KR102606616B1 - 관객의 위치에 의존하여 예술품을 동적으로 표시하는 방법 - Google Patents

Abstract

컴퓨팅 장치에 의해 수행되는, 관객의 위치에 의존하여 예술품을 표시하는 방법으로서, 상기 방법은, 예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 단계, 상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 단계, 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계를 포함할 수 있다.

Description

관객의 위치에 의존하여 예술품을 동적으로 표시하는 방법{METHOD FOR DYNAMICALLY DISPLAYING ARTWORKS DEPENDENT ON THE LOCATION OF AUDIENCE}

본 개시는 관객의 위치에 의존하여 예술품을 동적으로 표시하는 방법에 관한 것으로서, 보다 상세하게는, 관객의 위치(또는 시점)에 의존하여 표시 매체 상에서 예술품의 광학적 특성을 동적으로 표시하는 방법에 관한 것이다.

오늘날에, LED 패널과 같이 영상을 출력할 수 있는 표시 매체에 예술품을 전시하는 것은 흔한 일이다. 이러한 방법은, 가치가 높은 예술품을 소유하거나, 대여하지 않더라도 전시할 수 있다는 점에서 관리적인 측면 및 비용적인 측면에서 효과적일 수 있지만, 실제 예술품을 관람하는 것과 같이 빛 혹은 관객의 시점에 따라 변화하는 예술품의 모습을 표시 매체에 표현하는 것은 어려움이 따른다. (예를 들어, 관객의 관점 혹은 광원에 따라 실제처럼 자연스럽게 예술품이 변화시키기 위한 영상 확보에 어려움이 따를 수 있다.)

따라서, 표시 매체를 통해 예술품을 전시하더라도, 실제 예술품을 관람하는 것과 같은 경험을 관객에게 제공하도록, 관객의 위치에 따라 표시 매체에 예술품을 달리 표시하는 새로운 방법이 필요하다.

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.

본 개시는, 관객의 위치에 의존하여 광학적인 특성이 동적으로 표현되는 예술품 영상을 표시 매체에 표시하여, 관객에게 실제 예술품을 관람하는 것과 유사한 경험을 제공하는 것을 해결과제로 한다.

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.

전술한 과제를 해결하기 위한 컴퓨팅 장치에 의해 수행되는, 관객의 위치에 의존하여 예술품을 표시하는 방법이 개시된다. 상기 방법은, 예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 단계; 상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 단계; 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계를 포함할 수 있다.

일 실시예로써, 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계는, 상기 예술품과 연관된 광원 정보를 획득하는 단계; 및 상기 획득된 광원 정보 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시하는 단계를 포함할 수 있다.

일 실시예로써, 상기 예술품과 연관된 광원 정보를 획득하는 단계는, 상기 예술품이 실제 전시된 장소의 광원 정보를 획득하는 단계; 또는 상기 표시 매체가 설치된 장소의 광원 정보를 획득하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

일 실시예로써, 상기 획득된 광원 정보 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시하는 단계는, 신경망 모델을 활용하여, 상기 획득된 광원 정보 및 상기 추정된 시점 정보를 기초로, 반사 특성이 변화된 상기 예술품의 영상을 동적으로 생성하는 단계; 및 상기 표시 매체 상에서 상기 반사 특성이 변화된 상기 예술품의 영상을 표시하는 단계를 포함할 수 있다.

일 실시예로써, 상기 신경망 모델은, 광원이 고정된 상태에서 시점을 변화시키는 방식으로 촬영된 제 1 학습 데이터; 시점이 고정된 상태에서 광원을 변화시키는 방식으로 촬영된 제 2 학습 데이터; 또는 광원과 시점이 모두 변화시키는 방식으로 촬영된 제 3 학습 데이터; 중 적어도 하나의 학습 데이터에 기초하여 학습된 신경망 모델일 수 있다.

일 실시예로써, 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계는, 라이트-필드(light-field) 카메라를 사용하여 상기 예술품을 촬영하여 생성된 예술품 영상 정보를 획득하는 단계; 및 상기 획득된 예술품 영상 정보 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계를 포함할 수 있다.

일 실시예로써, 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계는, 광원은 고정되고 시점이 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계; 광원이 변화되고 시점은 고정된 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계; 또는 광원과 시점이 모두 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계 중 적어도 하나의 단계를 포함할 수 있다.

일 실시예로써, 상기 표시 매체에 대한 미리 결정된 영역 내에 복수의 관객들이 존재하는 경우: 상기 예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 단계는, 상기 표시 매체와 상기 복수의 관객들 각각 사이의 복수의 상대적인 위치 정보들을 획득하는 단계를 포함하고, 상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 단계는, 상기 획득된 복수의 상대적인 위치 정보들을 고려하여, 상기 복수의 관객들과 관련된 대표 시점 정보를 산출하는 단계를 포함할 수 있다.

일 실시예로써, 상기 획득된 복수의 상대적인 위치 정보들을 고려하여, 상기 복수의 관객들과 관련된 대표 시점 정보를 산출하는 단계는, 상기 획득된 복수의 상대적인 위치 정보들에 대응되는 복수의 벡터들을 획득하는 단계; 상기 복수의 벡터들을 클러스터링(clustering)하여 둘 이상의 클러스터(cluster)들을 생성하는 단계; 및 상기 둘 이상의 클러스터들 중에 하나의 클러스터를 선택하고, 선택된 클러스터에 기초하여 상기 대표 시점 정보를 산출하는 단계를 포함할 수 있다.

일 실시예로써, 상기 획득된 복수의 상대적인 위치 정보들을 고려하여, 상기 복수의 관객들과 관련된 대표 시점 정보를 산출하는 단계는, 상기 획득된 복수의 상대적인 위치 정보들에 대응되는 복수의 벡터들을 획득하는 단계; 상기 복수의 벡터들의 합성 벡터를 생성하는 단계; 및 상기 합성 벡터에 기초하여 상기 대표 시점 정보를 산출하는 단계를 포함할 수 있다.

전술한 과제를 해결하기 위한, 장치가 개시된다. 상기 장치는 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하고; 상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하고; 그리고 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하도록 구성될 수 있다.

전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 프로그램은 적어도 하나의 프로세서로 하여금 관객의 위치에 의존하여 예술품을 표시하는 동작들을 수행하게 하고, 상기 동작들은: 예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 동작; 상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 동작; 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 동작을 포함할 수 있다.

본 개시는, 관객의 위치에 의존하여 광학적인 특성(예컨대, 반사 특성)이 동적으로 표현되는 예술품 영상을 표시 매체에 표시하여, 관객에게 실제 예술품을 관람하는 것과 유사한 경험을 제공할 수 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 동작들을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라, 신경망 모델을 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라, 표시 매체 상에서 예술품의 광학적인 특성을 동적으로 표시하는 방법에 관한 개괄적인 프로세스를 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따라, 관객이 여럿일 경우에 표시 매체에 예술품을 표시하는 방법을 나타낸 개략도이다.
도 5는 본 개시의 일 실시예에 따라, 광원 또는 시점을 변화시키는 방식으로 학습 데이터를 생성하는 방법을 나타낸 개략도이다.
도 6은 본 개시의 일 실시예에 따라, 관객의 위치에 따라 예술품을 바라보는 시점을 변화하여 표시하는 방법을 나타낸 개략도이다.
도 7은 본 개시의 일 실시예에 따라, 관객의 위치에 따라 예술품의 광원 각도를 변화하여 표시하는 방법을 나타낸 개략도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 개시에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 개시에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 개시에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 개시와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", B 만을 포함하는 경우" "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

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.

제시된 실시예들에 대한 설명은 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 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

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.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 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.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 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.

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.

도 2는 본 개시의 일 실시예에 따라 신경망 모델을 나타낸 개략도이다.

본 개시에 걸쳐, 신경망 모델 및 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망 모델은 일반적으로 노드(node)라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망 모델은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망 모델들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 모델내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다(이때, 본 개시에 걸쳐 파라미터와 가중치는 동일한 의미로 사용될 수 있다.). 가중치는 가변적일 수 있으며, 신경망 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망 모델은 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, 신경망 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망 모델이 존재하는 경우, 두 개의 신경망 모델들은 서로 상이한 것으로 인식될 수 있다.

신경망 모델은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 층(layer)을 구성할 수 있다. 신경망 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 층을 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 층을 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 층의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 층의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 층은 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 모델 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 신경망 모델을 구성하는 노드들을 의미할 수 있다.

신경망 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도 학습(semi-supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 신경망 모델의 학습은 신경망 모델이 특정한 동작을 수행하기 위한 지식을 신경망 모델에 적용하는 과정일 수 있다.

신경망 모델은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망 모델의 학습에서 반복적으로 학습 데이터를 신경망 모델에 입력시키고 학습 데이터에 대한 신경망 모델의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망 모델의 에러를 신경망 모델의 출력 층에서부터 입력 층 방향으로 역전파(backpropagation)하여 신경망 모델의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터일 수 있다. 라벨링된 학습 데이터가 신경망 모델에 입력되고, 신경망 모델의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 모델 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망 모델에서 역방향(즉, 출력 층에서 입력 층 방향)으로 역전파 되며, 역전파에 따라 신경망 모델의 각 층의 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 신경망 모델의 계산과 에러의 역전파는 에포크(epoch)를 구성할 수 있다. 학습률은 신경망 모델의 에포크의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망 모델의 학습 초기에는 높은 학습률을 사용하여 신경망 모델이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

신경망 모델의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망 모델을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 에포크가 존재할 수 있다. 과적합(over-fitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 신경망 모델이 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(batch normalization)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터들이 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 정점들 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 층과 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 층과 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.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 개시에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치들을 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 에포크가 시작되는 시점의 가중치 및/또는 에포크 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 에포크가 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화 하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 에포크(epoch) 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 은닉층(hidden layer)의 개수, 은닉층의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 3은 본 개시의 일 실시예에 따라, 표시 매체 상에서 예술품의 광학적인 특성을 동적으로 표시하는 방법에 관한 개괄적인 프로세스를 나타낸 순서도이다.

도 3을 참조하여 본 개시의 일 실시예 따라, 프로세서(110)가 표시 매체 상에서 예술품의 광학적인 특성을 동적으로 표시하는 방법의 개괄적인 프로세스가 설명된다. 상기 방법은, 프로세서(110)가 순차적으로 수행하는 S300, S310, 및 S320 단계를 포함할 수 있다. 예를 들어, 상기 방법은, "예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 단계(S300)", "상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 단계(S310)", 및 "상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계(S320)"를 포함할 수 있다.

상기 S300 단계는, 프로세서(110)가 예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 단계이다.

상기 S300 단계와 관련하여, 프로세서(110)는, 센서(sensor)를 기초로 예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득할 수 있다. 즉, 프로세서(110)는 센서를 기초로 획득한 센싱값과 미리 결정된 표시 매체의 기준 위치를 사용하여 상기 표시 매체와 관객 사이의 상대적인 위치를 획득할 수 있다. 또한, 상기 센서는 예를 들어 라이다(LiDAR) 센서, 이미징 센서, 초음파 거리 센서, 감압 센서 등의 다양한 종류의 센서를 포함할 수 있다. 이때, 라이다 센서의 경우, 상기 표시 매체 혹은 표시 매체와 동일한 공간에 설치되어, 빛 탐지를 기초로, 관객의 출현, 관객의 위치 및 관객의 이동을 용이하게 센싱할 수 있다. 또한, 이미징 센서의 경우, 상기 표시 매체 혹은 표시 매체와 동일한 공간에 설치되어, 관객을 포함하는 이미지 데이터를 생성할 수 있다. (이후, 프로세서(110)는 관객을 포함하는 이미지상에서 관객을 식별하고 관객의 위치를 파악하기 위한 알고리즘 혹은 신경망 모델을 사용하여 상기 표시 매체와 상기 관객 사이의 상대적인 위치 정보를 획득할 수 있다.) 또한, 초음파 거리 센서의 경우, 표시 매체에 설치되어, 초음파를 기초로 표시 매체와 관객 사이의 거리를 센싱할 수 있다. 일 실시예에서, 초음파 거리 센서는, 센싱하고자 하는 공간의 외측에 2개 이상 설치될 수 있으며, 삼각법을 기초로 위치 정보를 추정할 수 있다. 또한, 감압 센서의 경우, 발판 형태 혹은 버튼 형태로 구현될 수 있으며, 관객이 센서에 직접 접촉시에 감압 센서 별로 미리 결정된 위치 정보를 획득할 수 있다. 한편, 본 개시의 일 실시예를 구현하기 위해 포함될 수 있는 센서 및 상기 센서를 활용한 실시예들은, 이에 한정되지 않고 전시 공간의 환경에 따라 다양하게 구현될 수 있다.

상기 S310 단계는, 상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 단계이다.

이러한 상기 S310 단계와 관련하여, 프로세서(110)는, ㉠ "상기 예술품을 관람하는 1명의 관객이 존재하는 시나리오", ㉡ "상기 예술품을 관람하는 복수의 관객이 존재하는 시나리오" 등을 고려하여 관객의 시점 정보를 추정할 수 있다.

구체적으로, ㉠ 시나리오일 경우, 프로세서(110)는 상기 표시 매체와 상기 1명의 관객 사이의 상대적인 위치 정보를 획득(S300)한 뒤에, 상기 획득된 상대적인 위치 정보를 고려하여, 상기 관객과 관련된 시점 정보를 산출할 수 있다(S310-㉠). 예컨대, 프로세서(110)는, 앞선 S300 단계에서 획득된, 상기 예술품이 표시되는 표시 매체(420)와 관객 사이의 상대적인 위치 정보를 기초로, 전시 공간을 모사한 가상의 좌표 평면상에 상기 예술품과 관객을 도시하고, 상기 예술품에 대한 좌표와 상기 1명의 관객의 좌표를 기초로 상기 1명의 관객의 시점 정보를 추정할 수 있다.

반면, ㉡ 시나리오일 경우, 프로세서(110)는, 도 4와 같이, 상기 표시 매체(420)와 상기 복수의 관객들 각각 사이의 복수의 상대적인 위치 정보들을 획득(S300) 한 뒤에, 상기 획득된 복수의 상대적인 위치 정보들을 고려하여, 상기 복수의 관객들에 대한 대표 시점 정보를 산출할 수 있다(S310-㉡). 예를 들어, 프로세서(110)는, 앞선 S300 단계를 기초로 획득된, 상기 예술품이 표시되는 표시 매체(420)와 복수의 관객들 사이의 상대적인 위치 정보들을 기초로, 전시 공간을 모사한 가상의 좌표 평면상에 상기 예술품과 복수의 관객들을 도시하고, 상기 예술품에 대한 좌표와 상기 복수의 관객들 각각의 좌표를 기초로 상기 복수의 관객들의 시점 정보들을 추정하며, 상기 복수의 관객의 시점 정보들에 기초하여, 상기 복수의 관객들과 관련된 대표 시점 정보를 산출할 수 있다. 일 실시예에서, 상기 대표 시점 정보는, 상기 복수의 관객들을 클러스터링(clustering)하는 것에 기초하여 결정될 수 있다. 예를 들어, 프로세서(110)는, 상기 복수의 관객들을 클러스터링하여 둘 이상의 클러스터들을 생성하고, 상기 둘 이상의 클러스터들 중 하나를 선택하며, 상기 선택된 클러스터에 기초하여 상기 대표 시점 정보를 산출할 수 있다. (S310-㉡-1) 이 경우, 프로세서(110)는, 미리 결정된 거리 이내(예를 들어, 1미터)에 근접한 관객들이 동일한 클러스터에 포함되도록 클러스터링을 수행하거나, 유사한 시점 정보들을 갖는 관객들(예를 들어, 시점 정보를 벡터화 했을 때 유사한 시점 벡터를 가지는 관객들)이 동일한 클러스터에 포함되도록 클러스터링을 수행할 수 있다. 또한, 프로세서(110)는, 상기 둘 이상의 클러스터들 중 하나를 선택할 때, 가장 많은 관객들을 포함하고 있는 클러스터를 선택할 수 있다. 도 4를 참조하면, 미리 결정된 거리 이내에 근접하거나 유사한 시점 정보를 갖는 3명의 관객들이 제 1 클러스터(401)에 포함되고, 미리 결정된 거리 이내에 근접하거나 유사한 시점 정보를 갖는 2명의 관객들이 제 2 클러스터(402)에 포함되며, 1명의 관객이 제 3 클러스터(403)에 포함된 예시를 확인할 수 있다. 이와 같은 도 4의 예시에서는, 가장 많은 관객들을 포함하는 제 1 클러스터가 대표 클러스터로 선택될 수 있다. 이어서, 프로세서(110)는 선택된 클러스터에 포함된 관객들의 시점들에 대응되는 시점 벡터들을 획득하고, 획득된 시점 벡터들을 기초로 대표 벡터를 산출(예컨대, 벡터 합성으로 산출)하며, 산출된 대표 벡터를 기초로 상기 대표 시점 정보를 산출할 수 있다. 도 4의 예시를 참조하면, 프로세서(110)는, 선택된 제 1 클러스터(401)에 포함된 3명의 관객들의 시점들에 대응되는 3개의 시점 벡터들을 획득하고, 상기 3개의 시점 벡터들을 합성하여 대표 벡터_1(411)을 산출하며, 산출된 대표 벡터_1(411)을 상기 대표 시점 정보로 결정할 수 있다. 결과적으로, 상기 S310-㉡-1의 예시는, 복수의 관객들이 존재하는 경우, 밀집도가 가장 높은 관객 그룹의 시점을 대표 시점으로 결정하고, 그 외의 관객들의 시점을 고려하지 않는 실시예이다. 한편, 대안적인 실시예에서, 상기 대표 시점 정보는, 상기 복수의 관객들의 시점 정보들을 모두 고려하여 산출될 수도 있다. (S310-㉡-2) 구체적으로, 프로세서(110)는, 상기 복수의 관객들의 복수의 시점 벡터들을 모두 합성하여 상기 대표 시점 정보를 산출하거나, 상기 복수의 관객들과 관련된 모든 클러스터들의 대표 벡터들을 합성하여 상기 대표 시점 정보를 산출할 수 있다. 도 4의 예시를 참조하면, 프로세서(110)는, 모든 관객들(즉, 제 1 클러스터(401), 제 2 클러스터(402), 및 제 3 클러스터(403)에 포함된 모든 관객들)의 모든 시점 벡터들을 합성하여 상기 대표 시점 정보를 산출하거나, 대표 벡터_1(411), 대표 벡터_2(412), 및 대표 벡터_3(413)을 합성하여 상기 대표 시점 정보를 산출할 수 있다. 추가로, 프로세서(110)는, 모든 관객들의 모든 시점 벡터들을 고려하되, 클러스터별 가중치를 적용하여 상기 대표 시점 정보를 산출할 수도 있다. 이 경우, 상기 클러스터별 가중치는, 각각의 클러스터에 포함된 관객의 수에 의존할 수 있다. 도 4의 예시를 참조하면, 프로세서(110)는, 대표 벡터_1(411), 대표 벡터_2(412), 및 대표 벡터_3(413)의 합성 시에 3:2:1의 가중치를 적용할 수 있으며, 이러한 가중치에 기반한 벡터 합성을 통해 상기 대표 시점을 산출할 수도 있다.

상기 S320단계는 상기 추정된 시점 정보(또는 상기 추정된 대표 시점 정보)에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계이다.

일 실시예에서, 상기 S320 단계는, "상기 예술품과 연관된 광원 정보를 획득하는 단계(S321 단계)" 및 "상기 획득된 광원 정보 및 상기 추정된 시점 정보(또는 상기 추정된 대표 시점 정보)에 기초하여, 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시하는 단계(S322 단계)"를 포함할 수 있다.

이때, 예술품이 어떤 광원을 받고 있는지에 따라서 반사 특성이 달라져, 예술품이 관객에게 주는 느낌이 달라질 수 있다. 상기 광원 정보를 획득하는 방법에 대한 일 실시예로, 프로세서(110)는 ㉮ "상기 예술품이 실제 전시된 장소(예컨대, 루브르 박물관의 조형물을 촬영한 영상을 한국 전시관에서 디스플레이를 통해 전시하는 경우, 루브르 박물관이 이에 해당함)의 광원 정보를 획득하는 단계" 또는, ㉯ "상기 표시 매체가 설치된 장소(예컨대, 루브르 박물관의 조형물을 촬영한 영상을 한국 전시관에서 디스플레이를 통해 전시하는 경우, 한국 전시관이 이에 해당함)의 광원 정보를 획득하는 단계" 중 적어도 하나를 포함할 수 있다. 예컨대, 실제 전시된 장소의 광원 정보를 획득하는 ㉮와 관련하여, 프로세서(110)는 상기 예술품이 실제 전시된 장소에서 상기 예술품을 보는 것과 같은 느낌을 관객에게 전달하기 위해, 상기 예술품이 실제 전시된 장소의 광원 정보를 획득하여 사용할 수 있다. 이때 상기 광원 정보는, 상기 예술품이 실제 전시된 장소의 광학 소자들의 타입 및 설치 위치 정보, 상기 예술품이 실제 전시된 장소에서 광학 센서에 의해 획득된 정보, 라이트 필드 카메라를 기초로 획득한 정보 등을 기초로 획득될 수 있다.

또한, 상기 표시 매체가 설치된 장소의 광원 정보를 획득하는 ㉯와 관련하여, LED 스크린을 비롯한 표시 매체가 표시하는 예술품은 자체 발광하는 픽셀 혹은, 백라이트(back light)를 포함하는 경우, 상기 표시 매체에 비추는 광원을 달리하더라도, 관객에게 실제 예술품에 광원을 달리하는 것과 유사한 효과를 기대하기 어렵다. 따라서, 프로세서(110)는 상기 표시 매체가 설치된 장소의 광원 정보를 획득하고, 상기 광원 정보를 기초로 표시 매체에 표시되는 예술품의 광학 특성을 변화시키는 전시 동작을 구현할 수 있다. 이때, 상기 표시 매체가 설치된 장소의 광원 정보는, 상기 표시 매체가 설치된 장소의 광학 소자들의 타입 및 설치 위치 정보, 상기 표시 매체가 설치된 장소에서 광학 센서에 의해 획득된 정보, 라이트 필드 카메라를 기초로 획득한 정보 등을 기초로 획득될 수 있다.

일 실시예에서, 프로세서(110)는, "상기 예술품이 실제 전시된 장소의 광원 정보"를 고려하여 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시할 수 있다. 예를 들어, 프로세서(110)는, 상기 예술품이 실제 전시된 장소의 광원 조건에서 생성된 상기 예술품의 다양한 시점별 영상들을 획득하고, 상기 추정된 시점 정보(또는 상기 추정된 대표 시점 정보)와 연동하여 상기 다양한 시점별 영상들이 선택적으로 표시되도록 함으로써, 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시할 수 있다. 일 실시예에서, "상기 예술품이 실제 전시된 장소의 광원 조건에서 생성된 상기 예술품의 다양한 시점별 영상들"은, 라이트-필드(light field) 카메라 등을 활용하는 직접적인 촬영에 의해 생성되거나, 신경망 모델을 통해 생성될 수 있다. 후자의 경우, 신경망 모델은, "둘 이상의 시점으로 동일 객체를 촬영한 둘 이상의 영상들"을 입력 받은 뒤에, 입력된 둘 이상의 영상들로부터 추정되는 광원 정보 하에서 추가적인 시점으로 상기 동일 객체를 촬영한 영상을 생성할 수 있다.

추가적인 실시예에서, 프로세서(110)는, "상기 표시 매체가 설치된 장소의 광원 정보"를 고려하여 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시할 수 있다. 예를 들어, 프로세서(110)는, 상기 표시 매체가 설치된 장소의 광원 정보에 기초하여 상기 예술품의 영상을 보정함으로써, 상기 표시 매체가 설치된 장소의 광원 조건에 부합하는 상기 예술품의 다양한 시점별 영상들을 획득하고, 상기 추정된 시점 정보(또는 상기 추정된 대표 시점 정보)와 연동하여 상기 다양한 시점별 영상들이 선택적으로 표시되도록 함으로써, 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시할 수 있다. 일 실시예에서, "상기 표시 매체가 설치된 장소의 광원 정보에 기초하여 상기 예술품의 영상을 보정하는 동작"은, 신경망 모델을 통해 수행될 수 있다. 이 경우, 상기 신경망 모델은, "대상 객체를 촬영한 원본 영상" 및 "광원 정보"를 입력 받은 뒤에, 입력된 광원 정보 하에서 다양한 시점으로 상기 대상 객체를 촬영한 영상을 생성하는 신경망 모델일 수 있다.

추가적인 실시예에서, 프로세서(110)는, "상기 예술품이 실제 전시된 장소의 광원 정보", 및 "상기 표시 매체가 설치된 장소의 광원 정보" 둘 모두를 고려하여 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시할 수도 있다. 예를 들어, 프로세서(110)는, "상기 예술품이 실제 전시된 장소의 광원 정보"와 "상기 표시 매체가 설치된 장소의 광원 정보" 사이의 매칭 관계 또는 유사도 정보를 분석할 수 있으며, 상기 분석된 매칭 관계 또는 유사도 정보를 추가로 활용하여, "상기 예술품이 실제 전시된 장소의 광학적 조건", 및 "상기 표시 매체가 설치된 장소의 광학적 조건"이 모두 고려된 조화로운 보정 영상을 생성할 수도 있다.

한편, 프로세서(110)는, 상기 S320단계의 수행과 관련하여, 다양한 신경망 모델을 활용할 수 있다. 예를 들어, 프로세서(110)는, "Reenact network", "talking head network", "NERF" 등의 신경망 모델을 활용할 수 있다.

또한, 상기 신경망 모델은, 예술품을 촬영하는 시점(또는 방향)의 변화, 및 광원의 변화와 관련된 다양한 학습 데이터들에 기초하여 학습될 수 있다. 예를 들어, 도 5를 참조하면, 상기 신경망 모델은, 예술품(500)을 광원(510)이 고정된 상태에서 시점(520)을 변화시키는 방식으로 촬영된 제 1 학습 데이터, 예술품(500)을 시점(520)이 고정된 상태에서 광원(510)을 변화시키는 방식으로 촬영된 제 2 학습데이터, 예술품(500)을 광원(510)과 시점(520)이 모두 변화시키는 방식으로 촬영된 제 3 학습 데이터 중 적어도 하나의 학습 데이터에 기초하여 학습된 신경망 모델일 수 있다.

또한, 상기 신경망 모델은, 입력 영상에 기초하여 촬영 시점 또는 광원의 상태가 변화된 새로운 영상을 생성할 수 있다. 다시 말해, 상기 신경망 모델은, 입력 영상의 촬영 시점을 변화시킨 예측 영상(예컨대, 촬영 시점의 변화에 따른 광학적 특성의 변화를 예측한 영상), 입력 영상의 광원의 상태를 변화시킨 예측 영상(예컨대, 광원의 변화에 따른 광학적 특성의 변화를 예측한 영상), 입력 영상의 촬영 시점 및 광원 상태를 모두 변화시킨 예측 영상(예컨대, 촬영 시점 및 광원의 변화에 따른 광학적 특성의 변화를 예측한 영상) 등을 생성할 수 있다. 따라서, 이러한 신경망 모델을 활용하는 경우, 프로세서(110)는, 예술품을 모든 각도에서 조밀하게 촬영한 영상들을 획득하지 못하더라도, "상기 추정된 시점 정보(또는 상기 추정된 대표 시점 정보)에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 동작"을 수행할 수 있다.

한편, 상기 S320 단계와 관련하여, 프로세서(100)는, "광원은 고정되고 시점이 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계(S320-①)", "광원이 변화되고 시점은 고정된 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계(S320-②)", "광원과 시점이 모두 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계(S320-③)" 등을 수행할 수 있다.

상기 S320-①과 관련하여, 프로세서(110)는, 광원은 고정되고 시점이 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시할 수 있다. 예를 들어, 프로세서(110)는, 광원이 고정된 조건에서, 상기 S310 단계에서 추정된 상기 관객의 시점 정보(또는, 상기 대표 시점 정보)에 기초하여, 상기 예술품의 반사 특성을 동적으로 표시할 수 있다. 도 6의 예시를 참조하면, 프로세서(110)는, 상기 관객의 시점 정보(또는, 상기 대표 시점 정보)에 기초하여, 상기 예술품(610)의 각도 및 반사 특성을 동적으로 표시할 수 있다. 구체적으로, 프로세서(110)는, ① 상기 관객의 시점 정보가 상기 관객이 상기 표시 매체(620)의 우측 45도인 위치해 있음을 나타낼 때, 상기 표시 매체(620) 상에, 좌측으로 45도 회전된 예술품(610)과 그에 대응되는 반사 특성을 동적으로 표시할 수 있고, ② 상기 관객의 시점 정보가 상기 관객이 상기 표시 매체(620)의 정면에 위치해 있음을 나타낼 때, 상기 표시 매체(620) 상에, 정면을 바라보는 예술품(610)과 그에 대응되는 반사 특성을 동적으로 표시할 수 있고, ③ 상기 관객의 시점 정보가 상기 관객이 상기 표시 매체(620)의 좌측 60도인 위치해 있음을 나타낼 때, 상기 표시 매체(620) 상에, 우측으로 60도 회전된 예술품(610)과 그에 대응되는 반사 특성을 동적으로 표시할 수 있다. 추가적인 예시로, 상기 관객의 시점 정보가 좌측 45도에서 우측 45도로 점진적으로 변화한다고 가정할 때, 프로세서(110)는, 상기 표시 매체(620) 상에, 우측 45도 부터 좌측 45도로 점진적으로 회전하는 예술품(610)을 표시할 수 있다. 효과적인 측면에서, 상기 S320-① 실시예의 방법을 사용하여 예술품을 표시할 경우, 조각상과 같은 입체적인 예술품의 입체성을 실제처럼 표시할 수 있다. 또한, 유화 작품의 경우에는, 유화 작품의 반사 특성이 실제처럼 구현될 수 있다.

상기 S320-②과 관련하여, 프로세서(110)는, 광원이 변화되고 시점은 고정된 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시할 수 있다. 예를 들어, 프로세서(110)는, 상기 S310 단계에서 추정된 상기 관객의 시점 정보(또는, 상기 대표 시점 정보)가 미리 결정된 시간 이내에 변화되지 않는 경우, 역동적인 관람 효과를 부여하기 위해, "상기 관객의 시점 정보와 대응되도록 시점이 고정되고 광원이 랜덤하게 변화되는 조건에서 생성된 영상"을 표시할 수 있다. 또한, 프로세서(110)는, 상기 S310 단계에서 추정된 상기 관객의 시점 정보(또는, 상기 대표 시점 정보)가 미리 결정된 시간 이내에 변화되지 않으면서 상기 표시 매체의 설치 장소의 광원 정보가 동적으로 변화된 경우(예를 들어, 시간에 따라 광의 방향 또는 조사량을 변화시키는 동적인 광원 장치가 설치된 경우), "상기 관객의 시점 정보와 대응되도록 시점이 고정되고 상기 설치 장소의 광원 정보와 대응되도록 광원이 변화하는 조건에서 생성된 영상"을 표시할 수 있다. 도 7을 참조하면, 시점이 고정되고 광원이 변화하는 조건에서 생성된 예시 영상들을 확인할 수 있다. 구체적으로, 도 7을 참조하면, 시점이 예술품(710)의 정면 방향으로 고정되고 광원이 정면 중단부터 정면 상단으로 이동하는 조건에서, 반사 특성을 동적으로 변화시킨 영상을 확인할 수 있다. 효과적인 측면에서 상기 실시예의 방법은, 유화와 같은 유광 타입의 예술품의 빛의 표현을 관객에게 풍부하게 전달할 수 있다.

상기 S320-③ 단계와 관련하여, 프로세서(110)는, 광원과 시점이 모두 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시할 수 있다. 이러한 상기 S320-③ 단계는, 위에서 살펴본, 상기 S320-① 단계와 상기 S320-② 단계를 복합적으로 구현하는 실시예에 해당할 수 있다. 일 실시예에서, 프로세서(110)는, "상기 S310 단계에서 추정된 상기 관객의 시점 정보(또는, 상기 대표 시점 정보)" 및 "광원의 변화 정보(예를 들어, 광원을 랜덤하게 변화시킨 정보, 또는 표시 매체가 설치된 장소의 광원의 실제 변화 정보)"에 기초하여, 상기 예술품의 광학적인 특성을 동적으로 표시할 수 있다. 예를 들어, 프로세서(110)는, 광원이 예술품(710)의 정면 중단에서 정면 상단으로 이동하고, 상기 관객의 시점 정보가 좌측 45도에서 우측 45도로 점진적으로 변화한다고 가정할 때, 이러한 광원의 변화 및 시점의 변화를 모두 복합적으로 고려하여, 상기 표시 매체 상에 표시되는 반사 특성을 동적으로 구현할 수 있다.

대안적으로, 이상에서 살핀 실시예들은, 신경망 모델이 아닌 라이트 필드 카메라를 사용하는 것에 기초하여 구현될 수도 있다.

예를 들어, 프로세서(110)는, 라이트-필드(light field) 카메라를 통해 상기 예술품을 촬영하여 생성된 예술품 영상 정보를 획득할 수 있다. 여기서 상기 예술품 영상 정보에는, 이미지 데이터 뿐만 아니라, 빛과 관련된 다양한 정보가 포함될 수 있다. 구체적으로, 상기 예술품 영상 정보에는, 상기 이미지 데이터와 연관된 빛의 밝기 정보, 방향 정보 등이 포함될 수 있다.

다음으로, 프로세서(100)는, 상기 획득된 예술품 영상 정보 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시할 수 있다. 한편, 상기 예술품의 광학적인 특성을 동적으로 표시하는 것과 관련하여, 상기 획득된 예술품 영상 정보에 포함된 다양한 빛과 관련된 정보가 활용될 수 있다.

한편, 신경망 모델을 활용하는 실시예와 관련하여 위에서 검토한 내용들은, 라이트 필드 카메라를 사용하는 실시예에 대해서도 유추 적용될 수 있다. 예를 들어, 영상 생성 및 보정을 위해 라이트-필드 카메라를 활용한 점을 제외한, 나머지 기술 요소들에 대해서는, 위에서 검토한 내용들이 유추 적용될 수 있다.

추가적인 대안으로, 이상에서 살핀 실시예들은, 메타버스 등의 가상 환경에서 구현될 수도 있다.

이 경우, 상기 "관객의 시점 정보"는, 예를 들어, 메타버스 환경 상에 존재하는 관객 캐릭터의 위치 좌표 정보에 기초하여 산출될 수 있다. 또한, 상기 "상기 표시 매체가 설치된 장소"는, 오프라인 상의 장소가 아니라, 메타버스 환경 상에 존재하는 가상의 장소에 대응될 수 있다. 또한, 상기 "표시 매체"는, 실제 디스플레이 장치 등이 아니라, 메타버스 환경 상에 존재하는 가상의 디스플레이 장치일 수 있다. 또한, "상기 표시 매체의 설치 장소의 광원 정보"는, 실제 설치된 광원 정보가 아니라, 메타버스 환경 상에서 구현된 가상의 광원 정보일 수 있다.

한편, 위에서 검토한 기술요소들 중 이러한 구성상의 차이점을 제외한 나머지 기술 요소들은, 메타버스 환경의 실시예에도 유추 적용될 수 있다.

도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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.

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.

본 개시의 설명된 실시예들은 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 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.

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 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (12)

1. 컴퓨팅 장치에 의해 수행되는, 관객의 위치에 의존하여 예술품을 표시하는 방법으로서,
   예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 단계;
   상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 단계; 및
   상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계
   를 포함하고,
   상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계는,
   상기 예술품과 연관된 광원 정보를 획득하는 단계;
   신경망 모델을 활용하여, 상기 획득된 광원 정보 및 상기 추정된 시점 정보를 기초로, 반사 특성이 변화된 상기 예술품의 영상을 동적으로 생성하는 단계; 및
   상기 표시 매체 상에서 상기 반사 특성이 변화된 상기 예술품의 영상을 표시하는 단계를 포함하는,
   방법.
   
2. 삭제
3. 컴퓨팅 장치에 의해 수행되는, 관객의 위치에 의존하여 예술품을 표시하는 방법으로서,
   예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 단계;
   상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 단계;
   상기 예술품과 연관된 광원 정보를 획득하는 단계;
   상기 획득된 광원 정보 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 반사 특성을 동적으로 표시하는 단계
   를 포함하고,
   상기 예술품과 연관된 광원 정보를 획득하는 단계는,
   상기 예술품이 실제 전시된 장소의 광원 정보를 획득하는 단계; 또는
   상기 표시 매체가 설치된 장소의 광원 정보를 획득하는 단계
   중 적어도 하나의 단계
   를 포함하는,
   방법.
   
4. 삭제
5. 제 1 항에 있어서,
   상기 신경망 모델은,
   광원이 고정된 상태에서 시점을 변화시키는 방식으로 촬영된 제 1 학습 데이터;
   시점이 고정된 상태에서 광원을 변화시키는 방식으로 촬영된 제 2 학습 데이터; 또는
   광원과 시점이 모두 변화시키는 방식으로 촬영된 제 3 학습 데이터;
   중 적어도 하나의 학습 데이터에 기초하여 학습된 신경망 모델인,
   방법.
   
6. 제 1 항에 있어서,
   상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계는,
   라이트-필드(light-field) 카메라를 사용하여 상기 예술품을 촬영하여 생성된 예술품 영상 정보를 획득하는 단계; 및
   상기 획득된 예술품 영상 정보 및 상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계
   를 포함하는,
   방법.
   
7. 제 1 항에 있어서,
   상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계는,
   광원은 고정되고 시점이 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계;
   광원이 변화되고 시점은 고정된 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계; 또는
   광원과 시점이 모두 변화하는 상황과 연계하여 상기 예술품의 광학적인 특성을 동적으로 표시하는 단계
   중 적어도 하나의 단계를 포함하는,
   방법.
   
8. 삭제
9. 삭제
10. 삭제
11. 장치로서,
    적어도 하나의 프로세서; 및
    메모리;
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하고;
    상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하고; 그리고
    상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하도록 구성되고,
    상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 과정은,
    상기 예술품과 연관된 광원 정보를 획득하고;
    신경망 모델을 활용하여, 상기 획득된 광원 정보 및 상기 추정된 시점 정보를 기초로, 반사 특성이 변화된 상기 예술품의 영상을 동적으로 생성하고; 그리고
    상기 표시 매체 상에서 상기 반사 특성이 변화된 상기 예술품의 영상을 표시하는 과정을 포함하는,
    장치.
    
12. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 프로그램은 적어도 하나의 프로세서로 하여금 관객의 위치에 의존하여 예술품을 표시하는 동작들을 수행하게 하고, 상기 동작들은:
    예술품이 표시되는 표시 매체와 관객 사이의 상대적인 위치 정보를 획득하는 동작;
    상기 획득된 상대적인 위치 정보에 기초하여, 상기 관객의 시점 정보를 추정하는 동작; 및
    상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 동작
    을 포함하고,
    상기 추정된 시점 정보에 기초하여, 상기 표시 매체 상에서 상기 예술품의 광학적인 특성을 동적으로 표시하는 동작은,
    상기 예술품과 연관된 광원 정보를 획득하는 동작;
    신경망 모델을 활용하여, 상기 획득된 광원 정보 및 상기 추정된 시점 정보를 기초로, 반사 특성이 변화된 상기 예술품의 영상을 동적으로 생성하는 동작; 및
    상기 표시 매체 상에서 상기 반사 특성이 변화된 상기 예술품의 영상을 표시하는 동작을 포함하는,
    컴퓨터 판독가능한 저장 매체에 저장된 컴퓨터 프로그램.

Images