KR20190119548A

KR20190119548A - 이미지 노이즈 처리방법 및 처리장치

Info

Publication number: KR20190119548A
Application number: KR1020190122340A
Authority: KR
Inventors: 손영호; 서영연; 여창준
Original assignee: 엘지전자 주식회사
Priority date: 2019-10-02
Filing date: 2019-10-02
Publication date: 2019-10-22
Also published as: US20210104021A1

Abstract

이미지 노이즈 처리방법 및 처리장치가 개시된다. 이미지 노이즈 처리방법은, 저조도 노이즈가 포함된 대상 이미지 입력, 노이즈 수준 예측 및 노이즈 수준에 대응하는 디노이징 서브-네트워크에 의한 대상 이미지의 선택적 처리를 포함한다. 본 발명에 따르면, 노이즈 수준 예측에 기반하여 5G 네트워크를 통한 디노이징 신경 네트워크의 선택적 적용이 가능하다.

Description

이미지 노이즈 처리방법 및 처리장치{METHOD AND APPARATUS FOR PROCESSING IMAGE NOISE}

본 발명은 이미지 노이즈 처리방법 및 처리장치에 관한 것으로, 더욱 상세하게는 딥 러닝 기반의 신경 네트워크를 이용하여 저조도 환경에서 획득된 이미지에 포함된 노이즈를 제거하는 방법 및 이를 이용하는 이미지 노이즈 처리장치에 관한 것이다.

저조도 환경에서 수집된 영상은 필연적으로 노이즈를 포함한다. ISO 감도가 높아짐에 따라 노이즈도 함께 증폭되기 때문에 저조도 이미지 내의 노이즈의 양은 더욱 증가할 수 있다.

이미지 센서 기술의 발달에 따라 고감도 저노이즈 센싱 기술이 개발되고 있지만, 이미지 센서에 도달하는 양자의 절대량 부족이 원인인 저조도 노이즈가 원천적으로 배제되는 데에는 여전히 한계가 있다.

하나의 관련 기술로서 저조도 영상 처리 방법 및 시스템이 등록번호 KR 제10-1442153호의 등록공보에 개시된다. 이 관련 기술에 따르면 조도와 감도가 다른 제1 및 제2 영상 획득이 필요하고, 제1 영상 기준의 제2 영상의 움직임 벡터를 이용한 제2 영상 보정을 통해 제2 영상의 노이즈가 제거될 수 있다. 그런데, 이 관련 기술에 따르면 2개의 영상이 준비되어야 하는 제한이 따르고 제1 영상에 노이즈가 포함된 경우 노이즈 제거 효과가 낮다는 문제점이 있다.

또한, 다른 관련 기술로서 카메라의 3차원 디지털 노이즈 제거장치 및 방법이 등록번호 KR 제10-1555056호의 등록공보에 개시된다. 이 관련 기술에 따르면 조도 값의 범위에 따라 프레임의 개수인 텝 수를 서로 다르게 설정함으로써 3차원 디지털 노이즈가 제거될 수 있다. 그런데, 이 관련 기술은 동영상 및 3차원 디지털 노이즈에 한정하여 적용이 가능하다는 단점이 있다.

KR 등록특허공보 제10-1442153호(2014.09.12. 등록) KR 등록특허공보 제10-1555056호(2015.09.16. 등록)

본 발명의 일 과제는, 2개의 영상, 즉 대상 영상과 이와 비교될 수 있는 기준 영상을 통해서만 이미지 노이즈를 제거할 수 밖에 없었던 종래 기술의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 3차원 디지털 노이즈에 한정하여 이미지 노이즈를 제거할 수 밖에 없었던 종래 기술의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 이미지 노이즈 예측 없이 블라인드 노이즈 제거 방법으로 노이즈를 제거함에 따라 성능 한계를 보였던 종래 기술의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 이미지 노이즈 예측이 있는 경우에도 예측 결과를 노이즈 처리에 반영하지 못했던 종래 기술의 문제점을 해결하는 것이다.

본 발명의 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 발명의 일 실시 예에 따른 이미지 노이즈 처리방법은, 복수의 서브-네트워크(sub-networks)를 포함하는 신경 네트워크(neural network)를 통한 대상 이미지의 입력, 복수의 서브-네트워크 중에서 노이즈 예측 서브-네트워크(noise estimation sub-network)를 이용하는 대상 이미지의 노이즈 수준(noise level) 예측 및 복수의 서브-네트워크 중에서 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하는 대상 이미지 처리를 포함하도록 구성될 수 있다.

또한, 노이즈는, 가산 백색 가우시안 노이즈(Additive White Gaussian Noise), 비-가우시안 백색 노이즈, 및 광자 샷 노이즈(photon shot noise) 중에서 적어도 하나를 포함할 수 있다.

또한, 노이즈는, 가우시안(Gaussian) 분포, 푸아송(Poisson) 분포 및 베루누이(Vernuie) 분포 중에서 적어도 하나를 따를 수 있다.

또한, 대상 이미지의 노이즈 수준 예측은, 블록 기반 접근법 또는 필터 기반 접근법을 포함하도록 구성될 수 있다.

또한, 대상 이미지의 노이즈 수준 예측은, 예측된 노이즈 수준에 따라 대상 이미지를 복수의 서브-이미지로 분할 및 서브-이미지에 대한 노이즈 분포를 나타내는 노이즈 맵 생성을 포함하도록 구성될 수 있다. 그리고 대상 이미지 처리는, 노이즈 맵에 기반하는 서브-이미지의 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하는 대상 이미지 처리를 포함하도록 구성될 수 있다.

또한, 대상 이미지 처리는, 신경 네트워크를 구성하는 레이어(layer)의 수, 훈련 데이터 셋의 양 및 훈련 데이터 셋을 이용한 학습 회수 중에서 적어도 하나에 따라 노이즈 수준에 대응하는 디노이징 서브-네트워크 선택을 더 포함하도록 구성될 수 있다.

또한, 이미지 노이즈 처리방법은, 입력 이미지 쌍의 차이로 인한 노이즈 차이의 학습에 기반하는 잔여 학습(residual learning)을 이용하는 디노이징 서브-네트워크의 훈련을 더 포함하도록 구성될 수 있다.

또한, 디노이징 서브-네트워크의 훈련은, 노이즈가 포함된 입력 이미지 쌍의 입력, 입력 이미지 간의 차이를 이용하는 노이즈 차이 분석 및 노이즈 차이에 기반하는 입력 이미지 쌍 중의 하나의 입력 이미지에서 기저 깨끗한 이미지(latent clean image) 분리로 인하 잔류 이미지(residual image) 출력을 포함하도록 구성될 수 있다.

또한, 입력 이미지 쌍은, 동일 객체를 피사체로 하고, 동일 초점 거리 및 동일 구도에서 촬영된 이미지에 해당할 수 있다.

또한, 입력 이미지 쌍의 노이즈는, 저조도 환경에서 촬영됨에 따라 자연적으로 발생한 노이즈를 포함할 수 있다.

또한, 대상 이미지 처리는, 디노이징 서브-네트워크의 잔여 학습(residual learning)의 훈련 결과에 따라 대상 이미지에서 추출된 노이즈 출력 및 추출된 노이즈에 기반하는 대상 이미지에서 노이즈가 제거된 기저 깨끗한 이미지(latent clean image) 출력을 포함하도록 구성될 수 있다.

본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치는, 복수의 서브-네트워크를 포함하는 신경 네트워크(neural network) 및 입력된 대상 이미지의 노이즈를 처리하도록 신경 네트워크(neural network)를 제어하는 프로세서를 포함하도록 구성될 수 있다. 그리고 신경 네트워크는, 대상 이미지의 노이즈 수준(noise level)의 등급을 예측하는 노이즈 예측 서브-네트워크(noise estimation sub-network) 및 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하여 대상 이미지의 노이즈를 처리하는 딥 러닝 기반의 복수의 디노이징 서브-네트워크를 포함하도록 구성될 수 있다.

또한, 노이즈 예측 서브-네트워크는 블록 기반 접근법 또는 필터 기반 접근법을 이용하여 대상 이미지의 노이즈 수준을 예측할 수 있다.

또한, 프로세서는, 예측된 노이즈 수준에 따라 대상 이미지를 복수의 서브-이미지로 분할하고, 서브-이미지에 대한 노이즈 분포를 나타내는 노이즈 맵을 생성하도록 노이즈 예측 서브-네트워크를 제어하고 그리고 노이즈 맵에 기반하여 서브-이미지의 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하여 대상 이미지를 처리할 수 있다.

또한, 프로세서는, 신경 네트워크를 구성하는 레이어(layer)의 수, 훈련 데이터 셋의 양 및 훈련 데이터 셋을 이용한 학습 회수 중에서 적어도 하나에 따라 노이즈 수준에 대응하는 디노이징 서브-네트워크를 선택할 수 있다.

또한, 디노이징 서브-네트워크는, 입력 이미지 쌍의 차이로 인한 노이즈 차이의 학습에 기반하는 잔여 학습을 이용하여 입력 이미지 쌍의 입력 데이터에 대해 노이즈만을 포함하는 잔여 이미지를 출력하는 훈련을 수행할 수 있다.

또한, 디노이징 서브-네트워크는, 입력 이미지 쌍에 대해 입력 이미지 간의 차이를 이용하여 노이즈 차이를 분석하고, 노이즈 차이에 기반하여 입력 이미지 쌍 중의 하나의 입력 이미지에서 기저 깨끗한 이미지(latent clean image)를 분리함으로써 잔류 이미지(residual image)를 출력하도록 훈련될 수 있다.

또한, 프로세서는, 디노이징 서브-네트워크의 잔여 학습(residual learning)의 훈련 결과에 따라 대상 이미지에서 추출된 노이즈를 출력하도록 디노이징 서브-네트워크를 제어하고, 추출된 노이즈에 기반하여 대상 이미지에서 노이즈가 제거된 기저 깨끗한 이미지(latent clean image)를 출력할 수 있다.

본 발명에 의하면, 노이즈 수준의 예측에 따라 저조도 노이즈가 적합한 성능의 디노이징 서브-네트워크에 의해 선택적으로 처리될 수 있다.

또한, 노이즈 간의 감산을 이용하는 잔여 학습을 통해 저조도 이미지의 노이즈가 효율적으로 제거될 수 있다.

또한, 가상의 노이즈가 아닌 실제 노이즈가 포함된 이미지를 훈련용 데이터로 이용하는 학습을 통해 저조도 노이즈가 제거될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 이미지 노이즈와 관련된 빛의 양자적 특성을 설명하는 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치가 연결된 네트워크 환경의 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치에 해당하는 단말기의 블록도이다.
도 4는 도 3에서 메모리의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 학습 장치의 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 이미지 노이즈 처리방법의 흐름도이다.
도 7은 본 발명의 일 실시 예에 따른 디노이징 서브-네트워크의 예시도이다.
도 8은 본 발명의 일 실시 예에 따른 잔여 학습의 예시도이다.
도 9는 본 발명의 일 실시 예에 따른 배치 정규화의 예시도이다.
도 10은 본 발명의 일 실시 예에 따른 신경망 네트워크의 예시도이다.
도 11은 본 발명의 일 실시 예에 따른 디노이징 서브-네트워크의 예시도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

모바일 단말기에 해당하는 스마트폰에 장작된 카메라는 소형화된 모듈 및 센서를 포함하고 있다. 따라서 어두운 장소 및 실내 등의 열악한 환경에서 스마트폰에 의해 촬영된 이미지는 노이즈로 인해 영상 품질이 떨어질 수 있다. 이미지 품질 개선 목적으로 이미지 노이즈 제거를 위한 이미지 후처리 연구가 다양하게 이루어지고 있으나, 제한된 연산 능력을 갖는 스마트폰에서 직접 활용될 수 있게 스마트폰에 맞게 최적화된 알고리즘이 필요하다.

이미지 노이즈는 이미지의 획득, 변환 및 전송 과정에서 혼입되는 대상 이미지를 훼손시키는 불필요한 화소 정보를 의미한다. 여러 노이즈 중에서, 판독 노이즈(read noise)는 증폭기에서 전자적으로 발생하는 노이즈이다. 다크 노이즈(dark noise)는 센서에서 열전자로 인해 발생하는 노이즈이다. 그리고 포톤 샷 노이즈(photon shot noise)는 빛의 성질로 인한 노이즈로서 기술 향상에도 불구하고 제거하는데 한계가 있는 노이즈이다.

CCD 또는 CMOS 이미지 센서의 픽셀은 광자(photon)를 흡수해서 전자를 생성한다. 그리고 최종적으로 전자의 개수를 셈으로써 얼마나 많은 광자가 각 픽셀에 도달했는지 측정한다. 광자를 세어 빛의 평균 세기를 측정하는 데는 피할 수 없는 한계가 있다. 이는 광자가 무작위적으로 떨어지기 때문이다.

일반적으로 저조도 환경에서 스마트폰에 장착된 카메라를 통해 이미지가 획득되는 경우, 이미지 센서의 동작 과정에서 발생하는 하드웨어적 노이즈 즉, 포톤 샷 노이즈(photon shot noise)가 발생한다.

포톤 샷 노이즈는 노출이 부족한 이미지 전체에 분포할 수 있으며, 동일 이미지 내에서는 밝은 픽셀 보다는 어두운 픽셀에 더 많이 나타날 수 있다. 빛은 양자적 특징으로 인해 불규칙한 밀도의 패킷으로 이동한다. 따라서 빛 노출 시간의 길이에 따라 도달한 양자의 표준편차는 큰 차이를 보일 수 있다.

도 1은 본 발명의 일 실시 예에 따른 이미지 노이즈와 관련된 빛의 양자적 특성을 설명하는 예시도이다.

도 1을 참조하면, 도 1의 좌측 영역에는 빛 노출 시간이 짧은 경우와 대응하는 모델이 묘사되어 있다. 도 1의 우측 영역에는 빛 노출 시간이 긴 경우와 대응하는 모델이 묘사되어 있다.

여기서 빛을 구성하는 광자는 빗방울에 비유될 수 있다. 따라서 짧은 시간 동안 비에 노출된 경우가 장시간 노출된 경우보다 각 비커 간의 빗방울의 표준편차가 크다. 마찬가지로 단기 노출이 장기 노출보다 픽셀 간의 도달한 광자의 표준편차가 크기 때문에 단기 노출 때의 포톤 샷 노이즈가 장기 노출 때의 그것보다 클 수 밖에 없다.

종래기 기술에 따른 이미지 노이즈 제거 방법은 지역적 방법(local method)과 비지역적 방법(non-local means method)으로 분류될 수 있다. 지역적 방법은 복원하려는 중심 픽셀을 기준으로 인접한 픽셀 값들의 평균 값, 중심 값, 최대 값 또는 최소 값을 이용하는 방법이다. 지역적 방법은 중심픽셀에서 참조할 수 있는 정보 양이 주변 영역으로 한정 되어 있다. 이로 인해 지역적 방법들은 이미지 디테일 정보를 지키고 노이즈를 억제하는데 한계점을 보이고 있다.

반면에, 비지역적 방법은 복원하려는 픽셀과 비지역적인 즉, 탐색 윈도우 범위에서의 유사도에 따른 가중치를 이용하여 대상 데이터를 복원한다. 그러나 비지역적 방법도 중심 픽셀을 타 픽셀로 대체하는 것이기 때문에 노이즈 억제에 한계가 있다.

잡음 모형을 이용하여 이미지 노이즈를 표현하면 다음과 같다.

수학식 1에서 x는 노이즈가 포함된 이미지의 픽셀 데이터, y는 노이즈가 없는 이미지의 픽셀 데이터, v는 노이즈의 픽셀 데이터를 각각 의미한다. 노이즈(v)의 픽셀 데이터는 확률 변수(z)와 표준편차(σ)의 곱으로 표현될 수 있는데, z는 확률변수이고 σ는 표준편차로서 노이즈의 정도를 나타낸다. z는 확률변수의 종류에 따라 표준정규 분포, 푸아송 분포 또는 베루누이 분포의 확률변수일 수 있다.

노이즈가 포함된 이미지의 품질을 나타내는 몇 가지 지수가 있다.

SSIM은 구조적 유사 지수(structural similarity index)의 약자이다. 압축 및 변환에 의해 발생하는 왜곡을 포함하는 영상의 원본 영상에 대한 유사도를 측정하는 방법이다. SSIM은 이미지 질적 수준을 평가하는 방법으로 인간의 시각인지 체계(human visual system, HVS)를 효과적으로 반영하고 있다. SSIM은 이미지의 구조적 정보인 휘도(luminance), 명암비(contrast), 구조(structure)들을 추출하여 구조적 유사도를 구한 다음 이미지의 품질을 측정할 때 사용된다. 1에 가까울수록 유사도가 높으며 반대로 0에 가까울수록 유사도가 낮다. 수학식 2에서, x는 대상 이미지이고 y는 복원된 이미지, μ_x와 μ_y는 x, y 이미지의 평균 gray-level들이다. σ² _x, σ² _y 및 σ_xy는 x, y의 공분산(covariance)을 나타내며 c₁, c₂는 수식을 안정화하기 위한 weak denominator이다.

PSNR은 신호대잡음비(peak signal-to-noise ratio)의 약자로서 최대 신호대 잡음비를 나타낸다. PSNR은 SNR과 비슷한 개념으로 신호가 가질 수 있는 최대 신호에 대한 잡음의 비를 나타내는데 주로 영상 또는 동영상 손실 압축에서 화질 손실 정보를 평가할 때 사용된다. 로그스케일에서 측정되기 때문에 단위로 주로 [db]가 사용되며, 노이즈가 적을수록 높은 값을 가진다. 수학식 3에서 y_i는 예측된 값, d_i는 실측 픽셀 값이다.

도 2는 본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치가 연결된 네트워크 환경의 예시도이다.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치로서 단말기(100), 데스크탑 컴퓨터(101), 디지털 카메라(102), 학습 장치(200) 및 이들이 서로 통신할 수 있도록 서로를 통신 연결시키는 네트워크(500)로 구성된 네트워크 환경(1)이 묘사되어 있다.

본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치는, 구현되는 형태에 따라 단말기(100), 데스크탑 컴퓨터 및 디지털 카메라 등의 장치로 표현될 수 있고, 다만 도 2에 묘사된 범위로 한정되는 것은 아니다.

이하 이미지 노이즈 처리장치의 다양한 실시 예 중에서 단말기(100)에 초점을 맞추어 본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치(100)에 대해 설명하기로 한다. 다른 특별한 가정 또는 조건이 없다면 단말기(100)에 관한 설명은 데스크탑 컴퓨터(101), 디지털 카메라(102)와 같은 다른 형태의 이미지 노이즈 처리장치에도 그대로 적용될 수 있다.

이미지 노이즈 처리장치(100)는 학습 장치(200)를 이용하여 이미지 노이즈를 제거할 수 있다. 즉 이미지 노이즈 처리장치(10)는 학습 장치(200)에 의해 훈련된 후, 학습 장치(200)에 저장된 인공지능 모델, 예를 들어 신경 네트워크(neural network)를 이용할 수 있다. 또한, 이미지 노이즈 처리장치(100)는 다운로드를 통해 이미지 노이즈 처리장치(100)에 저장된, 학습 장치(200)에 의해 훈련된 인공지능 모델을 이용하여 이미지의 노이즈를 제거할 수 있다. 인공지능에 관한 자세한 사항은 후술하기로 한다.

학습 장치(200)는 본 발명의 일 실시 예에 따른 노이즈 제거에 이용되는 인공지능 모델, 예를 들어 각종 신경 네트워크의 학습을 훈련시키고 평가할 수 있다. 평가를 마치고 완성된 인공지능 모델은 학습 장치(200) 또는 이미지 노이즈 처리장치(100) 내에 저장된 상태에서 이미지 노이즈 처리장치(100)에 의해 이용될 수 있다. 학습 장치(200)에 관한 자세한 사항은 후술하기로 한다.

네트워크(500)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G, LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.

네트워크(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.

단말기(100)는 5G 네트워크를 통해 학습 장치(200)와 데이터를 전송하고 수신할 수 있다. 특히 단말기(100)로 구현되는 이미지 노이즈 처리장치(100)는 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 학습 장치(200)와 데이터 통신을 할 수 있다.

eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.

URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.

mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

또한, 이미지 노이즈 처리장치(100)는 전이학습 방식에 기반하여 사용자의 개인 데이터를 이용하여 학습 장치(200)에 의해 훈련된 인공지능 모델을 재학습 시킬 수 있다. 인공지능 모델을 실행시키거나 재학습 과정에서 이미지 노이즈 처리장치(100)는 학습 장치(200)로부터 제공되는 각종 인공지능 응용 프로그램을 이용할 수 있다.

본 발명의 일 실시 예에 따라 심층 신경망, 예를 들어 딥 러닝(deep learning) 기반의 이미지 처리방법으로 크게 2가지 방법이 이용될 수 있다. 그 중에서 하나의 방법은 기초부터 딥 러닝 모델을 훈련시키는 것이고 다른 하나는 이미 훈련된 딥 러닝 모델을 이용하는 것이다.

딥 러닝 모델의 기초 훈련, 즉 딥 네트워크의 훈련은 레이블이 지정된, 매우 방대한 훈련 데이터 세트를 모으고, 네트워크 아키텍처를 설계하여 특징을 학습하고 모델을 완성하는 과정이 필요하다. 딥 네트워크의 훈련을 통해 뛰어난 결과물을 얻을 수 있지만, 이러한 접근 방식을 위해서는 방대한 분량의 훈련 데이터 셋이 필요하고, 이용되는 네트워크, 가령 합성곱 신경 네트워크(convolutional neural network, CNN)에 레이어와 가중치 설정이 필요하다.

사전에 훈련된 딥 러닝 모델에서 이용되는 다수의 딥 러닝 응용 프로그램은 사전 훈련된 모델을 세밀하게 조정하는 방법이 포함된 프로세스인 전이 학습(transfer learning)이 사용될 수 있다. 이 전이 학습 방식에서는 이전에 알려지지 않은 클래스를 포함하는 새로운 데이터가 딥 네트워크, 예를 들어 AlexNet 또는 GoogLeNet과 같은 기존 딥 네트워크에 주입될 수 있다.

전이 방법의 사용에 따르면 빅데이터 급의 이미지 데이터로 모델을 미리 훈련한 덕분에 시간 소모가 줄게 되고 결과물이 빠르게 산출될 수 있다.

딥 러닝 모델은 이미지 데이터를 이용한 노이즈 추출에 있어서 높은 수준의 정밀도를 제공하지만, 정확한 예측을 위해서는 대량의 훈련 데이터 셋을 필요로 한다.

본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치(100)는 딥 러닝 모델의 하나로서, 입력 데이터로서 사용자의 이미지 데이터를 수집하고, 이를 이용하여 훈련시킨 CNN 모델을 이용할 수 있다. CNN은 추출된 특징을 고유 카테고리로 분류함으로써 입력 이미지에서 노이즈를 추출할 수 있다.

머신 러닝 기반의 이미지 노이즈 처리는 수동의 특징 추출과 추출된 특징을 분류하는 과정을 포함할 수 있다. 예를 들어 SVM(Support Vector Machine) 머신 러닝 알고리즘을 이용한 HOG 특징 추출이 본 발명의 일 실시 예로서 사용될 수 있다. 그 밖의 특징 추출 알고리즘으로 Harris corner, Shi & Tomasi, SIFT-DoG, FAST, AGAST, 주요 불변 특징량(SURF, BRIEF, ORB) 방법이 이용될 수 있다.

도 3은 본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치에 해당하는 단말기의 블록도이다.

단말기(100)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.

즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

도 3을 참조하면, 단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원공급부(190)를 포함할 수 있다.

학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.

한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth?), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.

입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.

구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다.

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.

선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.

프로세서(180)는 무선 통신부(110)를 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)와 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광 출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.

메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

메모리(170)는 러닝 프로세서(130) 또는 학습 장치(200)에서 학습된 모델을 저장할 수 있다.

이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 3과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

도 4는 도 3에서 메모리의 블록도이다.

도 4를 참조하면, 이미지 노이즈 처리장치(100)로서 단말기(100)에 포함된 메모리(170)의 구성요소가 간략하게 도시되어 있다. 메모리(170)에는 각종 컴퓨터 프로그램 모듈이 탑재될(loaded) 수 있다. 메모리(170)에 탑재되는 컴퓨터 프로그램의 범위에 운영체제(operating system), 하드웨어를 관리하는 시스템 프로그램 외에 응용 프로그램으로 전처리 모듈(171), 노이즈 예측 서브-네트워크(173), 디노이징 서브-네트워크(174), 및 학습 모듈(175)이 포함될 수 있다.

전처리 모듈(171)과 관련된 입력 이미지의 전처리, 예를 들어 이미지의 크기 조절, 밝기 조절, 화이트 발란스 조절, 및 감마 값 조절 등과 관련된 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.

신경 네트워크(172) 내에 구성되는 노이즈 예측 서브-네트워크(173)와 관련된 입력 이미지의 노이즈 수준을 예측하는 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.

디노이징 서브-네트워크(174)와 관련된, 예측된 노이즈 수준에 대응하는 디노이징 서브 네트워크를 선택하고, 선택된 디노이징 서브 네트워크를 이용하여 입력 이미지의 노이즈를 처리하는 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.

학습 모듈(175)과 관련된, 사용자의 개인 데이터를 이용하여 이미 훈련된 인공지능 모델, 예를 들어 심층 신경망을 재학습시키는 기능은 프로세서(180) 또는 러닝 프로세서(130)의 각종 연산 기능을 통해 수행될 수 있다.

도 5는 본 발명의 일 실시 예에 따른 학습 장치의 블록도이다.

학습 장치(200)는 단말기(100)의 외부에 별도로 구성된 장치 또는 서버로, 단말기(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.

즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치(200)는 적어도 하나의 단말기(100)와 통신할 수 있고, 단말기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치(200)는 주기적으로 혹은 요청에 의하여 단말기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 5를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 도 3의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 도 3의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.

입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.

입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 도 3의 메모리(170)에 대응되는 구성이다.

메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 5에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 도 3의 러닝 프로세서(130)에 대응되는 구성이다.

러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다

이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.

전원 공급부(250)는 도 3의 전원공급부(190)에 대응되는 구성이다.

서로 대응되는 구성에 대한 중복되는 설명은 생략한다.

도 2를 다시 참조하면, 본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치(100)는 단말기(100) 형태로 구현될 수 있다. 도 4에서 단말기(100)의 메모리(170)의 전처리 모듈(171), 신경 네트워크(172) 및 학습 모듈(175)을 포함하는 구성이 묘사되어 있다. 전처리 모듈(171), 신경 네트워크(172) 및 학습 모듈(175) 중에서 적어도 하나는 학습 장치(200)로부터 다운로드 되어 저장 메모리(103)에 저장된 상태에서 메모리(170)에 로드될 수 있다. 신경 네트워크(172)는 복수의 서브-네트워크를 포함하도록 구성될 수 있으며, 서브-네트워크는 노이즈 예측 서브-네트워크(173)와 노이즈 수준에 따른 복수의 디노이징 서브-네트워크(174)를 포함하도록 구성될 수 있다.

도 6은 본 발명의 일 실시 예에 따른 이미지 노이즈 처리방법의 흐름도이다.

도 6을 참조하면, 대상 이미지의 노이즈 처리에 앞서 복수의 디노이징 서브-네트워크(174)는 딥러닝에 기반하여 입력 이미지의 노이즈를 처리하도록 훈련될 수 있다(S110).

구체적으로 노이즈 처리의 훈련(S110)은 노이즈가 포함된 입력 이미지 쌍의 입력, 입력 이미지 간의 차이를 이용한 노이즈 분석 및 노이즈 차이에 기반하여 입력 이미지 쌍 중의 하나의 입력 이미지에서 기저 깨끗한 이미지의 분리에 의한 잔류 이미지(residual image) 출력을 포함하도록 구성될 수 있다. 여기서, 잔류 이미지는 입력 이미지의 노이즈에 해당한다.

입력 이미지 쌍은 동일 객체를 피사체로 하고, 동일 초점 거리 및 동일 구도에서 촬영된 이미지에 해당한다. 그리고 입력 이미지 쌍의 노이즈는 저조도 환경에서 촬영됨에 따라 자연적으로 발생한 노이즈를 포함한다.

결론적으로 입력 이미지 쌍을 훈련 데이터 겟의 입력 데이터로 사용함으로써 기저 깨끗한 이미지에 해당하는 원본 이미지(ground truth) 없이도 노이즈 간의 차이를 이용하는 노이즈 분석이 가능하다. 또한, 원본 이미지에 인위적으로 노이즈를 첨가하지 않고, 서로 다른 노이즈를 포함하는 입력 이미지 쌍에 의하여도 노이즈 분석이 가능하다.

본 발명의 일 실시 예에 따른 훈련 단계에서의 입력 이미지 및 추론 단계에서의 대상 이미지에 포함된 노이즈는 가산 백색 가우시안 노이즈(addictive white Gaussian noise), 비-가우시안 백색 노이즈, 및 포톤 샷 노이즈(photon shot noise) 중에서 적어도 하나를 포함하는 노이즈일 수 있다.

또한, 본 발명의 일 실시 예에서 사용되는 이미지에 포함된 노이즈는 노이즈의 종류에 따라 가우시안 분포(gaussian), 푸아송(poisson) 분포 및 베루누이(vernuie) 분포 중에서 적어도 하나를 따를 수 있다.

도 7은 본 발명의 일 실시 예에 따른 디노이징 서브-네트워크의 예시도이다.

도 7을 참조하면, 본 발명의 일 실시 예에 따른 디노이징 서브-네트워크가 묘사되어 있다. 입력 데이터로 노이즈가 포함된 입력 이미지가 입력된다. 그리고 출력 데이터로는 대상 이미지에서 기저 깨끗한 이미지가 제거된 잔류 이미지인 노이즈가 출력된다.

디노이징 서브-네트워크(174)는 레이어의 깊이(D)로서 17 내지 20개의 층을 포함하도록 구성될 수 있다. 여기에는, 3가지 타입의 레이어가 사용될 수 있다. 제1 타입은 첫 번째 레이어인 Conv+ReLU 레이어이다. 그리고 만들려는 수의 특징 맵의 수만큼의 필터가 사용될 수 있다. 수정된 선형 유닛(rectified linear units)이 비선형성에 대해 사용될 수 있다. ReLU에 해당하는 활성화함수는 입력이미지, 가중치 및 바이어스로 구성된 함수이다. 여기서 가중치는 일정 크기의 필터에 해당한다. 필터의 개수는 특징 추출을 위한 특징 맵의 개수를 나타낸다.

제2 타입은 2 내지 D-1번째 층에 적용되는 Conv+BN+ReLU 레이어이다. 여기서, BN은 배치 정규화(batch normalization)를 뜻한다. 이 레이어에서 복수의 필터와 배치 정규화가 이용될 수 있다. 배치 정규화는 Conv와 ReLU 층 사이에 삽입된다.

ReLU 및 BN은 Vanishin/exploding gradient 문제 해결을 위해 사용될 수 있다.

도 8은 본 발명의 일 실시 예에 따른 잔여 학습의 예시도이다.

복수의 디노이징 서브-네트워크는 잔여 학습(residual learning)에 기반하여 입력 이미지에의 노이즈를 처리하도록 훈련될 수 있다(S111).

도 8을 참조하면, 잔여 학습은 기존의 네트워크에 일정의 스킵 커넥션(skip connection)을 추가하는 것을 말한다. 도 8에서 2개의 가중치 레이어(weight layer)를 거친 것에 입력을 그대로 더해주는 형태로 구성되어 있는데, 이를 잔여 학습 블록이라 한다.

수학식 4에서 최종 학습해야 할 것을 H(x), 쌓인(stacked) 레이어의 출력을 F(x), 그리고 입력(input)을 x라고 하면,

수학식 4와 같은 형태로 블록이 만들어 질 수 있다. 수학식 5에서 스킵 커넥션이 없었던 것에 비해서 F(x)는 입력의 차이만을 학습하면 되므로, 이 때문에 잔여 학습이라 불리운다.

본 발명의 일 실시예에 따른 딥 러닝 기반의 디노이징 서브-네트워크(174)는 잔여 학습을 수행할 수 있는 일명 ResNet을 포함하도록 구성될 수 있다. 디노이징 서브-네트워크는(174) 잔여 학습을 통해 기저 깨끗한 이미지(latent clean image)를 공통으로 포함하는 입력 이미지 쌍의 제1 이미지와 제2 이미지의 차이에 해당하는 노이즈 간의 차이를 학습할 수 있다. 이는 기저 깨끗한 이미지가 네트워크의 입력 데이터로 입력되지 않는 경우에도 노이즈의 학습이 가능한 것이다. 그리고 디노이징 서브-네트워크는 학습된 노이즈를 출력하고, 출력된 노이즈에 기반하여 입력 이미지에서 노이즈가 제거된 기저 깨끗한 이미지가 획득될 수 있다.

도 9는 본 발명의 일 실시 예에 따른 배치 정규화의 예시도이다.

도 9를 참조하면, 본 발명의 일 실시 예에 따른 디노이징 서브-네트워크(174)는 배치 정규화를 포함하도록 구성될 수 있다.

배치 정규화(batch normalization)는 활성화 함수의 활성화값 또는 출력값을 정규화하는 작업을 말한다. 즉 신경망의 각 레이어에서 데이터의 분포를 정규화하는 작업이다. 각 히든 레이어에서 정규화를 하면서 입력분포가 일정하게 되고, 이에 따라 학습률을 크게 설정하는 것이 가능하다. 결과적으로 학습속도가 빨라진다.

제3 타입은 마지막 층에 해당하는 Conv 층으로서, 출력을 재합성(reconstruct)하는 데 이용된다.

훈련을 통해 복수의 디노이징 서브-네트워크가 완성된 후, 테스트 이미지로서 노이즈, 예를 들어 저조도 환경에서의 촬영으로 인한 노이즈가 포함된 대상 이미지(target image)가 신경 네트워크로 입력될 수 있다(S120).

인공지능 모델을 이용한 노이즈 처리 방법에는 노이즈 수준(noise level)의 예측(estimation)이 포함되지 않는 블라인드 디노이징(blind denoising)과 노이즈 수준의 예측이 포함되는 논블라인드 디노이징(non-blind denoising)이 있다. 블라인드 디노이징은 적은 연산량의 장점이 있으나 노이즈 제거 성능이 떨어지는 단점이 있는 반면에, 논블라인드 디노이징은 많은 연산량이 단점이나 노이즈 제거 성능이 뛰어난 것이 장점이다.

본 발명의 일 실시 예에 따른 이미지 노이즈 처리장치에 해당하는 단말기(100)는 노이즈 제거 성능을 높이기 위한 논블라인드 디노이징 서브-네트워크(174)를 포함하면서, 연산량을 줄이기 위해 디노이징 서브-네트워크(174)와 독립된 노이즈 예측 서브-네트워크(173)를 포함하도록 구성될 수 있다.

프로세서(180)는 노이즈 예측 서브-네트워크(173)를 이용하여 대상 이미지의 노이즈 수준을 예측할 수 있다(S130). 프로세서(180)는 노이즈 수준을 예측하기 위해 블록 기반 접근법(block based approaches)이나 필터 기반 접근법(filter based approaches)을 이용할 수 있다.

일반적으로 노이즈 수준 정보(noise level information)는 노이즈 표준 편차(noise standard deviation)에 의해 제공된다. 노이즈 수준의 예측 과정에서 스무딩 효과(smoothing effects)의 적응적 변경(adaptive change)을 위해 많은 필터들이 이용될 수 있다.

본 발명의 일 실시 예에서 블록 기반 접근법(block based approaches)과 필터 기반 접근법(filter based approaches)에 기반하는 다양한 종류의 노이즈 수준 추정 방법이 이용될 수 있다.

요컨대, 블록 기반 접근법에 의하면 이미지가 일련의 블록(sequence of blocks)으로 나뉘어지고, 가장 균질한 블록(most homogenous blocks)의 노이즈 수준의 평균화에 의해 획득된 가중 잡음 수준(weighted noise level)의 적절한 계산을 통해 σ의 추정이 수행된다.

반면에 필터 기반 접근법에 의하면, 이미지 구조(image structure)를 공개하기 위해 노이즈 이미지가 흐르게 표시되는 영역에서 사전 필터링 작업(pre-filtering operation)이 수행된다. 대상 이미지에서 걸러진 이미지의 감산(subtracting)에 의해 이미지 차이(image difference)가 계산된다. 그러면 노이즈 수준은, 순수 노이즈 신호를 포함할 것으로 여겨지는 이미지 차이에 기초하여 추정된다.

프로세서(180)는 노이즈 수준에 따른 디노이징 서브-네트워크를 이용하여 대상 이미지의 노이즈를 처리할 수 있다(S140). 그리고 S140 과정은 디노이징 서브-네트워크의 선택(S141), 디노이징 서브-네트워크를 이용한 노이즈 출력(S142), 및 기저 깨끗한 이미지(latent clean image) 출력(S143)을 포함하도록 구성될 수 있다.

프로세서(180)는 노이즈 수준 예측(S130)의 결과를 이용하여 노이즈 수준에 대응하는 디노이징 서브-네트워크(174)를 선택할 수 있다(S141).

여기서, 프로세서(180)는 신경 네트워크를 개층의 수, 훈련 데이터 셋의 양 및 훈련 데이터 셋을 이용한 학습 회수 중에서 적어도 하나에 따라 노이즈 수준에 대응하는 디노이징 서브-네트워크(174)를 선택할 수 있다. 즉 프로세서(180)는 노이즈의 정도에 따라 이에 비례하는 성능을 보이는 디노이징 서브-네트워크를 선택할 수 있다.

본 발명의 실시 예에 따른 이미지 노이즈 처리방법(S100)에서는 노이즈를 분석하고, 노이즈 분석 결과에 따라 노이즈를 추출하고, 대상 이미지에서 추출된 노이즈를 제거하는 방법이 이용될 수 있다.

프로세서(180)는 선택된 디노이징 서브-네트워크를 이용하여 대상 이미지에서 노이즈를 추출하고 이를 출력할 수 있다(S142).

도 10은 본 발명의 일 실시 예에 따른 신경망 네트워크의 예시도이다.

도 10을 참조하면, 노이즈가 포함된 이미지, 즉 대상 이미지를 입력 받아 이를 처리하고 잔류 이미지를 출력하는 본 발명의 일 실시 예에 따른 디노이징 서브-네트워크가(174) 묘사되어 있다.

프로세서(180)는 노이즈 예측 서브 네트워크(173)를 이용하고 노이즈의 수준을 예측하고, 예측 결과인 노이즈 수준에 대응하는 성능의 디노이징 서브-네트워크를 선택해서 이를 이용하여 노이즈 분석을 하고, 노이즈가 포함된 잔류 이미지를 출력하도록 디노이징 서브-네트워크를 제어할 수 있다.

도 10에는 낮은 노이즈 수준, 중간 노이즈 수준 및 높은 노이즈 수준에 대응하는 3개의 디노이징 서브-네트워크가 묘사되어 있는데, 본 발명의 실시 예에서 선택 가능한 디노이징 서브-네트워크의 개수는 도 10에 한정되는 것은 아니며 n(자연수)개의 디노이징 서브 네트워크가 노이즈 수준에 따라 구비될 수 있다.

프로세서(180)는 대상 이미지에서 노이즈가 제거된 기저 깨끗한 이미지(latent clean image)를 최종적으로 출력할 수 있다(S143). 프로세서(180)는 S110 과정을 통해 훈련된 디노이징 서브-네트워크(174)를 이용하여 분석된 노이즈를 이용하여 대상 이미지에서 노이즈가 제거된 기저 깨끗한 이미지를 출력할 수 있다.

도 11은 본 발명의 일 실시 예에 따른 디노이징 서브-네트워크의 예시도이다.

도 11을 참조하면, 프로세서(180)는 대상 이미지의 노이즈 수준을 예측함에 있어서, 예측된 노이즈 레벨에 따라 대상 이미지를 복수의 서브-이미지로 분할할 수 있다. 그리고 프로세서(180)는 서브-이미지에 대한 노이즈 분포를 나타내는 노이즈 맵을 생성할 수 있다. 그리고 프로세서(180)는 대상 이미지를 처리함에 있어서, 노이즈 맵에 기반하여 서브-이미지의 노이즈 레벨에 대응하는 디노이징 서브-네트워크를 이용하여 대상 이미지를 처리할 수 있다.

프로세서(180)는 노이즈 수준에 따른 대상 이미지의 분할 및 분할된 대상 이미지에 대응하여 서로 다른 성능의 디노이징 서브-네트워크를 선택적으로 사용함으로써 적은 레이어 및 적은 연산량으로 대상 이미지에 포함된 노이즈 처리가 가능하다.

이와 같이 본 발명의 일 실시 예에 따르면, 노이즈 수준의 예측에 따라 저조도 노이즈가 적합한 성능의 디노이징 서브-네트워크에 의해 선택적으로 처리될 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 이미지 노이즈 처리장치, 단말기
170: 메모리
171: 전처리 모듈
172: 신경 네트워크
173: 노이즈 예측 서브-네트워크
174: 디노이징 서브-네트워크
175: 학습 모듈
180: 프로세서

Claims

이미지 노이즈 처리장치에 의해 수행되는 방법으로서,
복수의 서브-네트워크(sub-networks)를 포함하는 신경 네트워크(neural network)를 통해 대상 이미지를 입력 받는 단계;
상기 복수의 서브-네트워크 중에서 노이즈 예측 서브-네트워크(noise estimation sub-network)를 이용하여 상기 대상 이미지의 노이즈 수준(noise level)을 예측하는 단계; 및
상기 복수의 서브-네트워크 중에서 상기 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하여 상기 대상 이미지를 처리하는 단계를 포함하는,
이미지 노이즈 처리방법.
제1항에 있어서,
상기 노이즈는,
가산 백색 가우시안 노이즈(Additive White Gaussian Noise), 비-가우시안 백색 노이즈, 및 광자 샷 노이즈(photon shot noise) 중에서 적어도 하나를 포함하는,
이미지 노이즈 처리방법.
제1항에 있어서,
상기 노이즈는,
가우시안(Gaussian) 분포, 푸아송(Poisson) 분포 및 베루누이(Vernuie) 분포 중에서 적어도 하나를 따르는,
이미지 노이즈 처리방법.
제1항에 있어서,
상기 대상 이미지의 노이즈 수준을 예측하는 단계는,
블록 기반 접근법 또는 필터 기반 접근법을 포함하도록 구성되는,
이미지 노이즈 처리방법.
제1항에 있어서,
상기 대상 이미지의 노이즈 수준을 예측하는 단계는,
예측된 상기 노이즈 수준에 따라 상기 대상 이미지를 복수의 서브-이미지로 분할하는 단계; 및
상기 서브-이미지에 대한 노이즈 분포를 나타내는 노이즈 맵을 생성하는 단계를 포함하고,
상기 대상 이미지를 처리하는 단계는,
상기 노이즈 맵에 기반하여 상기 서브-이미지의 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하여 상기 대상 이미지를 처리하는 단계를 포함하는,
이미지 노이즈 처리방법.
제1항에 있어서,
상기 대상 이미지를 처리하는 단계는,
신경 네트워크를 구성하는 개층(layer)의 수, 훈련 데이터 셋의 양 및 훈련 데이터 셋을 이용한 학습 회수 중에서 적어도 하나에 따라 상기 노이즈 수준에 대응하는 상기 디노이징 서브-네트워크를 선택하는 단계를 더 포함하는,
이미지 노이즈 처리방법.
제1항에 있어서,
입력 이미지 쌍의 차이로 인한 노이즈 차이의 학습에 기반하는 잔여 학습(residual learning)을 이용하여 상기 디노이징 서브-네트워크를 훈련시키는 단계를 더 포함하는,
이미지 노이즈 처리방법.
제1항에 있어서,
상기 디노이징 서브-네트워크를 훈련시키는 단계는,
노이즈가 포함된 입력 이미지 쌍을 입력 받는 단계;
상기 입력 이미지 간의 차이를 이용하여 노이즈 차이를 분석하는 단계; 및
상기 노이즈 차이에 기반하여 상기 입력 이미지 쌍 중의 하나의 입력 이미지에서 기저 깨끗한 이미지(latent clean image)를 분리함으로써 잔류 이미지(residual image)를 출력하는 단계를 포함하는,
이미지 노이즈 처리방법.
제8항에 있어서,
상기 입력 이미지 쌍은,
동일 객체를 피사체로 하고, 동일 초점 거리 및 동일 구도에서 촬영된 이미지에 해당하는,
이미지 노이즈 처리방법.
제8항에 있어서,
상기 입력 이미지 쌍의 노이즈는,
저조도 환경에서 촬영됨에 따라 자연적으로 발생한 노이즈를 포함하는,
이미지 노이즈 처리방법.
제1항에 있어서,
상기 대상 이미지를 처리하는 단계는,
상기 디노이징 서브-네트워크의 잔여 학습(residual learning)의 훈련 결과에 따라 상기 대상 이미지에서 추출된 노이즈를 출력하는 단계; 및
상기 추출된 노이즈에 기반하여 상기 대상 이미지에서 노이즈가 제거된 기저 깨끗한 이미지(latent clean image)를 출력하는 단계를 포함하는,
이미지 노이즈 처리방법.
복수의 서브-네트워크를 포함하는 신경 네트워크(neural network); 및
입력된 대상 이미지의 노이즈를 처리하도록 상기 신경 네트워크(neural network)를 제어하는 프로세서를 포함하되,
상기 신경 네트워크는,
상기 대상 이미지의 노이즈 수준(noise level)의 등급을 예측하는 노이즈 예측 서브-네트워크(noise estimation sub-network); 및
상기 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하여 상기 대상 이미지의 노이즈를 처리하는 딥 러닝 기반의 복수의 디노이징 서브-네트워크를 포함하는,
이미지 노이즈 처리장치.
제12항에 있어서,
상기 노이즈 예측 서브-네트워크는
블록 기반 접근법 또는 필터 기반 접근법을 이용하여 상기 대상 이미지의 노이즈 수준을 예측하는,
이미지 노이즈 처리장치.
제12항에 있어서,
상기 프로세서는,
예측된 상기 노이즈 수준에 따라 상기 대상 이미지를 복수의 서브-이미지로 분할하고;
상기 서브-이미지에 대한 노이즈 분포를 나타내는 노이즈 맵을 생성하도록 상기 노이즈 예측 서브-네트워크를 제어하고; 그리고
상기 노이즈 맵에 기반하여 상기 서브-이미지의 노이즈 수준에 대응하는 디노이징 서브-네트워크를 이용하여 상기 대상 이미지를 처리하는,
이미지 노이즈 처리장치.
제12항에 있어서,
상기 프로세서는,
신경 네트워크를 구성하는 개층(layer)의 수, 훈련 데이터 셋의 양 및 훈련 데이터 셋을 이용한 학습 회수 중에서 적어도 하나에 따라 상기 노이즈 수준에 대응하는 상기 디노이징 서브-네트워크를 선택하는,
이미지 노이즈 처리장치.
제12항에 있어서,
상기 디노이징 서브-네트워크는,
입력 이미지 쌍의 차이로 인한 노이즈 차이의 학습에 기반하는 잔여 학습을 이용하여 상기 입력 이미지 쌍의 입력 데이터에 대해 노이즈만을 포함하는 잔여 이미지를 출력하는 훈련을 수행하는,
이미지 노이즈 처리장치.
제12항에 있어서,
상기 디노이징 서브-네트워크는,
입력 이미지 쌍에 대해 상기 입력 이미지 간의 차이를 이용하여 노이즈 차이를 분석하고, 상기 노이즈 차이에 기반하여 상기 입력 이미지 쌍 중의 하나의 입력 이미지에서 기저 깨끗한 이미지(latent clean image)를 분리함으로써 잔류 이미지(residual image)를 출력하도록 훈련되는,
이미지 노이즈 처리장치.
제16항에 있어서,
상기 입력 이미지 쌍은,
동일 객체를 피사체로 하고, 동일 초점 거리 및 동일 구도에서 촬영된 이미지에 해당하는,
이미지 노이즈 처리장치.
제16항에 있어서,
상기 입력 이미지 쌍의 노이즈는,
저조도 환경에서 촬영됨에 따라 자연적으로 발생한 노이즈를 포함하는,
이미지 노이즈 처리장치.
제12항에 있어서,
상기 프로세서는,
상기 디노이징 서브-네트워크의 잔여 학습(residual learning)의 훈련 결과에 따라 상기 대상 이미지에서 추출된 노이즈를 출력하도록 상기 디노이징 서브-네트워크를 제어하고,
상기 추출된 노이즈에 기반하여 상기 대상 이미지에서 노이즈가 제거된 기저 깨끗한 이미지(latent clean image)를 출력하는,
이미지 노이즈 처리장치.