1 |
1
가짜 이미지 생성 장치에 의해 수행되는 가짜 이미지 생성 방법에 있어서, 원본 이미지를 이미지 생성 모델의 인코더에 통과시켜 잠재 공간(Latent space) 내에서 상기 원본 이미지의 복수의 특징을 분리하는 단계; 상기 잠재 공간 내에서 분리된 복수의 특징을 상기 이미지 생성 모델의 디코더에 통과시켜 이미지 공간(Image space)으로 변환하여 복수의 가짜 이미지를 생성하는 단계; 상기 생성된 복수의 가짜 이미지를 보조 모델(Auxiliary network)에 입력시켜 상기 잠재 공간 내에서 분리된 복수의 특징 간의 유사도를 학습하는 단계; 및 상기 학습된 복수의 특징 간의 유사도를 이용하여 상기 잠재 공간 내에서 분리된 복수의 특징을 업데이트하는 단계를 포함하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
2 |
2
제1항에 있어서,상기 보조 모델은, 기설정된 레이어 깊이 이내의 컨볼루션 신경망(Convolutional Neural network, CNN)으로 구성되는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
3 |
3
제1항에 있어서,상기 보조 모델은, 상기 입력된 복수의 가짜 이미지별로 복수의 속성 상관 메트릭 점수(Attribute correlation metric score)를 반환하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
4 |
4
제3항에 있어서,상기 속성 상관 메트릭 점수는, 기설정된 최저 점수 및 최고 점수 범위 이내 중 어느 한 속성 상관 메트릭 점수 값을 갖는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
5 |
5
제1항에 있어서,상기 복수의 특징 간의 유사도를 학습하는 단계는, 상기 분리된 복수의 특징 각각에 대해 자신을 포함하여 자신 이외의 다른 특징 간의 유사도를 기반으로 특징별 유사도 값을 계산하고, 상기 계산된 특징별 유사도 값을 속성 상관 메트릭 점수로 산출하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
6 |
6
제1항에 있어서,상기 분리된 복수의 특징을 업데이트하는 단계는, 상기 잠재 공간의 잠재 공간 벡터의 엘리먼트(Element)를 나누어 특징별로 구분하고, 상기 잠재 공간 벡터의 엘리먼트를 해당 특징에 할당하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
7 |
7
제5항에 있어서,상기 분리된 복수의 특징을 업데이트하는 단계는, 상기 산출된 속성 상관 메트릭 점수가 최고인 잠재 공간 벡터의 엘리먼트에 제1 가중치를 적용하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
8 |
8
제7항에 있어서,상기 분리된 복수의 특징을 업데이트하는 단계는, 상기 최고인 잠재 공간 벡터의 엘리먼트 이외의 나머지 잠재 공간 벡터의 엘리먼트에 제2 가중치를 적용하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
9 |
9
제8항에 있어서,상기 제1 가중치는 최고의 가중치를 가지고, 상기 제2 가중치는 상기 제1 가중치 미만인, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
10 |
10
제8항에 있어서, 상기 제1 가중치는 1의 가중치 값을 가지고, 상기 제2 가중치는 0 내지 1 사이의 가중치 범위를 가지는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 방법
|
11 |
11
이미지 생성 모델에 입력된 이미지를 잠재 공간 내의 이미지 특징으로 변환하는 인코더; 상기 변환된 잠재 공간 내의 이미지 특징을 이미지 공간으로 변환하여 다른 이미지를 생성하는 디코더; 하나 이상의 프로그램을 저장하는 메모리; 및 상기 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는, 원본 이미지를 상기 이미지 생성 모델의 인코더에 통과시켜 잠재 공간(Latent space) 내에서 상기 원본 이미지의 복수의 특징을 분리하고, 상기 잠재 공간 내에서 분리된 복수의 특징을 상기 이미지 생성 모델의 디코더에 통과시켜 이미지 공간(Image space)으로 변환하여 복수의 가짜 이미지를 생성하고, 상기 생성된 복수의 가짜 이미지를 보조 모델(Auxiliary network)에 입력시켜 상기 잠재 공간 내에서 분리된 복수의 특징 간의 유사도를 학습하고, 상기 학습된 복수의 특징 간의 유사도를 이용하여 상기 잠재 공간 내에서 분리된 복수의 특징을 업데이트하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
12 |
12
제11항에 있어서,상기 보조 모델은, 기설정된 레이어 깊이 이내의 컨볼루션 신경망(Convolutional Neural network, CNN)으로 구성되는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
13 |
13
제11항에 있어서,상기 보조 모델은, 상기 입력된 복수의 가짜 이미지별로 복수의 속성 상관 메트릭 점수(Attribute correlation metric score)를 반환하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
14 |
14
제13항에 있어서,상기 속성 상관 메트릭 점수는, 기설정된 최저 점수 및 최고 점수 범위 이내 중 어느 한 속성 상관 메트릭 점수 값을 갖는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
15 |
15
제11항에 있어서,상기 프로세서는, 상기 분리된 복수의 특징 각각에 대해 자신을 포함하여 자신 이외의 다른 특징 간의 유사도를 기반으로 특징별 유사도 값을 계산하고, 상기 계산된 특징별 유사도 값을 속성 상관 메트릭 점수로 산출하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
16 |
16
제11항에 있어서,상기 프로세서는, 상기 잠재 공간의 잠재 공간 벡터의 엘리먼트(Element)를 나누어 특징별로 구분하고, 상기 잠재 공간 벡터의 엘리먼트를 해당 특징에 할당하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
17 |
17
제15항에 있어서,상기 프로세서는, 상기 산출된 속성 상관 메트릭 점수가 최고인 잠재 공간 벡터의 엘리먼트에 제1 가중치를 적용하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
18 |
18
제17항에 있어서,상기 프로세서는, 상기 최고인 잠재 공간 벡터의 엘리먼트 이외의 나머지 잠재 공간 벡터의 엘리먼트에 제2 가중치를 적용하는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
19 |
19
제18항에 있어서,상기 제1 가중치는 최고의 가중치를 가지고, 상기 제2 가중치는 상기 제1 가중치 미만인, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
20 |
20
제18항에 있어서,상기 제1 가중치는 1의 가중치 값을 가지고, 상기 제2 가중치는 0 내지 1 사이의 가중치 범위를 가지는, 이미지의 일부 특징점을 선별적으로 변환 가능한 가짜 이미지 생성 장치
|
21 |
21
프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은: 원본 이미지를 이미지 생성 모델의 인코더에 통과시켜 잠재 공간(Latent space) 내에서 상기 원본 이미지의 복수의 특징을 분리하는 단계; 상기 잠재 공간 내에서 분리된 복수의 특징을 상기 이미지 생성 모델의 디코더에 통과시켜 이미지 공간(Image space)으로 변환하여 복수의 가짜 이미지를 생성하는 단계; 상기 생성된 복수의 가짜 이미지를 보조 모델(Auxiliary network)에 입력시켜 상기 잠재 공간 내에서 분리된 복수의 특징 간의 유사도를 학습하는 단계; 및 상기 학습된 복수의 특징 간의 유사도를 이용하여 상기 잠재 공간 내에서 분리된 복수의 특징을 업데이트하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체
|