초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

기대효과란 행동이 시작하기 전에 반대반향으로 일어나는 행동을 위한 준비단계로 주로 이차원 애니메이션에서 행동을 강조하기 위해 사용되어 왔다. 본 논문은 영상을 매개로 하여 인식기반의 기대효과를 자동 생성함으로써 시청자의 주의를 임의의 정보에 집중시키는 방법을 제안한다. 이미지 기반의 집중점을 찾는 문제와 영상 속의 움직임을 찾는 방법을 바탕으로 집중성 강화 알고리즘을 역으로 풀어 기대효과를 생성하는 방법을 제시한다. 주요점에 정보를 반대로 약화시키는 기대효과를 통해 주요점을 더욱 역동적으로 강조 할 수 있다. 본 논문의 알고리즘을 통해 광고 등의 전보전달을 위한 영상 또는 역동적 표현이 필요한 영상의 보정이 가능해진다.

기대효과란 행동이 시작하기 전에 반대반향으로 일어나는 행동을 위한 준비단계로 주로 이차원 애니메이션에서 행동을 강조하기 위해 사용되어 왔다. 본 논문은 영상을 매개로 하여 인식기반의 기대효과를 자동 생성함으로써 시청자의 주의를 임의의 정보에 집중시키는 방법을 제안한다. 이미지 기반의 집중점을 찾는 문제와 영상 속의 움직임을 찾는 방법을 바탕으로 집중성 강화 알고리즘을 역으로 풀어 기대효과를 생성하는 방법을 제시한다. 주요점에 정보를 반대로 약화시키는 기대효과를 통해 주요점을 더욱 역동적으로 강조 할 수 있다. 본 논문의 알고리즘을 통해 광고 등의 전보전달을 위한 영상 또는 역동적 표현이 필요한 영상의 보정이 가능해진다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 이런 기대효과를 비디오의 집중점을 기반으로 표현하여, 영상의 집중성과 역동성을 높일 수 있다. 본 논문에선 기대효과를 주기 위해 이미지와 모션의 집중점을 기반으로 한 이미지 제어를 통해 영상의 집중성을 높이려고 한다. 기존의 여러 연구에선 이미지의 집중점을 찾는 CSF (Contrast sensitivity function) 함수를 사용하여, 외부영역에 대한 정보를 줄여주는 LOD 기법들이 사용되었다 [2, 3, 4, 5].
• 본 논문에선 모션 분석에 따른 기대효과, 행동, 반작용 중 행동을 집중성을 가지는 물체의 움직임으로 가정하였기 때문에, 모션이 시작되는 위치에서 블러링을 역으로 취하여 기대효과를 표현하고자 한다. 모션이 탐지 되지 않은 상태, 즉 정적인 상태에선 시각 정확성을 통해 커널의 크기를 정의하고 모션이 탐지되는 순간부터 커널의 크기를 역으로 정하는 기대효과를 넣어주어야 한다.
• 보다 정확한 정보전달을 위해선 숙련된 기술자에 의한 화면구도 및 색 분할, 그리고 움직임 제한 등의 방법이 필요하다. 본 논문은 이러한 작업들을 보정하기 위한 영상기반의 기대효과를 자동으로 이끌어내는 알고리즘을 제안한다.
• 본 절에선 앞 절에서 구한 이미지와 모션기반의 집중도를 통해 영상의 기대효과를 생성하려 한다. 본 논문에선 영상에서의 행동을 집중점의 강조라는 가정하에 시작했기 때문에 기대효과는 집중점의 약화가 된다.

가설 설정

• (c) 기대호과가 가장 큰 지점. (d) 기대효과가 끌나는 지점 tend. (e) 행동 상태.

제안 방법

• 또한 HDRKHigh Dynamic Range Image)로의 확장을 통해 집중력을 더욱 강화 시길 방안을 고려 중이다. 또한 모션앱을 찾기 위해 우리는 픽셀 단위의 계산을 통한 방법을 사용하였다. 하지만 이 방법은 효율성에 있어서 특징점 기반 방법에 비해 떨어진다.
• 하는 단계의 차이를 뜻한다. 명도차 기반의 특징 점 맵을 위해서 우리는 기존의 이미지의 컬러 공간을 LUV공간으로 이동시킨 후 위의 거리를 구하였다. 그림 2를 보면 구해진 특징점 맵을 확인할 수 있다.
• 나눌 수 있다. 본 논문에선 두 가지 집중도에 대한 계산을 분리한 후 하나의 식으로 합쳐서 표현하도록 하겠다.
• 앞에서 구한 특징점 맵은 단일 이미지에 대한 고려이므로, 우리는 영상의 집중점을 찾기 위해 모션을 분석하는 방법을 추가하였다. 영상에서의 모션이란 카메라의 모션과 실제 움직이는 물체의 모션으로 나눌 수 있다.
• 또한 영상에서 주된 물체의 움직임 정도도 고려되어야 한다. 우리는 Ma와 Zhang [6] 이 제안한 명도를 통한 가우시안 거리(Ga니ssian Distance)를 통해 이미지의 특징 점 맵을 찾아낸 두I, 주요 물체의 움직임을 찾아내기 위해 에고모션(Ego-motion) 을 분석하여 전체적인 영상의 집중점을 찾아내려 한다. 여기서 얻어진 정보를 통해, 이미지의 블러링을 통해 기대효과를 표현하겠다.
• 우리는 지금까지 영상의 집중점을 이용한 선택적 주의 기법을 통해 기대효과를 자동으로 생성하는 방법을 제안하였다. 기대효과의 생성을 통한 집중성 강화뿐만 아니己卜, 실제 행동 부분 즉 기대효과가 없는 부분에서도 특징점 앱과 모션 앱을 기반으로 한 강조를 통해 정보 제공자가 자신의 전달 하고자 하는 내용을 좀 더 쉽게 전달할 수 있다.
• 많은 개선이 필요하다. 우선 본 논문에선 기대효과를 주는 방법으로 블러링 효과만을 사용했다. 하지만 단순한 블러링 효과 보다는 좀 더 다양한 효과를 통해 기대효과를 높일 수 있을 것이라 예상한다.
• 회전 또한 포함해야 한다. 하지만 본 연구에선 정확한 카메라 이동 보다는 움직이는 오브젝트의 정도만을 필요로 하므로 간단한 픽셀 기반의 방법을 사용하도록 하겠다. Jung [9] 과 Lan [1 이 의 방법을 기초로 하여 다음과 같은 최적화 과정을 통해 0를 구할 수 있다.

이론/모형

• 본 논문에선 영상에서의 행동을 집중점의 강조라는 가정하에 시작했기 때문에 기대효과는 집중점의 약화가 된다. 집중점의 약화를 위해서 Reddy [4] 가 제안한 인식 기반의 식을 통해 블러링의 커널의 크기를 조정하고, 이웃 점과의 명도 차를 제어 하려 한다.

성능/효과

• 또한 /w는 현재 영상의 남은 영역에서의 비율, 즉 (4wF)/5 를 통해 구한다 여기서《 란 모션이 존재하는 영역을 뜻한다 (그림 4(e)의 붉은 사각형). 즉, 모션 영역이 작으면 기대효과를 좀 더 길게 주어 더 쉽게 인식하게 하고, 모션 영역이 크면 기대효과를 좀 더 짧게 주어 집중도에 방해를 최소화 하였다. 간단한 이차 함수 형태인 冷)를 통해 현재 프레임이 기대효과 지점에 있을 때는 시각 정확성을 위한 차이맵이 역으로 계산되어 집중성이 떨어지는 부분은 더 명확해 지고 집중성이 많은 부분에 더 많은 블러링이 들어가게 된다.

후속연구

• 하지만 이 방법은 효율성에 있어서 특징점 기반 방법에 비해 떨어진다. 따라서 Particle filter [11]와 같은 특징점 기반 모션 추적 방법을 사용하여 좀 더 효율적이고 정확한 결과를 낼 수 있을 것이다. 마지막으로, 이미지 기반의 제어이다 보니 프레임 간의 연계성이 떨어질 위험성이 있、다.
• 하지만 이런 결과들은 사용자의 주의를 임의적으로 강제하는 경향이 있어서 자연스러운 영상표현을 해칠 가능성이 있다. 따라서 임의적인 주의 강제가 아닌, 기대효과를 통한 사용자 예측을 통한 집중성 강화를 통해 좀 더 나은 결과를 기대할 수 있다.
• 우선 본 논문에선 기대효과를 주는 방법으로 블러링 효과만을 사용했다. 하지만 단순한 블러링 효과 보다는 좀 더 다양한 효과를 통해 기대효과를 높일 수 있을 것이라 예상한다. 또한 HDRKHigh Dynamic Range Image)로의 확장을 통해 집중력을 더욱 강화 시길 방안을 고려 중이다.
• 현재의 결과는 보완점이 많이 남아있어서 실험적 형태이며 보다 많은 개선이 필요하다. 우선 본 논문에선 기대효과를 주는 방법으로 블러링 효과만을 사용했다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기

연구과제 타임라인

3D 애니메이션 기술

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

LOADING...

LOADING...