, 프로세서(240)는, 카메라 모듈(220)의 이미지 센서 전체 영역(또는 현재 표시 중인 이미지에 대응하는 이미지 센서의 영역)을 통하여 획득된 복수의 제 1 이미지들 각각에서, 이미지의 중심(또는 현재 디스플레이(210)를 통하여 표시 중인 이미지의 중심)을 기준으로, 이미지의 1/4에 해당하는 영역을 크롭할 수 있다.
동작 705에서, 일 실시예에서, 프로세서(240)는, 크롭된 복수의 제 1 이미지들을 업스케일링할 수 있다.
일 실시예에서, 프로세서(240)는, 크롭된 복수의 제 1 이미지들을, 크롭된 복수의 제 1 이미지들의 크기 보다 큰 크기를 가지는 이미지들로 업스케일링할 수 있다.
일 실시예에서, 프로세서(240)는, 카메라 모듈(220)과 관련된 줌 배율에 기반하여, 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행할 수 있다. 예를 들어, 줌 배율이 1.0x인 상태에서 줌 배율을 2.0x로 줌 배율을 2배 증가시키는 입력이 수신됨에 기반하여, 복수의 제 1 이미지들 각각에서, 이미지의 중심을 기준으로, 이미지의 1/4에 해당하는 영역이 크롭된 경우, 프로세서(240)는 제 1 크기를 가지는 크롭된 복수의 제 1 이미지들을 제 1 크기 보다 4배 큰 제 2 크기(예: 가로 2배 및 세로 2배)를 가지는 스케일링된 복수의 제 1 이미지들로 업스케일링할 수 있다.
일 실시예에서, 프로세서(240)는, 다양한 알고리즘들을 이용하여, 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행할 수 있다. 예를 들어, 프로세서(240)는, 최근접 이웃(nearest neighbor) 알고리즘, bicubic 알고리즘, 또는 bilinear 알고리즘을 이용하여, 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행할 수 있다. 다만, 프로세서(240)가 크롭된 복수의 제 1 이미지들에 대한 업스케일링 동작을 수행하기 위하여 이용하는 알고리즘은 전술한 알고리즘에 제한되지 않는다.
일 실시예에서, 프로세서(240)는, 인공지능 모델(231)을 이용하여, 업스케일링 동작을 수행할 수도 있다.
동작 707에서, 일 실시예에서, 프로세서(240)는, 업스케일링 복수의 제 1 이미지들을 정렬할 수 있다.
동작 709에서, 일 실시예에서, 프로세서(240)는, 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득할 수 있다.
동작 711에서, 일 실시예에서, 정렬된 복수의 제 1 이미지들 및 기준 이미지에 기반하여, 인공지능 모델(231)을 이용하여, 제 2 이미지(예: 최종 이미지)를 획득할 수 있다.
동작 707 내지 동작 709는, 각각, 동작 603 내지 동작 607과 적어도 일부가 동일 또는 유사하므로, 상세한 설명은 반복되지 않을 수 있다.
도 8a는, 다양한 실시예들에 따른, 복수의 이미지들을 정렬하는 예시 방법을 설명하기 위한 도면이다.
도 8b는, 다양한 실시예들에 따른, 복수의 이미지들을 정렬하는 예시 방법을 설명하기 위한 도면이다.
도 8a 및 도 8b를 참조하면, 일 실시예에서, 참조 부호 801은, 업스케일링된(예: bicubic 방식에 의해 업스케일링된) 복수의 제 1 이미지들 중 하나의 이미지를 나타낼 수 있다. 참조 부호 801에 도시된 바와 같이, 업스케일링된 복수의 제 1 이미지들 중 하나의 이미지는, 노이즈(811)(예: 모아레 신호)를 포함하는 반면 일부 영역에서 고주파수 영역의 데이터를 포함하지 않을 수 있다.
일 실시예에서, 참조 부호 802은, 기준 이미지를 나타낼 수 있다. 참조 부호 801 및 참조 부호 802를 비교하면, 기준 이미지는 업스케일링된 제 1 이미지에 비하여, 노이즈의 강도가 감소되고, 업스케일링된 제 1 이미지에 포함되지 않은 고주파수 영역의 데이터를 포함할 수 있다.
일 실시예에서, 참조 부호 803은, 정렬된 복수의 제 1 이미지들과, 기준 이미지를 대체하여 정렬된 복수의 제 1 이미지들 중 하나의 이미지에 기반하여, 인공지능 모델(231)을 이용하여 획득된 최종 이미지일 수 있다. 참조 부호 803에 도시된 바와 같이, 상기 획득된 최종 이미지는 노이즈(831)를 포함하고, 상기 획득된 이미지의 일부 영역에서 고주파수 영역의 데이터가 복원되지 않았음을 알 수 있다.
일 실시예에서, 참조 부호 804는, 제 2 이미지를 나타낼 수 있다. 참조 부호 801 내지 참조 부호 803과 비교할 때, 참조 부호 804의 제 2 이미지에서는, 노이즈의 강도가 상당히 감소되고, 고주파수 영역의 데이터가 복원됨을 알 수 있다.
본 개시의 다양한 예시 실시예에 따른 전자 장치에서 이미지를 제공하는 방법은, 상기 전자 장치의 카메라 모듈을 통하여 복수의 제 1 이미지들을 연속적으로 획득하는 동작, 상기 복수의 제 1 이미지들을 정렬하는 동작, 상기 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하는 동작, 및 상기 정렬된 복수의 제 1 이미지들 및 상기 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 제 2 이미지를 획득하는 동작을 포함할 수 있다.
다양한 예시 실시예에서, 상기 기준 이미지를 획득하는 동작은, 상기 정렬된 복수의 제 1 이미지들에 대한 가중 평균 동작을 수행함으로써 상기 기준 이미지를 획득하는 동작을 포함할 수 있다.
다양한 예시 실시예에서, 상기 제 2 이미지는, 복수의 제 1 이미지들의 해상도 보다 높은 해상도를 가질 수 있다.
다양한 예시 실시예에서, 상기 방법은 상기 복수의 제 1 이미지들을 크롭하는 동작 및 상기 크롭된 복수의 제 1 이미지들을 업스케일링하는 동작을 더 포함하고, 상기 복수의 제 1 이미지들을 정렬하는 동작은, 상기 업스케일링된 복수의 제 1 이미지들을 정렬하는 동작을 포함할 수 있다.
다양한 예시 실시예에서, 상기 복수의 제 1 이미지들을 크롭하는 동작은, 상기 카메라 모듈과 관련된 줌 배율을 증가시키기 위한 입력을 수신함에 기반하여, 상기 복수의 제 1 이미지들을 크롭하는 동작을 포함하고, 상기 크롭된 복수의 제 1 이미지들을 업스케일링하는 동작은, 상기 줌 배율에 기반하여, 상기 크롭된 복수의 제 1 이미지들을 업스케일링하는 동작을 포함할 수 있다.
다양한 예시 실시예에서, 상기 기준 이미지는, 상기 업스케일링된 복수의 제 1 이미지들에 비하여, 고주파 영역에서 원본 신호의 강도가 증가되고 노이즈의 강도가 감소된 이미지를 포함할 수 있다.
다양한 예시 실시예에서, 상기 복수의 제 1 이미지들을 정렬하는 동작은, 상기 카메라 모듈을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 카메라 모듈의 움직임에 대한 정보를 획득하는 동작 및 상기 카메라 모듈의 움직임에 대한 정보에 기반하여, 상기 복수의 제 1 이미지들을 정렬하는 동작을 포함할 수 있다.
다양한 예시 실시예에서, 상기 기준 이미지를 획득하는 동작은, 상기 정렬된 복수의 제 1 이미지들 각각의 품질(quality)에 기반하여, 상기 정렬된 복수의 제 1 이미지들 각각에 가중치를 부여하는 동작 및 상기 가중치에 기반하여, 상기 정렬된 복수의 제 1 이미지들에 대한 평균 동작을 수행하는 동작을 포함할 수 있다.
다양한 예시 실시예에서, 상기 인공지능 모델은, SFSR 인공지능 모델 및/또는 denoise 인공지능 모델을 포함할 수 있다.
다양한 예시 실시예에서, 상기 기준 이미지를 획득하는 동작은, 상기 인공지능 모델(231)을 이용하여, 상기 기준 이미지를 획득하는 동작을 포함할 수 있다.
또한, 상술한 본 발명의 실시예에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, CD-ROM, DVD 등)와 같은 저장매체를 포함한다.
본 개시는 다양한 예시적인 실시예를 참조하여 예시되고 설명되었지만, 다양한 예시적인 실시예는 제한이 아니라 예시적인 것으로 의도된다는 것이 이해될 것이다. 첨부된 청구범위 및 그 등가물을 포함하는 본 개시 내용의 진정한 사상 및 전체 범위를 벗어나지 않고 형태 및 세부사항의 다양한 변경이 이루어질 수 있다는 것이 당업자에 의해 추가로 이해될 것이다. 여기에 설명된 임의의 실시예(들)는 여기에 설명된 임의의 다른 실시예(들)와 함께 사용될 수 있음이 또한 이해될 것이다.

Claims (15)

  1. 전자 장치에 있어서,
    카메라를 포함하는 카메라 모듈;
    메모리; 및
    상기 카메라 모듈 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 카메라 모듈을 통하여 복수의 제 1 이미지들을 연속적으로 획득하고,
    상기 복수의 제 1 이미지들을 정렬(align)하고,
    상기 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하고, 및
    상기 정렬된 복수의 제 1 이미지들 및 상기 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 제 2 이미지를 획득하도록 구성된 전자 장치.
  2. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 정렬된 복수의 제 1 이미지들에 대한 가중 평균 동작을 수행함으로써, 상기 기준 이미지를 획득하도록 구성된 전자 장치.
  3. 제 1 항에 있어서,
    상기 제 2 이미지는, 복수의 제 1 이미지들의 해상도 보다 높은 해상도를 가지는 전자 장치.
  4. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 복수의 제 1 이미지들을 크롭(crop)하고,
    상기 크롭된 복수의 제 1 이미지들을 업스케일링(upscaling)하고, 및
    상기 업스케일링된 복수의 제 1 이미지들을 정렬하도록 구성된 전자 장치.
  5. 제 4 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 카메라 모듈과 관련된 줌 배율을 증가시키기 위한 입력을 수신함에 기반하여, 상기 복수의 제 1 이미지들을 크롭하고, 및
    상기 줌 배율에 기반하여, 상기 크롭된 복수의 제 1 이미지들을 업스케일링하도록 구성된 전자 장치.
  6. 제 4 항에 있어서,
    상기 기준 이미지는, 상기 업스케일링된 복수의 제 1 이미지들에 비하여, 고주파 영역에서 원본 신호의 강도가 증가되고 노이즈의 강도가 감소된 이미지를 포함하는 전자 장치.
  7. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 카메라 모듈을 통하여 연속적으로 복수의 제 1 이미지들을 획득하는 동안, 카메라 모듈의 움직임에 대한 정보를 획득하고, 및
    상기 카메라 모듈의 움직임에 대한 정보에 기반하여, 상기 복수의 제 1 이미지들을 정렬하도록 구성된 전자 장치.
  8. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 정렬된 복수의 제 1 이미지들 각각의 품질(quality)에 기반하여, 상기 정렬된 복수의 제 1 이미지들 각각에 가중치를 부여하고, 및
    상기 가중치에 기반하여, 상기 정렬된 복수의 제 1 이미지들에 대한 평균 동작을 수행하도록 구성된 전자 장치.
  9. 제 1 항에 있어서,
    상기 인공지능 모델은, SFSR(single frame super resolution) 인공지능 모델 및/또는 denoise 인공지능 모델을 포함하는 전자 장치.
  10. 제 1 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 인공지능 모델을 이용하여, 상기 기준 이미지를 획득하도록 구성된 전자 장치.
  11. 전자 장치에서 이미지를 제공하는 방법에 있어서,
    상기 전자 장치의 카메라 모듈을 통하여 복수의 제 1 이미지들을 연속적으로 획득하는 동작;
    상기 복수의 제 1 이미지들을 정렬하는 동작;
    상기 정렬된 복수의 제 1 이미지들에 기반하여, 기준 이미지를 획득하는 동작; 및
    상기 정렬된 복수의 제 1 이미지들 및 상기 기준 이미지에 기반하여, 인공지능 모델을 이용하여, 제 2 이미지를 획득하는 동작을 포함하는 방법.
  12. 제 11 항에 있어서,
    상기 기준 이미지를 획득하는 동작은,
    상기 정렬된 복수의 제 1 이미지들에 대한 가중 평균 동작을 수행함으로써 상기 기준 이미지를 획득하는 동작을 포함하는 방법.
  13. 제 11 항에 있어서,
    상기 제 2 이미지는, 복수의 제 1 이미지들의 해상도 보다 높은 해상도를 가지는 방법.
  14. 제 11 항에 있어서,
    상기 복수의 제 1 이미지들을 크롭하는 동작; 및
    상기 크롭된 복수의 제 1 이미지들을 업스케일링하는 동작을 더 포함하고,
    상기 복수의 제 1 이미지들을 정렬하는 동작은, 상기 업스케일링된 복수의 제 1 이미지들을 정렬하는 동작을 포함하는 방법.
  15. 제 14 항에 있어서,
    상기 복수의 제 1 이미지들을 크롭하는 동작은, 상기 카메라 모듈과 관련된 줌 배율을 증가시키기 위한 입력을 수신함에 기반하여, 상기 복수의 제 1 이미지들을 크롭하는 동작을 포함하고, 및
    상기 크롭된 복수의 제 1 이미지들을 업스케일링하는 동작은, 상기 줌 배율에 기반하여, 상기 크롭된 복수의 제 1 이미지들을 업스케일링하는 동작을 포함하는 방법.
PCT/KR2022/011711 2021-08-09 2022-08-05 이미지를 제공하는 방법 및 이를 지원하는 전자 장치 WO2023018127A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/884,250 US20230154132A1 (en) 2021-08-09 2022-08-09 Method for providing image and electronic device supporting the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0104654 2021-08-09
KR1020210104654A KR20230022645A (ko) 2021-08-09 2021-08-09 이미지를 제공하는 방법 및 이를 지원하는 전자 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/884,250 Continuation US20230154132A1 (en) 2021-08-09 2022-08-09 Method for providing image and electronic device supporting the same

Publications (1)

Publication Number Publication Date
WO2023018127A1 true WO2023018127A1 (ko) 2023-02-16

Family

ID=85200869

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/011711 WO2023018127A1 (ko) 2021-08-09 2022-08-05 이미지를 제공하는 방법 및 이를 지원하는 전자 장치

Country Status (3)

Country Link
US (1) US20230154132A1 (ko)
KR (1) KR20230022645A (ko)
WO (1) WO2023018127A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160142760A (ko) * 2015-06-03 2016-12-13 삼성전자주식회사 로컬 및 글로벌 모션에 효율적인 멀티-프레임 초해상도 방법 및 장치
KR102169242B1 (ko) * 2018-12-26 2020-10-23 포항공과대학교 산학협력단 초해상도 영상 복원을 위한 기계 학습 방법
JP2020197915A (ja) * 2019-06-03 2020-12-10 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160142760A (ko) * 2015-06-03 2016-12-13 삼성전자주식회사 로컬 및 글로벌 모션에 효율적인 멀티-프레임 초해상도 방법 및 장치
KR102169242B1 (ko) * 2018-12-26 2020-10-23 포항공과대학교 산학협력단 초해상도 영상 복원을 위한 기계 학습 방법
JP2020197915A (ja) * 2019-06-03 2020-12-10 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
OOI YOONG KHANG, IBRAHIM HAIDI: "Deep Learning Algorithms for Single Image Super-Resolution: A Systematic Review", ELECTRONICS, vol. 10, no. 7, pages 867, XP093034344, DOI: 10.3390/electronics10070867 *
PAN ZE, TAN ZHENG, LV QUNBO: "A Deep Multi-Frame Super-Resolution Network for Dynamic Scenes", APPLIED SCIENCES, vol. 11, no. 7, pages 3285, XP093034342, DOI: 10.3390/app11073285 *

Also Published As

Publication number Publication date
KR20230022645A (ko) 2023-02-16
US20230154132A1 (en) 2023-05-18

Similar Documents

Publication Publication Date Title
WO2022114801A1 (ko) 복수의 카메라를 포함하는 전자 장치 및 그 전자 장치의 제어 방법
WO2022235043A1 (ko) 복수의 카메라를 포함하는 전자 장치 및 그 동작 방법
WO2022250342A1 (ko) 렌즈 구동 정보와 이미지를 동기화하는 전자 장치
WO2022119372A1 (ko) 영상 처리를 수행하는 전자 장치 및 그 동작 방법
WO2022092706A1 (ko) 복수의 카메라를 이용한 사진 촬영 방법 및 그 장치
WO2021215795A1 (ko) 전자 장치의 컬러 필터, 및 그 전자 장치
WO2023140678A1 (ko) 이미지 센서를 포함하는 전자 장치 및 그 동작 방법
WO2022196993A1 (ko) 카메라 모듈의 화각을 이용하여 이미지를 촬영하는 전자 장치 및 방법
WO2023038459A1 (ko) 전자 장치 및 그 제어 방법
WO2022108365A1 (ko) 카메라 모듈 및 카메라 모듈을 포함하는 전자 장치
WO2022235075A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022149812A1 (ko) 카메라 모듈을 포함하는 전자 장치 및 그 전자 장치의 동작 방법
WO2023018127A1 (ko) 이미지를 제공하는 방법 및 이를 지원하는 전자 장치
WO2023153743A1 (ko) 전자 장치 및 이의 동작 방법
WO2024053901A1 (ko) 이미지 센서의 데이터 독출 방법 및 그 이미지 센서
WO2024162667A1 (ko) 이미지를 제공하는 방법 및 이를 지원하는 전자 장치
WO2024106746A1 (ko) 디지털 보케 이미지의 해상도를 높이기 위한 전자 장치 및 방법
WO2022203355A1 (ko) 복수의 카메라들을 포함하는 전자 장치
WO2023018262A1 (ko) 이미지를 제공하기 위한 방법 및 이를 지원하는 전자 장치
WO2023234705A1 (ko) 이미지 센서를 포함하는 전자 장치 및 그 동작 방법
WO2024162659A1 (ko) 이미지 센서, 이미지 센서를 포함하는 전자 장치 및 그 동작 방법
WO2024162685A1 (ko) 이미지 센서를 구비하는 전자 장치 및 그 방법
WO2022173236A1 (ko) 이미지 센서를 포함하는 전자 장치 및 그 동작 방법
WO2022211367A1 (ko) 이미지의 품질을 향상시키는 전자 장치 및 그 동작 방법
WO2022240186A1 (ko) 이미지 왜곡을 보정하는 방법 및 그 전자 장치

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: 22856126

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: 22856126

Country of ref document: EP

Kind code of ref document: A1