1 |
1
렌더링 시스템에 의해 수행되는 렌더링 방법에 있어서, 제1 네트워크 및 제2 네트워크가 결합된 렌더링 네트워크에 훈련 데이터를 사용하여 훈련시키는 단계; 상기 훈련된 제1 네트워크 및 제2 네트워크에 기반하여 이미지의 래디언스 필드를 학습시킴에 따라 상기 래디언스 필드를 재구성하는 단계; 및상기 재구성된 래디언스 필드를 사용하여 편향되지 않은(unbiased) 이미지를 생성하기 위한 렌더링을 수행하는 단계 를 포함하고, 상기 훈련된 제1 네트워크는 및 제2 네트워크는, R 네트워크 및 심층 강화 학습 기반의 Q 네트워크이고, 상기 래디언스 필드를 재구성하는 단계는,이미지의 래디언스 필드에 대한 적응적 샘플링 및 정제를 수행하고, 상기 래디언스 필드를 균일하게 분할하고, 심층 강화학습 기반의 Q-네트워크를 적용하여 래디언스 필드의 방향 공간을 분할한 필드 블록에서, 필드 블록을 기 설정된 기준 이상의 해상도로 정제하거나 상기 필드 블록의 샘플을 기 설정된 배수로 증가시키는 동작을 수행하여 품질값을 획득하는 단계를 포함하고,상기 래디언스(Radiance) 필드는 타일에서 처리되는 픽셀의 이미지 공간과 각 픽셀의 입사 반구를 파라미터화하는 방향 공간의 조합을 의미하는, 렌더링 방법
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
제1항에 있어서, 상기 래디언스 필드를 재구성하는 단계는,상기 동작 수행을 복수 번의 반복을 통하여 상기 래디언스 필드를 평가하고 구체화여 정제된 래디언스 필드 블록의 계층 구조를 획득하는 단계를 포함하는 렌더링 방법
|
5 |
5
렌더링 시스템에 의해 수행되는 렌더링 방법에 있어서, 제1 네트워크 및 제2 네트워크가 결합된 렌더링 네트워크에 훈련 데이터를 사용하여 훈련시키는 단계; 상기 훈련된 제1 네트워크 및 제2 네트워크에 기반하여 이미지의 래디언스 필드를 학습시킴에 따라 상기 래디언스 필드를 재구성하는 단계; 및상기 재구성된 래디언스 필드를 사용하여 편향되지 않은(unbiased) 이미지를 생성하기 위한 렌더링을 수행하는 단계 를 포함하고, 상기 래디언스 필드를 재구성하는 단계는,이미지 공간 및 방향 공간을 처리하기 위한 이미지 부분 및 방향 부분으로 구성된 R 네트워크를 이용하여 4D 공간에서 래디언스 필드를 재구성하는 단계를 포함하고,상기 R 네트워크에서 이미지 부분은, 상기 이미지 공간에서 지오메트리 특징과 래디언스 특징이 포함되고, 상기 지오메트리 특징은 법선, 위치 및 깊이를 포함하는 특징이 포함되고,상기 래디언스 특징은 복수 개의 서로 다른 블록 또는 방향의 입사 래디언스 특징을 나타내고, 상기 R 네트워크의 이미지 부분을 출력한 결과로 복수 개의 특징맵을 획득하고, 상기 R 네트워크에서 방향 부분은, 특징맵을 방향 공간의 순서로 재배열한 후, 각 픽셀의 방향 공간 CNN과 개별적으로 컨벌브하는(convolve), 렌더링 방법
|
6 |
6
제1항 또는 제5항에 있어서, 상기 훈련시키는 단계는,상기 제1 네트워크 및 상기 제2 네트워크가 결합된 렌더링 네트워크를 구성하는 단계를 포함하고,상기 제1 네트워크는, R 네트워크이고, 상기 제2 네트워크는, 심층 강화 학습 기반의 Q 네트워크인, 렌더링 방법
|
7 |
7
제1항 또는 제5항에 있어서, 상기 훈련시키는 단계는,특징과 참조를 포함하는 훈련 데이터를 이용하여 제1 네트워크를 훈련시킴에 따라 재구성 결과를 출력하고, 상기 출력된 재구성 결과를 사용하여 생성된 보상과 상기 훈련 데이터의 특징을 이용하여 제2 네트워크를 훈련시키는 단계를 포함하고,상기 제1 네트워크는, R 네트워크이고, 상기 제2 네트워크는, 심층 강화 학습 기반의 Q 네트워크인, 렌더링 방법
|
8 |
8
렌더링 시스템에 있어서, 제1 네트워크 및 제2 네트워크가 결합된 렌더링 네트워크에 훈련 데이터를 사용하여 훈련시키는 훈련부; 상기 훈련된 제1 네트워크 및 제2 네트워크에 기반하여 이미지의 래디언스 필드를 학습시킴에 따라 상기 래디언스 필드를 재구성하는 재구성부; 및상기 재구성된 래디언스 필드를 사용하여 편향되지 않은(unbiased) 이미지를 생성하기 위한 렌더링을 수행하는 렌더링 수행부 를 포함하고,상기 훈련된 제1 네트워크는 및 제2 네트워크는, R 네트워크 및 심층 강화 학습 기반의 Q 네트워크이고, 상기 재구성부는, 이미지의 래디언스 필드에 대한 적응적 샘플링 및 정제를 수행하고, 상기 래디언스 필드를 균일하게 분할하고, 심층 강화학습 기반의 Q-네트워크를 적용하여 래디언스 필드의 방향 공간을 분할한 필드 블록에서, 필드 블록을 기 설정된 기준 이상의 해상도로 정제하거나 상기 필드 블록의 샘플을 기 설정된 배수로 증가시키는 동작을 수행하여 품질값을 획득하는 것을 포함하고, 상기 래디언스(Radiance) 필드는 타일에서 처리되는 픽셀의 이미지 공간과 각 픽셀의 입사 반구를 파라미터화하는 방향 공간의 조합을 의미하는, 렌더링 시스템
|
9 |
9
삭제
|
10 |
10
삭제
|
11 |
11
제8항에 있어서, 상기 재구성부는, 상기 동작 수행을 복수 번의 반복을 통하여 상기 래디언스 필드를 평가하고 구체화여 정제된 래디언스 필드 블록의 계층 구조를 획득하는 것을 특징으로 하는 렌더링 시스템
|
12 |
12
렌더링 시스템에 있어서, 제1 네트워크 및 제2 네트워크가 결합된 렌더링 네트워크에 훈련 데이터를 사용하여 훈련시키는 훈련부; 상기 훈련된 제1 네트워크 및 제2 네트워크에 기반하여 이미지의 래디언스 필드를 학습시킴에 따라 상기 래디언스 필드를 재구성하는 재구성부; 및상기 재구성된 래디언스 필드를 사용하여 편향되지 않은(unbiased) 이미지를 생성하기 위한 렌더링을 수행하는 렌더링 수행부 를 포함하고,상기 재구성부는, 이미지 공간 및 방향 공간을 처리하기 위한 이미지 부분 및 방향 부분으로 구성된 R 네트워크를 이용하여 4D 공간에서 래디언스 필드를 재구성하는 것을 포함하고, 상기 R 네트워크에서 이미지 부분은, 상기 이미지 공간에서 지오메트리 특징과 래디언스 특징이 포함되고, 상기 지오메트리 특징은 법선, 위치 및 깊이를 포함하는 특징이 포함되고,상기 래디언스 특징은 복수 개의 서로 다른 블록 또는 방향의 입사 래디언스 특징을 나타내고, 상기 R 네트워크의 이미지 부분을 출력한 결과로 복수 개의 특징맵을 획득하고, 상기 R 네트워크에서 방향 부분은, 특징맵을 방향 공간의 순서로 재배열한 후, 각 픽셀의 방향 공간 CNN과 개별적으로 컨벌브하는(convolve), 렌더링 시스템
|
13 |
13
제8항 또는 제12항에 있어서, 상기 훈련부는,상기 제1 네트워크 및 상기 제2 네트워크가 결합된 렌더링 네트워크를 구성하는 것을 포함하고, 상기 제1 네트워크는, R 네트워크이고, 상기 제2 네트워크는, 심층 강화 학습 기반의 Q 네트워크인, 렌더링 시스템
|
14 |
14
제8항 또는 제12항에 있어서, 상기 훈련부는,특징과 참조를 포함하는 훈련 데이터를 이용하여 제1 네트워크를 훈련시킴에 따라 재구성 결과를 출력하고, 상기 출력된 재구성 결과를 사용하여 생성된 보상과 상기 훈련 데이터의 특징을 이용하여 제2 네트워크를 훈련시키는 것을 포함하고, 상기 제1 네트워크는, R 네트워크이고, 상기 제2 네트워크는, 심층 강화 학습 기반의 Q 네트워크인, 렌더링 시스템
|