| 1 |
1
복수의 압축률 중 이미지 블럭에 적용된 압축률을 판단하기 위한 압축률 네트워크 모델 및 상기 복수의 압축률 별로 압축 잡음을 제거하기 위한 복수의 압축 잡음 제거 네트워크 모델이 저장된 스토리지; 및상기 압축률 네트워크 모델에 기초하여 디코딩된 동영상의 프레임에 포함된 복수의 이미지 블럭 각각의 압축률을 획득하고, 상기 획득된 복수의 압축률에 기초하여 상기 프레임의 압축률을 획득하며, 상기 복수의 압축 잡음 제거 네트워크 모델 중 상기 프레임의 압축률에 대응되는 압축 잡음 제거 네트워크 모델에 기초하여 상기 프레임의 압축 잡음을 제거하는 프로세서;를 포함하며,상기 압축률 네트워크 모델은, 상기 복수의 압축률에 각각 대응되는 복수의 복원 이미지 블럭의 이미지 특성을 제1 인공지능 알고리즘을 통해 학습하여 획득되고,상기 복수의 복원 이미지 블럭은, 복수의 원본 이미지 블럭을 인코딩하고, 상기 인코딩된 복수의 원본 이미지 블럭을 디코딩하여 생성되며,상기 복수의 압축 잡음 제거 네트워크 모델은, 상기 복수의 원본 이미지 블럭 및 상기 복수의 복원 이미지 블럭의 관계를 제2 인공지능 알고리즘을 통해 학습하여 획득된, 전자 장치
|
| 2 |
2
제1항에 있어서,상기 프로세서는,상기 프레임의 전후로 기설정된 개수의 복수의 프레임 각각을 복수의 추가 이미지 블럭으로 구분하고, 상기 압축률 네트워크 모델에 기초하여 상기 복수의 추가 이미지 블럭 각각의 추가 압축률을 획득하며, 상기 복수의 압축률 및 상기 복수의 추가 압축률에 기초하여 상기 프레임의 압축률을 획득하는, 전자 장치
|
| 3 |
3
제1항에 있어서,상기 프로세서는,상기 복수의 이미지 블럭 각각의 픽셀 값에 대한 분산을 산출하고, 상기 산출된 분산에 기초하여 상기 복수의 이미지 블럭 중 기설정된 개수의 이미지 블럭을 획득하며, 상기 압축률 네트워크 모델에 기초하여 상기 획득된 기설정된 개수의 이미지 블럭 각각의 압축률을 획득하고, 상기 획득된 복수의 압축률에 기초하여 상기 프레임의 압축률을 획득하는, 전자 장치
|
| 4 |
4
제1항에 있어서,상기 프로세서는,상기 프레임을 상기 복수의 이미지 블럭으로 구분하고, 상기 압축 잡음 제거 네트워크 모델에 기초하여 상기 복수의 이미지 블럭 각각의 압축 잡음을 제거하며, 상기 압축 잡음이 제거된 복수의 이미지 블럭을 결합하여 압축 잡음이 제거된 프레임을 획득하는, 전자 장치
|
| 5 |
5
제4항에 있어서,상기 프로세서는,상기 프레임의 전후 프레임에서 상기 복수의 이미지 블럭 중 하나인 제1 이미지 블럭에 대응되는 제2 이미지 블럭 및 제3 이미지 블럭을 획득하고, 상기 제2 이미지 블럭 및 상기 제3 이미지 블럭을 이용하여 상기 제1 이미지 블럭의 압축 잡음을 제거하는, 전자 장치
|
| 6 |
6
제5항에 있어서,상기 프로세서는,상기 압축 잡음 제거 네트워크 모델에 기초하여 상기 제1 이미지 블럭, 상기 제2 이미지 블럭 및 상기 제3 이미지 블럭 각각에 대해 적어도 한 번의 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산이 수행된 제1 이미지 블럭, 제2 이미지 블럭 및 제3 이미지 블럭을 결합하며, 상기 결합된 이미지 블럭에 대해 적어도 한 번의 컨볼루션 연산을 수행하여 상기 제1 이미지 블럭의 압축 잡음을 제거하는, 전자 장치
|
| 7 |
7
제5항에 있어서,상기 프로세서는,상기 제1 이미지 블럭 및 상기 제2 이미지 블럭의 제1 최대 신호 대 잡음비(Peak Signal-to-noise ratio, PSNR) 및 상기 제1 이미지 블럭 및 상기 제3 이미지 블럭의 제2 최대 신호 대 잡음비를 산출하며, 상기 제1 최대 신호 대 잡음비 및 상기 제2 최대 신호 대 잡음비 중 적어도 하나가 기설정된 값보다 작은 경우, 상기 제2 이미지 블럭 및 상기 제3 이미지 블럭 중 상기 기설정된 값보다 작은 최대 신호 대 잡음비에 대응되는 이미지 블럭을 대신하여 상기 제1 이미지 블럭을 상기 압축 잡음 제거 네트워크 모델에 입력하는, 전자 장치
|
| 8 |
8
제4항에 있어서,상기 프로세서는,경계로부터의 거리에 따른 가중치에 기초하여 상기 압축 잡음이 제거된 복수의 이미지 블럭을 오버랩하여 결합하는, 전자 장치
|
| 9 |
9
제1항에 있어서,상기 프로세서는,상기 프레임을 색차 성분과 휘도 성분으로 구분하고, 상기 압축 잡음 제거 네트워크 모델에 기초하여 상기 휘도 성분의 압축 잡음을 제거하며, 상기 색차 성분과 상기 압축 잡음이 제거된 휘도 성분을 결합하여 상기 프레임의 압축 잡음을 제거하며,상기 복수의 압축 잡음 제거 네트워크 모델은, 상기 복수의 원본 이미지 블럭의 휘도 성분 및 상기 복수의 복원 이미지 블럭의 휘도 성분의 관계를 제2 인공지능 알고리즘을 통해 학습하여 획득된, 전자 장치
|
| 10 |
10
제1항에 있어서,상기 압축률 네트워크 모델 및 상기 복수의 압축 잡음 제거 네트워크 모델은, 딥러닝(Deep Learning) 네트워크 구조인, 전자 장치
|
| 11 |
11
전자 장치의 제어 방법에 있어서,복수의 압축률 중 이미지 블럭에 적용된 압축률을 판단하기 위한 압축률 네트워크 모델에 기초하여 디코딩된 동영상의 프레임에 포함된 복수의 이미지 블럭 각각의 압축률을 획득하는 단계;상기 획득된 복수의 압축률에 기초하여 상기 프레임의 압축률을 획득하는 단계; 및상기 복수의 압축률 별로 압축 잡음을 제거하기 위한 복수의 압축 잡음 제거 네트워크 모델 중 상기 프레임의 압축률에 대응되는 압축 잡음 제거 네트워크 모델에 기초하여 상기 프레임의 압축 잡음을 제거하는 단계;를 포함하며,상기 압축률 네트워크 모델은, 상기 복수의 압축률에 각각 대응되는 복수의 복원 이미지 블럭의 이미지 특성을 제1 인공지능 알고리즘을 통해 학습하여 획득되고,상기 복수의 복원 이미지 블럭은, 복수의 원본 이미지 블럭을 인코딩하고, 상기 인코딩된 복수의 원본 이미지 블럭을 디코딩하여 생성되며,상기 복수의 압축 잡음 제거 네트워크 모델은, 상기 복수의 원본 이미지 블럭 및 상기 복수의 복원 이미지 블럭의 관계를 제2 인공지능 알고리즘을 통해 학습하여 획득된, 제어 방법
|
| 12 |
12
제11항에 있어서,상기 프레임의 압축률을 획득하는 단계는,상기 프레임의 전후로 기설정된 개수의 복수의 프레임 각각을 복수의 추가 이미지 블럭으로 구분하는 단계;상기 압축률 네트워크 모델에 기초하여 상기 복수의 추가 이미지 블럭 각각의 추가 압축률을 획득하는 단계; 및상기 복수의 압축률 및 상기 복수의 추가 압축률에 기초하여 상기 프레임의 압축률을 획득하는 단계;를 더 포함하는, 제어 방법
|
| 13 |
13
제11항에 있어서,상기 복수의 이미지 블럭 각각의 압축률을 획득하는 단계는,상기 복수의 이미지 블럭 각각의 픽셀 값에 대한 분산을 산출하는 단계;상기 산출된 분산에 기초하여 상기 복수의 이미지 블럭 중 기설정된 개수의 이미지 블럭을 획득하는 단계; 및상기 압축률 네트워크 모델에 기초하여 상기 획득된 기설정된 개수의 이미지 블럭 각각의 압축률을 획득하는 단계;를 포함하고,상기 프레임의 압축률을 획득하는 단계는,상기 획득된 기설정된 개수의 이미지 블럭 각각의 압축률에 기초하여 상기 프레임의 압축률을 획득하는 단계;를 더 포함하는, 제어 방법
|
| 14 |
14
제11항에 있어서,상기 압축 잡음을 제거하는 단계는,상기 프레임을 상기 복수의 이미지 블럭으로 구분하는 단계;상기 압축 잡음 제거 네트워크 모델에 기초하여 상기 복수의 이미지 블럭 각각의 압축 잡음을 제거하는 단계; 및상기 압축 잡음이 제거된 복수의 이미지 블럭을 결합하여 압축 잡음이 제거된 프레임을 획득하는 단계;를 포함하는, 제어 방법
|
| 15 |
15
제14항에 있어서,상기 압축 잡음을 제거하는 단계는,상기 프레임의 전후 프레임에서 상기 복수의 이미지 블럭 중 하나인 제1 이미지 블럭에 대응되는 제2 이미지 블럭 및 제3 이미지 블럭을 획득하는 단계; 및상기 제2 이미지 블럭 및 상기 제3 이미지 블럭을 이용하여 상기 제1 이미지 블럭의 압축 잡음을 제거하는 단계;를 더 포함하는, 제어 방법
|
| 16 |
16
제15항에 있어서,상기 제1 이미지 블럭의 압축 잡음을 제거하는 단계는,상기 압축 잡음 제거 네트워크 모델에 기초하여 상기 제1 이미지 블럭, 상기 제2 이미지 블럭 및 상기 제3 이미지 블럭 각각에 대해 적어도 한 번의 컨볼루션 연산을 수행하는 단계;상기 컨볼루션 연산이 수행된 제1 이미지 블럭, 제2 이미지 블럭 및 제3 이미지 블럭을 결합하는 단계; 및상기 결합된 이미지 블럭에 대해 적어도 한 번의 컨볼루션 연산을 수행하여 상기 제1 이미지 블럭의 압축 잡음을 제거하는 단계;를 포함하는 제어 방법
|
| 17 |
17
제15항에 있어서,상기 압축 잡음을 제거하는 단계는,상기 제1 이미지 블럭 및 상기 제2 이미지 블럭의 제1 최대 신호 대 잡음비(Peak Signal-to-noise ratio, PSNR) 및 상기 제1 이미지 블럭 및 상기 제3 이미지 블럭의 제2 최대 신호 대 잡음비를 산출하는 단계; 및상기 제1 최대 신호 대 잡음비 및 상기 제2 최대 신호 대 잡음비 중 적어도 하나가 기설정된 값보다 작은 경우, 상기 제2 이미지 블럭 및 상기 제3 이미지 블럭 중 상기 기설정된 값보다 작은 최대 신호 대 잡음비에 대응되는 이미지 블럭을 대신하여 상기 제1 이미지 블럭을 상기 압축 잡음 제거 네트워크 모델에 입력하는 단계;를 더 포함하는, 제어 방법
|
| 18 |
18
제14항에 있어서,경계로부터의 거리에 따른 가중치에 기초하여 상기 압축 잡음이 제거된 복수의 이미지 블럭을 오버랩하여 결합하는 단계;를 더 포함하는, 제어 방법
|
| 19 |
19
제11항에 있어서,상기 압축 잡음을 제거하는 단계는,상기 프레임을 색차 성분과 휘도 성분으로 구분하는 단계;상기 압축 잡음 제거 네트워크 모델에 기초하여 상기 휘도 성분의 압축 잡음을 제거하는 단계; 및상기 색차 성분과 상기 압축 잡음이 제거된 휘도 성분을 결합하여 상기 프레임의 압축 잡음을 제거하는 단계;를 포함하며,상기 복수의 압축 잡음 제거 네트워크 모델은, 상기 복수의 원본 이미지 블럭의 휘도 성분 및 상기 복수의 복원 이미지 블럭의 휘도 성분의 관계를 제2 인공지능 알고리즘을 통해 학습하여 획득된, 제어 방법
|
| 20 |
20
제11항에 있어서,상기 압축률 네트워크 모델 및 상기 복수의 압축 잡음 제거 네트워크 모델은, 딥러닝(Deep Learning) 네트워크 구조인, 제어 방법
|
