1 |
1
적어도 하나의 명령어를 저장하는 메모리; 및 상기 메모리와 전기적으로 연결된 프로세서;를 포함하고,상기 프로세서는,상기 명령어를 실행함으로써, 영상을 제1 학습 네트워크 모델에 적용하여 제1 출력 영상을 획득하고,상기 영상을 제2 학습 네트워크 모델에 적용하여 제2 출력 영상을 획득하고,상기 제1 및 제2 출력 영상에 기초하여 복원 영상을 획득하며,상기 제1 학습 네트워크 모델은,복수의 샘플 영상에 대한 학습을 통해 획득된 고정된 파라미터를 이용하는 모델이고,상기 제2 학습 네트워크 모델은,상기 영상에 대응되는 타겟 영상과 상기 복원 영상 간의 차이 값이 최소화되도록 학습하는, 영상 처리 장치
|
2 |
2
제1항에 있어서,상기 프로세서는,훈련 영상의 특성 중 적어도 하나를 임의로 열화시켜 상기 영상을 획득하고,상기 영상을 상기 제1 및 제2 학습 네트워크 모델에 적용하는, 영상 처리 장치
|
3 |
3
제2항에 있어서,상기 프로세서는,상기 훈련 영상에 랜덤 필터를 적용하여 블러링(blurring) 하고,상기 블러링된 영상에 기초하여 엣지 영역 및 텍스처 영역을 식별하고,상기 식별된 엣지 영역을 압축하여 랜덤 노이즈가 추가된 엣지 영역을 획득하고, 상기 획득된 엣지 영역 및 상기 식별된 텍스처 영역에 기초하여 상기 영상을 획득하는, 영상 처리 장치
|
4 |
4
제3항에 있어서,상기 프로세서는,상기 제2 출력 영상으로부터 상기 제2 출력 영상의 평균 픽셀 값을 차감한 차분 영상을 획득하고,상기 제1 출력 영상에 상기 차분 영상을 추가하여 상기 복원 영상을 획득하는, 영상 처리 장치
|
5 |
5
제4항에 있어서,상기 프로세서는,상기 차분 영상을 상기 제2 학습 네트워크 모델에 적용하여 상기 차분 영상에 포함된 복수의 영역 각각의 영상 특성에 대응되는 가중치를 획득하고,상기 복수의 영역 각각에 상기 가중치가 적용된 차분 영상을 획득하는, 영상 처리 장치
|
6 |
6
제5항에 있어서,상기 제2 학습 네트워크 모델은,상기 영상 특성에 대응되는 가중치에 대한 정보를 저장하며,상기 복수의 영역 각각의 상기 영상 특성에 기초하여 상기 타겟 영상과 상기 복원 영상 간의 상기 차이 값이 최소화되도록 상기 가중치에 대한 정보를 학습하는, 영상 처리 장치
|
7 |
7
제2항에 있어서,상기 프로세서는,상기 복원 영상을 제3 학습 네트워크 모델에 적용하여 상기 타겟 영상과 상기 복원 영상 간의 차이 값을 획득하고,상기 제2 학습 네트워크 모델은, 상기 차이 값에 기초하여 상기 타겟 영상과 상기 복원 영상 간의 차이가 감소되도록 학습하고,상기 제3 학습 네트워크 모델은,상기 타겟 영상과 상기 복원 영상 간의 차이를 식별하도록 학습하는, 영상 처리 장치
|
8 |
8
제2항에 있어서,상기 훈련 영상 및 상기 복원 영상은,4K UHD(Ultra High Definition) 또는 8K UHD의 고해상도(High resolution) 영상인, 영상 처리 장치
|
9 |
9
제1항에 있어서,상기 제1 및 제2 학습 네트워크 모델 각각은, 복수의 레이어를 포함하며, 상기 제2 학습 네트워크 모델에 포함된 레이어의 개수는, 상기 제1 학습 네트워크 모델에 포함된 레이어의 개수보다 많은, 영상 처리 장치
|
10 |
10
제1항에 있어서,디스플레이;를 포함하고,상기 프로세서는,상기 복원 영상을 디스플레이하도록 상기 디스플레이를 제어하는, 영상 처리 장치
|
11 |
11
영상 처리 장치의 영상 처리 방법에 있어서,영상을 제1 학습 네트워크 모델에 적용하여 제1 출력 영상을 획득하는 단계;상기 영상을 제2 학습 네트워크 모델에 적용하여 제2 출력 영상을 획득하는 단계; 및상기 제1 및 제2 출력 영상에 기초하여 복원 영상을 획득하는 단계;를 포함하고,상기 제1 학습 네트워크 모델은,복수의 샘플 영상에 대한 학습을 통해 획득된 고정된 파라미터를 이용하는 모델이고,상기 제2 학습 네트워크 모델은,상기 영상에 대응되는 타겟 영상과 상기 복원 영상 간의 차이 값이 최소화되도록 학습하는, 영상 처리 방법
|
12 |
12
제11항에 있어서,훈련 영상의 특성 중 적어도 하나를 임의로 열화시켜 상기 영상을 획득하는 단계;를 포함하고,상기 제1 출력 영상을 획득하는 단계는,상기 획득된 영상을 상기 제1 학습 네트워크 모델에 적용하여 상기 제1 출력 영상을 획득하고,상기 제2 출력 영상을 획득하는 단계는,상기 획득된 영상을 상기 제2 학습 네트워크 모델에 적용하여 상기 제1 출력 영상을 획득하는, 영상 처리 방법
|
13 |
13
제12항에 있어서,상기 영상을 획득하는 단계는,상기 훈련 영상에 랜덤 필터를 적용하여 블러링(Blurring)하는 단계;상기 블러링된 영상에 기초하여 엣지 영역 및 텍스처 영역을 식별하는 단계;상기 식별된 엣지 영역을 압축하여 랜덤 노이즈가 추가된 엣지 영역을 획득하는 단계; 및상기 획득된 엣지 영역 및 상기 식별된 텍스처 영역에 기초하여 상기 영상을 획득하는 단계;를 포함하는, 영상 처리 방법
|
14 |
14
제13항에 있어서,상기 제2 출력 영상으로부터 상기 제2 출력 영상의 평균 픽셀 값을 차감한 차분 영상을 획득하는 단계;를 포함하고,상기 복원 영상을 획득하는 단계는,상기 제1 출력 영상에 상기 차분 영상을 추가하여 상기 복원 영상을 획득하는, 영상 처리 방법
|
15 |
15
제14항에 있어서,상기 차분 영상을 획득하는 단계는,상기 차분 영상을 상기 제2 학습 네트워크 모델에 적용하여 상기 차분 영상에 포함된 복수의 영역 각각의 영상 특성에 대응되는 가중치를 획득하는 단계;상기 복수의 영역 각각에 상기 가중치가 적용된 차분 영상을 획득하는 단계;를 포함하는, 영상 처리 방법
|
16 |
16
제15항에 있어서,상기 제2 학습 네트워크 모델은,상기 영상 특성에 대응되는 가중치에 대한 정보를 저장하며,상기 복수의 영역 각각의 상기 영상 특성에 기초하여 상기 타겟 영상과 상기 복원 영상 간의 상기 차이 값이 최소화되도록 상기 가중치에 대한 정보를 학습하는, 영상 처리 방법
|
17 |
17
제12항에 있어서,상기 복원 영상을 제3 학습 네트워크 모델에 적용하여 상기 타겟 영상과 상기 복원 영상 간의 차이 값을 획득하는 단계;를 포함하고,상기 제2 학습 네트워크 모델은,상기 차이 값에 기초하여 상기 타겟 영상과 상기 복원 영상 간의 차이가 감소되도록 학습하고,상기 제3 학습 네트워크 모델은,상기 타겟 영상과 상기 복원 영상 간의 차이를 식별하도록 학습하는, 영상 처리 방법
|
18 |
18
제11항에 있어서,상기 훈련 영상 및 상기 복원 영상은,4K UHD(Ultra High Definition) 또는 8K UHD의 고해상도(High resolution) 영상인, 영상 처리 방법
|
19 |
19
제11항에 있어서, 상기 제1 및 제2 학습 네트워크 모델 각각은, 복수의 레이어를 포함하며, 상기 제2 학습 네트워크 모델에 포함된 레이어의 개수는, 상기 제1 학습 네트워크 모델에 포함된 레이어의 개수보다 많은, 영상 처리 방법
|
20 |
20
제11항에 있어서, 상기 복원 영상을 디스플레이하는 단계;를 포함하는, 영상 처리 방법
|