| 1 |
1
전자 장치의 프로세서에 의해 수행되는 영상 복원 방법에 있어서,입력 영상, 및 복수의 후보 영상 효과들 중에 제1 영상 효과를 지시하는 제1 작업 벡터를 수신하는 단계;소스 뉴럴 네트워크의 작업-무관 아키텍처에 기초하여 상기 입력 영상으로부터 상기 복수의 후보 영상 효과들이 공유하는 공통 특징을 추출하는 단계; 및상기 소스 뉴럴 네트워크의 작업-특화 아키텍처에 상기 제1 작업 벡터를 적용하여 결정된 제1 작업-특화 네트워크에 기초하여 상기 공통 특징을 상기 제1 영상 효과에 대응하는 제1 복원 영상으로 복원하는 단계를 포함하는 영상 복원 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서,상기 복원하는 단계는상기 제1 작업-특화 네트워크에 기초하여 상기 공통 특징으로부터 상기 제1 영상 효과에 특화된 제1 특화 특징을 추출하는 단계; 및상기 제1 작업-특화 네트워크에 기초하여 상기 제1 특화 특징을 상기 제1 영상 효과에 대응하는 제1 복원 영상으로 복원하는 단계를 포함하는 영상 복원 방법
|
| 4 |
4
제1항에 있어서,상기 제1 작업-특화 네트워크를 결정하는 단계는아키텍처 제어 네트워크(architecture control network)를 이용하여 상기 제1 작업 벡터에 대응하는 제1 채널 선택 정보를 생성하는 단계; 및상기 제1 채널 선택 정보에 기초하여 상기 작업-특화 아키텍처의 적어도 일부의 채널을 제거하여 상기 제1 작업-특화 네트워크를 결정하는 단계를 포함하는, 영상 복원 방법
|
| 5 |
5
제4항에 있어서,상기 제1 채널 선택 정보를 생성하는 단계는상기 아키텍처 제어 네트워크를 통해 상기 제1 작업 벡터를 처리하여 제1 실수 벡터를 생성하는 단계; 및변환 함수를 통해 상기 제1 실수 벡터의 각 실수 엘리먼트를 참 또는 거짓으로 변환하여 상기 제1 채널 선택 정보를 생성하는 단계를 포함하는, 영상 복원 방법
|
| 6 |
6
제1항에 있어서,상기 추출하는 단계는상기 작업-무관 아키텍처에 공유 파라미터를 적용하여 작업-무관 네트워크를 결정하는 단계; 및상기 작업-무관 네트워크에 기초하여 상기 입력 영상으로부터 상기 공통 특징을 추출하는 단계를 포함하는, 영상 복원 방법
|
| 7 |
7
제1항에 있어서,상기 복수의 후보 영상 효과들 중에 제2 영상 효과에 대응하는 제2 작업 벡터를 수신하는 단계; 및상기 작업-특화 아키텍처 및 상기 제2 작업 벡터에 기초하여 상기 공통 특징을 상기 제2 영상 효과에 대응하는 제2 복원 영상으로 복원하는 단계를 더 포함하고,상기 공통 특징은 상기 제2 복원 영상의 복원을 위해 재사용되는,영상 복원 방법
|
| 8 |
8
제1항에 있어서,상기 제1 작업 벡터는상기 제1 영상 효과의 각 효과 유형의 조절 레벨을 포함하는,영상 복원 방법
|
| 9 |
9
전자 장치의 프로세서에 의해 수행되는 트레이닝 방법에 있어서,제1 트레이닝 입력 영상, 복수의 후보 영상 효과들 중에 제1 영상 효과를 지시하는 제1 작업 벡터, 및 상기 제1 영상 효과에 따른 제1 트레이닝 목표 영상을 포함하는 제1 트레이닝 데이터 세트를 수신하는 단계;소스 뉴럴 네트워크의 작업-무관 아키텍처에 기초하여 상기 제1 트레이닝 입력 영상으로부터 상기 복수의 후보 영상 효과들이 공유하는 공통 특징을 추출하는 단계;상기 소스 뉴럴 네트워크의 작업-특화 아키텍처에 상기 제1 작업 벡터를 적용하여 결정된 제1 작업-특화 네트워크에 기초하여 상기 공통 특징을 제1 복원 영상으로 복원하는 단계; 및상기 제1 트레이닝 목표 영상과 상기 제1 복원 영상 간의 차이, 및 상기 공통 특징의 추출 및 상기 제1 복원 영상의 복원과 관련된 연산량에 기초하여 상기 소스 뉴럴 네트워크를 갱신하는 단계를 포함하는 트레이닝 방법
|
| 10 |
10
제9항에 있어서,상기 소스 뉴럴 네트워크를 갱신하는 단계는상기 작업-무관 아키텍처에 포함된 레이어의 수가 증가되어 상기 연산량이 감소되도록 상기 소스 뉴럴 네트워크를 갱신하는 단계를 포함하는,트레이닝 방법
|
| 11 |
11
제9항에 있어서,상기 제1 작업 벡터는 상기 제1 영상 효과의 각 효과 유형의 조절 레벨을 포함하고,상기 조절 레벨의 값은 상기 제1 트레이닝 입력 영상의 입력 효과 레벨과 상기 제1 트레이닝 목표 영상의 목표 효과 레벨 간의 차이에 의해 결정되는,트레이닝 방법
|
| 12 |
12
제11항에 있어서,제2 트레이닝 입력 영상, 제2 영상 효과를 지시하는 제2 작업 벡터, 및 상기 제2 영상 효과에 따른 제2 트레이닝 목표 영상을 포함하는 제2 트레이닝 세트가 존재하고, 상기 제2 트레이닝 입력 영상의 입력 효과 레벨과 상기 제2 트레이닝 목표 영상의 목표 효과 레벨 간의 차이가 상기 제1 트레이닝 입력 영상의 입력 효과 레벨과 상기 제1 트레이닝 목표 영상의 목표 효과 레벨 간의 차이와 동일한 경우, 상기 제2 작업 벡터는 상기 제1 작업 벡터와 동일한 값을 갖는,트레이닝 방법
|
| 13 |
13
하드웨어와 결합되어 제1항 및 제3항 내지 제12항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|
| 14 |
14
입력 영상을 생성하는 카메라; 및상기 입력 영상, 및 복수의 후보 영상 효과들 중에 제1 영상 효과를 지시하는 제1 작업 벡터를 수신하고,소스 뉴럴 네트워크의 작업-무관 아키텍처에 기초하여 상기 입력 영상으로부터 상기 복수의 후보 영상 효과들이 공유하는 공통 특징을 추출하고,상기 소스 뉴럴 네트워크의 작업-특화 아키텍처 및 상기 제1 작업 벡터에 기초하여 상기 공통 특징을 상기 제1 영상 효과에 대응하는 제1 복원 영상으로 복원하는, 프로세서를 포함하는 전자 장치
|
| 15 |
15
제14항에 있어서,상기 프로세서는상기 작업-특화 아키텍처에 상기 제1 작업 벡터를 적용하여 제1 작업-특화 네트워크를 결정하고,상기 제1 작업-특화 네트워크에 기초하여 상기 공통 특징을 상기 제1 복원 영상으로 복원하는,전자 장치
|
| 16 |
16
제15항에 있어서,상기 프로세서는상기 제1 작업-특화 네트워크에 기초하여 상기 공통 특징으로부터 상기 제1 영상 효과에 특화된 제1 특화 특징을 추출하고,상기 제1 작업-특화 네트워크에 기초하여 상기 제1 특화 특징을 상기 제1 영상 효과에 대응하는 제1 복원 영상으로 복원하는,전자 장치
|
| 17 |
17
제15항에 있어서,상기 프로세서는아키텍처 제어 네트워크를 이용하여 상기 제1 작업 벡터에 대응하는 제1 채널 선택 정보를 생성하고,상기 제1 채널 선택 정보에 기초하여 상기 작업-특화 아키텍처의 적어도 일부의 채널을 제거하여 상기 제1 작업-특화 네트워크를 결정하는,전자 장치
|
| 18 |
18
제17항에 있어서,상기 프로세서는상기 아키텍처 제어 네트워크를 통해 상기 제1 작업 벡터를 처리하여 제1 실수 벡터를 생성하고,변환 함수를 통해 상기 제1 실수 벡터의 각 실수 엘리먼트를 참 또는 거짓으로 변환하여 상기 제1 채널 선택 정보를 생성하는,전자 장치
|
| 19 |
19
제14항에 있어서,상기 프로세서는상기 작업-무관 아키텍처에 공유 파라미터를 적용하여 작업-무관 네트워크를 결정하고,상기 작업-무관 네트워크에 기초하여 상기 입력 영상으로부터 상기 공통 특징을 추출하는, 전자 장치
|
| 20 |
20
제14항에 있어서,상기 프로세서는상기 복수의 후보 영상 효과들 중에 제2 영상 효과에 대응하는 제2 작업 벡터를 수신하고,상기 작업-특화 아키텍처 및 상기 제2 작업 벡터에 기초하여 상기 공통 특징을 상기 제2 영상 효과에 대응하는 제2 복원 영상으로 복원하고,상기 공통 특징은상기 제2 복원 영상의 복원을 위해 재사용되는,전자 장치
|
