KR102559913B1 - Method for implementing camera movement by using a virtual camera - Google Patents
Method for implementing camera movement by using a virtual camera Download PDFInfo
- Publication number
- KR102559913B1 KR102559913B1 KR1020220135656A KR20220135656A KR102559913B1 KR 102559913 B1 KR102559913 B1 KR 102559913B1 KR 1020220135656 A KR1020220135656 A KR 1020220135656A KR 20220135656 A KR20220135656 A KR 20220135656A KR 102559913 B1 KR102559913 B1 KR 102559913B1
- Authority
- KR
- South Korea
- Prior art keywords
- camera
- distance
- focus
- real
- virtual
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000033001 locomotion Effects 0.000 title claims abstract description 33
- 230000001360 synchronised effect Effects 0.000 claims abstract description 57
- 238000003860 storage Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 description 113
- 230000008569 process Effects 0.000 description 37
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/204—Image signal generators using stereoscopic image cameras
- H04N13/246—Calibration of cameras
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B13/00—Optical objectives specially designed for the purposes specified below
- G02B13/22—Telecentric objectives or lens systems
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B13/00—Viewfinders; Focusing aids for cameras; Means for focusing for cameras; Autofocus systems for cameras
- G03B13/18—Focusing aids
- G03B13/20—Rangefinders coupled with focusing arrangements, e.g. adjustment of rangefinder automatically focusing camera
- G03B13/22—Rangefinders coupled with focusing arrangements, e.g. adjustment of rangefinder automatically focusing camera coupling providing for compensation upon change of camera lens
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/106—Processing image signals
- H04N13/111—Transformation of image signals corresponding to virtual viewpoints, e.g. spatial image interpolation
- H04N13/117—Transformation of image signals corresponding to virtual viewpoints, e.g. spatial image interpolation the virtual viewpoint locations being selected by the viewers or determined by viewer tracking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/106—Processing image signals
- H04N13/156—Mixing image signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/204—Image signal generators using stereoscopic image cameras
- H04N13/243—Image signal generators using stereoscopic image cameras using three or more 2D image sensors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/296—Synchronisation thereof; Control thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/04—Synchronising
- H04N5/06—Generation of synchronising signals
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Studio Devices (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 카메라의 움직임을 구현하기 위한 방법이 개시된다. 상기 방법은 가상 카메라와 실제 카메라를 동기화하는 단계; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 단계; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 단계; 및 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계를 포함할 수 있다.A method for implementing movement of a camera, performed by one or more processors of a computing device, according to an embodiment of the present disclosure is disclosed. The method includes synchronizing a virtual camera and a real camera; measuring a first distance from the screen at the synchronized camera position; selecting an object to be focused on, and measuring a focal distance to the selected object at the synchronized camera position; and adjusting a focus of at least one of the real camera and the virtual camera based on the first distance and the focal distance.
Description
본 개시는 카메라 움직임 구현 방법에 관한 것으로, 보다 구체적으로 가상 카메라를 이용하여 카메라의 현실적인 움직임을 구현하는 방법에 관한 것이다.The present disclosure relates to a method for realizing a camera movement, and more particularly, to a method for implementing a realistic movement of a camera using a virtual camera.
기존 버추얼 프로덕션 환경에서는 LED로 출력되는 가상 환경 속 대상에 카메라의 포커스를 맞출 수 없으며, 실제 대상에만 포커스를 맞출 수 있었다.In the existing virtual production environment, it was impossible to focus the camera on the target in the virtual environment output by LED, but only on the real target.
또한, 가상 카메라와 실제 카메라의 초점을 똑같이 동기화 하는 경우에 실제 카메라의 심도가 얕을 때, 가상 카메라의 이미지도 심도가 얕은 상태이기 때문에 이를 실제 카메라로 촬영할 때 심도가 얕은 출력물을 한번 더 얕게 만들어 배경에 잘못된 심도가 적용되게 되는 문제가 존재하였다.In addition, when the focus of the virtual camera and the real camera are equally synchronized, when the depth of field of the real camera is shallow, the image of the virtual camera also has a shallow depth, so when shooting it with the real camera, the output with a shallow depth is made shallow again. There was a problem that the wrong depth was applied to the background.
따라서, LED를 활용한 버추얼 프로덕션 환경에서 LED로 출력되는 가상 대상에 포커스를 맞추지 못하는 제약을 벗어나 더욱 현실적인 결과물과 자유로운 연출을 이 루어 내는 방법에 대한 필요성이 대두되고 있다.Therefore, there is a need for a method of achieving more realistic results and free direction beyond the constraints of not being able to focus on virtual objects output by LEDs in a virtual production environment using LEDs.
한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.On the other hand, the present disclosure has been derived at least based on the technical background salpin above, but the technical problem or object of the present disclosure is not limited to solving the above salpin problems or disadvantages. That is, the present disclosure may cover various technical issues related to the content to be described below, in addition to the technical issues discussed above.
본 개시는 가상 카메라를 이용하여 카메라의 현실적인 움직임을 구현하는 것을 해결 과제로 한다.An object of the present disclosure is to implement realistic movement of a camera using a virtual camera.
한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.On the other hand, the technical problem to be achieved by the present disclosure is not limited to the above-mentioned technical problem, and may include various technical problems within a range apparent to those skilled in the art from the contents to be described below.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 가상 카메라와 실제 카메라를 동기화하는 단계; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 단계; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 단계; 및 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계를 포함할 수 있다.A method performed by a computing device according to an embodiment of the present disclosure for realizing the above object is disclosed. The method includes synchronizing a virtual camera and a real camera; measuring a first distance from the screen at the synchronized camera position; selecting an object to be focused on, and measuring a focal distance to the selected object at the synchronized camera position; and adjusting a focus of at least one of the real camera and the virtual camera based on the first distance and the focal distance.
대안적으로, 상기 가상 카메라와 실제 카메라를 동기화하는 단계는, 상기 실제 카메라의 위치 정보, 렌즈 정보, 렌즈 왜곡 정보, 또는 움직임 정보 중 적어도 하나를 상기 가상 카메라와 동기화하는 단계를 포함할 수 있다.Alternatively, synchronizing the virtual camera and the real camera may include synchronizing at least one of position information, lens information, lens distortion information, and motion information of the real camera with the virtual camera.
대안적으로, 상기 스크린은, 상기 동기화된 카메라에 기초하여 출력되고, 가상 환경의 대상을 출력하는 스크린을 포함할 수 있다.Alternatively, the screen may include a screen that is output based on the synchronized camera and outputs an object of a virtual environment.
대안적으로, 상기 초점을 맞추려는 대상은, 실제 환경의 대상, 또는 상기 출력된 가상 환경의 대상 중 적어도 하나를 포함할 수 있다.Alternatively, the object to be focused on may include at least one of an object in a real environment or an object in the output virtual environment.
대안적으로, 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 실제 카메라의 초점을 조정하는 단계를 포함할 수 있다.Alternatively, adjusting the focus of at least one of the real camera and the virtual camera based on the first distance and the focal length may include adjusting the focus of the real camera when the focal distance is less than or equal to the first distance.
대안적으로, 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 실제 카메라의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 가상 카메라의 초점을 전경으로 조정하고, 상기 실제 카메라의 초점을 조정하는 단계를 포함할 수 있다.Alternatively, when the focal length is less than or equal to the first distance, adjusting the focus of the real camera may include adjusting the focus of the virtual camera to the foreground and adjusting the focus of the real camera when the focal length is less than or equal to the first distance.
대안적으로, 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 가상 카메라의 초점을 조정하는 단계를 포함할 수 있다.Alternatively, adjusting the focus of at least one of the real camera or the virtual camera based on the first distance and the focal length may include adjusting the focus of the virtual camera when the focal distance exceeds the first distance.
대안적으로, 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 가상 카메라의 초점을 조정하는 단계는, 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 실제 카메라의 초점을 스크린에 고정하고, 상기 가상 카메라의 초점을 조정하는 단계를 포함할 수 있다.Alternatively, when the focal distance exceeds the first distance, adjusting the focus of the virtual camera may include fixing the focus of the real camera to the screen and adjusting the focus of the virtual camera when the focal distance exceeds the first distance.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서로 하여금 영상을 후처리하기 위한 동작들을 수행하도록 하며, 상기 동작들은: 가상 카메라와 실제 카메라를 동기화하는 동작; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 동작; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 동작; 및 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 동작을 포함할 수 있다.A computer program stored in a computer readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above object. The computer program, when executed on one or more processors, causes the one or more processors to perform operations for post-processing images, the operations comprising: synchronizing a virtual camera with a real camera; measuring a first distance from the screen at the synchronized camera position; selecting an object to be focused on and measuring a focal distance of the selected object at the synchronized camera position; and adjusting a focus of at least one of the real camera and the virtual camera based on the first distance and the focal distance.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 가상 카메라와 실제 카메라를 동기화하고; 상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하고; 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하고; 그리고 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하도록 구성될 수 있다.A computing device according to an embodiment of the present disclosure for realizing the above object is disclosed. The device may include at least one processor; and a memory, wherein the processor is configured to: synchronize a virtual camera and a real camera; measure a first distance from a screen at the synchronized camera position; select an object to focus on, and measure a focal distance to the selected object at the synchronized camera position; And it may be configured to adjust the focus of at least one of the real camera and the virtual camera based on the first distance and the focal distance.
본 개시는 LED를 활용한 버추얼 프로덕션 환경에서 LED로 출력되는 가상 대상에 포커스를 맞추지 못하는 제약을 벗어나 더욱 현실적인 결과물과 자유로운 연출을 이루어 낼 수 있는 효과를 얻을 수 있다. According to the present disclosure, in a virtual production environment using LEDs, it is possible to obtain an effect capable of achieving more realistic results and free direction by escaping the constraint of not being able to focus on a virtual object output by LEDs.
한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.On the other hand, the effects of the present disclosure are not limited to the effects mentioned above, and various effects may be included within a range apparent to those skilled in the art from the contents to be described below.
도 1은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 방법을 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따른 가상 카메라와 실제 카메라를 동기화하고, 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 과정 및 스크린과 초점을 맞추려는 대상을 설명하기 위한 개략도이다.
도 5는 본 개시의 실시예에 따라 초점을 맞추려는 대상을 선택하고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리를 측정하는 과정을 나타낸 개략도이다.
도 6a는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 이하일 때, 실제 카메라의 초점을 조정하는 과정을 나타낸 개략도이다.
도 6b는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 초과일 때, 가상 카메라의 초점을 조정하는 과정을 나타낸 개략도이다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.1 is a block diagram of a computing device for realizing movement of a camera using a virtual camera according to an embodiment of the present disclosure.
2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure.
3 is a flowchart illustrating a method for realizing movement of a camera using a virtual camera according to an embodiment of the present disclosure.
4 is a schematic diagram illustrating a process of synchronizing a virtual camera and a real camera and measuring a first distance from a screen at a synchronized camera position and an object to be focused on the screen according to an embodiment of the present disclosure.
5 is a schematic diagram illustrating a process of selecting an object to focus on and measuring a focal distance of the selected object at a synchronized camera position according to an embodiment of the present disclosure.
6A is a schematic diagram illustrating a process of adjusting a focus of an actual camera when a focal distance is equal to or less than a first distance according to an embodiment of the present disclosure.
6B is a schematic diagram illustrating a process of adjusting a focus of a virtual camera when a focal distance exceeds a first distance according to an embodiment of the present disclosure.
7 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.Various embodiments are now described with reference to the drawings. In this specification, various descriptions are presented to provide an understanding of the present disclosure. However, it is apparent that these embodiments may be practiced without these specific details.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.The terms “component,” “module,” “system,” and the like, as used herein, refer to a computer-related entity, hardware, firmware, software, a combination of software and hardware, or an execution of software. For example, a component may be, but is not limited to, a procedure, processor, object, thread of execution, program, and/or computer running on a processor. For example, both an application running on a computing device and a computing device may be components. One or more components may reside within a processor and/or thread of execution. A component can be localized within a single computer. A component may be distributed between two or more computers. Also, these components can execute from various computer readable media having various data structures stored thereon. Components may communicate via local and/or remote processes, e.g., according to a signal with one or more packets of data (e.g., data from one component interacting with another component in a local system, distributed system, and/or data transmitted via a signal to another system and over a network such as the Internet).
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.In addition, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless otherwise specified or clear from the context, “X employs A or B” is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, if X uses both A and B, "X uses either A or B" may apply to either of these cases. Also, the term "and/or" as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.Also, the terms "comprises" and/or "comprising" should be understood to mean that the features and/or components are present. However, it should be understood that the terms "comprises" and/or "comprising" do not exclude the presence or addition of one or more other features, elements, and/or groups thereof. Also, unless otherwise specified or where the context clearly indicates that a singular form is indicated, the singular in this specification and claims should generally be construed to mean "one or more".
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다. In addition, the term “at least one of A or B” should be interpreted as meaning “when only A is included”, “when only B is included”, and “when A and B are combined”.
통상의 기술자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.Skilled artisans should further appreciate that the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein may be implemented as electronic hardware, computer software, or combinations of both. To clearly illustrate the interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented in hardware or as software depends on the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application. However, such implementation decisions should not be interpreted as causing a departure from the scope of this disclosure.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. The description of the presented embodiments is provided to enable any person skilled in the art to use or practice the present invention. Various modifications to these embodiments will be apparent to those skilled in the art of this disclosure. The general principles defined herein may be applied to other embodiments without departing from the scope of this disclosure. Thus, the present invention is not limited to the embodiments presented herein. The present invention is to be accorded the widest scope consistent with the principles and novel features set forth herein.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환 가능하게 사용될 수 있다. In the present disclosure, network functions, artificial neural networks, and neural networks may be used interchangeably.
도 1은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 컴퓨팅 장치의 블록 구성도이다.1 is a block diagram of a computing device for realizing movement of a camera using a virtual camera according to an embodiment of the present disclosure.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.The configuration of the computing device 100 shown in FIG. 1 is only a simplified example. In one embodiment of the present disclosure, the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may constitute the computing device 100.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.The computing device 100 may include a processor 110 , a memory 130 , and a network unit 150 .
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망 모델의 가중치 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.The processor 110 may include one or more cores, and may include processors for data analysis and deep learning, such as a central processing unit (CPU), general purpose graphics processing unit (GPGPU), and tensor processing unit (TPU) of a computing device. The processor 110 may read a computer program stored in the memory 130 and process data for machine learning according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network model. The processor 110 may perform calculations for learning of a neural network model, such as processing input data for learning in deep learning (DL), extracting features from input data, calculating errors, and updating weights of the neural network model using backpropagation. At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the neural network model. For example, the CPU and GPGPU can process learning of neural network models and data classification using neural network models. In addition, in an embodiment of the present disclosure, the neural network model learning and data classification using the neural network model may be processed by using processors of a plurality of computing devices together. In addition, a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU or TPU executable program.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.According to an embodiment of the present disclosure, the memory 130 may store any type of information generated or determined by the processor 110 and any type of information received by the network unit 150 .
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the memory 130 may include a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM ( Programmable Read-Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium. The computing device 100 may operate in relation to a web storage that performs a storage function of the memory 130 on the Internet. The above description of the memory is only an example, and the present disclosure is not limited thereto.
본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.The network unit 150 according to an embodiment of the present disclosure may use various wired communication systems such as Public Switched Telephone Network (PSTN), x Digital Subscriber Line (xDSL), Rate Adaptive DSL (RADSL), Multi Rate DSL (MDSL), Very High Speed DSL (VDSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN).
또한, 본 개시에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.In addition, the network unit 150 presented in this disclosure may use various wireless communication systems such as code division multi access (CDMA), time division multi access (TDMA), frequency division multi access (FDMA), orthogonal frequency division multi access (OFDMA), single carrier-FDMA (SC-FDMA), and other systems.
본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.In the present disclosure, the network unit 150 may be configured regardless of its communication mode, such as wired and wireless, and may be configured with various communication networks such as a personal area network (PAN) and a wide area network (WAN). In addition, the network may be the known World Wide Web (WWW), or may use a wireless transmission technology used for short-range communication, such as Infrared Data Association (IrDA) or Bluetooth. The techniques described in this disclosure may also be used in other networks mentioned above.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.Throughout this specification, computational model, neural network, network function, and neural network may be used interchangeably. A neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. A neural network includes one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다. In a neural network, one or more nodes connected through a link may form a relative relationship of an input node and an output node. The concept of an input node and an output node is relative, and any node in an output node relationship with one node may have an input node relationship with another node, and vice versa. As described above, an input node to output node relationship may be created around a link. More than one output node can be connected to one input node through a link, and vice versa.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.In a relationship between an input node and an output node connected through one link, the value of data of the output node may be determined based on data input to the input node. Here, a link interconnecting an input node and an output node may have a weight. The weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are connected to one output node by respective links, the output node may determine an output node value based on values input to input nodes connected to the output node and a weight set for a link corresponding to each input node.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.As described above, in the neural network, one or more nodes are interconnected through one or more links to form an input node and output node relationship in the neural network. Characteristics of the neural network may be determined according to the number of nodes and links in the neural network, an association between the nodes and links, and a weight value assigned to each link. For example, when there are two neural networks having the same number of nodes and links and different weight values of the links, the two neural networks may be recognized as different from each other.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.A neural network may be composed of a set of one or more nodes. A subset of nodes constituting a neural network may constitute a layer. Some of the nodes constituting the neural network may form one layer based on distances from the first input node. For example, a set of nodes having a distance of n from the first input node may constitute n layers. The distance from the first input node may be defined by the minimum number of links that must be passed through to reach the corresponding node from the first input node. However, the definition of such a layer is arbitrary for explanation, and the order of a layer in a neural network may be defined in a method different from the above. For example, a layer of nodes may be defined by a distance from a final output node.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. An initial input node may refer to one or more nodes to which data is directly input without going through a link in relation to other nodes among nodes in the neural network. Alternatively, in a relationship between nodes based on a link in a neural network, it may mean nodes that do not have other input nodes connected by a link. Similarly, the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network. Also, the hidden node may refer to nodes constituting the neural network other than the first input node and the last output node.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.The neural network according to an embodiment of the present disclosure may have the same number of nodes of the input layer as the number of nodes of the output layer, and may be a neural network in which the number of nodes decreases and then increases again as the number of nodes progresses from the input layer to the hidden layer. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of the input layer may be less than the number of nodes of the output layer and the number of nodes decreases as the number of nodes progresses from the input layer to the hidden layer. In addition, the neural network according to another embodiment of the present disclosure may have more nodes in the input layer than nodes in the output layer, and the number of nodes increases as the number of nodes increases from the input layer to the hidden layer. A neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. A deep neural network (DNN) may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer. Deep neural networks can reveal latent structures in data. That is, it is possible to grasp the latent structure of a photo, text, video, sound, or music (e.g., what objects are in the photo, what the content and emotion of the text are, what the content and emotion of the audio are, etc.). Deep neural networks include Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Auto Encoder WORKS), limited Boltzmann Machine (RBM), in -depth belief network (DBN), Q network, U network, Sham Network, hostile creation network Thork). The description of the deep neural network described above is only an example, and the present disclosure is not limited thereto.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.In one embodiment of the present disclosure, the network function may include an autoencoder. An autoencoder may be a type of artificial neural network for outputting output data similar to input data. An auto-encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between input and output layers. The number of nodes of each layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically with the reduction from the bottleneck layer to the output layer (symmetrical to the input layer). Autoencoders can perform non-linear dimensionality reduction. The number of input layers and output layers may correspond to dimensions after preprocessing of input data. In the auto-encoder structure, the number of hidden layer nodes included in the encoder may decrease as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and the decoder) is too small, a sufficient amount of information may not be delivered, so it may be maintained at a certain number or more (e.g., more than half of the input layer, etc.).
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화 학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다. The neural network may be trained using at least one of supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. Learning of the neural network may be a process of applying knowledge for the neural network to perform a specific operation to the neural network.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.A neural network can be trained in a way that minimizes output errors. In neural network learning, iteratively inputs training data to the neural network, calculates the output of the neural network for the training data and the error of the target, and backpropagates the error of the neural network from the output layer of the neural network to the input layer in order to reduce the error, thereby updating the weight of each node of the neural network. In the case of teacher learning, the learning data in which the correct answer is labeled is used for each learning data (ie, the labeled learning data), and in the case of comparative teacher learning, the correct answer may not be labeled in each learning data. That is, for example, learning data in the case of teacher learning regarding data classification may be data in which each learning data is labeled with a category. Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network and a label of the training data. As another example, in the case of comparative history learning for data classification, an error may be calculated by comparing input learning data with a neural network output. The calculated error is back-propagated in a reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back-propagation. The amount of change in the connection weight of each updated node may be determined according to a learning rate. The neural network's computation of input data and backpropagation of errors can constitute a learning cycle (epoch). The learning rate may be applied differently according to the number of iterations of the learning cycle of the neural network. For example, a high learning rate may be used in the early stage of neural network training to increase efficiency by allowing the neural network to quickly obtain a certain level of performance, and a low learning rate may be used in the late stage to increase accuracy.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.In learning of a neural network, in general, training data may be a subset of real data (i.e., data to be processed using the trained neural network), and therefore, a learning cycle may exist in which errors for the training data decrease but errors for the actual data increase. Overfitting is a phenomenon in which errors for actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that has learned a cat by showing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing the error of machine learning algorithms. Various optimization methods can be used to prevent such overfitting. To prevent overfitting, methods such as increasing training data, regularization, inactivating some nodes of the network during learning, dropout, and using a batch normalization layer may be applied.
도 3은 본 개시의 일 실시예에 따른 가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 방법을 나타낸 순서도이다.3 is a flowchart illustrating a method for realizing movement of a camera using a virtual camera according to an embodiment of the present disclosure.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 실제 카메라에 관한 정보를 직접 획득하거나 또는 외부 시스템으로부터 수신할 수 있다. 외부 시스템은 카메라의 움직임을 구현하기 위한 데이터들을 저장하고 관리하는 서버, 데이터베이스 등일 수 있다. 컴퓨팅 장치(100)는 직접 획득하거나 외부 시스템으로부터 수신된 실제 카메라에 관한 정보를 "가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 입력 데이터"로서 사용할 수 있다.The computing device 100 according to an embodiment of the present disclosure may directly acquire information about an actual camera or receive it from an external system. The external system may be a server, database, etc. that stores and manages data for realizing camera movements. The computing device 100 may use information about a real camera directly obtained or received from an external system as "input data for realizing camera movement using a virtual camera".
컴퓨팅 장치(100)는 가상 카메라와 실제 카메라를 동기화할 수 있다(S110). 구체적으로, 컴퓨팅 장치(100)는 상기 실제 카메라의 위치 정보, 렌즈 정보, 렌즈 왜곡 정보, 또는 움직임 정보 중 적어도 하나를 상기 가상 카메라와 동기화할 수 있다. 예를 들어, 촬영 과정에서 상기 실제 카메라의 렌즈 정보에 따라 촬영 객체가 표현되는 정도가 달라질 수 있고, 렌즈 왜곡 정보에 따라 출력물의 심도가 결정될 수 있다. 컴퓨팅 장치(100)는 상기 가상 카메라(10-2)의 렌즈 정보를 상기 실제 카메라(10-1)의 렌즈 정보와 동기화하고, 상기 가상 카메라(10-2)의 렌즈 왜곡 정보를 상기 실제 카메라(10-1)의 렌즈 왜곡 정보와 동기화함으로써, 가상 카메라의 시점에서 보여지는 영상에서 촬영 객체가 표현되는 정도 및 출력물의 심도가 상기 실제 카메라의 경우와 동일해질 수 있다. 상기 가상 카메라와 상기 실제 카메라를 동기화하는 구체적인 과정인 이하 도 4를 통해 후술된다. The computing device 100 may synchronize the virtual camera and the real camera (S110). Specifically, the computing device 100 may synchronize at least one of location information, lens information, lens distortion information, and motion information of the real camera with the virtual camera. For example, in the photographing process, the degree of expression of the photographed object may vary according to lens information of the actual camera, and the depth of the output may be determined according to lens distortion information. The computing device 100 synchronizes the lens information of the virtual camera 10-2 with the lens information of the real camera 10-1, and the lens distortion information of the virtual camera 10-2 and the lens distortion information of the real camera 10-1. By synchronizing the lens distortion information of the real camera 10-1, the degree of representation of the captured object and the depth of output of the image viewed from the viewpoint of the virtual camera can be the same as those of the real camera. A detailed process of synchronizing the virtual camera and the real camera will be described later with reference to FIG. 4 .
컴퓨팅 장치(100)는 S110단계를 통해 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정할 수 있다(S120). 구체적으로, 상기 측정된 제 1 거리는 동기화된 카메라 위치에서 스크린과의 물리적인 거리를 의미하고, 상기 제 1 거리는 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 과정에서 이용될 수 있으며 구체적인 설명은 이하 도 6a 내지 도 6b를 통해 후술된다. 한편, 상기 스크린은 상기 동기화된 카메라에 기초하여 출력되고, 가상 환경 또는 가상 환경의 대상이 출력될 수 있다. 또한, 상기 스크린에는 상기 동기화된 카메라의 실시간 움직임이 시뮬레이션되어 출력될 수 있다. 본 개시의 일 실시예에 따르면, 상기 동기화된 카메라의 실시간 움직임은 실시간 카메라 추적 모듈을 통해 획득된 카메라 위치 정보 및 움직임 정보를 통해 얻어질 수 있으며, 상기 스크린에는 가상 환경의 영상과 상기 동기화된 카메라의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 예를 들어, 상기 동기화된 카메라로 바닥에서 하늘을 올려다보는 시점으로 카메라 위치 정보 및 움직임 정보가 획득되면, 가상 환경에서 상기 동기화된 카메라로 바닥에서 하늘을 올려다보는 시점으로 촬영되는 영상이 상기 스크린에 출력될 수 있다. 상기 스크린에 영상이 출력되는 과정은 실시간 카메라 추적 모듈을 통해 획득된 카메라 위치 정보 및 움직임 정보가 3D 렌더러로 전달되고, 상기 3D 렌더러를 이용하여 상기 스크린에는 가상 환경의 영상과 상기 동기화된 카메라의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 상기 3D 렌더러는 영상에 색감과 질감 또는 그림자에 입체감을 부여하여 사실과 같은 형체를 보여주는 시스템 그래픽상의 처리과정을 수행하는 장치 또는 프로그램을 의미할 수 있다.The computing device 100 may measure a first distance from the screen at the synchronized camera position through step S110 (S120). Specifically, the measured first distance means a physical distance from the screen at the synchronized camera position, and the first distance can be used in the process of adjusting the focus of at least one of the real camera and the virtual camera. A detailed description will be given later with reference to FIGS. 6A to 6B. Meanwhile, the screen may be output based on the synchronized camera, and a virtual environment or an object of the virtual environment may be output. In addition, real-time motion of the synchronized camera may be simulated and displayed on the screen. According to an embodiment of the present disclosure, the real-time movement of the synchronized camera may be obtained through camera position information and motion information obtained through a real-time camera tracking module, and an image of a virtual environment and a simulated real-time movement of the synchronized camera may be synthesized and output on the screen. For example, if camera location information and motion information are obtained from the viewpoint of looking up at the sky from the floor with the synchronized camera, an image captured from the viewpoint of looking up from the floor with the synchronized camera from the floor to the sky in a virtual environment can be displayed on the screen. In the process of outputting an image on the screen, the camera position information and motion information obtained through the real-time camera tracking module are transmitted to the 3D renderer, and the image of the virtual environment and the synchronized real-time movement of the camera can be synthesized and output on the screen using the 3D renderer. The 3D renderer may refer to a device or program that performs a processing process on system graphics to show a realistic shape by adding color and texture to an image or a three-dimensional effect to a shadow.
컴퓨팅 장치(100)는 초점을 맞추려는 대상을 선택하고, S110 단계를 통해 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리를 측정할 수 있다(S130). 이때, 상기 초점을 맞추려는 대상은, 실제 환경의 대상, 또는 상기 출력된 가상 환경의 대상 중 적어도 하나를 포함할 수 있고, 상기 스크린에 출력된 가상 환경의 대상은 깊이 정보를 포함할 수 있다. 초점을 맞추려는 대상이 선택되고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리가 측정되는 구체적인 과정은 이하 도 5에서 후술된다.The computing device 100 may select an object to be focused on and measure a focal distance of the selected object at the synchronized camera position through step S110 (S130). In this case, the object to focus on may include at least one of a real environment object and an object of the output virtual environment, and the object of the virtual environment output on the screen may include depth information. A detailed process of selecting an object to be focused on and measuring a focal distance of the selected object at a synchronized camera position will be described later with reference to FIG. 5 .
컴퓨팅 장치(100)는 S120 단계를 통해 측정된 제 1 거리 및 S130 단계를 통해 측정된 초점 거리에 기초하여 S110 단계를 통해 동기화된 카메라의 실제 카메라 또는 가상 카메라 중 적어도 하나의 초점을 조정할 수 있다(S140). 구체적으로, 컴퓨팅 장치(100)는 상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 가상 카메라의 초점을 전경으로 조정하고, 상기 실제 카메라의 초점을 조정할 수 있다. 또한, 본 개시의 다른 실시예에 따르면 컴퓨팅 장치(100)는 상기 초점 거리가 상기 제 1 거리 초과일 때, 상기 실제 카메라의 초점을 스크린에 고정하고, 상기 가상 카메라의 초점을 조정할 수 있다. 상기 동기화된 카메라에서 가상 카메라의 초점과 실제 카메라의 초점 각각 조정하는 이유는, 만약 상기 가상 카메라의 초점과 상기 실제 카메라의 초점을 같게 만드는 경우, 실제 카메라의 심도가 얕을 때, 가상 카메라의 이미지도 심도가 얕은 상태이므로, 실제 카메라로 촬영될 때 심도가 얕은 출력물이 한번 더 얕게 만들어져 출력되는 스크린에 잘못된 심도가 적용될 수 있는 문제가 발생할 수 있다. The computing device 100 may adjust the focus of at least one of the real camera and the virtual camera of the synchronized cameras through step S110 based on the first distance measured through step S120 and the focal length measured through step S130 (S140). Specifically, the computing device 100 may adjust the focus of the virtual camera to the foreground and the focus of the real camera when the focal distance is equal to or less than the first distance. Also, according to another embodiment of the present disclosure, the computing device 100 may fix the focus of the real camera to the screen and adjust the focus of the virtual camera when the focal distance exceeds the first distance. The reason for adjusting the focal point of the virtual camera and the focal point of the real camera in the synchronized camera is that if the focal point of the virtual camera and the focal point of the real camera are made the same, when the depth of field of the real camera is shallow, the image of the virtual camera also has a shallow depth. Therefore, when captured with the real camera, a shallow depth-of-field output may be made shallow again, and an incorrect depth may be applied to the output screen.
이때, 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 경우 초점은 포커스 컨트롤러를 이용하여 조정될 수 있다. 예를 들어, 상기 포커스 컨트롤러는 계산된 초점 값을 기반으로 ① 실제 물리적인 모터가 있는 장치에 알맞은 값을 전송하여 실제 카메라의 초점을 제어(예시적으로, 팔로우 포커스(Follow focus) 등과 같은 모터 장치로 제어)할 수 있고, 또는 ② 가상 카메라에 알맞은 값을 3D 렌더러로 전송하여 가상 카메라의 초점을 제어할 수 있다. 따라서, 상기 포커스 컨트롤러는 상기 실제 카메라와 상기 가상 카메라에 동시에 초점 값을 전송할 수 있다. 상기 두 초점 값은 초점을 맞추려는 대상에 따라 같을 수도 다를 수도 있다. 한편, 팔로우 포커스는 일반적으로 기어를 돌리거나, 유무선으로 제어될 수 있다. 다만, 카메라의 초점을 조정하는 예시로써 포커스 컨트롤러 및 팔로우 포커스가 개시되었을 뿐, 본 개시는 이에 한정되지 않고 다양한 예시들이 활용되어 상기 실제 카메라 또는 상기 가상 카메라의 초점이 조정될 수 있다. 상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 구체적인 과정은 이하 도 6a 내지 도 6b를 통해 후술된다.In this case, when adjusting the focus of at least one of the real camera and the virtual camera, the focus may be adjusted using a focus controller. For example, based on the calculated focus value, the focus controller can control the focus of a real camera by transmitting a value suitable for a device having an actual physical motor (eg, control with a motor device such as a follow focus), or ② transmitting a value suitable for a virtual camera to a 3D renderer to control the focus of the virtual camera. Accordingly, the focus controller may simultaneously transmit a focus value to the real camera and the virtual camera. The two focus values may be the same or different depending on an object to focus on. Meanwhile, the follow focus may generally be controlled by turning a gear or wired or wireless. However, only the focus controller and the follow focus are disclosed as an example of adjusting the focus of the camera, the present disclosure is not limited thereto, and various examples may be used to adjust the focus of the real camera or the virtual camera. A detailed process of adjusting the focus of at least one of the real camera and the virtual camera based on the first distance and the focal length will be described below with reference to FIGS. 6A and 6B.
도 4는 본 개시의 일 실시예에 따른 가상 카메라와 실제 카메라를 동기화하고, 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 과정 및 스크린과 초점을 맞추려는 대상을 설명하기 위한 개략도이다.4 is a schematic diagram illustrating a process of synchronizing a virtual camera and a real camera and measuring a first distance from a screen at a synchronized camera position and an object to be focused on the screen according to an embodiment of the present disclosure.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 직접 획득하거나 또는 외부 시스템으로부터 수신된 실제 카메라(10-1)에 관한 정보를 "가상 카메라를 이용하여 카메라의 움직임을 구현하기 위한 입력 데이터"사용할 수 있다. 이때, 실제 카메라(10-1)에 관한 정보에는 카메라 모델, 렌즈의 종류, 렌즈의 두께, 초점 거리, 렌즈 왜곡 정보, 위치 정보, 또는 움직임 정보 등이 포함될 수 있으며, 이러한 예시들 이외에도 다양한 정보들이 포함될 수 있다. Referring to FIG. 4 , the computing device 100 according to an embodiment of the present disclosure may use information about the real camera 10-1 that is directly obtained or received from an external system as “input data for realizing movement of the camera using a virtual camera”. At this time, the information about the actual camera 10-1 may include a camera model, a type of lens, a thickness of the lens, a focal length, lens distortion information, location information, motion information, and the like, and various information other than these examples may be included.
컴퓨팅 장치(100)는 상기 실제 카메라(10-1)와 가상 카메라(10-2)를 동기화하고, 동기화된 카메라(10)를 획득할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 상기 실제 카메라의 위치 정보, 렌즈 정보, 렌즈 왜곡 정보, 또는 움직임 정보 중 적어도 하나를 상기 가상 카메라와 동기화할 수 있다. 예를 들어, 촬영 과정에서 상기 실제 카메라(10-1)의 렌즈 정보에 따라 촬영 객체가 표현되는 정도가 달라질 수 있고, 렌즈 왜곡 정보에 따라 출력물의 심도가 결정될 수 있다. 컴퓨팅 장치(100)는 상기 가상 카메라(10-2)의 렌즈 정보를 상기 실제 카메라(10-1)의 렌즈 정보와 동기화하고, 상기 가상 카메라(10-2)의 렌즈 왜곡 정보를 상기 실제 카메라(10-1)의 렌즈 왜곡 정보와 동기화함으로써, 상기 가상 카메라(10-2)의 시점에서 보여지는 영상에서 촬영 객체가 표현되는 정도 및 출력물의 심도가 상기 실제 카메라(10-1)의 경우와 동일해질 수 있다. 한편, 렌즈 정보 및 렌즈 왜곡 정보는 예시일 뿐 이러한 예시들 이외에도 다양한 정보들이 동기화될 수 있다. 상기 컴퓨팅 장치(100)는 동기화된 카메라(10) 위치에서 스크린(11)과의 제 1 거리(12)를 측정할 수 있다. 상기 측정된 제 1 거리(12)는 동기화된 카메라(10) 위치에서 스크린(11)과의 물리적인 거리를 의미하고, 상기 제 1 거리(12)는 실제 카메라(10-1) 또는 상기 가상 카메라(10-2) 중 적어도 하나의 초점을 조정하는 과정에서 이용될 수 있으며 구체적인 설명은 이하 도 6a 내지 도 6b를 통해 후술된다. 한편, 상기 스크린(11)은 상기 동기화된 카메라에 기초하여 출력되고, 가상 환경 또는 가상 환경의 대상이 출력될 수 있다. 예를 들어, 상기 스크린(11)에는 3차원 모델링된 가상 환경의 영상이 출력될 수 있다. 실제 촬영이 이루어지는 공간이 한국인 경우에, 상기 스크린(11)에는 태국의 실제 해변가가 3차원 모델링된 가상 환경의 영상이 출력될 수 있고, 해변가의 바위(가상 환경의 대상)이 출력될 수 있다. 또한, 상기 스크린(11)에는 상기 동기화된 카메라(10)의 실시간 움직임이 시뮬레이션되어 출력될 수 있다. 본 개시의 일 실시예에 따르면, 상기 동기화된 카메라(10)의 실시간 움직임은 실시간 카메라 추적 모듈을 통해 획득될 수 있는 카메라 위치 정보 및 움직임 정보를 통해 얻어질 수 있으며, 상기 스크린(11)에는 가상 환경의 영상과 상기 동기화된 카메라(10)의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 예를 들어, 상기 동기화된 카메라(10)로 바닥에서 하늘을 올려다보는 시점으로 카메라 위치 정보 및 움직임 정보가 획득되면, 태국의 해변가가 3차원 모델링된 가상 환경에서 바닥에서 하늘을 올려다보는 시점으로 촬영되는 영상이 상기 스크린(11)에 출력될 수 있다. 상기 스크린(11)에 영상이 출력되는 과정은 실시간 카메라 추적 모듈을 통해 획득된 카메라 위치 정보 및 움직임 정보가 3D 렌더러로 전달되고, 상기 3D 렌더러를 이용하여 상기 스크린(11)에는 가상 환경의 영상과 상기 동기화된 카메라(10)의 실시간 움직임이 시뮬레이션된 영상이 합성되어 출력될 수 있다. 이때, 상기 가상 환경은 컴퓨터 등을 사용한 인공적인 기술로 만들어낸, 실제와 유사하지만 실제가 아닌 어떤 특정한 환경이나 상황을 의미할 수 있으며, 3차원 모델링(예시적으로, 실시간 3D 렌더링, NeRF 등) 등을 통해 구현될 수 있다. 상기 3D 렌더러는 영상에 색감과 질감 또는 그림자에 입체감을 부여하여 사실과 같은 형체를 보여주는 시스템 그래픽상의 처리과정을 수행하는 장치 또는 프로그램을 의미할 수 있다. 예를 들어, 3D 렌더러의 월드 공간(World space)은 3차원 좌표계로 표현될 수 있다. 또한, 3D 렌더러의 각 요소들(예시적으로, 조명, 카메라, 3D 모델 등) 또한 로컬 3차원 좌표계를 가지며 상기 각 요소들은 월드 공간(World space, 3차원 좌표로 표현될 수 있음)에 배치될 수 있다. 이때, 조명, 카메라, 3D 모델 등과 같은 요소들이 월드 공간 안에 구성되어, 월드 공간 내에서 서로 계산된 거리와 각도 차이를 기반으로 그림자, 빛 등과 같은 시각적인 효과들이 계산되어 렌더링 될 수 있다. 구체적으로, 빛이 3D 모델에 적용되는 방식은 3D 모델 표면이 가지는 노멀 벡터(normal vector)와 빛의 벡터 간의 각도 차를 이용하여 계산될 수 있다. 이때, ① 월드 공간 내의 스크린 모델(가상 공간에 모델링 된 스크린)과 카메라와의 거리 및 각도, ② 카메라와 3D 물체(대상)의 거리 및 각도, 및 ③ 스크린 모델과 3D 물체(대상)의 거리 및 각도를 이용하여 월드 공간 내에서 카메라의 적절한 초점이 계산될 수 있다. 즉, 각 요소 간의 벡터를 통한 비교를 통해 월드 공간 내에서 카메라의 적절한 초점이 계산될 수 있다. 또한, 3D 렌더러가 이용되어 상기 스크린(11)에 영상이 출력되는 방식은 예시적으로, 상기 3D 렌더러의 월드 공간 내에서 카메라가 바라보는 프러스텀(Frustum)을 월드 공간 내 스크린 모델이 위치한 곳에 프로젝션시키고, 프로젝션된 화면을 실제 스크린(11)에 출력하는 방식이 포함될 수 있다. 이때, 프러스텀은 상부를 바닥과 평행한 모양으로 잘라낸 피라미드와 같은 모양의 형태를 의미할 수 있고, 상기 프러스텀은 조망 카메라(perspective camera)가 보여주고 렌더링하는 영역의 모양을 의미할 수 있다. 한편, 초점을 맞추려는 대상을 선택하고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리를 측정하는 구체적인 과정은 이하 도 5를 통해 설명된다. The computing device 100 may synchronize the real camera 10 - 1 and the virtual camera 10 - 2 and acquire the synchronized camera 10 . Specifically, the computing device 100 may synchronize at least one of location information, lens information, lens distortion information, and motion information of the real camera with the virtual camera. For example, in the photographing process, the degree of representation of the photographed object may vary according to lens information of the actual camera 10 - 1 , and the depth of the output may be determined according to lens distortion information. The computing device 100 synchronizes the lens information of the virtual camera 10-2 with the lens information of the real camera 10-1, and the lens distortion information of the virtual camera 10-2 and the lens distortion information of the real camera 10-1. By synchronizing the lens distortion information of the real camera 10-1, the degree of representation of the photographed object and the depth of output of the image viewed from the viewpoint of the virtual camera 10-2 can be the same as those of the real camera 10-1. Meanwhile, lens information and lens distortion information are only examples, and various types of information other than these examples may be synchronized. The computing device 100 may measure a first distance 12 from the screen 11 at the position of the synchronized camera 10 . The measured first distance 12 means a physical distance from the screen 11 at the position of the synchronized camera 10, and the first distance 12 may be used in the process of adjusting the focus of at least one of the real camera 10-1 and the virtual camera 10-2, and a detailed description thereof will be described later with reference to FIGS. 6A to 6B. Meanwhile, the screen 11 may be output based on the synchronized camera, and a virtual environment or an object of the virtual environment may be output. For example, an image of a 3D modeled virtual environment may be output on the screen 11 . If the space where the actual shooting takes place is Korea, an image of a virtual environment in which an actual beach in Thailand is 3D modeled can be output on the screen 11, and a rock (object of the virtual environment) on the beach can be output. In addition, real-time motion of the synchronized camera 10 may be simulated and displayed on the screen 11 . According to an embodiment of the present disclosure, the real-time movement of the synchronized camera 10 can be obtained through camera position information and motion information that can be obtained through a real-time camera tracking module, and an image of a virtual environment and a simulated image of the real-time movement of the synchronized camera 10 can be synthesized and output on the screen 11. For example, when camera position information and motion information are obtained from the viewpoint of looking up at the sky from the floor with the synchronized camera 10, an image captured from the viewpoint of looking up at the sky from the floor in a virtual environment in which a beach in Thailand is 3D modeled can be output to the screen 11. In the process of outputting an image on the screen 11, the camera position information and motion information obtained through the real-time camera tracking module are transmitted to the 3D renderer, and the image of the virtual environment and the synchronized real-time movement of the camera 10 may be synthesized and output on the screen 11 using the 3D renderer. At this time, the virtual environment may mean a specific environment or situation that is similar to the real but not real, created by artificial technology using a computer, etc., and can be implemented through 3D modeling (eg, real-time 3D rendering, NeRF, etc.). The 3D renderer may refer to a device or program that performs a processing process on system graphics to show a realistic shape by adding color and texture to an image or a three-dimensional effect to a shadow. For example, the world space of the 3D renderer may be expressed in a 3D coordinate system. In addition, each element of the 3D renderer (eg, light, camera, 3D model, etc.) also has a local 3D coordinate system, and each of the elements is world space (can be expressed as 3D coordinates). Can be arranged. In this case, elements such as lights, cameras, and 3D models may be configured in the world space, and visual effects such as shadows and lights may be calculated and rendered based on differences in distances and angles calculated from each other in the world space. Specifically, the method in which light is applied to the 3D model may be calculated using an angular difference between a normal vector of the surface of the 3D model and the light vector. In this case, an appropriate focus of the camera in the world space can be calculated using ① the distance and angle between the screen model (screen modeled in the virtual space) and the camera in the world space, ② the distance and angle between the camera and the 3D object (target), and ③ the distance and angle between the screen model and the 3D object (target). That is, the appropriate focus of the camera in the world space can be calculated through comparison through vectors between each element. In addition, as an example, a method of outputting an image on the screen 11 using a 3D renderer may include a method of projecting a frustum viewed by a camera in the world space of the 3D renderer to a location where a screen model is located in the world space, and outputting the projected screen to the actual screen 11. In this case, the frustum may refer to a pyramid-like shape in which an upper portion is cut parallel to the bottom, and the frustum may refer to a shape of an area displayed and rendered by a perspective camera. Meanwhile, a specific process of selecting an object to be focused on and measuring a focal distance of the selected object at a synchronized camera position will be described below with reference to FIG. 5 .
도 5는 본 개시의 실시예에 따라 초점을 맞추려는 대상(21, 22)을 선택하고, 동기화된 카메라 위치에서의 선택된 대상에 대한 초점 거리(21-1, 22-1)를 측정하는 과정을 나타낸 개략도이다.5 is a schematic diagram illustrating a process of selecting objects 21 and 22 to be focused on and measuring focal distances 21-1 and 22-1 of the selected object at a synchronized camera position according to an embodiment of the present disclosure.
도 5를 참조하면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라(10) 위치에서의 선택된 대상(21, 또는 22)에 대한 초점 거리(21-1, 또는 22-1)를 측정할 수 있다. 이때, 상기 초점을 맞추려는 대상은, 실제 환경의 대상(21), 또는 상기 스크린(11)에 출력된 가상 환경의 대상(22) 중 적어도 하나를 포함할 수 있고, 상기 스크린(11)에 출력된 가상 환경의 대상(22)은 깊이 정보를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 실제 환경의 대상(21)인 상기 스크린(11) 앞에 놓인 "기둥"을 선택하고, 상기 동기화된 카메라(10) 위치에서의 상기 선택된 "기둥"에 대한 제 1 초점 거리(21-1)를 측정할 수 있다. 상기 제 1 초점 거리(21-1)는 상기 동기화된 카메라(10) 위치에서 상기 스크린(11)과의 거리인 상기 제 1 거리(12)보다 가까운 경우에 해당한다. 이러한 경우 실제 카메라의 초점을 조정하는 구체적인 과정은 이하 도 6a를 통해 후술된다.Referring to FIG. 5 , the computing device 100 selects an object to focus on, and measures the focal distance 21-1 or 22-1 of the selected object 21 or 22 at the synchronized camera 10 position. At this time, the object to be focused on may include at least one of the object 21 of the real environment or the object 22 of the virtual environment output to the screen 11, and the object 22 of the virtual environment output to the screen 11 may include depth information. For example, the computing device 100 selects a “pillar” placed in front of the screen 11, which is an object 21 in a real environment, as an object to be focused on, and measures a first focal distance 21-1 for the selected “pillar” at the position of the synchronized camera 10. The first focal distance 21 - 1 corresponds to a case where the synchronized camera 10 position is shorter than the first distance 12 , which is a distance from the screen 11 . In this case, a detailed process of adjusting the focus of the actual camera will be described below with reference to FIG. 6A.
본 개시의 다른 실시예에 따르면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 상기 스크린(11)에 출력된 가상 환경의 대상(22)인 "상자"을 선택하고, 상기 동기화된 카메라(10) 위치에서의 상기 선택된 "상자"에 대한 제 2 초점 거리(22-2)를 측정할 수 있다. 이때, 상기 스크린(11)에 출력된 가상 환경의 대상(22)은 실제로 존재하는 대상이 아니라 깊이 정보를 갖는 상기 스크린(11)에 출력된 대상이 포함되고, 상기 "상자"는 실제로 존재하는 대상이 아니므로 실제 카메라(10-1)로 초점 거리를 측정할 수 없다. 다만, 상기 실제 카메라(10-1)와 상기 가상 카메라(10-2)가 동기화된 상태이므로, 상기 선택된 "상자"에 대한 초점 거리는 상기 동기화된 카메라(10)의 위치에서 상기 실제 카메라(10-1)가 동일한 거리에 놓인 동일한 크기의 물체에 대해 측정된 초점 거리와 대응될 수 있다. 예를 들어, 상기 제 1 거리가 10m이고, 상기 "상자"가 상기 스크린(11) 내부로부터 5m 깊이 정보를 가지고, 각 모서리의 길이가 1m인 정육면체인 경우, 상기 제 2 초점 거리(22-1)는 상기 동기화된 카메라(10)의 위치에서 15m 거리에 놓인, 각 모서리의 길이가 1m인 정육면체에 대해 상기 실제 카메라(10-1)로 측정된 초점 거리와 대응될 수 있다. 상기 제 1 거리(12) 및 상기 초점 거리(21-1, 22-1)에 기초하여 상기 실제 카메라(10-1) 또는 상기 가상 카메라(10-2) 중 적어도 하나의 초점을 조정하는 구체적인 과정은 이하 도 6a 내지 도 6b를 통해 후술된다.According to another embodiment of the present disclosure, the computing device 100 may select a “box” that is an object 22 of the virtual environment output on the screen 11 as an object to focus on, and measure a second focal distance 22-2 of the selected “box” at the synchronized camera 10 position. At this time, the object 22 of the virtual environment displayed on the screen 11 is not an object that actually exists, but includes an object output on the screen 11 having depth information, and the "box" is not an object that actually exists, so the focal length cannot be measured with the real camera 10-1. However, since the real camera 10-1 and the virtual camera 10-2 are synchronized, the focal length of the selected “box” may correspond to the focal length measured for an object of the same size at the same distance from the real camera 10-1 at the location of the synchronized camera 10. For example, if the first distance is 10 m and the "box" is a cube having depth information of 5 m from the inside of the screen 11 and each corner having a length of 1 m, the second focal length 22-1 may correspond to the focal length measured by the real camera 10-1 for a cube placed at a distance of 15 m from the position of the synchronized camera 10 and each corner having a length of 1 m. A specific process of adjusting the focus of at least one of the real camera 10-1 and the virtual camera 10-2 based on the first distance 12 and the focal distances 21-1 and 22-1 will be described later with reference to FIGS. 6A to 6B.
도 6a는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 이하일 때, 실제 카메라의 초점을 조정하는 과정을 나타낸 개략도이다. 6A is a schematic diagram illustrating a process of adjusting a focus of an actual camera when a focal distance is equal to or less than a first distance according to an embodiment of the present disclosure.
도 6a를 참조하면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 실제 환경의 대상(21)을 선택하고, 상기 제 1 초점 거리(21-1)를 측정할 수 있고, 상기 측정된 제 1 초점 거리(21-1)는 상기 스크린(11) 앞의 대상이므로 상기 제 1 거리(12) 이하이다. 이 경우 컴퓨팅 장치(100)는 상기 실제 카메라의 초점(30-1)을 조정할 수 있다. 구체적으로, 본 개시의 일 실시예에 따르면 컴퓨팅 장치(100)는 상기 동기화된 카메라(10) 중 상기 가상 카메라의 초점(30-2)을 전경으로 조정하고, 상기 실제 카메라의 초점(30-1)을 실제 환경의 대상(21)에 대해 조정할 수 있다. 만약, 상기 가상 카메라의 초점(30-2)을 전경으로 조정하지 않고, 상기 실제 카메라의 초점(30-1)과 동기화시켜 두 카메라의 초점(30-1, 30-2)이 동일하다면 실제 카메라의 심도가 얕을 때, 가상 카메라의 이미지도 심도가 얕은 상태이므로, 실제 카메라로 촬영될 때 심도가 얕은 출력물이 한번 더 얕게 만들어져 출력되는 상기 스크린(11)에 잘못된 심도가 적용될 수 있는 문제가 발생할 수 있다. 따라서, 상기 제 1 초점 거리(21-1)가 상기 제 1 거리(12) 이하일 때, 컴퓨팅 장치(100)는 상기 가상 카메라의 초점(30-2)을 전경으로 조정하고, 상기 실제 카메라의 초점(30-2)만을 실제 환경의 대상(21)에 대해 조정함으로써, 상기 스크린(11)에 잘못된 심도가 적용될 수 있는 문제를 방지할 수 있는 효과가 있다. 한편, 초점 거리가 제 1 거리 초과일 때, 가상 카메라의 초점을 조정하는 구체적인 과정은 이하 도 6b에서 후술된다.Referring to FIG. 6A, the computing device 100 may select an object 21 in a real environment as an object to be focused on, measure the first focal distance 21-1, and since the measured first focal distance 21-1 is an object in front of the screen 11, it is less than or equal to the first distance 12. In this case, the computing device 100 may adjust the focus 30 - 1 of the actual camera. Specifically, according to an embodiment of the present disclosure, the computing device 100 adjusts the focus 30-2 of the virtual camera to the foreground among the synchronized cameras 10, and adjusts the focus 30-1 of the real camera to the object 21 in the real environment. If the focal point 30-2 of the virtual camera is not adjusted to the foreground, but is synchronized with the focal point 30-1 of the real camera so that the focal points 30-1 and 30-2 of the two cameras are the same, when the depth of field of the real camera is shallow, the image of the virtual camera also has a shallow depth. Therefore, a problem in that an output with a shallow depth of field when captured by the real camera may be made shallow once more and an incorrect depth may be applied to the outputted screen 11 may occur. Therefore, when the first focal distance 21-1 is less than or equal to the first distance 12, the computing device 100 adjusts the focus 30-2 of the virtual camera to the foreground and adjusts only the focus 30-2 of the real camera to the object 21 in the real environment, thereby preventing a problem in which an incorrect depth may be applied to the screen 11. Meanwhile, when the focal distance exceeds the first distance, a specific process of adjusting the focus of the virtual camera will be described later with reference to FIG. 6B.
도 6b는 본 개시의 일 실시예에 따른 초점 거리가 제 1 거리 초과일 때, 가상 카메라의 초점을 조정하는 과정을 나타낸 개략도이다. 6B is a schematic diagram illustrating a process of adjusting a focus of a virtual camera when a focal distance exceeds a first distance according to an embodiment of the present disclosure.
도 6b를 참조하면, 컴퓨팅 장치(100)는 초점을 맞추려는 대상으로 상기 스크린(11)에 출력된 가상 환경의 대상(22)을 선택하고, 상기 제 2 초점 거리(22-1)를 측정할 수 있고, 상기 측정된 제 2 초점 거리(22-1)는 상기 스크린(11) 뒤의 대상이므로 상기 제 1 거리(12)를 초과한다. 이 경우 컴퓨팅 장치(100)는 상기 가상 카메라의 초점(40-2)을 조정할 수 있다. 구체적으로, 본 개시의 일 실시예에 따르면 컴퓨팅 장치(100)는 상기 동기화된 카메라(10) 중 상기 실제 카메라의 초점(40-1)을 상기 스크린(11)에 고정하고, 상기 가상 카메라의 초점(40-2)을 상기 가상 환경의 대상(22)에 대해 조정할 수 있다. 상기 스크린(11)에 출력된 상기 가상 환경의 대상(22)은 실제 존재하는 대상이 아니므로, 실제 카메라의 초점(40-1)을 상기 스크린(11) 너머로 맞출 수는 없다. 만약, 실제 카메라의 초점(40-1)을 상기 스크린(11)이 위치한 지점 너머로 맞추면 당연히 상기 스크린(11)에 초점이 맞춰지지 않고, 상기 스크린(11)이 위치한 곳 너머의 상기 가상 환경의 대상(22)에 초점을 맞추려면 상기 실제 카메라의 초점(40-1)을 LED에 강제로 맞춘 뒤 가상 카메라의 초점(40-2)을 상기 가상 환경의 대상(22)에 수동으로 맞춰주어야 가능하므로, 유연한 촬영이 어려우며 초점을 자유자재로 움직일 수 없는 문제가 발생한다. 따라서, 상기 제 2 초점 거리(22-1)가 상기 제 1 거리(12) 초과일 때, 컴퓨팅 장치(100)는 상기 실제 카메라(10-1)의 초점을 상기 스크린(11)에 고정하고, 상기 가상 카메라(10-2)의 초점만을 상기 가상 환경의 대상(22)에 대해 조정함으로써, 실제 카메라(10-1)가 상기 가상 환경의 대상(22)에 대해 초점을 맞추지 못하는 문제를 해결할 수 있는 기술적 효과가 있다. Referring to FIG. 6B, the computing device 100 may select an object 22 of a virtual environment output on the screen 11 as an object to be focused on, and may measure the second focal distance 22-1. Since the measured second focal distance 22-1 is an object behind the screen 11, it exceeds the first distance 12. In this case, the computing device 100 may adjust the focus 40 - 2 of the virtual camera. Specifically, according to an embodiment of the present disclosure, the computing device 100 may fix the focus 40-1 of the real camera among the synchronized cameras 10 to the screen 11, and adjust the focus 40-2 of the virtual camera to the object 22 of the virtual environment. Since the object 22 of the virtual environment output on the screen 11 is not an object that actually exists, the focus 40 - 1 of the actual camera cannot be set beyond the screen 11 . If the focus 40-1 of the real camera is set beyond the point where the screen 11 is located, the screen 11 is naturally not focused, and in order to focus on the target 22 of the virtual environment beyond where the screen 11 is located, the focus 40-1 of the real camera must be forcibly set on the LED and then the focus 40-2 of the virtual camera must be manually set on the target 22 in the virtual environment. There is a problem with not being able to move. Therefore, when the second focal distance 22-1 exceeds the first distance 12, the computing device 100 fixes the focus of the real camera 10-1 on the screen 11 and adjusts only the focus of the virtual camera 10-2 on the object 22 in the virtual environment, thereby preventing the real camera 10-1 from focusing on the object 22 in the virtual environment. There is a technological effect that can solve the problem.
또한, 컴퓨팅 장치(100)는 도 6a 내지 도 6b를 통해 설명된 바와 같이 상기 가상 카메라(10-2)와 실제 카메라(10-1)의 동기화가 이루어진 상태에서 ① 상기 동기화된 카메라(10)와 상기 스크린(11)과의 거리(=제 1 거리(12)) 및 ② 상기 초점을 맞추려는 대상(21, 22)에 기초하여 특정 범위(제 1 거리 초점 거리) 에서는 상기 실제 카메라(10-1)의 초점만 조절하고, 또 다른 특정 범위(초점 거리> 제 1 거리 )에서는 가상 카메라(10-2)의 포커스만 조절함으로써, 상기 가상 카메라(10-2)와 상기 실제 카메라(10-1)의 초점을 통합된 하나의 제어를 통해 정확하게 시뮬레이션할 수 있다. 한편, 상기 실제 카메라(10-1) 또는 상기 가상 카메라(10-2) 중 적어도 하나의 초점의 조정은 조이스틱 혹은 다른 물리적인 제어 장치가 연동되어 수행될 수 있으나, 이는 예시에 불과할 뿐 이에 한정되지 않는다. In addition, as described with reference to FIGS. 6A to 6B , in a state in which the virtual camera 10-2 and the real camera 10-1 are synchronized, ① the distance between the synchronized camera 10 and the screen 11 (= first distance 12) and ② a specific range (first distance) based on the object 21 and 22 to be focused on. By adjusting only the focus of the real camera 10-1 in the focal length) and adjusting only the focus of the virtual camera 10-2 in another specific range (focal length > first distance), the focus of the virtual camera 10-2 and the real camera 10-1 can be accurately simulated through integrated control. Meanwhile, the adjustment of the focus of at least one of the real camera 10-1 or the virtual camera 10-2 may be performed in conjunction with a joystick or other physical control device, but this is only an example and is not limited thereto.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다. 데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.According to an embodiment of the present disclosure, a computer readable medium storing a data structure is disclosed. Data structure can refer to the organization, management, and storage of data that enables efficient access and modification of data. Data structure may refer to the organization of data to solve a specific problem (eg, data retrieval, data storage, data modification in the shortest time). A data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function. A logical relationship between data elements may include a connection relationship between user-defined data elements. A physical relationship between data elements may include an actual relationship between data elements physically stored in a computer-readable storage medium (eg, a persistent storage device). The data structure may specifically include a set of data, a relationship between data, and a function or command applicable to the data. Through an effectively designed data structure, a computing device can perform calculations while using minimal resources of the computing device. Specifically, the computing device can increase the efficiency of operation, reading, insertion, deletion, comparison, exchange, and search through an effectively designed data structure.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.The data structure can be divided into a linear data structure and a non-linear data structure according to the shape of the data structure. A linear data structure may be a structure in which only one data is connected after one data. Linear data structures may include lists, stacks, queues, and decks. A list may refer to a series of data sets in which order exists internally. The list may include a linked list. A linked list may be a data structure in which data are connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer can contain information about connection to the next or previous data. A linked list can be expressed as a singly linked list, a doubly linked list, or a circular linked list depending on the form. A stack can be a data enumeration structure that allows limited access to data. A stack can be a linear data structure in which data can be processed (eg, inserted or deleted) at only one end of the data structure. The data stored in the stack may be a LIFO-Last in First Out (Last in First Out) data structure. A queue is a data listing structure that allows limited access to data, and unlike a stack, it can be a data structure (FIFO-First in First Out) in which data stored later comes out later. A deck can be a data structure that can handle data from either end of the data structure.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.The nonlinear data structure may be a structure in which a plurality of data are connected after one data. The non-linear data structure may include a graph data structure. A graph data structure can be defined as a vertex and an edge, and an edge can include a line connecting two different vertices. A graph data structure may include a tree data structure. The tree data structure may be a data structure in which one path connects two different vertices among a plurality of vertices included in the tree. That is, it may be a data structure that does not form a loop in a graph data structure.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.Throughout this specification, computational model, neural network, network function, and neural network may be used interchangeably. Hereinafter, a neural network is unified and described. The data structure may include a neural network. And the data structure including the neural network may be stored in a computer readable medium. The data structure including the neural network may also include preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data acquired from the neural network, activation functions associated with each node or layer of the neural network, loss functions for learning the neural network, and the like. A data structure including a neural network may include any of the components described above. That is, the data structure including the neural network may include all or any combination of data preprocessed for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation functions associated with each node or layer of the neural network, loss functions for learning the neural network, and the like. In addition to the foregoing configurations, the data structure comprising the neural network may include any other information that determines the characteristics of the neural network. In addition, the data structure may include all types of data used or generated in the computational process of the neural network, but is not limited to the above. A computer readable medium may include a computer readable recording medium and/or a computer readable transmission medium. A neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. A neural network includes one or more nodes.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include data input to the neural network. A data structure including data input to the neural network may be stored in a computer readable medium. Data input to the neural network may include training data input during a neural network learning process and/or input data input to a neural network that has been trained. Data input to the neural network may include pre-processed data and/or data subject to pre-processing. Pre-processing may include a data processing process for inputting data to a neural network. Accordingly, the data structure may include data subject to pre-processing and data generated by pre-processing. The foregoing data structure is only an example, and the present disclosure is not limited thereto.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include the weights of the neural network. (In this specification, weights and parameters may be used in the same meaning.) Also, a data structure including weights of a neural network may be stored in a computer readable medium. A neural network may include a plurality of weights. The weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are connected to one output node by respective links, the output node may determine a data value output from the output node based on values input to input nodes connected to the output node and a weight set for a link corresponding to each input node. The foregoing data structure is only an example, and the present disclosure is not limited thereto.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.As a non-limiting example, the weights may include weights that are varied during neural network training and/or weights for which neural network training has been completed. The variable weight in the neural network learning process may include a weight at the time the learning cycle starts and/or a variable weight during the learning cycle. The weights for which neural network learning has been completed may include weights for which learning cycles have been completed. Accordingly, the data structure including the weights of the neural network may include a data structure including weights that are variable during the neural network learning process and/or weights for which neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network. The foregoing data structure is only an example, and the present disclosure is not limited thereto.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure including the weights of the neural network may be stored in a computer readable storage medium (eg, a memory or a hard disk) after going through a serialization process. Serialization can be the process of converting a data structure into a form that can be stored on the same or another computing device and later reconstructed and used. A computing device may serialize data structures to transmit and receive data over a network. The data structure including the weights of the serialized neural network may be reconstructed on the same computing device or another computing device through deserialization. The data structure including the weights of the neural network is not limited to serialization. Furthermore, the data structure including the weights of the neural network may include a data structure (e.g., B-Tree, Trie, m-way search tree, AVL tree, and Red-Black Tree in a nonlinear data structure) for increasing computational efficiency while minimizing resource use of a computing device. The foregoing is only an example, and the present disclosure is not limited thereto.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include hyper-parameters of the neural network. Also, the data structure including the hyperparameters of the neural network may be stored in a computer readable medium. A hyperparameter may be a variable variable by a user. Hyperparameters may include, for example, a learning rate, a cost function, the number of repetitions of learning cycles, weight initialization (eg, setting a range of weight values to be targeted for weight initialization), and the number of hidden units (eg, the number of hidden layers and the number of nodes in the hidden layer). The foregoing data structure is only an example, and the present disclosure is not limited thereto.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.7 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.Although the present disclosure has been described above as generally being implemented by a computing device, those skilled in the art will appreciate that the present disclosure may be implemented in combination with computer executable instructions and/or other program modules that may be executed on one or more computers and/or as a combination of hardware and software.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 통상의 기술자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.Generally, program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. In addition, those skilled in the art will appreciate that the methods of this disclosure may be practiced with other computer system configurations, including single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like, each of which may be operative in connection with one or more associated devices.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.The described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network. In a distributed computing environment, program modules may be located in both local and remote memory storage devices.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.Computers typically include a variety of computer readable media. Computer readable media can be any medium that can be accessed by a computer, and such computer readable media includes volatile and nonvolatile media, transitory and non-transitory media, removable and non-removable media. By way of example, and not limitation, computer readable media may include computer readable storage media and computer readable transmission media. Computer readable storage media includes volatile and nonvolatile media, transitory and non-transitory media, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Computer readable storage media includes, but is not limited to, RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device or other magnetic storage device, or any other medium that can be accessed by a computer and used to store desired information.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.A computer readable transmission medium typically embodies computer readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism and includes any information delivery medium. The term modulated data signal means a signal that has one or more of its characteristics set or changed so as to encode information within the signal. By way of example, and not limitation, computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer readable transmission media.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.An exemplary environment 1100 implementing various aspects of the present disclosure is shown comprising a computer 1102, which includes a processing unit 1104, a system memory 1106, and a system bus 1108. System bus 1108 couples system components, including but not limited to system memory 1106 , to processing unit 1104 . Processing unit 1104 may be any of a variety of commercially available processors. Dual processor and other multiprocessor architectures may also be used as the processing unit 1104.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.System bus 1108 may be any of several types of bus structures that may additionally be interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures. System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112 . A basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, or EEPROM, and includes basic routines that help transfer information between components within computer 1102, such as during startup. RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.Computer 1102 also includes an internal hard disk drive (HDD) 1114 (e.g., EIDE, SATA), which may also be configured for external use within a suitable chassis (not shown), a magnetic floppy disk drive (FDD) 1116 (e.g., for reading from or writing to removable diskette 1118), and an optical disk drive 1120 (e.g., for reading from or writing to removable diskette 1118). For example, for reading the CD-ROM disk 1122 or for reading from or writing to other high-capacity optical media such as DVD). Hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 may be coupled to system bus 1108 by hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively. The interface 1124 for external drive implementation includes at least one or both of USB (Universal Serial Bus) and IEEE 1394 interface technologies.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 통상의 기술자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.These drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like. In the case of computer 1102, drives and media correspond to storing any data in a suitable digital format. Although the description of computer readable media above refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art will appreciate that other types of computer readable media, such as zip drives, magnetic cassettes, flash memory cards, cartridges, and the like, may also be used in the exemplary operating environment and any such media may include computer executable instructions for performing the methods of the present disclosure.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.A number of program modules may be stored on the drive and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented in a variety of commercially available operating systems or combinations of operating systems.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.A user may enter commands and information into the computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as a mouse 1140. Other input devices (not shown) may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like. These and other input devices are often connected to processing unit 1104 through input device interface 1142, which is connected to system bus 1108, but may be connected by other interfaces such as parallel ports, IEEE 1394 serial ports, game ports, USB ports, IR interfaces, and the like.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.A monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146. In addition to the monitor 1144, computers typically include other peripheral output devices (not shown) such as speakers, printers, and the like.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communications. Remote computer(s) 1148 may be workstations, computing device computers, routers, personal computers, portable computers, microprocessor-based entertainment devices, peer devices, or other common network nodes, and generally include many or all of the components described for computer 1102, although for simplicity, only memory storage device 1150 is shown. The logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154 . Such LAN and WAN networking environments are common in offices and corporations and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to worldwide computer networks, such as the Internet.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.When used in a LAN networking environment, computer 1102 connects to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communications to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156. When used in a WAN networking environment, computer 1102 may include a modem 1158, be coupled to a communicating computing device on WAN 1154, or have other means for establishing communications over WAN 1154, such as over the Internet. A modem 1158, which may be internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142. In a networked environment, program modules described for computer 1102, or portions thereof, may be stored on remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing a communication link between computers may be used.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.Computer 1102 is operative to communicate with any wireless device or entity that is deployed and operating in wireless communication, e.g., printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communications satellites, any equipment or location associated with wireless detectable tags, and telephones. This includes at least Wi-Fi and Bluetooth wireless technologies. Thus, the communication may be a predefined structure as in conventional networks or simply an ad hoc communication between at least two devices.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.Wi-Fi (Wireless Fidelity) makes it possible to connect to the Internet without wires. Wi-Fi is a wireless technology, such as a cell phone, that allows such devices, eg, computers, to transmit and receive data both indoors and outdoors, i.e. anywhere within coverage of a base station. Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections. Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet). Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz radio bands, for example at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band).
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.Those skilled in the art will understand that information and signals may be represented using any of a variety of different technologies and techniques. For example, the data, instructions, instructions, information, signals, bits, symbols, and chips that may be referenced in the above description may be represented by voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields or particles, or any combination thereof.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.Those skilled in the art will appreciate that the various illustrative logical blocks, modules, processors, means, circuits, and algorithm steps described in connection with the embodiments disclosed herein may be implemented by electronic hardware, various forms of program or design code (for convenience, referred to herein as software), or combinations of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends on the particular application and the design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.Various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques. The term article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device. By way of example, computer-readable storage media include, but are not limited to, magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CDs, DVDs, etc.), smart cards, and flash memory devices (e.g., EEPROMs, cards, sticks, key drives, etc.). Additionally, various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is to be understood that the specific order or hierarchy of steps in the processes presented is an example of example approaches. Based upon design priorities, it is to be understood that the specific order or hierarchy of steps in the processes may be rearranged within the scope of this disclosure. The accompanying method claims present elements of the various steps in a sample order, but are not meant to be limited to the specific order or hierarchy presented.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.The description of the presented embodiments is provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be apparent to those skilled in the art of this disclosure, and the general principles defined herein may be applied to other embodiments without departing from the scope of this disclosure. Thus, the present disclosure is not to be limited to the embodiments presented herein, but is to be interpreted in the widest scope consistent with the principles and novel features presented herein.
Claims (10)
가상 카메라와 실제 카메라를 동기화하는 단계;
상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 단계;
초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 단계;
상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계; 및
상기 초점 거리가 상기 제 1 거리를 초과할 때, 상기 가상 카메라의 초점을 조정하는 단계;
를 포함하는,
방법.
A method for implementing movement of a camera, performed by a computing device, comprising:
synchronizing the virtual camera with the real camera;
measuring a first distance from the screen at the synchronized camera position;
selecting an object to be focused on, and measuring a focal distance to the selected object at the synchronized camera position;
adjusting a focus of at least one of the real camera and the virtual camera based on the first distance and the focal distance; and
adjusting the focus of the virtual camera when the focal distance exceeds the first distance;
including,
method.
상기 가상 카메라와 실제 카메라를 동기화하는 단계는,
상기 실제 카메라의 위치 정보, 렌즈 정보, 렌즈 왜곡 정보, 또는 움직임 정보 중 적어도 하나를 상기 가상 카메라와 동기화하는 단계
를 포함하는,
방법.
According to claim 1,
Synchronizing the virtual camera and the real camera,
Synchronizing at least one of location information, lens information, lens distortion information, and motion information of the real camera with the virtual camera
including,
method.
상기 스크린은,
상기 동기화된 카메라에 기초하여 출력되고, 가상 환경의 대상을 출력하는,
방법.
According to claim 1,
The screen is
Output based on the synchronized camera and outputting an object of a virtual environment,
method.
상기 초점을 맞추려는 대상은,
실제 환경의 대상, 또는 상기 출력된 가상 환경의 대상 중 적어도 하나를 포함하는,
방법.
According to claim 3,
The target to focus on is,
Including at least one of an object of a real environment or an object of the output virtual environment,
method.
상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 단계는,
상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 실제 카메라의 초점을 조정하는 단계;
를 포함하는,
방법.
According to claim 1,
Adjusting the focus of at least one of the real camera and the virtual camera based on the first distance and the focal length,
adjusting the focus of the real camera when the focal distance is less than or equal to the first distance;
including,
method.
상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 실제 카메라의 초점을 조정하는 단계는,
상기 초점 거리가 상기 제 1 거리 이하일 때, 상기 가상 카메라의 초점을 전경으로 조정하고, 상기 실제 카메라의 초점을 조정하는 단계;
를 포함하는,
방법.
According to claim 5,
Adjusting the focus of the actual camera when the focal distance is less than or equal to the first distance,
adjusting the focus of the virtual camera to the foreground and adjusting the focus of the real camera when the focal distance is less than or equal to the first distance;
including,
method.
상기 초점 거리가 상기 제 1 거리를 초과할 때, 상기 가상 카메라의 초점을 조정하는 단계는,
상기 초점 거리가 상기 제 1 거리를 초과할 때, 상기 실제 카메라의 초점을 스크린에 고정하고, 상기 가상 카메라의 초점을 조정하는 단계;
를 포함하는,
방법.
According to claim 1,
Adjusting the focus of the virtual camera when the focal distance exceeds the first distance,
fixing the focus of the real camera to the screen and adjusting the focus of the virtual camera when the focal distance exceeds the first distance;
including,
method.
가상 카메라와 실제 카메라를 동기화하는 동작;
상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하는 동작;
초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하는 동작;
상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하는 동작; 및
상기 초점 거리가 상기 제 1 거리를 초과할 때, 상기 가상 카메라의 초점을 조정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
A computer program stored on a computer-readable storage medium, which, when executed by one or more processors, causes the one or more processors to perform operations for implementing movement of a camera, the operations comprising:
synchronizing the virtual camera with the real camera;
measuring a first distance from the screen at the synchronized camera position;
selecting an object to be focused on and measuring a focal distance of the selected object at the synchronized camera position;
adjusting a focus of at least one of the real camera and the virtual camera based on the first distance and the focal distance; and
adjusting the focus of the virtual camera when the focal distance exceeds the first distance;
including,
A computer program stored on a computer readable storage medium.
적어도 하나의 프로세서; 및
메모리
를 포함하고,
상기 적어도 하나의 프로세서는,
가상 카메라와 실제 카메라를 동기화하고;
상기 동기화된 카메라 위치에서 스크린과의 제 1 거리를 측정하고;
초점을 맞추려는 대상을 선택하고, 상기 동기화된 카메라 위치에서의 상기 선택된 대상에 대한 초점 거리를 측정하고;
상기 제 1 거리 및 상기 초점 거리에 기초하여 상기 실제 카메라 또는 상기 가상 카메라 중 적어도 하나의 초점을 조정하고; 그리고
상기 초점 거리가 상기 제 1 거리를 초과할 때, 상기 가상 카메라의 초점을 조정하도록 구성되는,
컴퓨팅 장치.
As a computing device,
at least one processor; and
Memory
including,
The at least one processor,
Synchronize virtual and real cameras;
measure a first distance from a screen at the synchronized camera position;
select an object to focus on, and measure a focal distance to the selected object at the synchronized camera position;
adjust a focus of at least one of the real camera and the virtual camera based on the first distance and the focal length; and
And configured to adjust the focus of the virtual camera when the focal length exceeds the first distance.
computing device.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220135656A KR102559913B1 (en) | 2022-10-20 | 2022-10-20 | Method for implementing camera movement by using a virtual camera |
PCT/KR2023/010387 WO2024085366A1 (en) | 2022-10-20 | 2023-07-19 | Camera movement implementation method using virtual camera |
KR1020230095038A KR20240055628A (en) | 2022-10-20 | 2023-07-21 | Method for implementing camera movement by using a virtual camera |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220135656A KR102559913B1 (en) | 2022-10-20 | 2022-10-20 | Method for implementing camera movement by using a virtual camera |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230095038A Division KR20240055628A (en) | 2022-10-20 | 2023-07-21 | Method for implementing camera movement by using a virtual camera |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102559913B1 true KR102559913B1 (en) | 2023-07-26 |
Family
ID=87427524
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220135656A KR102559913B1 (en) | 2022-10-20 | 2022-10-20 | Method for implementing camera movement by using a virtual camera |
KR1020230095038A KR20240055628A (en) | 2022-10-20 | 2023-07-21 | Method for implementing camera movement by using a virtual camera |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230095038A KR20240055628A (en) | 2022-10-20 | 2023-07-21 | Method for implementing camera movement by using a virtual camera |
Country Status (2)
Country | Link |
---|---|
KR (2) | KR102559913B1 (en) |
WO (1) | WO2024085366A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117527992A (en) * | 2023-11-06 | 2024-02-06 | 中影电影数字制作基地有限公司 | Camera correction method and system for space simulation shooting |
CN117528236A (en) * | 2023-11-01 | 2024-02-06 | 神力视界(深圳)文化科技有限公司 | Adjustment method and device for virtual camera |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170100371A (en) * | 2016-02-25 | 2017-09-04 | 연세대학교 산학협력단 | Apparatus and method of stereo scopic 3d contents creation and display |
KR20180052496A (en) * | 2016-11-10 | 2018-05-18 | 주식회사 다림비젼 | Virtual performance-studio system |
CN108540731A (en) * | 2018-04-17 | 2018-09-14 | 北京艾沃次世代文化传媒有限公司 | Real scene shooting video camera and virtual scene real-time synchronization display methods |
CN112040092A (en) * | 2020-09-08 | 2020-12-04 | 杭州时光坐标影视传媒股份有限公司 | Real-time virtual scene LED shooting system and method |
KR102371031B1 (en) * | 2021-08-13 | 2022-03-07 | 주식회사 비브스튜디오스 | Apparatus, system, method and program for video shooting in virtual production |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102001255B1 (en) * | 2013-02-28 | 2019-07-17 | 고려대학교 산학협력단 | Coordinated stereo image acquisition and viewing system |
KR102409188B1 (en) * | 2021-11-09 | 2022-06-15 | 주식회사 아진엑스텍 | Method and device for controlling output of augmented reality image |
-
2022
- 2022-10-20 KR KR1020220135656A patent/KR102559913B1/en active IP Right Grant
-
2023
- 2023-07-19 WO PCT/KR2023/010387 patent/WO2024085366A1/en unknown
- 2023-07-21 KR KR1020230095038A patent/KR20240055628A/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170100371A (en) * | 2016-02-25 | 2017-09-04 | 연세대학교 산학협력단 | Apparatus and method of stereo scopic 3d contents creation and display |
KR20180052496A (en) * | 2016-11-10 | 2018-05-18 | 주식회사 다림비젼 | Virtual performance-studio system |
CN108540731A (en) * | 2018-04-17 | 2018-09-14 | 北京艾沃次世代文化传媒有限公司 | Real scene shooting video camera and virtual scene real-time synchronization display methods |
CN112040092A (en) * | 2020-09-08 | 2020-12-04 | 杭州时光坐标影视传媒股份有限公司 | Real-time virtual scene LED shooting system and method |
KR102371031B1 (en) * | 2021-08-13 | 2022-03-07 | 주식회사 비브스튜디오스 | Apparatus, system, method and program for video shooting in virtual production |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528236A (en) * | 2023-11-01 | 2024-02-06 | 神力视界(深圳)文化科技有限公司 | Adjustment method and device for virtual camera |
CN117527992A (en) * | 2023-11-06 | 2024-02-06 | 中影电影数字制作基地有限公司 | Camera correction method and system for space simulation shooting |
Also Published As
Publication number | Publication date |
---|---|
WO2024085366A1 (en) | 2024-04-25 |
KR20240055628A (en) | 2024-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11941719B2 (en) | Learning robotic tasks using one or more neural networks | |
KR102559913B1 (en) | Method for implementing camera movement by using a virtual camera | |
KR102546175B1 (en) | Method for training neural network model performing face swap | |
KR102548130B1 (en) | Defect detection method with channel attention and spatial attention | |
KR102515935B1 (en) | Method of creating training data for neural network model | |
KR102556766B1 (en) | Method for generating data set | |
KR102681902B1 (en) | Method for change detection | |
KR20230127871A (en) | A method for generating a training dataset | |
KR102393951B1 (en) | Object-oriented data augmentation method | |
KR102270198B1 (en) | Method for object detection based on anchor-free rpn | |
KR102364881B1 (en) | Training method for model that imitates expert and apparatus thereof | |
KR102565420B1 (en) | Method for performing object segmentation in virtual production environment | |
KR102606616B1 (en) | Method for dynamically displaying artworks dependent on the location of audience | |
KR102635768B1 (en) | Method for generating data set | |
KR102674100B1 (en) | Method for generating artificial defect data using improved generative adversarial network model | |
US20230196745A1 (en) | Adversarial attack method for malfunctioning object detection model with super resolution | |
KR102410404B1 (en) | Smart mirror using under display camera | |
KR102546176B1 (en) | Post-processing method for video stability | |
KR102260169B1 (en) | Method to generate data | |
KR102379636B1 (en) | Method for annotation based on deep learning | |
KR102556764B1 (en) | Method for generating data set | |
US20240161263A1 (en) | Method for inspecting defects of product by using 2d image information | |
KR102285240B1 (en) | Method to train model | |
KR20230152266A (en) | Method for create a 3d model based on a 2d image | |
KR20240009825A (en) | Depth estimation method for monocular camera image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |