WO2023219237A1 - 인공지능 기반의 대역 배우 평가 방법 - Google Patents

인공지능 기반의 대역 배우 평가 방법 Download PDF

Info

Publication number
WO2023219237A1
WO2023219237A1 PCT/KR2023/002506 KR2023002506W WO2023219237A1 WO 2023219237 A1 WO2023219237 A1 WO 2023219237A1 KR 2023002506 W KR2023002506 W KR 2023002506W WO 2023219237 A1 WO2023219237 A1 WO 2023219237A1
Authority
WO
WIPO (PCT)
Prior art keywords
person information
information
neural network
candidate
target person
Prior art date
Application number
PCT/KR2023/002506
Other languages
English (en)
French (fr)
Inventor
이광희
Original Assignee
주식회사 비브스튜디오스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 비브스튜디오스 filed Critical 주식회사 비브스튜디오스
Publication of WO2023219237A1 publication Critical patent/WO2023219237A1/ko

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • 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

Definitions

  • the present invention relates to a method for evaluating double actors, and more specifically, to artificial intelligence technology for finding double actors similar to real actors.
  • Deep learning-based image synthesis or modulation technology is used to manipulate the faces of people in videos, and is applied and utilized in a variety of ways, such as changing the person's facial expressions or characteristics or changing the person's face itself to another person's face. .
  • deepfake technology technology that modulates people in a given video based on deep learning algorithms is commonly referred to as deepfake technology.
  • Deepfake technology applies an image modulation model built according to a deep learning algorithm based on other learning images, including specific facial expressions to be applied, to the original image actually obtained by shooting, to create a picture of the person included in the original image.
  • a new modulated image with a changed facial expression is created, and an image modulation model built according to a deep learning algorithm is applied to the original image actually obtained through filming, based on images of other specific people to be applied. It also creates a new altered image in which the face of the included person is changed to that of another specific person.
  • Republic of Korea Patent Publication No. 10-2021-0144064 (2021.11.30) discloses a fake face detection method.
  • the present disclosure was developed in response to the above-mentioned background technology, and its purpose is to provide an artificial intelligence-based double actor evaluation method for deriving a double actor similar to an actual actor and performing more efficient synthesis.
  • a method performed by a computing device for realizing the above-described problem includes obtaining target person information and a plurality of candidate person information; synthesizing facial information included in the target person information with the plurality of candidate person information to generate synthesized person information for each of the plurality of candidate people; Analyzing the plurality of synthetic person information based on a pre-trained artificial neural network; And it may include deriving a final candidate for the target person based on the analysis results.
  • the analyzing step may include outputting a prediction value regarding whether each of the plurality of synthetic person information is predicted as the target person based on the pre-trained artificial neural network.
  • the analyzing step may include calculating facial similarity based on the target person information and the plurality of candidate person information; and calculating body shape similarity based on the target person information and the plurality of candidate person information.
  • the step of generating the synthetic person may include synthesizing facial information included in target person information for each of the plurality of candidate person information by applying a face swap model to each of the plurality of candidate people. It may include the step of generating synthetic person information about the person.
  • the pre-trained artificial neural network may correspond to a pre-trained artificial neural network to perform an operation of predicting whether the input person information is target person information generated for the target person or synthetic person information. there is.
  • the pre-trained artificial neural network may include: learning a classification model using the target person information as input; And it may correspond to a pre-trained artificial neural network based on an operation of additionally learning the classification model using the synthetic person information as input.
  • the pre-trained artificial neural network may correspond to a pre-trained artificial neural network to perform an operation of predicting a probability value that input person information corresponds to target person information generated for the target person.
  • the pre-trained artificial neural network is a pre-trained generation model to generate synthetic person information for each of the plurality of candidate people by combining facial information included in the target person information with the plurality of candidate person information. ; And it may include a pre-trained classification model to distinguish between the target person information and a plurality of synthetic person information.
  • calculating the facial similarity may include calculating the similarity by considering facial shape information of the target person included in the target person information and facial shape information for each of the plurality of candidate people. there is.
  • calculating the body shape similarity may include calculating the similarity by considering the body shape information of the target person included in the target person information and the body shape information for each of the plurality of candidate persons.
  • the step of deriving the final candidate person may include deriving a final candidate person for the target person by considering all of the predicted value, the facial similarity calculation result, and the body shape similarity calculation result.
  • a computer program stored in a computer-readable storage medium When the computer program is executed on one or more processors, it performs the following operations for evaluating an artificial intelligence-based role actor, the operations including: acquiring target character information and a plurality of candidate character information; synthesizing face information included in the target person information with the plurality of candidate person information to generate synthesized person information for each of the plurality of candidate people; Analyzing the plurality of synthetic person information based on a pre-trained artificial neural network; And it may include an operation of deriving a final candidate for the target person based on the analysis result.
  • a computing device for realizing the above-described problem is disclosed.
  • the device includes a processor including at least one core; a memory containing program codes executable on the processor; and a network unit that acquires target person information and a plurality of candidate person information, wherein the processor synthesizes facial information included in the target person information with the plurality of candidate person information to synthesize each of the plurality of candidate people.
  • personal information may be generated, the plurality of synthetic person information may be analyzed based on a pre-trained artificial neural network, and a final candidate for the target person may be derived based on the analysis results.
  • the present disclosure can provide an artificial intelligence-based voice actor evaluation method that can generate a more natural synthetic image by deriving a voice actor that is relatively similar to an actual actor using an artificial neural network-based learning model.
  • FIG. 1 is a block diagram of a computing device for evaluating an artificial intelligence-based voice actor according to an embodiment of the present disclosure.
  • Figure 2 is a conceptual diagram showing a neural network according to an embodiment of the present disclosure.
  • Figure 3 is a flowchart showing an artificial intelligence-based role actor evaluation method according to an embodiment of the present disclosure.
  • FIG. 4 is a brief, general conceptual diagram of an example computing environment in which embodiments of the present disclosure may be implemented.
  • a component may be, but is not limited to, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer.
  • an application running on a computing device and the computing device can be a component.
  • One or more components may reside within a processor and/or thread of execution.
  • a component may be localized within one computer.
  • a component may be distributed between two or more computers. Additionally, these components can execute from various computer-readable media having various data structures stored thereon.
  • Components can transmit signals, for example, with one or more data packets (e.g., data and/or signals from one component interacting with other components in a local system, a distributed system, to other systems and over a network such as the Internet). Depending on the data being transmitted, they may communicate through local and/or remote processes.
  • data packets e.g., data and/or signals from one component interacting with other components in a local system, a distributed system, to other systems and over a network such as the Internet.
  • a network such as the Internet
  • the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified or clear from context, “X utilizes A or B” is intended to mean one of the natural implicit substitutions. That is, either X uses A; X uses B; Or, if X uses both A and B, “X uses A or B” can apply to either of these cases. Additionally, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the related listed items.
  • the term “at least one of A or B” should be interpreted to mean “a case containing only A,” “a case containing only B,” and “a case of combining A and B.”
  • network function artificial neural network, and neural network may be used interchangeably.
  • FIG. 1 is a block diagram of a computing device for evaluating an artificial intelligence-based voice actor according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include different configurations for performing the computing environment of the computing device 100, and only some of the disclosed configurations may configure the computing device 100.
  • the computing device 100 may include a processor 110, a memory 130, and a network unit 150.
  • the processor 110 may be composed of one or more cores, and may include a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit) may include a processor for data analysis and deep learning.
  • the processor 110 may read a computer program stored in the memory 130 and perform data processing for machine learning according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network.
  • the processor 110 is used for learning neural networks, such as processing input data for learning in deep learning (DL), extracting features from input data, calculating errors, and updating the weights of the neural network using backpropagation. Calculations can be performed.
  • DL deep learning
  • At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the network function.
  • CPU and GPGPU can work together to process learning of network functions and data classification using network functions.
  • the processors of a plurality of computing devices can be used together to process learning of network functions and data classification using network functions.
  • a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU, or TPU executable program.
  • the processor 110 may obtain target person information and a plurality of candidate person information.
  • the target person information is information about the actual actor (for example, actor A) for whom synthesis is performed for the undercover actor, and may include the actual actor's face information, body shape information, and voice information.
  • the target person information may include various characteristic information such as the actual person's facial outline shape, eye shape, nose shape, mouth shape, ear shape, chin shape, body shape information, and voice.
  • the plurality of candidate character information is information about each of the actual person's stunt double (e.g., an actor acting on behalf of actor A), and may include the stunt double's face information, body shape information, and voice information. .
  • the plurality of candidate person information may include various characteristic information such as face outline shape, eye shape, nose shape, mouth shape, ear shape, chin shape, body shape information, and voice for each candidate person.
  • the target person information and the plurality of candidate person information may include photos taken from multiple angles (for example, 2D images taken from multiple angles with a general camera), image information taken from multiple angles, and voice information.
  • target person information and multiple candidate person information are not limited to this.
  • the processor 110 may synthesize facial information of a target person with a plurality of candidate person information to generate synthesized person information for each of the plurality of candidate people.
  • the processor 110 can generate synthesized person information for each of a plurality of candidate people by synthesizing the facial information of the target person for each of the plurality of candidate person information based on the Face Swap model. there is.
  • the processor 110 synthesizes the main feature points of the face (e.g., eyes, nose, mouth, etc.) included in the facial information of the target person for each piece of facial information included in the plurality of candidate person information. You can create person information.
  • the Face Swap model is a graphics-based approach that transfers facial parts from the original image to the target image.
  • the processor 110 may detect facial information included in target person information, that is, facial landmarks, and extract a facial area. Additionally, the processor 110 may create a 3D template model using the landmarks used for extraction and then apply the landmarks using a blendshapes method. The 3D template model minimizes the difference between the projected shape and landmark and is projected onto the facial information (target image) included in the plurality of candidate person information.
  • the processor 110 may apply image mixing and color correction to the rendered model to generate natural synthetic person information.
  • the processor 110 may generate synthetic person information for each of a plurality of candidate people using a pre-trained artificial neural network.
  • a pre-trained artificial neural network may be a generator (generative model) of a generative adversarial network (GAN).
  • GAN generative adversarial network
  • the GAN model is an abbreviation for 'Generative Adversarial Network'.
  • GAN can refer to a generation model using an artificial neural network, and can be a model that creates plausible fakes using this generation model.
  • the second word of GAN, 'Adversarial' means that GAN develops two models by competing adversarially. For example, in an adversarial relationship such as a counterfeit money criminal and the police, the counterfeiter tries to deceive the police.
  • GAN is used to create a generator corresponding to counterfeit money criminals and a discriminator (classifier) corresponding to the police. model) can be trained competitively.
  • the purpose of the generator (generation model) is to create plausible fake data to deceive the classifier
  • the purpose of the discriminator (classification model) is to distinguish between fake data created by the generator and real data, and by learning these two together, they can be distinguished from real data.
  • the pre-trained artificial neural network is not limited to this, and algorithms that have been developed or will be developed in the future can be applied.
  • the processor 110 applies a plurality of synthetic person information to a pre-trained artificial neural network to determine whether each of the plurality of synthetic person information is predicted as a target person (predicted to be not synthesized person information). An output regarding whether or not the person is present can be obtained, and based on this output information, the plurality of composite character information can be evaluated (evaluating who is more suitable as a substitute).
  • a pre-trained artificial neural network may be implemented using the discriminator of a productive adversarial network (GAN).
  • GAN productive adversarial network
  • the pre-trained artificial neural network is a pre-trained artificial neural network to perform an operation of predicting whether the input person information is target person information generated for the target person or synthetic person information. can be responded to.
  • a pre-trained artificial neural network may output binary data, such as True or False data, as a prediction result for input person information.
  • True may indicate that the input person information corresponds to target person information
  • False may indicate that the input person information corresponds to synthetic person information.
  • the pre-trained artificial neural network may correspond to a pre-trained artificial neural network based on the operation of learning a classification model using target person information as input, the operation of additionally learning a classification model using synthetic person information as input, etc. there is.
  • the classification model can perform the operations described above to predict whether the input person information is target person information generated for the target person or synthetic person information.
  • the processor 110 may select some candidates (e.g., candidates predicted by a model as if the synthetic person information corresponds to the target person) from among the plurality of candidate people, based on this prediction result. This can also create additional filtered candidate groups.
  • the synthetic person information synthesizes the facial information included in the target person information for each of the plurality of candidate person information based on the Face Swap model or the GAN generator model, thereby creating a plurality of candidate people. It may be information generated for each.
  • synthetic person information is not limited to this and various embodiments may exist.
  • the pre-trained artificial neural network may correspond to a pre-trained artificial neural network to perform an operation of predicting the probability that the input person information corresponds to the target person information generated for the target person.
  • a pre-trained artificial neural network embeds the input person information in a vector space, and then, based on the embedded vector information, the input person information (rather than the synthesized person information) matches the target person. It is possible to predict whether it corresponds to the actually generated target person information, and the predicted result can be output in the form of a quantitative probability value.
  • the processor 110 based on probability values predicted for a plurality of synthetic person information of a plurality of candidate people, selects some candidates among the plurality of candidate people (for example, the probability value predicted for the synthetic person information is Candidates exceeding a predetermined threshold) can be selected, and through this, an additional filtered candidate group can be created.
  • the pre-trained artificial neural network is a pre-trained generation model to generate synthetic person information for each of the plurality of candidate people by combining the facial information of the target person with the plurality of candidate person information.
  • the pre-trained artificial neural network may include a pre-trained classification model to distinguish target person information and plural synthetic person information.
  • a pre-trained artificial neural network can perform adversarial learning. In adversarial learning, the process of learning a classification model first and then learning a generative model can be repeated back and forth. Learning a classification model can largely be accomplished in two steps. One may include a process of training a classification model to truly classify target person information by using target person information as input.
  • the second may include a process of learning to classify the synthetic person information as fake by using the synthetic person information generated by the generative model as input.
  • the classification model can classify target person information as real and synthetic person information as fake.
  • the generative model may be trained in a way that deceives the learned classification model.
  • the generative model may perform learning so that the synthesized person information is similar to the target person information.
  • both the classification model and the generation model can develop by recognizing each other as hostile competitors.
  • the generation model can generate synthetic person information that is completely similar to the target person information, and accordingly, the classification model cannot distinguish between the target person information and the synthetic person information.
  • the pre-trained artificial neural network generation model tries to lower the probability of success in classification, and the classification model tries to increase the probability of success in classification, forming a structure in which each model develops competitively with each other.
  • the processor 110 may calculate facial similarity based on target person information and a plurality of candidate person information. Additionally, the processor 110 may calculate the degree of similarity by considering the facial shape information of the target person included in the target person information and the facial shape information for each of the plurality of candidate people. The processor 110 may calculate facial similarity using feature points included in facial shape information. For example, feature points may include facial outline shape, eye shape, nose shape, mouth shape, ear shape, chin shape information, etc. The processor 110 may perform preprocessing before calculating the similarity. First, the processor 110 may detect a face area from each of the target person information and a plurality of candidate person information (face detection). Additionally, the processor 110 can extract facial features such as eyes and nose (ace alignment).
  • the processor 110 may perform normalization to change the facial area to the same shape and size based on the feature points (normalization).
  • the processor 110 may calculate facial similarity by comparing the similarity between feature vectors and a plurality of normalized candidate person information based on the normalized target person information.
  • the facial similarity calculation method is not limited to this and various embodiments may exist.
  • the processor 110 may calculate body shape similarity based on target person information and a plurality of candidate person information. Additionally, the processor 110 may calculate the degree of similarity by considering the body shape information of the target person included in the target person information and the body shape information for each of the plurality of candidate persons.
  • body shape information may include 2D body shape scanning data and 3D body shape rendering data.
  • the processor 110 may analyze the appearance of the body based on body shape information included in the target person information and the plurality of candidate person information.
  • the processor 110 may divide the body area by removing (deleting) the background area from the body shape information included in the target person information and the plurality of candidate person information.
  • the processor 110 may input the segmented body region into a pre-trained machine learning model and convert it into a feature vector.
  • the pre-trained machine learning model may include, but is not limited to, a convolutional neural network (CNN), and algorithms that have been developed or will be developed in the future may be applied.
  • the processor 110 may calculate the body shape similarity by comparing the similarity between the feature vector converted from the body shape information of the target person and the feature vector converted from the body shape information of each of the plurality of candidate persons.
  • the body shape similarity calculation method is not limited to this and various embodiments may exist.
  • the processor 110 may derive a final candidate for the target person based on the similarity determination result. Additionally, the processor 110 may derive a final candidate for the target person by considering at least one of a similarity determination result, a facial similarity calculation result, and/or a body shape similarity calculation result. As an example, the processor 110 may exclude some of the plurality of candidate people based on the body shape similarity result in order to derive the final candidate person. Additionally, the processor 110 may exclude some of the plurality of candidate people based on the facial similarity results. Additionally, the processor 110 may exclude some of the plurality of candidate people based on the person similarity results. The processor 110 may derive a final candidate person from a plurality of candidate people who are not excluded from the similarity determination result, the facial similarity calculation result, and the body shape similarity calculation result.
  • the processor 110 may assign a first weight to a candidate person whose body shape similarity calculation results exceed a predetermined threshold. Additionally, the processor 110 may assign a second weight to the candidate person whose facial similarity calculation results exceed a predetermined threshold. Additionally, the processor 110 may assign a third weight to a candidate person whose “output value (e.g., probability value) of the model related to whether the synthetic person information is predicted to be actual target person information” exceeds a predetermined threshold. . The processor 110 may derive a final candidate person from a plurality of candidate people through first to third weight calculations.
  • the processor 110 performs a primary classification to exclude some of a plurality of candidate people based on “the output value (e.g., probability value) of the model related to whether the synthetic person information is predicted as actual target person information.” can be performed. Additionally, the processor 110 may perform secondary classification to exclude some of the plurality of candidate people by considering facial similarity calculation results based on the primary classification results. Additionally, the processor 110 may perform third classification to exclude some of the plurality of candidate people by considering the body shape similarity calculation results based on the second classification results. The processor 110 may derive a final candidate for the target person based on the results of the third classification.
  • the output value e.g., probability value
  • pre-trained artificial neural networks can be learned in a form that outputs inferred or predicted values, and can also be implemented in a form that encompasses a plurality of machine learning models.
  • the memory 130 may store any type of information generated or determined by the processor 110 and any type of information received by the network unit 150.
  • the memory 130 is a flash memory type, hard disk type, multimedia card micro type, or card type memory (e.g. (e.g. SD or -Only Memory), and may include at least one type of storage medium among magnetic memory, magnetic disk, and optical disk.
  • the computing device 100 may operate in connection with web storage that performs a storage function of the memory 130 on the Internet.
  • the description of the memory described above is merely an example, and the present disclosure is not limited thereto.
  • the network unit 150 includes Public Switched Telephone Network (PSTN), x Digital Subscriber Line (xDSL), Rate Adaptive DSL (RADSL), Multi Rate DSL (MDSL), and VDSL (A variety of wired communication systems can be used, such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN).
  • PSTN Public Switched Telephone Network
  • xDSL Digital Subscriber Line
  • RADSL Rate Adaptive DSL
  • MDSL Multi Rate DSL
  • VDSL VDSL
  • wired communication systems such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN).
  • the network unit 150 presented in this specification includes Code Division Multi Access (CDMA), Time Division Multi Access (TDMA), Frequency Division Multi Access (FDMA), Orthogonal Frequency Division Multi Access (OFDMA), and SC-FDMA (A variety of wireless communication systems can be used, such as Single Carrier-FDMA) and other systems.
  • CDMA Code Division Multi Access
  • TDMA Time Division Multi Access
  • FDMA Frequency Division Multi Access
  • OFDMA Orthogonal Frequency Division Multi Access
  • SC-FDMA A variety of wireless communication systems can be used, such as Single Carrier-FDMA and other systems.
  • the network unit 150 may be configured regardless of communication mode, such as wired or wireless, and may include a local area network (LAN), a personal area network (PAN), or a wide area network (WAN). It can be composed of various communication networks such as Wide Area Network. Additionally, the network may be the well-known World Wide Web (WWW), or may use wireless transmission technology used for short-distance communication, such as Infrared Data Association (IrDA) or Bluetooth.
  • IrDA Infrared Data Association
  • the network unit 150 may use any type of known wired or wireless communication system.
  • the network unit 150 may receive information for artificial intelligence-based actor evaluation from an external system.
  • the network unit 150 may receive target person information and a plurality of candidate person information from a database.
  • the target person information and the plurality of candidate person information received from the database may be training data or inference data for a neural network model.
  • the target person information and the plurality of candidate person information may include the information of the above-described examples, but are not limited to the above-described examples and may be configured in various ways within a range understandable by those skilled in the art.
  • the network unit 150 can transmit and receive information processed by the processor 110, a user interface, etc. through communication with other terminals.
  • the network unit 150 may provide a user interface generated by the processor 110 to a client (e.g. user terminal).
  • the network unit 150 may receive external input from a user authorized as a client and transmit it to the processor 110.
  • the processor 110 may process operations such as output, modification, change, and addition of information provided through the user interface based on the user's external input received from the network unit 150.
  • the computing device 100 is a computing system that transmits and receives information through communication with a client and may include a server.
  • the client may be any type of terminal that can access the server.
  • the computing device 100 which is a server, may receive information for evaluating stand-in actors from an external database, derive final candidate characters, and provide a user interface to the user terminal for the final candidate characters derived for the target character. You can.
  • the user terminal outputs the user interface received from the computing device 100, which is a server, and can input or process information through interaction with the user.
  • the computing device 100 may include any type of terminal that receives data resources generated by an arbitrary server and performs additional information processing.
  • Figure 2 is a conceptual diagram showing a neural network according to an embodiment of the present disclosure.
  • a neural network model may include a neural network for deriving a final candidate person for the target person.
  • a neural network can generally consist of a set of interconnected computational units, which can be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network consists of at least one node. Nodes (or neurons) that make up neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may form a relative input node and output node relationship.
  • the concepts of input node and output node are relative, and any node in an output node relationship with one node may be in an input node relationship with another node, and vice versa.
  • input node to output node relationships can be created around links.
  • One or more output nodes can be connected to one input node through a link, and vice versa.
  • the value of the data of the output node may be determined based on the data input to the input node.
  • the link connecting the input node and the output node may have a weight. Weights may be variable and may be varied by the user or algorithm in order for the neural network to perform the desired function. For example, when one or more input nodes are connected to one output node by respective links, the output node is set to the values input to the input nodes connected to the output node and the links corresponding to each input node. The output node value can be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and output node relationship within the neural network.
  • the characteristics of the neural network can be determined according to the number of nodes and links within the neural network, the correlation between the nodes and links, and the value of the weight assigned to each link. For example, if the same number of nodes and links exist and two neural networks with different weight values of the links exist, the two neural networks may be recognized as different from each other.
  • a neural network may consist of a set of one or more nodes.
  • a subset of nodes that make up a neural network can form a layer.
  • Some of the nodes constituting the neural network may form one layer based on the distances from the first input node.
  • a set of nodes with a distance n from the initial input node may constitute n layers.
  • the distance from the initial input node can be defined by the minimum number of links that must be passed to reach the node from the initial input node.
  • this definition of a layer is arbitrary for explanation purposes, and the order of a layer within a neural network may be defined in a different way than described above.
  • a layer of nodes may be defined by distance from the final output node.
  • the initial input node may refer to one or more nodes in the neural network through which data is directly input without going through links in relationships with other nodes.
  • a neural network network in the relationship between nodes based on links, it may mean nodes that do not have other input nodes connected by links.
  • the final output node may refer to one or more nodes that do not have an output node in their relationship with other nodes among the nodes in the neural network.
  • hidden nodes may refer to nodes constituting a neural network other than the first input node and the last output node.
  • the neural network according to an embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as it progresses from the input layer to the hidden layer. You can.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be less than the number of nodes in the output layer, and the number of nodes decreases as it progresses from the input layer to the hidden layer. there is.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as it progresses from the input layer to the hidden layer. You can.
  • a neural network according to another embodiment of the present disclosure may be a neural network that is a combination of the above-described neural networks.
  • a deep neural network may refer to a neural network that includes multiple hidden layers in addition to the input layer and output layer.
  • Deep neural networks can be used to identify latent structures in data. In other words, it is possible to identify the potential structure of a photo, text, video, voice, or music (e.g., what object is in the photo, what the content and emotion of the text are, what the content and emotion of the voice are, etc.) .
  • Deep neural networks include convolutional neural network (CNN), recurrent neural network (RNN), auto encoder, Generative Adversarial Networks (GAN), restricted Boltzmann machine (RBM), It may include deep belief network (DBN), Q network, U network, Siamese network, etc.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • RBM restricted Boltzmann machine
  • DNN deep belief network
  • Q network Q network
  • U network Siamese network
  • the neural network may include an autoencoder.
  • An autoencoder may be a type of artificial neural network to output output data similar to input data.
  • the autoencoder may include at least one hidden layer, and an odd number of hidden layers may be placed between input and output layers.
  • the number of nodes in each layer may be reduced from the number of nodes in the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically and reduced from the bottleneck layer to the output layer (symmetrical to the input layer).
  • Autoencoders can perform nonlinear dimensionality reduction.
  • the number of input layers and output layers can be corresponded to the dimension after preprocessing of the input data.
  • the number of nodes in the hidden layer included in the encoder may have a structure that decreases as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, not enough information may be conveyed, so if it is higher than a certain number (e.g., more than half of the input layers, etc.) ) may be maintained.
  • a certain number e.g., more than half of the input layers, etc.
  • Neural networks can be trained in at least one of supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning.
  • Learning a neural network can be a process of applying knowledge to perform a specific action to the neural network.
  • Neural networks can be trained to minimize output errors.
  • neural network learning learning data is repeatedly input into the neural network, the output of the neural network and the error of the target for the learning data are calculated, and the error of the neural network is backpropagated from the output layer of the neural network to the input layer in the direction of reducing the error ( This is the process of updating the weight of each node in a neural network through backpropagation.
  • teacher learning learning data in which the correct answer is labeled in each learning data is used (i.e., labeled learning data), and in the case of non-teacher learning, the correct answer may not be labeled in each learning data.
  • the learning data may be data in which each learning data is labeled with a category.
  • Labeled training data is input to the neural network, and the error can be calculated by comparing the output (category) of the neural network with the label of the training data.
  • the error can be calculated by comparing the input learning data with the neural network output. The calculated error is back-propagated in the neural network in the reverse direction (i.e., from the output layer to the input layer), and the connection weight of each node in each layer of the neural network can be updated according to back-propagation.
  • the amount of change in the connection weight of each updated node may be determined according to the learning rate.
  • the neural network's calculation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently depending on the number of repetitions of the learning cycle of the neural network. For example, in the early stages of neural network training, a high learning rate can be used to ensure that the neural network quickly achieves a certain level of performance to increase efficiency, and in the later stages of training, a low learning rate can be used to increase accuracy.
  • the learning data may be a subset of actual data (i.e., the data to be processed using the learned neural network), and therefore, the error for the learning data decreases, but the error for the actual data increases.
  • a learning cycle may exist.
  • Overfitting is a phenomenon in which errors in actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that learned a cat by showing a yellow cat fails to recognize that it is a cat when it sees a non-yellow cat may be a type of overfitting. Overfitting can cause errors in machine learning algorithms to increase. To prevent such overfitting, various optimization methods can be used. To prevent overfitting, methods such as increasing the learning data, regularization, dropout to disable some of the network nodes during the learning process, and use of a batch normalization layer can be applied. You can.
  • Figure 3 is a flowchart showing an artificial intelligence-based role actor evaluation method according to an embodiment of the present disclosure.
  • the artificial intelligence-based band actor evaluation method shown in FIG. 3 can be performed by the computing device 100 described above. Therefore, even if the content is omitted below, the content described with respect to the computing device 100 can be equally applied to the explanation of the artificial intelligence-based double actor evaluation method.
  • the computing device 100 may acquire target person information and a plurality of candidate person information (S110).
  • the target person information is information about the actual actor (for example, actor A) for whom synthesis is performed for the undercover actor, and may include the actual actor's face information, body shape information, and voice information.
  • the plurality of candidate character information is information about each of the actual person's double actors (for example, an actor acting on behalf of actor A), and may include the double actor's face information, body shape information, and voice information.
  • the computing device 100 may generate synthesized person information for each of the plurality of candidate people by combining the facial information included in the target person information with the plurality of candidate person information (S120).
  • the computing device 100 synthesizes facial information included in target person information for each of the plurality of candidate person information based on a Face Swap model or a generator model of GAN, thereby combining the plurality of candidates. Synthetic person information can be created for each person.
  • the computing device 100 may analyze a plurality of synthetic person information based on a pre-trained artificial neural network (S130).
  • the analysis refers to "Analysis related to whether synthetic person information is predicted as actual target person information rather than synthetic (e.g., quantitative judgment such as true/false judgment, probability value, etc.)", "Target person information and multiple candidate characters. It may include “analysis of facial similarity between information,” “analysis of body shape similarity between target person information and plural candidate person information,” etc.
  • a pre-trained artificial neural network may use the input person information. It may be an artificial neural network that has been pre-trained to perform an operation to predict whether the target person information is generated for the target person or synthetic person information.
  • the pre-trained artificial neural network may have the input person information ( It may correspond to a pre-trained artificial neural network to perform an operation of predicting the probability value corresponding to the target person information generated for the target person (rather than synthesis).
  • the pre-trained artificial neural network includes target person information. And it may correspond to an artificial neural network pre-trained to calculate facial similarity or body shape similarity between a plurality of candidate person information.
  • the computing device 100 may derive a final candidate for the target person based on the analysis result (S140). For example, the computing device 100 may provide “analysis results (e.g., quantitative judgments such as true/false judgments, probability values, etc.) related to whether synthetic person information is predicted as actual target person information rather than synthetic information,” “target Final candidates for the target person by considering at least one of the following: “Analysis results of facial similarity between the target person information and multiple candidate person information” or “Analysis results of body shape similarity between the target person information and multiple candidate person information.” In addition, the computing device 100 may improve the accuracy of prediction or inference by ensembleing the three analysis results described above.
  • analysis results e.g., quantitative judgments such as true/false judgments, probability values, etc.
  • target Final candidates for the target person by considering at least one of the following: “Analysis results of facial similarity between the target person information and multiple candidate person information” or “Analysis results of body shape similarity between the target person information and multiple candidate
  • steps S110 to S140 may be further divided into additional steps or combined into fewer steps, depending on the implementation of the present disclosure. Additionally, some steps may be omitted or the order between steps may be changed as needed.
  • a computer-readable medium storing a data structure is disclosed.
  • Data structure can refer to the organization, management, and storage of data to enable efficient access and modification of data.
  • Data structure can refer to the organization of data to solve a specific problem (e.g., retrieving data, storing data, or modifying data in the shortest possible time).
  • a data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function.
  • Logical relationships between data elements may include connection relationships between user-defined data elements.
  • Physical relationships between data elements may include actual relationships between data elements that are physically stored in a computer-readable storage medium (e.g., a persistent storage device).
  • a data structure may specifically include a set of data, relationships between data, and functions or instructions applicable to the data. Effectively designed data structures allow computing devices to perform computations while minimizing the use of the computing device's resources. Specifically, computing devices can increase the efficiency of operations, reading, insertion, deletion, comparison, exchange, and search through effectively designed data structures.
  • Data structures can be divided into linear data structures and non-linear data structures depending on the type of data structure.
  • a linear data structure may be a structure in which only one piece of data is connected to another piece of data.
  • Linear data structures may include List, Stack, Queue, and Deque.
  • a list can refer to a set of data that has an internal order.
  • the list may include a linked list.
  • a linked list may be a data structure in which data is connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer may contain connection information to the next or previous data.
  • a linked list can be expressed as a singly linked list, a doubly linked list, or a circularly linked list.
  • a stack may be a data listing structure that allows limited access to data.
  • a stack can be a linear data structure in which data can be processed (for example, inserted or deleted) at only one end of the data structure.
  • Data stored in the stack may have a data structure (LIFO-Last in First Out) where the later it enters, the sooner it comes out.
  • a queue is a data listing structure that allows limited access to data. Unlike the stack, it can be a data structure (FIFO-First in First Out) where data stored later is released later.
  • a deck can be a data structure that can process data at both ends of the data structure.
  • a non-linear data structure may be a structure in which multiple pieces of data are connected behind one piece of data.
  • Nonlinear data structures may include graph data structures.
  • a graph data structure can be defined by vertices and edges, and an edge can include a line connecting two different vertices.
  • Graph data structure may include a tree data structure.
  • a tree data structure may be a data structure in which there is only one path connecting two different vertices among a plurality of vertices included in the tree. In other words, it may be a data structure that does not form a loop in the graph data structure.
  • Data structures may include neural networks. And the data structure including the neural network may be stored in a computer-readable medium. Data structures including neural networks also include data preprocessed for processing by a neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data acquired from the neural network, activation functions associated with each node or layer of the neural network, neural network It may include a loss function for learning.
  • a data structure containing a neural network may include any of the components disclosed above.
  • the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data acquired from the neural network, activation functions associated with each node or layer of the neural network, neural network It may be composed of all or any combination of loss functions for learning.
  • a data structure containing a neural network may include any other information that determines the characteristics of the neural network.
  • the data structure may include all types of data used or generated in the computational process of a neural network and is not limited to the above.
  • Computer-readable media may include computer-readable recording media and/or computer-readable transmission media.
  • a neural network can generally consist of a set of interconnected computational units, which can be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network consists of at least one node.
  • the data structure may include data input to the neural network.
  • a data structure containing data input to a neural network may be stored in a computer-readable medium.
  • Data input to the neural network may include learning data input during the neural network learning process and/or input data input to the neural network on which training has been completed.
  • Data input to the neural network may include data that has undergone pre-processing and/or data subject to pre-processing.
  • Preprocessing may include a data processing process to input data into a neural network. Therefore, the data structure may include data subject to preprocessing and data generated by preprocessing.
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • the data structure may include the weights of the neural network. (In this specification, weights and parameters may be used with the same meaning.) And the data structure including the weights of the neural network may be stored in a computer-readable medium.
  • a neural network may include multiple weights. Weights may be variable and may be varied by the user or algorithm in order for the neural network to perform the desired function. For example, when one or more input nodes are connected to one output node by respective links, the output node is set to the values input to the input nodes connected to the output node and the links corresponding to each input node. Based on the weight, the data value output from the output node can be determined.
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • the weights may include weights that are changed during the neural network learning process and/or weights for which neural network learning has been completed.
  • Weights that change during the neural network learning process may include weights that change at the start of the learning cycle and/or weights that change during the learning cycle.
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be stored in a computer-readable storage medium (e.g., memory, hard disk) after going through a serialization process.
  • Serialization can be the process of converting a data structure into a form that can be stored on the same or a different computing device and later reorganized and used.
  • Computing devices can transmit and receive data over a network by serializing data structures.
  • Data structures containing the weights of a serialized neural network can be reconstructed on the same computing device or on a different computing device through deserialization.
  • the data structure including the weights of the neural network is not limited to serialization.
  • the data structure including the weights of the neural network is a data structure to increase computational efficiency while minimizing the use of computing device resources (e.g., in non-linear data structures, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree) may be included.
  • computing device resources e.g., in non-linear data structures, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
  • the data structure may include hyper-parameters of a neural network. And the data structure including the hyperparameters of the neural network can be stored in a computer-readable medium.
  • a hyperparameter may be a variable that can be changed by the user. Hyperparameters include, for example, learning rate, cost function, number of learning cycle repetitions, weight initialization (e.g., setting the range of weight values subject to weight initialization), Hidden Unit. It may include a number (e.g., number of hidden layers, number of nodes in hidden layers).
  • the above-described data structure is only an example and the present disclosure is not limited thereto.
  • FIG. 4 is a brief, general conceptual diagram of an example computing environment in which embodiments of the present disclosure may be implemented.
  • program modules include routines, programs, components, data structures, etc. that perform specific tasks or implement specific abstract data types.
  • routines programs, components, data structures, etc. that perform specific tasks or implement specific abstract data types.
  • program modules include routines, programs, components, data structures, etc. that perform specific tasks or implement specific abstract data types.
  • the described embodiments of the disclosure can also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer-readable media.
  • Computer-readable media can be any medium that can be accessed by a computer, and such computer-readable media includes volatile and non-volatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer-readable media may include computer-readable storage media and computer-readable transmission media.
  • Computer-readable storage media refers to volatile and non-volatile media, transient and non-transitory media, removable and non-removable, implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Includes media.
  • Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage, magnetic cassette, magnetic tape, magnetic disk storage or other magnetic storage. This includes, but is not limited to, a device, or any other medium that can be accessed by a computer and used to store desired information.
  • a computer-readable transmission medium typically implements computer-readable instructions, data structures, program modules, or other data on a modulated data signal, such as a carrier wave or other transport mechanism. Includes all information delivery media.
  • modulated data signal refers to a signal in which one or more of the characteristics of the signal have been set or changed to encode information within the signal.
  • computer-readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer-readable transmission media.
  • System bus 1108 couples system components, including but not limited to system memory 1106, to processing unit 1104.
  • Processing unit 1104 may be any of a variety of commercially available processors. Dual processors and other multiprocessor architectures may also be used as processing unit 1104.
  • System bus 1108 may be any of several types of bus structures that may further be interconnected to a memory bus, peripheral bus, and local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112.
  • the basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, and EEPROM, and is a basic input/output system that helps transfer information between components within the computer 1102, such as during startup. Contains routines.
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • Computer 1102 may also include an internal hard disk drive (HDD) 1114 (e.g., EIDE, SATA)—the internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 e.g., a CD-ROM for reading the disk 1122 or reading from or writing to other high-capacity optical media such as DVDs.
  • Hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are connected to system bus 1108 by hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively. ) can be connected to.
  • the interface 1124 for implementing an external drive includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.
  • drives and their associated computer-readable media provide non-volatile storage of data, data structures, computer-executable instructions, and the like.
  • drive and media correspond to storing any data in a suitable digital format.
  • removable optical media such as HDDs, removable magnetic disks, and CDs or DVDs
  • removable optical media such as zip drives, magnetic cassettes, flash memory cards, cartridges, etc.
  • other types of computer-readable media, such as the like may also be used in the example operating environment and that any such media may contain computer-executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored in drives and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented on various commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as mouse 1140.
  • Other input devices may include microphones, IR remote controls, joysticks, game pads, stylus pens, touch screens, etc.
  • input device interface 1142 which is often connected to the system bus 1108, but may also include a parallel port, an IEEE 1394 serial port, a game port, a USB port, an IR interface, It can be connected by other interfaces, etc.
  • a monitor 1144 or other type of display device is also connected to system bus 1108 through an interface, such as a video adapter 1146.
  • computers typically include other peripheral output devices (not shown) such as speakers, printers, etc.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148, via wired and/or wireless communications.
  • Remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, portable computer, microprocessor-based entertainment device, peer device, or other conventional network node, and is generally connected to computer 1102.
  • the logical connections depicted include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154.
  • LAN and WAN networking environments are common in offices and companies and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to a worldwide computer network, such as the Internet.
  • computer 1102 When used in a LAN networking environment, computer 1102 is connected to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communication to LAN 1152, which also includes a wireless access point installed thereon for communicating with wireless adapter 1156.
  • the computer 1102 When used in a WAN networking environment, the computer 1102 may include a modem 1158 or be connected to a communicating computing device on the WAN 1154 or to establish communications over the WAN 1154, such as via the Internet. Have other means. Modem 1158, which may be internal or external and a wired or wireless device, is coupled to system bus 1108 via serial port interface 1142.
  • program modules described for computer 1102, or portions thereof may be stored in remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and that other means of establishing a communications link between computers may be used.
  • Computer 1102 may be associated with any wireless device or object deployed and operating in wireless communications, such as a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag. Performs actions to communicate with any device or location and telephone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.
  • wireless communications such as a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communications satellite, wirelessly detectable tag.
  • PDA portable data assistant
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology, like cell phones, that allows these devices, such as computers, to send and receive data indoors and outdoors, anywhere within the coverage area of a base station.
  • Wi-Fi networks use wireless technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, the Internet, and wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz wireless bands, for example, at data rates of 11 Mbps (802.11a) or 54 Mbps (802.11b), or in products that include both bands (dual band). .
  • the various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CDs, DVDs, etc.), smart cards, and flash. Includes, but is not limited to, memory devices (e.g., EEPROM, cards, sticks, key drives, etc.).
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
  • the present disclosure can be used in devices, systems, etc. that provide an artificial intelligence-based voice actor evaluation method to derive a voice actor similar to an actual actor and perform more efficient synthesis.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 대역 배우 평가 방법이 개시된다. 상기 방법은, 목표 인물 정보 및 복수의 후보 인물 정보를 획득하는 단계; 상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하는 단계; 사전 학습된 인공신경망을 기초로, 상기 복수의 합성 인물 정보를 분석하는 단계; 및 상기 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출하는 단계를 포함할 수 있다.

Description

인공지능 기반의 대역 배우 평가 방법
본 발명은 대역 배우 평가 방법에 관한 것으로, 보다 구체적으로 실제 배우와 유사한 대역 배우를 찾기 위한 인공지능 기술에 관한 것이다.
딥러닝 기반의 영상 합성 또는 변조 기술은 영상 속 인물의 얼굴 조작에 활용되어, 인물의 얼굴 표정이나 특징을 변경하기도 하고 인물의 얼굴 자체를 다른 사람의 얼굴로 바꾸기도 하는 등 다양하게 적용 및 활용되고 있다. 이와 같이 딥러닝 알고리즘에 기초하여 주어진 영상의 인물을 변조하는 기술을 통상 딥페이크(deepfake) 기술이라 한다.
딥페이크 기술은, 예컨대 촬영에 의해 실제로 획득된 원본 영상에 대해, 적용하려는 특정한 얼굴 표정을 포함한 다른 학습 영상들을 토대로 딥러닝 알고리즘에 따라 구축된 영상 변조 모델을 적용하여, 원본 영상에 포함된 인물의 얼굴 표정을 변화시킨 새로운 변조 영상을 생성하기도 하고, 촬영에 의해 실제로 획득된 원본 영상에 대해, 적용하려는 다른 특정 인물의 영상들을 토대로 딥러닝 알고리즘에 따라 구축된 영상 변조 모델을 적용하여, 원본 영상에 포함된 인물의 얼굴을 그 다른 특정 인물의 얼굴로 변화시킨 새로운 변조 영상을 생성하기도 한다.
한편, 영화 촬영 현장에서, 실제 배우를 대신하여 대역 배우가 위험한 장면을 촬영하고 추후에 대역 배우의 얼굴에 실제 배우의 얼굴을 입히는 식으로 영화 제작이 진행되고 있다. 그러나 실제 배우와 대역 배우가 비슷하게 생겼다 하더라도, 합성하는 과정에서 완벽하게 대역 배우에 실제 배우의 얼굴이 합성되지 않아 부자연스럽게 영상이 제작된다는 문제점이 있다.
대한민국 공개특허 제10-2021-0144064(2021.11.30)는 페이크 얼굴 검출 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 실제 배우와 유사한 대역 배우를 도출하여 보다 효율적인 합성을 수행하기 위한 인공지능 기반의 대역 배우 평가 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 목표 인물 정보 및 복수의 후보 인물 정보를 획득하는 단계; 상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하는 단계; 사전 학습된 인공신경망을 기초로, 상기 복수의 합성 인물 정보를 분석하는 단계; 및 상기 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출하는 단계를 포함할 수 있다.
대안적으로, 상기 분석하는 단계는, 상기 사전 학습된 인공신경망을 기초로, 상기 복수의 합성 인물 정보 각각이 상기 목표 인물로서 예측되는지 여부에 관한 예측값을 출력하는 단계를 포함할 수 있다.
대안적으로, 상기 분석하는 단계는, 상기 목표 인물 정보 및 상기 복수의 후보 인물 정보를 기초로 안면 유사도를 산출하는 단계; 및 상기 목표 인물 정보 및 상기 복수의 후보 인물 정보를 기초로 체형 유사도를 산출하는 단계를 포함할 수 있다.
대안적으로, 상기 합성 인물을 생성하는 단계는, 페이스 스왑(Face Swap) 모델을 적용하여 상기 복수의 후보 인물 정보 각각에 대하여 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 사전 학습된 인공신경망은, 입력된 인물 정보가 상기 목표 인물에 대해 생성된 목표 인물 정보인지 아니면 합성 인물 정보인지 여부를 예측하는 동작을 수행하도록 사전 학습된 인공신경망에 대응될 수 있다.
대안적으로, 상기 사전 학습된 인공신경망은, 상기 목표 인물 정보를 입력으로 하여 분류 모델을 학습시키는 동작; 및 상기 합성 인물 정보를 입력으로 하여 상기 분류 모델을 추가로 학습시키는 동작을 기초로 사전 학습된 인공신경망에 대응될 수 있다.
대안적으로, 상기 사전 학습된 인공신경망은, 입력된 인물 정보가 상기 목표 인물에 대해 생성된 목표 인물 정보에 해당할 확률값을 예측하는 동작을 수행하도록 사전 학습된 인공신경망에 대응될 수 있다.
대안적으로, 상기 사전 학습된 인공신경망은, 상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하도록 사전 학습된 생성 모델; 및 상기 목표 인물 정보 및 복수의 합성 인물 정보를 구별하도록 사전 학습된 분류 모델을 포함할 수 있다.
대안적으로, 상기 안면 유사도를 산출하는 단계는, 상기 목표 인물 정보에 포함된 목표 인물의 얼굴 형태 정보 및 상기 복수의 후보 인물 각각에 대한 얼굴 형태 정보를 고려하여 유사도를 산출하는 단계를 포함할 수 있다.
대안적으로, 상기 체형 유사도를 산출하는 단계는, 상기 목표 인물 정보에 포함된 목표 인물의 체형 정보 및 상기 복수의 후보 인물 각각에 대한 체형 정보를 고려하여 유사도를 산출하는 단계를 포함할 수 있다.
대안적으로, 상기 최종 후보 인물을 도출하는 단계는, 상기 예측값, 상기 안면 유사도 산출 결과 및 상기 체형 유사도 산출 결과 모두를 고려하여 상기 목표 인물에 대한 최종 후보 인물을 도출하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 인공지능 기반의 대역 배우를 평가하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 목표 인물 정보 및 복수의 후보 인물 정보를 획득하는 동작; 상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하는 동작; 사전 학습된 인공신경망을 기초로, 상기 복수의 합성 인물 정보를 분석하는 동작; 및 상기 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및 목표 인물 정보 및 복수의 후보 인물 정보를 획득하는 네트워크부를 포함하고, 상기 프로세서는, 상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하고, 사전 학습된 인공신경망을 기초로 상기 복수의 합성 인물 정보를 분석하며, 상기 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출할 수 있다.
본 개시는 인공신경망 기반의 학습 모델을 사용하여 실제 배우와 상대적으로 가장 유사한 대역 배우를 도출함으로써 보다 자연스러운 합성 영상을 생성할 수 있는 인공지능 기반의 대역 배우 평가 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 인공지능 기반의 대역 배우를 평가하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도이다.
도 3은 본 개시의 일 실시예에 따른 인공지능 기반의 대역 배우 평가 방법을 나타낸 순서도이다.
도 4는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개념도다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공신경망 및 뉴럴 네트워크(neural network)는 상호교환 가능하게 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 인공지능 기반의 대역 배우를 평가하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 목표 인물 정보 및 복수의 후보 인물 정보를 획득할 수 있다. 예를 들어, 목표 인물 정보는, 대역 배우에 대하여 합성이 수행되는 실제 배우(예컨대, 배우 A)에 대한 정보로서, 실제 배우의 안면 정보, 체형 정보 및 목소리 정보 등이 포함될 수 있다. 또한, 목표 인물 정보에는, 실제 인물의 얼굴 윤곽 형상, 눈의 형상, 코의 형상, 입의 형상, 귀의 형상, 턱의 형상, 체형 정보 및 목소리 등과 같은 다양한 특징 정보가 포함될 수 있다. 한편, 복수의 후보 인물 정보는, 실제 인물의 대역 배우(예컨대, 배우 A를 대신해 연기를 수행하는 배우)의 각각에 대한 정보로서, 대역 배우의 안면 정보, 체형 정보 및 목소리 정보 등이 포함될 수 있다. 또한, 복수의 후보 인물 정보에는, 후보 인물 각각에 대한 얼굴 윤곽 형상, 눈의 형상, 코의 형상, 입의 형상, 귀의 형상, 턱의 형상, 체형 정보 및 목소리 등과 같은 다양한 특징 정보가 포함될 수 있다. 또한, 목표 인물 정보 및 복수의 후보 인물 정보는, 다각도에서 촬영된 사진(예컨대, 일반 카메라로 다각도에서 촬영된 2D 이미지), 다각도에서 촬영된 영상 정보 및 목소리 정보를 포함할 수 있다. 다만, 목표 인물 정보 및 복수의 후보 인물 정보가 이에 한정되는 것은 아니다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 복수의 후보 인물 정보에 목표 인물의 안면 정보를 합성하여 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성할 수 있다. 또한, 프로세서(110)는, 페이스 스왑(Face Swap) 모델을 기초로, 복수의 후보 인물 정보 각각에 대하여 목표 인물의 안면 정보를 합성함으로써, 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성할 수 있다. 예를 들어, 프로세서(110)는 복수의 후보 인물 정보에 포함된 안면 정보 각각에 대하여, 목표 인물의 안면 정보에 포함된 얼굴의 주요 특징 포인트(예컨대, 눈, 코, 입 등)를 합성하여 합성 인물 정보를 생성할 수 있다. 페이스 스왑(Face Swap) 모델은 얼굴 부위를 원본 영상에서 목표 영상으로 전송하는 그래픽 기반 접근방식이다. 프로세서(110)는 목표 인물 정보에 포함된 안면 정보 즉, 얼굴의 랜드마크(landmark)를 탐지하여 얼굴 지역을 추출할 수 있다. 또한, 프로세서(110)는 추출에 사용된 랜드마크를 이용하여, 3D 템플릿 모델을 만든 후 혼합 형상(blendshapes) 방법을 사용해 랜드마크를 적용시킬 수 있다. 3D 템플릿 모델은 투영된 모양과 랜드마크 간의 차이를 최소화시키며 복수의 후보 인물 정보에 포함된 안면 정보(대상 이미지)에 투영된다. 프로세서(110)는 렌더링된 모델을 이미지 혼합과 색상 보정을 적용하여 자연스러운 합성 인물 정보를 생성할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사전 학습된 인공신경망을 활용하여 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성할 수 있다. 일 예로, 사전 학습된 인공신경망은, 생산적 적대 신경망(GAN, Generative adversarial network)의 생성자(Generator, 생성 모델)일 수 있다. GAN 모델은 'Generative Adversarial Network'의 약자로 GAN은 인공신경망을 이용한 생성(Generation) 모델을 의미할 수 있으며, 이러한 생성 모델을 이용하여 그럴듯한 가짜를 만들어내는 모델일 수 있다. 또한 GAN의 두번째 단어인 'Adversarial'은 GAN이 두 개의 모델을 적대적(Adversarial)으로 경쟁시키며 발전시킨다는 것을 의미하며, 예를 들어 위조지폐범과 경찰과 같은 적대적인 경쟁 관계에서 위조지폐범은 경찰을 속이기 위해 점점 지폐 위조 제조 기술을 발전시키고, 경찰은 위조지폐범을 잡기 위해 점점 위폐를 찾는 기술을 발전시키는 것과 같이 시간이 흐르면서 GAN은 위조지폐범에 해당하는 생성자와 경찰에 해당하는 판별자(Discriminator, 분류 모델)를 경쟁적으로 학습시킬 수 있다. 여기서 생성자(생성 모델)의 목적은 그럴듯한 가짜 데이터를 만들어서 구분자를 속이는 것이며, 판별자(분류 모델)의 목적은 생성자가 만든 가짜 데이터와 진짜 데이터를 구분하는 것이며, 이 둘을 함께 학습시키면서 진짜와 구분할 수 없는 가짜를 만들어내는 생성자를 얻을 수 있으며, 이것이 GAN의 핵심적인 아이디어인 적대적 학습(Adversarial Training)이다. 다만, 사전 학습된 인공신경망이 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 알고리즘이 적용될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 복수의 합성 인물 정보를 사전 학습된 인공신경망에 적용하여, 복수의 합성 인물 정보 각각이 목표 인물로서 예측되는지 여부(합성된 인물 정보가 아니라고 예측되는지 여부)에 관한 출력을 얻을 수 있으며, 이러한 출력 정보에 기초하여, 상기 복수의 합성 인물 정보를 평가(대역으로서 누가 더 적합한지 평가)할 수 있다. 일 예로, 사전 학습된 인공신경망은, 생산적 적대 신경망(GAN)의 판별자를 활용하는 형태로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 사전 학습된 인공신경망은, 입력된 인물 정보가 목표 인물에 대해 생성된 목표 인물 정보인지 아니면 합성 인물 정보인지 여부를 예측하는 동작을 수행하도록 사전 학습된 인공신경망에 대응될 수 있다. 일 예로, 사전 학습된 인공신경망은, 입력된 인물 정보에 대한 예측 결과로서 바이너리(binary) 데이터, 예컨대 참(True) 또는 거짓(False) 데이터를 출력할 수 있다. 참고로, 참(True)은 입력된 인물 정보가 목표 인물 정보에 해당하는 것을 나타내고, 거짓(False)은 입력된 인물 정보가 합성 인물 정보에 해당하는 것을 나타낼 수 있다. 여기서, 사전 학습된 인공신경망은, 목표 인물 정보를 입력으로 하여 분류 모델을 학습시키는 동작, 합성 인물 정보를 입력으로 하여 분류 모델을 추가로 학습시키는 동작 등에 기초하여 사전 학습된 인공신경망에 해당할 수 있다. 분류 모델은 앞서 설명된 동작을 수행하여 입력된 인물 정보가 목표 인물에 대해 생성된 목표 인물 정보인지 아니면 합성 인물 정보인지 여부를 예측할 수 있다. 또한, 프로세서(110)는, 이러한 예측 결과에 기초하여, 복수의 후보 인물들 중 일부의 후보들(예컨대, 모델에 의해, 합성 인물 정보가 목표 인물에 해당하는 것처럼 예측된 후보들)을 선택할 수 있으며, 이를 통해 추가로 필터링된 후보 그룹을 생성할 수도 있다. 한편, 합성 인물 정보는, 위에서 언급했듯이 페이스 스왑(Face Swap) 모델 또는 GAN의 생성자 모델을 기초로, 복수의 후보 인물 정보 각각에 대하여 목표 인물 정보에 포함된 안면 정보를 합성함으로써, 복수의 후보 인물 각각에 대하여 생성된 정보일 수 있다. 다만, 합성 인물 정보가 이에 한정되는 것은 아니며 다양한 실시예가 존재할 수 있다.
본 개시의 다른 일 실시예에 따르면, 사전 학습된 인공신경망은, 입력된 인물 정보가 목표 인물에 대해 생성된 목표 인물 정보에 해당할 확률값을 예측하는 동작을 수행하도록 사전 학습된 인공신경망에 대응될 수 있다. 예를 들어, 사전 학습된 인공신경망은, 입력된 인물 정보를 벡터 공간에 임베딩(embedding)한 뒤에, 임베딩된 벡터 정보에 기초하여, 입력된 인물 정보가 (합성된 인물 정보가 아니라) 목표 인물에 대하여 실제 생성된 목표 인물 정보에 대응하는지 여부를 예측할 수 있고, 예측된 결과를 정량적인 확률값의 형태로 출력할 수 있다. 한편, 프로세서(110)는, 복수의 후보 인물들의 복수의 합성 인물 정보들에 대해 예측된 확률값들에 기초하여, 복수의 후보 인물들 중 일부의 후보들(예컨대, 합성 인물 정보에 대해 예측된 확률값이 미리 결정된 임계치를 초과하는 후보들)을 선택할 수 있으며, 이를 통해 추가로 필터링된 후보 그룹을 생성할 수도 있다.
본 개시의 또 다른 일 실시예에 따르면, 사전 학습된 인공신경망은, 복수의 후보 인물 정보에 목표 인물의 안면 정보를 합성하여 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하도록 사전 학습된 생성 모델을 포함할 수 있다. 또한, 사전 학습된 인공신경망은, 목표 인물 정보 및 복수의 합성 인물 정보를 구별하도록 사전 학습된 분류 모델을 포함할 수 있다. 또한, 사전 학습된 인공신경망은, 적대적 학습을 수행할 수 있다. 적대적 학습에서는 분류 모델을 먼저 학습시킨 후, 생성 모델을 학습시키는 과정을 서로 주고받으면서 반복할 수 있다. 분류 모델의 학습은 크게 두 가지 단계로 이루어질 수 있다. 하나는 목표 인물 정보를 입력으로 하여 분류 모델이 목표 인물 정보를 진짜로 분류하도록 학습시키는 과정을 포함할 수 있다. 두번째는 첫 번째와 반대로 생성 모델에서 생성한 합성 인물 정보를 입력으로 하여 합성 인물 정보를 가짜로 분류하도록 학습하는 과정을 포함할 수 있다. 이 과정을 통해 분류 모델은 목표 인물 정보를 진짜로서 분류하고, 합성 인물 정보를 가짜로서 분류할 수 있다. 분류 모델을 학습시킨 이후에 학습된 분류 모델을 속이는 방향으로 생성 모델이 학습될 수 있다. 생성 모델은, 합성 인물 정보가 목표 인물 정보와 유사하도록 학습을 수행할 수 있다. 이와 같은 학습과정을 반복하여 분류 모델과 생성 모델이 서로를 적대적인 경쟁자로 인식하여 모두 발전할 수 있다. 결과적으로, 생성 모델은 목표 인물 정보와 완벽히 유사한 합성 인물 정보를 생성할 수 있게 되고 이에 따라 분류 모델은 목표 인물 정보와 합성 인물 정보를 구분할 수 없게 된다. 즉, 사전 학습된 인공신경망의 생성 모델은 분류에 성공할 확률을 낮추려 하고, 분류 모델은 분류에 성공할 확률을 높이려 하면서 각각의 모델이 서로를 경쟁적으로 발전시키는 구조를 이루고 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 목표 인물 정보 및 복수의 후보 인물 정보를 기초로 안면 유사도를 산출할 수 있다. 또한, 프로세서(110)는 목표 인물 정보에 포함된 목표 인물의 얼굴 형태 정보 및 복수의 후보 인물 각각에 대한 얼굴 형태 정보를 고려하여 유사도를 산출할 수 있다. 프로세서(110)는 얼굴 형태 정보에 포함된 특징점을 이용하여 안면 유사도를 산출할 수 있다. 일 예로 특징점은, 얼굴 윤곽 형상, 눈의 형상, 코의 형상, 입의 형상, 귀의 형상, 턱의 형상 정보 등을 포함할 수 있다. 프로세서(110)는 유사도를 산출하기에 앞서 전처리를 수행할 수 있다. 먼저, 프로세서(110)는 목표 인물 정보 및 복수의 후보 인물 정보 각각에서 얼굴 영역을 검출할 수 있다(face detection, 얼굴 검출). 또한, 프로세서(110)는 눈과 코 등 얼굴의 특징점을 추출할 수 있다(ace alignment, 얼굴 정렬). 또한, 프로세서(110)는 특징점을 기반으로 얼굴 영역을 동일한 형태와 크기로 변경하는 정규화를 수행할 수 있다(normalization, 정규화). 프로세서(110)는 정규화가 수행된 목표 인물 정보를 기준으로 정규화가 수행된 복수의 후보 인물 정보와의 특징 벡터 간 유사도를 비교하여 안면 유사도를 산출할 수 있다. 다만, 안면 유사도 산출 방법이 이에 한정되는 것은 아니며 다양한 실시예가 존재할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 목표 인물 정보 및 복수의 후보 인물 정보를 기초로 체형 유사도를 산출할 수 있다. 또한, 프로세서(110)는 목표 인물 정보에 포함된 목표 인물의 체형 정보 및 복수의 후보 인물 각각에 대한 체형 정보를 고려하여 유사도를 산출할 수 있다. 예를 들어, 체형 정보는, 2D 체형 스캐닝 데이터 및 3D 체형 렌더링 데이터를 포함할 수 있다. 프로세서(110)는 목표 인물 정보 및 복수의 후보 인물 정보에 포함된 체형 정보를 기초로, 신체의 외형을 분석할 수 있다. 프로세서(110)는 목표 인물 정보 및 복수의 후보 인물 정보에 포함된 체형 정보에서 배경 영역을 제거(삭제)하여 신체 영역을 분할할 수 있다. 또한, 프로세서(110)는 분할된 신체 영역을 사전 학습된 기계 학습 모델에 입력하여 특징 벡터로 변환할 수 있다. 일 예로, 사전 학습된 기계 학습 모델은 컨볼루션 신경망(CNN, Convolutional Neural Network)을 포함할 수 있으나, 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 알고리즘이 적용될 수 있다. 프로세서(110)는 목표 인물의 체형 정보에서 변환된 특징 벡터와 복수의 후보 인물 각각의 체형 정보에서 변환된 특징 벡터 간의 유사도를 비교하여 체형 유사도를 산출할 수 있다. 다만, 체형 유사도 산출 방법이 이에 한정되는 것은 아니며 다양한 실시예가 존재할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 유사도 판단 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출할 수 있다. 또한, 프로세서(110)는 유사도 판단 결과, 안면 유사도 산출 결과 및/또는 체형 유사도 산출 결과 중 적어도 어느 하나를 고려하여 목표 인물에 대한 최종 후보 인물을 도출할 수 있다. 일 예로, 프로세서(110)는 최종 후보 인물을 도출하기 위해서, 체형 유사도 결과에 기초하여 복수의 후보 인물의 일부를 제외할 수 있다. 또한, 프로세서(110)는 안면 유사도 결과에 기초하여 복수의 후보 인물의 일부를 제외할 수 있다. 또한, 프로세서(110)는 인물 유사도 결과에 기초하여 복수의 후보 인물의 일부를 제외할 수 있다. 프로세서(110)는 유사도 판단 결과, 안면 유사도 산출 결과 및 상기 체형 유사도 산출 결과에서 제외되지 않은 복수의 후보 인물에서 최종 후보 인물을 도출할 수 있다.
다른 일 예로, 프로세서(110)는 체형 유사도 산출 결과 미리 결정된 임계치를 초과하는 후보 인물에 제 1 가중치를 부여할 수 있다. 또한, 프로세서(110)는 안면 유사도 산출 결과 미리 결정된 임계치를 초과하는 후보 인물에 제 2 가중치를 부여할 수 있다. 또한, 프로세서(110)는 "합성 인물 정보가 실제의 목표 인물 정보로 예측되는지 여부와 관련된 모델의 출력값(예컨대, 확률값)"이 미리 결정된 임계치를 초과하는 후보 인물에 제 3 가중치를 부여할 수 있다. 프로세서(110)는 제 1 가중치 내지 제 3 가중치 연산을 통해 복수의 후보 인물에서 최종 후보 인물을 도출할 수 있다.
또 다른 일 예로, 프로세서(110)는 "합성 인물 정보가 실제의 목표 인물 정보로 예측되는지 여부와 관련된 모델의 출력값(예컨대, 확률값)"을 기반으로 복수의 후보 인물 중 일부를 제외하는 1차 분류를 수행할 수 있다. 또한, 프로세서(110)는 1차 분류 수행 결과를 기반으로 안면 유사도 산출 결과를 고려하여 복수의 후보 인물 중 일부를 제외하는 2차 분류를 수행할 수 있다. 또한, 프로세서(110)는 2차 분류 수행 결과를 기반으로 체형 유사도 산출 결과를 고려하여 복수의 후보 인물 중 일부를 제외하는 3차 분류를 수행할 수 있다. 프로세서(110)는 3차 분류 수행 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출할 수 있다.
한편, 사전 학습된 인공신경망은, 다양한 유형은 추론값 또는 예측값들을 출력하는 형태로 학습될 수 있으며, 복수의 기계 학습 모델들을 포괄하는 형태로 구현될 수도 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 개인 통신망(PAN: Personal Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 인공지능 기반의 대역 배우 평가를 위한 정보를 외부 시스템으로부터 수신할 수 있다. 예를 들어, 네트워크부(150)는 목표 인물 정보 및 복수의 후보 인물 정보를 데이터베이스로부터 수신할 수 있다. 이때, 데이터베이스로부터 수신되는 목표 인물 정보 및 복수의 후보 인물 정보는, 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 목표 인물 정보 및 복수의 후보 인물 정보는 상술한 예시의 정보들을 포함할 수 있으나, 상술한 예시에 제한되지 않고, 당업자가 이해할 수 있는 범위 내에서 다양하게 구성될 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스(access)할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 외부 데이터베이스로부터 대역 배우 평가를 위한 정보를 수신하여 최종 후보 인물을 도출하고, 목표 인물에 대하여 도출된 최종 후보 인물에 대하여 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력 받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개념도다.
본 개시의 일 실시예에 따른 신경망 모델(인공신경망)은 목표 인물에 대한 최종 후보 인물을 도출하기 위한 신경망을 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
심층 신경망(DNN: deep neural network)은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 심층 신경망을 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network), 리커런트 신경망(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 심층 신경망의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 신경망은 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
신경망은 교사 학습, 비교사 학습(unsupervised learning), 반교사 학습(semi supervised learning), 또는 강화 학습 중 적어도 하나의 방식으로 학습될 수 있다. 신경망의 학습은 특정한 동작을 수행하기 위한 지식을 신경망에 적용하는 과정일 수 있다.
신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고, 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
신경망의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 신경망이 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 3은 본 개시의 일 실시예에 따른 인공지능 기반의 대역 배우 평가 방법을 나타낸 순서도이다.
도 3에 도시된 인공지능 기반의 대역 배우 평가 방법은 앞서 설명된 컴퓨팅 장치(100)에 의해 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 컴퓨팅 장치(100)에 대하여 설명된 내용은 인공지능 기반의 대역 배우 평가 방법에 대한 설명에도 동일하게 적용될 수 있다.
예시적으로, 도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 목표 인물 정보 및 복수의 후보 인물 정보를 획득할 수 있다(S110). 일 예로, 목표 인물 정보는, 대역 배우에 대하여 합성이 수행되는 실제 배우(예컨대, 배우 A)에 대한 정보로서, 실제 배우의 안면 정보, 체형 정보 및 목소리 정보 등이 포함될 수 있다. 한편, 복수의 후보 인물 정보는, 실제 인물의 대역 배우(예컨대, 배우 A를 대신해 연기를 수행하는 배우) 각각에 대한 정보로서, 대역 배우의 안면 정보, 체형 정보 및 목소리 정보 등이 포함될 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 복수의 후보 인물 정보에 목표 인물 정보에 포함된 안면 정보를 합성하여 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성할 수 있다(S120). 일 예로, 컴퓨팅 장치(100)는 페이스 스왑(Face Swap) 모델 또는 GAN의 생성자 모델을 기초로, 상기 복수의 후보 인물 정보 각각에 대하여 목표 인물 정보에 포함된 안면 정보를 합성함으로써, 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성할 수 있다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사전 학습된 인공신경망을 기초로 복수의 합성 인물 정보를 분석할 수 있다(S130). 여기서 분석은, "합성 인물 정보가 합성이 아닌 실제의 목표 인물 정보로서 예측되는지 여부와 관련된 분석(예컨대, 참/거짓 판단, 확률값 등의 정량적인 판단)", "목표 인물 정보 및 복수의 후보 인물 정보 사이의 안면 유사도에 대한 분석”, “목표 인물 정보 및 복수의 후보 인물 정보 사이의 체형 유사도에 대한 분석” 등을 포함할 수 있다. 일 예로, 사전 학습된 인공신경망은, 입력된 인물 정보가 상기 목표 인물에 대해 생성된 목표 인물 정보인지 아니면 합성 인물 정보인지 여부를 예측하는 동작을 수행하도록 사전 학습된 인공신경망일 수 있다. 다른 일 예로, 사전 학습된 인공신경망은, 입력된 인물 정보가 (합성이 아닌) 목표 인물에 대해 생성된 목표 인물 정보에 해당할 확률값을 예측하는 동작을 수행하도록 사전 학습된 인공신경망에 대응될 수 있다. 또 다른 일 예로, 사전 학습된 인공신경망은, 목표 인물 정보 및 복수의 후보 인물 정보 사이의 안면 유사도 또는 체형 유사도를 산출하도록 사전 학습된 인공 신경망에 대응될 수 있다. 전술한 사항은 예시일 뿐 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출할 수 있다(S140). 예를 들어, 컴퓨팅 장치(100)는 "합성 인물 정보가 합성이 아닌 실제의 목표 인물 정보로서 예측되는지 여부와 관련된 분석(예컨대, 참/거짓 판단, 확률값 등의 정량적인 판단) 결과", "목표 인물 정보 및 복수의 후보 인물 정보 사이의 안면 유사도에 대한 분석 결과”, 또는 “목표 인물 정보 및 복수의 후보 인물 정보 사이의 체형 유사도에 대한 분석 결과” 중 적어도 하나를 고려하여 목표 인물에 대한 최종 후보 인물을 도출할 수 있다. 또한, 컴퓨팅 장치(100)는, 상술한 3가지 분석 결과를 앙상블하여 예측 또는 추론의 정확도를 향상시킬 수도 있다.
상술한 설명에서, 단계 S110 내지 S140은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 4는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개념도다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
상기와 같이 발명의 실시를 위한 최선의 형태에서 관련 내용을 기술하였다.
본 개시는 실제 배우와 유사한 대역 배우를 도출하여 보다 효율적인 합성을 수행하기 위한 인공지능 기반의 대역 배우 평가 방법을 제공하는 디바이스, 시스템 등에 사용될 수 있다.

Claims (13)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 대역 배우 평가 방법으로서,
    목표 인물 정보 및 복수의 후보 인물 정보를 획득하는 단계;
    상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하는 단계;
    사전 학습된 인공신경망을 기초로, 상기 복수의 합성 인물 정보를 분석하는 단계; 및
    상기 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출하는 단계
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 분석하는 단계는,
    상기 사전 학습된 인공신경망을 기초로, 상기 복수의 합성 인물 정보 각각이 상기 목표 인물로서 예측되는지 여부에 관한 예측값을 출력하는 단계
    를 포함하는,
    방법.
  3. 제 2 항에 있어서,
    상기 분석하는 단계는,
    상기 목표 인물 정보 및 상기 복수의 후보 인물 정보를 기초로 안면 유사도를 산출하는 단계; 및
    상기 목표 인물 정보 및 상기 복수의 후보 인물 정보를 기초로 체형 유사도를 산출하는 단계
    를 더 포함하는,
    방법.
  4. 제 1 항에 있어서,
    상기 합성 인물을 생성하는 단계는,
    페이스 스왑(Face Swap) 모델을 적용하여 상기 복수의 후보 인물 정보 각각에 대하여 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하는 단계
    를 포함하는,
    방법.
  5. 제 1 항에 있어서,
    상기 사전 학습된 인공신경망은,
    입력된 인물 정보가 상기 목표 인물에 대해 생성된 목표 인물 정보인지 아니면 합성 인물 정보인지 여부를 예측하는 동작을 수행하도록 사전 학습된 인공신경망에 대응되는,
    방법.
  6. 제 5 항에 있어서,
    상기 사전 학습된 인공신경망은,
    상기 목표 인물 정보를 입력으로 하여 분류 모델을 학습시키는 동작; 및
    상기 합성 인물 정보를 입력으로 하여 상기 분류 모델을 추가로 학습시키는 동작
    을 기초로 사전 학습된 인공신경망에 대응되는,
    방법.
  7. 제 1 항에 있어서,
    상기 사전 학습된 인공신경망은,
    입력된 인물 정보가 상기 목표 인물에 대해 생성된 목표 인물 정보에 해당할 확률값을 예측하는 동작을 수행하도록 사전 학습된 인공신경망에 대응되는,
    방법.
  8. 제 1 항에 있어서,
    상기 사전 학습된 인공신경망은,
    상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하도록 사전 학습된 생성 모델; 및
    상기 목표 인물 정보 및 복수의 합성 인물 정보를 구별하도록 사전 학습된 분류 모델을 포함하는,
    방법.
  9. 제 3 항에 있어서,
    상기 안면 유사도를 산출하는 단계는,
    상기 목표 인물 정보에 포함된 목표 인물의 얼굴 형태 정보 및 상기 복수의 후보 인물 각각에 대한 얼굴 형태 정보를 고려하여 유사도를 산출하는 단계
    를 포함하는,
    방법.
  10. 제 3 항에 있어서,
    상기 체형 유사도를 산출하는 단계는,
    상기 목표 인물 정보에 포함된 목표 인물의 체형 정보 및 상기 복수의 후보 인물 각각에 대한 체형 정보를 고려하여 유사도를 산출하는 단계
    를 포함하는,
    방법.
  11. 제 3 항에 있어서,
    상기 최종 후보 인물을 도출하는 단계는,
    상기 예측값, 상기 안면 유사도 산출 결과 및 상기 체형 유사도 산출 결과 모두를 고려하여 상기 목표 인물에 대한 최종 후보 인물을 도출하는 단계
    를 포함하는,
    방법.
  12. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 인공지능 기반의 대역 배우를 평가하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    목표 인물 정보 및 복수의 후보 인물 정보를 획득하는 동작;
    상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하는 동작;
    사전 학습된 인공신경망을 기초로, 상기 복수의 합성 인물 정보를 분석하는 동작; 및
    상기 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출하는 동작
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  13. 인공지능 기반의 대역 배우를 평가하기 위한 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
    목표 인물 정보 및 복수의 후보 인물 정보를 획득하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    상기 복수의 후보 인물 정보에 상기 목표 인물 정보에 포함된 안면 정보를 합성하여 상기 복수의 후보 인물 각각에 대한 합성 인물 정보를 생성하고, 사전 학습된 인공신경망을 기초로 상기 복수의 합성 인물 정보를 분석하며, 상기 분석 결과를 기반으로 목표 인물에 대한 최종 후보 인물을 도출하는,
    장치.
PCT/KR2023/002506 2022-05-10 2023-02-22 인공지능 기반의 대역 배우 평가 방법 WO2023219237A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0057284 2022-05-10
KR1020220057284A KR102579683B1 (ko) 2022-05-10 2022-05-10 인공지능 기반의 대역 배우 평가 방법

Publications (1)

Publication Number Publication Date
WO2023219237A1 true WO2023219237A1 (ko) 2023-11-16

Family

ID=88196255

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/002506 WO2023219237A1 (ko) 2022-05-10 2023-02-22 인공지능 기반의 대역 배우 평가 방법

Country Status (2)

Country Link
KR (1) KR102579683B1 (ko)
WO (1) WO2023219237A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190122955A (ko) * 2018-04-23 2019-10-31 (주)이스트소프트 인공신경망을 이용한 안경 착용 영상을 생성하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR20200107492A (ko) * 2019-03-08 2020-09-16 주식회사 에이아이네이션 가상화장 이미지 평가 점수 생성 장치
KR20200131599A (ko) * 2019-05-14 2020-11-24 주식회사 스누픽 사용자 맞춤형 스타일링 서비스 제공 서버 및 그 방법
KR20210033781A (ko) * 2019-09-19 2021-03-29 주식회사 케이티 얼굴 분석 시스템 및 방법
KR20210112576A (ko) * 2020-03-05 2021-09-15 주식회사 이엔터 Ai의 기계학습 기반 얼굴표정 등의 이미지 생성에 관한 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102384983B1 (ko) * 2020-09-28 2022-04-29 김상철 연예인의 얼굴 이미지와 사용자의 얼굴 이미지 간의 이미지 합성이 가능한 전자 단말 장치 및 그 동작 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190122955A (ko) * 2018-04-23 2019-10-31 (주)이스트소프트 인공신경망을 이용한 안경 착용 영상을 생성하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR20200107492A (ko) * 2019-03-08 2020-09-16 주식회사 에이아이네이션 가상화장 이미지 평가 점수 생성 장치
KR20200131599A (ko) * 2019-05-14 2020-11-24 주식회사 스누픽 사용자 맞춤형 스타일링 서비스 제공 서버 및 그 방법
KR20210033781A (ko) * 2019-09-19 2021-03-29 주식회사 케이티 얼굴 분석 시스템 및 방법
KR20210112576A (ko) * 2020-03-05 2021-09-15 주식회사 이엔터 Ai의 기계학습 기반 얼굴표정 등의 이미지 생성에 관한 방법

Also Published As

Publication number Publication date
KR102579683B1 (ko) 2023-09-18

Similar Documents

Publication Publication Date Title
KR101916347B1 (ko) 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
KR20200075704A (ko) 어노말리 디텍션
KR102588332B1 (ko) 대본 텍스트로부터 스토리보드를 생성하는 방법
KR20240035302A (ko) 신경망 모델을 활용한 부분적인 이미지 변환 방법
KR20190041961A (ko) 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
WO2022149696A1 (ko) 딥러닝 모델을 사용한 분류 방법
WO2024085366A1 (ko) 가상 카메라를 이용한 카메라 움직임 구현 방법
WO2024080791A1 (ko) 데이터셋을 생성하기 위한 방법
WO2023219237A1 (ko) 인공지능 기반의 대역 배우 평가 방법
KR102515935B1 (ko) 신경망 모델을 위한 학습 데이터 생성 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
KR102272497B1 (ko) 객체 중심 데이터 증강 방법
WO2023008811A2 (ko) 신경망 모델을 이용한 마스크 착용 얼굴 이미지 복원 방법
KR102627764B1 (ko) 부분 이미지를 이용하여 이미지를 변환하는 신경망 모델을 학습시키는 방법
KR102649764B1 (ko) 페이스 스왑 이미지 생성 방법
KR102606617B1 (ko) 확산 모델을 이용한 동영상 생성 방법
WO2023219236A1 (ko) 스마트 안경에 광고를 디스플레이하는 방법
KR102579685B1 (ko) 조정 정보를 이용한 디지털 휴먼의 안면 움직임 제어 매개변수의 구축 방법
WO2024117708A1 (ko) 확산 모델을 이용한 얼굴 이미지 변환 방법
KR102579686B1 (ko) 각도 변화를 고려하여 이미지를 단계적으로 변환하는 방법
KR102635768B1 (ko) 데이터셋을 생성하기 위한 방법
KR102665707B1 (ko) 확산 모델을 이용한 얼굴 이미지 변환 방법
KR102649301B1 (ko) 발화영상의 품질을 향상시키기 위한 모델의 학습 방법
KR102565420B1 (ko) 가상 제작 환경에서 객체 분할을 수행하는 방법
KR102631427B1 (ko) 환부의 회복 정보를 예측하기 위해 이미지를 전처리하는 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: 23803665

Country of ref document: EP

Kind code of ref document: A1