KR20220013183A - 영상 복원 장치 및 방법 - Google Patents

영상 복원 장치 및 방법 Download PDF

Info

Publication number
KR20220013183A
KR20220013183A KR1020200092384A KR20200092384A KR20220013183A KR 20220013183 A KR20220013183 A KR 20220013183A KR 1020200092384 A KR1020200092384 A KR 1020200092384A KR 20200092384 A KR20200092384 A KR 20200092384A KR 20220013183 A KR20220013183 A KR 20220013183A
Authority
KR
South Korea
Prior art keywords
image
information
viewpoints
image information
viewpoint
Prior art date
Application number
KR1020200092384A
Other languages
English (en)
Inventor
이세호
남동경
이석
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200092384A priority Critical patent/KR20220013183A/ko
Priority to US17/104,958 priority patent/US11651475B2/en
Priority to EP20215976.0A priority patent/EP3944182A1/en
Priority to CN202110034352.9A priority patent/CN113971629A/zh
Publication of KR20220013183A publication Critical patent/KR20220013183A/ko
Priority to US18/296,717 priority patent/US20230245277A1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/04Context-preserving transformations, e.g. by using an importance map
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/001
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • G06T3/0093
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/18Image warping, e.g. rearranging pixels individually
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • G06T7/55Depth or shape recovery from multiple images
    • G06T7/557Depth or shape recovery from multiple images from light fields, e.g. from plenoptic cameras
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • H04N5/247
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10052Images from lightfield camera
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

일 실시예에 따른 영상 복원 장치는 복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득하고, 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용한 와핑에 의해 생성된 와핑 영상 정보로부터 영상 복원 모델을 이용하여 출력 영상을 생성할 수 있다.

Description

영상 복원 장치 및 방법{IMAGE RESTORATION METHOD AND DEVICE}
이하, 영상 복원에 관한 기술이 제공된다.
광학 기술 및 영상 처리 기술의 발달로 인해, 멀티미디어 컨텐츠, 보안 및 인식 등 광범위한 분야에 촬영 장치가 활용되고 있다. 예를 들어, 촬영 장치는 모바일 기기, 카메라, 차량 및 컴퓨터 등에 탑재되어, 영상을 촬영하거나, 객체를 인식하거나, 기기를 제어하기 위한 데이터를 획득할 수 있다. 촬영 장치의 부피는 렌즈의 사이즈, 렌즈의 초점 거리(focal length) 및 센서의 사이즈 등에 의해 결정될 수 있고, 부피를 감소시키기 위해, 소형 렌즈들로 구성된 멀티 렌즈가 이용될 수 있다.
일 실시예에 따른 영상 복원 방법은, 복수의 시점 들(viewpoints) 별 입력 영상 정보를 포함하는 입력 데이터를 획득하는 단계; 상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하는 단계; 상기 입력 데이터로부터 개별 시점의 시차 보정 정보(disparity information)를 추정하는 단계; 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써, 상기 복수의 시점들 별 와핑 영상 정보(warped image information)를 생성하는 단계; 및 상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 영상 복원 모델을 이용하여 출력 영상을 생성 하는 단계를 포함할 수 있다.
상기 입력 데이터를 획득하는 단계는, 서로 다른 위치에 배치된 렌즈들을 통해 복수의 시점 영상들을 촬영하는 단계; 및 상기 촬영된 복수의 시점 영상들로부터 개별 시점에 대응하는 입력 영상 정보를 획득하는 단계를 포함할 수 있다.
상기 개별 시점에 대응하는 입력 영상 정보를 획득하는 단계는, 특징 추출 모델을 이용하여 상기 복수의 시점 영상들로부터 복수의 입력 특징 맵들을, 상기 복수의 입력 영상 정보로서, 추출하는 단계를 포함할 수 있다.
상기 와핑 영상 정보를 생성하는 단계는, 상기 복수의 시점들 별 입력 영상 정보를 목표 시점에 대응하는 목표 영상 정보의 화소 좌표계로 상기 전역 변환 파라미터를 이용하여 변환(transform)함으로써 변환된 영상 정보를 생성하는 단계; 및 상기 복수의 시점들 별 상기 변환된 영상 정보 의 상기 목표 영상 정보 에 대한 시차를, 상기 시차 보정 정보를 이용하여, 보정하는 단계를 포함할 수 있다.
상기 전역 변환 파라미터를 이용하여 변환하는 단계는, 기준 시차 에 대응하는 단일 깊이를 이용하여 상기 입력 영상 정보의 모든 화소들을 상기 목표 영상에 대응하는 화소 좌표계로 와핑(warping)하는 단계를 포함할 수 있다.
상기 와핑하는 단계는, 상기 전역 변환 파라미터에 포함된 회전 파라미터(rotation parameter), 이동 파라미터(translation parameter), 및 스케일 파라미터(scale parameter)를 이용하여 상기 목표 영상 정보의 화소 좌표계에 따른 위치(position)에 대응하는 상기 입력 영상 정보 내 좌표를 산출하는 단계; 및 상기 변환된 영상 정보에서 상기 위치의 화소 값을 상기 입력 영상 정보에서 상기 산출된 좌표의 화소 값으로 결정하는 단계를 포함할 수 있다.
상기 와핑 영상 정보를 생성하는 단계는, 시점 영상으로부터 추출된 특징 맵을 와핑함으로써 와핑 특징 맵(warped feature map)을 생성하는 단계를 포함할 수 있다.
상기 전역 변환 파라미터를 추정하는 단계는, 전역 풀링 연산(global pooling operation)을 통해 상기 입력 데이터에서 공간 차원 성분(spatial dimension component)이 제거된 정보 를 획득하는 단계; 및 상기 공간 차원 성분이 제거된 정보로부터 상기 전역 변환 파라미터를 산출하는 단계를 포함할 수 있다.
상기 전역 변환 파라미터를 산출하는 단계는, 상기 공간 차원 성분이 제거된 정보에 대해 하나 이상의 완전 연결 레이어(FC layer, Fully Connected layer)에 따른 연산을 적용하는 단계를 포함할 수 있다.
상기 시차 보정 정보를 추정하는 단계는, 상기 입력 데이터로부터 추출된 특징 데이터에 대해 하나 이상의 컨볼루션 필터링을 수행함으로써 상기 복수의 시점들의 각각에 대하여 화소 별로 시차 보정 정보를 추정하는 단계를 포함할 수 있다.
상기 화소 별로 시차 보정 정보를 추정하는 단계는, 상기 입력 데이터와 동일한 해상도로 상기 화소 별 시차 보정 정보를 산출하는 단계를 포함할 수 있다.
상기 영상 복원 모델은, 입력되는 데이터에 대하여 컨볼루션 필터링을 적용하는 적어도 하나의 컨볼루션 레이어를 포함하는 뉴럴 네트워크 일 수 있다.
상기 출력 영상을 생성하는 단계는, 상기 생성된 와핑 영상 정보에 대해 화소 셔플(pixel shuffle)을 수행함으로써 단일 시점(single viewpoint)으로 재배열된 영상 정보(rearranged image information)을 생성하는 단계; 및 상기 재배열된 영상 정보에 상기 영상 복원 모델을 적용함으로써 목표 해상도의 출력 영상을 생성하는 단계를 포함할 수 있다.
상기 출력 영상을 생성하는 단계는, 개별 화소에 대응하는 타겟 지점까지의 깊이 센싱 없이, 상기 출력 영상을 생성하는 단계를 포함할 수 있다.
상기 출력 영상의 해상도는 상기 복수의 시점 영상들 각각의 해상도보다 높을 수 있다.
상기 입력 데이터를 획득하는 단계는, 멀티 렌즈 어레이를 포함하는 이미지 센서가 복수의 시점 영상들을 포함하는 멀티 렌즈 영상을 촬영하는 단계; 및 상기 멀티 렌즈 영상으로부터 상기 입력 데이터를 생성하는 단계를 포함할 수 있다.
상기 입력 데이터를 획득하는 단계는, 복수의 이미지 센서들 각각이 시점 영상을 촬영하는 단계; 및 상기 촬영된 시점 영상으로부터 상기 입력 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에 따른 영상 복원 장치는, 영상 복원 모델을 저장하는 메모리; 및 복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득하고, 상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하며, 상기 입력 데이터로부터 개별 시점의 시차 보정 정보를 추정하고, 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써 상기 복수의 시점들 별 와핑 영상 정보를 생성하며, 상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 상기 영상 복원 모델을 이용하여 출력 영상을 생성하는 프로세서를 포함할 수 있다.
일 실시예에 따른 카메라 장치는, 복수의 시점들에 대응하는 복수의 렌즈들을 포함하는 렌즈 어레이; 상기 렌즈 어레이를 통과한 빛을 센싱하는 복수의 센싱 엘리먼트들을 포함하고, 상기 복수의 센싱 엘리먼트들은 상기 복수의 렌즈들 각각에 대응하는 센싱 영역으로 나누어지는 센싱 어레이; 및 상기 복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득하고, 상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하며, 상기 입력 데이터로부터 개별 시점의 시차 보정 정보를 추정하고, 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써 상기 복수의 시점들 별 와핑 영상 정보를 생성하며, 상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 영상 복원 모델을 이용하여 출력 영상을 생성하는 프로세서를 포함할 수 있다.
일 실시예에 따른 모바일 단말은, 복수의 시점들에 대응하는 시점 영상들을 포함하는 멀티 렌즈 영상을 촬영하는 이미지 센서; 영상 복원 모델을 저장하는 메모리; 및 상기 복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득하고, 상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하며, 상기 입력 데이터로부터 개별 시점의 시차 보정 정보를 추정하고, 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써 상기 복수의 시점들 별 와핑 영상 정보를 생성하며, 상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 상기 영상 복원 모델을 이용하여 출력 영상을 생성하는 프로세서를 포함할 수 있다.
도 1은 일 실시예에 따른 영상 복원의 개괄적인 과정을 설명한다.
도 2는 일 실시예에 따른 영상 복원 방법을 설명하는 흐름도이다.
도 3은 일 실시예에 따른 와핑 모델 및 영상 복원 모델을 이용한 영상 복원을 설명한다.
도 4는 일 실시예에 따른 입력 영상 정보 생성을 위한 특징 추출 모델을 설명한다.
도 5는 일 실시예에 따른 와핑 모델을 설명한다.
도 6은 일 실시예에 따른 와핑 연산을 설명한다.
도 7은 일 실시예에 따른 특징 추출 모델, 와핑 모델, 및 영상 복원 모델의 트레이닝을 설명한다.
도 8은 일 실시예에 따른 영상 복원 결과를 설명한다.
도 9는 일 실시예에 따른 영상 복원 장치의 구성을 도시한 블록도이다.
도 10은 일 실시예에 따른 컴퓨팅 장치를 도시한 블록도이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수 개의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 영상 복원의 개괄적인 과정을 설명한다.
일 실시예에 따른 영상 복원 장치는 장면에 대해 센싱된 정보를 기초로 영상을 복원할 수 있다. 영상 복원 장치는 예를 들어 이미징 장치(110)로 구현될 수 있으며, 이미징 장치(110)는 렌즈 어레이 및 이미지 센서를 포함할 수 있다. 이미징 장치(110)에 의하여 촬영 및 복원되는 이미지의 품질은 이미지 센서에 포함된 센싱 엘리먼트들의 수, 및 센싱 엘리먼트에 입사되는 광량에 의하여 결정될 수 있다. 센싱 엘리먼트는, 렌즈 어레이를 통과한 빛을 센싱할 수 있고, 예를 들어, CMOS(complementary metal oxide semiconductor), CCD(Charge-Coupled Device), 또는 포토 다이오드(photo diode) 등으로 구성되는 이미지 센싱 소자(image sensing element)일 수 있다.
이미지 센서는 복수의 센싱 엘리먼트들이 평면을 따라 배열되는 센싱 어레이(112)를 포함할 수 있다. 예를 들어, 이미지의 해상도는 센싱 어레이(112)에 포함된 센싱 엘리먼트들의 수에 의하여 결정되고, 이미지의 감도는 센싱 엘리먼트에 입사되는 광량에 의하여 결정될 수 있다. 센싱 엘리먼트에 입사되는 광량은 센싱 엘리먼트의 사이즈에 기초하여 결정될 수 있으며 사이즈가 클수록 입사되는 광량은 증가할 수 있고, 센싱 어레이(112)의 동적 범위(dynamic range)가 증가할 수 있다. 따라서, 센싱 어레이(112)에 포함된 센싱 엘리먼트들의 수가 증가함에 따라 이미징 장치(110)는 고해상도 이미지를 촬영할 수 있고, 센싱 엘리먼트의 사이즈가 증가함에 따라 이미징 장치(110)는 저조도에서 고감도 이미지 촬영에 유리하게 작동할 수 있다.
이미징 장치(110)의 부피는 렌즈 엘리먼트(111)의 초점 거리(focal length)에 의하여 결정될 수 있다. 보다 구체적으로, 이미징 장치(110)의 부피는 렌즈 엘리먼트(111)와 센싱 어레이(112) 사이의 간격에 의하여 결정되는데, 렌즈 엘리먼트(111)에 의하여 굴절된 빛을 수집하기 위하여 렌즈 엘리먼트(111)와 센싱 어레이(112)가 렌즈 엘리먼트(111)의 초점 거리만큼 이격되어 배치되어야 하기 때문이다. 렌즈 엘리먼트(111)의 초점 거리는 이미징 장치(110)의 시야각과 렌즈 엘리먼트(111)의 사이즈에 의하여 결정된다. 예를 들어, 시야각이 고정될 경우 렌즈 엘리먼트(111)의 사이즈에 비례하여 초점 거리가 길어지고, 일정한 시야각 범위의 이미지를 촬영하기 위해 센싱 어레이(112)의 사이즈가 증가함에 따라 렌즈 엘리먼트(111)의 사이즈가 증가되어야 한다. 전술한 바에 의하면, 시야각 및 이미지의 해상도를 유지하면서 이미지의 감도를 증가시키려면, 이미징 장치(110)의 부피가 증가된다. 예를 들어, 이미지의 해상도를 유지하면서 이미지의 감도를 증가시키려면, 센싱 어레이(112)에 포함된 센싱 엘리먼트들의 수를 유지하면서 각 센싱 엘리먼트의 사이즈를 증가시켜야 하므로 센싱 어레이(112)의 사이즈가 증가된다. 이 때, 시야각을 유지하려면, 센싱 어레이(112)의 사이즈가 증가함에 따라 렌즈 엘리먼트(111)의 사이즈가 증가하여 렌즈 엘리먼트(111)의 초점 거리가 길어지므로, 이미징 장치(110)의 부피가 증가된다.
일 실시예에 따른 이미징 장치(110)의 부피 감소를 위해, 렌즈 어레이는 복수의 시점들에 대응하는 복수의 렌즈 엘리먼트들을 포함할 수 있다. 렌즈 엘리먼트들은 렌즈 어레이의 평면을 따라 배치될 수 있다. 센싱 어레이(112)의 센싱 엘리먼트들은 렌즈 엘리먼트들 각각에 대응하는 센싱 영역으로 나누어질 수 있다. 렌즈 어레이의 평면은 센싱 어레이(112)의 평면과 평행하고, 렌즈 어레이에 포함된 렌즈 엘리먼트(111)의 초점 거리만큼 이격될 수 있다. 렌즈 어레이는 멀티 렌즈 어레이(MLA, multi lens array)라고 나타낼 수 있다. 렌즈 어레이에 포함된 렌즈 엘리먼트들 각각의 사이즈를 감소시킬수록, 다시 말해 렌즈 어레이 상에서 동일한 넓이에 포함되는 렌즈들의 수를 증가시킬수록, 렌즈 엘리먼트(111)의 초점 거리는 작아질 수 있고, 이미징 장치(110)의 두께는 감소할 수 있다. 따라서, 박형 카메라(thin camera)가 구현될 수 있다. 이 경우, 이미징 장치(110)는 각 렌즈 엘리먼트(111)에서 촬영된 저해상도 시점 영상들(120)을 재배열(rearrange) 및 조합하여 고해상도 출력 영상(190)을 복원할 수 있다.
렌즈 어레이의 개별 렌즈 엘리먼트(111)는 자신의 렌즈 크기(lens size)에 대응하는 센싱 어레이(112)의 일정 센싱 영역(113)을 커버할 수 있다. 센싱 어레이(112)에서 렌즈 엘리먼트(111)에 의해 커버되는 센싱 영역(113)은, 해당 렌즈 엘리먼트(111)의 렌즈 크기에 따라 결정될 수 있다. 센싱 영역(113)은, 일정한 시야각 범위의 광선들이 해당 렌즈 엘리먼트(111)를 통과한 후 도달하는 센싱 어레이(112) 상의 영역을 나타낼 수 있다. 센싱 영역(113)의 크기는 센싱 영역(113)의 중심으로부터 최외곽 지점까지의 거리 또는 대각 길이로 표현될 수 있고 렌즈 크기는 렌즈의 직경에 대응할 수 있다.
센싱 어레이(112)의 센싱 엘리먼트들 각각은 렌즈 어레이의 렌즈들을 통과한 광선에 기초하여 센싱 정보를 생성할 수 있다. 예를 들어, 센싱 엘리먼트는 렌즈 엘리먼트(111)를 통해 수신된 빛의 세기 값을 센싱 정보로서 센싱할 수 있다. 이미징 장치(110)는 센싱 어레이(112)에 의해 출력된 센싱 정보에 기초하여, 이미징 장치(110)의 시야에 포함된 지점들에 관한 원본 신호(original signal)에 대응하는 세기 정보를 결정하고, 결정된 세기 정보에 기초하여 촬영 영상을 복원할 수 있다.
센싱 정보의 다양성이 충분히 확보되어, 이미징 장치(110)의 시야에 포함된 지점들에 대응하는 원본 신호 정보와 센싱 정보 사이에 완전 랭크(full rank) 관계가 형성될 때, 센싱 어레이(112)의 최대 해상도에 대응하는 촬영 영상이 도출될 수 있다. 센싱 정보의 다양성은 렌즈 어레이에 포함된 렌즈들의 수 및 센싱 어레이(112)에 포함된 센싱 엘리먼트들의 수와 같은 이미징 장치(110)의 파라미터들에 기초하여 확보될 수 있다.
더 나아가, 개별 렌즈 엘리먼트(111)에 의해 커버되는 센싱 영역(113)은 비정수개(non-integer)의 센싱 엘리먼트들을 포함할 수 있다. 일 실시예에 따른 멀티 렌즈 어레이 구조는 분수 정렬 구조(fractional alignment structure)로 구현될 수 있다. 예를 들어, 렌즈 어레이에 포함된 렌즈 엘리먼트들이 동일한 렌즈 크기를 가지는 경우, 렌즈 어레이에 포함된 렌즈 엘리먼트들의 수와 센싱 어레이(112)에 포함된 센싱 엘리먼트들의 수는 서로 소(relatively prime) 관계일 수 있다. 렌즈 어레이의 렌즈 엘리먼트들의 개수 L 및 센싱 어레이(112)의 일축에 해당하는 센싱 엘리먼트들의 개수 P 간의 비율 P/L은 실수(real number)로 결정될 수 있다. 렌즈 엘리먼트들의 각각은 P/L에 대응하는 픽셀 오프셋과 동일한 개수의 센싱 엘리먼트들을 커버할 수 있다.
상술한 바와 같은 분수 정렬 구조를 통해, 이미징 장치(110)는, 각 렌즈 엘리먼트(111)의 광학 중심 축(OCA, optical center axis)이 센싱 어레이(112)에 대해 서로 조금씩(slightly) 다른 배치를 가질 수 있다. 다시 말해, 렌즈 엘리먼트(111)는 센싱 엘리먼트에 대해 엇갈려서(eccentric) 배치될 수 있다. 따라서, 렌즈 어레이의 각 렌즈 엘리먼트(111)는 서로 다른 라이트 필드 정보를 수신한다. 참고로, 라이트 필드(LF, light field)는 임의의 타겟 지점으로부터 방출될 수 있고, 피사체(subject) 상의 임의의 지점에서 반사된 광선들의 방향 및 세기를 나타내는 필드(field)를 나타낼 수 있다. 라이트 필드 정보는, 복수의 라이트 필드가 조합된 정보를 나타낼 수 있다. 각 렌즈 엘리먼트(111)의 주 광선(chief ray)의 방향(direction)도 달라지게 되므로, 각 센싱 영역(113)이 서로 다른 라이트 필드 정보를 수신하므로, 복수의 센싱 영역들에서 조금씩 다른 복수의 입력 정보가 획득될 수 있다. 조금씩 다른 복수의 입력 정보를 통해 이미징 장치(110)는 광학적으로 보다 많은 센싱 정보를 획득할 수 있다.
참고로, 도 1에서는 설명의 편의를 위하여 이미지 센서 중 센싱 어레이(112)만 도시되었으나, 이로 한정하는 것은 아니다. 이미지 센서는 집광 렌즈 및 컬러 필터(CF, color filter) 등을 더 포함할 수 있다. 컬러 필터는 임의의 센싱 엘리먼트에서 원하는 색상이 센싱 가능하게 해당 색상에 대응하는 파장의 광선을 통과시켜 대응하는 센싱 엘리먼트로 전달할 수 있다. 따라서 해당 센싱 엘리먼트는 특정 색상에 대응하는 색상 세기 값을 센싱 정보로서 생성할 수 있다. 컬러 필터는 베이어 패턴(Bayer pattern)으로 배치될 수 있으나, 이로 한정하는 것은 아니다. 집광 렌즈는 복수의 센싱 엘리먼트들의 각각에 대응하고, 각 센싱 엘리먼트 상에 배치되고 해당 센싱 엘리먼트를 향해 입사되는 광선을 집광할 수 있다. 집광 렌즈 어레이는 센싱 어레이 상의 평면을 따라 배치되는 집광 렌즈들을 포함할 수 있다.
일 실시예에 따르면 상술한 이미징 장치(110)는 복수의 센싱부들(sensing units)로 구분될 수 있다. 복수의 센싱부들 각각은 멀티 렌즈 어레이를 구성하는 렌즈 단위로 구별될 수 있다. 예를 들어, 각 센싱부는 렌즈 엘리먼트(111) 및 해당 렌즈 엘리먼트(111)에 의해 커버되는 센싱 영역(113)의 센싱 엘리먼트들을 포함할 수 있다. 이미징 장치(110)에서 각 렌즈 엘리먼트가 배치된 위치는 시점(viewpoint)에 대응할 수 있다. 시점은 피사체를 관측(observe) 및/또는 촬영하는 지점을 나타낼 수 있다. 앞서 설명한 바와 같이 렌즈 엘리먼트들은 센싱 어레이에 대해 분수 정렬 구조로 배치되므로, 시점 별로 획득 가능한 정보도 조금씩 다를 수 있다. 이미징 장치(110)는 임의의 시점에 배치된 렌즈 엘리먼트를 통해 수신된 빛에 기초하여 해당 시점에 대응하는 영상(이하, '시점 영상')을 촬영할 수 있다.
일 실시예에 따르면, 이미징 장치(110)는 서로 다른 위치에 배치된 렌즈들을 통해 복수의 시점 영상들을 촬영할 수 있다. 예를 들어, 이미징 장치(110)는 각 렌즈에 대응하는 센싱 영역(113)마다 획득된 센싱 정보로부터 개별 시점 영상을 생성할 수 있다. 다시 말해, 복수의 센싱부들 각각은 개별적으로 시점 영상을 획득할 수 있다. 상술한 바와 같이, 복수의 센싱부들은 서로 다른 라이트 필드 정보를 획득하므로, 각 센싱부에 의해 촬영된 시점 영상은 조금씩 다른 장면을 촬영할 수 있다. 이미징 장치(110)는 N개의 렌즈들을 포함할 수 있고, N개의 센싱부들로 구별될 수 있다. N개의 센싱부들이 개별적으로 시점 영상을 촬영하므로, 이미징 장치(110)는 N개의 시점 영상들(120)을 획득할 수 있다. 여기서, N은 2이상의 정수일 수 있다. 도 1에서 멀티 렌즈 어레이는 N=5Х5=25개의 렌즈들을 포함할 수 있고, 이미지 센서는 25개의 저해상도 시점 영상들(120)을 촬영할 수 있다. 다른 예로, 멀티 렌즈 영상은 N=6Х6=36개의 시점 영상들로 구성될 수도 있다. 참고로, 하나의 이미징 장치(110)에 복수의 센싱부들이 포함되는 예시를 설명하였으나, 센싱부를 이로 한정하는 것은 아니다. 센싱부는 독립적인 이미지 센싱 모듈(예를 들어, 카메라 센서)을 나타낼 수도 있고, 이 경우 각 센싱부는 다른 센싱부와 다른 위치에 배치될 수도 있다. 예시적으로 복수의 드론들에 개별적으로 센싱부가 탑재될 수 있고, 드론의 이동에 의해 센싱부들 간 위치 관계가 동적으로 변화할 수도 있다.
아래에서는 이미징 장치(110)가 상술한 바와 같이 획득된 다양한 센싱 정보로부터 복수의 저해상도 시점 영상들(120)을 생성하고, 복수의 저해상도 시점 영상들(120) 중 목표 영상(121)을 기준으로 고해상도 출력 영상(190)을 복원할 수 있다. 목표 영상(121)은 목표 시점의 목표 센싱부(예를 들어, 목표 시점에 대응하는 렌즈 엘리먼트(115) 및 대응하는 센싱 영역(116))에 의해 촬영될 수 있다.
참고로, 도 1에서는 목표 영상(121)이 복수의 시점 영상들(120) 중 중앙의 영상으로 결정되었으나, 이로 한정하는 것은 아니고, 중앙이 아닌 다른 시점 영상(122)이 목표 영상으로서 사용될 수도 있다. 또한, 이미징 장치(110)는 별개의 다른 추가 이미지 센서의 영상을 목표 영상으로 사용할 수도 있다. 추가 이미지 센서는 이미징 장치(110)와 구별되는 독립적인 센서로서, 이미징 장치(110)보다 고해상도 영상을 촬영 가능한 카메라 센서일 수 있다.
도 2는 일 실시예에 따른 영상 복원 방법을 설명하는 흐름도이다. 도 3은 일 실시예에 따른 와핑 모델 및 영상 복원 모델을 이용한 영상 복원을 설명한다.
우선, 단계(210)에서 영상 복원 장치는 복수의 시점들(viewpoints) 별 입력 영상 정보(310)를 포함하는 입력 데이터를 획득할 수 있다. 입력 데이터는 와핑 모델(320)에 입력되는 데이터로서 복수의 시점들의 입력 영상 정보(310)를 포함할 수 있다. 예를 들어, 입력 데이터는 복수의 시점들의 입력 영상 정보(310)가 결합된(concatenated) 데이터일 수 있다. 복수의 시점들 중 한 시점에 대응하는 입력 영상 정보(310)는 해당 시점에 대해 촬영된 시점 영상(311) 또는 해당 시점 영상(311)으로부터 추출된 해당 시점에 대한 특징 맵을 포함할 수 있다. 이 경우, 입력 데이터는 특징 맵들이 결합된 데이터일 수 있다. 시점 영상(311)은 개별 시점에서 광학계에 의해 결정되는 시야각을 가지고 촬영된 영상으로서, 해당 시점에 대응하는 렌즈를 통과한 광선들을 센싱한 센싱 엘리먼트들에서 센싱된 개별 센싱 값들의 집합에 대응하는 영상일 수 있다. 입력 특징 맵(312)은 장면(scene) 촬영을 위한 개별 렌즈를 통해 센싱된 시점 영상(311)(viewpoint image)으로부터 추출된 특징 데이터 및/또는 특징 벡터를 나타낼 수 있다. 다만, 입력 영상 정보(310)를 이로 한정하는 것은 아니고, 임의의 시점에 대응하는 입력 영상 정보(310)는 해당 시점에 대한 시점 영상(311) 자체를 포함할 수도 있다. 본 명세서에서는 입력 영상 정보(310)로서 주로 입력 특징 맵(312)인 예시를 설명하고, 입력 특징 맵(312)의 추출은 하기 도 4에서 설명한다.
그리고 단계(220)에서 영상 복원 장치는 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정할 수 있다. 복수의 시점들 중 한 시점에 대응하는 전역 변환 파라미터는 해당 시점의 시점 영상(311)을 목표 시점으로 전역 변환하기 위한 파라미터로서, 예를 들어, 회전 파라미터(rotation parameter), 이동 파라미터(translation parameter), 및 스케일 파라미터(scale parameter)를 포함할 수 있다. 한 시점의 회전 파라미터는 해당 시점의 센싱부 및 목표 시점의 센싱부 간의 회전 정도(예를 들어, 3개 축들을 기준으로 하는 회전들)를 나타낼 수 있다. 한 시점의 이동 파라미터는 해당 시점의 센싱부 및 목표 시점의 센싱부 간의 이동 정도(translation level)(예를 들어, 3개 축들의 각각을 따른 이동)를 나타낼 수 있다. 한 시점의 스케일 파라미터는 해당 시점의 센싱부 및 목표 시점의 센싱부 간의 스케일 차이 정도를 나타낼 수 있다. 전역 변환 파라미터의 추정은 하기 도 5에서 설명한다.
이어서 단계(230)에서 영상 복원 장치는 입력 데이터로부터 개별 시점의 시차 보정 정보(disparity correction information)를 추정할 수 있다. 시차 보정 정보는 후술하는 단계(240)에서 전역 변환된 영상 정보 및 목표 영상 정보 간의 시차 오차(disparity error)를 보정하기 위한 정보를 나타낼 수 있다. 시차 보정 정보의 추정은 하기 도 5에서 후술한다.
그리고 단계(240)에서 영상 복원 장치는 복수의 시점들 별 입력 영상 정보(310)를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써, 복수의 시점들 별 와핑 영상 정보(330)(warped image information)를 생성할 수 있다. 와핑 영상 정보(330)는 입력 영상으로부터 추출된 입력 특징 맵(312)이 목표 영상을 촬영한 목표 센싱부의 화소 좌표계로 변환된 와핑 특징 맵을 나타낼 수 있다. 다만, 이로 한정하는 것은 아니고, 입력 영상이 목표 영상의 화소 좌표계로 변환된 와핑 영상 자체일 수도 있다. 상술한 전역 변환 파라미터 및 시차 보정 정보를 이용한 와핑은 하기 도 6에서 설명한다.
이어서 단계(250)에서 영상 복원 장치는 복수의 시점들에 대하여 생성된 와핑 영상 정보(330)로부터 영상 복원 모델(340)을 이용하여 출력 영상(390)을 생성할 수 있다. 예를 들어, 영상 복원 장치는 생성된 와핑 영상 정보에 대해 화소 셔플(pixel shuffle)을 수행함으로써 단일 시점(single viewpoint)으로 재배열된 영상 정보(rearranged image information)을 생성할 수 있다. 화소 셔플은, 복수의 시점들의 특징 맵들 및/또는 시점 영상들에서 동일 및/또는 유사한 지점을 지시하는 화소들을 서로 인접하게 재배열하는 동작을 나타낼 수 있다. 화소 셔플에 의해 단일 시점으로 재배열된 영상 정보가 생성될 수 있다. 영상 복원 장치는 재배열된 영상 정보에 영상 복원 모델(340)을 적용함으로써 목표 해상도의 출력 영상(390)을 생성할 수 있다. 출력 영상(390)은 예를 들어, 목표 영상을 기준으로 시점 영상들의 화소들이 정합(registration)된 영상으로서, 출력 영상(390)의 목표 해상도는 각 시점 영상에 해당하는 해상도 이상일 수 있다. 출력 영상(390)은 복수의 시점 영상들이 단일 시점으로 통합된 영상(391)일 수 있다.
일 실시예에 따르면 영상 복원 모델(340)은 와핑 영상 정보(330)로부터 출력 영상(390)을 출력하도록 트레이닝된 모델일 수 있다. 여기서, 영상 복원 모델(340)에 입력되는 와핑 영상 정보(330)는 단일 시점의 영상 정보로 화소 셔플에 의해 재배열된 정보일 수 있다. 영상 복원 모델(340)은, 예를 들어, 기계 학습 구조로서, 뉴럴 네트워크일 수 있다. 뉴럴 네트워크는 딥 러닝에 기반하여 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 영상 정합(image registration)에 따른 영상 복원 등을 수행할 수 있다. 딥 러닝은 빅 데이터 세트로부터 영상 정합 문제를 해결하기 위한 기계 학습 기법으로 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 입력 데이터 및 출력 데이터를 서로 매핑할 수 있다. 뉴럴 네트워크는, 입력 레이어(341), 복수의 히든 레이어들(342), 및 출력 레이어(343)를 포함할 수 있다. 입력 레이어(341)를 통해 입력된 데이터는 복수의 히든 레이어(342)를 통해 전파되어, 출력 레이어(343)에서 출력될 수 있다. 다만, 입력 레이어(341) 및 출력 레이어(343) 대신, 히든 레이어(342)로 데이터가 직접 입력되거나, 히든 레이어(342)로부터 데이터가 직접 출력될 수도 있다. 예시적으로 영상 복원 모델(340)이 뉴럴 네트워크를 포함하는 예시를 설명하였으나, 이로 한정하는 것은 아니다. 후술하는 와핑 모델의 일부 및 특징 추출 모델도 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크는 예를 들어, 역전파(back propagation)를 통해 트레이닝될 수 있다. 영상 복원 모델(340)의 트레이닝은 하기 도 7에서 설명한다.
상술한 영상 복원 모델(340)은 컨볼루션 뉴럴 네트워크로 구현될 수 있다. 컨볼루션 뉴럴 네트워크는 컨볼루션 레이어를 포함하는 뉴럴 네트워크로서, 컨볼루션 뉴럴 네트워크의 히든 레이어(342)는 입력되는 데이터에 대해 컨볼루션 필터링을 적용하는 컨볼루션 레이어를 포함할 수 있다. 예를 들어, 컨볼루션 뉴럴 네트워크는 노드들이 커널을 통해 연결되는 컨볼루션 레이어를 포함할 수 있다. 컨볼루션 뉴럴 네트워크는 트레이닝 데이터에 기초하여, 복수의 와핑 영상 정보(330)로부터 고해상도의 출력 영상(390)을 출력하도록 미리 트레이닝된 네트워크일 수 있다. 영상 복원 장치는 컨볼루션 레이어에 입력되는 데이터에 대해 컨볼루션 필터링을 수행함으로써 특징 데이터를 추출할 수 있다. 특징 데이터는 영상의 특징이 추상화된 데이터로서, 예를 들어, 컨볼루션 레이어의 커널에 따른 컨볼루션 연산의 결과 값을 나타낼 수 있다. 영상 복원 장치는 영상에서 임의의 위치의 화소 및 주변 화소들에 대해 커널의 원소 값들을 이용하여 컨볼루션 연산을 수행할 수 있다. 영상 복원 장치는 커널을 영상의 화소들에 대해 스윕(sweep)하면서 화소들 각각에 대한 컨볼루션 연산 값을 산출할 수 있다. 본 명세서에서 영상 복원 모델(340)의 컨볼루션 레이어들은 U-넷(U-net) 구조로 연결될 수 있으나, 이로 한정하는 것은 아니다.
일 실시예에 따른 영상 복원 장치는 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑을 수행함으로써, 각 시점 영상의 특징 맵들을 재구성할 수 있다. 이 때, 영상 복원 장치는, 카메라 파라미터나 깊이 정보와 같은 미리 주어지는 정보 없이, 목표 시점으로 특징 맵들을 정렬(align)시킬 수 있다.
도 4는 일 실시예에 따른 입력 영상 정보 생성을 위한 특징 추출 모델을 설명한다.
일 실시예에 따르면 영상 복원 장치는 서로 다른 위치에 배치된 렌즈들을 통해 복수의 시점 영상(411)들을 촬영할 수 있다. 본 명세서에서 각 시점 영상(411)의 해상도는 HХW인 예시를 설명한다. H는 시점 영상(411)의 높이를 따라 배치된 화소의 개수, W는 시점 영상(411)의 너비를 따라 배치된 화소의 개수로서, 각각 1이상의 정수일 수 있다. 영상 복원 장치는 제1 시점 영상(411)(c1) 내지 제9 시점 영상(411)(c9)을 촬영할 수 있다. 각 시점 영상은 컬러 영상으로서 적색 채널 영상, 녹색 채널 영상, 및 청색 채널 영상의 3개 채널 영상들로서 3ХHХW의 차원으로 된 데이터 수 있다.
영상 복원 장치는 촬영된 복수의 시점 영상(411)들로부터 개별 시점에 대응하는 입력 영상 정보를 획득할 수 있다. 예를 들어, 영상 복원 장치는 특징 추출 모델(410)을 이용하여 복수의 시점 영상(411)들로부터 복수의 입력 특징 맵(412)들을, 복수의 입력 영상 정보로서, 추출할 수 있다.
특징 추출 모델(410)은 하나 이상의 컨볼루션 레이어를 포함할 수 있다. 또한, 특징 추출 모델(410)은 레지듀얼 블록의 형태로 연결된 컨볼루션 레이어를 포함할 수도 있다. 예를 들어, 도 4에서는 특징 추출 모델(410)이 시점 별로 1개의 컨볼루션 레이어 및 M개의 레지듀얼 블록들을 포함할 수 있다. M은 2이상의 정수일 수 있다. 레지듀얼 블록은 하나 이상의 컨볼루션 레이어들을 포함하고, 레지듀얼 블록에 입력된 데이터로부터 컨볼루션 레이어들을 통해 특징 데이터를 추출하고, 추출된 특징 데이터 및 해당 레지듀얼 블록에 입력된 데이터를 합산한 결과를 출력할 수 있다. 제j 레지듀얼 블록의 출력은 제j+1 레지듀얼 블록에 입력될 수 있다. j는 1이상 M-1이하의 정수일 수 있다. 영상 복원 장치는 개별 시점 영상(411)에 하나 이상의 레지듀얼 블록에 의한 컨볼루션 필터링을 적용한 결과 값으로서 입력 특징 맵(412)을 추출할 수 있다. 도 4에서는 특징 추출 모델(410)이 시점 별로 독립적으로 구별되는 레지듀얼 블록을 포함하므로 총 VХM개의 레지듀얼 블록들이 도시되었다. 여기서, V는 시점 개수로서 V는 2이상의 정수이며, 도 4에서는 V=9인 예시가 도시되었다. 다만, 이로 한정하는 것은 아니고, 영상 복원 장치가 특징 추출 모델(410)의 M개의 레지듀얼 블록들을 각 시점에 대해 순차적으로 적용할 수도 있다.
복수의 시점들 중 한 시점의 입력 특징 맵(412)은 해당 시점의 시점 영상(411)으로부터 특징 추출 모델(410)에 기초하여 추출된 특징 데이터 및/또는 특징 벡터를 나타낼 수 있다. 영상 복원 장치는 복수의 시점들 각각에 대하여 입력 특징 맵(412)을 생성하고, 생성된 입력 특징 맵들을 결합(concatenate)함으로써 입력 데이터를 생성할 수 있다. 참고로, 도 4에 도시된 특징 추출 모델(410)의 컨볼루션 레이어 및 레지듀얼 블록에 의해 개별 시점의 시점 영상(411)으로부터 추출된 특징 맵은 D배로 증강될 수 있다. D는 1이상의 정수일 수 있다. 예를 들어, 각 입력 특징 맵(412)은 HХWХD의 차원을 가질 수 있다. 입력 데이터의 차원은 HХWХDХV일 수 있다. 이하, D=64인 예시를 설명한다.
도 5는 일 실시예에 따른 와핑 모델을 설명한다.
일 실시예에 따르면 와핑 모델은 전역 변환 파라미터 추정기(530)(global transformation parameter estimator), 시차 추정기(520)(disparity estimator), 및 와핑 연산(540)을 포함할 수 있다. 와핑 모델은 복수의 컨볼루션 연산들 및 복수의 풀링 연산들을 포함할 수 있다.
영상 복원 장치는 입력 데이터(510)로부터 추출된 특징 데이터(예를 들어, 입력 데이터(510)로부터 풀링된 풀링 데이터)를 생성할 수 있다. 예를 들어, 영상 복원 장치는 입력 데이터(510)에 대해 컨볼루션 필터링(511)을 적용할 수 있다. VХHХWХ64 차원의 입력 데이터(510)로부터 HХWХ128 차원의 특징 데이터가 추출될 수 있다. 영상 복원 장치는 다운샘플링을 위한 풀링 레이어(512) 및 컨볼루션 레이어(513)를 특징 데이터에 적용할 수 있다. 특징 데이터의 차원이 H/2 Х W/2 Х128로 감소될 수 있다. 영상 복원 장치는 다시 다운샘플링을 위한 풀링 레이어(514)를 적용함으로써, H/4 Х W/4 Х 128 차원의 풀링 데이터를 생성할 수 있다. 도 5에 도시된 예시에서 풀링 레이어가 데이터의 높이 및 너비를 절반씩 감소시키는 것을 설명하였으나, 이로 한정하는 것은 아니다.
영상 복원 장치는 전역 변환 파라미터 추정기(530)를 통해 전역 변환 파라미터를 추정할 수 있다. 일 실시예에 따르면 영상 복원 장치는 전역 풀링 연산(global pooling operation)(531)을 통해 입력 데이터(510)에서 공간 차원 성분(spatial dimension component)이 제거된 정보를 획득할 수 있다. 전역 풀링 연산(531)은 전역 평균 풀링(global average pooling)일 수 있다. 전역 평균 풀링 연산의 결과로서 1Х128 차원의 공간 차원 성분이 제거된 정보가 획득될 수 있다. 영상 복원 장치는 공간 차원 성분이 제거된 정보로부터 전역 변환 파라미터를 산출할 수 있다. 예를 들어, 영상 복원 장치는 공간 차원 성분이 제거된 정보에 대해 하나 이상의 완전 연결 레이어(FC layer, Fully Connected layer)(532)에 따른 연산을 적용할 수 있다. 완전 연결 레이어(532)의 개수는 복수일 수 있다. 전역 변환 파라미터는 1ХVХparam 차원의 값일 수 있다. param은 시점 별 전역 변환 파라미터의 차원으로서, 각 시점에 대해 산출되는 3개 축에 대한 회전 파라미터, 3개 축에 대한 이동 파라미터, 및 스케일 파라미터의 총 7개 파라미터가 요구되므로, param=7일 수 있다. 도 5에 도시된 예시에서 V=9이므로, 전역 변환 파라미터의 차원은 1Х63일 수 있다. 다만, 이로 한정하는 것은 아니고, 전역 변환 알고리즘에 따라 요구되는 파라미터의 개수 param은 달라질 수도 있다. 예를 들어, 전역 변환을 위해 다른 모델로서 2차원 어파인 변환 모델(2D affine transformation model)이 이용되는 경우, 6개의 파라미터가 요구될 수 있다.
영상 복원 장치는 입력 데이터(510)로부터 풀링된 풀링 데이터에 대해 하나 이상의 컨볼루션 필터링을 수행함으로써 복수의 시점들의 각각에 대하여 화소 별로 시차 보정 정보를 추정할 수 있다. 예를 들어, 영상 복원 장치는 입력 데이터(510)로부터 다운샘플링된 풀링 데이터에 대해 하나 이상의 컨볼루션 필터링(521, 522)을 수행할 수 있다. 여기서 컨볼루션 필터링의 수행 결과는 도 5에 도시된 예시에서 H/4 Х W/4 Х128 차원의 특징 데이터일 수 있다. 영상 복원 장치는 컨볼루션 필터링의 수행 결과를 업샘플링(523)하면서 입력 데이터(510)와 동일한 해상도로 화소 별 시차 보정 정보를 산출할 수 있다. 예를 들어, 시차 보정 정보의 차원은 HХWХ(2ХV)일 수 있다. 도 5에 도시된 예시에서 V=9이므로, 시차 보정 정보의 차원은 HХWХ18일 수 있다. HХV개의 화소들 별로 가로축(예를 들어, x축)을 따른 시차 및 세로축(예를 들어, y축)을 따른 시차의 총 2개 시차 값이 V개의 시점들 별로 산출될 수 있다.
다만, 와핑 모델의 각 레이어 구성을 도 5에 도시된 바로 한정하는 것은 아니고, 레이어의 개수 및 차원 등은 설계에 따라 변경될 수 있다.
영상 복원 장치는 상술한 바와 같이 산출된 전역 변환 파라미터 및 시차 보정 정보를 이용하여 입력 데이터(510)의 입력 특징 맵들에 와핑 연산(540)을 적용함으로써 와핑 영상 정보(550)를 생성할 수 있다. 와핑 연산(540)은 하기 도 6에서 설명한다.
도 6은 일 실시예에 따른 와핑 연산을 설명한다.
일 실시예에 따르면 영상 복원 장치는 복수의 시점들 별 입력 영상 정보를 목표 시점에 대응하는 목표 영상 정보의 화소 좌표계로 전역 변환 파라미터를 이용하여 변환(transform)함으로써 변환된 영상 정보를 생성할 수 있다. 영상 복원 장치는 복수의 시점들 별 변환된 영상 정보의 목표 영상 정보에 대한 시차를, 시차 보정 정보를 이용하여, 보정할 수 있다. 도 6은 전역 변환 및 시차 보정을 설명한다.
영상 복원 장치는 기준 시차에 대응하는 단일 깊이를 이용하여 입력 영상 정보의 모든 화소들을 목표 영상에 대응하는 화소 좌표계로 백워드 와핑(backward warping)할 수 있다. 예를 들어, 영상 복원 장치는 전역 변환 파라미터에 포함된 회전 파라미터(rotation parameter), 이동 파라미터(translation parameter), 및 스케일 파라미터(scale parameter)를 이용하여 목표 영상 정보의 화소 좌표계에 따른 위치(position)에 대응하는 입력 영상 정보 내 좌표를 산출할 수 있다. 영상 복원 장치는 변환된 영상 정보에서 위치의 화소 값을 입력 영상 정보에서 산출된 좌표의 화소 값으로 결정할 수 있다. 아래에서는 전역 변환을 상세히 설명한다.
참고로, 시차는 임의의 두 영상들에서 동일한 타겟 지점에 대한 위치 차이로서, 예를 들어, 화소 좌표의 차이를 나타낼 수 있다. 일 실시예에 따르면 각 입력 영상에 대해 목표 영상과의 시차가 기준 시차로 설정될 수 있다. 기준 시차는 임의의 값일 수 있다. 기준 시차에 따라 이미지 센서로부터 타겟 지점까지의 가상의 거리(예를 들어, 깊이 값)가 결정될 수 있다.
예를 들어, 도 6은 N개의 시점 영상들 중 i번째 시점 영상 정보가 목표 시점 영상 정보에 대응하는 화소 좌표계로 와핑된 와핑 영상 정보를 설명한다. 앞서 설명한 바와 같이 영상 복원 장치는 시점 영상으로부터 추출된 특징 맵을 와핑함으로써 와핑 영상 정보로부터 와핑 특징 맵(warped feature map)을 생성할 수 있다. i번째 시점 영상 정보는 i번째 센싱부(612)에 의한 i번째 시점 영상으로부터 추출된 i번째 특징 맵, 목표 시점 영상 정보는 목표 센싱부(611)에 의한 목표 시점 영상으로부터 추출된 목표 특징 맵을 나타낼 수 있다.
참고로, 본 명세서에서 월드 좌표계는 3차원 좌표계로서 월드 상의 임의의 지점을 기준으로 하는 좌표계를 나타낼 수 있다. 카메라 좌표계는 카메라를 기준으로 하는 3차원 좌표계로서, 예를 들어, 센싱부의 주점(principal point)을 원점으로 하고, 센싱부의 광학축 방향을 z축, 센싱부의 세로 방향을 y축, 센싱부의 가로 방향을 x축이라고 나타낼 수 있다. 화소 좌표계는 영상 좌표계(image coordinate system)라고도 나타낼 수 있으며, 영상 내에서 화소의 2차원 좌표를 나타낼 수 있다.
예를 들어, 이미지 센서로부터 이격된 임의의 타겟 지점의 월드 좌표를 (X, Y, Z)로 가정할 수 있다. 타겟 지점이 N개의 센싱부들 중 i번째 센싱부(611) Ci에 의해 센싱된 화소 좌표는 (u', v')로 가정할 수 있다. 목표 센싱부(612) CT에 의해 센싱된 화소 좌표는 (u', v')로 가정할 수 있다. 다만, 각 센싱부에서 센싱되는 화소 값만으로는 타겟 지점까지의 거리를 정확히 결정하기 어려울 수 있다. 일 실시예에 따른 영상 복원 장치는 목표 영상 정보를 기준으로 입력 영상 정보가 기준 시차를 가지는 것으로 가정하고, 가정된 시차에 대응하는 거리 값을 이용하여 입력 영상 정보를 목표 영상 정보의 화소 좌표계로 와핑시킬 수 있다. 본 명세서에서는 백워드 와핑을 설명한다.
우선, 영상 복원 장치는 목표 영상 정보의 개별 화소에 대한 화소 좌표 (uT, vT)를 아래 수학식 1과 같이 정규화(normalize)함으로써 i번째 입력 영상 정보의 정규화된 좌표 (xT,yT) 를 산출할 수 있다.
[수학식 1]
Figure pat00001
상술한 수학식 1에서
Figure pat00002
는 각각 목표 센싱부(611) CT에서 x축과 y축에 대한 목표 센싱부(611) CT의 주점(principal point),
Figure pat00003
는 각각 목표 센싱부(611) CT에서 x축과 y축에 대한 초점 거리를 나타낼 수 있다. 영상 복원 장치는 상술한 수학식 1과 같이, 목표 센싱부(611) CT의 개별 화소를 목표 센싱부(611) CT의 주점을 원점(original point)으로 하고 초점 거리로 나눔으로써 정규화할 수 있다. 여기서, 각 센싱부의 주점과 초점 거리 정보가 미지수(unknown)인 경우, 주점은 영상의 중심 위치, 초점 거리는 임의의 값이 사용될 수 있다.
그리고 영상 복원 장치는 정규화된 좌표 (xT,yT)에 대해 기준 시차 대응하는 단일 깊이(depth) z를 이용하여 목표 센싱부(611) CT에 대한 3차원 카메라 좌표 (XT, YT, ZT)를 하기 수학식 2과 같이 계산할 수 있다.
[수학식 2]
Figure pat00004
상술한 수학식 2와 같이, 영상 복원 장치는 정규화된 좌표 (xT,yT) 각각에 깊이(depth) z를 곱함으로써 XT,YT를 획득할 수 있다. 따라서, 영상 복원 장치는 목표 센싱부(611) CT의 광학 축을 기준으로 하는 3차원 카메라 좌표를 산출할 수 있다.
영상 복원 장치는 상술한 수학식 2에 따라 시차를 이용하여 변환된 목표 영상 정보의 3차원 카메라 좌표를 i번째 센싱부(612) Ci에 대한 3차원 카메라 좌표 (Xi, Yi, Zi)로 하기 수학식 3과 같이 변환할 수 있다.
[수학식 3]
Figure pat00005
상술한 수학식 3에서, Ri는 월드 좌표계에서 목표 센싱부(611) CT 및 i번째 센싱부(612) Ci간의 회전 정보, Ti는 월드 좌표계에서 목표 센싱부(611) CT 및 i번째 센싱부(612) Ci간의 평행 이동(translation) 정보를 나타낼 수 있다. 회전 정보는 회전 파라미터, 평행 이동 정보는 이동 파라미터라고도 나타낼 수 있다. 상술한 수학식 3과 같이 영상 복원 장치는 3차원 카메라 좌표 (XT, YT, ZT)를 회전 파라미터 Ri 및 이동 파라미터 Ti를 이용하여 변환함으로써 목표 센싱부의 각 픽셀에 대응하는 i번째 센싱부에서의 3차원 카메라 좌표 (Xi, Yi, Zi)를 산출할 수 있다.
참고로, 회전 파라미터 Ri는 목표 센싱부(611) CT 및 i번째 센싱부(612) Ci간의 회전 행렬(rotation matrix)이고, Ti는 월드 좌표계에서 목표 센싱부(611) CT 및 i번째 센싱부(612) Ci간의 이동 행렬(translation matrix)을 나타낼 수 있다. 이동 파라미터 Ti
Figure pat00006
로 3개의 파라미터로 구성될 수 있다. 회전 파라미터 Ri는 3개의 파라미터
Figure pat00007
로부터 결정될 수 있다. 아래 수학식 4는 3개의 파라미터
Figure pat00008
로부터 회전 파라미터 Ri의 산출을 설명한다.
[수학식 4]
Figure pat00009
상술한 수학식 4에서 α는 z축을 기준으로 하는 요우잉 회전 각도, β는 y축을 기준으로 하는 피치 회전 각도, γ는 x축을 기준으로 하는 롤링 회전 각도를 나타낼 수 있다.
그리고 영상 복원 장치는 목표 영상 정보의 각 화소 좌표로부터 산출된 i번째 센싱부(612) Ci를 기준으로 하는 3차원 카메라 좌표 3차원 카메라 좌표 (Xi, Yi, Zi)를 아래 수학식 5와 같이 정규화할 수 있다.
[수학식 5]
Figure pat00010
상술한 수학식 5와 같이, 영상 복원 장치는 i번째 센싱부(612) Ci를 기준으로 하는 3차원 카메라 좌표 중 Xi, Yi를 깊이 Zi로 나눔으로써 i번째 센싱부(612) Ci에 대해 정규화된 좌표 (xi, yi)를 획득할 수 있다. 여기서, 영상 복원 장치는 센싱부들 간의 초점 거리가 다른 경우를 고려하여, 정규화된 좌표 (xi, yi)에 스케일 파라미터를 하기 수학식 6과 같이 곱할 수 있다.
[수학식 6]
Figure pat00011
마지막으로 영상 복원 장치는 i번째 센싱부(612) Ci에 대해 정규화된 좌표(xi,yi)로부터 i번째 영상 정보에 대응하는 화소 좌표계의 화소 좌표 (u', v')를 아래 수학식 7와 같이 산출할 수 있다.
[수학식 7]
Figure pat00012
상술한 수학식 7에서
Figure pat00013
,
Figure pat00014
에서 는 각각 x축과 y축에 대한 i번째 센싱부(612) Ci의 주점(principal point),
Figure pat00015
,
Figure pat00016
는 각각 i번?? 센싱부(612) Ci에서 x축과 y축에 대한 초점 거리를 나타낼 수 있다.
상술한 수학식 1 내지 수학식 7을 통해, 영상 복원 장치는 목표 센싱부의 화소 좌표 (u,v)를 i번째 센싱부(411) Ci의 화소 좌표 (u',v')으로 변환할 수 있다. 영상 복원 장치는 와핑 영상 정보(613) Bi의 화소 좌표 (u,v)의 화소 값을 i번째 영상 정보에서 화소 좌표 (u',v')의 화소 값으로 결정할 수 있다. 목표 센싱부의 화소 좌표 (u,v)로부터 변환된 좌표가 i번째 영상 정보에 존재하지 않으면 영상 복원 장치는 패딩(예를 들어, 제로 패딩)을 수행할 수 있다. 상술한 수학식 1 내지 수학식 7에 따른 일련의 좌표 변환 및 변환된 좌표에서의 화소 값으로 와핑 영상 정보의 값을 결정하는 연산을 백워드 와핑이라고 나타낼 수 있다. 설명의 편의를 위하여 백워드 와핑을 시계열적으로 서술하였으나, 이로 한정하는 것은 아니고, 상술한 수학식 1 내지 수학식 7에 따른 연산들이 결합된 연산(예를 들어, 단일화된 행렬 연산 등)이 사용될 수도 있다.
상술한 과정에서 전역 변환은 단일 깊이를 이용하여 수행되었으나, 입력 영상 정보의 각 화소의 깊이가 다를 수 있다. 영상 복원 장치는 전역 변환(예를 들어, 전역 와핑)에 더하여 추가적으로 시차 보정을 수행할 수 있다. 예를 들어, 영상 복원 장치는 하기 수학식 8과 같이 x축 및 y축에 대하여 개별 화소에서의 시차를 보정할 수 있다.
[수학식 8]
Figure pat00017
상술한 수학식 8에서
Figure pat00018
는 현재 좌표 (xT,yT)로부터 i번째 센싱부로의 시차 값을 나타낼 수 있다. 수학식 8을 포함한 전체 와핑 연산은 하기 수학식 9와 같이 나타낼 수 있다.
[수학식 9]
Figure pat00019
상술한 수학식 9에서
Figure pat00020
는 수학식 1 내지 수학식 7의 일련의 과정을 나타낼 수 있다.
도 7은 일 실시예에 따른 특징 추출 모델, 와핑 모델, 및 영상 복원 모델의 트레이닝을 설명한다.
일 실시예에 따른 특징 추출 모델(710), 와핑 모델(720), 및 영상 복원 모델(740)은 기계 학습 모델이고, 예시적으로 뉴럴 네트워크를 포함할 수 있다. 예를 들어, 특징 추출 모델(710)은 도 4에 도시된 구조의 뉴럴 네트워크, 와핑 모델(720)은 도 5에 도시된 뉴럴 네트워크, 영상 복원 모델(740)은 U넷 구조의 뉴럴 네트워크를 포함할 수 있다. 트레이닝이 완료되기 전의 특징 추출 모델(710), 와핑 모델(720), 및 영상 복원 모델(740)은 각각 임시 특징 추출 모델(710), 임시 와핑 모델(720), 및 임시 영상 복원 모델(740)이라고 나타낼 수 있다.
트레이닝 장치는 트레이닝 데이터에 기초하여 임시 특징 추출 모델(710), 임시 와핑 모델(720), 및 임시 영상 복원 모델(740)을 트레이닝시킬 수 있다. 트레이닝 데이터는 트레이닝 입력 및 트레이닝 출력의 쌍으로 구성될 수 있고, 트레이닝 입력은 복수의 시점들에서 촬영된 저해상도 시점 영상들이며, 트레이닝 출력은 당해 트레이닝 입력에 대응하는 단일 시점의 고해상도 영상일 수 있다. 트레이닝 장치는 트레이닝 입력으로부터 트레이닝 출력이 출력되도록, 임시 특징 추출 모델(710), 임시 와핑 모델(720), 및 임시 영상 복원 모델(740)을 트레이닝시킬 수 있다. 예를 들어, 트레이닝 장치는 트레이닝 입력을 임시 특징 추출 모델(710), 임시 와핑 모델(720), 및 임시 영상 복원 모델(740)로 전파시키면서 하나 이상의 손실을 산출하고, 손실에 기초하여 모델들의 파라미터(예를 들어, 연결 가중치)를 업데이트할 수 있다. 트레이닝 장치는 손실이 감소되도록 모델들의 연결 가중치를 업데이트할 수 있다. 트레이닝 장치는 손실이 임계 손실 이하가 될 때까지 트레이닝을 반복할 수 있다. 트레이닝 장치는 산출되는 손실이 임계 손실 이하가 되면 트레이닝을 완료할 수 있다.
예를 들어, 트레이닝 장치는 트레이닝 입력으로서 트레이닝 시점 영상들(701)에 특징 추출 모델(710)을 적용할 수 있다. 트레이닝 장치는 특징 추출 모델(710)을 이용하여 트레이닝 시점 영상들(701)로부터 추출된 임시 특징 맵들을 와핑 모델(720)로 전파할 수 있다. 여기서, 멀티 카메라나 멀티 렌즈 카메라에 의해 촬영되는 각 시점 영상의 위치 관계는 일반적으로 고정될 수 있다. 따라서, 각 시점에 대한 전역 변환은 입력 영상에 불변하게(invariant) 동일하게 수행될 필요가 있다. 트레이닝 동안 각 시점에 대한 전역 변환 파라미터가 각 배치(batch) 별로 동일 또는 유사한 값을 가지기 위한 제한(constraint)으로서, 하기 수학식 10에 따른 손실이 정의될 수 있다.
[수학식 10]
Figure pat00021
상술한 수학식 10은 기하 일관성 손실(geometric consistency loss)
Figure pat00022
(791)을 정의할 수 있다. B는 트레이닝 동안 이용되는 배치의 크기를 나타낼 수 있다. v는 시점을 지시하는 인덱스로서, 1이상 N이하의 정수일 수 있다. N은 총 시점 개수를 나타낼 수 있다.
Figure pat00023
는 v번째 시점 영상에 해당하는 b번째 배치의 전역 변환 파라미터를 나타낼 수 있다. b는 배치를 지시하는 인덱스로서, 1이상 B이하일 수 있다.
Figure pat00024
는 v번째 시점 영상의 각 배치에 대한 평균 전역 변환 파라미터를 나타낼 수 있다. 따라서,
Figure pat00025
(791)는 배치의 전역 변환 파라미터의 분산(variance)으로서, 트레이닝 장치는
Figure pat00026
(791)를 최소화함으로써 각 배치 별로 일관된 전역 변환 파라미터가 출력되도록 와핑 모델(720)의 파라미터를 업데이트할 수 있다.
트레이닝 장치는 임시 특징 맵들로부터 와핑 모델(720)을 이용하여 임시 와핑 특징 맵들(702)을 산출할 수 있다. 트레이닝 장치는 컨볼루션 레이어를 이용하여, 임시 와핑 특징 맵들(702)을 저해상도 와핑 영상들(예를 들어, 컬러 영상으로서 RGB 영상)(703)으로 변환할 수 있다. 트레이닝 장치는 저해상도 컬러 영상들 및 저해상도로 다운샘플링된 트레이닝 출력 영상을 이용하여 아래 수학식 11과 같은 손실
Figure pat00027
(792)을 산출할 수 있다.
[수학식 11]
Figure pat00028
상술한 수학식 11에서
Figure pat00029
은 v번째 시점으로부터 목표 시점으로 정렬된 임시 저해상도 와핑 영상을 나타낼 수 있다.
Figure pat00030
은 참값인 트레이닝 출력 영상이 저해상도로 다운샘플링된 영상을 나타낼 수 있다.
Figure pat00031
는 L2 노름(norm)을 나타낼 수 있다. N은 총 시점 개수를 나타낼 수 있다. 상술한 수학식 11에 따른 손실을 이용한 트레이닝을 통해 각 시점 영상들이 목표 시점으로 정렬되도록 모델들의 파라미터가 업데이트될 수 있다.
트레이닝 장치는 임시 와핑 특징 맵들(702)로부터 목표 해상도를 갖는 임시 출력 영상(704)을 생성할 수 있다. 예를 들어, 트레이닝 장치는 임시 와핑 특징 맵들(702)에 대해 화소 셔플(730)을 수행함으로써 목표 해상도로 변환하고, U넷 구조의 임시 영상 복원 모델(740)을 이용하여 임시 출력 영상(704)을 생성할 수 있다. 트레이닝 장치는 아래 수학식 12에 따라 복원된 임시 출력 영상(704) 및 참값 영상 간의 손실 lHR(793)을 산출할 수 있다.
[수학식 12]
Figure pat00032
상술한 수학식 12에서 IHR은 참값으로 주어지는 트레이닝 출력 영상, ISR은 목표 해상도로 복원된 임시 출력 영상(704)을 나타낼 수 있다. 수학식 12는 트레이닝 출력 영상 및 임시 출력 영상(704) 간의 L2 손실을 나타낼 수 있다.
상술한 수학식 10 내지 수학식 12에 따른 손실들을 이용한 전체 영상 복원 네트워크의 전체 손실은 하기 수학식 13과 같이 나타낼 수 있다.
[수학식 13]
Figure pat00033
상술한 수학식 13에서
Figure pat00034
Figure pat00035
는 각각 수학식 11의
Figure pat00036
손실(792)과 기하 일관성 손실
Figure pat00037
(791)에 대한 가중치를 나타낼 수 있다. 트레이닝 장치는 상술한 수학식 13에 따라 산출되는 손실이 감소되도록, 특징 추출 모델(710), 와핑 모델(720), 및 영상 복원 모델(740)의 파라미터를 업데이트할 수 있다. 예를 들어, 트레이닝 장치는 각 모델의 파라미터 업데이트를 통해 전체 손실을 최소화할 수 있다. 다른 예를 들어, 트레이닝 장치는 각 모델의 파라미터 업데이트를 통해 전체 손실을 임계 손실 값 이하가 될 때까지 트레이닝을 반복하고, 전체 손실이 임계 손실 값 이하가 되면 트레이닝을 완료할 수 있다. 여기서, 상술한 수학식 10 및 수학식 11에 따른 손실에 의해, 트레이닝 장치는 카메라 파라미터 및 깊이 값의 참값 없이도 시점 영상들을 정렬시킬 수 있게 각 모델을 트레이닝시킬 수 있다.
참고로, 트레이닝이 완료되면, 도 7에 도시된 임시 와핑 특징 맵들(702)로부터 저해상도 와핑 영상들(703)로의 변환을 위한 컨볼루션 레이어는 제거될 수 있다.
도 8은 일 실시예에 따른 영상 복원 결과를 설명한다.
입력 영상들(810)(예를 들어, 시점 영상들)에서는 센싱부들 간 시점 차이로 인해 비정렬(misalignment)이 발생할 수 있다. 예를 들어, 목표 센싱부 CT에 의해 촬영된 영상 내 체스보드 패턴의 임의의 지점(815)은 사각 칸(rectangular space)의 모퉁이(corner)일 수 있다. 제1 센싱부 C1 및 제9 센싱부 C9에서 촬영된 영상에서 같은 화소 좌표의 지점들(811, 819)은 도 8에 도시된 바와 같이 체스보드 패턴에서 전혀 다른 지점일 수 있다.
전역 변환된 영상들(820)에서는 상술한 입력 영상들(810)보다는 목표 센싱부 CT에 의해 촬영된 영상 내 지점(825)과 제1 센싱부 C1 및 제9 센싱부 C9에서 촬영된 영상에서 같은 화소 좌표의 지점들(821, 829) 간의 차이가 감소할 수 있다.
전역 변환에 더하여 시차 보정이 적용된 영상들(830)에서는 목표 센싱부 CT에 의해 촬영된 영상 내 지점(835)과 제1 센싱부 C1 및 제9 센싱부 C9에서 촬영된 영상에서 같은 화소 좌표의 지점들(831, 839)이 일치할 수 있다. 설명의 편의를 위하여, 도 8에서는 영상으로 표시하였으나, 도 1 내지 도 7에서는 특징 맵의 지점들이 시점 별로 매칭될 수 있다.
예를 들어, 시차 보정 없이 전역 변환만 적용된 경우의 영상 복원 결과에서 PSNR(Peak Signal-to-noise ratio)=37.88dB, SSIM(structural similarity)=0.9721을 나타내고, 전역 변환 없이 시차 보정만 적용된 경우의 영상 복원 결과에서 PSNR=39.50dB, SSIM=0.9794를 나타낼 수 있다. 기하 일관성 손실 없이 트레이닝된 모델들을 이용하여 전역 변환 및 시차 보정이 둘 다 적용된 영상 복원에서는 PSNR =39.37dB, SSIM=0.9790을 나타낼 수 있다. 기하 일관성 손실을 포함하여 트레이닝된 모델들을 이용하여 전역 변환 및 시차 보정이 둘 다 적용된 영상 복원에서는 PSNR =39.67dB, SSIM=0.9803을 나타낼 수 있다. RCAN(residual channel attention networks)에서는 PSNR=37.34dB, SSIM=0.9731, EDVR(Video Restoration with Enhanced Deformable Convolutional Networks)에서는 PSNR=36.66dB, SSIM=0.9668을 나타낸 것과 대비하면, 일 실시예에 따른 영상 복원 방법은 보다 선명하게 고해상도 영상을 복원할 수 있다.
도 9는 일 실시예에 따른 영상 복원 장치의 구성을 도시한 블록도이다.
일 실시예에 따른 영상 복원 장치(900)는 이미지 센서(910), 프로세서(920), 및 메모리(930)를 포함할 수 있다. 다만, 영상 복원 장치(900)를 이로 한정하는 것은 아니고, 이미지 센서에 통합되어 구현되거나, 렌즈 어레이 및 이미지 센서를 포함하는 이미징 장치로 구현될 수도 있다.
이미지 센서(910)는 복수의 입력 영상 정보를 획득할 수 있다. 일 실시예에 따르면 이미지 센서(910)는 서로 다른 위치에 배치된 렌즈들을 통해 촬영된 복수의 시점 영상들을 복수의 입력 영상 정보로서 획득할 수 있다. 예를 들어, 이미지 센서(910)는 복수의 입력 영상 정보 각각을 획득하는 센싱부를 포함할 수 있다. N개의 입력 영상 정보를 획득하기 위해, 이미지 센서(910)는 N개의 센싱부를 포함할 수 있다. 예를 들어, 멀티 렌즈 어레이를 포함하는 이미지 센서(910)가 복수의 시점들에 대응하는 복수의 시점 영상들을 포함하는 멀티 렌즈 영상을 촬영할 수 있다. 프로세서(920)는 멀티 렌즈 영상으로부터 입력 데이터를 생성할 수 있다. 다만, 단일 이미지 센서(910) 내에 N개의 센싱부가 포함되는 것으로 한정하는 것은 아니고, N개의 이미지 센서들 각각이 센싱부를 포함할 수도 있다. 이 때, 복수의 이미지 센서들 각각이 시점 영상을 촬영하고, 프로세서(920)가 촬영된 시점 영상으로부터 입력 데이터를 생성할 수 있다. 복수의 이미지 센서들은 단일 장치 내에 구현될 수도 있으나, 이로 한정하는 것은 아니고, 서로 독립적으로 이동하는 장치(예를 들어, 복수의 드론들)에 각각 탑재될 수도 있다.
프로세서(920)는 복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득할 수 있다. 프로세서(920)는 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정할 수 있다. 프로세서(920)는 입력 데이터로부터 개별 시점의 시차 보정 정보를 추정할 수 있다. 프로세서(920)는 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써 복수의 시점들 별 와핑 영상 정보를 생성할 수 있다. 프로세서(920)는 복수의 시점들에 대하여 생성된 와핑 영상 정보로부터 영상 복원 모델을 이용하여 출력 영상을 생성할 수 있다. 프로세서(920)는 개별 화소에 대응하는 타겟 지점까지의 깊이 센싱 없이, 출력 영상을 생성할 수 있다. 출력 영상의 해상도는 복수의 시점 영상들 각각의 해상도보다 높은 목표 해상도를 가질 수 있다. 목표 해상도는 예시적으로, 복수의 시점 영상들 전부의 해상도를 합산한 해상도 이상일 수 있다. 다만, 목표 해상도를 이로 한정하는 것은 아니고, 복수의 시점 영상들 전부의 해상도를 합산한 해상도 이하일 수도 있다.
참고로, 프로세서(920)의 동작을 이로 한정하는 것은 아니고, 프로세서(920)는 도 1 내지 도 8에서 상술한 동작들 중 적어도 하나를 동시에 또는 순차적으로 수행할 수도 있다.
촬영 방향과 촬영 위치가 다른 카메라들은 서로 다른 장면을 촬영할 수 있다. 서로 비정렬된 시점 영상 정보들에 대해 정렬 없이 CNN 네트워크 기반의 영상 복원 (RCAN)이 수행될 경우, 복원된 영상에서 아티팩트(artifact)가 발생할 수 있다. 일 실시예에 따른 영상 복원 장치(900)는 각 시점 영상 간의 비정렬을 고려하여 영상을 복원할 수 있다. 참고로, 영상의 각 영역은 서로 다른 깊이를 갖기 때문에, 영상 내 각 영역 별로 다른 시차가 발생할 수 있다. 따라서 단일 깊이를 가정한 전역 변환만으로는 영상 간의 정확한 정렬이 어려울 수 있다. 프로세서(920)는 전역 변환 파라미터 뿐만 아니라 시차 보정 정보도 함께 추정하여 이용할 수 있다.
메모리(930)는 영상 복원 방법의 실행에 요구되는 데이터를 임시적으로 또는 영구적으로 저장할 수 있다. 예를 들어, 메모리(930)는 시점 영상, 입력 영상 정보, 와핑 영상 정보, 및 출력 영상을 저장할 수 있다. 또한, 메모리(930)는 특징 추출 모델 및 그 파라미터, 와핑 모델 및 그 파라미터, 영상 복원 모델 및 그 파라미터를 저장할 수도 있다. 각 모델의 파라미터는 이미 트레이닝된 것일 수 있다. 앞서 설명한 바와 같이, 영상 복원 모델은, 입력되는 데이터에 대하여 컨볼루션 필터링을 적용하는 적어도 하나의 컨볼루션 레이어를 포함하는 뉴럴 네트워크일 수 있고, 모델의 파라미터는 연결 가중치일 수 있다.
도 10은 일 실시예에 따른 컴퓨팅 장치를 도시한 블록도이다.
도 10을 참조하면, 컴퓨팅 장치(1000)는 위에서 설명한 영상 복원 방법을 이용하여 고해상도 영상을 생성하는 장치이다. 일 실시예에서, 컴퓨팅 장치(1000)는 도 9에서 설명된 장치(900)에 대응할 수 있다. 컴퓨팅 장치(1000)는, 예를 들어 영상 처리 장치, 스마트폰, 웨어러블 기기(wearable device), 태블릿 컴퓨터, 넷북, 랩탑, 데스크탑, PDA(personal digital assistant), HMD(head mounted display), 및 카메라 장치 등의 모바일 단말일 수 있다. 또한, 컴퓨팅 장치(1000)는 차량, 드론(Drone), 및 CCTV 등을 위한 비전(vision) 용 카메라 장치로서 구현될 수도 있다. 다른 예를 들어, 컴퓨팅 장치(1000)는 화상 통화를 위한 웹캠용 카메라 장치, 360도 촬영 VR 카메라 장치, VR 및 AR 카메라 장치로도 구현될 수 있다.
도 10을 참조하면, 컴퓨팅 장치(1000)는 프로세서(1010), 저장 장치(1020), 카메라(1030), 입력 장치(1040), 출력 장치(1050) 및 네트워크 인터페이스(1060)를 포함할 수 있다. 프로세서(1010), 저장 장치(1020), 카메라(1030), 입력 장치(1040), 출력 장치(1050) 및 네트워크 인터페이스(1060)는 통신 버스(1070)를 통해 서로 통신할 수 있다.
프로세서(1010)는 컴퓨팅 장치(1000) 내에서 실행하기 위한 기능 및 인스트럭션들을 실행한다. 예를 들어, 프로세서(1010)는 저장 장치(1020)에 저장된 인스트럭션들을 처리할 수 있다. 프로세서(1010)는 도 1 내지 도 9를 통하여 전술한 하나 이상의 동작을 수행할 수 있다.
저장 장치(1020)는 프로세서의 실행에 필요한 정보 내지 데이터를 저장한다. 저장 장치(1020)는 컴퓨터 판독가능한 저장 매체 또는 컴퓨터 판독가능한 저장 장치를 포함할 수 있다. 저장 장치(1020)는 프로세서(1010)에 의해 실행하기 위한 인스트럭션들을 저장할 수 있고, 컴퓨팅 장치(1000)에 의해 소프트웨어 또는 애플리케이션이 실행되는 동안 관련 정보를 저장할 수 있다.
카메라(1030)는 복수의 입력 영상들을 캡쳐할 수 있다. 또한, 앞서 영상은 주로 정지 영상(still image)으로 설명하였으나, 이로 한정하는 것은 아니고, 카메라(1030)는 하나 이상의 이미지 프레임들로 구성되는 영상들을 캡쳐할 수 있다. 예를 들어, 카메라(1030)는 복수의 렌즈들의 각각에 대응하는 프레임 영상을 생성할 수 있다. 이 경우, 컴퓨팅 장치(1000)는 개별 프레임에 대응하는 복수의 입력 영상들로부터 상술한 특징 추출 모델, 와핑 모델 및 영상 복원 모델을 이용하여 매 프레임의 고해상도 출력 영상을 생성할 수 있다.
입력 장치(1040)는 촉각, 비디오, 오디오 또는 터치 입력을 통해 사용자로부터 입력을 수신할 수 있다. 입력 장치(1040)는 키보드, 마우스, 터치 스크린, 마이크로폰, 또는 사용자로부터 입력을 검출하고, 검출된 입력을 전달할 수 있는 임의의 다른 장치를 포함할 수 있다.
출력 장치(1050)는 시각적, 청각적 또는 촉각적인 채널을 통해 사용자에게 컴퓨팅 장치(1000)의 출력을 제공할 수 있다. 출력 장치(1050)는 예를 들어, 디스플레이, 터치 스크린, 스피커, 진동 발생 장치 또는 사용자에게 출력을 제공할 수 있는 임의의 다른 장치를 포함할 수 있다. 네트워크 인터페이스(1060)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다. 일 실시예에 따르면 출력 장치(1050)는 데이터를 처리한 결과 등을 시각 정보(visual information), 청각 정보(auditory information), 및 촉각 정보(haptic information) 중 적어도 하나를 이용하여 사용자에게 제공할 수 있다. 예를 들어, 컴퓨팅 장치(1000)는 생성된 고해상도의 출력 영상을 디스플레이를 통해 시각화할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다.  예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.  
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (21)

  1. 영상 복원 방법에 있어서,
    복수의 시점들(viewpoints) 별 입력 영상 정보를 포함하는 입력 데이터를 획득하는 단계;
    상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하는 단계;
    상기 입력 데이터로부터 개별 시점의 시차 보정 정보(disparity information)를 추정하는 단계;
    상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써, 상기 복수의 시점들 별 와핑 영상 정보(warped image information)를 생성하는 단계; 및
    상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 영상 복원 모델을 이용하여 출력 영상을 생성하는 단계
    를 포함하는 영상 복원 방법.
  2. 제1항에 있어서,
    상기 입력 데이터를 획득하는 단계는,
    서로 다른 위치에 배치된 렌즈들을 통해 복수의 시점 영상들을 촬영하는 단계; 및
    상기 촬영된 복수의 시점 영상들로부터 개별 시점에 대응하는 입력 영상 정보를 획득하는 단계
    를 포함하는 영상 복원 방법.
  3. 제2항에 있어서,
    상기 개별 시점에 대응하는 입력 영상 정보를 획득하는 단계는,
    특징 추출 모델을 이용하여 상기 복수의 시점 영상들로부터 복수의 입력 특징 맵들을, 상기 복수의 입력 영상 정보로서, 추출하는 단계
    를 포함하는 영상 복원 방법.
  4. 제1항에 있어서,
    상기 와핑 영상 정보를 생성하는 단계는,
    상기 복수의 시점들 별 입력 영상 정보를 목표 시점에 대응하는 목표 영상 정보의 화소 좌표계로 상기 전역 변환 파라미터를 이용하여 변환(transform)함으로써 변환된 영상 정보를 생성하는 단계; 및
    상기 복수의 시점들 별 상기 변환된 영상 정보의 상기 목표 영상 정보에 대한 시차를, 상기 시차 보정 정보를 이용하여, 보정하는 단계
    를 포함하는 영상 복원 방법.
  5. 제4항에 있어서,
    상기 전역 변환 파라미터를 이용하여 변환하는 단계는,
    기준 시차에 대응하는 단일 깊이를 이용하여 상기 입력 영상 정보의 모든 화소들을 상기 목표 영상에 대응하는 화소 좌표계로 와핑(warping)하는 단계
    를 포함하는 영상 복원 방법.
  6. 제5항에 있어서,
    상기 와핑하는 단계는,
    상기 전역 변환 파라미터를 이용하여 상기 목표 영상 정보의 화소 좌표계에 따른 위치(position)에 대응하는 상기 입력 영상 정보 내 좌표를 산출하는 단계; 및
    상기 변환된 영상 정보에서 상기 위치의 화소 값을 상기 입력 영상 정보에서 상기 산출된 좌표의 화소 값으로 결정하는 단계
    를 포함하는 영상 복원 방법.
  7. 제1항에 있어서,
    상기 와핑 영상 정보를 생성하는 단계는,
    시점 영상으로부터 추출된 특징 맵을 와핑함으로써 와핑 특징 맵(warped feature map)을 생성하는 단계
    를 포함하는 영상 복원 방법.
  8. 제1항에 있어서,
    상기 전역 변환 파라미터를 추정하는 단계는,
    전역 풀링 연산(global pooling operation)을 통해 상기 입력 데이터에서 공간 차원 성분(spatial dimension component)이 제거된 정보를 획득하는 단계; 및
    상기 공간 차원 성분이 제거된 정보로부터 상기 전역 변환 파라미터를 산출하는 단계
    를 포함하는 영상 복원 방법.
  9. 제8항에 있어서,
    상기 전역 변환 파라미터를 산출하는 단계는,
    상기 공간 차원 성분이 제거된 정보에 대해 하나 이상의 완전 연결 레이어(FC layer, Fully Connected layer)에 따른 연산을 적용하는 단계
    를 포함하는 영상 복원 방법.
  10. 제1항에 있어서,
    상기 시차 보정 정보를 추정하는 단계는,
    상기 입력 데이터로부터 추출된 특징 데이터에 대해 하나 이상의 컨볼루션 필터링을 수행함으로써 상기 복수의 시점들의 각각에 대하여 화소 별로 시차 보정 정보를 추정하는 단계
    를 포함하는 영상 복원 방법.
  11. 제10항에 있어서,
    상기 화소 별로 시차 보정 정보를 추정하는 단계는,
    상기 입력 데이터와 동일한 해상도로 상기 화소 별 시차 보정 정보를 산출하는 단계
    를 포함하는 영상 복원 방법.
  12. 제1항에 있어서,
    상기 영상 복원 모델은,
    입력되는 데이터에 대하여 컨볼루션 필터링을 적용하는 적어도 하나의 컨볼루션 레이어를 포함하는 뉴럴 네트워크인,
    영상 복원 방법.
  13. 제1항에 있어서,
    상기 출력 영상을 생성하는 단계는,
    상기 생성된 와핑 영상 정보에 대해 화소 셔플(pixel shuffle)을 수행함으로써 단일 시점(single viewpoint)으로 재배열된 영상 정보(rearranged image information)을 생성하는 단계; 및
    상기 재배열된 영상 정보에 상기 영상 복원 모델을 적용함으로써 목표 해상도의 출력 영상을 생성하는 단계
    를 포함하는 영상 복원 방법.
  14. 제1항에 있어서,
    상기 출력 영상을 생성하는 단계는,
    개별 화소에 대응하는 타겟 지점까지의 깊이 센싱 없이, 상기 출력 영상을 생성하는 단계
    를 포함하는 영상 복원 방법.
  15. 제1항에 있어서,
    상기 출력 영상의 해상도는 상기 복수의 시점 영상들 각각의 해상도보다 높은,
    영상 복원 방법.
  16. 제1항에 있어서,
    상기 입력 데이터를 획득하는 단계는,
    멀티 렌즈 어레이를 포함하는 이미지 센서가 복수의 시점 영상들을 포함하는 멀티 렌즈 영상을 촬영하는 단계; 및
    상기 멀티 렌즈 영상으로부터 상기 입력 데이터를 생성하는 단계
    를 포함하는 영상 복원 방법.
  17. 제1항에 있어서,
    상기 입력 데이터를 획득하는 단계는,
    복수의 이미지 센서들 각각이 시점 영상을 촬영하는 단계; 및
    상기 촬영된 시점 영상으로부터 상기 입력 데이터를 생성하는 단계
    를 포함하는 영상 복원 방법.
  18. 제1항 내지 제17항 중 어느 한 항의 방법을 수행하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.
  19. 영상 복원 장치에 있어서,
    영상 복원 모델을 저장하는 메모리; 및
    복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득하고, 상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하며, 상기 입력 데이터로부터 개별 시점의 시차 보정 정보를 추정하고, 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써 상기 복수의 시점들 별 와핑 영상 정보를 생성하며, 상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 상기 영상 복원 모델을 이용하여 출력 영상을 생성하는 프로세서
    를 포함하는 영상 복원 장치
  20. 카메라 장치에 있어서,
    복수의 시점들에 대응하는 복수의 렌즈들을 포함하는 렌즈 어레이;
    상기 렌즈 어레이를 통과한 빛을 센싱하는 복수의 센싱 엘리먼트들을 포함하고, 상기 복수의 센싱 엘리먼트들은 상기 복수의 렌즈들 각각에 대응하는 센싱 영역으로 나누어지는 센싱 어레이; 및
    상기 복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득하고, 상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하며, 상기 입력 데이터로부터 개별 시점의 시차 보정 정보를 추정하고, 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써 상기 복수의 시점들 별 와핑 영상 정보를 생성하며, 상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 영상 복원 모델을 이용하여 출력 영상을 생성하는 프로세서
    를 포함하는 카메라 장치.
  21. 모바일 단말에 있어서,
    복수의 시점들에 대응하는 시점 영상들을 포함하는 멀티 렌즈 영상을 촬영하는 이미지 센서;
    영상 복원 모델을 저장하는 메모리; 및
    상기 복수의 시점들 별 입력 영상 정보를 포함하는 입력 데이터를 획득하고, 상기 입력 데이터로부터 개별 시점의 전역 변환 파라미터를 추정하며, 상기 입력 데이터로부터 개별 시점의 시차 보정 정보를 추정하고, 상기 복수의 시점들 별 입력 영상 정보를 해당 시점의 전역 변환 파라미터 및 시차 보정 정보를 이용하여 와핑함으로써 상기 복수의 시점들 별 와핑 영상 정보를 생성하며, 상기 복수의 시점들에 대하여 상기 생성된 와핑 영상 정보로부터 상기 영상 복원 모델을 이용하여 출력 영상을 생성하는 프로세서
    를 포함하는 모바일 단말.
KR1020200092384A 2020-07-24 2020-07-24 영상 복원 장치 및 방법 KR20220013183A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200092384A KR20220013183A (ko) 2020-07-24 2020-07-24 영상 복원 장치 및 방법
US17/104,958 US11651475B2 (en) 2020-07-24 2020-11-25 Image restoration method and device
EP20215976.0A EP3944182A1 (en) 2020-07-24 2020-12-21 Image restoration method and device
CN202110034352.9A CN113971629A (zh) 2020-07-24 2021-01-12 图像恢复方法和装置
US18/296,717 US20230245277A1 (en) 2020-07-24 2023-04-06 Image restoration method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200092384A KR20220013183A (ko) 2020-07-24 2020-07-24 영상 복원 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20220013183A true KR20220013183A (ko) 2022-02-04

Family

ID=73856121

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200092384A KR20220013183A (ko) 2020-07-24 2020-07-24 영상 복원 장치 및 방법

Country Status (4)

Country Link
US (2) US11651475B2 (ko)
EP (1) EP3944182A1 (ko)
KR (1) KR20220013183A (ko)
CN (1) CN113971629A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677684A (zh) * 2022-03-23 2022-06-28 平安普惠企业管理有限公司 扭曲图像校正方法、装置、设备及计算机可读存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8106924B2 (en) * 2008-07-31 2012-01-31 Stmicroelectronics S.R.L. Method and system for video rendering, computer program product therefor
US9692991B2 (en) 2011-11-04 2017-06-27 Qualcomm Incorporated Multispectral imaging system
CN104685860A (zh) * 2012-09-28 2015-06-03 派力肯影像公司 利用虚拟视点从光场生成图像
US9712807B2 (en) 2014-09-08 2017-07-18 Intel Corporation Disparity determination for images from an array of disparate image sensors
US9973696B1 (en) 2015-11-23 2018-05-15 Gopro, Inc. Apparatus and methods for image alignment
US9762893B2 (en) 2015-12-07 2017-09-12 Google Inc. Systems and methods for multiscopic noise reduction and high-dynamic range
US10477181B2 (en) 2015-12-16 2019-11-12 Intel Corporation Multiview video stabilization
KR102351542B1 (ko) 2017-06-23 2022-01-17 삼성전자주식회사 시차 보상 기능을 갖는 애플리케이션 프로세서, 및 이를 구비하는 디지털 촬영 장치
US10638109B2 (en) 2017-09-15 2020-04-28 Elphel, Inc. Method for the FPGA-based long range multi-view stereo with differential image rectification
US10733714B2 (en) 2017-11-09 2020-08-04 Samsung Electronics Co., Ltd Method and apparatus for video super resolution using convolutional neural network with two-stage motion compensation
US10841558B2 (en) 2017-11-17 2020-11-17 Omnivision Technologies, Inc. Aligning two images by matching their feature points
US10453220B1 (en) 2017-12-29 2019-10-22 Perceive Corporation Machine-trained network for misalignment-insensitive depth perception
US11024046B2 (en) 2018-02-07 2021-06-01 Fotonation Limited Systems and methods for depth estimation using generative models
US20190286921A1 (en) 2018-03-14 2019-09-19 Uber Technologies, Inc. Structured Prediction Crosswalk Generation
US11030724B2 (en) 2018-09-13 2021-06-08 Samsung Electronics Co., Ltd. Method and apparatus for restoring image
KR20210051242A (ko) 2019-10-30 2021-05-10 삼성전자주식회사 멀티 렌즈 영상 복원 장치 및 방법

Also Published As

Publication number Publication date
CN113971629A (zh) 2022-01-25
EP3944182A1 (en) 2022-01-26
US11651475B2 (en) 2023-05-16
US20220028039A1 (en) 2022-01-27
US20230245277A1 (en) 2023-08-03

Similar Documents

Publication Publication Date Title
US11663691B2 (en) Method and apparatus for restoring image
CN110799991B (zh) 用于使用卷积图像变换执行同时定位和映射的方法和***
US10762606B2 (en) Image processing apparatus and method for generating high quality image
JP6570327B2 (ja) 制御装置、撮像装置、制御方法、プログラム、および、記憶媒体
Vollmer Infrared thermal imaging
US9338437B2 (en) Apparatus and method for reconstructing high density three-dimensional image
JPWO2018235163A1 (ja) キャリブレーション装置、キャリブレーション用チャート、チャートパターン生成装置、およびキャリブレーション方法
KR20150120066A (ko) 패턴 프로젝션을 이용한 왜곡 보정 및 정렬 시스템, 이를 이용한 방법
CN111866523B (zh) 全景视频合成方法、装置、电子设备和计算机存储介质
CN115035235A (zh) 三维重建方法及装置
US11734877B2 (en) Method and device for restoring image obtained from array camera
US20230245277A1 (en) Image restoration method and device
Tan Image-based modeling
US12015755B2 (en) Real-time omnidirectional stereo matching method using multi-view fisheye lenses and system thereof
KR20200031012A (ko) 이미지 복원 방법 및 장치
US11665330B2 (en) Dynamic-baseline imaging array with real-time spatial data capture and fusion
Jayasuriya Image sensors
KR102146839B1 (ko) 실시간 가상현실 구축을 위한 시스템 및 방법
Chan Image-based rendering
Langer Interreflections
Brown Image Stitching
Jonscher et al. Reconstruction of images taken by a pair of non-regular sampling sensors using correlation based matching
Yu et al. Image enhancement and restoration: Traditional approaches
Wong Image-based lighting
Lohit et al. Invariant Methods in Computer Vision

Legal Events

Date Code Title Description
A201 Request for examination