KR102817011B1

KR102817011B1 - 이미지를 업스케일하는 전자 장치 및 이의 제어 방법

Info

Publication number: KR102817011B1
Application number: KR1020210004768A
Authority: KR
Inventors: 정봉수; 고봉혁
Original assignee: 삼성전자주식회사
Priority date: 2021-01-13
Filing date: 2021-01-13
Publication date: 2025-06-09
Anticipated expiration: 2041-01-13
Also published as: WO2022154337A1; US20230334622A1; KR20220102420A

Abstract

다양한 실시예에 따라서, 전자 장치는, 메모리, 디스플레이, 메모리 및 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 입력 이미지를 복수의 분할 이미지로 분할하고, 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하고, 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 적어도 하나의 딥러닝 모델을 통해 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 업스케일된 이미지를 디스플레이에 표시하도록 설정될 수 있다.
한편, 전자 장치는 딥러닝 모델을 이용하여 이미지 특성 획득 및 이미지 업스케일링을 수행할 수도 있다.

Description

이미지를 업스케일하는 전자 장치 및 이의 제어 방법 { ELECTRONIC DEVICE FOR UPSCAILING IMAGE AND METHOD FOR CONTROLLING THE SAME }

본 개시의 실시 예들은, 이미지를 업스케일하는 전자 장치 및 이의 제어 방법에 관한 것이다.

종래의 이미지 업스케일링(upscailing)은 Nearest neighbor, Bilinear, Bicubic, Lanczos 등의 룰(rule) 기반의 Interpolation 알고리즘이 있다. 이런 기술들은 주변 픽셀의 정보를 각각의 정해진 룰 기반으로 참조하여 업스케일시 필요한 중간 픽셀 값을 보간하는 방식으로 동작한다.

기술의 발전에 따라 근래에는 이미지 업스케일을 위한 딥러닝 모델을 이용하여 이미지 업스케일을 수행하고 있다. 이미지 업스케일을 위한 딥러닝 모델은 수많은 입력 이미지를 학습하여 최적의 딥러닝 모델 파라미터를 선택하고, 선택된 파라미터를 입력 이미지에 적용하는 방식으로 동작하고 있다.

이러한 딥러닝 모델은 모바일 장치 내에 딥러닝 모델 엔진이 있는 온 디바이스(on device) 모델링과 서버에 딥러닝 모델 엔진이 있는 서버 기반의 모델링 기법으로 나눌 수 있다.

Nearest neighbor, Bilinear, Bicubic, Lanczos 등의 룰 기반의 Interpolation 알고리즘에 의한 종래의 이미지 업스케일링 방식은 단순히 이미지의 크기만을 조정해줄 뿐 품질 등을 개선해 주지는 못하여 업스케일된 이미지의 화질 저하 및 열화가 발생한다.

이러한 문제점을 해결하고자 사용된 딥러닝 모델을 이용하여 높은 해상도의 업스케일된 이미지를 획득하는 방식은 모바일 장치 내에서 딥러닝 모델을 이용하는 경우에는 많은 연산량과 메모리가 필요하여 적용에 한계가 있다.

예를 들어, 모바일 장치에서 딥러닝 모델을 이용하는 경우 입력 이미지의 해상도가 크면, 딥러닝 모델은 매우 많은 메모리를 필요로 하여 동작 속도가 매우 느려지거나, 최악의 상황에서는 동작이 불가능한 문제가 발생하여 입력 이미지 크기에 제한이 발생한다.

이에 따라, 딥러닝 모델을 이용한 업스케일 동작은 대부분 서버에서 처리하고, 처리 결과를 단말에서 수신하고 있다.

본 개시는 모바일 장치의 리소스와 입력 이미지의 특성에 기초하여 모바일 장치에서 딥러닝 모델을 이용하여 효율적으로 이미지 업스케일을 수행할 수 있는 전자 장치 및 이의 제어 방법을 제공한다.

다양한 실시 예에 따르면, 전자 장치는, 메모리, 디스플레이, 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지를 복수의 분할 이미지로 분할하고, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하고, 상기 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.

다양한 실시 예에 따르면, 전자 장치의 제어 방법은, 입력 이미지를 복수의 분할 이미지로 분할하는 동작, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하는 동작, 상기 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하는 동작, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하는 동작, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하는 동작 및 상기 업스케일된 이미지를 상기 디스플레이에 표시하는 동작을 포함할 수 있다.

다양한 실시 예에 따르면, 전자 장치는, 메모리, 디스플레이, 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지의 영역 별 이미지 특성을 획득하고, 상기 영역 별 이미지 특성을 기반으로 상기 입력 이미지를 복수의 분할 이미지로 분할하고, 상기 영역 별 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.

본 개시의 다양한 실시 예에 따른 전자 장치는, 리소스가 제한된 모바일 장치에서도, 입력 이미지의 크기에 제한 없이 온 디바이스 딥러닝 모델을 이용한 고해상도 이미지 업스케일을 효율적이고 고속으로 처리할 수 있게 된다.

도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시 예에 따른 전자 장치의 이미지 업스케일링 동작을 간략히 설명하기 위한 도면이다.
도 3은 다양한 실시 예에 따른 전자 장치의 분할 이미지의 이미지 특성에 기반한 이미지 업스케일링 동작을 설명하기 위한 도면이다.
도 4는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
도 5는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
도 6은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.
도 7은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따라 이미지를 분할하는 이미지 업스케일링 동작을 설명하기 위한 도면이다.
도 8은 다양한 실시 예에 따른 이미지의 분할 동작을 설명하기 위한 도면이다.
도 9는 다양한 실시 예에 따른 이미지 분할시 수행되는 패딩(padding) 동작을 설명하기 위한 도면이다.
도 10은 다양한 실시 예에 따른 업스케일된 이미지에 메타 데이터가 저장되는 동작을 설명하기 위한 도면이다.

본 개시에 따른 전자 장치의 이미지 업스케일링 방법에 있어서, 이미지에 포함된 이미지 특성을 인식하기 위한 방법은 이미지 데이터를 딥러닝 모델의 입력 데이터로 이용하여 이미지 또는 이미지 내 이미지 특성을 인식한 출력 데이터를 획득할 수 있다. 딥러닝 모델은 학습을 통해 획득될 수 있다. 여기서, 학습을 통해 획득된다는 것은, 기본 딥러닝 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 딥러닝 모델이 획득됨을 의미한다. 딥러닝 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다.

시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식(Object Recognition), 객체 추적(Object Tracking), 영상 검색(Image Retrieval), 사람 인식(Human Reconnition), 장면 이해(Scene Recognition), 공간 이해(3D Reconstruction/Localization), 영상 개선(Image Enhancement) 등을 포함한다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 딥러닝 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 딥러닝 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 딥러닝 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 딥러닝 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 딥러닝 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.

무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

도 2는 다양한 실시 예에 따른 전자 장치의 이미지 업스케일링 동작을 간략히 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 2를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지(21)를 복수의 딥러닝 모델(210)에 입력하고, 복수의 딥러닝 모델(210)로부터 업스케일된 이미지(22)를 획득할 수 있다.

다양한 실시 예에 따라, 전자 장치는 입력 이미지(21)를 복수의 분할 이미지로 분할하고, 복수의 분할 이미지를 각각 복수의 딥러닝 모델(210)에 입력할 수 있다. 예를 들어, 전자 장치는 메모리(예: 도 1의 메모리(130))의 가용 크기, 입력 이미지(21)의 크기, 적어도 하나의 프로세서(예: 도 1의 프로세서(120))의 연산 능력, 복수의 딥러닝 모델(210) 각각의 크기 또는 입력 이미지(21)의 이미지 특성을 기반으로 복수의 분할 이미지로 분할하고, 복수의 분할 이미지 각각의 이미지 특성을 기반으로, 복수의 분할 이미지 각각을 복수의 딥러닝 모델(210)에 입력할 수 있다.

다양한 실시 예에 따라, 이미지 특성은, 사용자가 이미지를 눈으로 보았을 때 인지할 수 있는 특징으로, 이미지의 밝기, 색감, 명암, 채도, 대비 등의 이미지의 속성 뿐만 아니라, 이미지 내 각 영역의 이미지 신호의 주파수 형태, 이미지에 포함된 윤곽, 에지의 위치, 굵기, 선명도, 밀도, 복잡도, 색상의 배열, 질감, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부 중 적어도 하나를 포함할 수 있다.

다양한 실시 예에 따라, 전자 장치는 복수의 딥러닝 모델(210)에서 출력된 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지(22)를 획득할 수 있다.

다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지(22)를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시하거나, 외부 전자 장치(예: 도 1의 전자 장치(104))에 통신 모듈(예: 도 1의 통신 모듈(190))을 통해 전송할 수 있다.

이하 도 3 내지 도 10을 참조하여, 복수의 딥러닝 모델(210)을 이용하여 업스케일된 이미지를 획득하는 동작을 보다 자세히 설명하기로 한다.

도 3은 다양한 실시 예에 따른 전자 장치의 분할 이미지의 이미지 특성에 기반한 이미지 업스케일링 동작을 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 3을 참조하면, 310 동작에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는, 입력 이미지(예: 도 2의 입력 이미지(21))를 복수의 분할 이미지로 분할할 수 있다.

예를 들어, 전자 장치는 메모리(예: 도 1의 메모리(130))의 가용 크기 또는 입력 이미지의 크기 중 적어도 하나를 기반으로 복수의 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다.

예를 들어, 전자 장치는 메모리의 가용 크기가 크거나, 입력 이미지의 크기가 작으면, 복수의 분할 이미지의 개수는 적은 개수이고, 각 분할 이미지의 크기는 크도록 결정할 수 있다.

다양한 실시 예에 따라, 전자 장치는 적어도 하나의 프로세서(예: 도 1의 프로세서(120))의 연산 능력, 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 각각의 크기를 더 고려하여 복수의 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다. 다양한 실시 예에 따라, 전자 장치는 입력 이미지에 포함된 이미지 특성을 기반으로 복수의 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다. 이미지 특성을 기반으로 입력 이미지를 분할하는 동작은 이하 도 7을 참조하여 설명하기로 한다.

다양한 실시 예에 따라, 메모리에는 메모리의 가용 크기에 따른 분할 이미지의 크기 또는 개수를 룩업 테이블(look-up table)로 저장되어 있을 수 있으며, 전자 장치는 메모리에 저장된 룩업 테이블을 이용하여 분할 이미지의 개수 또는 크기 중 적어도 하나를 식별할 수 있다.

예를 들어, 입력 이미지의 크기가 960 x 540이고, 가로와 세로 각각 4배의 업스케일을 통해 3840 x 2160 크기의 이미지를 획득하고자 하는 경우, 전자 장치는 메모리의 가용 크기, 입력 이미지의 크기, 적어도 하나의 프로세서의 연산 능력, 복수의 딥러닝 모델 각각의 크기 중 적어도 하나를 기반으로 분할 이미지의 개수를 6개로 결정하거나 분할 이미지의 크기를 320 x 270으로 결정할 수 있다.

다양한 실시 예에 따라, 메모리의 가용 크기가 설정된 값 미만이거나, 입력 이미지의 크기가 설정된 값보다 크면, 전자 장치는 서버에 의해 이미지 업스케일 동작이 수행되도록 입력 이미지를 서버(예: 도 1의 서버(108))로 전송할 수도 있다.

다양한 실시 예에 따라, 전자 장치는 이후 350 동작에서의 복수의 업스케일된 분할 이미지의 병합 동작에서의 경계 처리 동작을 위해 분할 이미지 각각이 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩(padding)할 수 있다. 예를 들어, 분할 이미지 경계 별로 4픽셀을 이용하여 패딩 동작을 수행하는 경우, 전자 장치는 분할 이미지의 크기를 328 x 278로 결정할 수 있다. 다양한 실시 예에 따라, 분할 이미지의 이미지 복잡도에 따라 패딩이 수행될 영역의 크기가 조절될 수 있다. 예를 들어, 전자 장치는 분할 이미지의 복잡도가 높으면 패딩이 수행될 영역을 넓게 식별하고, 분할 이미지의 복잡도가 낮으면 패딩이 수행될 영역을 좁게 식별할 수 있다. 다양한 실시 예에 따른, 패딩 동작을 고려한 분할 동작은 이하 도 9를 참조하여 설명하기로 한다.

다양한 실시 예에 따라, 320 동작에서, 전자 장치는 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득할 수 있다.

예를 들어, 전자 장치는 복수의 분할 이미지 각각의 이미지 복잡도 또는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부 중 적어도 하나를 이미지 특성으로써 획득할 수 있다.

다양한 실시 예에 따라, 이미지 특성은 이미지의 밝기, 색감, 명암, 채도, 대비 등의 이미지의 속성뿐만 아니라, 이미지 내 각 영역의 이미지 신호의 주파수 형태, 이미지에 포함된 윤곽, 에지의 위치, 굵기, 선명도, 밀도, 복잡도, 색상의 배열, 질감, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부 중 적어도 하나를 포함할 수 있다.

예를 들어, 전자 장치는 분할 이미지 각각의 주파수 형태를 기반으로, 분할 이미지 각각에 포함된 윤곽, 에지의 위치, 굵기, 선명도, 밀도 또는 색상의 배열 중 적어도 하나를 분석하여 이미지 복잡도의 값을 획득할 수 있다. 또 다른 실시 예로, 전자 장치는 분할 이미지 각각에 포함된 윤곽, 색상 차이 또는 명암 차이 중 적어도 하나를 기반으로 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부를 식별할 수 있다.

다양한 실시 예에 따라, 330 동작에서, 전자 장치는 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별할 수 있다.

다양한 실시 예에 따라, 딥러닝 모델 각각은 복수의 네트워크 레이어 를 포함할 수 있으며, 네트워크 레이어의 깊이가 높은 고복잡도 딥러닝 모델, 네트워크 레이어의 깊이가 낮은 저복잡도 딥러닝 모델 또는 특정 사물에 특화된 딥러닝 모델 중 적어도 하나를 포함할 수 있다.

예를 들어, 전자 장치는 복수의 분할 이미지 중 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지는 네트워크 레이어의 깊이가 높은 제1 딥러닝 모델에 입력하고, 복수의 분할 이미지 중 특정 사물이 포함되지 않고 이미지 복잡도가 설정된 값 미만인 분할 이미지는 네트워크 레이어의 깊이가 낮은 제2 딥러닝 모델에 입력하고, 복수의 분할 이미지 중 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함된 분할 이미지는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)에 특화된 제3 딥러닝 모델에 입력할 수 있다. 이는 일 실시 예일 뿐, 이미지 복잡도에 따라 3개 이상의 딥러닝 모델 중 하나의 딥러닝 모델에 입력될 수도 있다. 또 다른 실시 예로, 분할 이미지에 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식) 포함 여부에 따라 두 개의 딥러닝 모델 중 하나의 딥러닝 모델에 입력될 수도 있다.

다양한 실시 예에 따라, 340 동작에서, 전자 장치는 적어도 하나의 딥러닝 모델을 통해 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득할 수 있다.

다양한 실시 예에 따라, 전자 장치는 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함할 수 있고, 적어도 하나의 프로세서는 각각 복수의 딥러닝 모델 중 적어도 하나를 이용하여 이미지 업스케일 동작을 수행할 수 있다. 예를 들어, 적어도 하나의 프로세서(또는 계산 유닛, 연산 유닛)는, CPU(central processing unit), GPU(graphic processing unit), DSP(digital signal processor) 또는 NPU(neural processing unit) 중 적어도 하나를 포함할 수 있다.

다양한 실시 예에 따라, 적어도 하나의 프로세서는, 적어도 하나의 프로세서 각각의 연산 능력을 기반으로 복수의 딥러닝 모델 중 적어도 하나를 구동할 수 있다.

예를 들어, 고복잡도 딥러닝 모델인 제1 딥러닝 모델은 GPU에 의해 구동되고, 저복잡도 딥러닝 모델인 제2 딥러닝 모델은 CPU에 의해 구동되고, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)에 특화된 제3 딥러닝 모델은 NPU에 의해 구동될 수 있다. 다양한 실시 예에 따라, 복수의 딥러닝 모델이 하나의 프로세서에 의해 구동될 수도 있다.

다양한 실시 예에 따라, 350 동작에서, 전자 장치는 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득할 수 있다.

다양한 실시 예에 따라, 전자 장치는 복수의 업스케일된 분할 이미지의 경계 영역을 처리하여 복수의 업스케일된 분할 이미지를 병합할 수 있다.

예를 들어, 310 동작에서 인접 분할 이미지와 겹치는 영역이 존재하도록 이미지를 분할한 경우, 전자 장치는 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값과, 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수 있다. 다양한 실시 예에 따라, 업스케일된 분할 이미지와 인접한 업스케일된 분할 이미지가 서로 다른 딥러닝 모델에서 출력된 경우, 전자 장치는 각 패딩 영역의 픽셀 값에 다른 가중치를 반영한 후 획득된 평균을 업스케일된 분할 이미지 및 인접한 업스케일된 분할 이미지 각각의 패딩 영역의 픽셀 값으로 결정할 수도 있다.

또 다른 실시 예로, 전자 장치는 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값을 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수도 있다. 예를 들어, 전자 장치는 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정하고, 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정할 수 있다.

다양한 실시 예에 따라, 360 동작에서, 전자 장치는 업스케일된 이미지를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다.

예를 들어, 전자 장치는 업스케일된 이미지를 인코딩하여 디스플레이에 표시할 수 있다.

다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지를 인코딩하는 동작에서 입력 이미지의 분할 정보 또는 이용된 딥러닝 모델 정보가 메타 데이터로써 업스케일된 이미지에 첨부될 수 있다. 업스케일된 이미지에 메타 데이터를 첨부하는 동작은 이하 도 10을 참조하여 설명하기로 한다.

다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지를 통신 모듈(예: 도 1의 통신 모듈(190))을 통해 외부 전자 장치(예: 도 1의 전자 장치(104))로 전송할 수도 있다.

도 4는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 4를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지를 4개의 분할 이미지(411, 412, 413, 414)로 분할할 수 있다. 다양한 실시 예에 따라, 전자 장치는 분할 전 또는 분할 후 4개의 분할 이미지(411, 412, 413, 414) 각각의 이미지 특성을 획득할 수 있다.

예를 들어, 전자 장치는 4개의 분할 이미지(411, 412, 413, 414) 모두 이미지 복잡도가 설정된 값 미만인 것으로 식별되는 경우, 4개의 분할 이미지(411, 412, 413, 414)를 복수의 딥러닝 모델(210) 중 제2 딥러닝 모델에 입력할 수 있다.

다양한 실시 예에 따라, 전자 장치는 4개의 분할 이미지(411, 412, 413, 414)를 제2 딥러닝 모델을 이용하여 순차적(t1, t2, t3, t4)으로 업스케일을 수행할 수 있다.

다양한 실시 예에 따라, 전자 장치는 제2 딥러닝 모델에서 출력된 4개의 분할 이미지(411, 412, 413, 414) 각각에 대응되는 업스케일된 분할 이미지를 병합(420)하여 업스케일된 이미지를 획득하고, 획득된 업스케일된 이미지를 출력할 수 있다.

다양한 실시 예에 따라, 4개의 분할 이미지(411, 412, 413, 414) 모두 이미지 복잡도가 설정된 값 이상인 경우, 전자 장치는 제1 딥러닝 모델을 통해 순차적으로 업스케일 동작을 수행할 수 있고, 분할 이미지(411, 412, 413, 414) 모두 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함된 경우 제3 딥러닝 모델을 통해 순차적으로 업스케일 동작을 수행할 수도 있다.

다양한 실시 예에 따라, 메모리(예: 도 1의 메모리(130))에 특정 사물에 특화된 제3 딥러닝 모델이 저장되지 않은 경우, 전자 장치는 각 분할 이미지의 이미지 복잡도를 기반으로 딥러닝 모델을 선택할 수 있다.

도 5는 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 5를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지를 4개의 분할 이미지(511, 512, 513, 514)로 분할할 수 있다. 다양한 실시 예에 따라, 전자 장치는 분할 전 또는 분할 후 4개의 분할 이미지(511, 512, 513, 514) 각각의 이미지 특성을 획득할 수 있다.

예를 들어, 전자 장치는 4개의 분할 이미지(511, 512, 513, 514) 중 제1 분할 이미지(511) 및 제3 분할 이미지(513)는 이미지 복잡도가 설정된 값 이상인 것으로 식별되고, 제2 분할 이미지(512) 및 제4 분할 이미지(514)는 이미지 복잡도가 설정된 값 미만인 것으로 식별되는 경우, 제1 분할 이미지(511) 및 제3 분할 이미지(513)를 복수의 딥러닝 모델(210) 중 제1 딥러닝 모델에 입력하고, 제2 분할 이미지(512) 및 제4 분할 이미지(514)는 제2 딥러닝 모델에 입력할 수 있다.

다양한 실시 예에 따라, 전자 장치는 제1 분할 이미지(511) 및 제2 분할 이미지(512)를 각각 제1 딥러닝 모델 및 제2 딥러닝 모델을 통해 병렬(t1)적으로 업스케일을 수행할 수 있다.

다양한 실시 예에 따라, 제1 분할 이미지(511) 및 제2 분할 이미지(512)의 업스케일 수행(t1) 후 제3 분할 이미지(513) 및 제4 분할 이미지(514)를 각각 제1 딥러닝 모델 및 제2 딥러닝 모델을 통해 병렬(t2)적으로 업스케일을 수행할 수 있다.

다양한 실시 예에 따라, 전자 장치는 제1 딥러닝 모델 및 제2 딥러닝 모델에서 출력된 4개의 분할 이미지(511, 512, 513, 514) 각각에 대응되는 업스케일된 분할 이미지를 병합(520)하여 업스케일된 이미지를 획득하고, 획득된 업스케일된 이미지를 출력할 수 있다.

다양한 실시 예에 따라, 4개의 분할 이미지(511, 512, 513, 514) 중 3개의 분할 이미지만 이미지 복잡도가 설정된 값 이상이고, 하나의 분할 이미지는 이미지 복잡도가 설정된 값 미만이면, 전자 장치는 제1 딥러닝 모델을 이용하여 3개의 분할 이미지를 순차적으로 업스케일하고, 3개 중 하나의 분할 이미지의 업스케일 동작과 병렬적으로 제2 딥러닝 모델을 이용하여 하나의 분할 이미지를 업스케일할 수 있다.

도 6은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따른 딥러닝 모델을 이용한 업스케일링 동작을 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 6을 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지를 3개의 분할 이미지(611, 612, 613)로 분할할 수 있다. 다양한 실시 예에 따라, 전자 장치는 분할 전 또는 분할 후 3개의 분할 이미지(611, 612, 613) 각각의 이미지 특성을 획득할 수 있다.

예를 들어, 전자 장치는 3개의 분할 이미지(611, 612, 613) 중 제1 분할 이미지(611)는 이미지 복잡도가 설정된 값 이상인 것으로 식별되고, 제2 분할 이미지(612)는 이미지 복잡도가 설정된 값 미만인 것으로 식별되고, 제3 분할 이미지(613)는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함된 것으로 식별되는 경우, 제1 분할 이미지(611)를 복수의 딥러닝 모델(210) 중 제1 딥러닝 모델에 입력하고, 제2 분할 이미지(612)를 제2 딥러닝 모델에 입력하고, 제3 분할 이미지(613)를 제3 딥러닝 모델에 입력할 수 있다.

다양한 실시 예에 따라, 전자 장치는 제1 분할 이미지(611), 제2 분할 이미지(612) 및 제3 분할 이미지(613)를 각각 제1 딥러닝 모델, 제2 딥러닝 모델 및 제3 딥러닝 모델을 통해 병렬(t1)적으로 업스케일을 수행할 수 있다.

다양한 실시 예에 따라, 전자 장치는 제1 딥러닝 모델 내지 제3 딥러닝 모델에서 출력된 3개의 분할 이미지(611, 612, 613) 각각에 대응되는 업스케일된 분할 이미지를 병합(620)하여 업스케일된 이미지를 획득하고, 획득된 업스케일된 이미지를 출력할 수 있다.

도 7은 다양한 실시 예에 따른 전자 장치의 이미지 특성에 따라 이미지를 분할하는 이미지 업스케일링 동작을 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 7을 참조하면, 710 동작에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는 입력 이미지(예: 도 2의 입력 이미지(21))의 영역 별 이미지 특성을 획득할 수 있다.

예를 들어, 전자 장치는 입력 이미지의 영역 별 이미지 복잡도 또는 특성 사물(예: 얼굴 이미지, 식물, 자동차, 음식)의 포함 여부 중 적어도 하나를 이미지 특성으로써 획득할 수 있다.

다양한 실시 예에 따라, 전자 장치는 입력 이미지 내 이미지 복잡도가 설정된 값 이상인 영역, 이미지 복잡도가 설정된 값 미만인 영역 또는 특정 사물이 포함된 영역 중 적어도 하나를 식별할 수 있다.

다양한 실시 예에 따라, 720 동작에서, 전자 장치는 영역 별 이미지 특성을 기반으로 입력 이미지를 복수의 분할 이미지로 분할할 수 있다.

예를 들어, 전자 장치는 입력 이미지 내 영역 별 이미지 복잡도 또는 특정 사물 포함 여부를 기반으로 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 식별하고, 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 기반으로 입력 이미지를 복수의 분할 이미지로 분할할 수 있다.

도 8은 다양한 실시 예에 따른 이미지의 분할 동작을 설명하기 위한 도면이다.

예를 들어, 도 8(a)를 참조하면, 전자 장치(예: 도 1의 전자 장치 또는 프로세서(120))는 입력 이미지 중 이미지 복잡도가 낮은 영역(810)은 큰 크기의 분할 이미지로 분할하고, 이미지 복잡도가 높은 영역(811, 812)은 작은 크기의 분할 이미지로 분할할 수 있다. 이로 인해, 이미지 복잡도가 높은 분할 이미지를 업스케일하는 딥러닝 모델의 처리 부하를 감소시킬 수 있다.

다양한 실시 예에 따라, 도 8(b)를 참조하면, 전자 장치는 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)이 포함되지 않은 배경 영역(820)을 제1 분할 이미지로, 특정 사물(예: 얼굴 이미지, 식물, 자동차, 음식)가 포함된 영역(821)은 제2 분할 이미지로 분할할 수 있다. 예를 들어, 제2 분할 이미지는 특정 사물의 윤곽 모양으로 분할되고, 제1 분할 이미지는 제1 분할 이미지의 모양을 제외한 모양으로 분할될 수 있다.

다양한 실시 예에 따라, 전자 장치는 이후 750 동작에서의 복수의 업스케일된 분할 이미지의 병합 동작에서의 경계 처리 동작을 위해 분할 이미지 각각이 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩(padding)할 수 있다. 다양한 실시 예에 따라, 분할 이미지의 이미지 복잡도에 따라 패딩이 수행될 영역의 크기가 조절될 수 있다. 예를 들어, 전자 장치는 분할 이미지의 복잡도가 높으면 패딩이 수행될 영역을 넓게 식별하고, 분할 이미지의 복잡도가 낮으면 패딩이 수행될 영역을 좁게 식별할 수 있다. 다양한 실시 예에 따른, 패딩 동작을 고려한 분할 동작은 이하 도 9를 참조하여 설명하기로 한다.

다양한 실시 예에 따라, 730 동작에서, 전자 장치는 복수의 분할 이미지 각각을, 영역 별 이미지 특성을 기반으로 메모리(예: 도 1의 메모리(190))에 저장된 업스케일링을 위한 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델에 입력할 수 있다.

예를 들어, 입력 이미지의 영역 별 이미지 특성을 기반으로 복수의 분할 이미지로 분할되었으므로, 전자 장치는 별도의 이미지 특성 식별 동작 없이, 복수의 분할 이미지 각각의 이미지 특성을 기반으로, 복수의 분할 이미지 각각을 복수의 딥러닝 모델 중 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델에 입력할 수 있다.

다양한 실시 예에 따라, 740 동작에서, 전자 장치는 적어도 하나의 딥러닝 모델을 통해 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득할 수 있다.

다양한 실시 예에 따라, 750 동작에서, 전자 장치는 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득할 수 있다.

다양한 실시 예에 따라, 760 동작에서, 전자 장치는 업스케일된 이미지를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다.

다양한 실시 예에 따른 도 7의 730 동작 내지 760 동작은 도 3의 330 동작 내지 360 동작과 동일한 바 중복된 설명은 생략한다.

도 9는 다양한 실시 예에 따른 이미지 분할시 수행되는 패딩(padding) 동작을 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 9를 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는, 메모리의 가용 크기, 입력 이미지의 크기, 적어도 하나의 프로세서의 연산 능력, 복수의 딥러닝 모델 각각의 크기 또는 입력 이미지의 영역 별 이미지 특성 중 적어도 하나를 기반으로 입력 이미지를 3개의 영역(910, 920)로 분할할 수 있다.

다양한 실시 예에 따라, 전자 장치는 딥러닝 모델을 통해 획득된 복수의 업스케일된 분할 이미지의 병합 동작에서의 경계 처리 동작을 위해 분할 이미지 각각이 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩(padding)할 수 있다.

예를 들어, 전자 장치는 제1 영역(910)의 각 경계 별로 설정된 크기(예: 4 픽셀)만큼 크도록 제1 분할 이미지(911)를 획득하고, 제2 영역(920)의 각 경계 별로 설정된 크기(예: 4픽셀)만큼 크도록 제2 분할 이미지(921)를 획득하고, 제3 영역의 각 경계 별로 설정된 크기(예: 4픽셀) 만큼 크도록 제3 분할 이미지를 획득할 수 있다.

다양한 실시 예에 따라, 전자 장치는 입력 이미지의 외부 경계 영역에서는 설정된 크기 만큼 픽셀 값 이 0인 영역을 포함하여 분할 이미지를 획득할 수 있다.

다양한 실시 예에 따라, 입력 이미지의 각 영역(910, 920) 별로 설정된 크기만큼 크도록 분할 이미지를 획득함에 따라, 제1 분할 이미지(911) 및 제2 분할 이미지(921)의 경계는 겹치는 영역(912)이 포함된다.

다양한 실시 예에 따라, 분할 이미지의 이미지 복잡도에 따라 패딩이 수행될 영역의 크기가 조절될 수 있다. 예를 들어, 전자 장치는 분할 이미지의 복잡도가 높으면 패딩이 수행될 영역을 넓게 식별하고, 분할 이미지의 복잡도가 낮으면 패딩이 수행될 영역을 좁게 식별할 수 있다.

다양한 실시 예에 따라, 전자 장치는 적어도 하나의 딥러닝 모델을 통해 출력된 복수의 업스케일된 분할 이미지 중 겹치는 영역(912)에 대응되는 패딩 영역에서 경계 처리 동작을 수행할 수 있다. 예를 들어, 전자 장치는 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값과, 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값의 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수 있다. 다양한 실시 예에 따라, 업스케일된 분할 이미지와 인접한 업스케일된 분할 이미지가 서로 다른 딥러닝 모델에서 출력된 경우, 전자 장치는 각 패딩 영역의 픽셀 값에 다른 가중치를 반영한 후 획득된 평균을 업스케일된 분할 이미지 및 인접한 업스케일된 분할 이미지 각각의 패딩 영역의 픽셀 값으로 결정할 수도 있다.

또 다른 실시 예로, 전자 장치는 인접한 업스케일된 분할 이미지에서 업스케일 전 인접한 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값을 평균을 업스케일된 분할 이미지에서 업스케일 전 분할 이미지의 겹치는 영역(912)에 대응되는 패딩 영역의 픽셀 값으로 결정함으로써 경계 처리 동작을 수행할 수도 있다. 예를 들어, 전자 장치는 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정하고, 인접한 업스케일된 분할 이미지의 패딩 영역의 픽셀 값은 업스케일된 분할 이미지의 패딩 영역의 픽셀 값으로 결정할 수 있다.

도 10은 다양한 실시 예에 따른 업스케일된 이미지에 메타 데이터가 저장되는 동작을 설명하기 위한 도면이다.

다양한 실시 예에 따라, 도 10을 참조하면, 전자 장치(예: 도 1의 전자 장치(101) 또는 프로세서(120))는, 입력 이미지(예: 도 2의 입력 이미지(21))를 이미지 디코더(1010)에 입력하여 입력 이미지의 영역 별 이미지 특성을 식별할 수 있다.

다양한 실시 예에 따라, 전자 장치는 영역 별 이미지 특성을 기반으로 이미지를 분할하고, 딥러닝 모델을 통해 분할 이미지 업스케일을 수행하고, 업스케일된 분할 이미지를 이미지 병합하여 업스케일된 이미지를 획득할 수 있다. 이미지 분할 동작, 업스케일 동작 및 병합 동작은 도 3 및 도 7과 동일한 바, 중복된 설명은 생략한다.

다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지를 이미지 인코더(1020)에 입력할 수 있다. 다양한 실시 예에 따라, 전자 장치는 이미지 디코더(1010)에서 획득된 이미지 분할 정보 또는 딥러닝 모델 정보 중 적어도 하나를 메타 데이터로써 이미지 인코더(1020)에 입력하여 업스케일된 이미지에 첨부할 수 있다.

다양한 실시 예에 따라, 전자 장치는 입력 이미지의 영역 별 이미지 복잡도, 특정 사물 포함 유무, 사용된 딥러닝 모델 정보, 분할 이미지 각각의 위치 정보(예: 경계의 픽셀 정보)를 업스케일된 이미지의 메타 데이터로써 저장할 수 있다.

다양한 실시 예에 따라, 전자 장치는 업스케일된 이미지의 추가 업스케일을 수행하는 경우 업스케일된 이미지의 분석 없이 메타 데이터를 기반으로 추가 업스케일 동작을 수행할 수 있다.

다양한 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는, 메모리(예: 도 1의 메모리(130)), 디스플레이(예: 도 1의 디스플레이 모듈(60)), 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지(예: 도 2의 입력 이미지(21))를 복수의 분할 이미지로 분할하고, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하고, 상기 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델(예: 도 2의 복수의 딥러닝 모델(210)) 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지(예: 도 2의 업스케일된 이미지(22))를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 메모리(예: 도 1의 메모리(130))의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지의 개수 또는 상기 복수의 분할 이미지의 크기 중 적어도 하나를 식별할 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 분할 이미지 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득할 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별할 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))가 복수 개인 경우, 복수의 프로세서 각각은 상기 복수의 딥러닝 모델 중 적어도 하나를 통해 이미지 업스케일링을 수행할 수 있다.

다양한 실시 예에 따르면, 상기 복수의 분할 이미지 각각은, 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩된 것일 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 업스케일된 분할 이미지 각각의 상기 영역에 대응되는 패딩 영역의 픽셀 값과, 상기 복수의 업스케일된 분할 이미지 각각의 인접한 업스케일된 분할 이미지의 상기 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 상기 영역의 픽셀 값으로 획득할 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 복수의 분할 이미지 각각의 이미지 복잡도를 기반으로 상기 영역의 크기를 조절할 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 이미지 특성 정보, 상기 식별된 적어도 하나의 딥러닝 모델 정보 또는 상기 복수의 분할 이미지의 위치 정보 중 적어도 하나를 상기 업스케일된 이미지의 메타 데이터로써 저장할 수 있다.

다양한 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))의 제어 방법은, 입력 이미지를 복수의 분할 이미지로 분할하는 동작, 상기 복수의 분할 이미지 각각에 포함된 이미지 특성을 획득하는 동작, 상기 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하는 동작, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하는 동작, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하는 동작 및 상기 업스케일된 이미지를 상기 디스플레이에 표시하는 동작을 포함할 수 있다.

다양한 실시 예에 따르면, 상기 분할하는 동작은, 상기 메모리의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지의 개수 또는 상기 복수의 분할 이미지의 크기 중 적어도 하나를 식별하는 동작을 포함할 수 있다.

다양한 실시 예에 따르면, 상기 이미지 특성을 획득하는 동작은, 상기 복수의 분할 이미지 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득할 수 있다.

다양한 실시 예에 따르면, 상기 식별하는 동작은, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별할 수 있다.

다양한 실시 예에 따르면, 상기 복수의 업스케일된 분할 이미지를 획득하는 동작은, 상기 전자 장치에 복수의 프로세서가 포함되는 경우, 상기 복수의 딥러닝 모델 중 적어도 하나를 이용하는 상기 복수의 프로세서 각각에 의해 수행될 수 있다.

다양한 실시 예에 따르면, 상기 분할하는 동작은, 상기 복수의 분할 이미지 각각은, 인접한 분할 이미지와 설정된 크기의 영역이 겹쳐지도록 패딩된 것일 수 있다.

다양한 실시 예에 따르면, 상기 업스케일된 이미지를 획득하는 동작은, 상기 복수의 업스케일된 분할 이미지 각각의 상기 영역에 대응되는 패딩 영역의 픽셀 값과, 상기 복수의 업스케일된 분할 이미지 각각의 인접한 업스케일된 분할 이미지의 상기 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 상기 영역의 픽셀 값으로 획득할 수 있다.

다양한 실시 예에 따르면, 상기 복수의 분할 이미지 각각의 이미지 복잡도를 기반으로 상기 영역의 크기를 조절하는 동작을 더 포함할 수 있다.

다양한 실시 예에 따르면, 상기 이미지 특성 정보, 상기 식별된 적어도 하나의 딥러닝 모델 정보 또는 상기 복수의 분할 이미지의 위치 정보 중 적어도 하나를 상기 업스케일된 이미지의 메타 데이터로써 저장하는 동작을 더 포함할 수 있다.

다양한 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는, 메모리(예: 도 1의 메모리(130)), 디스플레이(에: 도 1의 디스플레이(160)), 상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 적어도 하나의 프로세서는, 입력 이미지(예: 도 2의 입력 이미지(21))의 영역 별 이미지 특성을 획득하고, 상기 영역 별 이미지 특성을 기반으로 상기 입력 이미지를 복수의 분할 이미지로 분할하고, 상기 영역 별 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델 중 상기 복수의 분할 이미지 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고, 상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지에 각각 대응되는 복수의 업스케일된 분할 이미지를 획득하고, 상기 복수의 업스케일된 분할 이미지를 병합하여 업스케일된 이미지를 획득하고, 상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 설정될 수 있다.

다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서(예: 도 1의 프로세서(120))는, 상기 입력 이미지의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득하고, 상기 이미지 복잡도 또는 상기 얼굴 이미지 포함 여부를 기반으로 상기 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 식별하고, 상기 복수의 분할 이미지 각각의 크기, 모양 또는 개수 중 적어도 하나를 기반으로 상기 입력 이미지를 상기 복수의 분할 이미지로 분할할 수 있다.

본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.

본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.

본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims

전자 장치에 있어서,
명령들을 저장하는 메모리;
디스플레이;
상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서;를 포함하고,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
입력 이미지를 복수의 분할 이미지들로 분할하고 ― 상기 복수의 분할 이미지들 중 제1 분할 이미지는 인접한 분할 이미지와 중첩하는 패딩(padding) 영역을 포함하고, 상기 패딩 영역의 크기는 상기 제1 분할 이미지의 이미지의 복잡도가 증가하면 증가함 ―,
상기 복수의 분할 이미지들 각각에 포함된 이미지 특성을 획득하고,
상기 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델들 중 상기 복수의 분할 이미지들 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고,
상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지들에 각각 대응되는 복수의 업스케일된 분할 이미지들을 획득하고,
상기 복수의 업스케일된 분할 이미지들을 병합하여 업스케일된 이미지를 획득하고, 그리고
상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 하는,
전자 장치.
제1항에 있어서,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
상기 메모리의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지들의 개수 또는 상기 복수의 분할 이미지들의 크기 중 적어도 하나를 식별하도록 하는,
전자 장치.
제1항에 있어서,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
상기 복수의 분할 이미지들 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득하도록 하는,
전자 장치.
제3항에 있어서,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
상기 복수의 분할 이미지들 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지들 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지들 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별하도록 하는,
전자 장치.
제1항에 있어서,
상기 적어도 하나의 프로세서가 복수 개인 경우, 복수의 프로세서들 각각은 상기 복수의 딥러닝 모델들 중 적어도 하나를 통해 이미지 업스케일링을 수행하도록 구성되는,
전자 장치.
삭제
제1항에 있어서,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
상기 복수의 업스케일된 분할 이미지들 각각의 상기 영역에 대응되는 패딩영역의 픽셀 값과, 상기 복수의 업스케일된 분할 이미지들 각각의 인접한 업스케일된 분할 이미지의 상기 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 상기 영역의 픽셀 값으로 획득하도록 하는,
전자 장치.
삭제
제1항에 있어서,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
상기 이미지 특성에 대한 정보, 상기 식별된 적어도 하나의 딥러닝 모델에 대한 정보 또는 상기 복수의 분할 이미지들의 위치 정보 중 적어도 하나를 상기 업스케일된 이미지의 메타 데이터로써 저장하도록 하는,
전자 장치.
전자 장치의 제어 방법에 있어서,
입력 이미지를 복수의 분할 이미지들로 분할하는 동작 ― 상기 복수의 분할 이미지들 중 제1 분할 이미지는 인접한 분할 이미지와 중첩하는 패딩(padding) 영역을 포함하고, 상기 패딩 영역의 크기는 상기 제1 분할 이미지의 이미지의 복잡도가 증가하면 증가함 ―;
상기 복수의 분할 이미지들 각각에 포함된 이미지 특성을 획득하는 동작;
상기 이미지 특성을 기반으로 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델들 중 상기 복수의 분할 이미지들 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하는 동작;
상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지들에 각각 대응되는 복수의 업스케일된 분할 이미지들을 획득하는 동작;
상기 복수의 업스케일된 분할 이미지들을 병합하여 업스케일된 이미지를 획득하는 동작; 및
상기 업스케일된 이미지를 표시하는 동작을 포함하는,
전자 장치의 제어 방법.
제10항에 있어서,
상기 입력 이미지를 상기 복수의 분할 이미지들로 분할하는 동작은,
상기 메모리의 가용 크기 또는 상기 입력 이미지의 크기 중 적어도 하나를 기반으로 상기 복수의 분할 이미지들의 개수 또는 상기 복수의 분할 이미지들의 크기 중 적어도 하나를 식별하는 동작을 포함하는,
전자 장치의 제어 방법.
제10항에 있어서,
상기 이미지 특성을 획득하는 동작은,
상기 복수의 분할 이미지들 각각의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득하는 동작을 포함하는,
전자 장치의 제어 방법.
제12항에 있어서,
상기 적어도 하나의 딥러닝 모델을 식별하는 동작은,
상기 복수의 분할 이미지들 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 설정된 값 이상인 분할 이미지를 처리할 딥러닝 모델은 제1 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지들 중 얼굴 이미지가 포함되지 않고 이미지 복잡도가 상기 설정된 값 미만인 분할 이미지를 처리할 딥러닝 모델은 제2 딥러닝 모델로 식별하고, 상기 복수의 분할 이미지들 중 얼굴 이미지가 포함된 분할 이미지를 처리할 딥러닝 모델은 제3 딥러닝 모델로 식별하는,
전자 장치의 제어 방법.
제10항에 있어서,
상기 복수의 업스케일된 분할 이미지들을 획득하는 동작은,
상기 전자 장치가 복수의 프로세서들을 포함하는 경우, 상기 복수의 딥러닝 모델 중 적어도 하나를 이용하는 상기 복수의 프로세서들 각각에 의해 수행되는,
전자 장치의 제어 방법.
삭제
제10항에 있어서,
상기 업스케일된 이미지를 획득하는 동작은,
상기 복수의 업스케일된 분할 이미지들 각각의 상기 영역에 대응되는 패딩 영역의 픽셀 값과, 상기 복수의 업스케일된 분할 이미지들 각각의 인접한 업스케일된 분할 이미지의 상기 영역에 대응되는 패딩 영역의 픽셀 값의 평균을 상기 영역의 픽셀 값으로 획득하는 동작을 포함하는,
전자 장치의 제어 방법.
삭제
제10항에 있어서,
상기 이미지 특성에 대한 정보, 상기 식별된 적어도 하나의 딥러닝 모델에 대한 정보 또는 상기 복수의 분할 이미지들의 위치 정보 중 적어도 하나를 상기 업스케일된 이미지의 메타 데이터로써 저장하는 동작을 더 포함하는,
전자 장치의 제어 방법.
전자 장치에 있어서,
명령들을 저장하는 메모리;
디스플레이;
상기 메모리 및 상기 디스플레이와 작동적으로 연결된 적어도 하나의 프로세서;를 포함하고,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
입력 이미지의 영역 별 이미지 특성을 획득하고,
상기 영역 별 이미지 특성을 기반으로 상기 입력 이미지를 복수의 분할 이미지들로 분할하고 ― 상기 복수의 분할 이미지들 중 제1 분할 이미지는 인접한 분할 이미지와 중첩하는 패딩(padding) 영역을 포함하고, 상기 패딩 영역의 크기는 상기 제1 분할 이미지의 이미지의 복잡도가 증가하면 증가함 ―,
상기 영역 별 이미지 특성을 기반으로 상기 메모리에 저장된 업스케일링을 위한 복수의 딥러닝 모델들 중 상기 복수의 분할 이미지들 각각을 처리할 적어도 하나의 딥러닝 모델을 식별하고,
상기 적어도 하나의 딥러닝 모델을 통해 상기 복수의 분할 이미지들에 각각 대응되는 복수의 업스케일된 분할 이미지들을 획득하고,
상기 복수의 업스케일된 분할 이미지들을 병합하여 업스케일된 이미지를 획득하고,
상기 업스케일된 이미지를 상기 디스플레이에 표시하도록 하는,
전자 장치.
제19항에 있어서,
상기 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 전자 장치가:
상기 입력 이미지의 이미지 복잡도 또는 얼굴 이미지 포함 여부 중 적어도 하나를 상기 이미지 특성으로써 획득하고,
상기 이미지 복잡도 또는 상기 얼굴 이미지 포함 여부를 기반으로 상기 복수의 분할 이미지들 각각의 크기, 모양 또는 개수 중 적어도 하나를 식별하고,
상기 복수의 분할 이미지들 각각의 크기, 모양 또는 개수 중 적어도 하나를 기반으로 상기 입력 이미지를 상기 복수의 분할 이미지들로 분할하도록 하는,
전자 장치.