KR102195188B1 - 이미지 생성 방법 및 컴퓨터 프로그램 - Google Patents

Abstract

본 발명의 일 실시예에 따른 하드 타겟(Hard Target)으로 학습된 제1 신경망의 소프트 아웃풋(Soft output)을 이용하여, 상기 제1 신경망과 구별되는 제2 신경망을 학습시키는 방법은, 제1 신경망을 이용하여, 제1 입력 데이터에 대응되는 제1 소프트 아웃풋을 생성하는 단계로써, 상기 제1 신경망은 하드 타겟(Hard Target)으로 표지(Label)된 적어도 하나의 학습 데이터에 기반하여 상기 학습 데이터에 포함된 입력 데이터와 상기 입력 데이터에 대응되는 하드 타겟간의 상관관계를 학습한 신경망이고; 상기 제1 신경망이 생성한 상기 제1 소프트 아웃풋으로 표지된 상기 제1 입력 데이터를 포함하는 제1 학습 데이터를 생성하는 단계; 및 상기 제1 학습 데이터를 이용하여, 상기 제2 신경망이 상기 제1 소프트 아웃풋과 상기 제1 입력 데이터간의 상관관계를 학습하도록 학습시키는 단계;를 포함할 수 있다.

Description

이미지 생성 방법 및 컴퓨터 프로그램{METHOD AND COMPUTER PROGRAM FOR IMAGE GENERATION}

본 발명의 일 실시예는 제1 속도의 원본 영상으로부터 상기 제1 속도보다 빠른 제2 속도의 슬로모션(Slow motion) 영상을 생성하는 방법 및 컴퓨터 프로그램에 관한 것이다.

본 발명의 다른 실시예는 순차적인 N(N은 자연수)개의 이미지를 이용하여 M(M은 자연수, M>=N)개의 이미지를 포함하는 콘텐츠를 생성하는 방법 및 컴퓨터 프로그램에 관한 것이다.

인공지능이라는 개념은 1956년 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의에서 처음 등장했으며, 최근 몇 년 사이 폭발적으로 성장하고 있는 중이다.

특히 2015년 이후 신속하고 강력한 병렬 처리 성능을 제공하는 GPU의 도입으로 더욱 가속화되고 있으며, 폭발적으로 늘어나고 있는 저장 용량과 이미지, 텍스트, 매핑 데이터 등 모든 영역의 데이터가 범람하게 된 '빅데이터' 시대의 도래도 이러한 성장세에 큰 영향을 미쳤다.

머신 러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 하며, 궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 '학습'시켜 작업 수행 방법을 익히는 것을 목표로 한다.

머신 러닝은 초기 인공 지능 연구자들이 직접 제창한 개념에서 나온 것이며, 알고리즘 방식에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이지안(Bayesian) 네트워크 등이 포함된다.

본 발명은 학습된 인공 신경망을 이용하여 저속의 영상을 고속 영상으로 자연스럽게 변환하고자 한다.

또한 본 발명은 학습된 인공 신경망을 이용하여 복수의 이미지를 포함하는 콘텐츠의 일부 이미지만을 작성하고, 나머지 이미지들을 작성된 이미지들로부터 생성하고자 한다.

또한 본 발명은 학습된 인공 신경망을 이용하여 하나의 주제에 대한 복수의 이미지들 간의 전환이 보다 자연스럽게 이루어지도록 하고자 한다.

본 발명의 일 실시예에 따른 제1 속도의 원본 영상으로부터 상기 제1 속도보다 빠른 제2 속도의 슬로모션(Slow motion) 영상을 생성하는 방법은, 상기 원본 영상에서 상기 슬로모션 영상의 시점이 되는 제1 프레임 및 상기 슬로모션 영상의 종점이 되는 제2 프레임을 선택하는 단계; 학습된 인공 신경망을 이용하여, 상기 제1 프레임으로부터 상기 제2 프레임으로 전환되는 과정을 묘사하는 적어도 하나의 제3 프레임을 생성하는 단계; 및 상기 제1 프레임, 상기 적어도 하나의 제3 프레임 및 상기 제2 프레임을 포함하는 상기 슬로모션 영상을 생성하는 단계;를 포함할 수 있다.

이때 상기 인공 신경망은 시점과 종점 사이의 하나 이상의 시각과 상기 하나 이상의 시각 각각에서의 프레임이 표지된 학습 데이터에 기반하여, 상기 학습 데이터에 포함되는 시점 프레임, 상기 학습 데이터에 포함되는 종점 프레임, 상기 하나 이상의 시각 및 상기 하나 이상의 시각 각각에서의 프레임 간의 상관관계를 학습한 신경망일 수 있다.

상기 슬로모션 영상 생성 방법은 상기 제1 프레임 및 상기 제2 프레임을 선택하는 단계 이전에, 학습 데이터를 이용하여 상기 인공 신경망을 학습시키는 단계;를 더 포함할 수 있다.

상기 인공 신경망을 학습시키는 단계는 제3 속도인 학습 영상을 상기 제3 속도보다 느린 제4 속도의 영상으로 샘플링 하여 샘플링 학습 영상을 생성하는 단계; 상기 샘플링 학습 영상에 포함되는 두 개의 프레임을 각각 시점 프레임 및 종점 프레임으로 선택하는 단계; 상기 학습 영상에서, 상기 시점 프레임에 대응되는 프레임과 상기 종점 프레임에 대응되는 프레임 사이의 하나 이상의 중간 프레임 및 상기 하나 이상의 중간 프레임 각각의 상대 시각을 추출하는 단계; 및 상기 시점 프레임, 상기 종점 프레임, 상기 하나 이상의 중간 프레임 및 상기 하나 이상의 중간 프레임 각각의 상대 시각을 이용하여 상기 인공 신경망을 학습시키는 단계;를 포함할 수 있다.

상기 하나 이상의 중간 프레임 각각의 상대 시각은 상기 시점 프레임의 시각 및 상기 종점 프레임의 시각으로 정의되는 시구간 내에서 등간격으로 설정될 수 있다.

상기 슬로모션 영상을 생성하는 단계는 상기 제1 프레임 및 상기 제2 프레임 사이에, 상기 적어도 하나의 제3 프레임이 상기 제1 속도에 대응되는 프레임 레이트로 표시되도록 상기 슬로모션 영상을 생성할 수 있다.

본 발명의 일 실시예에 따른 슬로모션 영상 생성 방법은, 상기 적어도 하나의 제3 프레임을 생성하는 단계 이전에 생성하고자 하는 제3 프레임의 수량을 결정하는 단계;를 더 포함할 수 있다. 이때 적어도 하나의 제3 프레임을 생성하는 단계는 상기 수량을 참조하여 상기 적어도 하나의 제3 프레임을 생성할 수 있다.

본 발명의 일 실시예에 따른 순차적인 N(N은 자연수)개의 이미지를 이용하여 M(M은 자연수, M>=N)개의 이미지를 포함하는 콘텐츠를 생성하는 방법은, 상기 N개의 이미지에 포함되고, 서로 인접하는 제1 이미지 및 제2 이미지를 선택하는 단계; 학습된 인공 신경망을 이용하여, 상기 제1 이미지로부터 상기 제2 이미지로 전환되는 과정을 묘사하는 적어도 하나의 제3 이미지를 생성하는 단계; 및 상기 제1 이미지, 상기 적어도 하나의 제3 이미지 및 상기 제2 이미지를 포함 할 수 있다.

이때 상기 인공 신경망은 시점과 종점 사이의 하나 이상의 시각과 상기 하나 이상의 시각 각각에서의 이미지가 표지된 학습 데이터에 기반하여, 상기 학습 데이터에 포함되는 시점 이미지, 상기 학습 데이터에 포함되는 종점 이미지, 상기 하나 이상의 시각 및 상기 하나 이상의 시각 각각에서의 이미지 간의 상관관계를 학습한 신경망일 수 있다.

본 발명에 따르면 저속의 영상을 고속 영상으로 자연스럽게 변환할 수 있다.

또한 복수의 이미지를 포함하는 콘텐츠의 일부 이미지만을 작성하고, 나머지 이미지들을 작성된 이미지들로부터 자동으로 생성할 수 있다.

또한 하나의 주제에 대한 다양한 이미지들 간의 전환이 보다 자연스럽게 이루어지도록 할 수 있다.

도 1은 본 발명의 일 실시예에 따른 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 영상 생성 서버(100)에 구비되는 이미지 생성 장치(110)의 구성을 개략적으로 도시한 도면이다.
도 3은 이미지 생성 장치(110)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 제3 속도의 학습 영상에 포함되는 프레임을 시계열적으로 도시한 도면이다.
도 5는 제4 속도의 샘플링 학습 영상에 포함되는 프레임을 시계열적으로 도시한 도면이다.
도 6은 생성된 하나의 학습 데이터 셋(511)을 설명하기 위한 도면이다.
도 7은 학습 데이터(510)를 이용하여 인공 신경망(520)을 학습하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 제어부(112)가 슬로모션 영상을 생성하는 방법을 설명하기 위한 도면이다.
도 9는 생성된 슬로모션을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 이미지 생성 장치(110)에 의해 수행되는 슬로모션 영상 생성 방법을 설명하기 위한 도면이다.
도 11은 이미지 콘텐츠에 포함된 이미지들을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 이미지 생성 장치(110)에 의해 수행되는 콘텐츠 생성 방법을 설명하기 위한 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

도 1은 본 발명의 일 실시예에 따른 시스템의 구성을 개략적으로 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 시스템은 영상 생성 서버(100), 사용자 단말(200), 서비스 서버(300) 및 통신망(400)을 포함할 수 있다.

본 발명의 일 실시예에 따른 시스템은 학습된 인공 신경망을 이용하여 제1 속도의 원본 영상으로부터 제1 속도보다 빠른 제2 속도의 슬로모션 영상을 생성할 수 있다.

또한 본 발명의 다른 실시예에 따른 시스템은 학습된 인공 신경망을 이용하여 순차적인 N개의 이미지로부터 M(M>=N)개의 이미지를 포함하는 콘텐츠를 생성할 수 있다.

본 발명에서 영상의 '속도'는 단위 시간당 포함되는 프레임의 수에 비례하는 값일 수 있다. 따라서 본 발명에서 단위 시간당 포함되는 프레임의 수가 상대적으로 많은 영상은 속도가 빠른 영상, 높은 프레임 레이트(Frame rate)의 영상 또는 슬로 모션 영상으로 표현될 수 있다. 또한 단위 시간당 포함되는 프레임의 수가 상대적으로 적은 영상은 속도가 느린 영상 또는 낮은 프레임 레이트(Frame rate)의 영상으로 표현될 수 있다.

본 발명에서 영상의 '재생 속도' 또는 '표시 속도'는 전술한 영상의 '속도'와 구분되는 개념으로, 영상의 재생 시 단위시간 당 표시하는 프레임의 수를 의미할 수 있다. 따라서 영상의 속도가 빠름에도 불구하고 해당 영상의 표시 속도(또는 재생 속도)는 느릴 수 있고, 영상의 속도가 느림에도 불구하고 해당 영상의 표시 속도(또는 재생 속도)는 빠를 수 있다.

본 발명에서 '프레임'은 영상에 포함되는 장면(Scene), 이미지 컷(Image cut) 및 이미지(Image)를 의미할 수 있다. 따라서 본 발명에서 '영상'은 복수의 장면(또는 이미지 컷, 이미지)의 집합으로 이루어진 개체로, 복수의 장면이 소정의 시간 간격에 따라 배치되어 표시되는 개체를 의미할 수 있다. 가령 '영상'은 프레임레이트가 특정 값으로 정의되는 비디오 클립(Video Clip)을 의미할 수 있다.

본 발명에서 '콘텐츠'는 전술한 영상과 유사하게 복수의 장면(또는 이미지 컷, 이미지)의 집합으로 이루어진 개체로, 영상과 달리 표시 시간의 제한이 없는 개체를 의미할 수 있다. 가령 '콘텐츠'는 복수의 이미지를 포함하고, 이미지들이 가상의 2차원 공간(예를 들어 웹 페이지)상에 나열되는 웹 콘텐츠를 의미할 수 있다.

본 발명에서 '인공 신경망'은 전술한 '영상' 또는 전술한 '콘텐츠'의 생성에 적합하게 학습된 신경망으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 신경망을 의미할 수 있다. 이와 같은 신경망의 구조에 대해서는 도 3을 참조하여 후술한다.

본 발명의 일 실시예에 따른 사용자 단말(200)은 사용자가 영상 생성 서버(100) 및/또는 서비스 서버(300)에 의해 제공되는 다양한 서비스를 이용할 수 있도록 사용자와 영상 생성 서버(100) 및/또는 서비스 서버(300)를 매개하는 다양한 형태의 장치를 의미할 수 있다.

바꾸어 말하면, 본 발명의 일 실시예에 따른 사용자 단말(200)은 영상 생성 서버(100) 및/또는 서비스 서버(300)와 데이터를 송수신 하는 다양한 장치를 의미할 수 있다.

이와 같은 사용자 단말(200)은 도 1에 도시된 바와 같이, 휴대용 단말(201, 202, 203)을 의미할 수도 있고, 컴퓨터(204)를 의미할 수도 있다.

한편 사용자 단말(200)은 상술한 기능을 수행하기 위해 콘텐츠 등을 표시하기 위한 표시수단, 이러한 콘텐츠에 대한 사용자의 입력을 획득하기 위한 입력수단을 구비할 수 있다. 이 때 입력수단 및 표시수단은 다양하게 구성될 수 있다. 가령 입력수단은 키보드, 마우스, 트랙볼, 마이크, 버튼, 터치패널 등을 포함할 수 있으나 이에 한정되지 않는다.

본 발명의 일 실시예에 따른 통신망(400)은 시스템의 각 구성 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 통신망(400)은 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 서비스 서버(300)는 서버(100)에 의해 학습된 인공 신경망을 이용하여 슬로모션 영상 생성 서비스를 제공하는 장치 또는 콘텐츠 생성 서비스를 제공하는 장치를 의미할 수 있다. 이와 같은 서비스 서버(300)는 도 1에 도시된 바와 같이 영상 생성 서버(100)와 구분되는 별개의 장치일 수도 있고, 영상 생성 서버(100)와 일체로 구성되는(즉 영상 생성 서버(100)에 포함되는)장치일 수도 있다.

본 발명의 일 실시예에 따른 서버(100)는 학습된 인공 신경망을 이용하여 제1 속도의 원본 영상으로부터 제1 속도보다 빠른 제2 속도의 슬로모션 영상을 생성할 수 있다. 또한 본 발명의 다른 실시예에 따른 서버(100)는 학습된 인공 신경망을 이용하여 순차적인 N개의 이미지로부터 M(M>=N)개의 이미지를 포함하는 콘텐츠를 생성할 수 있다.

도 2는 본 발명의 일 실시예에 따른 영상 생성 서버(100)에 구비되는 이미지 생성 장치(110)의 구성을 개략적으로 도시한 도면이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 통신부(111), 제어부(112) 및 메모리(113)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 실시예에 따른 이미지 생성 장치(110)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다.

통신부(111)는 이미지 생성 장치(110)가 사용자 단말(200) 및/또는 서비스 서버(300)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

제어부(112)는 프로세서(Processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(Processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

메모리(113)는 이미지 생성 장치(110)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(113)는 인공 신경망을 구성하는 데이터들(가령 계수들)을 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(113)는 인공 신경망을 학습하기 위한 학습 데이터도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

도 3은 본 발명의 이미지 생성 장치(110)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 신경망은 도 3에 도시된 바와 같은 합성 곱 신경망(CNN: Convolutional Neural Network) 모델에 따른 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델일 수 있다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)의 제어부(112)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 신경망 모델을 구축하거나 학습시킬 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 입력 데이터의 특징 값을 추출하기 위한 컨볼루션 레이어(Convolution layer), 추출된 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 생성할 수 있다.

또한 본 발명의 일 실시예에 따른 제어부(112)는 생성된 특징 맵을 결합하여, 입력 데이터가 복수의 항목 각각에 해당할 확률을 결정할 준비를 하는 풀리 커넥티드 레이어(Fully Conected Layer)를 생성할 수 있다.

마지막으로 제어부(112)는 입력 데이터가 복수의 항목 각각에 해당할 확률을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.

도 3에 도시된 예시에서는, 입력 데이터가 이미지 형태의 데이터(가령 원본 영상)로, 5X7 형태의 블록으로 나누어지며, 컨볼루션 레이어의 생성에 5X3 형태의 단위 블록이 사용되고, 풀링 레이어의 생성에 1X4 또는 1X2 형태의 단위 블록이 사용되는 것으로 도시되었지만, 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 입력 데이터의 종류 및/또는 각 블록의 크기는 다양하게 구성될 수 있다.

한편 이와 같은 신경망은 전술한 메모리(113)에 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들의 형태로 저장될 수 있다. 물론 인공 신경망의 구조 또한 메모리(113)에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.

도 3에서 설명한 신경망의 종류 및/또는 구조는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 다양한 종류의 모델의 신경망이 명세서를 통하여 설명하는 '신경망'에 해당할 수 있다.

본 발명에서 인공 신경망은 일 실시예에 따라 슬로모션 영상을 생성하도록 학습될 수도 있고, 복수의 이미지를 포함하는 콘텐츠를 생성하도록 학습될수도 있다. 이하에서는 제어부(112)가 슬로모션 영상을 생성하는 방법을 먼저 설명하고, 이미지 콘텐츠를 생성하는 방법을 나중에 설명한다.

< 슬로모션 영상 생성 방법 >

본 발명의 일 실시예에 따른 제어부(112)는 학습된 인공 신경망을 이용하여 제1 속도의 원본 영상으로부터 제1 속도보다 빠른 제2 속도의 슬로모션 영상을 생성할 수 있다.

이를 위해 본 발명의 일 실시예에 따른 제어부(112)는 인공 신경망을 학습시킬 수 있다. 본 실시예에서 인공 신경망은 시점 프레임, 종점 프레임, 하나 이상의 시각 및 하나 이상의 시각 각각에서의 프레임 간의 상관관계를 학습한 신경망일 수 있다.

이때 '시점'은 영상의 시작점, '종점'은 영상의 종료점, '하나 이상의 시각'은 시점과 종점 사이의 임의의 시각을 의미할 수 있다. 또한 하나 이상의 시각과 하나 이상의 시각 각각에서의 프레임은 학습데이터의 표지 데이터로써 사용될 수 있다.

도 4 내지 도 7을 함께 참조하여, 제어부(112)가 인공 신경망을 학습하는 과정을 보다 상세히 살펴본다.

도 4는 본 발명의 일 실시예에 따른 제3 속도의 학습 영상에 포함되는 프레임(Study Frame 1 내지 Study Frame 12)을 시계열적으로 도시한 도면이다. 도 5는 제4 속도의 샘플링 학습 영상에 포함되는 프레임(Sampled Frame 1 내지 Sampled Frame 4)을 시계열적으로 도시한 도면이다. 도 6은 생성된 하나의 학습 데이터 셋(511)을 설명하기 위한 도면이다. 도 7은 학습 데이터(510)를 이용하여 인공 신경망(520)을 학습하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 제어부(112)는 제3 속도인 학습 영상을 제3 속도보다 느린 제4 속도의 영상으로 샘플링(Sampling) 하여 샘플링 학습 영상을 생성할 수 있다.

전술한 바와 같이 본 발명에서 영상의 '속도'는 단위 시간당 포함되는 프레임의 수에 비례하는 값일 수 있다. 따라서 제3 속도인 학습 영상은 제4 속도인 샘플링 학습 영상 보다 단위 시간 내에 더 많은 프레임을 포함할 수 있다. 가령 제3 속도인 학습 영상은 도 4에 도시된 바와 같이 단위 시간 내에 12개의 프레임을 포함할 수 있고, 제4 속도인 샘플링 학습 영상은 도 5에 도시된 바와 같이 단위 시간 내에 4개의 프레임을 포함할 수 있다.

한편 샘플링 학습 영상에 포함되는 프레임은 학습 영상에 포함되는 프레임들 중 일부 프레임에 해당할 수 있다. 가령 샘플링 학습 영상의 첫 번째 프레임(Sampled Frame 1)은 학습 영상의 첫 번째 프레임(Study Frame 1)에 해당할 수 있고, 샘플링 학습 영상의 두 번째 프레임(Sampled Frame 2)은 학습 영상의 네 번째 프레임(Study Frame 4)에 해당할 수 있다. 물론 샘플링 학습 영상의 세 번째 프레임(Sampled Frame 3) 및 네 번째 프레임(Sampled Frame 4)은 각각 학습 영상의 일곱 번째 프레임(Study Frame 7) 및 열 번째 프레임(Study Frame 10)에 해당할 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 샘플링된 학습 영상에 포함되는 프레임들 중 두 개의 프레임을 각각 시점 프레임 및 종점 프레임으로 선택할 수 있다. 이때 시점 프레임은 영상의 최초 프레임을 의미할 수 있고, 종점 프레임은 영상의 최후 프레임을 의미할 수 있다. 가령 제어부(112)는 도 6에 도시된 바와 같이 샘플링 학습 영상의 첫 번째 프레임(Sampled Frame 1)을 시점 프레임으로, 두 번째 프레임(Sampled Frame 2)을 종점 프레임으로 선택할 수 있다. 다만 이와 같은 선택은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니며, 프레임의 선택 간격은 1 프레임 간격 보다 더 클 수도 있다.

본 발명의 일 실시예에 따른 제어부(112)는 선택된 시점 프레임에 대응되는 프레임과 선택된 종점 프레임에 대응되는 프레임 사이의 하나 이상의 중간 프레임을 학습 영상에서 추출할 수 있다. 가령 도 6에 도시된 바와 같이, 샘플링 학습 영상의 첫 번째 프레임(Sampled Frame 1)이 시점 프레임으로, 두 번째 프레임(Sampled Frame 2)이 종점 프레임으로 선택된 경우, 제어부(112)는 학습 영상에서 시점 프레임에 대응되는 프레임(즉 Study Frame 1) 및 종점 프레임에 대응되는 프레임(즉 Study Frame 4)을 식별하고, 그 사이의 하나 이상의 프레임(즉 Study Frame 2, Study Frame 3)을 학습 영상으로부터 추출할 수 있다.

또한 제어부(112)는 추출된 하나 이상의 중간 프레임 각각의 상대 시각을 추출할 수 있다. 가령 도 6에 도시된 바와 같이 시점 프레임을 상대 시각 0, 종점 프레임을 상대 시각 1이라고 가정할 때, 제어부(112)는 추출된 두 개의 프레임의 상대 시각을 1/3 시간 간격인 것으로 추출할 수 있다.

본 발명의 일 실시예에서 제어부(112)는 하나 이상의 중간 프레임 각각의 상대 시각을 시점 프레임의 시각 및 종점 프레임의 시각으로 정의되는 시구간 내에서 등간격(예를 들어 1/3)으로 설정할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 제어부(112)는 선택된 시점 프레임(Sampled Frame 1), 선택된 종점 프레임(Sampled Frame 2), 추출된 중간 프레임(Study Frame 2, 3) 및 각 프레임 간의 상대 시각(511A)을 포함하는 학습 데이터 셋(511)을 생성할 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 상술한 과정에 따라 복수의 학습 데이터 셋을 생성하고, 생성된 복수의 학습 데이터 셋을 포함하는 학습 데이터(510)를 생성하고 이를 이용하여 인공 신경망(520)을 학습시킬 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 학습 데이터(510)를 이용하여 인공 신경망(520)을 학습 시킴으로써, 인공 신경망(520)이 시점 프레임과 종점 프레임의 입력에 따라 시점과 종점 사이의 하나 이상의 시각 각각에서의 프레임을 출력하도록 학습할 수 있다.

학습 데이터(510)를 이용한 학습 과정 중에, 인공 신경망(520)을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들이 갱신(또는 업데이트) 되는 방식으로 학습이 진행될 수 있다.

한편 시점과 종점 사이의 하나 이상의 시각과 각각의 시각에서의 프레임은 시점 프레임 및 종점 프레임과 소정의 상관 관계가 있는 프레임일 수 있다.

이하에서는 인공 신경망이 상술한 과정에 따라 학습되어있음을 전제로, 도 8을 참조하여 슬로모션 영상을 생성하는 방법을 설명한다.

본 발명의 일 실시예에 따른 제어부(112)는 원본 영상에서 슬로모션 영상의 시점이 되는 제1 프레임(Input frame 1) 및 슬로모션 영상의 종점이 되는 제2 프레임(Input frame 2)을 선택할 수 있다. 이때 '원본 영상'은 슬로모션 영상 보다 느린 속도의 영상으로 다양한 방식으로 획득되는 영상을 의미할 수 있다. 가령 원본 영상은 사용자 단말(200)의 사용자가 슬로모션 영상의 생성을 위해 사용자 단말(200)을 이용하여 서버(100)에 전송한 영상을 의미할 수 있다. 또한 원본 영상은 슬로모션 서비스를 제공하는 제3 자가 자신의 서비스를 위해 고객 단말(미도시)로부터 수신한 영상을 서버(100)로 전달한 것 일 수 있다. 다만 이는 예시적인것으로, 원본 영상은 슬로모션 영상으로 변환하고자 하는 대상 영상이면 충분하다.

한편 제1 프레임(Input frame 1) 및 제2 프레임(Input frame 2)은 사용자의 입력을 수신하여 선택할 수도 있고, 소정의 규칙에 따라 선택할 수도 있다. 사용자의 입력에 기초하여 선택되는 경우, 사용자는 원본 영상 내에서 슬로모션으로 생성하고자 하는 구간의 시점과 종점을 선택하여 서버(100)로 전송할 수 있다. 한편 제1 프레임(Input frame 1) 및 제2 프레임(Input frame 2)이 소정의 규칙에 따라 선택되는 경우, 제어부(112)는 기 설정된 규칙에 따라 슬로모션으로 생성하고자 하는 구간의 시점과 종점을 선택할 수 있다. 예를 들어 제어부(112)는 원본 영상의 가장 첫 프레임과 가장 마지막 프레임을 각각 제1 프레임(Input frame 1) 및 제2 프레임(Input frame 2)으로 선택할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 제어부(112)는 학습된 인공 신경망(520)을 이용하여 선택된 제1 프레임(Input frame 1)으로부터 선택된 제2 프레임(Input frame 2)으로 전환되는 과정을 묘사하는 적어도 하나의 제3 프레임(Output frame 1 내지 Output frame 3)을 생성하고, 제3 프레임 각각의 표시 시점(상대 시점)을 결정할 수 있다.

본 발명의 다른 실시예에서, 제어부(112)는 제3 프레임(Output frame 1 내지 Output frame 3) 생성 조건(Conditions)을 더 고려하여, 제3 프레임(Output frame 1 내지 Output frame 3)을 생성할 수도 있다. 이때 조건(Conditions)은 제3 프레임의 생성 수량(가령 3개) 및 생성 간격(가령 1/4 상대 시간) 중 적어도 하나를 포함할 수 있다. 이러한 경우 인공 신경망(520)은 제3 프레임 생성 조건을 더 포함하여 학습될 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 도 9에 도시된 바와 같이 제1 프레임(Input Frame 1), 적어도 하나의 제3 프레임(Output Frame 1 내지 Output Frame 3) 및 제2 프레임(Input Frame 2)을 포함하는 슬로모션 영상(610)을 생성할 수 있다.

이때 본 발명의 일 실시예에 따른 제어부(112)는 제1 프레임 (Input Frame 1) 및 제2 프레임(Input Frame 2) 사이에, 적어도 하나의 제3 프레임(Output Frame 1 내지 Output Frame 3)이 제1 속도에 대응되는 프레임 레이트로 표시되도록 슬로모션 영상(610)을 생성할 수 있다.

가령 원본 영상의 속도인 제1 속도가 단위시간당 1개의 프레임인 경우를 가정해 보자. 이러한 경우 하나의 단위 시간 당 1개의 프레임만이 표시될 수 있다. 한편 상술한 과정에 의해 3개의 제3 프레임이 생성된 경우 당위시간 당 4개의 프레임, 즉 원본 영상의 프레임 1개와 생성된 3개의 제3 프레임이 표시되어야 영상이 자연스럽게(즉 영상 내의 개체의 움직임 속도가 원본 영상과 동일하게) 표시될 수 있다.

한편 단위시간 당 4개의 프레임이 재생되는 속도(제2 속도와 동일한 속도)는 원본영상의 속도인 제1 속도보다 빠른 속도일 수 있고, 제2 속도에 따라 단위시간 당 4개의 프레임을 재생할 경우 영상이 보다 자연스럽게 연결되는 것은 별론으로 하더라도, 슬로우모션과 같이 영상 내 개체의 움직임이 천천히 묘사되지는 않는다.

따라서 본 발명의 일 실시예에 따른 제어부(112)는 생성된 슬로모션 영상(610)이 제1 속도(즉 원본 영상의 속도)에 대응되는 프레임 레이트(또는 재생 속도)로 표시되도록 하여 프레임 간의 전환이 자연스럽게 이루어지도록 함과 동시에, 영상 내의 개체의 움직임을 천천히 묘사할 수 있도록 한다. 이로써 본 발명은 저속으로 촬영된 영상으로부터 고속 촬영 영상을 생성함으로써 보다 생동감 있는 영상을 제공할 수 있다.

도 10은 본 발명의 일 실시예에 따른 이미지 생성 장치(110)에 의해 수행되는 슬로모션 영상 생성 방법을 설명하기 위한 도면이다. 이하에서는 도 1 내지 도 9에서 설명한 내용과 중복되는 내용의 설명은 생략하되, 도 1 내지 도 9를 함께 참조하여 설명한다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 인공 신경망을 학습시킬 수 있다.(S121) 본 실시예에서 인공 신경망은 시점 프레임, 종점 프레임, 하나 이상의 시각 및 하나 이상의 시각 각각에서의 프레임 간의 상관관계를 학습한 신경망일 수 있다.

이때 '시점'은 영상의 시작점, '종점'은 영상의 종료점, '하나 이상의 시각'은 시점과 종점 사이의 임의의 시각을 의미할 수 있다. 또한 하나 이상의 시각과 하나 이상의 시각 각각에서의 프레임은 학습데이터의 표지 데이터로써 사용될 수 있다.

도 4 내지 도 7을 함께 참조하여, 이미지 생성 장치(110)가 인공 신경망을 학습하는 과정을 보다 상세히 살펴본다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 제3 속도인 학습 영상을 제3 속도보다 느린 제4 속도의 영상으로 샘플링(Sampling) 하여 샘플링 학습 영상을 생성할 수 있다.

전술한 바와 같이 본 발명에서 영상의 '속도'는 단위 시간당 포함되는 프레임의 수에 비례하는 값일 수 있다. 따라서 제3 속도인 학습 영상은 제4 속도인 샘플링 학습 영상 보다 단위 시간 내에 더 많은 프레임을 포함할 수 있다. 가령 제3 속도인 학습 영상은 도 4에 도시된 바와 같이 단위 시간 내에 12개의 프레임을 포함할 수 있고, 제4 속도인 샘플링 학습 영상은 도 5에 도시된 바와 같이 단위 시간 내에 4개의 프레임을 포함할 수 있다.

한편 샘플링 학습 영상에 포함되는 프레임은 학습 영상에 포함되는 프레임들 중 일부 프레임에 해당할 수 있다. 가령 샘플링 학습 영상의 첫 번째 프레임(Sampled Frame 1)은 학습 영상의 첫 번째 프레임(Study Frame 1)에 해당할 수 있고, 샘플링 학습 영상의 두 번째 프레임(Sampled Frame 2)은 학습 영상의 네 번째 프레임(Study Frame 4)에 해당할 수 있다. 물론 샘플링 학습 영상의 세 번째 프레임(Sampled Frame 3) 및 네 번째 프레임(Sampled Frame 4)은 각각 학습 영상의 일곱 번째 프레임(Study Frame 7) 및 열 번째 프레임(Study Frame 10)에 해당할 수 있다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 샘플링된 학습 영상에 포함되는 프레임들 중 두 개의 프레임을 각각 시점 프레임 및 종점 프레임으로 선택할 수 있다. 이때 시점 프레임은 영상의 최초 프레임을 의미할 수 있고, 종점 프레임은 영상의 최후 프레임을 의미할 수 있다. 가령 이미지 생성 장치(110)는 도 6에 도시된 바와 같이 샘플링 학습 영상의 첫 번째 프레임(Sampled Frame 1)을 시점 프레임으로, 두 번째 프레임(Sampled Frame 2)을 종점 프레임으로 선택할 수 있다. 다만 이와 같은 선택은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니며, 프레임의 선택 간격은 1 프레임 간격 보다 더 클 수도 있다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 선택된 시점 프레임에 대응되는 프레임과 선택된 종점 프레임에 대응되는 프레임 사이의 하나 이상의 중간 프레임을 학습 영상에서 추출할 수 있다. 가령 도 6에 도시된 바와 같이, 샘플링 학습 영상의 첫 번째 프레임(Sampled Frame 1)이 시점 프레임으로, 두 번째 프레임(Sampled Frame 2)이 종점 프레임으로 선택된 경우, 이미지 생성 장치(110)는 학습 영상에서 시점 프레임에 대응되는 프레임(즉 Study Frame 1) 및 종점 프레임에 대응되는 프레임(즉 Study Frame 4)을 식별하고, 그 사이의 하나 이상의 프레임(즉 Study Frame 2, Study Frame 3)을 학습 영상으로부터 추출할 수 있다.

또한 이미지 생성 장치(110)는 추출된 하나 이상의 중간 프레임 각각의 상대 시각을 추출할 수 있다. 가령 도 6에 도시된 바와 같이 시점 프레임을 상대 시각 0, 종점 프레임을 상대 시각 1이라고 가정할 때, 이미지 생성 장치(110)는 추출된 두 개의 프레임의 상대 시각을 1/3 시간 간격인 것으로 추출할 수 있다.

본 발명의 일 실시예에서 이미지 생성 장치(110)는 하나 이상의 중간 프레임 각각의 상대 시각을 시점 프레임의 시각 및 종점 프레임의 시각으로 정의되는 시구간 내에서 등간격(예를 들어 1/3)으로 설정할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 선택된 시점 프레임(Sampled Frame 1), 선택된 종점 프레임(Sampled Frame 2), 추출된 중간 프레임(Study Frame 2, 3) 및 각 프레임 간의 상대 시각(511A)을 포함하는 학습 데이터 셋(511)을 생성할 수 있다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 상술한 과정에 따라 복수의 학습 데이터 셋을 생성하고, 생성된 복수의 학습 데이터 셋을 포함하는 학습 데이터(510)를 생성하고 이를 이용하여 인공 신경망(520)을 학습시킬 수 있다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 학습 데이터(510)를 이용하여 인공 신경망(520)을 학습 시킴으로써, 인공 신경망(520)이 시점 프레임과 종점 프레임의 입력에 따라 시점과 종점 사이의 하나 이상의 시각 각각에서의 프레임을 출력하도록 학습할 수 있다.

학습 데이터(510)를 이용한 학습 과정 중에, 인공 신경망(520)을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들이 갱신(또는 업데이트) 되는 방식으로 학습이 진행될 수 있다.

한편 시점과 종점 사이의 하나 이상의 시각과 각각의 시각에서의 프레임은 시점 프레임 및 종점 프레임과 소정의 상관 관계가 있는 프레임일 수 있다.

이하에서는 인공 신경망이 상술한 과정에 따라 학습되어있음을 전제로, 도 8을 참조하여 슬로모션 영상을 생성하는 방법을 설명한다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 원본 영상에서 슬로모션 영상의 시점이 되는 제1 프레임(Input frame 1) 및 슬로모션 영상의 종점이 되는 제2 프레임(Input frame 2)을 선택할 수 있다.(S122)

이때 '원본 영상'은 슬로모션 영상 보다 느린 속도의 영상으로 다양한 방식으로 획득되는 영상을 의미할 수 있다. 가령 원본 영상은 사용자 단말(200)의 사용자가 슬로모션 영상의 생성을 위해 사용자 단말(200)을 이용하여 서버(100)에 전송한 영상을 의미할 수 있다. 또한 원본 영상은 슬로모션 서비스를 제공하는 제3 자가 자신의 서비스를 위해 고객 단말(미도시)로부터 수신한 영상을 서버(100)로 전달한 것 일 수 있다. 다만 이는 예시적인것으로, 원본 영상은 슬로모션 영상으로 변환하고자 하는 대상 영상이면 충분하다.

한편 제1 프레임(Input frame 1) 및 제2 프레임(Input frame 2)은 사용자의 입력을 수신하여 선택할 수도 있고, 소정의 규칙에 따라 선택할 수도 있다. 사용자의 입력에 기초하여 선택되는 경우, 사용자는 원본 영상 내에서 슬로모션으로 생성하고자 하는 구간의 시점과 종점을 선택하여 서버(100)로 전송할 수 있다. 한편 제1 프레임(Input frame 1) 및 제2 프레임(Input frame 2)이 소정의 규칙에 따라 선택되는 경우, 이미지 생성 장치(110)는 기 설정된 규칙에 따라 슬로모션으로 생성하고자 하는 구간의 시점과 종점을 선택할 수 있다. 예를 들어 이미지 생성 장치(110)는 원본 영상의 가장 첫 프레임과 가장 마지막 프레임을 각각 제1 프레임(Input frame 1) 및 제2 프레임(Input frame 2)으로 선택할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 학습된 인공 신경망(520)을 이용하여 선택된 제1 프레임(Input frame 1)으로부터 선택된 제2 프레임(Input frame 2)으로 전환되는 과정을 묘사하는 적어도 하나의 제3 프레임(Output frame 1 내지 Output frame 3)을 생성하고, 제3 프레임 각각의 표시 시점(상대 시점)을 결정할 수 있다.(S123)

본 발명의 일 실시예에서, 이미지 생성 장치(110)는 제3 프레임(Output frame 1 내지 Output frame 3) 생성 조건(Conditions)을 더 고려하여, 제3 프레임(Output frame 1 내지 Output frame 3)을 생성할 수도 있다. 이때 조건(Conditions)은 제3 프레임의 생성 수량(가령 3개) 및 생성 간격(가령 1/4 상대 시간) 중 적어도 하나를 포함할 수 있다. 이러한 경우 인공 신경망(520)은 제3 프레임 생성 조건을 더 포함하여 학습될 수 있다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 도 9에 도시된 바와 같이 제1 프레임(Input Frame 1), 적어도 하나의 제3 프레임(Output Frame 1 내지 Output Frame 3) 및 제2 프레임(Input Frame 2)을 포함하는 슬로모션 영상(610)을 생성할 수 있다.(S124)

이때 본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 제1 프레임 (Input Frame 1) 및 제2 프레임(Input Frame 2) 사이에, 적어도 하나의 제3 프레임(Output Frame 1 내지 Output Frame 3)이 제1 속도에 대응되는 프레임 레이트로 표시되도록 슬로모션 영상(610)을 생성할 수 있다.

가령 원본 영상의 속도인 제1 속도가 단위시간당 1개의 프레임인 경우를 가정해 보자. 이러한 경우 하나의 단위 시간 당 1개의 프레임만이 표시될 수 있다. 한편 상술한 과정에 의해 3개의 제3 프레임이 생성된 경우 당위시간 당 4개의 프레임, 즉 원본 영상의 프레임 1개와 생성된 3개의 제3 프레임이 표시되어야 영상이 자연스럽게(즉 영상 내의 개체의 움직임 속도가 원본 영상과 동일하게) 표시될 수 있다.

한편 단위시간 당 4개의 프레임이 재생되는 속도(제2 속도와 동일한 속도)는 원본영상의 속도인 제1 속도보다 빠른 속도일 수 있고, 제2 속도에 따라 단위시간 당 4개의 프레임을 재생할 경우 영상이 보다 자연스럽게 연결되는 것은 별론으로 하더라도, 슬로우모션과 같이 영상 내 개체의 움직임이 천천히 묘사되지는 않는다.

따라서 본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 생성된 슬로모션 영상(610)이 제1 속도(즉 원본 영상의 속도)에 대응되는 프레임 레이트(또는 재생 속도)로 표시되도록 하여 프레임 간의 전환이 자연스럽게 이루어지도록 함과 동시에, 영상 내의 개체의 움직임을 천천히 묘사할 수 있도록 한다. 이로써 본 발명은 저속으로 촬영된 영상으로부터 고속 촬영 영상을 생성함으로써 보다 생동감 있는 영상을 제공할 수 있다.

< 콘텐츠 생성 방법 >

본 발명에서 '콘텐츠'는 전술한 영상과 유사하게 복수의 장면(또는 이미지 컷, 이미지)의 집합으로 이루어진 개체로, 영상과 달리 표시 시간의 제한이 없는 개체를 의미할 수 있다. 가령 '콘텐츠'는 복수의 이미지를 포함하고, 이미지들이 가상의 2차원 공간(예를 들어 웹 페이지)상에 나열되는 웹 콘텐츠를 의미할 수 있다.

따라서 본 발명의 일 실시예에 따른 콘텐츠 생성 방법은 재생 속도에 관한 요소를 제외하고, 전술한 슬로모션 영상 생성 방법과 사실상 동일한 방법일 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 도 4 내지 도 7에서 설명한 인공 신경망 학습 방법과 동일한 방법으로 인공 신경망을 학습시킬 수 있다. 따라서 본 발명의 일 실시예에 따른 제어부(112)는 도 4 내지 도 6에서 설명한 방법에 따라 학습 데이터를 생성하고, 도 7에서 설명한 방법에 따라 생성된 학습 데이터를 이용하여 인공 신경망을 학습시킬 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 학습된 인공 신경망과 순차적인 N(N은 자연수)개의 이미지를 이용하여, M(M은 자연수, M>=N)개의 이미지를 포함하는 콘텐츠를 생성할 수 있다.

도 11을 참조하여 이를 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 제어부(112)는 N개의 이미지에 포함되고 서로 인접하는 제1 이미지(Image 1) 및 제2 이미지(Image 2)를 선택할 수 있다.

이때 '제1 이미지(Image 1)'는 슬로 모션 생성 방법에서의 '제1 프레임'에, '제2 이미지(Image 2)'는 슬로 모션 생성 방법에서의 '제2 프레임'에, '제3 이미지(Image 3-1, 3-2)'는 슬로 모션 생성 방법에서의 '제3 프레임'에 각각 대응되는 개념일 수 있다. 한편 본 발명에서 이미지들이 '인접'하는 것은, 소정의 규칙에 따라 각 이미지에 부여된 식별 번호(또는 순번)이 인접하는 것을 의미할 수 있다.

본 발명에서 N개의 이미지는 콘텐츠의 생성을 위해 필요한 이미지로, 가령 사용자 단말(200)의 사용자가 전체 콘텐츠의 생성을 위해 생성한 콘텐츠를 구성하는 복수의 이미지 중 일부를 의미할 수 있다.

바꾸어 말하면, 사용자는 큰 장면 변화에 대한 이미지(즉 N개의 이미지)만을 작성하고, 작성된 이미지를 이용하여 구체적인 장면 변화 과정에 관한 이미지를 (자동으로) 생성함으로써 전체 콘텐츠를 보다 빠르게 완성할 수 있다.

한편 N개의 이미지는 소정의 규칙에 따라 제어부(112)가 선택한 이미지로, 하나의 주제를 나타내기 위한 콘텐츠의 생성을 위해 사용되는 이미지를 의미할 수 있다. 이때 소정의 규칙은 가령 이미지의 메타 데이터를 참조하여, 위치 정보를 기반으로, 촬영(생성) 시간을 기반으로, 관련 이벤트를 기반으로 또는 이미지 내에 포함된 개체의 유사성을 기반으로 선별된 이미지들일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 제어부(112)는 학습된 인공 신경망을 이용하여 제1 이미지(Image 1)로부터 제2 이미지(Image 2)로 전환되는 과정을 묘사하는 적어도 하나의 제3 이미지(Image 3-1, 3-2)를 생성할 수 있다.

이때 본 발명의 일 실시예에 따른 제어부(112)는 제3 이미지 생성 조건을 더 고려하여, 제3 이미지를 생성할 수도 있다. 이때 조건(Conditions)은 제3 이미지(Image 3-1, 3-2)의 생성 수량(가령 2개)을 포함할 수 있다. 이러한 경우 인공 신경망은 제3 이미지 생성 조건을 더 포함하여 학습될 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 제어부(112)는 제1 이미지(Image 1), 적어도 하나의 제3 이미지(Image 3-1, 3-2) 및 제2 이미지(Image 2)를 포함하는 콘텐츠를 생성할 수 있다. 이때 본 발명의 일 실시예에 따른 제어부(112)는 웹 페이지로 정의되는 2차원 공간상에 제1 이미지(Image 1), 적어도 하나의 제3 이미지(Image 3-1, 3-2) 및 제2 이미지(Image 2)를 순차적으로 나열한 웹 콘텐츠를 생성할 수 있다.

이로써 본 발명은 큰 장면 변화에 대한 이미지만을 작성하고, 학습된 인공 신경망을 이용하여 구체적인 장면 변화 과정에 관한 이미지를 생성함으로써 전체 콘텐츠를 보다 빠르게 완성할 수 있도록 할 수 있다.

도 12는 본 발명의 일 실시예에 따른 이미지 생성 장치(110)에 의해 수행되는 콘텐츠 생성 방법을 설명하기 위한 도면이다. 이하에서는 도 11에서 설명한 내용과 중복되는 내용의 설명은 생략하되, 도 11을 함께 참조하여 설명한다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 인공 신경망을 학습시킬 수 있다.(S131) 본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 도 4 내지 도 6에서 설명한 방법에 따라 학습 데이터를 생성하고, 도 7에서 설명한 방법에 따라 생성된 학습 데이터를 이용하여 인공 신경망을 학습시킬 수 있다. 인공 신경망의 학습에 관한 상세한 설명은 생략한다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 N개의 이미지에 포함되고 서로 인접하는 제1 이미지(Image 1) 및 제2 이미지(Image 2)를 선택할 수 있다. (S132)

이때 '제1 이미지(Image 1)'는 슬로 모션 생성 방법에서의 '제1 프레임'에, '제2 이미지(Image 2)'는 슬로 모션 생성 방법에서의 '제2 프레임'에, '제3 이미지(Image 3-1, 3-2)'는 슬로 모션 생성 방법에서의 '제3 프레임'에 각각 대응되는 개념일 수 있다. 한편 본 발명에서 이미지들이 '인접'하는 것은, 소정의 규칙에 따라 각 이미지에 부여된 식별 번호(또는 순번)이 인접하는 것을 의미할 수 있다.

본 발명에서 N개의 이미지는 콘텐츠의 생성을 위해 필요한 이미지로, 가령 사용자 단말(200)의 사용자가 전체 콘텐츠의 생성을 위해 생성한 콘텐츠를 구성하는 복수의 이미지 중 일부를 의미할 수 있다.

바꾸어 말하면, 사용자는 큰 장면 변화에 대한 이미지(즉 N개의 이미지)만을 작성하고, 작성된 이미지를 이용하여 구체적인 장면 변화 과정에 관한 이미지를 (자동으로) 생성함으로써 전체 콘텐츠를 보다 빠르게 완성할 수 있다.

한편 N개의 이미지는 소정의 규칙에 따라 이미지 생성 장치(110)가 선택한 이미지로, 하나의 주제를 나타내기 위한 콘텐츠의 생성을 위해 사용되는 이미지를 의미할 수 있다. 이때 소정의 규칙은 가령 이미지의 메타 데이터를 참조하여, 위치 정보를 기반으로, 촬영(생성) 시간을 기반으로, 관련 이벤트를 기반으로 또는 이미지 내에 포함된 개체의 유사성을 기반으로 선별된 이미지들일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 학습된 인공 신경망을 이용하여 제1 이미지(Image 1)로부터 제2 이미지(Image 2)로 전환되는 과정을 묘사하는 적어도 하나의 제3 이미지(Image 3-1, 3-2)를 생성할 수 있다.(S133)

이때 본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 제3 이미지 생성 조건을 더 고려하여, 제3 이미지를 생성할 수도 있다. 이때 조건(Conditions)은 제3 이미지(Image 3-1, 3-2)의 생성 수량(가령 2개)을 포함할 수 있다. 이러한 경우 인공 신경망은 제3 이미지 생성 조건을 더 포함하여 학습될 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 제1 이미지(Image 1), 적어도 하나의 제3 이미지(Image 3-1, 3-2) 및 제2 이미지(Image 2)를 포함하는 콘텐츠를 생성할 수 있다.(S134) 이때 본 발명의 일 실시예에 따른 이미지 생성 장치(110)는 웹 페이지로 정의되는 2차원 공간상에 제1 이미지(Image 1), 적어도 하나의 제3 이미지(Image 3-1, 3-2) 및 제2 이미지(Image 2)를 순차적으로 나열한 웹 콘텐츠를 생성할 수 있다.

이로써 본 발명은 큰 장면 변화에 대한 이미지만을 작성하고, 학습된 인공 신경망을 이용하여 구체적인 장면 변화 과정에 관한 이미지를 생성함으로써 전체 콘텐츠를 보다 빠르게 완성할 수 있도록 할 수 있다.

이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 서버
110: 이미지 생성 장치
111: 통신부
112: 제어부
113: 메모리
200: 사용자 단말
300: 서비스 서버
400: 통신망

Claims (9)

1. 제1 속도의 원본 영상으로부터 상기 제1 속도보다 빠른 제2 속도의 슬로모션(Slow motion) 영상을 생성하는 방법에 있어서,
   상기 원본 영상에서 상기 슬로모션 영상의 시점이 되는 제1 프레임 및 상기 슬로모션 영상의 종점이 되는 제2 프레임을 선택하는 단계;
   학습된 인공 신경망을 이용하여, 상기 제1 프레임으로부터 상기 제2 프레임으로 전환되는 과정을 묘사하는 적어도 하나의 제3 프레임을 생성하는 단계로써, 상기 인공 신경망은 시점과 종점 사이의 하나 이상의 시각과 상기 하나 이상의 시각 각각에서의 프레임이 표지된 학습 데이터에 기반하여, 상기 학습 데이터에 포함되는 시점 프레임, 상기 학습 데이터에 포함되는 종점 프레임, 상기 하나 이상의 시각 및 상기 하나 이상의 시각 각각에서의 프레임 간의 상관관계를 학습한 신경망인 단계; 및
   상기 제1 프레임, 상기 적어도 하나의 제3 프레임 및 상기 제2 프레임을 포함하는 상기 슬로모션 영상을 생성하는 단계;를 포함하는, 슬로모션 영상 생성 방법.
2. 삭제
3. 청구항 1에 있어서
   상기 슬로모션 영상 생성 방법은
   상기 제1 프레임 및 상기 제2 프레임을 선택하는 단계 이전에,
   학습 데이터를 이용하여 상기 인공 신경망을 학습시키는 단계;를 더 포함하는, 슬로모션 영상 생성 방법.
4. 청구항 3에 있어서
   상기 인공 신경망을 학습시키는 단계는
   제3 속도인 학습 영상을 상기 제3 속도보다 느린 제4 속도의 영상으로 샘플링 하여 샘플링 학습 영상을 생성하는 단계;
   상기 샘플링 학습 영상에 포함되는 두 개의 프레임을 각각 시점 프레임 및 종점 프레임으로 선택하는 단계;
   상기 학습 영상에서, 상기 시점 프레임에 대응되는 프레임과 상기 종점 프레임에 대응되는 프레임 사이의 하나 이상의 중간 프레임 및 상기 하나 이상의 중간 프레임 각각의 상대 시각을 추출하는 단계; 및
   상기 시점 프레임, 상기 종점 프레임, 상기 하나 이상의 중간 프레임 및 상기 하나 이상의 중간 프레임 각각의 상대 시각을 이용하여 상기 인공 신경망을 학습시키는 단계;를 포함하는, 슬로모션 영상 생성 방법.
5. 청구항 4에 있어서
   상기 하나 이상의 중간 프레임 각각의 상대 시각은
   상기 시점 프레임의 시각 및 상기 종점 프레임의 시각으로 정의되는 시구간 내에서 등간격으로 설정되는, 슬로모션 영상 생성 방법.
   
6. 청구항 1에 있어서
   상기 슬로모션 영상을 생성하는 단계는
   상기 제1 프레임 및 상기 제2 프레임 사이에, 상기 적어도 하나의 제3 프레임이 상기 제1 속도에 대응되는 프레임 레이트로 표시되도록 상기 슬로모션 영상을 생성하는, 슬로모션 영상 생성 방법.
7. 청구항 1에 있어서
   상기 슬로모션 영상 생성 방법은
   상기 적어도 하나의 제3 프레임을 생성하는 단계 이전에,
   생성하고자 하는 제3 프레임의 수량을 결정하는 단계;를 더 포함하고,
   상기 적어도 하나의 제3 프레임을 생성하는 단계는
   상기 수량을 참조하여 상기 적어도 하나의 제3 프레임을 생성하는, 슬로모션 영상 생성 방법.
8. 순차적인 N(N은 자연수)개의 이미지를 이용하여 M(M은 자연수, M>=N)개의 이미지를 포함하는 콘텐츠를 생성하는 방법에 있어서,
   상기 N개의 이미지에 포함되고, 서로 인접하는 제1 이미지 및 제2 이미지를 선택하는 단계;
   학습된 인공 신경망을 이용하여, 상기 제1 이미지로부터 상기 제2 이미지로 전환되는 과정을 묘사하는 적어도 하나의 제3 이미지를 생성하는 단계로써, 상기 인공 신경망은 시점과 종점 사이의 하나 이상의 시각과 상기 하나 이상의 시각 각각에서의 프레임이 표지된 학습 데이터에 기반하여, 상기 학습 데이터에 포함되는 시점 프레임, 상기 학습 데이터에 포함되는 종점 프레임, 상기 하나 이상의 시각 및 상기 하나 이상의 시각 각각에서의 프레임 간의 상관관계를 학습한 신경망인 단계; 및
   상기 제1 이미지, 상기 적어도 하나의 제3 이미지 및 상기 제2 이미지를 포함하는 상기 콘텐츠를 생성하는 단계;를 포함하는, 콘텐츠 생성 방법.
9. 컴퓨터를 이용하여
   청구항 1, 청구항 3 내지 청구항 8 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램.

Images