深層学習による画像変換

全文

(1)Vol.2017-CVIM-208 No.15 2017/9/15. 情報処理学会研究報告 IPSJ SIG Technical Report. 深層学習による画像変換シモセラエドガー1,a). 概要：近年の画像処理や画像変換の発展の原動力は深層学習である。従来の人間が設計した処理パイプラインと異なり、深層学習は目的の画像変換を行う任意の関数を訓練データから学習することができる。特に畳み込み層にもとづくニューラルネットワークモデルは、画像変換において非常に高性能であることが示されている。本講演では，深層学習を用いて入力画像を目的の画像に変換する技術について、基礎と応用事例を紹介する。具体的な応用例として、ラフスケッチの自動線画化について解説する。. Deep Learning for Image Transformation Edgar Simo-Serra1,a). 1. 深層学習と画像変換深層学習の基盤であるニューラルネットワークはおよそ. 30 年前に発明されたが、最近まで広くは使われていなかった。深層学習の普及の 2 つの主な理由として、GPU による計算効率化と大規模なデータセットの出現がある。現在様々な画像関連のタスクにおいて、深層学習は既存手法に対して顕著な性能向上を示している。特に畳み込み演算をベースにした全層畳み込みニューラルネットワークは、任意の解像度に対応できるだけではなく、訓練データからの学習により複雑な画像変換を近似できる。本講演では、画像変換に対する深層学習の応用について説明する。. 2. ラフスケッチの線画化. 入力図 1. 出力. 線画化の結果．全層畳み込みニューラルネットワークを用いてラフスケッチを自動で線画化している．. 畳込みニューラルネットワークを用いて、粗いラフス. 様々なラフスケッチを良好に線画化することができる。線. ケッチを線画に自動変換する手法を紹介する。既存のス. 画化モデルでは、任意のサイズやアスペクト比をもつ画像. ケッチ簡略化手法の多くは単純なラフスケッチのベクター. を入力として扱うことが可能であり、出力される線画は入. 画像のみを対象としており、スキャンした鉛筆画など、ラ. 力画像と同じサイズになる。また、このような多層構造を. スター形式の複雑なラフスケッチを線画化するのは困難で. もつモデルを学習させるため、ラフスケッチと線画がペア. あった。これに対し線画化の手法では、3 種類の畳込み層. になった新しいデータセットを構築し、モデルを効果的に. から構成されるニューラルネットワークモデルによって複. 学習させる方法を提案した。得られた結果についてユーザ. 雑なラフと線画の対応を学習することで、ラスター形式の. テストを行い、深層学習手法の性能が既存手法を大きく超えることを確認した。. 1. a). 早稲田大学 Waseda University, Shinjuku, Tokyo 169-8555, Japan [email protected]. ⓒ 2017 Information Processing Society of Japan. 1.

(2)