JP2019211391A - 距離計測装置、音声処理装置、振動計測装置、産業用コンピュータ断層撮影装置、および距離計測方法 - Google Patents

Abstract

【課題】ノイズ低減の精度を向上させる距離計測装置を提供する。【解決手段】距離画像生成部１４１１と、強度画像生成部１４１３と、記憶部１１７と、入力部１４１５と、ノイズ低減部１４１７とを有する。距離画像生成部は、出射された光が障害物で反射して反射光として戻ってくるまでの時間を用いて障害物までの距離を計測することにより、距離画像を生成する。強度画像生成部は、反射光の強度、または環境光の強度を計測することにより、強度画像を生成する。記憶部は、距離画像と強度画像とに基づいて前記距離画像におけるノイズを低減したデノイズ画像を生成する学習済みモデルを記憶する。入力部は、学習済みモデルに、距離画像と強度画像とを入力する。ノイズ低減部は、学習済みモデルを用いて、デノイズ画像を生成する。【選択図】図１０

Description

本発明の実施形態は、距離計測装置、音声処理装置、振動計測装置、産業用コンピュータ断層撮影装置、および距離計測方法に関する。

写真や映像を撮像したときの画像に含まれるノイズは、印刷したりディスプレイに表示したりする際に見栄えが悪くなるだけでなく、防犯カメラなどでは視認性の低下、各種画像認識装置では認識率の低下など様々な悪影響を及ぼすことがある。このため、画像表示等の事前にノイズを除去することが望ましい。

画像処理によるノイズ除去は、基本的には、平滑化によってノイズの振幅を抑制することで実現される。このとき、例えば、ノイズと共に画像信号本来のエッジ（輝度が急峻に変化する部分）やテクスチャ（細かい図柄）がぼやけないように、画像のパターンに適応する複雑な工夫が実行されることがある。一方、近年、単純な構成の畳み込みニューラルネットワーク（以下、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）を用いた画像ノイズ除去方式が、信号の復元精度が高いものとして提案されている。

しかしながら、上記ＣＮＮを用いた画像ノイズの除去方法では、平滑化の強弱の制御ができず全画面で同じ処理を行うため、例えば写真の暗部などノイズが多い部分ではノイズが残り、写真の明部などノイズが少ない部分では本来の信号まで平滑化されることがある。すなわち、上記ＣＮＮでは、入力画像の全領域に亘って同じ重み係数を用いて畳み込みを行うため、ＣＮＮから出力される画像において、学習時において想定されたノイズより多いノイズを有する領域ではノイズが残り、学習時において想定されたノイズより少ないノイズを有する領域では本来の画素値まで平滑化される問題がある。かといって、広い範囲のノイズ量を用いてＣＮＮを学習させた場合、画像におけるノイズ低減の精度が低下する問題がある。

"Ｂｅｙｏｎｄ ａ Ｇａｕｓｓｉａｎ Ｄｅｎｏｉｓｅｒ： Ｒｅｓｉｄｕａｌ Ｌｅａｒｎｉｎｇ ｏｆ Ｄｅｅｐ ＣＮＮ ｆｏｒ Ｉｍａｇｅ Ｄｅｎｏｉｓｉｎｇ，" ＩＥＥＥ Ｔｒａｎｓ． Ｉｍａｇｅ Ｐｒｏｃ．， ｖｏ．２６， ｎｏ．７， ｐｐ．３１４２−３１５５， Ｊｕｌｙ ２０１７

発明が解決しようとする課題は、ノイズ低減の精度を向上可能な距離計測装置、音声処理装置、振動計測装置、産業用コンピュータ断層撮影装置、および距離計測方法を提供することである。

本実施形態に係る距離計測装置は、距離画像生成部と、強度画像生成部と、記憶部と、入力部と、ノイズ低減部とを有する。前記距離画像生成部は、出射された光が障害物で反射して反射光として戻ってくるまでの時間を用いて前記障害物までの距離を計測することにより、距離画像を生成する。前記強度画像生成部は、前記反射光の強度、または環境光の強度を計測することにより、強度画像を生成する。前記記憶部は、前記距離画像と前記強度画像とに基づいて前記距離画像におけるノイズを低減したデノイズ画像を生成する学習済みモデルを記憶する。前記入力部は、前記学習済みモデルに、前記距離画像と前記強度画像とを入力する。前記ノイズ低減部は、前記学習済みモデルを用いて、前記デノイズ画像を生成する。

図１は、本実施形態に係る距離計測装置、音声処理装置、振動計測装置、産業用ＣＴ装置に搭載される処理回路の構成例を示すブロック図である。 図２は、本実施形態におけるノイズ低減機能において実行される学習済みモデルの概要の一例を示す図である。 図３は、本実施形態の入力層における組み合わせデータと出力層において生成される出力ベクトルとの一例を示す図である。 図４は、本実施形態における畳み込みニューラルネットワーク（ＣＮＮ）の構成の一例を示す図である。 図５は、本実施形態における活性化関数の一例を示す図である。 図６は、本実施形態の第１の応用例における処理回路の構成例を示すブロック図である。 図７は、本実施形態の第１の応用例において、データの入力の一例を示す図である。 図８は、本実施形態の第２の応用例において、データの入力の一例を示す図である。 図９は、本実施形態の第２の応用例において、ノイズ相関マップが入力される第１の中間層の一例を示す図である。 図１０は、本実施形態の第１の適用例における距離計測装置の構成の一例を示す図である。 図１１は、本実施形態の第１の適用例におけるデノイズ処理の手順の一例を示すフローチャートである。 図１２は、本実施形態の第１の適用例における光検出素子に関して、時間に対する反射光信号の強度および環境光信号の強度の一例を示す図である。 図１３は、本実施形態の第１の適用例において、距離画像生成機能により生成された距離画像の一例を示す図である。 図１４は、本実施形態の第１の適用例において、図１３における位置Ａから位置Ｂまでの区間における距離のプロファイルの一例を示す図である。 図１５は、本実施形態の第１の適用例において、図１３における位置Ａから位置Ｂまでの区間において、強度画像における反射光の強度のプロファイルの一例を示す図である。 図１６は、本実施形態の第１の適用例において、図１３における位置Ａから位置Ｂまでの区間において、デノイズ画像における距離の一例を示す図である。 図１７は、本実施形態の第２の適用例における音声処理装置の構成の一例を示す図である。 図１８は、本実施形態の第２の適用例におけるデノイズ処理の手順の一例を示すフローチャートである。 図１９は、本実施形態の第２の適用例における第１音声データの一例を示す図である。 図２０は、本実施形態の第２の適用例において、時系列に沿ったデノイズデータの一例を示す図である。 図２１は、本実施形態の第３の適用例における振動計測装置の構成の一例を示す図である。 図２２は、本実施形態の第３の適用例におけるデノイズ処理に関する手順の一例を示すフローチャートである。 図２３は、本実施形態の第４の適用例における産業用ＣＴ装置の構成の一例を示す図である。 図２４は、本実施形態の第４の適用例におけるデノイズ処理の手順の一例を示すフローチャートである。 図２５は、本実施形態の第４の適用例におけるデノイズ前サイノグラムの一例を示す図である。 図２６は、本実施形態の第４の適用例に関し、回転角度が０°において複数の素子番号にそれぞれ対応する複数の透過長の一例を示す図である。 図２７は、本実施形態の第４の適用例において、透過長マップの一例を示す図である。 図２８は、本実施形態の第４の適用例の変形例において、デノイズ処理の手順の一例を示すフローチャートである。

以下、本実施形態について、図面を参照して説明する。なお、以下の説明において、略同一の構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。

図１は、本実施形態に係る距離計測装置、音声処理装置、振動計測装置、および産業用Ｘ線コンピュータ断層撮影装置（以下、産業用ＣＴ（Ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：コンピュータ断層撮影）装置と呼ぶ）に搭載される処理回路１４１の構成例を示すブロック図である。これらの装置で本実施形態を実現する場合については、適用例として後程説明する。

処理回路１４１は、ハードウェア資源として図示していないプロセッサ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリ等を有する。処理回路１４１は、入力機能１４１５とノイズ低減機能１４１７とを有する。入力機能１４１５、ノイズ低減機能１４１７にて行われる各種機能は、コンピュータによって実行可能なプログラムの形態で不図示の記憶装置、メモリ等の各種記憶回路へ記憶されている。処理回路１４１は、これら各種機能に対応するプログラムを記憶回路から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路１４１は、図１の処理回路１４１内に示された各機能を有することになる。処理回路１４１が有する入力機能１４１５およびノイズ低減機能１４１７は、それぞれ入力部、ノイズ低減部の一例である。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）或いは、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等の回路を意味する。

プロセッサは、記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは、回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。

以下、図２乃至図５を参照して、処理回路１４１において実行される入力機能１４１５およびノイズ低減機能１４１７について説明する。

図２は、ノイズ低減機能１４１７において実行される学習済みモデル１０５の概要の一例を示す図である。学習済みモデル１０５は、多くの学習データから学習した順伝播型ネットワークの学習済み機械学習モデルである。学習済みモデル１０５は、例えば、深層ニューラルネットワーク（以下、ＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）である。以下、説明を具体的にするために、ＤＮＮとして畳み込みニューラルネットワーク（以下、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）を例にとり、説明する。学習済みモデル１０５は、不図示の記憶装置、メモリ等の各種記憶回路へ記憶される。なお、学習済みモデル１０５は、ＤＮＮおよびＣＮＮに限定されず、他の機械学習モデルであってもよい。なお、図２に示すＣＮＮ１０５は、入力層１０３と、出力層１０７とを有していてもよい。ＣＮＮ１０５は、複数の中間層を有する。以下、説明を簡単にするために、ＣＮＮ１０５は、３つの中間層を有するものとして説明する。なお、ＣＮＮ１０５における中間層の数は、３つに限定されず、ＣＮＮの学習前において任意に設定可能である。

図２に示すように、ノイズ低減機能１４１７において実行される処理は、入力層１０３における処理と、ＣＮＮ１０５における処理と、出力層１０７における処理とを有する。入力層１０３には、ノイズ低減対象画像などの処理対象信号１０１と、処理対象信号１０１におけるノイズ量の空間分布に相関するノイズ相関マップなどの参照信号１０２とが、入力機能１４１５により設定される。以下、説明を具体的にするために、画像のノイズ低減を例にとり説明する。このとき、処理対象信号１０１はノイズ低減対象画像に対応し、参照信号が１０２はノイズ相関マップを示す画像に対応する。

ノイズ低減対象画像１０１におけるノイズ量が既知のとき、ノイズ相関マップにおける複数の画素値各々は、ノイズの局所的な分散や標準偏差に相当する。また、画像の部分領域ごとに異なる特性のコントラスト補正が、ノイズ低減対象画像１０１に対して実施されていた場合、ノイズ相関マップ１０２における複数の画素値各々は、コントラスト補正における補正値に相当する。

入力層１０３は、ノイズ低減対象画像１０１とノイズ相関マップ１０２とを組み合わせたデータ（以下、組み合わせデータと呼ぶ）１０４をＣＮＮ１０５に出力する。ＣＮＮ１０５は、組み合わせデータ１０４の変換を再帰的に繰り返し、すなわち組み合わせデータ１０４を入力として順伝搬処理を実行し、変換後の信号１０６を出力層１０７に出力する。出力層１０７は、変換後の信号１０６を用いて、ノイズ低減対象画像１０１のノイズを低減させた信号（以下、デノイズ画像と呼ぶ）１０８を出力する。

具体的には、処理回路１４１は、入力機能１４１５により、ノイズ低減対象画像１０１と、ノイズ相関マップ１０２とを、入力層１０３に入力する。すなわち、処理回路１４１は、入力層１０３の互いに別のチャンネルに、ノイズ低減対象画像１０１と、ノイズ相関マップ１０２とを入力する。図３は、入力層１０３における組み合わせデータ１０４と出力層１０７において生成される出力ベクトル１０７ａとの一例を示す図である。図３において、組み合わせデータ１０４は、入力ベクトルとして示されている。なお、組み合わせデータ１０４はベクトル形式に限定されず、例えば、行列形式であってもよい。説明を簡単にするために、ノイズ低減対象画像１０１およびノイズ相関マップ１０２における画素数は、Ｎ（Ｎは自然数）個であるものとする。

処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、ノイズ低減対象画像１０１における複数の画素値と、ノイズ相関マップ１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。具体的には、処理回路１４１は、入力ベクトル１０４における第１の入力範囲１０４ａに、ノイズ低減対象画像における複数の画素値（ｙ_１、ｙ_２、…、ｙ_Ｎ）を割り当てる。また、処理回路１４１は、入力ベクトル１０４における第２の入力範囲１０４ｂに、ノイズ相関マップ１０２における複数の画素値（ｘ_１、ｘ_２、…、ｘ_Ｎ）を割り当てる。処理回路１４１は、入力ベクトル１０４を、ＣＮＮ１０５に出力する。処理回路１４１は、入力層１０３からＣＮＮ１０５への出力時において、入力ベクトル１０４に対して畳み込み処理を実行する。処理回路１４１は、ＣＮＮ１０５において畳み込み処理を再帰的に実行する。これらの畳み込み処理等については、図４を用いて後程詳細に説明する。なお、ノイズ低減対象画像１０１における画素数とノイズ相関マップにおける画素数とが異なる場合、処理回路１４１は、ノイズ相関マップ１０２における画素数を、ノイズ低減対象画像における画素数に、既存の方法で適宜調整する。

処理回路１４１は、ノイズ低減機能１４１７により、ＣＮＮ１０５から出力された信号１０６を、出力層１０７において、デノイズ画像１０８における画素値（ｚ_１、ｚ_２、…、ｚ_Ｎ）を表すベクトル形式１０７ａとして保持する。処理回路１４１は、ベクトル形式１０７ａにおける複数の成分を複数の画素として再配列することにより、デノイズ画像１０８を生成する。処理回路１４１は、デノイズ画像１０８を、記憶装置等に出力する。

図４は、ＣＮＮ１０５の構成の一例を示す図である。図４において、入力層１０３、ＣＮＮ１０５、第１の中間層２０４および出力層１０７は、説明の便宜上、斜視図として示されている。まず、処理回路１４１は、ノイズ低減機能１４１７により、ノイズ低減対象画像における複数の画素値を、入力層１０３における第１の入力範囲１０４ａに含まれる複数のノードに設定する。また、処理回路１４１は、ノイズ相関マップ１０２における複数の画素値を、入力層１０３における第２の入力範囲１０４ｂに含まれる複数のノードに設定する。図４において、第１の入力範囲１０４ａおよび第２の入力範囲１０４ｂ各々における９つのノードを示す丸印以外の複数のノードは、煩雑となるため省略している。第１の入力範囲１０４ａおよび第２の入力範囲１０４ｂにおける複数のノードは、ノイズ低減対象画像の画素数だけ用意される。

次に、処理回路１４１は、ノイズ低減機能１４１７により、ノイズ低減対象画像１０１とノイズ相関マップ１０２とに対して、学習済みの複数の重み係数を有するフィルタを用いて畳み込み処理を行う。処理回路１４１は、畳み込み処理により、入力層１０３から第１の中間層２０４に入力されるデータを生成する。フィルタにおける重み係数の総数（以下、タップと呼ぶ）は、フィルタが適用される画素数より少ない。例えば、図４の入力層１０３において、フィルタが適用される画素数は、横３画素×縦３画素×２枚（ノイズ低減対象画像１０１とノイズ相関マップ１０２）であるため、タップは１８となる。なお、タップは、図４に示す１８に限定されず、学習時において適宜設定されてもよい。

処理回路１４１は、ノイズ低減機能１４１７により、タップが１８個の重み係数を有するフィルタを用いて、ノイズ低減対象画像１０１における９画素と、ノイズ相関マップ１０２における９画素とに対して積和演算を実行する。処理回路１４１は、第１の中間層２０４において、積和演算に用いられたフィルタの位置に対応するノード２０５に、積和演算の結果の値（以下、積和値と呼ぶ）を設定する。処理回路１４１は、ノイズ低減対象画像１０１及びノイズ相関マップ１０２に対するフィルタの適用位置を変えながら、第１の中間層２０４における全ノードに対して積和値を設定する。第１の中間層２０４における全ノードの数は、ノイズ低減対象画像１０１およびノイズ相関マップ１０２における画素の総数と同数である。なお、全ノードの数は、ノイズ低減対象画像１０１およびノイズ相関マップ１０２における画素の総数と異なっていてもよい。また、フィルタに含まれる複数の重み係数の値は、ノイズ低減対象画像１０１及びノイズ相関マップ１０２に対するフィルタの適用位置によらず一定である。

処理回路１４１は、ノイズ低減機能１４１７により、フィルタからの出力結果、すなわち積和値Ｘを、活性化関数と称される非線形関数を用いて変換（活性化）する。図５は、活性化関数ｆ（Ｘ）の一例を示す図である。処理回路１４１は、活性化関数として、図５に示すＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）関数を用いる。図５に示す活性化関数ｆ（Ｘ）は、Ｘ≦０である場合０を出力し、Ｘ＞０である場合Ｘを出力する関数である。なお、活性化関数は、ＲｅＬＵ関数に限定されず、ＣＮＮ１０５の学習時において適宜設定可能である。なお、ＣＮＮ１０５における複数の中間層各々は、画像の枚数に相当する複数のチャンネルを有していてもよい。例えば、図４に示すように、第１の中間層２０４におけるチャンネル数が８である場合、入力層１０３から第１の中間層２０４への変換において、処理回路１４１は、３×３×２タップのフィルタを、チャンネルごとに８種類用いる。８種類のフィルタにおいては、重み係数はそれぞれ異なる。なお、中間層各々において用いられるフィルタのタップは異なっていてもよい。

以降同様に、処理回路１４１は、ノイズ低減機能１４１７により、第ｉ（ｉは、１乃至（ｎ−１）の自然数：ｎは中間層の総数）の中間層から第（ｉ＋１）の中間層においてチャンネル数が８であれば、８個の３×３×８タップのフィルタと活性化関数とを用いて、画像の変換を（ｎ−１）回繰り返す。例えば、図４に示すように中間層の総数が３である場合、処理回路１４１は、中間層から中間層への積和値の変換を２回実行する。

出力層１０７のチャンネル数は、学習時において１に設定される。例えば、図４に示すような場合、処理回路１４１は、ノイズ低減機能１４１７により、出力層１０７において、第３の中間層２０６における８チャンネル分の積和値に対して、３×３×８タップの１つのフィルタを用いて積和演算を行う。処理回路１４１は、この積和演算で得られた結果（積和値）を、出力層１０７のチャンネルに、活性化関数を用いずに画素値として設定する。処理回路１４１は、出力層１０７で設定された画素値を用いて、デノイズ画像を生成する。

なお、ＣＮＮ１０５において用いられる複数のフィルタ各々における複数の重み係数は、ノイズ低減機能１４１７の実装前に、多くの学習データを用いて、誤差逆伝播法とよばれる方法で学習される。具体的には、複数の重み係数は、ノイズを有する画像（以下、ノイズ含有画像と呼ぶ）とノイズ相関マップとを入力したときの出力画像がデノイズされた画像に近づくように、学習される。多くの学習データ各々は、例えば、以下の手順により生成される。まず、ノイズがない画像（以下、非ノイズ画像と呼ぶ）とノイズ相関マップ１０２とを用意する。次いでノイズ相関マップ１０２の画素値を標準偏差とするガウスノイズを非ノイズ画像における複数の画素値に加えてノイズ含有画像を生成する。非ノイズ画像とノイズ相関マップ１０２とノイズ含有画像とが、一つの組の学習データとして生成される。

なお、本実施形態における処理回路１４１は、図４の構成に加えて、中間層における畳み込みの後にバッチ正規化とよばれる処理を行ってもよい。また、処理回路１４１は、ノイズ低減機能１４１７により、デノイズ画像を出力するのではなく、ノイズ画像を出力し、次いでノイズ画像をノイズ低減対象画像１０１から減じることで、デノイズ画像を生成してもよい。このとき、複数の重み係数は、ノイズ含有画像とノイズ相関マップとを入力したときの出力画像がノイズを示す画像（以下、ノイズ画像と呼ぶ）に近づくように、学習される。ノイズ画像は、ノイズ相関マップの画素値を標準偏差とするガウスノイズを示す画像に相当する。

以上に述べた構成によれば、以下の効果を得ることができる。
本実施形態における処理回路１４１によれば、入力層１０３に、処理対象信号１０１に加えて参照信号１０２も入力されるため、ＣＮＮ１０５の学習において、入力層１０３から第１の中間層２０４に向けて、同じ重み係数でもノイズ量に応じて出力が変化する自由度が生まれる。これにより、本実施形態によれば、入力層１０３にノイズ低減対象画像だけを入力した場合に比べて、ノイズ低減対象画像１０１におけるノイズ量が画像の複数の領域各々において異なる場合であっても、処理対象信号１０１における部分領域ごとのノイズ量に応じた強度で、処理対象信号１０１におけるノイズを低減することができる。

（第１の応用例）
本応用例と本実施形態との相違は、第２の学習済みモデルを用いて、ノイズ低減対象画像１０１に基づいてノイズ相関マップ１０２を生成することにある。図６は、本応用例における処理回路１４１の構成例を示すブロック図である。図６に示す処理回路１４１は、図１に示す処理回路１４１における各種機能に加えて、相関データ生成機能１４１９をさらに有する。処理回路１４１が有する相関データ生成機能１４１９は、相関データ生成部の一例である。

処理回路１４１は、相関データ生成機能１４１９により、第２の学習済みモデルを実行する。第２の学習済みモデルは、多くの学習データから学習した順伝播型ネットワークの学習済み機械学習モデルである。第２の学習済みモデルは、例えば、入力層、複数の中間層および出力層を有するＣＮＮである。第２の学習済みモデルは、不図示の記憶装置、メモリ等の各種記憶回路へ記憶される。なお、第２の学習済みモデルは、入力層、複数の中間層および出力層を有するＤＮＮであってもよい。本応用例における第２の学習済みモデルは、ＣＮＮまたはＤＮＮであるため、詳細な説明は省略する。

本応用例における第２の学習モデルに対応するＣＮＮにおいて用いられる複数のフィルタ各々における複数の重み係数は、相関データ生成機能１４１９の実装前に、多くの学習データを用いて、誤差逆伝播法とよばれる方法で学習される。多くの学習データ各々は、ノイズ含有画像とノイズ相関マップとを一つの組の学習データとして、複数の重み係数を学習させるために用いられる。すなわち、複数の重み係数は、ノイズ含有画像を入力したときの出力画像がノイズ相関マップに近づくように、学習される。

図７は、本応用例においてデータの入力の一例を示す図である。以下、図７を用いて、本応用例と実施形態との相違に関する処理について説明する。

処理回路１４１は、入力機能１４１５により、ノイズ低減対象画像１０１を、入力層１０３と、相関データ生成機能１４１９における第２の学習済みモデルの入力層１０３とに入力する。また、処理回路１４１は、相関データ生成機能１４１９から出力されたノイズ相関マップ１０２を、入力層１０３に入力する。

処理回路１４１は、相関データ生成機能１４１９により、ノイズ低減対象画像１０１が入力された第２の学習済みモデルを実行することにより、ノイズ相関マップ１０２を生成する。ノイズ低減機能１４１７における処理内容は、本実施形態と同様なため、説明は省略する。なお、相関データ生成機能１４１９における処理は、ノイズ低減機能１４１７に組み込まれてもよい。

以上に述べた構成によれば、本実施形態における効果に加えて以下の効果を得ることができる。
本応用例における処理回路１４１によれば、参照信号１０２を処理対象信号１０１から生成できるため、参照信号１０２をノイズ低減対象画像１０１とは別に用意する必要がない。すなわち、本処理回路１４１によれば、参照信号１０２を収集する必要がないため、ノイズ低減対象画像１０１のデノイズ処理に関する効率を向上させることができる。

（第２の応用例）
本応用例と本実施形態との相違は、入力層１０３にノイズ低減対象画像１０１だけを入力し、ノイズ相関マップ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力することにある。すなわち、本応用例における入力層１０３は、第１の入力範囲１０４ａのみを有する。また、本応用例においてノイズ相関マップ１０２が入力される中間層は、活性化関数により活性化された積和値が入力されるチャンネルに加えて、ノイズ相関マップ１０２が入力されるチャンネルを有する。

図８は、本応用例におけるデータの入力の一例を示す図である。以下、図８を用いて、本応用例と本実施形態との相違に関する処理について説明する。本応用例におけるＣＮＮ１０５に対する学習は、入力層１０３への入力がノイズ低減対象画像１０１のみであること、およびＣＮＮ１０５へのノイズ相関マップ１０２の入力が中間層であることを除いて、本実施形態と同様なため、説明は省略する。

処理回路１４１は、入力機能１４１５により、ノイズ低減対象画像１０１を、入力層１０３に入力する。処理回路１４１は、ノイズ相関マップ１０２を、ＣＮＮ１０５における中間層に入力する。説明を具体的にするために、ノイズ相関マップ１０２が入力される中間層は第１の中間層２０４であるものとする。なお、ノイズ相関マップ１０２が入力される中間層は、第１の中間層２０４に限定されず、複数の中間層のうちいずれの中間層に入力されてもよい。

図９は、本応用例において、ノイズ相関マップ１０２が入力される第１の中間層２０４の一例を示す図である。図９に示すように、第１の中間層２０４は、畳み込みされかつ活性化されたデータ２０４１が入力層１０３から入力される畳み込み後入力範囲２０４ａと、ノイズ相関マップ１０２が入力されるマップ入力範囲２０４ｂと、を有する。畳み込み後入力範囲２０４ａにおける複数のノードは、第１の入力範囲１０４ａにおける複数のノードと同様である。また、マップ入力範囲２０４ｂにおける複数のノードは、第２の入力範囲１０４ｂにおける複数のノードと同様である。すなわち、本応用例における第１の中間層２０４は、本実施形態に記載のチャンネルに加えて、ノイズ相関マップ１０２が入力されるチャンネルを有する。このため、処理回路１４１は、ノイズ低減機能１４１７により、第２の中間層への出力として、追加されたチャンネルの分だけチャンネル方向のタップが多いタップで畳み込みを行う。例えば、図４および図９を参照すると、処理回路１４１は、３×３×９タップのフィルタを用いて畳み込み処理を実行する。

なお、ノイズ相関マップ１０２の中間層への入力は、ノイズ相関マップ用のチャンネル、上の例ではマップ入力範囲２０４ｂを用いずに、畳み込みをしてきたデータに単純に加算してもよい。すなわち、入力範囲２０４ａに設定した値に、各ノードに対応するノイズ相関マップの値を加算してもよい。また、２０４ａが２チャンネル以上ある場合には、入力層１０３と同様の構成にノイズ相関マップを入力し、１チャンネルから増やした出力を２０４ａの各チャンネル、各ノードに加算してもよい。

以上に述べた構成によれば、本応用例において、本実施形態における効果と同様に、参照信号１０２が入力される中間層において、ノイズ量に応じて出力が変化する自由度が得られるため、処理対象信号１０１における部分範囲ごとのノイズ量に応じた強度で、処理対象信号１０１のノイズを低減することができる。

以下、本実施形態における処理回路１４１を搭載した距離計測装置、音声処理装置、振動計測装置、および産業用ＣＴ装置について、第１乃至第４の適用例においてそれぞれ説明する。距離計測装置および産業用ＣＴ装置は、２次元的な処理対象信号１０１と２次元的な参照信号１０２とをＣＮＮ１０５に用いる一例である。また、音声処理装置および振動計測装置は、１次元的な処理対象信号１０１と１次元的な参照信号１０２とをＣＮＮ１０５に用いる一例である。

（第１の適用例）
本適用例における距離計測装置は、本実施形態における処理回路１４１を搭載する。距離計測装置において、例えば、ＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ Ａｎｄ Ｒａｎｇｉｎｇ）、光波測距儀、電波測距儀などの光リモートセンシング技術が用いられる。例えば、本距離計測装置が車両に搭載された場合、本距離計測装置は、車両の周辺状況の把握、車両の進行に関する障害物を検知ために用いられる。距離計測装置に装備されたイメージセンサにおいて反射光の強度が小さいほど、あるいは、反射光以外の環境光などの外乱が多いほど、距離計測装置により生成された距離画像における誤差（ノイズ）は大きくなる。このため、距離画像を処理対象信号１０１とし、距離画像と同時に取得する反射光の強度や環境光の量をノイズ相関マップ１０２とすることで、距離画像における距離の精度を改善することができる。

図１０を参考にして、本適用例における距離計測装置１１０の全体構成について説明する。図１０は、距離計測装置１１０の構成の一例を示す図である。図１０に示すように、距離計測装置１１０は、発光素子（照射部）１１３と、イメージセンサ（受光部）１１５と、メモリ（記憶部）１１７と、インタフェース１１９と、処理回路（処理部）１４１とを備える。処理回路１４１は、図１０に示すように、距離画像生成機能１４１１、強度画像生成機能１４１３、入力機能１４１５、およびノイズ低減機能１４１７を有する。なお、距離計測装置１１０は、イメージセンサ１１５とは別に、環境光を受光する環境光受光素子をさらに有していてもよい。このとき、環境光受光素子は、例えば、イメージセンサ１１５の分解能より低い分解能を有する。

本適用例において、ノイズ低減対象画像１０１は、図１におけるノイズ低減機能１４１７によるデノイズの処理前であって、距離画像生成機能１４１１により生成された距離画像に相当する。距離画像における複数の画素値各々は、例えば、本距離計測装置１１０から障害物までの距離に対応するグレースケールを有する。例えば、本距離計測装置１１０から障害物までの距離が近い場合、距離画像の画素値は、黒くまたは暗くなる。また、本距離計測装置１１０から障害物までの距離が遠い場合、距離画像の画素値は、白くまたは明るくなる。また、ノイズ相関マップ１０２は、距離画像におけるノイズ量の空間分布に相関する画像であって、例えば、強度画像生成機能１４１３により生成された強度画像に相当する。強度画像は、例えば、発光素子１１３から出射された光が構造物などの障害物で反射してイメージセンサ１１５で受光された反射光の強度の空間的な分布を示す画像（以下、反射光強度画像と呼ぶ）、またはイメージセンサ１１５で受光された環境光の強度の空間的な分布を示す画像（以下、環境光強度画像と呼ぶ）に相当する。強度画像は、複数の画素各々において、障害物から本距離計測装置１１０までの距離に対するノイズ量またはボケ量に相関する画素値を有する。

本適用例において、第１の応用例および第２の応用例に関する処理内容については、ノイズ低減対象画像１０１を距離画像に読み替え、ノイズ相関マップ１０２を強度画像に読み替えることで理解できるため、説明は省略する。

なお、本適用例において、第１の応用例に記載のようにノイズ低減対象画像１０１に基づいてノイズ相関マップ１０２を生成する場合、距離計測装置１１０における処理回路１４１は、図６に示すように、相関データ生成機能１４１９をさらに有する。

処理回路１４１が有する距離画像生成機能１４１１、強度画像生成機能１４１３、入力機能１４１５、およびノイズ低減機能１４１７は、それぞれ距離画像生成部、強度画像生成部、入力部、およびノイズ低減部の一例である。なお、相関データ生成機能１４１９において実行される処理は、ノイズ低減機能１４１７において実行されてもよい。

発光素子１１３は、例えばレーザダイオードに相当する。発光素子１１３は、不図示の基準タイミング生成回路により生成された基準タイミング信号に従って、レーザ光を出射光として発生する。これにより、発光素子１１３は、所定の立体角で障害物へ向けてレーザー光を出射（照射）する。なお、発光素子１１３はレーザダイオードに限定されず、任意の波長の光波を発生する光波発生器で実現されてもよい。

イメージセンサ１１５は、例えばフォトダイオードなどの複数の光検出素子を有する。イメージセンサ１１５は、反射光と環境光とを受光する。イメージセンサ１１５は、受光された反射光を、反射光の強度に応じて電気信号（以下、反射光信号と呼ぶ）に変換する。イメージセンサ１１５は、反射光信号を、反射光の受光タイミングとともに、処理回路１４１に出力する。イメージセンサ１１５は、所定の時間間隔に亘る受光強度の積分値、すなわち所定の時間間隔において蓄積された電荷の総量を、環境光の強度として電気信号（以下、環境光信号と呼ぶ）に変換し、環境光信号を処理回路１４１に出力する。所定の時間間隔とは、例えば、発光素子１１３におけるレーザ光の発生時刻から反射光の受光タイミングまでの時間間隔である。

メモリ１１７は、距離画像生成機能１４１１により生成された距離画像、強度画像生成機能１４１３により生成された強度画像、ノイズ低減機能１４１７により距離画像におけるノイズを低減した距離画像（以下、デノイズ画像と呼ぶ）を記憶する。メモリ１１７は、距離画像と強度画像とに基づいてデノイズ画像１０８を生成する学習済みモデル（ニューラルネットワーク）を記憶する。メモリ１１７は、処理回路１４１において実行される各種機能に対応するプログラムを記憶する。例えば、メモリ１１７は、上述の学習済みモデルに対応するＣＮＮ１０５を実行するためのプログラム（以下、ノイズ低減プログラムと呼ぶ）を記憶する。

メモリ１１７は、例えば、ＲＯＭ、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスクドライブ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ソリッドステートドライブ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、光ディスク等である。また、メモリ１１７は、ＣＤ−ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。

インタフェース１１９は、本距離計測装置１１０に対する入出力に関する回路等に相当する。インタフェース１１９は、操作者による入力指示を受け付ける。また、インタフェース１１９は、無線または有線のネットワークを介して、外部の機器から各種指示や情報入力を受け付ける。また、インタフェース１１９は、ノイズ低減機能１４１７により生成されたデノイズ画像を、無線または有線のネットワークを介して、外部の機器等へ出力する。外部の機器とは、例えば本距離計測装置１１０が車両に搭載された場合、インタフェース１１９は、デノイズ画像を、車両における制御回路等に出力する。なお、インタフェース１１９は、不図示のディスプレイを有し、ユーザインタフェースとして実現されてもよい。このとき、インタフェース１１９は、ディスプレイに距離画像を表示させる。

処理回路１４１は、不図示のシステム制御機能により、本距離計測装置１１０を制御する。距離画像生成機能１４１１、強度画像生成機能１４１３、入力機能１４１５、およびノイズ低減機能１４１７にて行われる各種機能は、コンピュータによって実行可能なプログラムの形態でメモリ１１７に記憶されている。処理回路１４１は、これら各種機能に対応するプログラムをメモリ１１７から読み出し、読み出したプログラムを実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路１４１は、図１０の処理回路１４１内に示された複数の機能を有する。

なお、図１０においては単一の処理回路１４１にてこれら各種機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１４１を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。換言すると、上述のそれぞれの機能がプログラムとして構成され、１つの処理回路が各プログラムを実行する場合であってもよいし、特定の機能が専用の独立したプログラム実行回路に実装される場合であってもよい。

処理回路１４１は、距離画像生成機能１４１１により、基準タイミング信号と受光タイミングとに基づいて、距離画像を生成する。具体的には、処理回路１４１は、発光素子１１３におけるレーザ光の発生時刻と、反射光の受光タイミングを示す受光時刻との差に光速度を乗算することにより、所定の立体角に含まれる障害物までの距離を計算する。処理回路１４１は、計算された距離を画素ごとに配列させることにより、距離画像を生成する。

処理回路１４１は、強度画像生成機能１４１３により、反射光信号に基づいて、反射光の強度を画素ごとに配列させた反射光強度画像を生成する。処理回路１４１は、強度画像生成機能１４１３により、環境光信号に基づいて、環境光の強度を画素ごとに配列させた環境光強度画像を生成する。以下、説明の煩雑さを避けるため、反射光強度画像および環境光強度画像をまとめて強度画像と呼ぶ。

以上が本適用例における距離計測装置１１０の全体構成についての説明である。以下、本適用例における入力機能１４１５、ノイズ低減機能１４１７について、以下のデノイズ処理の説明において詳述する。

（デノイズ処理）
本適用例におけるデノイズ処理は、距離画像１０１と、強度画像１０２とを用いたノイズ低減プログラムの実行により、デノイズ画像１０８を生成する処理である。図１１は、本適用例におけるデノイズ処理に関する手順の一例を示すフローチャートである。

（ステップＳａ１）
出射光の出射時刻と、立体角内における障害物で反射した反射光の受光時刻とに基づいて、距離画像１０１が生成される。図１２は、光検出素子に関して、時間に対する反射光信号の強度および環境光信号の強度の一例を示す図である。図１２におけるＴｔおよびＴｒは、レーザ光の発生時刻および反射光の受光時刻をそれぞれ示している。図１２におけるＩＲＬは、受光時刻Ｔｒにおける反射光の強度に対するパルスの高さＲＨを示している。反射光強度は、図１２において、受光時刻Ｔｒにおいてイメージセンサ１１５から出力される電流のパルスの高さＲＨまたはパルスの面積に対応する。また、図１２におけるＩＡＬは、レーザ光の発生時刻Ｔｔから反射光の受光時刻Ｔｒまでの時間間隔（Ｔｒ−Ｔｔ）に亘る、受光強度の平均を示している。なお、環境光の強度は、受光強度の平均ＩＡＬであってもよい。環境光の強度は、反射光によるパルスを含まない方が好ましい。処理回路１４１は、距離画像生成機能１４１１により、光検出素子各々に関して、時間間隔（Ｔｒ−Ｔｔ）に光速度を乗算することにより、距離を算出する。次いで、処理回路１４１は、光検出素子ごとに算出された距離を用いて距離画像１０１を生成する。

図１３は、距離画像生成機能１４１１により生成された距離画像１０１の一例を示す図である。図１４は、図１３における位置Ａから位置Ｂまでの区間における距離のプロファイルの一例を示す図である。図１４に示すように、位置Ａから位置Ｂにかけて距離は単調減少とならずに、鋸歯状にノイズが現れている。

（ステップＳａ２）
反射光の強さまたは環境光の強さに基づいて、ノイズ相関マップ１０２として強度画像１０２が生成される。以下、説明を具体的にするために、強度画像１０２は、反射光の強さを示す画像であるものとする。図１５は、図１３における位置Ａから位置Ｂまでの区間において、強度画像１０２における反射光の強度のプロファイルの一例を示す図である。図１５に示すように、反射光の強度は、図１４に示すような鋸歯状のノイズに相関している。

（ステップＳａ３）
距離画像１０１と強度画像１０２とがＣＮＮ１０５に入力される。具体的には、処理回路１４１は、入力機能１４１５により、距離画像１０１と強度画像１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、ステップＳａ１において生成された距離画像１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路１４１は、ステップＳａ２において生成された強度画像１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。

処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、距離画像１０１における複数の画素値と、強度画像１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータを、ＣＮＮ１０５に出力する。

なお、第２の応用例が本適用例に用いられる場合、処理回路１４１は、距離画像１０１を入力層１０３に入力し、強度画像１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。

（ステップＳａ４）
距離画像１０１のノイズが低減されたデノイズ画像１０８が生成される。具体的には、処理回路１４１は、ノイズ低減機能１４１７により、距離画像１０１と強度画像１０２とを用いたノイズ低減プログラムの実行により、ＣＮＮ１０５を用いてデノイズ画像１０８を生成する。図１６は、図１３における位置Ａから位置Ｂまでの区間において、デノイズ画像１０８における距離の一例を示す図である。図１６に示すように、図１３に比べて鋸歯状のノイズが低減されている。

なお、処理対象信号１０１として、距離画像生成機能１４１１により計測された、距離画像の生成前における距離データが用いられてもよい。このとき、参照信号１０２として、イメージセンサ１１５により計測された、強度画像の生成前における反射光の強度または環境光の強度を示す強度データが用いられる。これらの場合、上記デノイズ処理は、距離画像を距離データに読み替え、強度画像を強度データに読み替えることで理解できるため、説明は省略する。

以上に述べた構成によれば、以下の効果を得ることができる。
本適用例における距離計測装置１１０によれば、出射された光が障害物で反射して反射光として戻ってくるまでの時間を用いて障害物までの距離を計測することにより、距離画像を生成し、反射光の強度または環境光の強度を計測することにより強度画像を生成し、距離画像と強度画像とに基づいて距離画像におけるノイズを低減したデノイズ画像を生成する学習済みモデルを記憶し、学習済みモデルに距離画像と強度画像とを入力し、学習済みモデルを用いてデノイズ画像１０８を生成することができる。

また、本距離計測装置１１０によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３の互いに別のチャンネルに距離画像と強度画像とを入力することができる。また、本距離計測装置１１０によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３に距離画像を入力し、ニューラルネットワークにおける複数の中間層のうち少なくとも一つに強度画像を入力することができる。また、本距離計測装置１１０によれば、複数の画素各々において、距離に対するノイズ量またはボケ量に相関する画素値を有する強度画像を、学習済みモデルに入力することができる。

以上のことから、本適用例における距離計測装置１１０によれば、反射光の強度が小さい、あるいは、反射光以外の環境光などの外乱が多かったとしても、距離画像における誤差（ノイズ）を低減することができ、距離画像における距離の精度を向上させることができる。

（第２の適用例）
本適用例における音声処理装置は、本実施形態における処理回路１４１を搭載する。図１７を参考にして、本適用例における音声処理装置２０１の全体構成について説明する。図１７は、音声処理装置２０１の構成の一例を示す図である。図１７に示すように、音声処理装置２０１は、第１マイクロフォン２０２と、第２マイクロフォン２０３と、メモリ（記憶部）２０７と、インタフェース２０９と、処理回路（処理部）１４１とを備える。処理回路１４１は、図１と同様に入力機能１４１５およびノイズ低減機能１４１７を有する。第１マイクロフォン２０２および第２マイクロフォン２０３は、時系列に沿って音声を取得する音声取得部の一例である。

本適用例において、処理対象信号１０１は、第１マイクロフォン２０２により時系列に沿って取得された音声のデータ（以下、第１音声データ）に相当する。また、参照信号１０２は、第２マイクロフォン２０３により時系列に沿って取得された音声のデータ（以下、第２音声データ）に相当する。第２音声データは、第１マイクロフォン２０２により取得された音声（第１音声データ）において時刻ごとの音声のノイズに相関するノイズ相関データに相当する。

なお、第１音声データおよび第２音声データは、処理対象信号１０１および参照信号１０２にそれぞれ対応することに限定されない。すなわち、インタフェース２０９を介した操作者の指示またはデフォルトの設定によっては、第１音声データを参照信号１０２とし、第２音声データを処理対象信号１０１として設定することも可能である。このとき、第１音声データはノイズ相関データに対応する。すなわち、操作者により設定される認識対象の音声データ（第１音声データまたは第２音声データ）が、処理対象信号１０１に相当する。このとき、ノイズは、非認識対象の音声データに相当する。

例えば、処理対象信号１０１および参照信号１０２と、第１音声データおよび第２音声データとの対応関係は、操作者の指示等に応じて、適宜変更可能である。処理対象信号１０１として第１音声データを用い、かつ参照信号１０２として第２音声データを用いて実行される学習済みモデル（以下、第１音声ＮＮと呼ぶ）と、処理対象信号１０１として第２音声データを用い、かつ参照信号１０２として第１音声データを用いて実行される学習済みモデル（以下、第２音声ＮＮと呼ぶ）とは、異なる学習済みモデルである。すなわち、第１音声ＮＮと第２音声ＮＮとは、異なる学習データを用いて学習される。このため、上記対応関係がインタフェース２０９を介した操作者の指示により適宜変更可能である場合、第１音声ＮＮと第２音声ＮＮとは、上記対応関係に対応付けられてメモリ２０７に記憶される。

なお、本適用例において、第１の応用例に記載のように処理対象信号１０１に基づいて参照信号１０２を生成する場合、音声処理装置２０１における処理回路１４１は、図６に示すように、相関データ生成機能１４１９をさらに有する。このとき、第１マイクロフォン２０２または第２マイクロフォン２０３は不要となる。以下、説明を簡便にするために、処理対象信号１０１および参照信号１０２は、それぞれ、第１音声データおよび第２音声データであるものとする。第１音声データおよび第２音声データは、それぞれ、１次元的なデータの一例である。

第１マイクロフォン２０２は、例えば接話マイクである。例えば、第１マイクロフォン２０２は、話者の音声を取得する。また、第１マイクロフォン２０２は、指向性を有するマイクロフォンであってもよい。第１マイクロフォン２０２は、時系列に沿って取得された音声に従って、第１音声データを生成する。第１マイクロフォン２０２は、第１音声データを、処理回路１４１に出力する。

第２マイクロフォン２０３は、話者以外の周囲の音などの環境音等を取得するマイクであり、例えば無指向性のマイクロフォンである。第２マイクロフォン２０３は、例えば、第１マイクロフォン２０２に比べて低分解能なマイクロフォンである。第２マイクロフォン２０３は、環境音のパワーを計測することができればよいため、例えば、ＭＥＭＳ（Ｍｉｃｒｏ Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓ）により構成された音圧センサなどの各種センサであってもよい。第２マイクロフォン２０３は、時系列に沿って取得された音声に従って、第２音声データを生成する。第２マイクロフォン２０３は、第２音声データを、処理回路１４１に出力する。

本適用例において、第１の応用例および第２の応用例に関する処理内容については、処理対象信号１０１を第１音声データに読み替え、参照信号１０２を第２音声データに読み替えることで理解できるため、説明は省略する。

メモリ２０７は、第１音声データ、第２音声データ、およびノイズ低減機能１４１７により第１音声信号におけるノイズを低減した音声データ（以下、デノイズデータと呼ぶ）を記憶する。メモリ２０７は、音声（第１音声データ）において時刻ごとの音声のノイズに相関するノイズ相関データ（第２音声データ）と第１音声データとに基づいて第１音声データのノイズを時系列に沿って低減したデノイズデータを生成する学習済みモデルを記憶する。メモリ２０７は、処理回路１４１において実行される各種機能に対応するプログラムを記憶する。例えば、メモリ２０７は、上述の学習済みモデルに対応するＣＮＮ１０５を実行するためのプログラム（以下、ノイズ低減プログラムと呼ぶ）を記憶する。

メモリ２０７は、例えば、ＲＯＭ、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスクドライブ、ソリッドステートドライブ、光ディスク等である。また、メモリ１１７は、ＣＤ−ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。

インタフェース２０９は、本音声処理装置２０１に対する入出力に関する回路等に相当する。インタフェース２０９は、操作者による入力指示を受け付ける。また、インタフェース２０９は、無線または有線のネットワークを介して、外部の機器から各種指示や情報入力を受け付ける。また、インタフェース２０９は、ノイズ低減機能１４１７により生成されたデノイズデータを、無線または有線のネットワークを介して、外部の機器等へ出力する。なお、インタフェース２０９は、不図示のスピーカを有し、操作者の指示により、デノイズデータに対応する音声を発生させてもよい。

処理回路１４１は、不図示のシステム制御機能により、本音声処理装置２０１を制御する。入力機能１４１５およびノイズ低減機能１４１７にて行われる各種機能は、コンピュータによって実行可能なプログラムの形態でメモリ２０７に記憶されている。処理回路１４１は、これら各種機能に対応するプログラムをメモリ２０７から読み出し、読み出したプログラムを実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路１４１は、図１７の処理回路１４１内に示された複数の機能を有する。

なお、図１７においては単一の処理回路１４１にてこれら各種機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１４１を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。換言すると、上述のそれぞれの機能がプログラムとして構成され、１つの処理回路が各プログラムを実行する場合であってもよいし、特定の機能が専用の独立したプログラム実行回路に実装される場合であってもよい。

以上が本適用例における音声処理装置２０１の全体構成についての説明である。以下、本適用例における入力機能１４１５、ノイズ低減機能１４１７について、以下のデノイズ処理の説明において詳述する。

（デノイズ処理）
本適用例におけるデノイズ処理は、第１音声データ１０１と、第２音声データと１０２とを用いたノイズ低減プログラムの実行により、デノイズデータ１０８を生成する処理である。図１８は、本適用例におけるデノイズ処理に関する手順の一例を示すフローチャートである。

（ステップＳｂ１）
第１マイクロフォン２０２により、第１音声データ１０１が、時系列に沿って取得される。同時に、第２マイクロフォン２０３により、ノイズ相関データに対応する第２音声データ１０２が、時系列に沿って取得される。図１９は、第１音声データ１０１の一例を示す図である。図１９に示すように、第１音声データ１０１には、鋸歯状のノイズが現れている。

（ステップＳｂ２）
第１音声データ１０１と第２音声データ１０２とが、学習済みモデルに入力される。具体的には、処理回路１４１は、入力機能１４１５により、第１音声データ１０１と第２音声データ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、第１音声データ１０１における時系列に沿った音声の振幅値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路１４１は、第２音声データ１０２における時系列に沿った音声の振幅値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。

処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、第１音声データ１０１における複数の振幅値と、第２音声データ１０２における複数の振幅値とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータを、ＣＮＮ１０５に出力する。

なお、第２の応用例が本適用例に用いられる場合、処理回路１４１は、第１音声データ１０１を入力層１０３に入力し、第２音声データ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。

（ステップＳｂ３）
第１音声データ１０１のノイズが低減されたデノイズデータ１０８が生成される。具体的には、処理回路１４１は、ノイズ低減機能１４１７により、第１音声データ１０１と第２音声データ１０２とを用いたノイズ低減プログラムの実行により、ＣＮＮ１０５を用いてデノイズデータ１０８を生成する。図２０は、時系列に沿ったデノイズデータ１０８の一例を示す図である。図２０に示すように、図１９に比べて鋸歯状のノイズが低減されている。処理回路１４１は、デノイズデータ１０８をインタフェース２０９に出力する。インタフェース２０９は、操作者の指示により、デノイズデータを音声としてスピーカから出力する。

以上に述べた構成によれば、以下の効果を得ることができる。
本適用例における音声処理装置２０１によれば、時系列に沿って音声を取得し、取得された音声において時刻ごとの音声のノイズに相関するノイズ相関データ（第２音声データ）と音声のデータ（第１音声データ）とに基づいて音声のノイズを時系列に沿って低減したデノイズデータを生成する学習済みモデルを記憶し、学習済みモデルに音声のデータとノイズ相関データとを入力し、学習済みモデルを用いてデノイズデータを生成することができる。また、本音声処理装置２０１によれば、音声のデータ（第１音声データ）に基づいてノイズ相関データを生成する第２の学習済みモデルをさらに記憶し、音声のデータを第２の学習済みモデルに入力し、第２の学習済みモデルを用いて、ノイズ相関データを生成することができる。

以上のことから、本適用例における音声処理装置２０１によれば、音声認識において、例えば、話者以外の周囲の音をノイズとして事前に低減することで認識精度を向上させることができる。すなわち、本音声処理装置２０１によれば、時系列に沿った１次元的な音声信号を本実施形態で説明した画像のような２次元信号と同様に、フィルタと活性化関数とを用いたニューラルネットワークを構成することができる。これにより、本音声処理装置２０１によれば、例えば、時系列のノイズを含んだ音声信号（第１音声データ）と、同じ時系列の例えば背景の音量の信号（第２音声データ）とを入力層１０３に設定することにより、第１音声データにおける背景音を効果的に低減することができる。

（第３の適用例）
本適用例における振動計測装置は、本実施形態における処理回路１４１を搭載する。振動計測装置は、構造物（橋、ビル、ダムなど）などに対する非破壊検査において用いられる。例えば、振動計測装置は、これらの構造物における亀裂などの罅の検出等に用いられる。図２１を参考にして、本適用例における振動計測装置３０１の全体構成について説明する。図２１は、振動計測装置３０１の構成の一例を示す図である。図２１に示すように、振動計測装置３０１は、第１加速度センサ３０３と、第２加速度センサ３０５と、メモリ（記憶部）３０７と、インタフェース３０９と、ディスプレイ３１１と、処理回路（処理部）１４１とを備える。処理回路１４１は、変換機能３１３１に加えて、図１と同様に入力機能１４１５およびノイズ低減機能１４１７を有する。第１加速度センサ３０３および第２加速度センサ３０５は、時系列に沿って振動を計測する振動計測部の一例である。

本適用例において、処理対象信号１０１は、第１加速度センサ３０３により時系列に沿って取得された振動のデータ（以下、第１振動データ）に対してフーリエ変換が実行されたデータ（以下、第１変換データと呼ぶ）に相当する。また、参照信号１０２は、第２加速度センサ３０５により時系列に沿って取得された振動のデータ（以下、第２振動データ）に対してフーリエ変換が実行されたデータ（以下、第２変換データと呼ぶ）に相当する。第２変換データは、第１加速度センサ３０３により取得された振動（第１振動データ）において周波数ごとの振動のノイズに相関するノイズ相関データに相当する。第１変換データおよび第２変換データは、第１振動データおよび第２振動データにそれぞれ対応する周波数に対する振幅強度のスペクトラムに相当する。

なお、第１変換データおよび第２変換データは、処理対象信号１０１および参照信号１０２にそれぞれ対応することに限定されない。すなわち、インタフェース３０９を介した操作者の指示またはデフォルトの設定によっては、第１変換データを参照信号１０２とし、第２変換データを処理対象信号１０１として設定することも可能である。このとき、第１変換データはノイズ相関データに対応する。すなわち、操作者により設定される認識対象の振動データ（第１振動データまたは第２振動データ）が、処理対象信号１０１に相当する。このとき、ノイズは、非認識対象の振動データに相当する。

例えば、処理対象信号１０１および参照信号１０２と、第１変換データおよび第２変換データとの対応関係は、操作者の指示等に応じて、適宜変更可能である。処理対象信号１０１として第１変換データを用い、かつ参照信号１０２として第２変換データを用いて実行される学習済みモデル（以下、第１振動ＮＮと呼ぶ）と、処理対象信号１０１として第２変換データを用い、かつ参照信号１０２として第１変換データを用いて実行される学習済みモデル（以下、第２振動ＮＮと呼ぶ）とは、異なる学習済みモデルである。すなわち、第１変換ＮＮと第２変換ＮＮとは、異なる学習データを用いて学習される。このため、上記対応関係がインタフェース３０９を介した操作者の指示により適宜変更可能である場合、第１変換ＮＮと第２変換ＮＮとは、上記対応関係に対応付けられてメモリ３０７に記憶される。

なお、本適用例において、第１の応用例に記載のように処理対象信号１０１に基づいて参照信号１０２を生成する場合、振動計測装置３０１における処理回路１４１は、図６に示すように、相関データ生成機能１４１９をさらに有する。このとき、第１加速度センサ３０３または第２加速度センサ３０５は不要となる。以下、説明を簡便にするために、処理対象信号１０１および参照信号１０２は、それぞれ、第１変換データおよび第２変換データであるものとする。第１振動データおよび第２振動データは、それぞれ、１次元的なデータの一例である。

本適用例において、第１の応用例および第２の応用例に関する処理内容については、処理対象信号１０１を第１変換データに読み替え、参照信号１０２を第２変換データに読み替えることで理解できるため、説明は省略する。

第１加速度センサ３０３は、例えば、ＭＥＭＳにより構成され、構造物における振動を計測する。第１加速度センサ３０３は、時系列に沿って計測された振動に従って、第１振動データを生成する。第１加速度センサ３０３は、第１振動データを、処理回路１４１に出力する。

第２加速度センサ３０５は、例えば、ＭＥＭＳにより構成され、第１加速度センサ３０３により計測される振動の周囲における振動を計測する。第２加速度センサ３０５は、例えば、第１加速度センサ３０３に比べて低分解能なセンサである。第２加速度センサ３０５は、時系列に沿って計測された振動に従って、第２振動データを生成する。第２加速度センサ３０５は、第２振動データを、処理回路１４１に出力する。

メモリ３０７は、第１振動データ、第２振動データ、第１変換データ、第２変換データ、およびノイズ低減機能１４１７により第１変換データにおけるノイズを低減したデータ（以下、デノイズデータと呼ぶ）を記憶する。また、メモリ３０７は、デノイズデータに対して逆フーリエ変換が実行されたデータ（以下、振動デノイズデータと呼ぶ）を記憶する。メモリ３０７は、振動（第１振動データ）において周波数ごとの振動のノイズに相関するノイズ相関データ（第２変換データ）と振動における周波数ごとのデータ（第１変換データ）とに基づいて振動のノイズを周波数ごとに低減したデノイズデータを生成する学習済みモデルを記憶する。メモリ３０７は、処理回路１４１において実行される各種機能に対応するプログラムを記憶する。例えば、メモリ３０７は、上述の学習済みモデルに対応するＣＮＮ１０５を実行するためのプログラム（以下、ノイズ低減プログラムと呼ぶ）を記憶する。メモリ３０７の構成例については、第１および第２の適用例と同様なため、説明は省略する。

インタフェース３０９は、本振動計測装置３０１に対する入出力に関する回路等に相当する。インタフェース３０９は、操作者による入力指示を受け付ける。また、インタフェース３０９は、無線または有線のネットワークを介して、外部の機器から各種指示や情報入力を受け付ける。また、インタフェース３０９は、ノイズ低減機能１４１７により生成されたデノイズデータを、無線または有線のネットワークを介して、外部の機器等へ出力する。

ディスプレイ３１１は、各種の情報を表示する。例えば、ディスプレイ３１１は、処理回路１４１における変換機能３１３１によって生成された振動デノイズデータを表示する。また、ディスプレイ３１１は、操作者からの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を表示する。ディスプレイ３１１としては、種々の任意のディスプレイが、適宜、使用可能となっている。例えばディスプレイ４２として、液晶ディスプレイ、ＣＲＴディスプレイ、有機ＥＬディスプレイ又はプラズマディスプレイが使用可能である。

処理回路１４１は、不図示のシステム制御機能により、本振動計測装置３０１を制御する。変換機能３１３１、入力機能１４１５およびノイズ低減機能１４１７にて行われる各種機能は、コンピュータによって実行可能なプログラムの形態でメモリ３０７に記憶されている。処理回路１４１は、これら各種機能に対応するプログラムをメモリ３０７から読み出し、読み出したプログラムを実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路１４１は、図２１の処理回路１４１内に示された複数の機能を有する。

なお、図２１においては単一の処理回路１４１にてこれら各種機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１４１を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。換言すると、上述のそれぞれの機能がプログラムとして構成され、１つの処理回路が各プログラムを実行する場合であってもよいし、特定の機能が専用の独立したプログラム実行回路に実装される場合であってもよい。

以上が本適用例における振動計測装置３０１の全体構成についての説明である。以下、本適用例における変換機能３１３１、入力機能１４１５、ノイズ低減機能１４１７について、以下のデノイズ処理の説明において詳述する。

（デノイズ処理）
本適用例におけるデノイズ処理は、第１変換データ１０１と、第２変換データと１０２とを用いたノイズ低減プログラムの実行により、デノイズデータ１０８を生成する処理である。図２２は、本適用例におけるデノイズ処理に関する手順の一例を示すフローチャートである。

（ステップＳｃ１）
第１加速度センサ３０３は、第１振動データを、時系列に沿って取得する。同時に、第２加速度センサ３０５は、第２振動データを、時系列に沿って取得する。第１振動データおよび第２振動データは、処理回路１４１に出力される。

（ステップＳｃ２）
処理回路１４１は、変換機能３１３１により、第１振動データに対してフーリエ変換を実行する。処理回路１４１は、第２振動データに対してフーリエ変換を実行する。これらのフーリエ変換により、処理回路１４１は、第１振動データと第２振動データとにそれぞれ対応する第１変換データ１０１と第２変換データ１０２とを生成する。

（ステップＳｃ３）
第１変換データ１０１と第２変換データ１０２とが、学習済みモデルに入力される。具体的には、処理回路１４１は、入力機能１４１５により、第１変換データ１０１と第２変換データ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、第１変換データ１０１における振動の周波数ごとの強度を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路１４１は、第２変換データ１０２における振動の周波数ごとの強度を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。

処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、第１変換データ１０１における周波数ごとの強度と、第２変換データ１０２における周波数ごとの強度とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータを、ＣＮＮ１０５に出力する。

なお、第２の応用例が本適用例に用いられる場合、処理回路１４１は、第１変換データ１０１を入力層１０３に入力し、第２変換データ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。

（ステップＳｃ３）
第１変換データにおけるノイズを周波数ごとに低減したデノイズデータ１０８が生成される。具体的には、処理回路１４１は、ノイズ低減機能１４１７により、第１変換データ１０１と第２変換データ１０２とを用いたノイズ低減プログラムの実行により、ＣＮＮ１０５を用いてデノイズデータ１０８を生成する。

（ステップＳｃ４）
デノイズデータに対して逆フーリエ変換を実行することにより、振動デノイズデータが生成される。具体的には、処理回路１４１は、変換機能３１３１により、デノイズデータに対して逆フーリエ変換を実行する。処理回路１４１は、逆フーリヘ変換により、第１振動データのノイズが低減された振動デノイズデータを生成する。処理回路１４１は、振動デノイズデータを、ディスプレイ３１１に表示させる。

本適用例の変形例として、参照信号１０２は、非破壊検査が実施される構造物に関する振動の周波数特性（以下、基準スペクトラムと呼ぶ）が用いられてもよい。基準スペクトラムは、例えば、構造物の形状、構造物の基礎地盤および非破壊検査が実施される季節などを条件として、構造物の固有振動などをシミュレーションすることにより、重畳されるノイズも含めて求められる。基準スペクトラムは、ノイズ相関マップに対応するものとして、メモリ３０７に記憶される。処理回路１４１は、入力機能１４１５により、第１変換データ１０１と基準スペクトラム１０２とを入力層１０３に入力する。次いで、処理回路１４１は、ノイズ低減機能１４１７により、第１変換データ１０１と基準スペクトラム１０２とを用いたノイズ低減プログラムの実行により、ＣＮＮ１０５を用いてデノイズデータ１０８を生成する。デノイズデータは、構造物の経年劣化に対応する特徴的な振動データ（以下、経年劣化データと呼ぶ）のフーリエ変換に対応する。本変形例におけるＣＮＮ１０５は、基準スペクトラムに基づくノイズを経年劣化データに重畳させたノイズ包含データと、経年劣化データと、基準スペクトラムとを一つの組の学習データとして用いて学習されることにより、生成される。

以上に述べた構成によれば、以下の効果を得ることができる。
本適用例における振動計測装置３０１によれば、時系列に沿って振動を計測し、振動において周波数ごとの振動のノイズに相関するノイズ相関データ（第２変換データ）と振動における周波数ごとのデータ（第１変換データ）とに基づいて振動のノイズを周波数ごとに低減したデノイズデータを生成する学習済みモデルを記憶し、学習済みモデルに振動のデータとノイズ相関データとを入力し、学習済みモデルを用いてデノイズデータを生成することができる。また、本振動計測装置３０１によれば、振動のデータ（第１振動データ）に基づいてノイズ相関データを生成する第２の学習済みモデルをさらに記憶し、振動のデータを第２の学習済みモデルに入力し、第２の学習済みモデルを用いてノイズ相関データを生成することができる。

以上のことから、本適用例における振動計測装置３０１によれば、加速度センサで対象の振動を計測する場合において、計測対象以外の周囲の振動を事前に除去することで計測精度を向上させることができる。すなわち、例えば周囲の振動の周波数ごとの強弱が既知であるなら、計測データである第１振動データをフーリエ変換してから入力層１０３に設定し、参照信号１０２として周囲振動の周波数特性（第２変換データ）も入力層１０３に設定することで、出力層１０７からの出力信号としてデノイズデータを生成することができる。また、デノイズデータを、必要に応じて逆フーリエ変換することで、振動デノイズデータを生成することができる。

（第４の適用例）
本適用例における産業用ＣＴ装置は、本実施形態における処理回路１４１を搭載する。産業用ＣＴ装置は、製造物（アルミダイカスト、鉄、鋳物、シリンダー、タイヤ、エンジンブロック、小型電子部品、電池、モールド品、樹脂、繊維、炭素繊維強化プラスチック（ＣＦＲＰ：Ｃａｒｂｏｎ−Ｆｉｂｅｒ−Ｒｅｉｎｆｏｒｃｅｄ Ｐｌａｓｔｉｃ）、ガラス繊維強化プラスチック（ＧＦＲＰ：Ｇｌａｓｓ−Ｆｉｂｅｒ−Ｒｅｉｎｆｏｒｃｅｄ Ｐｌａｓｔｉｃ）、ネジなどの各種部品など）を含む構造物または構造物の一部分に対する非破壊検査において用いられる。以下、構造物として製造物を用いて説明する。非破壊検査などで用いられ産業用ＣＴ装置は、製造物を回転軸周りに回転させながら収集されたＸ線の透過量（サイノグラム）から断層画像を再構成する。

本適用例において、ノイズ低減対象画像１０１に相当する画像は、図１におけるノイズ低減機能１４１７によるデノイズ処理前であって、製造物ＭＡに対するＣＴスキャンに関して生成された投影データに基づくサイノグラム（以下、デノイズ前サイノグラムと呼ぶ）または、前処理後の投影データに基づいて再構成された画像（以下、デノイズ前ＣＴ画像と呼ぶ）に相当する。

また、本適用例において、入力層１０３に入力されるノイズ低減対象画像１０１がデノイズ前サイノグラムである場合、ノイズ相関マップ１０２は、デノイズ前ＣＴ画像において、構造物が載置された後述する回転テーブルの回転角度ごとに製造物を透過するＸ線のレイに沿った製造物の透過長を示すマップ（以下、透過長マップと呼ぶ）に対応する。透過長マップは、Ｘ線管においてＸ線が発生する焦点からＸ線検出素子に入射するＸ線のレイに沿った透過長を、例えば、回転角度を縦軸、チャネル方向に配列された複数のＸ線検出素子の素子番号を横軸として配列させたデータに相当する。以下、説明を具体的にするために、素子番号は、１乃至Ｍ（Ｍは自然数）であるものとする。なお、ノイズ相関マップ１０２は、透過長マップに限定されず、デノイズ前ＣＴ画像におけるノイズ量に相関する画像であれば、いずれの画像であってもよい。

また、本適用例において、入力層１０３に入力されるノイズ低減対象画像１０１がデノイズ前ＣＴ画像である場合、ノイズ相関マップ１０２は、透過長マップを用いて再構成された画像（以下、透過長再構成画像と呼ぶ）に対応する。

本適用例において、デノイズ前ＣＴ画像を用いてデノイズを行う場合の処理内容については、後程説明する。また、本適用例において、第１の応用例および第２の応用例に関する処理内容については、ノイズ低減対象画像１０１をデノイズ前サイノグラムに読み替え、ノイズ相関マップ１０２を透過長マップに読み替えることで理解できるため、説明は省略する。

図２３は、本適用例における産業用ＣＴ装置１０の構成の一例を示す図である。産業用ＣＴ装置１０は、Ｘ線管１１から製造物ＭＡに対してＸ線を照射し、照射されたＸ線をＸ線検出器１３で検出する。産業用ＣＴ装置１０は、Ｘ線検出器１３からの出力に基づいて製造物ＭＡに関するデノイズ前ＣＴ画像を生成する。図２３に示すように、産業用ＣＴ装置１０は、Ｘ線管１１と、Ｘ線検出器１３と、回転テーブル１５と、回転昇降機構１６と、シフト機構１７と、処理回路１４１とを有する。

Ｘ線管１１は、メタルアーチファクトを生じさせずかつ製造物ＭＡを透過可能な高線量のＸ線を、Ｘ線の照射範囲１２に配置された製造物ＭＡに照射する。具体的には、Ｘ線管１１は、熱電子を発生する陰極と、陰極から放出される熱電子を受けてＸ線を発生する陽極と、陰極と陽極とを保持する真空管とを含む。Ｘ線管１１は、高圧ケーブルを介して不図示のＸ線高電圧装置に接続されている。陰極と陽極との間には、Ｘ線高電圧装置により管電圧が印加される。管電圧の印加により陰極から陽極に向けて熱電子が放出される。陰極から陽極に向けて熱電子が放出されることにより管電流が流れる。Ｘ線高電圧装置からの高電圧の印加及びフィラメント電流の供給により、陰極（フィラメント）から陽極（ターゲット）に向けて熱電子が放出される。熱電子が陽極に衝突することにより、焦点ＦにおいてＸ線が発生される。例えば、Ｘ線管１１には、回転する陽極に熱電子を照射することでＸ線を発生させる回転陽極型のＸ線管がある。

Ｘ線検出器１３は、Ｘ線管１１から照射され製造物ＭＡを通過したＸ線を検出し、検出されたＸ線の線量に対応した電気信号を処理回路１４１に出力する。Ｘ線検出器１３は、チャネル方向（ｚ方向）に複数のＸ線検出素子が配列されたＸ線検出素子列がスライス方向（ｙ方向）に複数配列された構造を有する。Ｘ線検出器１３は、例えば、グリッド、シンチレータアレイ及び光センサアレイを有する間接変換型の検出器である。なお、Ｘ線検出器１３は、入射したＸ線を電気信号に変換する半導体素子を有する直接変換型の検出器であってもよい。Ｘ線検出器は、Ｘ線検出部の一例である。

回転テーブル１５には、製造物ＭＡが載置される。このとき、製造物ＭＡは、回転テーブル１５に固定具を介して固定されても良い。回転テーブル１５は、製造物ＭＡに対するＣＴスキャンの実行時において、回転昇降機構１６により、Ｘ線の光軸ＯＡに垂直であって回転テーブル１５の中心Ｃを通る回転軸ＡＲ周りに回転する。Ｘ線の光軸ＯＡは、例えば、焦点ＦとＸ線検出器１３における中心とを結ぶ直線である。

回転昇降機構１６は、回転軸ＡＲ周りに回転テーブル１５を回転可能に支持する。回転昇降機構１６は、鉛直線であるｚ軸に沿って、回転テーブル１５を昇降可能に支持する。回転昇降機構１６は、回転テーブル１５を回転させるためのモータおよびベアリングを有する。また、回転昇降機構１６は、回転テーブル１５を昇降させるための直動軸受、ガイドレールおよびモータを有する。回転昇降機構１６は、処理回路１４１におけるシステム制御機能４４１による制御のもとで、回転テーブル１５を回転および昇降させる。

シフト機構１７は、Ｘ線管１１とＸ線検出器１３と回転昇降機構１６とを支持する。具体的には、シフト機構１７は、Ｘ線管１１とＸ線検出器１３との間の距離ＦＤＤを変更可能に、Ｘ線管１１とＸ線検出器１３とのうち少なくとも一方を、光軸ＯＡに沿って移動可能に支持する。シフト機構１７は、焦点Ｆと回転軸ＡＲとの間異の距離を変更可能に、回転昇降機構１６を光軸ＯＡに沿って移動可能に支持する。シフト機構１７は、Ｘ線管１１とＸ線検出器１３とのうち少なくとも一方と回転昇降機構１６とを、光軸ＯＡに沿って移動させるための直動軸受、ガイドレールおよびモータを有する。シフト機構１７は、処理回路１４１におけるシステム制御機能４４１による制御のもとで、Ｘ線管１１とＸ線検出器１３とのうち少なくとも一方と回転昇降機構１６とを、光軸ＯＡに沿って移動させる。

メモリ４１は、種々の情報を記憶するＨＤＤやＳＳＤ、集積回路記憶装置等の記憶装置である。メモリ４１は、例えば、前処理機能４４２により生成された投影データや再構成処理機能４４３により生成されたデノイズ前ＣＴ画像、ノイズ低減機能１４１７により生成されたデノイズ画像（以下、デノイズサイノグラムと呼ぶ）１０８等を記憶する。また、メモリ４１は、デノイズ前サイノグラム１０１と透過長マップ１０２とに基づいてデノイズ前サイノグラム１０１におけるノイズを低減したデノイズサイノグラム１０８を生成するように機能付けられた学習済みモデルを記憶する。メモリ４１は、学習済みモデルに用いられる透過長マップ１０２を記憶する。メモリ４１は、デノイズサイノグラム１０８に基づいて再構成されたＣＴ画像（以下、デノイズＣＴ画像と呼ぶ）を記憶する。また、メモリ４１は、処理回路１４１において実行される各種機能に対応するプログラムを記憶する。例えば、メモリ４１は、上述の学習済みモデルに対応するＣＮＮ１０５を実行するためのノイズ低減プログラムを記憶する。

メモリ４１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、フラッシュメモリ等の可搬性記憶媒体であってもよい。なお、メモリ４１は、フラッシュメモリ、ＲＡＭ等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。

ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路１４１における再構成処理機能４４３によって生成されたデノイズＣＴ画像や、操作者からの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を出力する。ディスプレイ４２としては、種々の任意のディスプレイが、適宜、使用可能となっている。例えばディスプレイ４２として、液晶ディスプレイ、ＣＲＴディスプレイ、有機ＥＬディスプレイ又はプラズマディスプレイが使用可能である。また、ディスプレイ４２は、デスクトップ型でもよいし、処理回路１４１と無線通信可能なタブレット端末等で構成されることにしても構わない。

入力インターフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１４１に出力する。例えば、入力インターフェース４３は、投影データを収集する際の収集条件や、デノイズＣＴ画像およびデノイズ前ＣＴ画像を再構成する際の再構成条件、デノイズＣＴ画像から後処理画像を生成する際の画像処理条件等を操作者から受け付ける。入力インターフェース４３としては、例えば、マウス、キーボード、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等が適宜、使用可能となっている。なお、本実施形態において、入力インターフェース４３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品を備えるものに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１４１へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。また、入力インターフェース４３は、処理回路１４１と無線通信可能なタブレット端末等で構成されることにしても構わない。

処理回路１４１は、入力インターフェース４３から出力される入力操作の電気信号に応じて本産業用ＣＴ装置１０全体の動作を制御する。例えば、処理回路１４１は、ハードウェア資源として、ＣＰＵやＭＰＵ、ＧＰＵ等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。処理回路１４１は、メモリに展開されたプログラムを実行するプロセッサにより、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、入力機能１４１５、ノイズ低減機能１４１７等を実行する。なお、上記複数の機能は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより上記複数の機能を実現するものとしても構わない。なお、本適用例において、第１の応用例に記載のようにデノイズ前画像からノイズ相関マップを生成する場合、処理回路１４１は、図６に示す相関データ生成機能１４１９をさらに有する。

処理回路１４１は、システム制御機能４４１により、製造物ＭＡに対してＣＴスキャンを行うために、Ｘ線高電圧装置と回転昇降機構１６とシフト機構１７とを制御する。例えば、製造物ＭＡに対するＣＴスキャンの実行前において、処理回路１４１は、入力インターフェース４３を介した操作者の指示により、製造物ＭＡが照射範囲１２に包含されるように、回転昇降機構１６とシフト機構１７とを制御する。次いで、処理回路１４１は、製造物ＭＡに対するＣＴスキャンの実行期間に亘って、回転テーブル１５を回転軸ＡＲ周りに１回転させるように、回転昇降機構１６を制御する。システム制御機能４４１を実行する処理回路１４１は、システム制御部の一例である。

処理回路１４１は、前処理機能４４２により、Ｘ線検出器１３から出力された検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を施す。これにより、処理回路１４１は、複数の回転角度各々に対応する投影データを生成する。処理回路１４１は、複数の回転角度に亘る投影データを用いて、サイノグラムを生成する。なお、サイノグラムの生成は、再構成処理機能４４３により実行されてもよい。前処理機能４４２を実行する処理回路１４１は、前処理部の一例である。

処理回路１４１は、再構成処理機能４４３により、前処理後であってデノイズ処理前の投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行い、デノイズ前ＣＴ画像のデータを生成する。また、処理回路１４１は、デノイズ画像に対応するデノイズサイノグラム１０８に対して再構成処理を行い、デノイズＣＴ画像のデータを生成する。再構成処理機能４４３を実行する処理回路１４１は、再構成処理部の一例である。

処理回路１４１は、画像処理機能４４４により、ノイズ低減機能１４１７によって生成されたデノイズＣＴ画像のデータを、任意断面の断面画像データや任意視点方向のレンダリング画像データに変換する。変換は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて行われる。例えば、処理回路１４１は、当該デノイズＣＴ画像のデータにボリュームレンダリングや、サーフェスボリュームレンダリング、画像値投影処理、ＭＰＲ（Ｍｕｌｔｉ−Ｐｌａｎｅｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）処理、ＣＰＲ（Ｃｕｒｖｅｄ ＭＰＲ）処理等の３次元画像処理を施して、任意視点方向のレンダリング画像データを生成する。なお、任意視点方向のレンダリング画像データの生成は再構成処理機能４４３が直接行っても構わない。

以上が本適用例における産業用ＣＴ装置１０の全体構成についての説明である。以下、本適用例における入力機能１４１５、ノイズ低減機能１４１７等について、以下のデノイズ処理の説明において詳述する。

（デノイズ処理）
本適用例におけるデノイズ処理は、デノイズ前サイノグラム１０１と、透過長マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズサイノグラム１０８を生成する処理である。図２４は、本適用例におけるデノイズ処理の手順の一例を示すフローチャートである。

（ステップＳｄ１）
製造物ＭＡに対するＣＴスキャンにより、投影データが生成される。具体的には、処理回路１４１は、前処理機能４４２により、Ｘ線検出器１３から出力された検出データに対して前処理を行うことで、投影データを生成する。

（ステップＳｄ２）
投影データに基づいて製造物画像（構造物画像）が再構成される。具体的には、処理回路１４１は、再構成処理機能４４３により、投影データに対して再構成処理を行い、デノイズ前ＣＴ画像を再構成する。

（ステップＳｄ３）
投影データに基づいてサイノグラムが生成される。具体的には、処理回路１４１は、前処理機能４４２により、製造物ＭＡに対するＣＴスキャンにおける複数の回転角度に亘る投影データを用いて、デノイズ前サイノグラム１０１を生成する。

図２５は、デノイズ前サイノグラム１０１の一例を示す図である。図２５に示すように、デノイズ前サイノグラム１０１は、回転テーブル１５の回転角度を縦軸、チャネル方向に配列された複数のＸ線検出素子の素子番号を横軸として、回転角度および素子番号に対応付けられた投影データを配列することにより生成される。図２５に示すように、デノイズ前サイノグラム１０１は、ノイズのため不鮮明となっている。

（ステップＳｄ４）
製造物画像に基づいてデノイズ前サイノグラム１０１に対応するノイズ相関マップ１０２が生成される。具体的には、処理回路１４１は、画像処理機能４４４により、デノイズ前ＣＴ画像を用いて、複数の回転角度に各々において、複数のＸ線検出素子各々に入射するＸ線のレイに沿った透過長を算出する。処理回路１４１は、複数の回転角度各々および複数の素子番号各々に対応付けられた透過長を用いて、ノイズ相関マップとして、透過長マップ１０２を生成する。なお、透過長マップ１０２の生成は、処理回路１４１における他の機能において実施されてもよい。

図２６は、回転角度が０°において、複数の素子番号にそれぞれ対応する複数の透過長の一例を示す図である。図２６におけるデノイズ前ＣＴ画像ＢｄｎＣＴに示すように、焦点Ｆから素子番号ｃｈ１に向かうＸ線のレイｒ１は、透過長Ｌ１で被検体Ｐを通過する。同様に、焦点Ｆから素子番号ｃｈ２、ｃｈ３、ｃｈＭに向かうＸ線のレイｒ２、レイｒ３、レイｒＭは、透過長Ｌ２、透過長Ｌ３、および透過長ＬＭで被検体Ｐをそれぞれ通過する。図２６において透過長ＬＭは、ゼロである。

図２７は、透過長マップ１０２の一例を示す図である。図２７に示すように、透過長マップ１０２は、例えば、回転角度を縦軸、素子番号を横軸として、透過長を配列させた画像である。

（ステップＳｄ５）
デノイズ前サイノグラム１０１と、ノイズ相関マップ１０２とが学習済みモデルに入力される。具体的には、処理回路１４１は、入力機能１４１５により、デノイズ前サイノグラム１０１と透過長マップ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、ステップＳｄ３において生成されたデノイズ前サイノグラム１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路１４１は、ステップＳｄ４において生成された透過長マップ１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。

処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、デノイズ前サイノグラム１０１における複数の画素値と、透過長マップ１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータを、ＣＮＮ１０５に出力する。

なお、第２の応用例が本適用例に用いられる場合、処理回路１４１は、デノイズ前サイノグラム１０１を入力層１０３に入力し、透過長マップ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。

（ステップＳｄ６）
サイノグラムのノイズが低減されたデノイズ画像が生成される。具体的には、処理回路１４１は、ノイズ低減機能１４１７により、デノイズ前サイノグラム１０１と透過長マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズサイノグラム１０８を生成する。デノイズサイノグラム１０８は、デノイズ前サイノグラム１０１におけるノイズが低減された画像である。

（ステップＳｄ７）
デノイズ画像に対して再構成処理を実行することにより、ノイズが低減された製造物画像が生成される。具体的には、処理回路１４１は、再構成処理機能４４３により、デノイズサイノグラム１０８に対して再構成処理を実行することにより、デノイズＣＴ画像を再構成する。

以下、本適用例の変形例として、製造物画像１０１としてデノイズ前ＣＴ画像を用いた場合のデノイズ処理について説明する。図２８は、本適用例の変形例におけるデノイズ処理の手順の一例を示すフローチャートである。ステップＳｅ１およびステップＳｅ２は、ステップＳｄ１およびステップＳｄ２と同様な処理なため、説明を省略する。

（ステップＳｅ３）
製造物画像に基づいてデノイズ前サイノグラムに対応する透過長を示すデータが生成される。透過長を示すデータは、図２７に示す透過長マップに対応する。

（ステップＳｅ４）
透過長を示すデータを再構成することにより、ノイズ相関マップが生成される。具体的には、処理回路１４１は、再構成処理機能４４３により、透過長を示すデータに対して再構成処理を実行することで、透過長再構成画像を生成する。透過長再構成画像は、ノイズ相関マップ１０２に相当する。

（ステップＳｅ５）
デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とが学習済みモデルに入力される。具体的には、処理回路１４１は、入力機能１４１５により、デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、ステップＳｅ２において生成されたデノイズ前再構成画像１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路１４１は、ステップＳｅ４により生成された透過長再構成画像１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。

処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、デノイズ前ＣＴ画像１０１における複数の画素値と、透過長再構成画像１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータを、ＣＮＮ１０５に出力する。

なお、第２の応用例が本適用例に用いられる場合、処理回路１４１は、デノイズ前ＣＴ画像１０１を入力層１０３に入力し、透過長再構成画像１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。

（ステップＳｅ６）
デノイズ前ＣＴ画像１０１のノイズが低減されたデノイズ画像１０８が生成される。デノイズ画像は、デノイズＣＴ画像に対応する。具体的には、処理回路１４１は、ノイズ低減機能１４１７により、デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とを用いたノイズ低減プログラムの実行により、デノイズＣＴ画像１０８を生成する。

以上に述べた構成によれば、以下の効果を得ることができる。
本適用例における産業用ＣＴ装置１０によれば、製造物ＭＡに対して収集された投影データに基づいて生成された製造物画像（デノイズ前ＣＴ画像）または製造物画像を生成する前段の中間画像（デノイズ前サイノグラム）と、製造物画像または中間画像に含まれるノイズに相関するノイズ相関マップ（透過長マップまたは透過長再構成画像）とに基づいて製造物画像のノイズまたは中間画像のノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルを記憶し、製造物画像または中間画像とノイズ相関マップとを学習済みモデルに入力し、学習済みモデルを用いて、製造物画像のノイズまたは中間画像のノイズが低減されたデノイズ画像を生成することができる。

また、本産業用ＣＴ装置１０によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３の互いに別のチャンネルに、デノイズ前ＣＴ画像またはデノイズ前サイノグラムと、ノイズ相関マップ１０２とを入力することができる。また、本産業用ＣＴ装置１０によれば、デノイズ前ＣＴ画像またはデノイズ前サイノグラムに基づいてノイズ相関マップを生成するように機能付けられた第２の学習済みモデルをメモリ４１に記憶させ、デノイズ前ＣＴ画像またはデノイズ前サイノグラムを第２の学習済みモデルに入力し、第２の学習済みモデルを用いてノイズ相関マップを生成することができる。

また、本産業用ＣＴ装置１０によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３に、デノイズ前ＣＴ画像またはデノイズ前サイノグラムとを入力し、ニューラルネットワークにおける複数の中間層のうち少なくとも一つに、ノイズ相関マップを入力することができる。これにより、ノイズ相関マップ１０２が入力される中間層において、ノイズ量に応じて出力が変化する自由度が得られるため、デノイズ前ＣＴ画像またはデノイズ前サイノグラム１０１における部分領域ごとのノイズ量に応じた強度でノイズを低減することができる。

以上のことから、製造物ＭＡの厚い部分ではＸ線の透過量が少なくなるため、Ｘ線の検出信号に対するノイズが相対的に増え、サイノグラムや断層画像の中央部でノイズが多くなる場合においても、本産業用ＣＴ装置１０によれば、サイノグラムや断層画像を処理対象信号１０１、およびＸ線が製造物ＭＡを通過した長さから算出したノイズ相関マップを参照信号１０２を用いることで、製造物ＭＡの断層画像のノイズを効果的に低減することができる。

本実施形態および各種応用例の変形例として、距離計測装置１１０、音声処理装置２０１、振動計測装置３０１、および産業用ＣＴ装置１０に関する技術的思想は、ノイズ低減プログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。コンピュータに当該手法を実行させることのできるプログラムは、磁気ディスク、光ディスク、半導体メモリなどの各種可搬型記憶媒体に格納して頒布することも可能である。

以上に説明した実施形態、応用例、適用例に関する距離計測装置１１０、音声処理装置２０１、振動計測装置３０１、産業用ＣＴ装置１０、および距離計測方法によれば、ノイズ低減の精度を向上させることができる。すなわち、本実施形態、応用例、適用例等によれば、ノイズ低減対象画像などの処理対象信号１０１に加えて、ノイズ量の空間分布を表すノイズ相関マップなどの参照信号１０２もＣＮＮ１０５に入力することで、ノイズ低減の精度を向上させることができる距離計測装置１１０、音声処理装置２０１、振動計測装置３０１、産業用ＣＴ装置１０、および距離計測方法を提供することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０ 産業用ＣＴ装置
１１ Ｘ線管
１２ Ｘ線の照射範囲
１３ Ｘ線検出器
１５ 回転テーブル
１６ 回転昇降機構
１７ シフト機構
４１ メモリ
４２ ディスプレイ
４３ 入力インターフェース
１０１ 処理対象信号
１０２ 参照信号
１０３ 入力層
１０４ 組み合わせデータ
１０４ａ 第１の入力範囲
１０４ｂ 第２の入力範囲
１０５ 学習済みモデル
１０６ 信号
１０７ 出力層
１０７ａ 出力ベクトル
１０８ デノイズ画像
１１０ 距離計測装置
１１３ 発光素子
１１５ イメージセンサ
１１７ メモリ
１１９ インタフェース
１４１ 処理回路
２０１ 音声処理装置
２０２ 第１マイクロフォン
２０３ 第２マイクロフォン
２０４ 中間層
２０４ａ 畳み込み後入力範囲
２０４ｂ マップ入力範囲
２０５ ノード
２０６ 第３の中間層
２０７ メモリ
２０９ インタフェース
３０１ 振動計測装置
３０３ 第１加速度センサ
３０５ 第２加速度センサ
３０７ メモリ
３０９ インタフェース
３１１ ディスプレイ
４４１ システム制御機能
４４２ 前処理機能
４４３ 再構成処理機能
４４４ 画像処理機能
１４１１ 距離画像生成機能
１４１３ 強度画像生成機能
１４１５ 入力機能
１４１７ ノイズ低減機能
１４１９ 相関データ生成機能
３１３１ 変換機能
２０４１ 活性化されたデータ

Claims (11)

1. 出射された光が障害物で反射して反射光として戻ってくるまでの時間を用いて前記障害物までの距離を計測することにより、距離画像を生成する距離画像生成部と、
   前記反射光の強度、または環境光の強度を計測することにより、強度画像を生成する強度画像生成部と、
   前記距離画像と前記強度画像とに基づいて前記距離画像におけるノイズを低減したデノイズ画像を生成する学習済みモデルを記憶する記憶部と、
   前記学習済みモデルに、前記距離画像と前記強度画像とを入力する入力部と、
   前記学習済みモデルを用いて、前記デノイズ画像を生成するノイズ低減部と、
   を具備する距離計測装置。
2. 前記学習済みモデルは、ニューラルネットワークであって、
   前記入力部は、前記ニューラルネットワークにおける入力層の互いに別のチャンネルに、前記距離画像と前記強度画像とを入力する、
   請求項１に記載の距離計測装置。
3. 前記学習済みモデルは、ニューラルネットワークであって、
   前記入力部は、
   前記ニューラルネットワークにおける入力層に、前記距離画像を入力し、
   前記ニューラルネットワークにおける複数の中間層のうち少なくとも一つに、前記強度画像を入力する、
   請求項１に記載の距離計測装置。
4. 前記強度画像は、複数の画素各々において、前記距離に対するノイズ量またはボケ量に相関する画素値を有する、
   請求項１乃至３のうちいずれか一項に記載の距離計測装置。
5. 時系列に沿って音声を取得する音声取得部と、
   前記音声において時刻ごとの前記音声のノイズに相関するノイズ相関データと前記音声のデータとに基づいて前記ノイズを前記時系列に沿って低減したデノイズデータを生成する学習済みモデルを記憶する記憶部と、
   前記学習済みモデルに、前記音声のデータと前記ノイズ相関データとを入力する入力部と、
   前記学習済みモデルを用いて、前記デノイズデータを生成するノイズ低減部と、
   を具備する音声処理装置。
6. 前記記憶部は、前記音声のデータに基づいて前記ノイズ相関データを生成する第２の学習済みモデルをさらに記憶し、
   前記入力部は、前記音声のデータを前記第２の学習済みモデルに入力し、
   前記第２の学習済みモデルを用いて、前記ノイズ相関データを生成する相関データ生成部をさらに具備する、
   請求項５に記載の音声処理装置。
7. 時系列に沿って振動を計測する振動計測部と、
   前記振動において周波数ごとの前記振動のノイズに相関するノイズ相関データと前記振動における前記周波数ごとのデータとに基づいて前記振動のノイズを前記周波数ごとに低減したデノイズデータを生成する学習済みモデルを記憶する記憶部と、
   前記学習済みモデルに、前記振動のデータと前記ノイズ相関データとを入力する入力部と、
   前記学習済みモデルを用いて、前記デノイズデータを生成するノイズ低減部と、
   を具備する振動計測装置。
8. 前記記憶部は、前記振動のデータに基づいて前記ノイズ相関データを生成する第２の学習済みモデルをさらに記憶し、
   前記入力部は、前記振動のデータを前記第２の学習済みモデルに入力し、
   前記第２の学習済みモデルを用いて、前記ノイズ相関データを生成する相関データ生成部をさらに具備する、
   請求項７に記載の振動計測装置。
9. 構造物に対して収集された投影データに基づいて再構成された構造物画像または前記投影データに基づいて生成されたサイノグラムと、前記構造物画像または前記サイノグラムに含まれるノイズに相関するノイズ相関マップとに基づいて前記構造物画像のノイズまたは前記サイノグラムのノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルを記憶する記憶部と、
   前記ノイズ相関マップと、前記構造物画像または前記サイノグラムとを前記学習済みモデルに入力する入力部と、
   前記学習済みモデルを用いて、前記構造物画像のノイズまたは前記サイノグラムのノイズが低減された前記デノイズ画像を生成するノイズ低減部と、
   を具備する産業用コンピュータ断層撮影装置。
10. 前記ノイズ相関マップは、
    前記構造物画像において、前記構造物が載置された回転テーブルの回転角度ごとに前記構造物を透過するＸ線のレイに沿った前記構造物の透過長を示す透過長マップ、
    または前記透過長マップを用いて再構成された透過長再構成画像である、
    請求項９に記載の産業用コンピュータ断層撮影装置。
11. 出射された光が障害物で反射して反射光として戻ってくるまでの時間を用いて前記障害物までの距離を計測することにより、距離画像を生成し、
    前記反射光の強度、または環境光の強度を計測することにより、強度画像を生成し、
    前記距離画像と前記強度画像とに基づいて前記距離画像におけるノイズを低減したデノイズ画像を生成する学習済みモデルを記憶し、
    前記学習済みモデルに、前記距離画像と前記強度画像とを入力し、
    前記学習済みモデルを用いて、前記デノイズ画像を生成する、
    ことを具備する距離計測方法。