WO2026005192A1 - 전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법 - Google Patents

전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법

Info

Publication number
WO2026005192A1
WO2026005192A1 PCT/KR2025/003707 KR2025003707W WO2026005192A1 WO 2026005192 A1 WO2026005192 A1 WO 2026005192A1 KR 2025003707 W KR2025003707 W KR 2025003707W WO 2026005192 A1 WO2026005192 A1 WO 2026005192A1
Authority
WO
WIPO (PCT)
Prior art keywords
face
image
electronic device
editing
information
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/KR2025/003707
Other languages
English (en)
French (fr)
Inventor
김강서
나재근
박선민
안희범
김현수
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020240090936A external-priority patent/KR20260001433A/ko
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Priority to US19/175,788 priority Critical patent/US20260004557A1/en
Publication of WO2026005192A1 publication Critical patent/WO2026005192A1/ko
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—Two-dimensional [2D] image generation
    • G06T11/60—Creating or editing images; Combining images with text
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/172—Classification, e.g. identification

Definitions

  • the present disclosure relates to an electronic device and a method for editing a face included in an image using an artificial intelligence model in the electronic device.
  • An electronic device may include a communication circuit, a display, at least one processor, and a memory storing instructions.
  • the instructions according to an embodiment may be configured to, when individually or collectively executed by the at least one processor, cause the electronic device to, when confirming editing of a face included in a first image, transmit edit information including first information about the face included in the first image to an artificial intelligence model, and acquire the first information by learning features of the face selected through the editing.
  • the instructions according to an embodiment may be configured to, when individually or collectively executed by the at least one processor, cause the electronic device to, when receiving a second image obtained by editing a face included in the first image using the edit information from the artificial intelligence model, acquire a score related to similarity between an edited face included in the second image and the face included in the first image.
  • the instructions according to one embodiment, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to store the second image if the acquired score is greater than or equal to a threshold value.
  • a method for editing a face included in an image using an artificial intelligence model in an electronic device may include, when confirming editing of a face included in a first image, transmitting edit information including first information about the face included in the first image to an artificial intelligence model, and obtaining the first information by learning features of the face selected through the editing.
  • the method may include, when receiving a second image obtained by editing the face included in the first image using the edit information from the artificial intelligence model, obtaining a score related to similarity between the edited face included in the second image and the face included in the first image.
  • the method may include, when the obtained score is equal to or greater than a threshold value, storing the second image.
  • a non-volatile storage medium storing commands
  • the commands are configured to cause the electronic device to perform at least one operation when executed by the electronic device
  • the at least one operation may include: upon confirming editing of a face included in a first image, transmitting edit information including first information about the face included in the first image to an artificial intelligence model, wherein the first information is acquired by learning a feature of the face selected through the editing.
  • the at least one operation may include: upon receiving a second image obtained by editing the face included in the first image using the edit information from the artificial intelligence model, acquiring a score related to similarity between the edited face included in the second image and the face included in the first image.
  • the at least one operation may include: when the acquired score is equal to or greater than a threshold value, storing the second image.
  • FIG. 1 is a block diagram of an electronic device within a network environment according to one embodiment.
  • FIG. 2A is a block diagram of an electronic device according to one embodiment.
  • FIG. 2b is a block diagram illustrating the configuration of a processor and an artificial intelligence model according to one embodiment.
  • FIG. 3a, FIG. 3b, FIG. 3c, FIG. 3d, and FIG. 3e are drawings for explaining an operation of generating first information in an artificial intelligence model.
  • Figures 4a and 4b are drawings for explaining the operation of generating an image with an edited face in an artificial intelligence model.
  • FIG. 5 is a diagram illustrating an operation for checking similarity in an image in which a face has been edited in an electronic device according to one embodiment.
  • FIGS. 6A, 6B, 6C, and 6D are drawings for explaining an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • FIGS. 7A, 7B, and 7C are drawings for explaining an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • FIG. 8A is a diagram illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • FIG. 8b is a diagram illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • FIG. 9 is a flowchart illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • FIG. 10 is a flowchart illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • FIG. 1 is a block diagram of an electronic device (101) within a network environment (100) according to an embodiment.
  • the electronic device (101) may communicate with the electronic device (102) via a first network (198) (e.g., a short-range wireless communication network), or may communicate with at least one of the electronic device (104) or the server (108) via a second network (199) (e.g., a long-range wireless communication network).
  • the electronic device (101) may communicate with the electronic device (104) via the server (108).
  • the electronic device (101) may include a processor (120), a memory (130), an input module (150), an audio output module (155), a display module (160), an audio module (170), a sensor module (176), an interface (177), a connection terminal (178), a haptic module (179), a camera module (180), a power management module (188), a battery (189), a communication module (190), a subscriber identification module (196), or an antenna module (197).
  • the electronic device (101) may omit at least one of these components (e.g., the connection terminal (178)), or may have one or more other components added.
  • some of these components e.g., the sensor module (176), the camera module (180), or the antenna module (197) may be integrated into one component (e.g., the display module (160)).
  • the processor (120) may, for example, execute software (e.g., a program (140)) to control at least one other component (e.g., a hardware or software component) of the electronic device (101) connected to the processor (120) and perform various data processing or operations.
  • the processor (120) may store a command or data received from another component (e.g., a sensor module (176) or a communication module (190)) in a volatile memory (132), process the command or data stored in the volatile memory (132), and store the resulting data in a non-volatile memory (134).
  • the processor (120) may include a main processor (121) (e.g., a central processing unit or an application processor) or an auxiliary processor (123) (e.g., a graphics processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor) that can operate independently or together with the main processor (121).
  • a main processor (121) e.g., a central processing unit or an application processor
  • an auxiliary processor (123) e.g., a graphics processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor
  • the auxiliary processor (123) may be configured to use less power than the main processor (121) or to be specialized for a given function.
  • the auxiliary processor (123) may be implemented separately from the main processor (121) or as a part thereof.
  • the auxiliary processor (123) may control at least a part of functions or states associated with at least one component (e.g., a display module (160), a sensor module (176), or a communication module (190)) of the electronic device (101), for example, on behalf of the main processor (121) while the main processor (121) is in an inactive (e.g., sleep) state, or together with the main processor (121) while the main processor (121) is in an active (e.g., application execution) state.
  • the auxiliary processor (123) e.g., an image signal processor or a communication processor
  • the auxiliary processor (123) may include a hardware structure specialized for processing artificial intelligence models.
  • the artificial intelligence models may be generated through machine learning. This learning can be performed, for example, in the electronic device (101) itself where the artificial intelligence model is executed, or can be performed through a separate server (e.g., server (108)).
  • the learning algorithm can include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but is not limited to the examples described above.
  • the artificial intelligence model can include a plurality of artificial neural network layers.
  • the artificial neural network can be one of a deep neural network (DNN), a convolutional neural network (CNN), a recurrent neural network (RNN), a restricted Boltzmann machine (RBM), a deep belief network (DBN), a bidirectional recurrent deep neural network (BRDNN), deep Q-networks, or a combination of two or more of the above, but is not limited to the examples described above.
  • the artificial intelligence model can additionally or alternatively include a software structure.
  • the memory (130) can store various data used by at least one component (e.g., processor (120) or sensor module (176)) of the electronic device (101).
  • the data can include, for example, software (e.g., program (140)) and input data or output data for commands related thereto.
  • the memory (130) can include volatile memory (132) or non-volatile memory (134).
  • the program (140) may be stored as software in the memory (130) and may include, for example, an operating system (142), middleware (144), or an application (146).
  • the input module (150) can receive commands or data to be used in a component of the electronic device (101) (e.g., a processor (120)) from an external source (e.g., a user) of the electronic device (101).
  • the input module (150) can include, for example, a microphone, a mouse, a keyboard, a key (e.g., a button), or a digital pen (e.g., a stylus pen).
  • the audio output module (155) can output audio signals to the outside of the electronic device (101).
  • the audio output module (155) can include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes, such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver can be implemented separately from the speaker or as part of the speaker.
  • the display module (160) can visually provide information to an external party (e.g., a user) of the electronic device (101).
  • the display module (160) may include, for example, a display, a holographic device, or a projector and a control circuit for controlling the device.
  • the display module (160) may include a touch sensor configured to detect a touch, or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module (170) can convert sound into an electrical signal, or vice versa, convert an electrical signal into sound. According to one embodiment, the audio module (170) can acquire sound through the input module (150), output sound through the sound output module (155), or an external electronic device (e.g., electronic device (102)) (e.g., speaker or headphone) directly or wirelessly connected to the electronic device (101).
  • an external electronic device e.g., electronic device (102)
  • speaker or headphone directly or wirelessly connected to the electronic device (101).
  • the sensor module (176) can detect the operating status (e.g., power or temperature) of the electronic device (101) or the external environmental status (e.g., user status) and generate an electrical signal or data value corresponding to the detected status.
  • the sensor module (176) can include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface (177) may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device (101) with an external electronic device (e.g., the electronic device (102)).
  • the interface (177) may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card
  • connection terminal (178) may include a connector through which the electronic device (101) may be physically connected to an external electronic device (e.g., electronic device (102)).
  • the connection terminal (178) may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (e.g., a headphone connector).
  • a haptic module (179) can convert electrical signals into mechanical stimuli (e.g., vibration or movement) or electrical stimuli that a user can perceive through tactile or kinesthetic sensations.
  • the haptic module (179) may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module (180) can capture still images and videos.
  • the camera module (180) may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module (188) can manage power supplied to the electronic device (101).
  • the power management module (188) can be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • a battery (189) may power at least one component of the electronic device (101).
  • the battery (189) may include, for example, a non-rechargeable primary battery, a rechargeable secondary battery, or a fuel cell.
  • the communication module (190) may support the establishment of a direct (e.g., wired) communication channel or a wireless communication channel between the electronic device (101) and an external electronic device (e.g., electronic device (102), electronic device (104), or server (108)), and the performance of communication through the established communication channel.
  • the communication module (190) may operate independently from the processor (120) (e.g., application processor) and may include one or more communication processors that support direct (e.g., wired) communication or wireless communication.
  • the communication module (190) may include a wireless communication module (192) (e.g., a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module (194) (e.g., a local area network (LAN) communication module, or a power line communication module).
  • a wireless communication module (192) e.g., a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module (194) e.g., a local area network (LAN) communication module, or a power line communication module.
  • the corresponding communication module can communicate with an external electronic device (104) via a first network (198) (e.g., a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network (199) (e.g., a long-range communication network such as a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (e.g., a LAN or WAN)).
  • a first network (198) e.g., a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network (199) e.g., a long-range communication network such as a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (e.g., a LAN or WAN)
  • a computer network e.g., a
  • the wireless communication module (192) can verify or authenticate the electronic device (101) within a communication network such as the first network (198) or the second network (199) by using subscriber information (e.g., an international mobile subscriber identity (IMSI)) stored in the subscriber identification module (196).
  • subscriber information e.g., an international mobile subscriber identity (IMSI)
  • the wireless communication module (192) can support 5G networks and next-generation communication technologies following the 4G network, such as NR access technology (new radio access technology).
  • the NR access technology can support high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and connection of multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low-latency communications
  • the wireless communication module (192) can support, for example, a high-frequency band (e.g., mmWave band) to achieve a high data transmission rate.
  • a high-frequency band e.g., mmWave band
  • the wireless communication module (192) can support various technologies for securing performance in a high-frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), full dimensional MIMO (FD-MIMO), array antenna, analog beam-forming, or large scale antenna.
  • the wireless communication module (192) can support various requirements specified in the electronic device (101), an external electronic device (e.g., the electronic device (104)), or a network system (e.g., the second network (199)).
  • the wireless communication module (192) may support a peak data rate (e.g., 20 Gbps or more) for eMBB realization, a loss coverage (e.g., 164 dB or less) for mMTC realization, or a U-plane latency (e.g., 0.5 ms or less for downlink (DL) and uplink (UL) each, or 1 ms or less for round trip) for URLLC realization.
  • a peak data rate e.g., 20 Gbps or more
  • a loss coverage e.g., 164 dB or less
  • U-plane latency e.g., 0.5 ms or less for downlink (DL) and uplink (UL) each, or 1 ms or less for round trip
  • the antenna module (197) can transmit or receive signals or power to or from an external device (e.g., an external electronic device).
  • the antenna module (197) may include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (e.g., a PCB).
  • the antenna module (197) may include a plurality of antennas (e.g., an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network, such as the first network (198) or the second network (199), may be selected from the plurality of antennas, for example, by the communication module (190). A signal or power may be transmitted or received between the communication module (190) and an external electronic device via the selected at least one antenna.
  • another component e.g., a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module (197) may form a mmWave antenna module.
  • the mmWave antenna module may include a printed circuit board, an RFIC disposed on or adjacent to a first side (e.g., a bottom side) of the printed circuit board and capable of supporting a designated high-frequency band (e.g., a mmWave band), and a plurality of antennas (e.g., an array antenna) disposed on or adjacent to a second side (e.g., a top side or a side side) of the printed circuit board and capable of transmitting or receiving signals in the designated high-frequency band.
  • a first side e.g., a bottom side
  • a plurality of antennas e.g., an array antenna
  • At least some of the above components can be interconnected and exchange signals (e.g., commands or data) with each other via a communication method between peripheral devices (e.g., a bus, GPIO (general purpose input and output), SPI (serial peripheral interface), or MIPI (mobile industry processor interface)).
  • peripheral devices e.g., a bus, GPIO (general purpose input and output), SPI (serial peripheral interface), or MIPI (mobile industry processor interface)).
  • commands or data may be transmitted or received between the electronic device (101) and an external electronic device (104) via a server (108) connected to a second network (199).
  • Each of the external electronic devices (102 or 104) may be the same or a different type of device as the electronic device (101).
  • all or part of the operations executed in the electronic device (101) may be executed in one or more of the external electronic devices (102, 104, or 108). For example, when the electronic device (101) is to perform a certain function or service automatically or in response to a request from a user or another device, the electronic device (101) may, instead of or in addition to executing the function or service itself, request one or more external electronic devices to perform the function or at least a part of the service.
  • One or more external electronic devices that receive the request may execute at least a portion of the requested function or service, or an additional function or service related to the request, and transmit the result of the execution to the electronic device (101).
  • the electronic device (101) may process the result as is or additionally and provide it as at least a portion of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used, for example.
  • the electronic device (101) may provide an ultra-low latency service by using distributed computing or mobile edge computing, for example.
  • the external electronic device (104) may include an Internet of Things (IoT) device.
  • the server (108) may be an intelligent server utilizing machine learning and/or a neural network.
  • the external electronic device (104) or the server (108) may be included in the second network (199).
  • the electronic device (101) can be applied to intelligent services (e.g., smart home, smart city, smart car, or healthcare) based on 5G communication technology and IoT-related technology.
  • FIG. 2a is a block diagram of an electronic device according to an embodiment
  • FIG. 2b is a block diagram for explaining the configuration of a processor and an artificial intelligence model according to an embodiment.
  • the electronic device (201) may include a processor (220), a memory (230), a display (260), and a communication circuit (290).
  • the electronic device (201) may correspond to the electronic device (101) (FIG. 1).
  • the processor (220) may perform overall control operations of the electronic device (201).
  • the processor (220) may execute software (e.g., the program (140) of FIG. 1) to control at least one other component (e.g., a hardware or software component) of the electronic device (201) connected to the processor (220), and may perform data processing or calculations based on instructions.
  • An instruction may include an instruction configured in a machine language that can be processed by the electronic device (201) or the processor (220).
  • the instruction may include an instruction corresponding to an operation instruction used in a program.
  • the processor (220) may generate editing information to be transmitted to an artificial intelligence model when it determines that a face included in a first image has been edited.
  • the editing of the face may be determined or determined based on the state of the electronic device (201). For example, when the electronic device (201) is executing an editing application that displays an image including a face, it may be determined that the face in the image is being edited. In one or more examples, the electronic device (201) may determine that the face in the image is being edited when one or more editing operations are being performed on the face.
  • the processor (220) can check whether a face is included in the first image when confirming the selection of the first image based on an input from a user of the electronic device.
  • the processor (220) can use a face filter to check whether a face is included in the first image.
  • the processor (220) can confirm editing of a face included in the first image based on the user's input.
  • the processor (220) can check an editing area for the first image based on the user's input, and check whether the editing area is a part or the entire area of a face included in the first image.
  • the processor (220) can, when confirming editing of a face included in the first image, confirm whether the face selected for editing is an authenticated face that has been allowed to be edited using the artificial intelligence model.
  • the processor (220) may, if the face information selected for editing is included among the authenticated face information that has been allowed to be edited using an artificial intelligence model stored in the memory (230), confirm that the face selected for editing is an authenticated face that has been allowed to be edited using the artificial intelligence model, and obtain first information about the face selected for editing.
  • the processor (220) can obtain first information of a face selected through editing among first information learned from facial features stored in the memory (230).
  • the processor (220) can confirm that the face selected for editing is an authenticated face that allows editing using the artificial intelligence model, it can display a message through the display (260) indicating that face editing for the first image is not possible.
  • the processor (220) can use the artificial intelligence model to identify at least one of the following: the face of the user of the electronic device, the face of the user of a contact selected by the user of the electronic device from among contacts stored in a contact list, the face of the user of a contact that meets a condition specified by the user from among contacts stored in a contact list, or a face including tag information of a face from among images including a face, as an authenticated face that allows editing.
  • the processor (220) may use the artificial intelligence model to pre-check an authenticated face that allows editing based on various conditions such as a user's selection, a user's specified condition, or conditions specified in an electronic device, and store the face in the memory (230).
  • the processor (220) may acquire first information obtained by learning facial features using an artificial intelligence learning unit (233) and store the information in the memory (230).
  • the artificial intelligence learning unit (233) may be an ASIC or processor configured to perform an artificial intelligence process.
  • the artificial intelligence learning unit (233) may be a set of one or more executable codes that, when executed by the processor (220), cause the processor (220) to execute an artificial intelligence process.
  • the processor (220) may use the artificial intelligence learning unit (233) to obtain the first information corresponding to the authenticated face that has been allowed to be edited using the artificial intelligence model and store the information in the memory (230).
  • the processor (220) may use the artificial intelligence learning unit (233) to learn (e.g., train) a plurality of images including the same face to generate first information including characteristics of the same face, and store the first information as first information about the same face included in the plurality of learned images in the memory (230).
  • the artificial intelligence learning unit (233) to learn (e.g., train) a plurality of images including the same face to generate first information including characteristics of the same face, and store the first information as first information about the same face included in the plurality of learned images in the memory (230).
  • the processor (220) may use the artificial intelligence learning unit (233) to divide a face into a plurality of regions (e.g., eye region, nose region, mouth region, and entire face region), check weights corresponding to the plurality of regions, and generate first information reflecting the checked weights.
  • regions e.g., eye region, nose region, mouth region, and entire face region
  • An artificial intelligence learning unit (233) may include an encoder stored in a memory (230).
  • An artificial intelligence learning unit (233) may include a learned encoder transmitted from an artificial intelligence model (231).
  • the processor (220) may transmit editing information including at least one of the first image, information on an editing area for a face included in the first image, or a prompt describing editing, and first information on a face selected for editing to the artificial intelligence model (231).
  • a processor (220) can generate a second image by editing a face included in a first image based on editing information using an artificial intelligence model (231).
  • An artificial intelligence model (231) may include an on-device artificial intelligence model stored in a memory (230), and the artificial intelligence model (231) may include a generative artificial intelligence model.
  • a processor (220) can perform an editing operation of an image including a face in the same manner as the artificial intelligence model (231) by using an external artificial intelligence model (251a) stored in an external server (251), and the external artificial intelligence model (251a) can include a generative artificial intelligence model.
  • the processor (220) may perform an editing operation of an image including a face using at least one of an artificial intelligence model (231) stored in a memory (230) and an external artificial intelligence model (251a) included in an external server (251).
  • the electronic device (201) may download the external artificial intelligence model (251a) and preload it with the artificial intelligence model (231).
  • the external artificial intelligence model (251a) when the external artificial intelligence model (251a) is updated, the updated external artificial intelligence model (251a) may be downloaded to the electronic device (201) to replace the artificial intelligence model (231).
  • one or more tasks may be distributed between the artificial intelligence model (231) and the external artificial intelligence model (251a).
  • An artificial intelligence model (231) may use as input values at least one of the first image included in the editing information, information on an editing area for a face included in the first image, or a prompt explaining editing, and first information on a face selected for editing, and generate as output values a second image in which a face included in the first image is edited.
  • An artificial intelligence model (231) can check a weight for an editing area based on information about an editing area for a face included in the first image, and generate a second image in which a face included in the first image is edited by reflecting the checked weight.
  • the processor (220 when receiving a second image in which a face included in a first image is edited from an artificial intelligence model (231), can verify the similarity between the edited face included in the second image and the authenticated face, and provide (e.g., display, store) the second image.
  • the processor (220) performs a process of dividing a face included in the second image into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and an entire face region), obtains scores for the plurality of regions, and if the scores for the plurality of regions are equal to or greater than a threshold value, confirms that the edited face included in the second image is the same face as the authenticated face, and displays the second image including the edited face through the display (260).
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and an entire face region
  • the authenticated face and the edited face can be authenticated as faces of the same person based on features of the authenticated face and the edited face (e.g., a plurality of regions dividing the face (e.g., an eye region, a nose region, a mouth region, or an entire face region)).
  • the processor (220) may, if the score for the plurality of areas is less than or equal to the threshold value, confirm that the edited face included in the second image is not the same as the authenticated face, and display a message through the display (260) indicating that face editing for the first image is not possible.
  • the processor (220) divides the face included in the second image into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and the entire face region), obtains a score for a region corresponding to an edited region among the plurality of regions, and if the score for the region corresponding to the edited region is equal to or greater than a threshold value, confirms that the edited face included in the second image is the same face as the authenticated face, and displays the second image including the edited face through the display (260).
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and the entire face region
  • the processor (220) determines that the edited face included in the second image is not the same face as the authenticated face, and displays a message indicating that face editing for the first image is not possible through the display (260), if the score for the region corresponding to the biased region is equal to or less than the threshold value.
  • the processor (220) may obtain scores for the plurality of regions using Earth Mover Distance (EMD), perceptual Loss, or Mean Square Error (MSE), which are based on the minimum amount of work required to transform one distribution into another by moving the distributions between each other.
  • EMD may be a measure of the difference between two frequency distributions, densities, or measurements in space.
  • perceptual Loss may be determined by passing an image through a neural network and comparing feature maps in one or more layers.
  • the processor (220) may divide the authenticated face into a plurality of regions and set an average value of the scores of the plurality of regions as the threshold value.
  • the processor (220) may divide the authenticated face into a plurality of regions and set a threshold value for each of the plurality of regions.
  • the processor (220) may check the similarity between the edited face included in the second image and the face included in the first image, and if the similarity is greater than or equal to a threshold value, the processor (220) may display the second image through the display (260). According to one embodiment, if the similarity is less than or equal to the threshold value, the processor (220) may display a message indicating that face editing for the first image is not possible through the display (260).
  • the processor (220) can check the similarity between the edited face included in the second image and the face included in the first image using the mean squared error (MSE), peak signal-to-noise ratio (PSNR), or structural similarity index (SSIM).
  • MSE mean squared error
  • PSNR peak signal-to-noise ratio
  • SSIM structural similarity index
  • an operation of editing a face included in an image using an artificial intelligence model is performed by a processor (220), or the processor (220) includes a face editing unit (280) for editing a face included in an image using an artificial intelligence model, or can control the face editing unit (280) separately configured in the electronic device.
  • the face editing unit (280) may include a face detection unit (281), an information unit (283), and a determination unit (285) to edit a face included in an image using an artificial intelligence model.
  • the face detection unit (281) can check whether a face is included in an image in the same manner as the processor (220).
  • the determination unit (285) can, like the processor (220), check whether a face included in a first image is an authenticated face, and can check the similarity between the edited face and the authenticated face in a second image including an edited face received from an artificial intelligence model.
  • the processor (220) may, when the electronic device is in pet mode, generate and provide a second image by editing the animal included in the first image using an artificial intelligence model.
  • the processor (220) may generate and provide a second image in which an animal included in a first image is edited using an artificial intelligence model when the electronic device is in pet mode, in the same manner as the method of generating a second image in which a face included in a first image is edited using an artificial intelligence model.
  • the memory (230) may be implemented substantially identically or similarly to the memory (130) of FIG. 1.
  • the on-device artificial intelligence model (231) is an artificial intelligence model installed in an electronic device (201) and can provide various functions without a network.
  • a plurality of artificial intelligence models may be stored in the memory (230).
  • each of the plurality of artificial intelligence models may be models learned based on a designated type of learning algorithm, and may be artificial intelligence models implemented to input various types of data (e.g., content), perform operations, and output (e.g., acquire) result data.
  • the plurality of artificial intelligence models may include a generative artificial intelligence model.
  • the generative artificial intelligence model may generate and output new content (e.g., text, images, and/or computer codes, etc.) based on what has been learned in response to an input prompt.
  • learning may be performed to output a specific type of result data as output data by using designated types of data as input data based on a machine learning algorithm or a deep learning algorithm, and a plurality of artificial intelligence models (e.g., machine learning models and deep learning models) may be generated and stored in the electronic device (201), or artificial intelligence models learned from an external electronic device (e.g., an external server) may be transmitted to and stored in the electronic device (201).
  • input data input data
  • input data may be output as output data of a model learned through specified types of artificial intelligence based on a machine learning algorithm or a deep learning algorithm.
  • the memory (230) may store a plurality of applications that can be connected to a plurality of external AI models.
  • the memory (230) may store authenticated facial information that allows editing using an artificial intelligence model and first information that learns facial features.
  • a display (260) may be implemented substantially identically or similarly to the display module (160) of FIG. 1.
  • the display (260) may display a first image including a face before editing and/or a second image including an edited face.
  • a communication circuit (290) can form a communication connection with an external electronic device (e.g., another electronic device or a server) through various types of communication methods, and transmit and/or receive data.
  • the communication method may include a communication method that establishes a direct communication connection such as Bluetooth and Wi-Fi direct, a communication method using an access point (AP) (e.g., Wi-Fi communication), or a communication method using cellular communication using a base station (e.g., 3G, 4G/LTE, 5G). Since the communication circuit (290) can be implemented like the communication module (190) described above in FIG. 1, a redundant description will be omitted.
  • FIG. 3a, FIG. 3b, FIG. 3c, FIG. 3d, and FIG. 3e are drawings for explaining an operation of generating first information in an artificial intelligence model.
  • the artificial intelligence learning unit e.g., an encoder
  • the artificial intelligence learning unit may output first information (331a) about the first face having learned features of the first face.
  • the artificial intelligence learning unit e.g., an encoder
  • the artificial intelligence model (231) can output an edited image (351a) generated based on the edited information as an output value when edited information including the first information (331a) is input as an input value.
  • the first information (331a) above may be a value derived from the artificial intelligence learning unit (e.g., encoder) (233a), and may represent a value (e.g., latent vector value) that represents information and features of an image in a latent space.
  • the first information (331a) may represent a collection of values (e.g., distribution values) that can express features and information of an image.
  • the values that determine conditions for the appearances (e.g., eye color, size, lighting, angle, etc.) of the image of a person, object, or situation used for learning (training) in the artificial intelligence learning unit are called latent variables, and information about the face, such as the gender, age, race, hairstyle, skin, and/or facial expression of the face included in the image or other appropriate facial expressions known to those skilled in the art, and values for the background, face angle, distance, wind, and/or light around the person can be determined as latent variables.
  • the artificial intelligence learning unit can learn and determine the data on its own.
  • a plurality of images (311) including a first face are input as input values to an artificial intelligence learning unit (e.g., an encoder) (233b)
  • the artificial intelligence learning unit e.g., an encoder
  • learns through fine-tuning analyzes the features of the first face included in each of the plurality of images (311), generates a distribution map for the features of the first face, and generates the first information (331b) that has learned the distribution map for the features of the first face.
  • the artificial intelligence model (231) can output an edited image (351b) generated based on the edited information as an output value when the edited information including the first information (331b) is input as an input value.
  • T1 represents an area where the plurality of images (311) input as input values are trained and fine-tuned in the artificial intelligence learning unit (e.g., encoder) (233b).
  • the artificial intelligence learning unit e.g., an encoder
  • the artificial intelligence learning unit may be trained using LoRA (Low Rank Adaptation) to analyze the features of the first face included in each of the plurality of images (311) to generate a distribution map for the features of the first face and generate the first information (331c) obtained by learning the distribution map for the features of the first face.
  • LoRA Low Rank Adaptation
  • the first information may also be efficiently generated if the memory usage time is less than when fine-tuning is used.
  • the LoRA is a model that can be used for fine tuning for fine tuning data when training the artificial intelligence learning unit.
  • the above LoRA is described as an example, and the artificial intelligence learning unit can be trained in various ways other than the above LoRA.
  • the artificial intelligence model (231) can output an edited image (351c) generated based on the edited information as an output value when the edited information including the first information (331c) is input as an input value.
  • T2 represents an area where the plurality of images (311) input as input values are trained and fine-tuned in the artificial intelligence learning unit (e.g., encoder) (233c).
  • the first artificial intelligence learning unit e.g., encoder
  • the first artificial intelligence learning unit may analyze features of the first face included in each of the plurality of images (311) to generate a distribution map for the features of the first face, and transfer the distribution map for the features of the first face to a second artificial intelligence learning unit (e.g., distilled encoder) (233e).
  • a second artificial intelligence learning unit e.g., distilled encoder
  • the second artificial intelligence learning unit (e.g., distilled encoder) (233e) may reduce the size of the features of the first face, which are large in size transferred from the first artificial intelligence learning unit (encoder) (233d), by distilling the distribution map, and generate the first information (331d) in which the distribution map is learned for the features of the first face, which are reduced in size.
  • the electronic device receives a first artificial intelligence learning unit (e.g., encoder) (233d) having a large size from an artificial intelligence model, distills the first artificial intelligence learning unit (e.g., encoder) (233d) having a large size to generate a second artificial intelligence learning unit (e.g., distilled encoder) (233e) having a small size that can be used by the electronic device, and performs training on a plurality of face images (311) through the second artificial intelligence learning unit (e.g., distilled encoder) (233e).
  • a first artificial intelligence learning unit e.g., encoder
  • a second artificial intelligence learning unit e.g., distilled encoder
  • the artificial intelligence model (231) can output an edited image (351d) generated based on the edited information as an output value when the edited information including the first information (331d) is input as an input value.
  • T3 in the drawing 3d may represent an area where training and fine tuning are performed on the plurality of images (311) input as input values in the second artificial intelligence learning unit (e.g., distilled encoder) (233e).
  • the artificial intelligence learning unit e.g., encoder
  • the artificial intelligence learning unit can generate first information (331e) by combining a latent vector (a1) and a distribution (a2) generated by using a reparametrization trick of the latent vector.
  • the artificial intelligence model (231) can output an edited image (351e) generated based on the edited information as an output value when edited information including the first information (331e) is input as an input value.
  • Figures 4a and 4b are drawings for explaining the operation of generating an image with an edited face in an artificial intelligence model.
  • an artificial intelligence model (231) may receive editing information including a first image, information on an editing area for a face included in the first image, and a prompt describing editing, and first information on a face included in the first image by learning features of the face, from a processor of the electronic device (e.g., the processor (220) of FIG. 2).
  • the artificial intelligence model (231) may detect information on a face (b1) from the information on the distribution, and may inject the detected information on a face (b1) into each step of the artificial intelligence model (231) to generate a second image in which the face included in the first image is edited.
  • a distribution of facial features e.g., variance, mean
  • the artificial intelligence model (231) may detect information on a face (b1) from the information on the distribution, and may inject the detected information on a face (b1) into each step of the artificial intelligence model (231) to generate a second image in which the face included in the first image is edited.
  • each attention (e.g., a call command) step can remove noise from an image through multiple steps. If the information (411) input at each step includes the word "person,” noise can be removed at each step using the information input as an input value.
  • a generative artificial intelligence model e.g., a diffusion model
  • the artificial intelligence model (231) may receive, from a processor of the electronic device (e.g., the processor (220) of FIGS. 2A and 2B), edit information including at least one of a first image, information on an edit area for a face included in the first image, and a prompt describing editing, and first information on a face included in the first image by learning features of the face.
  • the artificial intelligence model (231) may use the edit information as a condition of a controlnet to generate a second image in which the face included in the first image is edited using the controlnet.
  • a generative artificial intelligence model (e.g., a diffusion model) performs learning to express an image generated through a control network used in the artificial intelligence model (231) in a manner corresponding to an input value input to an artificial intelligence learning unit (e.g., an encoder) (233), and when the learned artificial intelligence learning unit (e.g., an encoder) (233) is transmitted to an electronic device, the electronic device can generate first information about a face having learned facial features using the artificial intelligence learning unit (e.g., an encoder) (233).
  • an artificial intelligence learning unit e.g., an encoder
  • an encoder e.g., an encoder
  • FIG. 5 is a diagram illustrating an operation for checking similarity in an image in which a face has been edited in an electronic device according to one embodiment.
  • an electronic device may generate a second image in which a face included in a first image is edited using an artificial intelligence model, and may divide the edited face included in the second image into a plurality of regions, for example, an eye region (511), a nose region (513), a mouth region (515), and a face region (517).
  • the electronic device may obtain scores of a plurality of regions that distinguish an edited face included in the second image or scores of regions corresponding to an edited region among the plurality of regions, and if the scores are equal to or greater than a threshold value, the electronic device may determine that the face is the same as a face before editing (e.g., not edited) or the same as an authenticated face, and display the second image through a display of the electronic device (e.g., a display (260) of FIG. 2A).
  • a display of the electronic device e.g., a display (260) of FIG. 2A.
  • the electronic device may determine that the face is not the same as a face before editing (e.g., not edited) or the authenticated face, and display a message indicating that face editing is not possible for the first image through a display of the electronic device (e.g., a display (260) of FIG. 2A).
  • each region among the plurality of regions may receive an individual score that is averaged and used to compare with a threshold value.
  • the region having the highest score among the plurality of regions may be used to compare with the threshold value.
  • the electronic device may, before requesting editing of a face included in a first image using an artificial intelligence model, check whether the face included in the first image is an authenticated face, and, if the face included in the first image is not confirmed to be an authenticated face, limit editing of the first image.
  • the electronic device may divide a face included in the first image into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and an entire face region), obtain scores for the plurality of regions, and compare the obtained scores with a threshold value to determine whether the face included in the first image is an authenticated face.
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and an entire face region
  • the electronic device may obtain scores for the plurality of sections using one of Earth Mover Distance (EMD), perceptual Loss, or Mean Square Error (MSE) based on the minimum amount of work required to transform one distribution into another by moving the distributions between each other.
  • EMD Earth Mover Distance
  • MSE Mean Square Error
  • the electronic device may set a threshold value for determining whether a face is authenticated.
  • the electronic device can divide the authenticated face into a plurality of areas and set a threshold value based on the size (range) of the editing area among the plurality of areas.
  • the electronic device may divide an authenticated face into a plurality of regions, set a threshold value for each of the plurality of regions, and compare a score obtained from an editing region among the plurality of regions with the threshold value set for the editing region to determine whether a face included in the first image is an authenticated face.
  • FIGS. 6A, 6B, 6C, and 6D are drawings for explaining an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • an electronic device e.g., the electronic device (101) of FIG. 1 and/or the electronic device (201) of FIG. 2 can check a first image (611) selected by a user.
  • the electronic device when the electronic device determines that the eye area (613a) selected by the user among the faces (613) included in the first image (611) is an editing area, the electronic device may determine whether the face (613) included in the first image (611) is an authenticated face that allows editing using an artificial intelligence model.
  • the electronic device may obtain first information about the face (613), and generate editing information including at least one of the first image (611), information about the editing area (613a) for the face included in the first image, and a prompt explaining editing, and the first information about the face (613), and transmit the edit information to an artificial intelligence model (e.g., the artificial intelligence model (231) of FIG. 2b).
  • an artificial intelligence model e.g., the artificial intelligence model (231) of FIG. 2b.
  • the electronic device when the electronic device receives a second image (631) in which an eye area included in the first image is edited using the editing information from the artificial intelligence model, the electronic device divides the face (633) included in the second image (631) into a plurality of areas, and confirms that the score of the edited eye area (633a) among the plurality of areas is 87.562, which is greater than the threshold value of 75, the electronic device confirms that the face (633) included in the second image (631) is the same face as the face (613) included in the first image (611) before editing or an authenticated face, and displays the second image (631) through a display of the electronic device (e.g., the display (260) of FIG. 2a).
  • a display of the electronic device e.g., the display (260) of FIG. 2a
  • the electronic device when the electronic device receives a second image (651) in which an eye area included in the first image is edited using the editing information from the artificial intelligence model, divides the face (653) included in the second image (651) into a plurality of areas, and confirms that the score of the edited eye area (653a) among the plurality of areas is 56.674, which is less than the threshold value of 75, the electronic device may not confirm that the face (653) included in the second image (651) is the same face as the face (613) included in the first image (611) before editing or the authenticated face, and may display a message indicating that face editing for the first image (611) is not possible through the display of the electronic device (e.g., the display (260) of FIG. 2).
  • the electronic device may not confirm that the face (653) included in the second image (651) is the same face as the face (613) included in the first image (611) before editing or the authenticated face, and may display a message indicating that face editing for the first image (611) is
  • FIGS. 7A, 7B, and 7C are drawings for explaining an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • an electronic device (201) may display a first image (711) selected by a user on a display (260) of the electronic device (e.g., the display (260) of FIG. 2A).
  • the electronic device (201) when the electronic device (201) determines that the left cheek area (713a) selected by the user among the faces (713) included in the first image (711) is an editing area, the electronic device (201) may determine whether the face (713) included in the first image (711) is an authenticated face that allows editing using an artificial intelligence model.
  • the electronic device (201) may acquire first information about the face (713), and generate edit information including at least one of the first image (711), information about the editing area (713a) for the face included in the first image, and a prompt explaining editing (e.g., showing a heart on the left cheek), and the first information about the face (713), and transmit the edit information to an artificial intelligence model (e.g., the artificial intelligence model (231) of FIG. 2b).
  • an artificial intelligence model e.g., the artificial intelligence model (231) of FIG. 2b.
  • the electronic device (201) when the electronic device (201) receives a second image (731) in which the left cheek area included in the first image is edited using the editing information from the artificial intelligence model, the electronic device (201) divides the face (733) included in the second image (731) into a plurality of areas, obtains a score of the entire face area among the plurality of areas, and, when the score is confirmed to be higher than a threshold value, confirms that the face (773) included in the second image (731) is the same face as the face (713) included in the first image (711) before editing or an authenticated face, and displays the second image (731) through the display (260).
  • FIG. 8A is a diagram illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • an electronic device (201) e.g., the electronic device (101) of FIG. 1 and/or the electronic device (201) of FIG. 2) confirms a selection of editing for a face (813a) included in an image (813)
  • the electronic device (201) may provide an option (815) that allows the user to select first information about the face (813a).
  • the electronic device (201) may provide an option (815) including a plurality of pieces of first information so that the face included in the image can be edited into various faces based on the first information of various faces.
  • FIG. 8b is a diagram illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to one embodiment.
  • an electronic device may determine whether the mask area is a face in operation 831 when it confirms input of a first image (811) including a first face, a mask area (813) indicating an editing area, and a prompt (815) describing editing.
  • the artificial intelligence learning unit e.g., 233
  • the electronic device determines that the mask area is a face
  • the artificial intelligence learning unit can check first information (853) about the first face by learning the features of the first face using a plurality of images (851) including the first face as input values, and can check the authenticated face information based on the first information (853) about the first face.
  • the electronic device e.g., the determination unit (285) of FIG. 2) can, in operation 837, identify the face included in the first image as an authenticated face based on the first information (853) about the first face.
  • the electronic device may, in operation 839, determine to edit the first image if it confirms that the face included in the first image is an authenticated face.
  • An artificial intelligence model may receive, in operation 841, editing information including a first image (811) including a first face, a mask area (813) indicating an editing area, a prompt (815) describing the editing, and first information (853).
  • editing information including a first image (811) including a first face, a mask area (813) indicating an editing area, a prompt (815) describing the editing, and first information (853).
  • the above artificial intelligence model (e.g., the artificial intelligence model (231) of FIG. 2B) can generate and output a second image in which a face included in the first image is edited based on edit information including a first image (811) including a first face, a mask area (813) indicating an edit area, a prompt (815) explaining the edit, and first information (853), in operation 845.
  • edit information including a first image (811) including a first face, a mask area (813) indicating an edit area, a prompt (815) explaining the edit, and first information (853), in operation 845.
  • An electronic device may include a communication circuit (e.g., communication module (190) of FIG. 1 and/or communication circuit (257) of FIG. 2A), a display (e.g., display module (160) of FIG. 1 and/or display (260) of FIG. 2A), at least one processor (e.g., processor (120) of FIG. 1 and/or processor (220) of FIGS. 2A to 2B), and a memory (e.g., memory (130) of FIG. 1 and/or memory (230) of FIG. 2A) for storing instructions.
  • a communication circuit e.g., communication module (190) of FIG. 1 and/or communication circuit (257) of FIG. 2A
  • a display e.g., display module (160) of FIG. 1 and/or display (260) of FIG. 2A
  • at least one processor e.g., processor (120) of FIG. 1 and/or processor (220) of FIGS. 2A to 2B
  • a memory e.g., memory
  • the instructions when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to, when confirming editing of a face included in a first image, transmit edit information including first information about the face included in the first face to an artificial intelligence model (e.g., the artificial intelligence model (231) of FIG. 2B), and the first information may be acquired by learning features of the face selected for the editing.
  • the instructions when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to, when receiving a second image obtained by editing a face included in the first image using the edit information from the artificial intelligence model, acquire a score related to similarity between the edited face included in the second image and the face included in the first image.
  • the instructions when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to, when the acquired score is equal to or greater than a threshold value, store the second image.
  • the instructions when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to, when confirming editing of a face included in the first image, use the artificial intelligence model to determine whether a face included in the first image and selected for editing is an authenticated face that allows editing.
  • the instructions when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to, when confirming that a face included in the first image and selected for editing is an authenticated face, obtain first information about the face.
  • the instructions when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to, when confirming that a face included in the first image and selected for editing is not an authenticated face, display a message through the display indicating that face editing of the first image is not possible.
  • the authenticated face may be set to include at least one of the following: the face of a user of the electronic device, the face of a user of a contact selected by the user of the electronic device from among contacts stored in a contact list, or the face of a user of a contact that meets a condition specified by the user from among contacts stored in a contact list.
  • the commands when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to, using an artificial intelligence learning unit, learn a plurality of images including the same face and generate first information including characteristics of the same face.
  • the commands when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to store the generated first information in the memory as first information about the same face included in the plurality of learned images.
  • the commands may include at least one of: information about an editing area for the first image, information about a face included in the first image, or a prompt describing editing.
  • the commands when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to divide the edited face included in the second image into a plurality of regions. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to obtain a score for the plurality of regions. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to display the second image through the display if the score is greater than or equal to a threshold value. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to display a message indicating that face editing for the first image is not possible through the display if the score is less than or equal to the threshold value.
  • the commands when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to divide the edited face included in the second image into a plurality of regions. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to obtain a score for a region corresponding to the edit region included in the edit information among the plurality of regions. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to display the second image through the display if the score is greater than or equal to a threshold value. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to display a message indicating that face editing for the first image is not possible through the display if the score is less than or equal to the threshold value.
  • the commands when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to check the similarity between the edited face included in the second image and the face included in the first image. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to display the second image through the display if the similarity is greater than or equal to a threshold value. In one embodiment, the commands, when individually or collectively executed by the at least one processor, may be configured to cause the electronic device to display a message indicating that face editing for the first image is not possible through the display if the similarity is less than or equal to the threshold value.
  • FIG. 9 is a flowchart illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to an embodiment.
  • the operations of editing a face included in an image using the artificial intelligence model may include operations 901 to 915.
  • each operation may be performed sequentially, but is not necessarily performed sequentially. For example, the order of each operation may be changed, at least two operations may be performed in parallel, or other operations may be added.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B) may display a first image.
  • the electronic device can determine whether a face is included in the first image when confirming selection of a first image based on an input of a user of the electronic device.
  • the electronic device can determine whether a face is included in the first image using a face filter.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B) can confirm a selection of editing for a face included in a first image.
  • the electronic device can identify an editing area for the first image based on an input from a user of the electronic device, and can identify whether the editing area is a part or the entire area of a face included in the first image.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B
  • the electronic device can obtain first information about a face selected for editing in the first image.
  • the electronic device can obtain first information of a face selected through editing from among first information of facial features learned from a memory of the electronic device (e.g., memory (230) of FIG. 2A).
  • a memory of the electronic device e.g., memory (230) of FIG. 2A.
  • the electronic device may generate first information by learning facial features using an artificial intelligence learning unit (e.g., the artificial intelligence learning unit (233) of FIG. 2b) and store the first information in the memory.
  • an artificial intelligence learning unit e.g., the artificial intelligence learning unit (233) of FIG. 2b
  • the electronic device may use the artificial intelligence learning unit to generate first information including characteristics of the same face by using an artificial intelligence learning process on a plurality of images including the same face, and store the first information as first information about the same face included in the plurality of learned images in the memory.
  • the electronic device may use the artificial intelligence learning unit to divide a face into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and an entire face region), identify weights corresponding to the plurality of regions, and generate first information reflecting the identified weights.
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and an entire face region
  • the electronic device may generate edit information including at least one of the first image, information of an edit area for a face included in the first image, or a prompt describing the edit, and first information of a face selected for the edit, and transmit the edit information to the artificial intelligence model.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B
  • the artificial intelligence model may use as input values at least one of the first image included in the editing information, information on an editing area for a face included in the first image, or a prompt explaining editing, and first information on a face selected for editing, and generate as output values a second image in which a face included in the first image is edited.
  • the artificial intelligence model can determine a weight for an editing area based on information about an editing area for a face included in the first image, and generate a second image in which the face included in the first image is edited by reflecting the determined weight.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B) can verify the similarity between the edited face included in the second image and the authenticated face.
  • the electronic device when the electronic device receives a second image in which a face included in a first image is edited from an artificial intelligence model (e.g., the artificial intelligence model (231) of FIG. 2B), the electronic device can verify the similarity between the edited face included in the second image and the authenticated face.
  • an artificial intelligence model e.g., the artificial intelligence model (231) of FIG. 2B
  • the electronic device may divide the face included in the second image into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and the entire face region) and obtain scores for the plurality of regions.
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and the entire face region
  • the electronic device may divide the face included in the second image into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and the entire face region), and obtain a score for a region corresponding to an editing region among the plurality of regions.
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and the entire face region
  • the electronic device may obtain scores for the plurality of regions using Earth Mover Distance (EMD), perceptual loss, or mean square error (MSE) based on the minimum amount of work required to transform one distribution into another by moving the distributions between each other.
  • EMD Earth Mover Distance
  • MSE mean square error
  • an electronic device may compare a score of a face area included in a second image with a threshold value.
  • the electronic device can display a second image in operation 913 if the score is greater than or equal to a threshold value.
  • the electronic device may, if the score is greater than or equal to a threshold value, confirm that the edited face included in the second image is the same face as the authenticated face, and display the second image including the edited face through a display (e.g., 260 of FIG. 2A) of the electronic device.
  • a display e.g., 260 of FIG. 2A
  • the electronic device may display a message indicating that editing of the first image is not possible in operation 915.
  • the electronic device may, if the scores for the plurality of areas are less than or equal to the threshold value, determine that the edited face included in the second image is not the same as the authenticated face, and display a message indicating that face editing for the first image is not possible through a display of the electronic device (e.g., display (260) of FIG. 2b).
  • FIG. 10 is a flowchart illustrating an operation of editing a face included in an image using an artificial intelligence model in an electronic device according to an embodiment.
  • the operations of editing a face included in an image using the artificial intelligence model may include operations 1001 to 1019.
  • each operation may be performed sequentially, but is not necessarily performed sequentially. For example, the order of each operation may be changed, at least two operations may be performed in parallel, or other operations may be added.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B) may display a first image.
  • the electronic device can determine whether a face is included in the first image when confirming selection of a first image based on an input of a user of the electronic device.
  • the electronic device can determine whether a face is included in the first image using a face filter.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B) can confirm a selection of editing for a face included in a first image.
  • the electronic device can identify an editing area for the first image based on an input from a user of the electronic device, and can identify whether the editing area is a part or the entire area of a face included in the first image.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B
  • the electronic device may, if the face information selected for editing is included among the authenticated face information that has been allowed to be edited using an artificial intelligence model stored in the memory of the electronic device (e.g., the memory (230) of FIG. 2A), the face selected for editing may be confirmed as the authenticated face that has been allowed to be edited using the artificial intelligence model.
  • an artificial intelligence model stored in the memory of the electronic device (e.g., the memory (230) of FIG. 2A)
  • the face selected for editing may be confirmed as the authenticated face that has been allowed to be edited using the artificial intelligence model.
  • the electronic device can display a message indicating that face editing for the first image is not possible in operation 1007.
  • the electronic device may display a message indicating that face editing for the first image is not possible through a display of the electronic device (e.g., the display of FIG. 2b).
  • the electronic device can obtain first information about a face selected for editing in the first image.
  • the electronic device can obtain first information of a face selected through editing from among first information of facial features learned from a memory of the electronic device (e.g., memory (230) of FIG. 2A).
  • a memory of the electronic device e.g., memory (230) of FIG. 2A.
  • the electronic device may generate first information by learning facial features using an artificial intelligence learning unit (e.g., the artificial intelligence learning unit (233) of FIG. 2b) and store the first information in the memory.
  • an artificial intelligence learning unit e.g., the artificial intelligence learning unit (233) of FIG. 2b
  • the electronic device may use the artificial intelligence learning unit to learn a plurality of images including the same face, thereby generating first information including characteristics of the same face, and store the first information as first information about the same face included in the plurality of learned images in the memory.
  • the electronic device may use the artificial intelligence learning unit to divide a face into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and an entire face region), identify weights corresponding to the plurality of regions, and generate first information reflecting the identified weights.
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and an entire face region
  • the electronic device may generate edit information including at least one of the first image, information of an edit area for a face included in the first image, or a prompt describing the edit, and first information of a face selected for the edit, and transmit the edit information to the artificial intelligence model.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B
  • the artificial intelligence model may use as input values at least one of the first image included in the editing information, information on an editing area for a face included in the first image, or a prompt explaining editing, and first information on a face selected for editing, and generate as output values a second image in which a face included in the first image is edited.
  • the artificial intelligence model can determine a weight for an editing area based on information about an editing area for a face included in the first image, and generate a second image in which the face included in the first image is edited by reflecting the determined weight.
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B) can verify the similarity between an edited face included in a second image and an authenticated face.
  • the electronic device when the electronic device receives a second image in which a face included in a first image is edited from an artificial intelligence model (e.g., the artificial intelligence model (231) of FIG. 2B), the electronic device can verify the similarity between the edited face included in the second image and the authenticated face.
  • an artificial intelligence model e.g., the artificial intelligence model (231) of FIG. 2B
  • the electronic device may divide the face included in the second image into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and the entire face region) and obtain scores for the plurality of regions.
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and the entire face region
  • the electronic device may divide the face included in the second image into a plurality of regions (e.g., an eye region, a nose region, a mouth region, and the entire face region), and obtain a score for a region corresponding to an editing region among the plurality of regions.
  • a plurality of regions e.g., an eye region, a nose region, a mouth region, and the entire face region
  • the electronic device may obtain scores for the plurality of regions using Earth Mover Distance (EMD), perceptual loss, or mean square error (MSE) based on the minimum amount of work required to transform one distribution into another by moving the distributions between each other.
  • EMD Earth Mover Distance
  • MSE mean square error
  • an electronic device e.g., electronic device (101) of FIG. 1 and/or electronic device (201) of FIGS. 2A to 2B
  • the electronic device can display a second image in operation 1017.
  • the electronic device may, if the score is greater than or equal to a threshold value, identify the edited face included in the second image as the same face as the authenticated face, and display the second image including the edited face through a display of the electronic device (e.g., 260 of FIG. 2A).
  • the electronic device may display a message indicating that editing of the first image is not possible in operation 1019.
  • the electronic device may, if the scores for the plurality of areas are less than or equal to the threshold value, determine that the edited face included in the second image is not the same as the authenticated face, and display a message indicating that face editing for the first image is not possible through a display of the electronic device (e.g., display (260) of FIG. 2b).
  • a method for editing a face included in an image using an artificial intelligence model in an electronic device may include an operation of, when confirming editing of a face included in a first image, transmitting edit information including first information about the face included in the first image to an artificial intelligence model (e.g., the artificial intelligence model (231) of FIG. 2B), and obtaining the first information by learning a feature of the face selected through the editing.
  • an artificial intelligence model e.g., the artificial intelligence model (231) of FIG. 2B
  • the method may include an operation of, when receiving a second image obtained by editing a face included in the first image using the edit information from the artificial intelligence model, obtaining a score related to similarity between an edited face included in the second image and a face included in the first image.
  • the method may include an operation of storing the second image if the obtained score is equal to or greater than a threshold value.
  • the method may include an operation of, when confirming editing of a face included in the first image, using the artificial intelligence model, confirming whether a face included in the first image and selected for editing is an authenticated face that allows editing.
  • the method may include an operation of obtaining first information about the face when confirming that a face included in the first image and selected for editing is an authenticated face.
  • the method may further include an operation of displaying a message through the display indicating that face editing of the first image is not possible when confirming that a face included in the first image and selected for editing is not an authenticated face.
  • the authenticated face may include at least one of the following: the face of a user of the electronic device, the face of a user of a contact selected by the user of the electronic device from among contacts stored in a contact list, or the face of a user of a contact that meets a condition specified by the user from among contacts stored in a contact list.
  • the method according to one embodiment may include an operation of generating first information including characteristics of the same face by learning a plurality of images including the same face using an artificial intelligence learning unit.
  • the method according to one embodiment may further include an operation of storing the generated first information as first information about the same face included in the plurality of learned images in a memory of the electronic device.
  • the method may include at least one of: information on an editing area for the first image, information on a face included in the first image, or a prompt describing editing.
  • the method may include an operation of dividing an edited face included in the second image into a plurality of regions. According to one embodiment, the method may include an operation of obtaining a score for the plurality of regions. According to one embodiment, the method may include an operation of displaying the second image through the display if the score is greater than or equal to a threshold value. According to one embodiment, the method may further include an operation of displaying a message indicating that face editing of the first image is not possible through the display if the score is less than or equal to the threshold value.
  • the method according to one embodiment may include an operation of dividing an edited face included in the second image into a plurality of regions.
  • the method according to one embodiment may include an operation of obtaining a score for a region corresponding to an edit region included in the edit information among the plurality of regions.
  • the method according to one embodiment may include an operation of displaying the second image through the display if the score is greater than or equal to a threshold value.
  • the method according to one embodiment may further include an operation of displaying a message indicating that face editing for the first image is not possible through the display if the score is less than or equal to the threshold value.
  • the method according to one embodiment may include an operation of checking the similarity between the edited face included in the second image and the face included in the first image.
  • the method according to one embodiment may include an operation of displaying the second image through the display if the similarity is above a threshold value.
  • the method according to one embodiment may further include an operation of displaying a message indicating that face editing for the first image is not possible through the display if the similarity is below the threshold value.
  • Electronic devices may take various forms. Electronic devices may include, for example, portable communication devices (e.g., smartphones), computer devices, portable multimedia devices, portable medical devices, cameras, wearable devices, or home appliances. Electronic devices according to embodiments disclosed herein are not limited to the aforementioned devices.
  • first,” “second,” or “first” or “second” may be used merely to distinguish one component from another, and do not limit the components in any other respect (e.g., importance or order).
  • a component e.g., a first component
  • another e.g., a second component
  • functionally e.g., a third component
  • module used in one embodiment of this document may include a unit implemented in hardware, software, or firmware, and may be used interchangeably with terms such as logic, logic block, component, or circuit.
  • a module may be an integral component, or a minimum unit or part of such a component that performs one or more functions.
  • a module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • An embodiment of the present document may be implemented as software (e.g., a program (140)) including one or more instructions stored in a storage medium (e.g., an internal memory (136) or an external memory (138)) readable by a machine (e.g., an electronic device (101) or an electronic device (301)).
  • a processor e.g., a processor (520)
  • the machine e.g., an electronic device (301)
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the machine-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' simply means that the storage medium is a tangible device and does not contain signals (e.g., electromagnetic waves), and the term does not distinguish between cases where data is stored semi-permanently or temporarily on the storage medium.
  • the method according to one embodiment disclosed in the present document may be provided as included in a computer program product.
  • the computer program product may be traded as a commodity between a seller and a buyer.
  • the computer program product may be distributed in the form of a machine-readable storage medium (e.g., compact disc read only memory (CD-ROM)), or may be distributed online (e.g., downloaded or uploaded) via an application store (e.g., Play Store TM ) or directly between two user devices (e.g., smart phones).
  • an application store e.g., Play Store TM
  • at least a portion of the computer program product may be temporarily stored or temporarily generated in a machine-readable storage medium, such as the memory of a manufacturer's server, an application store's server, or an intermediary server.
  • each component e.g., a module or a program of the above-described components may include one or more entities, and some of the entities may be separated and placed in other components.
  • one or more components or operations of the aforementioned components may be omitted, or one or more other components or operations may be added.
  • a plurality of components e.g., a module or a program
  • the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration.
  • the operations performed by a module, program, or other component may be executed sequentially, in parallel, iteratively, or heuristically, or one or more of the operations may be executed in a different order, omitted, or one or more other operations may be added.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

일 실시 예에 따른 전자 장치는, 통신 회로, 디스플레이, 적어도 하나의 프로세서, 및 명령어들을 저장하는 메모리를 포함하고, 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득되고, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 상기 얼굴 간의 유사성과 관련된 스코어를 획득하고, 상기 획득한 스코어가 임계 값이상이면, 상기 제2 이미지를 저장하도록 설정될 수 있다. 이외 다른 실시 예를 포함할 수 있다.

Description

전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법
본 개시는 전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법에 관한 것이다.
최근 인공 지능 모델을 이용하여, 이미지를 생성하는 기술이 활발히 진행중이며, 특히 이미지의 특정 영역에 대한 편집을 진행하여 새로운 이미지를 생성하고 있다.
인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 경우, 편집 된 얼굴은 완전히 다른 얼굴로 편집될 수 있다. 그러나, 특히 타인의 얼굴의 동의 없이 편집할 수 있음으로, 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 것은 권장되지 않으면, 종종 금지하고 있다.
인공 지능 모델을 이용하여, 인증된 얼굴만을 편집하고, 상기 편집된 얼굴이 인증된 얼굴과 유사할 경우에만 편집된 얼굴을 포함하는 이미지를 제공할 수 있다.
일 실시 예에 따른 전자 장치는, 통신 회로, 디스플레이, 적어도 하나의 프로세서, 및 명령어들을 저장하는 메모리를 포함할 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 상기 얼굴 간의 유사성과 관련된 스코어를 획득하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 획득한 스코어가 임계 값이상이면, 상기 제2 이미지를 저장하도록 설정될 수 있다.
일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법은, 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득되는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 상기 얼굴 간의 유사성과 관련된 스코어를 획득하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 획득한 스코어가 임계 값이상이면, 상기 제2 이미지를 저장하는 동작을 포함할 수 있다.
일 실시 예에 따른 명령어들을 저장하고 있는 비휘발성 저장 매체에 있어서, 상기 명령어들은 전자 장치에 의하여 실행될 때에 상기 전자 장치로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득되는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 적어도 하나의 동작은, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 상기 얼굴 간의 유사성과 관련된 스코어를 획득하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 적어도 하나의 동작은, 상기 획득한 스코어가 임계 값이상이면, 상기 제2 이미지를 저장하는 동작을 포함할 수 있다.
본 개시의 특정 실시 예의 상기 및 기타 측면, 특징 및 이점은 첨부된 도면과 함께 작성된 다음 설명에서 더 명확해질 것입니다:
도 1은 일 실시 예에 따른 네트워크 환경 내의 전자 장치의 블록도 이다.
도 2a는 일 실시 예에 따른 전자 장치의 블록도이다.
도 2b는 일 실시 예에 따는 프로세서와 인공 지능 모델의 구성을 설명하기 위한 블록도 이다.
도 3a, 도 3b, 도 3c, 도 3d 및 도 3e는 인공 지능 모델에서 제1 정보를 생성하는 동작을 설명하기 위한 도면들이다.
도 4a 및 도 4b는 인공 지능 모델에서 얼굴을 편집한 이미지의 생성 동작을 설명하기 위한 도면들이다.
도 5는 일 실시 예에 따른 전자 장치에서 이미지에서 얼굴이 편집된 이미지에서 유사도를 확인하기 위한 동작을 설명하기 위한 도면이다.
도 6a, 도 6b, 도 6c 및 도 6d는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면들이다.
도 7a, 도 7b 및 도 7c는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면들이다.
도 8a는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면이다.
도 8b는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 흐름도이다.
도 10은 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 흐름도이다.
도 1은, 일 실시 예에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록 도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시 예에 따른이면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 따른이면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따른이면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시 예에 따른이면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따른이면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시 예에 따른이면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따른이면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따른이면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따른이면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따른이면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따른이면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따른이면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따른이면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따른이면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따른이면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시 예에 따른이면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따른이면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시 예에 따른이면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따른이면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시 예에 따른이면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따른이면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
일 실시예에 따른이면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시 예에 따른이면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 따른이면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따른이면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시 예에 따른이면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2a는 일 실시 예에 따른 전자 장치의 블록도 이고, 도 2b는 일 실시 예에 따는 프로세서와 인공 지능 모델의 구성을 설명하기 위한 블록도 이다.
상기 도 2a 및 상기 도 2b를 참조하면, 전자 장치(201)는, 프로세서(220), 메모리(230), 디스플레이(260) 및 통신 회로(290)를 포함할 수 있다. 상기 전자 장치(201)는 상기 전자 장치(101)(도 1)과 대응될 수 있다.
일 실시 예에 따른, 프로세서(220)는 전자 장치(201)의 전반적인 제어 동작을 수행할 수 있다. 일 실시 예에 따른 프로세서(220)는 소프트웨어(예: 도 1의 프로그램(140))를 실행하여 프로세서(220)에 연결된 전자 장치(201)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 명령어에 기반하여 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따른 명령어(instruction)는 전자 장치(201) 또는 프로세서(220)에 의해 처리 가능한 기계어(machine　language)로 구성된 명령을 포함할 수 있다. 예를 들면, 명령어는 프로그램에서 이용되는 동작 지시에 대응된 명령을 포함할 수 있다.
일 실시 예에 따른 프로세서(220)는, 제1 이미지에 포함된 얼굴의 편집을 확인하면, 인공 지능 모델로 전송할 편집 정보를 생성할 수 있다. 하나 이상의 예에서, 얼굴의 편집은 전자 장치(201)의 상태를 기반으로 확인되거나 결정될 수 있다. 예를 들어, 전자 장치(201)가 얼굴을 포함하는 이미지를 표시하는 편집 애플리케이션을 실행하고 있을 때, 이미지의 얼굴이 편집되고 있다고 결정될 수 있다. 하나 이상의 예에서, 전자 장치(201)는 얼굴에 하나 이상의 편집 작업이 수행되고 있을 때 이미지의 얼굴이 편집되고 있다고 결정될 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 전자 장치의 사용자의 입력을 기반으로 제1 이미지의 선택을 확인하면, 상기 제1 이미지에 얼굴의 포함 여부를 확인할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 페이스 필터(face filter)를 이용하여 상기 제1 이미지에 얼굴 포함 여부를 확인할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 상기 사용자의 입력을 기반으로 상기 제1 이미지에 포함된 얼굴에 대한 편집을 확인할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 상기 사용자의 입력을 기반으로 상기 제1 이미지에 대한 편집 영역을 확인하고, 상기 편집 영역이 상기 제1 이미지에 포함된 얼굴의 일부 영역 또는 전체 영역인지 확인할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 상기 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 편집으로 선택된 얼굴이 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴인지 확인할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 메모리(230)에 저장된 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴 정보 중 상기 편집으로 선택된 얼굴 정보가 포함되어 있으면, 상기 편집으로 선택된 얼굴이 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인하고, 상기 편집으로 선택된 얼굴에 대한 제1 정보를 획득할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 메모리(230)에 저장된 얼굴의 특징을 학습한 제1 정보 중 상기 편집으로 선택된 얼굴의 제1 정보를 획득할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 상기 편집으로 선택된 얼굴이 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인하지 못하면, 디스플레이(260)를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다.
일 실시 에에 따른 상기 프로세서(220)는, 상기 전자 장치의 사용자의 얼굴, 연락처 목록에 저장된 연락처들 중 상기 전자 장치의 사용자에 의해 선택된 연락처의 사용자의 얼굴, 연락처 목록에 저장된 연락처들 중 상기 사용자가 지정한 조건에 부합하는 연락처의 사용자의 얼굴, 또는 얼굴을 포함하는 이미지들 중 얼굴의 태그 정보를 포함하는 얼굴 중 적어도 하나를 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 사용자의 선택, 사용자의 지정된 조건, 또는 전자 장치에 지정된 조건들 다양한 조건을 기반으로 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴을 미리 확인하여 상기 메모리(230)에 저장할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 인공 지능 학습부(233)를 이용하여, 얼굴의 특징을 학습한 제1 정보를 획득하여 상기 메모리(230)에 저장할 수 있다. 하나 이상의 예에서, 인공 지능 학습부(233)는 인공 지능 프로세스를 수행하도록 구성된 ASIC 또는 프로세서일 수 있다. 하나 이상의 예에서, 인공 지능 학습부(233)은 프로세서(220)에 의해 실행될 때 프로세서(220)가 인공 지능 프로세스를 실행하게 하는 하나 이상의 실행 가능 코드의 집합일 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 상기 인공 지능 학습부(233)를 이용하여, 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴에 대응되는 상기 제1 정보를 획득하여 상기 메모리(230)에 저장할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 상기 인공 지능 학습부(233)를 이용하여, 동일한 얼굴을 포함하는 복수의 이미지들을 학습(예: 훈련)하여 동일한 얼굴에 대한 특성을 포함하는 제1 정보를 생성하고, 상기 제1 정보를 상기 학습된 복수의 이미지들에 포함된 동일한 얼굴에 대한 제1 정보로 상기 메모리(230)에 저장할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 상기 인공 지능 학습부(233)를 이용하여, 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역, 얼굴 전체 영역)로 구분하고, 상기 복수의 영역들에 대응되는 가중치들을 확인하고, 상기 확인된 가중치들을 반영한 제1 정보를 생성할 수 있다.
일 실시 예에 따른 인공 지능 학습부(233)은, 메모리(230)에 저장된 인코더(encoder)를 포함할 수 있다.
일 실시 예에 따른 인공 지능 학습부(233)은, 인공지능 모델(231)로부터 전달된 학습된 인코더를 포함할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보, 또는 편집을 설명하는 프롬프트 중 적어도 하나와 상기 편집으로 선택된 얼굴의 제1 정보를 포함하는 편집 정보를 상기 인공 지능 모델(231)로 전송할 수 있다.
일 실시 예에 따른 프로세서(220)는, 인공 지능 모델(231)을 이용하여, 편집 정보를 기반으로 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따른 인공 지능 모델(231)은, 메모리(230)에 저장된 온디바이스 인공 지능 모델을 포함할 수 있으며, 상기 인공 지능 모델(231)은 생성형 인공 지능 모델을 포함할 수 있다.
일 실시 예에 따른 프로세서(220)는, 외부 서버(251)에 저장된 외부 인공 지능 모델(251a)을 이용하여 상기 인공 지능 모델(231)과 동일하게, 얼굴을 포함하는 이미지의 편집동작을 수행할 수 있으며, 상기 외부 인공 지능 모델(251a)은 생성형 인공 지능 모델을 포함할 수 있다.
일 실시 예에 따른 프로세서(220)는, 메모리(230)에 저장된 인공 지능 모델(231)과 외부 서버(251)에 포함된 외부 인공 지능 모델(251a) 중 적어도 하나를 이용하여 얼굴을 포함하는 이미지의 편집동작을 수행할 수 있다. 하나 이상의 예에서, 전자 장치(201)는 외부 인공 지능 모델(251a)를 다운로드하여 인공 지능 모델(231)로 사전 로드될 수 있다. 하나 이상의 예에서, 외부 인공 지능 모델(251a)가 업데이트되면, 업데이트된 외부 인공 지능 모델(251a)가 전자 장치 (201)에 다운로드되어 인공 지능 모델(231)을 대체할 수 있다. 하나 이상의 예에서, 하나 이상의 작업이 인공 지능 모델(231)과 외부 인공 지능 모델(251a) 사이에 분배될 수 있다. 일 실시 예에 따른 인공 지능 모델(231)은, 상기 편집 정보에 포함된 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보, 또는 편집을 설명하는 프롬프트 중 적어도 하나와 상기 편집으로 선택된 얼굴의 제1 정보를 입력 값으로 사용하여, 출력 값으로 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따른 인공 지능 모델(231)은, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보를 기반으로 편집 영역에 대한 가중치를 확인하고, 상기 확인된 가중치를 반영하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따른 프로세서(220)는, 인공 지능 모델(231)로부터 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 제2 이미지에 포함된 편집된 얼굴과 인증된 얼굴의 유사성을 확인하고, 제2 이미지를 제공(예, 표시, 저장)할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 상기 제2 이미지에 포함된 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역 및 얼굴의 전체 영역)로 구분하는 프로세스를 진행하고, 상기 복수의 영역들에 대한 스코어를 획득하고, 상기 복수의 영역들에 대한 스코어가 임계 값 이상이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일한 얼굴로 확인하고, 디스플레이(260)를 통해 편집된 얼굴을 포함하는 상기 제2 이미지를 표시할 수 있다. 일 실시 예에 따른 상기 인증된 얼굴과 상기 편집된 얼굴은 상기 인증된 얼굴과 상기 편집된 얼굴의 특징(예: 얼굴을 구분한 복수의 영역들(예: 눈 영역, 코 영역, 입 영역 또는 얼굴 전체 영역))에 기반하여 동일한 사람에 의한 얼굴로 인증될 수 있다. 일 실시 예에 따른 상기 프로세서(220)는, 상기 복수의 영역들에 대한 스코어가 상기 임계 값 이하이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일하지 않은 얼굴로 확인하고, 상기 디스플레이(260)를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다,
일 실시 예에 따른 상기 프로세서(220)는, 상기 제2 이미지에 포함된 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역 및 얼굴의 전체 영역)로 구분하고, 상기 복수의 영역들 중 편집 영역에 대응되는 영역에 대한 스코어를 획득하고, 상기 편집 영역에 대응되는 영역에 대한 스코어가 임계 값 이상이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일한 얼굴로 확인하고, 디스플레이(260)를 통해 편집된 얼굴을 포함하는 상기 제2 이미지를 표시할 수 있다. 일 실시 예에 따른 상기 프로세서(220)는, 상기 편진 영역에 대응되는 영역에 대한 스코어가 상기 임계 값 이하이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일하지 않은 얼굴로 확인하고, 상기 디스플레이(260)를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다,
일 실시 예에 따른 상기 프로세서(220)는, 서로 간의 분포를 이동하여 하나의 분포를 다른 분포로 변환하는 데 필요한 최소한의 작업량을 기반한 EMD(Earth Mover Distance), perceptual Loss 또는 평균 제곱 오차(MSE:Mean Square Error)을 이용하여 상기 복수의 영역들에 대한 스코어를 획득할 수 있다. 하나 이상의 예에서 EMD는 공간에 대한 두 개의 주파수 분포, 밀도 또는 측정 간의 차이 측정일 수 있습니다. 하나 이상의 예에서 perceptual Loss 는 신경망을 통해 이미지를 전달하고 하나 이상의 레이어에서 피처 맵을 비교하여 결정될 수 있습니다.
일 실시 예에 따른 상기 프로세서(220)는, 인증된 얼굴을 복수의 영역들로 구분하고 상기 복수의 영역들의 스코어에 대한 평균 값을 상기 임계 값으로 설정할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 인증된 얼굴을 복수의 영역들로 구분하고 상기 복수의 영역들 각각에 대해 임계 값을 설정할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 인공 지능 모델(231)의 성능 또는 용도에 따라 상기 임계 값을 변경할 수 있다. 하나 이상의 예에서, 인공 지능 모델(231)은 전자 장치(201)에 저장된 하나 이상의 이미지를 기반으로 업데이트되거나 재학습될 수 있으며, 여기서 임계값은 재학습 중에 업데이트될 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴과의 유사도를 확인하고, 상기 유사도가 임계 값이상이면, 디스플레이(260)를 통해 상기 제2 이미지를 표시할 수 있다. 일 실시 예에 따른 상기 프로세서(220)는, 상기 유사도가 상기 임계값 이하이면, 상기 디스플레이(260)를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 평균 제곱 오차(MSE, Mean Squared Error), 최대 신호 대 잡음비(PSNR, Peak Signal-to-noise ratio) 또는 구조적 유사도(SSIM, Structural Similarity Index)를 이용하여 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴과의 유사도를 확인할 수 있다.
일 실시 예에 따라 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작이 프로세서(220)에 의해 수행되거나, 또는 상기 프로세서(220)는 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하기 위한 얼굴 편집부(280)를 포함하거나 또는 상기 전자 장치에 별도로 구성된 상기 얼굴 편집부(280)를 제어할 수 있다
일 실시 예에 따른 상기 얼굴 편집부(280)는, 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하기 위해 얼굴 검출부(281), 정보부(283) 및 판별부(285)를 포함할 수 있다.
일 실시 예에 따른 상기 얼굴 검출부(281)는 상기 프로세서(220)와 동일하게 이미지에서 얼굴의 포함여부를 확인할 수 있다.
일 실시 예에 따른 상기 정보부(283)는 상기 프로세서(220)와 동일하게 편집 정보를 생성할 수 있다.
일 실시 예에 따른 상기 판별부(285)는 상기 프로세서(220)와 동일하게 제1 이미지에 포함된 얼굴이 인증된 얼굴인지 확인하고, 인공 지능 모델로부터 수신된 편집된 얼굴을 포함하는 제2 이미지에서 편집된 얼굴과 인증된 얼굴에 대한 유사도를 확인할 수 있다.
일 실시 예에 따른 프로세서(220)는, 전자 장치가 펫 모드인 경우, 인공 지능 모델을 이용하여 제1 이미지에 포함된 동물을 편집한 제2 이미지를 생성하여 제공할 수 있다.
일 실시 예에 따른 상기 프로세서(220)는, 인공 지능 모델을 이용하여 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성하는 방법과 동일한 방법으로, 전자 장치가 펫 모드인 경우 인공 지능 모델을 이용하여 제1 이미지에 포함된 동물을 편집한 제2 이미지를 생성하여 제공할 수 있다.
일 실시 예에 따른 메모리(230)는, 도 1의 메모리(130) 실질적으로 동일하거나 유사하게 구현될 수 있다.
일 실시 예에 따른, 상기 메모리(230)에는 온디바이스 인공 지능 모델(231)이 저장될 수 있다.
일 실시 예에 따른 상기 온디바이스 인공 지능 모델(231)은, 전자 장치(201) 내 실장된 인공 지능 모델로써 네트워크 없이 다양한 기능을 제공할 수 있다.
일 실시 예에 따른, 상기 메모리(230)에는 복수의 인공 지능 모델들이 저장될 수 있다.
일 실시 예에 따른, 상기 복수의 인공 지능 모델들 각각은 지정된 종류의 학습 알고리즘을 기반으로 학습된 모델들로서, 다양한 종류의 데이터(예: 컨텐트)를 입력 받아 연산하여 결과 데이터를 출력(예: 획득)하도록 구현된 인공 지능 모델들일 수 있다. 일 실시 예에 따른, 상기 복수의 인공 지능 모델들은 생성형 인공 지능 모델을 포함할 수 있다. 상기 생성형 인공 지능 모델은 입력된 프롬프트에 대한 응답으로 학습한 내용을 기반으로 새로운 컨텐트(예: 텍스트, 이미지, 및/또는 컴퓨터 코드등)을 생성하여 출력할 수 있다. 예를 들어, 전자 장치(201)에서 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 기반으로 지정된 종류들의 데이터들을 인풋 데이터로 하여 특정 종류의 결과 데이터를 아웃풋 데이터로 출력하도록 학습이 수행되어 복수의 인공 지능 모델들(예: 머신 러닝 모델, 및 딥 러닝 모델)이 생성됨으로써 전자 장치(201)에 저장되거나, 또는 외부 전자 장치(예: 외부 서버)로부터 학습된 인공 지능 모델들이 전자 장치(201)로 전달되어 저장될 수 있다. 예를 들어, 전자 장치(201)에서 입력 데이터 (인풋 데이터)를 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 기반으로 지정된 종류들의 인공지능을 통해 학습된 모델의 아웃풋 데이터로 출력할 수 있다. 상기 머신 러닝 알고리즘은 선형 회귀(linear regression), 및 로지스틱 회귀(logistic regression)와 같은 지도 학습 알고리즘(supervised algorithms), 클러스터링(clustering), 시각화와 차원 축소(visualization and dimensionality reduction), 및 연관 규칙 학습(association rule learning)과 같은 비지도 학습 알고리즘(unsupervised algorithms), 및 강화학습 알고리즘(reinforcement algorithms)을 포함하고, 상기 딥 러닝 알고리즘은 ANN(Artificial Neural Network), DNN(Deep Neural Network), CNN(Convolution Neural Network)을 포함할 수 있다. 당업자가 이해하는 바와 같이 본 개시는 상기 기재된 바에 제한되지 않고 다양한 학습 알고리즘을 더 포함할 수 있다. 상기 학습 완료된 인공 지능 모델은 입력 데이터를 연산하기 위한 복수의 연산 동작(예: 컨벌루션 레이어, 또는 풀링 레이어)을 포함하며, 상기 복수의 연산 동작에 기반하여 입력 데이터에 대한 연산을 수행함으로써 결과 데이터를 출력하도록 구현될 수 있다.
일 실시 예에 따른, 상기 메모리(230)에는 복수의 외부 AI모델과 연결할 수 있는 복수의 어플리케이션들이 저장될 수 있다.
일 실시 예에 따른, 상기 메모리(230)에는 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴 정보 및 얼굴의 특징을 학습한 제1 정보가 저장될 수 있다.
일 실시 예에 따른 디스플레이(260)는, 도 1의 디스플레이 모듈(160) 실질적으로 동일하거나 유사하게 구현될 수 있다.
일 실시 예에 따른 상기 디스플레이(260)는, 편집 전의 얼굴을 포함하는 제1 이미지 및/또는 편집된 얼굴을 포함하는 제2 이미지가 표시될 수 있다.
일 실시예에 따른 통신 회로(290)는 다양한 종류의 통신 방식으로 외부 전자 장치(예: 다른 전자 장치, 또는 서버)와 통신 연결을 형성하고, 데이터를 송신 및/또는 수신할 수 있다. 상기 통신 방식은 상술한 바와 같이, Bluetooth, 및 Wi-Fi direct와 같은 직접 통신 연결을 설정하는 통신 방식, AP(access point)를 이용하는 통신 방식(예: Wi-Fi 통신), 또는 기지국(base station)을 이용하는 셀룰러 통신을 이용하는 통신 방식(예: 3G, 4G/LTE, 5G)을 포함할 수 있다. 상기 통신 회로(290)는 도 1에서 상술한 통신 모듈(190)과 같이 구현될 수 있으므로 중복되는 설명은 생략한다.
도 3a, 도 3b, 도 3c, 도 3d 및 도 3e는 인공 지능 모델에서 제1 정보를 생성하는 동작을 설명하기 위한 도면들이다.
일 실시예에 따라, 상기 도 3a를 참조하면, 제1 얼굴(예: 동일한 얼굴)을 포함하는 복수의 이미지들(311)이 입력 값으로 인공 지능 학습부(예: encoder)(233a)로 입력되면, 상기 인공 지능 학습부(예: encoder)(233a)는 상기 제1 얼굴의 특징을 학습한 상기 제1 얼굴에 대한 제1 정보(331a)를 출력할 수 있다. 상기 인공 지능 학습부(예: encoder)(233a)는, 복수의 이미지(311)들 각각에 포함된 제1 얼굴의 특징을 분석하여 상기 제1 얼굴의 특징들에 대한 분포도를 생성하고 상기 제1 얼굴의 특징들에 분포도를 학습한 상기 제1 정보(331a)를 생성할 수 있다.
인공 지능 모델(231)은 상기 제1 정보(331a)를 포함하는 편집 정보가 입력 값으로 입력되면 상기 편집 정보를 기반으로 생성한 편집 이미지(351a)를 출력 값으로 출력할 수 있다.
상기 제1 정보(331a)는, 상기 인공 지능 학습부(예: encoder)(233a)를 통해 나온 값으로, 이미지의 정보 및 특징을 잠재 공간에 나타낸 값(예: latent vector value)을 나타낼 수 있다. 상기 제1 정보(331a)는, 이미지의 특징 및 정보를 표현할 수 있는 값(예: distribution value)들의 모임을 나타낼 수 있다.
일 실시 예에 따라, 상기 인공 지능 학습부에서 학습(훈련)에 사용되는 인물, 사물 또는 상황에 대한 이미지에 대한 모습들(예: 눈 색깔, 크기, 조명, 각도 등)에 대한 조건을 결정하는 값을 잠재 변수(latent vector)라고 하고, 상기 이미지에 포함된 얼굴의 성별, 나이, 인종, 머리스타일, 피부, 및/또는 얼굴 표정 또는 당업자에게 알려진 기타 적절한 얼굴 표정과 같은 얼굴에 대한 정보와, 인물 주변의 배경, 얼굴 각도, 거리, 바람, 및/또는 빛등에 대한 값들을 잠재 변수로 결정할 수 있다. 상기 인공 지능 학습부는 상기 데이터들을 스스로 학습하여 결정할 수 있다.
일 실시예에 따라, 상기 도 3b를 참조하면, 제1 얼굴(예: 동일한 얼굴)을 포함하는 복수의 이미지들(311)이 입력 값으로 인공 지능 학습부(예: encoder)(233b)로 입력되면, 상기 인공 지능 학습부(예: encoder)(233b)는 미세 조정(fine-tuning)으로 학습하여, 복수의 이미지(311)들 각각에 포함된 제1 얼굴의 특징을 분석하여 상기 제1 얼굴의 특징들에 대한 분포도를 생성하고 상기 제1 얼굴의 특징들에 분포도를 학습한 상기 제1 정보(331b)를 생성할 수 있다.
인공 지능 모델(231)은 상기 제1 정보(331b)를 포함하는 편집 정보가 입력 값으로 입력되면 상기 편집 정보를 기반으로 생성한 편집 이미지(351b)를 출력 값으로 출력할 수 있다. 일 실시 예 따라, 상기 도 3b에서 T1은 상기 인공 지능 학습부(예: encoder)(233b)에서 입력 값으로 입력된 상기 복수의 이미지들(311)에 대한 훈련 및 파인 튜닝되는 영역을 나타내고 있다.
일 실시 예에 따라, 상기 도 3c를 참조하면, 제1 얼굴(예: 동일한 얼굴)을 포함하는 복수의 이미지들(311)이 입력 값으로 인공 지능 학습부(예: encoder)(233c)로 입력되면, 상기 인공 지능 학습부(예: encoder)(233c)를 LoRA(Low Rank Adaptation)로 학습하여, 복수의 이미지(311)들 각각에 포함된 제1 얼굴의 특징을 분석하여 상기 제1 얼굴의 특징들에 대한 분포도를 생성하고 상기 제1 얼굴의 특징들에 분포도를 학습한 상기 제1 정보(331c)를 생성할 수 있다. 상기 LoRA를 이용하여 복수의 이미지들을 학습하는 경우, 미세 조정(fine-tuning)을 이용할 때보다 메모리의 사용 시간에 대한 소요이 적으면, 제1 정보 또한 효율적으로 생성할 수 있다. 하나 이상의 예에서 상기 LoRA는 인공 지능 학습부를 훈련할 때 데이터에 대한 미세 조정을 위한 파인 튜닝(Fine tunnig)을 위해 사용될 수 있는 모델이다. 당업자가 이해한 바와 같이 상기 LoRA는 하나의 예로 설명한 것임으로, 상기 LoRA외에 다양힌 방식으로 인공 지능 학습부를 학습시킬 수 있다.
인공 지능 모델(231)은 상기 제1 정보(331c)를 포함하는 편집 정보가 입력 값으로 입력되면 상기 편집 정보를 기반으로 생성한 편집 이미지(351c)를 출력 값으로 출력할 수 있다. 일 실시 예 따라, 상기 도 3c에서 T2는 상기 인공 지능 학습부(예: encoder)(233c)에서 입력 값으로 입력된 상기 복수의 이미지들(311)에 대한 훈련 및 파인 튜닝되는 영역을 나타내고 있다.
일 실시 예에 따라, 상기 도 3d를 참조하면, 제1 얼굴(예: 동일한 얼굴)을 포함하는 복수의 이미지들(311)이 입력 값으로 제1 인공 지능 학습부(예: encoder)(233d)로 입력되면, 상기 제1 인공 지능 학습부(예: encoder)(233d)는 복수의 이미지(311)들 각각에 포함된 제1 얼굴의 특징을 분석하여 상기 제1 얼굴의 특징들에 대한 분포도를 생성하고, 상기 제1 얼굴의 특징들에 분포도를 제2 인공 지능 학습부(예: distilled encoder)(233e)로 전달 할 수 있다. 상기 제2 인공 지능 학습부(예: distilled encoder)(233e)는, 상기 제1 인공 지능 학습부(encoder)(233d)에서 전달한 사이즈가 큰 상기 제1 얼굴의 특징들에 분포도를 증류(distillation)하여 사이즈를 감소시키고, 사이즈가 감소된 상기 제1 얼굴의 특징들에 분포도를 학습한 상기 제1 정보(331d)를 생성할 수 있다. 전자 장치는, 인공 지능 모델로부터 사이즈가 큰 제1 인공 지능 학습부(예: encoder)(233d)를 전달받고, 사이즈가 큰 제1 인공 지능 학습부(예: encoder)(233d)를 증류(distillation)하여 전자 장치에서 사용 가능한 사이즈가 작은 제2 인공 지능 학습부(예: distilled encoder)(233e) 생성하고, 상기 제2 인공 지능 학습부(예: distilled encoder)(233e)를 통해 복수의 얼굴 이미지(311)에 대한 훈련을 진행할 수 있다.
인공 지능 모델(231)은 상기 제1 정보(331d)를 포함하는 편집 정보가 입력 값으로 입력되면 상기 편집 정보를 기반으로 생성한 편집 이미지(351d)를 출력 값으로 출력할 수 있다. 일 실시 예 따라, 상기 도 3d에서 T3은 상기 제2 인공 지능 학습부(예: distilled encoder)(233e)에서 입력 값으로 입력된 상기 복수의 이미지들(311)에 대한 훈련 및 파인 튜닝되는 영역을 나타낼 수 있다.
일 실시 예에 따라, 상기 도 3e를 참조하면, 제1 얼굴(예: 동일한 얼굴)을 포함하는 복수의 이미지들(311)이 입력 값으로 인공 지능 학습부(예: encoder)(233f)로 입력되면, 상기 인공 지능 학습부(예: encoder)(233f)는 잠재적 벡터(latent vector)(a1)와 잠재적 벡터(latent vector)를 재매개화(reparametrization)트릭을 이용하여 생성한 분포(Distribution)(a2)를 결합하여 제1 정보(331e)를 생성할 수 있다.
인공 지능 모델(231)은 상기 제1 정보(331e)를 포함하는 편집 정보가 입력 값으로 입력되면 상기 편집 정보를 기반으로 생성한 편집 이미지(351e)를 출력 값으로 출력할 수 있다.
도 4a 및 도 4b는 인공 지능 모델에서 얼굴을 편집한 이미지의 생성 동작을 설명하기 위한 도면들이다.
일 실시 예에 따라, 상기 도 4a를 참조하면, 인공 지능 모델(231)(예: 도 2b의 인공 지능 모델(231))은, 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보 및 편집을 설명하는 프롬프트 중 적어도 하나와, 상기 제1 이미지에 포함된 얼굴의 특징을 학습한 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 상기 전자 장치의 프로세서(예: 도 2의 프로세서(220))로부터 수신할 수 있다. 상기 인공 지능 모델(231)은, 상기 제1 정보에 얼굴 특징에 대한 분포에 대한 정보(예: 분산, 평균)와 얼굴이라는 단어를 포함하고 있음을 확인하면, 상기 분포에 대한 정보에서 얼굴 대한 정보(b1)를 검출하고, 상기 검출된 얼굴에 대한 정보(b1)를 상기 인공 지능 모델(231)의 매 단계마다 주입하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따르면, 생성형 인공지능 모델(231)(예: 디퓨전 모델)을 기반으로 동작 시에, 각 Attention(예: 호출 명령) 단계는 복수의 단계를 거쳐서 이미지의 노이즈를 제거 할 수 있다. 각 단계에서 입력된 정보(411)에 "사람"이라는 단어를 포함하고 있는 경우, 입력 값으로 입력된 정보를 이용하여 각 단계에서 노이즈를 제거할 수 있다.
일 실시 예에 따라, 상기 도 4b를 참조하면, 인공 지능 모델(231)은, 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보 및 편집을 설명하는 프롬프트 중 적어도 하나와, 상기 제1 이미지에 포함된 얼굴의 특징을 학습한 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 상기 전자 장치의 프로세서(예: 도 2a 내지 도 2b의 프로세서(220))로부터 수신할 수 있다. 상기 인공 지능 모델(231)은, 상기 편집 정보를 컨트롤넷(controlnet)의 조건으로 사용함으로써 상기 컨트롤넷(controlnet)을 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다. 일 실시 예에 따르면, 생성형 인공지능 모델(231)(예: 디퓨전 모델)은 상기 인공지능 모델(231)에서 사용하는 컨트롤넷을 통해서 생성된 이미지가 인공 지능 학습부(예: encoder)(233)로 입력되는 입력 값에 대응되게 표현하는지 학습을 수행하고, 상기 학습된 인공 지능 학습부(예: encoder)(233)를 전자 장치로 전달하면, 상기 전자 장치는 상기 인공 지능 학습부(예: encoder)(233)를 이용하여 얼굴의 특징을 학습한 얼굴에 대한 제1 정보를 생성할 수 있다.
도 5는 일 실시 예에 따른 전자 장치에서 이미지에서 얼굴이 편집된 이미지에서 유사도를 확인하기 위한 동작을 설명하기 위한 도면이다.
일 실시 예에 따라 상기 도 5를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2의 전자 장치(201)는, 인공 지능 모델을 이용하여 제1 이미지에 포함된 얼굴이 편집된 제2 이미지를 생성하면, 상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들 예를 들어, 눈 영역(511), 코 영역(513), 입 영역(515) 및 얼굴 전제 영역(517)으로 구분할 수 있다.
상기 전자 장치는 상기 제2 이미지에 포함된 편집된 얼굴을 구분한 복수의 영역들의 스코어 또는 상기 복수의 영역들 중 편집 영역에 대응되는 영역의 스코어를 획득하고, 상기 스코어가 임계 값 이상이면, 편집 전인(예: 편집이 되지 않은) 얼굴과 동일한 얼굴로 확인하고, 또는 인증된 얼굴과 동일한 얼굴로 확인하고, 상기 전자 장치의 디스플레이(예: 도 2a의 디스플레이(260)를 통해 상기 제2 이미지를 표시할 수 있다. 상기 전자 장치는, 상기 스코어가 임계 값 이하이면, 편집 전인(편집되되 않은) 얼굴 또는 인증된 얼굴과 동일하지 않은 얼굴로 확인하고, 상기 전자 장치의 디스플레이(예: 도 2a의 디스플레이(260)를 통해 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다. 하나 이상의 예에서, 복수의 영역들 중 각각의 영역은 평균화되어 임계값과 비교하는 데 사용되는 개별 스코어를 수신할 수 있다. 하나 이상의 예에서, 복수의 영역들 중 가장 높은 스코어를 가진 영역이 임계값과 비교하도록 사용될 수 있다.
일 실시 예에 따른 상기 전자 장치는, 인공 지능 모델로 제1 이미지에 포함된 얼굴의 편집을 요청하기 전에 상기 제1 이미지에 포함된 얼굴이 인증된 얼굴인지 확인하고, 상기 제1 이미지에 포함된 얼굴이 인증된 얼굴로 확인되지 않으면, 상기 제1 이미지에 대한 편집을 제한할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 제1 이미지에 포함된 얼굴을 복수의 영역들(예: 눈 영역 , 코 영역, 입 영역, 얼굴 전체 영역)로 구분하고, 상기 복수의 영역들에 대한 스코어를 획득하고 상기 획득한 스코어와 임계 값을 비교하여 상기 제1 이미지에 포함된 얼굴이 인증된 얼굴인지 확인할 수 있다.
예를 들어, 상기 전자 장치는 서로 간의 분포를 이동하여 하나의 분포를 다른 분포로 변환하는 데 필요한 최소한의 작업량을 기반한 EMD(Earth Mover Distance), perceptual Loss 또는 평균 제곱 오차(MSE:Mean Square Error) 중 하나를 이용하여 상기 복수의 영역들(sections)에 대한 스코어를 획득할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 인증된 얼굴인지 판단하기 위한 임계 값을 설정할 수 있다,
예를 들어 상기 전자 장치는, 인증된 얼굴을 복수의 영역들로 구분하고, 상기 복수의 영역들 중 편집 영역의 크기(범위)를 기반으로 임계 값을 설정할 수 있다.
예를 들어 상기 전자 장치는, 인증된 얼굴을 복수의 영역들로 구분하고, 상기 복수의 영역들 각각에 임계 값을 설정하고, 상기 복수의 영역들 중 편집 영역에서 획득한 스코어와 상기 편집 영역에 설정된 임계 값을 비교하여 제1 이미지에 포함된 얼굴이 인증된 얼굴인지 판단할 수 있다.
도 6a, 도 6b, 도 6c 및 도 6d는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면들이다.
일 실시 예에 따라 상기 도 6a와 같이, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2의 전자 장치(201)는, 사용자에 의해 선택된 제1 이미지(611)를 확인할 수 있다.
일 실시 예에 따라 상기 도 6b와 같이, 상기 전자 장치는, 상기 제1 이미지(611)에 포함된 얼굴(613) 중 상기 사용자에 의해 선택된 눈 영역(613a)을 편집 영역으로 확인하면, 상기 제1 이미지(611)에 포함된 얼굴(613)이 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴인지 확인할 수 있다. 상기 전자 장치는, 상기 제1 이미지(611)에서 편집으로 선택된 얼굴(613)이 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인하면, 상기 얼굴(613)에 대한 제1 정보를 획득하고, 제1 이미지(611), 제1 이미지에 포함된 얼굴에 대한 편집 영역(613a)의 정보 및 편집을 설명하는 프롬프트 중 적어도 하나와 상기 얼굴(613)에 대한 제1 정보를 포함하는 편집 정보를 생성하여 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))로 전달할 수 있다.
일 실시 예에 따라 상기 도 6c와 같이, 상기 전자 장치는, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 눈 영역을 편집한 제2 이미지(631)를 수신하면, 상기 제2 이미지(631)에 포함된 얼굴(633)을 복수의 영역들로 구분하고 상기 복수의 영역들 중 편집된 눈 영역(633a)의 스코어를 임계 값인 75 보다 큰 87.562로 확인하면, 상기 제2 이미지(631)에 포함된 얼굴(633)이 편집 전에 제1 이미지(611)에 포함된 얼굴(613) 또는 인증된 얼굴과 동일한 얼굴로 확인하고, 상기 전자 장치의 디스플레이(예: 도 2a의 디스플레이(260))를 통해 상기 제2 이미지(631)를 표시할 수 있다.
일 실시 예에 따라 상기 도 6d와 같이, 상기 전자 장치는, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 눈 영역을 편집한 제2 이미지(651)를 수신하면, 상기 제2 이미지(651)에 포함된 얼굴(653)을 복수의 영역들로 구분하고 상기 복수의 영역들 중 편집된 눈 영역(653a)의 스코어를 임계 값인 75 보다 작은 56.674로 확인하면, 상기 제2 이미지(651)에 포함된 얼굴(653)이 편집 전에 제1 이미지(611)에 포함된 얼굴(613) 또는 인증된 얼굴과 동일한 얼굴로 확인하지 못하고, 상기 전자 장치의 디스플레이(예: 도 2의 디스플레이(260))를 통해 제1 이미지(611)에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다.
도 7a, 도 7b 및 도 7c는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면들이다.
일 실시 예에 따라 상기 도 7a와 같이, 전자 장치(201)(예: 도 1의 전자 장치(101) 및/또는 도 2의 전자 장치(201)는, 사용자에 의해 선택된 제1 이미지(711)를 상기 전자 장치의 디스플레이(260)(예: 도 2a의 디스플레이(260))에 표시할 수 있다.
일 실시 예에 따라 상기 도 7b와 같이, 상기 전자 장치(201)는, 상기 제1 이미지(711)에 포함된 얼굴(713) 중 상기 사용자에 의해 선택된 왼쪽 볼 영역(713a)을 편집 영역으로 확인하면, 상기 제1 이미지(711)에 포함된 얼굴(713)이 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴인지 확인할 수 있다. 상기 전자 장치(201)는, 상기 제1 이미지(711)에서 편집으로 선택된 얼굴(713)이 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인하면, 상기 얼굴(713)에 대한 제1 정보를 획득하고, 제1 이미지(711), 제1 이미지에 포함된 얼굴에 대한 편집 영역(713a)의 정보 및 편집을 설명하는 프롬프트 (예: 왼쪽 볼에 하트 표시)중 적어도 하나와 상기 얼굴(713)에 대한 제1 정보를 포함하는 편집 정보를 생성하여 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))로 전달할 수 있다.
일 실시 예에 따라 상기 도 7c와 같이, 상기 전자 장치(201)는, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 왼쪽 볼 영역을 편집한 제2 이미지(731)를 수신하면, 상기 제2 이미지(731)에 포함된 얼굴(733)을 복수의 영역들로 구분하고 상기 복수의 영역들 중 얼굴 전체 영역의 스코어를 획득하고, 스코어가 임계 값 이상으로 확인하면, 상기 제2 이미지(731)에 포함된 얼굴(773)이 편집 전에 제1 이미지(711)에 포함된 얼굴(713) 또는 인증된 얼굴과 동일한 얼굴로 확인하고, 상기 디스플레이(260)를 통해 상기 제2 이미지(731)를 표시할 수 있다.
도 8a는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면이다.
일 실시 예에 따라 상기 도 8a을 참조하면, 전자 장치(201)(예: 도 1의 전자 장치(101) 및/또는 도 2의 전자 장치(201)는, 이미지(813)에 포함된 얼굴(813a)에 대한 편집의 선택을 확인하면, 상기 얼굴(813a)에 대한 제1 정보가 사용자에 의해 선택될 수 있는 옵션(815)을 제공할 수 있다. 상기 전자 장치(201)는 다양한 얼굴의 제1 정보를 기반으로 이미지에 포함된 얼굴이 다양한 얼굴로 편집될 수 있도록, 복수의 제1 정보를 포함하는 옵션(815)을 제공할 수 있다.
도 8b는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 도면이다.
일 실시 예에 따라 상기 도 8b를 참조하면, 전자 장치(예: 도 2의 판별부(285))는, 제1 얼굴을 포함하는 제1 이미지(811), 편집 영역을 나타내는 마스크 영역(813) 및 편집을 설명하는 프롬프트(815)의 입력을 확인하면, 831동작에서 상기 마스크 영역이 얼굴인지 판단할 수 있다
상기 전자 장치(예: 도 2의 판별부(285))는, 상기 마스크 영역이 얼굴로 판단하면, 835동작에서, 인공 지능 학습부(예: 233)에서 제1 얼굴을 포함하는 복수의 이미지들(851)을 입력 값으로 상기 제1 얼굴의 특징을 학습한 상기 제1 얼굴에 대한 제1 정보(853)를 확인하고, 상기 제1 얼굴에 대한 제1 정보(853)를 기반으로 인증된 얼굴 정보를 확인할 수 있다.
상기 전자 장치(예: 도 2의 판별부(285))는, 837동작에서, 상기 제1 얼굴에 대한 제1 정보(853)를 기반으로 상기 제1 이미지에 포함된 얼굴을 인증된 얼굴로 확인할 수 있다.
상기 전자 장치(예: 도 2의 판별부(285))는, 839동작에서, 상기 제1 이미지에 포함된 얼굴을 인증된 얼굴로 확인하면 상기 제1 이미지의 편집을 결정할 수 있다.
인공지능 모델(예: 도 2b의 인공 지능 모델(231))은, 841동작에서, 제1 얼굴을 포함하는 제1 이미지(811), 편집 영역을 나타내는 마스크 영역(813), 편집을 설명하는 프롬프트(815) 및 제1 정보(853)를 포함하는 편집 정보를 수신할 수 있다.
상기 인공지능 모델(예: 도 2b의 인공 지능 모델(231))은, 845동작에서, 제1 얼굴을 포함하는 제1 이미지(811), 편집 영역을 나타내는 마스크 영역(813), 편집을 설명하는 프롬프트(815) 및 제1 정보(853)를 포함하는 편집 정보를 기반으로 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성하여 출력할 수 있다.
일 실시 예에 따른 전자 장치(예: 도 1의 전자 장치(101) 및/또는, 도 2a 내지 도 2b의 전자 장치(201))는, 통신 회로(예: 도 1의 통신 모듈(190), 및/또는 도 2a의 통신회로(257)), 디스플레이(예: 도 1의 디스플레이 모듈(160) 및/또는 도 2a의 디스플레이(260)), 적어도 하나의 프로세서(예: 도 1의 프로세서(120) 및/또는 도 2a 내지 도 2b의 프로세서(220)), 및 명령어들을 저장하는 메모리(예: 도 1의 메모리(130) 및/또는 도 2a의 메모리(230))를 포함할 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 얼굴에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득될 수 있도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 상기 얼굴 간의 유사성과 관련된 스코어를 획득하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 획득한 스코어가 임계 값 이상이면, 상기 제2 이미지를 저장하도록 설정될 수 있다.
일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 인공 지능 모델을 이용하여, 상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 편집을 허용한 인증된 얼굴인지 확인하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하면, 상기 얼굴에 대한 제1 정보를 획득하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하지 못하면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정될 수 있다.
일 실시 예에 따른 상기 인증된 얼굴은, 상기 전자 장치의 사용자의 얼굴, 연락처 목록에 저장된 연락처들 중 상기 전자 장치의 사용자에 의해 선택된 연락처의 사용자의 얼굴, 또는 연락처 목록에 저장된 연락처들 중 상기 사용자가 지정한 조건에 부합하는 연락처의 사용자의 얼굴 중 적어도 하나를 포함하도록 설정될 수 있다.
일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 인공 지능 학습부를 이용하여, 동일한 얼굴을 포함하는 복수의 이미지들을 학습하여 동일한 얼굴에 대한 특성을 포함하는 제1 정보를 생성하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 생성된 제1 정보를 상기 학습된 복수의 이미지들에 포함된 동일한 얼굴에 대한 제1 정보로 상기 메모리에 저장하도록 설정될 수 있다.
일 실시 예에 따른 상기 명령어들은, 상기 편집 정보는, 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보 또는 편집을 설명하는 프롬프트 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들로 구분하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 복수의 영역들에 대한 스코어를 획득하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 스코어와 임계 값 이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 스코어와 상기 임계 값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정될 수 있다.
일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들으로 구분하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 복수의 영역들 중 상기 편집 정보에 포함된 편집 영역에 대응되는 영역에 대한 스코어를 획득하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 스코어와 임계값 이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 스코어와 상기 임계값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정될 수 있다.
일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴과의 유사도를 확인하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 유사도가 임계 값이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하도록 설정될 수 있다. 일 실시 예에 따른 상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 실행 될 때, 상기 전자 장치로 하여금, 상기 유사도가 상기 임계값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정될 수 있다.
도 9는 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 흐름도이다. 상기 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작들은 901동작 내지 915동작을 포함할 수 있다. 이하 실시 예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행되거나, 다른 동작이 추가될 수도 있다.
901동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제1 이미지를 표시할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 전자 장치의 사용자의 입력을 기반으로 제1 이미지의 선택을 확인하면, 상기 제1 이미지에 얼굴의 포함 여부를 확인할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 페이스 필터(face filter)를 이용하여 상기 제1 이미지에 얼굴 포함 여부를 확인할 수 있다.
903동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제1 이미지에 포함된 얼굴에 대한 편집의 선택을 확인할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 상기 전자 장치의 사용자의 입력을 기반으로 상기 제1 이미지에 대한 편집 영역을 확인하고, 상기 편집 영역이 상기 제1 이미지에 포함된 얼굴의 일부 영역 또는 전체 영역인지 확인할 수 있다.
905동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제1 이미지에 대한 편집 정보를 생성하여 인공 지능 모델로 전달할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 상기 제1 이미지에서 편집으로 선택된 얼굴에 대한 제1 정보를 획득할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 상기 전자 장치의 메모리(예: 도 2a의 메모리(230))에 저장된 얼굴의 특징을 학습한 제1 정보 중 상기 편집으로 선택된 얼굴의 제1 정보를 획득할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 인공 지능 학습부(예: 도 2b의 인공 지능 학습부(233))을 이용하여, 얼굴의 특징을 학습한 제1 정보를 생성하여 상기 메모리에 저장할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 인공 지능 학습부를 이용하여, 동일한 얼굴을 포함하는 복수의 이미지들에 대해 인공 지능 학습 프로세스를 사용하여 동일한 얼굴에 대한 특성을 포함하는 제1 정보를 생성하고, 상기 제1 정보를 상기 학습된 복수의 이미지들에 포함된 동일한 얼굴에 대한 제1 정보로 상기 메모리에 저장할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 인공 지능 학습부를 이용하여, 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역, 얼굴 전체 영역)로 구분하고, 상기 복수의 영역들에 대응되는 가중치를 확인하고, 상기 확인된 가중치를 반영한 제1 정보를 생성할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보, 또는 편집을 설명하는 프롬프트 중 적어도 하나와 상기 편집으로 선택된 얼굴의 제1 정보를 포함하는 편집 정보를 생성하고, 상기 편집 정보를 상기 인공 지능 모델로 전송할 수 있다.
907동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 인공 지능 모델을 이용하여 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따른 상기 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))은, 상기 편집 정보에 포함된 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보, 또는 편집을 설명하는 프롬프트 중 적어도 하나와 상기 편집으로 선택된 얼굴의 제1 정보를 입력 값으로 사용하여, 출력 값으로 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따른 상기 인공 지능 모델은, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보를 기반으로 편집 영역에 대한 가중치를 확인하고, 상기 확인된 가중치를 반영하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
909동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제2 이미지에 포함된 편집된 얼굴과 인증된 얼굴의 유사성을 확인할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))로부터 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 제2 이미지에 포함된 편집된 얼굴과 인증된 얼굴의 유사성을 확인할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 제2 이미지에 포함된 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역 및 얼굴의 전체 영역)로 구분하고, 상기 복수의 영역들에 대한 스코어를 획득할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 제2 이미지에 포함된 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역 및 얼굴의 전체 영역)로 구분하고, 상기 복수의 영역들 중 편집 영역에 대응되는 영역에 대한 스코어를 획득할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 서로 간의 분포를 이동하여 하나의 분포를 다른 분포로 변환하는 데 필요한 최소한의 작업량을 기반한 EMD(Earth Mover Distance), perceptual Loss 또는 평균 제곱 오차(MSE:Mean Square Error)를 이용하여 상기 복수의 영역들에 대한 스코어를 획득할 수 있다,
911동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제2 이미지에 포함된 얼굴 영역의 스코어와 임계 값을 비교할 수 있다.
상기 911동작에서, 상기 전자 장치는 스코어가 임계 값 이상이면, 913동작에서 제2 이미지를 표시할 수 있다
일 실시 예에 따른 상기 전자 장치는, 상기 스코어가 임계 값 이상이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일한 얼굴로 확인하고, 상기 전자 장치의 디스플레이(예: 도 2a의 260))를 통해 편집된 얼굴을 포함하는 상기 제2 이미지를 표시할 수 있다.
상기 911동작에서, 상기 전자 장치는 스코어가 임계 값 이하이면, 915동작에서 제1 이미지의 편집이 불가능하다는 메시지를 표시할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 복수의 영역들에 대한 스코어가 상기 임계 값 이하이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일하지 않은 얼굴로 확인하고, 상기 전자 장치의 디스플레이(예: 도 2b의 디스플레이(260))를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다.
도 10은 일 실시 예에 따른 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작을 설명하기 위한 흐름도이다. 상기 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 동작들은 1001동작 내지 1019동작을 포함할 수 있다. 이하 실시 예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행되거나, 다른 동작이 추가될 수도 있다.
1001동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제1 이미지를 표시할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 전자 장치의 사용자의 입력을 기반으로 제1 이미지의 선택을 확인하면, 상기 제1 이미지에 얼굴의 포함 여부를 확인할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 페이스 필터(face filter)를 이용하여 상기 제1 이미지에 얼굴 포함 여부를 확인할 수 있다.
1003동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제1 이미지에 포함된 얼굴에 대한 편집의 선택을 확인할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 상기 전자 장치의 사용자의 입력을 기반으로 상기 제1 이미지에 대한 편집 영역을 확인하고, 상기 편집 영역이 상기 제1 이미지에 포함된 얼굴의 일부 영역 또는 전체 영역인지 확인할 수 있다.
1005동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제1 이미지에서 편집으로 선택된 얼굴이 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴인지 여부를 확인할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 전자 장치의 메모리(예: 도 2a의 메모리(230))에 저장된 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴 정보 중 상기 편집으로 선택된 얼굴 정보가 포함되어 있으면, 상기 편집으로 선택된 얼굴이 상기 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인할 수 있다.
상기 1005동작에서 상기 전자 장치는, 상기 제1 이미지에서 편집으로 선택된 얼굴이 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인하지 못하면, 1007동작에서 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 전자 장치의 디스플레이(예: 도 2b의 디스플레이))를 통해 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다.
상기 1005동작에서 상기 전자 장치는, 상기 제1 이미지에서 편집으로 선택된 얼굴이 인공 지능 모델을 이용하여 편집을 허용한 인증된 얼굴로 확인하면, 1009동작에서 제1 이미지에 대한 편집 정보를 생성하여 인공 지능 모델로 전달할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 상기 제1 이미지에서 편집으로 선택된 얼굴에 대한 제1 정보를 획득할 수 있다.
일 실시 에에 따른 상기 전자 장치는, 상기 전자 장치의 메모리(예: 도 2a의 메모리(230))에 저장된 얼굴의 특징을 학습한 제1 정보 중 상기 편집으로 선택된 얼굴의 제1 정보를 획득할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 인공 지능 학습부(예: 도 2b의 인공 지능 학습부(233))을 이용하여, 얼굴의 특징을 학습한 제1 정보를 생성하여 상기 메모리에 저장할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 인공 지능 학습부를 이용하여, 동일한 얼굴을 포함하는 복수의 이미지들을 학습하여 동일한 얼굴에 대한 특성을 포함하는 제1 정보를 생성하고, 상기 제1 정보를 상기 학습된 복수의 이미지들에 포함된 동일한 얼굴에 대한 제1 정보로 상기 메모리에 저장할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 인공 지능 학습부를 이용하여, 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역, 얼굴 전체 영역)로 구분하고, 상기 복수의 영역들에 대응되는 가중치를 확인하고, 상기 확인된 가중치를 반영한 제1 정보를 생성할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보, 또는 편집을 설명하는 프롬프트 중 적어도 하나와 상기 편집으로 선택된 얼굴의 제1 정보를 포함하는 편집 정보를 생성하고, 상기 편집 정보를 상기 인공 지능 모델로 전송할 수 있다.
1011동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 인공 지능 모델을 이용하여 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따른 상기 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))은, 상기 편집 정보에 포함된 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보, 또는 편집을 설명하는 프롬프트 중 적어도 하나와 상기 편집으로 선택된 얼굴의 제1 정보를 입력 값으로 사용하여, 출력 값으로 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
일 실시 예에 따른 상기 인공 지능 모델은, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보를 기반으로 편집 영역에 대한 가중치를 확인하고, 상기 확인된 가중치를 반영하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 생성할 수 있다.
1013동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제2 이미지에 포함된 편집된 얼굴과 인증된 얼굴의 유사성을 확인할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))로부터 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 제2 이미지에 포함된 편집된 얼굴과 인증된 얼굴의 유사성을 확인할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 제2 이미지에 포함된 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역 및 얼굴의 전체 영역)로 구분하고, 상기 복수의 영역들에 대한 스코어를 획득할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 제2 이미지에 포함된 얼굴을 복수의 영역들(예: 눈 영역, 코 영역, 입 영역 및 얼굴의 전체 영역)로 구분하고, 상기 복수의 영역들 중 편집 영역에 대응되는 영역에 대한 스코어를 획득할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 서로 간의 분포를 이동하여 하나의 분포를 다른 분포로 변환하는 데 필요한 최소한의 작업량을 기반한 EMD(Earth Mover Distance), perceptual Loss 또는 평균 제곱 오차(MSE:Mean Square Error)를 이용하여 상기 복수의 영역들에 대한 스코어를 획득할 수 있다,
1015동작에서, 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2a 내지 도 2b의 전자 장치(201))는, 제2 이미지에 포함된 얼굴 영역의 스코어와 임계 값을 비교할 수 있다.
상기 1015동작에서, 상기 전자 장치는 스코어가 임계 값 이상이면, 1017동작에서 제2 이미지를 표시할 수 있다
일 실시 예에 따른 상기 전자 장치는, 상기 스코어가 임계 값 이상이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일한 얼굴로 확인하고, 상기 전자 장치의 디스플레이(예: 도 2a의 260)를 통해 편집된 얼굴을 포함하는 상기 제2 이미지를 표시할 수 있다.
상기 1015동작에서, 상기 전자 장치는 스코어가 임계 값 이하이면, 1019동작에서 제1 이미지의 편집이 불가능하다는 메시지를 표시할 수 있다.
일 실시 예에 따른 상기 전자 장치는, 상기 복수의 영역들에 대한 스코어가 상기 임계 값 이하이면, 상기 제2 이미지에 포함된 편집된 얼굴이 인증된 얼굴과 동일하지 않은 얼굴로 확인하고, 상기 전자 장치의 디스플레이(예: 도 2b의 디스플레이(260))를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시할 수 있다.
일 실시 예에 따른 전자 장치(예: 도 1의 전자 장치(101) 및/또는 도 2의 전자 장치(201))에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법은, 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델(예: 도 2b의 인공 지능 모델(231))로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득되는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴 간의 유사성과 관련된 스코어를 획득하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 획득한 스코어가 임계 값이상이면, 상기 제2 이미지를 저장하는 동작을 포함할 수 있다.
일 실시 예에 따른 상기 방법은, 상기 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 인공 지능 모델을 이용하여, 상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 편집을 허용한 인증된 얼굴인지 확인하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하면, 상기 얼굴에 대한 제1 정보를 획득하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하지 못하면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하는 동작을 더 포함할 수 있다.
일 실시 예에 따른 상기 방법에서 상기 인증된 얼굴은, 상기 전자 장치의 사용자의 얼굴, 연락처 목록에 저장된 연락처들 중 상기 전자 장치의 사용자에 의해 선택된 연락처의 사용자의 얼굴, 또는 연락처 목록에 저장된 연락처들 중 상기 사용자가 지정한 조건에 부합하는 연락처의 사용자의 얼굴 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따른 상기 방법은, 인공 지능 학습부를 이용하여, 동일한 얼굴을 포함하는 복수의 이미지들을 학습하여 동일한 얼굴에 대한 특성을 포함하는 제1 정보를 생성하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 생성된 제1 정보를 상기 학습된 복수의 이미지들에 포함된 동일한 얼굴에 대한 제1 정보로 상기 전자 장치의 메모리에 저장하는 동작을 더 포함할 수 있다.
일 실시 예에 따른 상기 방법은, 상기 편집 정보는, 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보 또는 편집을 설명하는 프롬프트 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따른 상기 방법은, 상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들로 구분하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 복수의 영역들에 대한 스코어를 획득하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 스코어와 임계 값 이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 스코어와 상기 임계 값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하는 동작을 더 포함할 수 있다.
일 실시 예에 따른 상기 방법은, 상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들으로 구분하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 복수의 영역들 중 상기 편집 정보에 포함된 편집 영역에 대응되는 영역에 대한 스코어를 획득하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 스코어와 임계값 이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 스코어와 상기 임계값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하는 동작을 더 포함할 수 있다.
일 실시 예에 따른 상기 방법은, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴과의 유사도를 확인하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 유사도가 임계 값이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하는 동작을 포함할 수 있다. 일 실시 예에 따른 상기 방법은, 상기 유사도가 상기 임계값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하는 동작을 더 포함할 수 있다.
본 문서에 개시된 일 실시 예에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 일 실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 일 실시 예에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따른, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 일 실시 예는 기기(machine)(예: 전자 장치(101) 또는 전자 장치(301)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(301))의 프로세서(예: 프로세서(520))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따른이면, 본 문서에 개시된 일 실시 예에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
일 실시 예에 따른이면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 일 실시예에 따른이면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 일 실시 예에 따른이면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 전자 장치(도 1의 101; 도 2a내지 도 2b의 201))에 있어서,
    통신 회로(도 1의 190; 도 2a내지 도 2b의 290);
    디스플레이(도 1의 160; 도 2a내지 도 2b의 260);
    프로세싱 회로를 포함하는 적어도 하나의 프로세서(도 1의 120; 도 2a 내지 도 2b의 220); 및
    명령어들을 저장하는 메모리(도 1의 130; 도 2a 내지 도 2b의 230)를 포함하고,
    상기 명령어들은, 개별적 또는 집합적으로 상기 적어도 하나의 프로세서에 의해 개별적 또는 집합적으로 실행 될 때, 상기 전자 장치로 하여금,
    제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델(예: 도 2b의 231)로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득되고,
    상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 상기 얼굴 간의 유사성과 관련된 스코어를 획득하고,
    상기 획득한 스코어가 임계 값 이상이면, 상기 제2 이미지를 저장하도록 설정된 전자 장치.
  2. 제1 항에 있어서,
    상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 개별적 또는 집합적으로 실행 될 때, 상기 전자 장치로 하여금,
    상기 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 인공 지능 모델을 이용하여, 상기 제1 이미지에 포함되어 상기 편집을 위해 선택된 얼굴이 편집을 허용한 인증된 얼굴인지 확인하고,
    상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하면, 상기 얼굴에 대한 제1 정보를 획득하고,
    상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하지 못하면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정된 전자 장치.
  3. 제1 항 또는 제2 항에 있어서,
    상기 인증된 얼굴은, 상기 전자 장치의 사용자의 얼굴, 연락처 목록에 저장된 연락처들 중 상기 전자 장치의 사용자에 의해 선택된 연락처의 사용자의 얼굴, 또는 연락처 목록에 저장된 연락처들 중 상기 사용자가 지정한 조건에 부합하는 연락처의 사용자의 얼굴 중 적어도 하나를 포함하도록 설정된 전자 장치.
  4. 제1 항 내지 제3 항 중 어느 한 항에 있어서,
    상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 개별적 또는 집합적으로 실행 될 때, 상기 전자 장치로 하여금,
    인공 지능 학습부를 이용하여, 동일한 얼굴을 포함하는 복수의 이미지들을 학습하여 동일한 얼굴에 대한 특성을 포함하는 제1 정보를 생성하고,
    상기 생성된 제1 정보를 상기 학습된 복수의 이미지들에 포함된 동일한 얼굴에 대한 제1 정보로 상기 메모리에 저장하도록 설정된 전자 장치.
  5. 제1 항 내지 제4 항 중 어느 한 항에 있어서,
    상기 편집 정보는, 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보 또는 편집을 설명하는 프롬프트 중 적어도 하나를 포함하도록 설정된 전자 장치.
  6. 제1 항 내지 제5 항 중 어느 한 항에 있어서,
    상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 개별적 또는 집합적으로 실행 될 때, 상기 전자 장치로 하여금,
    상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들로 구분하고,
    상기 복수의 영역들에 대한 스코어를 획득하고,
    상기 스코어와 임계 값 이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하고,
    상기 스코어와 상기 임계 값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정된 전자 장치.
  7. 제1 항 내지 제6 항 중 어느 한 항에 있어서,
    상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 개별적 또는 집합적으로 실행 될 때, 상기 전자 장치로 하여금,
    상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들으로 구분하고,
    상기 복수의 영역들 중 상기 편집 정보에 포함된 편집 영역에 대응되는 영역에 대한 스코어를 획득하고,
    상기 스코어와 임계값 이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하고,
    상기 스코어와 상기 임계값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정된 전자 장치.
  8. 제1 항 내지 제7 항 중 어느 한 항에 있어서,
    상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 개별적 또는 집합적으로 실행 될 때, 상기 전자 장치로 하여금,
    상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴과의 유사도를 확인하고,
    상기 유사도가 임계 값이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하고,
    상기 유사도가 상기 임계값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하도록 설정된 전자 장치.
  9. 전자 장치(도 1의 101; 도 2a내지 도 2b의 201))에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법에 있어서,
    제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델(예: 도 2b의 231)로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득되는 동작;
    상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴 간의 유사성과 관련된 스코어를 획득하는 동작; 및
    상기 획득한 스코어가 임계 값이상이면, 상기 제2 이미지를 저장하는 동작을 포함하는 방법.
  10. 제9 항에 있어서,
    상기 제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 인공 지능 모델을 이용하여 상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 편집을 허용한 인증된 얼굴인지 확인하는 동작;
    상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하면, 상기 얼굴에 대한 제1 정보를 획득하는 동작; 및
    상기 제1 이미지에 포함되어 상기 편집으로 선택된 얼굴이 상기 인증된 얼굴로 확인하지 못하면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하는 동작을 더 포함하는 방법.
  11. 제9 항 또는 제10 항에 있어서,
    상기 인증된 얼굴은, 상기 전자 장치의 사용자의 얼굴, 연락처 목록에 저장된 연락처들 중 상기 전자 장치의 사용자에 의해 선택된 연락처의 사용자의 얼굴, 또는 연락처 목록에 저장된 연락처들 중 상기 사용자가 지정한 조건에 부합하는 연락처의 사용자의 얼굴 중 적어도 하나를 포함하는 방법.
  12. 제9 항 내지 제11 항 중 어느 한 항에 있어서,
    인공 지능 학습부를 이용하여, 동일한 얼굴을 포함하는 복수의 이미지들을 학습하여 동일한 얼굴에 대한 특성을 포함하는 제1 정보를 생성하는 동작; 및
    상기 생성된 제1 정보를 상기 학습된 복수의 이미지들에 포함된 동일한 얼굴에 대한 제1 정보로 상기 전자 장치의 메모리에 저장하는 동작을 더 포함하는 방법.
  13. 제9 항 내지 제12 항 중 어느 한 항에 있어서,
    상기 편집 정보는, 상기 제1 이미지, 상기 제1 이미지에 포함된 얼굴에 대한 편집 영역의 정보 또는 편집을 설명하는 프롬프트 중 적어도 하나를 포함하는 방법.
  14. 제9 항 내지 제13 항 중 어느 한 항에 있어서,
    상기 제2 이미지에 포함된 편집된 얼굴을 복수의 영역들로 구분하는 동작;
    상기 복수의 영역들에 대한 스코어를 획득하는 동작;
    상기 스코어와 임계 값 이상이면, 상기 디스플레이를 통해 상기 제2 이미지를 표시하는 동작; 및
    상기 스코어와 상기 임계 값 이하이면, 상기 디스플레이를 통해, 상기 제1 이미지에 대한 얼굴 편집이 불가능하다는 메시지를 표시하는 동작을 더 포함하는 방법.
  15. 명령어들을 저장하고 있는 비휘발성 저장 매체에 있어서, 상기 명령어들은 전자 장치의 적어도 하나의 프로세서에 의하여 실행될 때에 상기 전자 장치로 하여금 방법을 수행하도록 설정된 것으로서, 상기 방법은,
    제1 이미지에 포함된 얼굴에 대한 편집을 확인하면, 상기 제1 이미지에 포함된 상기 얼굴에 대한 제1 정보를 포함하는 편집 정보를 인공 지능 모델로 전달하고, 상기 제1 정보는 상기 편집으로 선택된 상기 얼굴의 특징을 학습하여 획득되는 동작;
    상기 인공 지능 모델로부터 상기 편집 정보를 이용하여 상기 제1 이미지에 포함된 얼굴을 편집한 제2 이미지를 수신하면, 상기 제2 이미지에 포함된 편집된 얼굴과 상기 제1 이미지에 포함된 얼굴들 간의 유사성과 관련된 스코어를 획득하는 동작; 및
    상기 획득한 스코어가 임계 값이상이면, 상기 제2 이미지를 저장하는 동작을 포함하는 저장 매체.
PCT/KR2025/003707 2024-06-27 2025-03-24 전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법 Pending WO2026005192A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US19/175,788 US20260004557A1 (en) 2024-06-27 2025-04-10 Electronic device and method for editing face included in image using artificial intelligence model in the electronic device

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2024-0084147 2024-06-27
KR20240084147 2024-06-27
KR10-2024-0090936 2024-07-10
KR1020240090936A KR20260001433A (ko) 2024-06-27 2024-07-10 전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/175,788 Continuation US20260004557A1 (en) 2024-06-27 2025-04-10 Electronic device and method for editing face included in image using artificial intelligence model in the electronic device

Publications (1)

Publication Number Publication Date
WO2026005192A1 true WO2026005192A1 (ko) 2026-01-02

Family

ID=98222272

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/003707 Pending WO2026005192A1 (ko) 2024-06-27 2025-03-24 전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법

Country Status (2)

Country Link
US (1) US20260004557A1 (ko)
WO (1) WO2026005192A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110051029A (ko) * 2009-11-09 2011-05-17 한국전자통신연구원 위장 얼굴 판별 장치 및 그 방법
KR20240009862A (ko) * 2022-07-14 2024-01-23 숙명여자대학교산학협력단 딥페이크 이미지 탐지 방법 및 이를 위한 전자 장치
KR102669014B1 (ko) * 2017-06-04 2024-05-24 디-아이덴티피케이션 엘티디. 이미지 비 식별을 위한 시스템 및 방법
JP2024078653A (ja) * 2022-11-30 2024-06-11 日本電気株式会社 画像処理装置、画像処理方法、及び、記録媒体
KR20240094873A (ko) * 2022-12-16 2024-06-25 현대자동차주식회사 얼굴 식별 장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110051029A (ko) * 2009-11-09 2011-05-17 한국전자통신연구원 위장 얼굴 판별 장치 및 그 방법
KR102669014B1 (ko) * 2017-06-04 2024-05-24 디-아이덴티피케이션 엘티디. 이미지 비 식별을 위한 시스템 및 방법
KR20240009862A (ko) * 2022-07-14 2024-01-23 숙명여자대학교산학협력단 딥페이크 이미지 탐지 방법 및 이를 위한 전자 장치
JP2024078653A (ja) * 2022-11-30 2024-06-11 日本電気株式会社 画像処理装置、画像処理方法、及び、記録媒体
KR20240094873A (ko) * 2022-12-16 2024-06-25 현대자동차주식회사 얼굴 식별 장치 및 그 방법

Also Published As

Publication number Publication date
US20260004557A1 (en) 2026-01-01

Similar Documents

Publication Publication Date Title
WO2022055068A1 (ko) 음성에 포함된 커맨드를 확인하는 전자 장치와 이의 동작 방법
WO2022177343A1 (ko) 지오펜스를 설정하기 위한 전자 장치 및 이의 동작 방법
WO2024162717A1 (ko) 개인 ai 모델을 이용하는 전자 장치와 이의 동작 방법
WO2026005192A1 (ko) 전자 장치 및 전자 장치에서 인공 지능 모델을 이용하여 이미지에 포함된 얼굴을 편집하는 방법
WO2024029797A1 (ko) 전자 장치 및 상기 전자 장치에서 이미지 파일의 촬영 날짜 및 시간을 관리하는 방법
WO2023106621A1 (ko) 사용자를 인증하기 위한 클라우드 서버 및 이의 동작 방법
WO2022098007A1 (ko) 생체 인증을 위한 전자 장치 및 그 동작 방법
WO2023282458A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2026034909A1 (ko) 전자 장치와 연관된 전자 장치 그룹에 대한 유휴 컴퓨팅 파워 정보에 기초하여 기능을 수행하는 방법 및 그 방법을 수행하는 장치
WO2024172391A1 (ko) 파일과 관련된 정보를 관리하는 방법 및 이를 지원하는 전자 장치
WO2026043322A1 (ko) 전자 장치 및 전자 장치에서 인공지능 모델을 이용하여 태그에 대응된 이미지 특성이 반영된 이미지를 생성하는 방법
WO2025100700A1 (ko) 카메라를 포함하는 전자 장치 및 그 동작 방법
WO2025193001A1 (ko) 동영상을 제공하는 방법, 이를 지원하는 전자 장치, 및 저장 매체
WO2025089912A1 (ko) 전자 장치 및 전자 장치에서 데이터를 클러스터링하는 방법
WO2025127356A1 (ko) 합성 이미지를 생성하는 방법 및 이를 수행하는 전자 장치
WO2024085461A1 (ko) 번역 서비스를 제공하기 위한 전자 장치 및 방법
WO2025089605A1 (ko) 전자 장치 및 이의 영상 컨텐츠 제공 방법
WO2025154994A1 (ko) 필기 입력을 변형하는 전자 장치, 이의 동작 방법 및 기록 매체
WO2025159265A1 (ko) 대조 실험을 위한 전자 장치, 서버 및 이의 동작 방법
WO2025079929A1 (ko) 오디오 데이터를 처리하는 전자 장치 및 이의 제어 방법
WO2025095329A1 (ko) 연합 학습에서 모델을 위한 데이터를 관리하기 위한 장치, 방법, 및 저장 매체
WO2026059070A1 (ko) 동영상을 생성하는 전자 장치, 이의 동작 방법 및 저장 매체
WO2025183328A1 (ko) 사용자 발화를 처리하기 위한 전자 장치, 그 동작 방법과, 기록매체
WO2025018665A1 (ko) 광의 휘도를 조정하는 웨어러블 전자 장치, 이의 동작 방법 및 기록 매체
WO2025154924A1 (ko) 필기 입력을 변형하는 전자 장치, 이의 동작 방법 및 기록 매체

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: 25827216

Country of ref document: EP

Kind code of ref document: A1