JP2022046219A

JP2022046219A - 画像処理方法、画像処理装置、画像処理プログラム、学習方法、学習装置、学習プログラム

Info

Publication number: JP2022046219A
Application number: JP2020152151A
Authority: JP
Inventors: 法人日浅; Norito Hiasa
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2020-09-10
Filing date: 2020-09-10
Publication date: 2022-03-23
Also published as: US20220076071A1; US12061672B2; CN114170073A; EP3968265A1

Abstract

【課題】機械学習モデルを用いた画像の高解像化において、高品位な画像を提供することである。【解決手段】本発明の画像処理方法では。機械学習モデルである生成器を用いる。生成器では、入力された低解像画像は第１の特徴マップ２０２に変換される。第１の特徴マップ２０２から低解像画像よりも高解像な第１の中間画像２０３と低解像画像よりも高解像な第２の中間画像２０４が生成される。第１の中間画像２０３と第２の中間画像２０４とに基づいて、低解像画像よりも高解像な推定画像２０７が生成される。【選択図】図１

Description

本発明は、機械学習モデルを用いて画像の高解像化を行う技術に関する。

特許文献１には、敵対的生成ネットワーク（ＧＡＮ：ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌＮｅｔｗｏｒｋ）と呼ばれる機械学習モデルを用いて、画像の高解像化を行う手法が開示されている。この手法は、ＳＲＧＡＮ（ＳｕｐｅｒＲｅｓｏｌｕｔｉｏｎＧＡＮ）と呼ばれる。ＳＲＧＡＮは、高解像画像を生成する生成器と、入力された画像が生成器によって生成された画像か実際の高解像画像かを識別する識別器とを用いて学習を行う。ここで、実際の高解像画像とは、生成器によって生成されたのではない高解像な画像を意味している。

生成器は、生成する高解像画像と実際の高解像画像が識別器に識別できなくなるように、ウエイトを学習する。これによって、高解像なテクスチャを有するより自然な見えの高解像画像を生成することができる。しかし同時に問題として、主観的に違和感のある偽構造が出現する可能性がある。

これに対して非特許文献１には、偽構造の出現と解像感を制御する方法が開示されている。非特許文献１では、識別器を用いずに高解像化を学習した生成器（偽構造は少ないが、解像感が低い）のウエイトと、識別器を用いて学習した生成器（ＳＲＧＡＮ相当。解像感は高いが、偽構造が存在しうる）のウエイトとの加重平均を取る。この加重平均したウエイトを用いた生成器により、高解像画像を生成する。この手法は、ネットワーク補間と呼ばれる。加重平均の重みを変更することで、偽構造の出現と解像感のバランスを制御することができる。

ＵＳ２０１８／００７５５８１

ＸｉｎｔａｏＷａｎｇ，ｅｔａｌ．，ＤｅｅｐＮｅｔｗｏｒｋＩｎｔｅｒｐｏｌａｔｉｏｎｆｏｒＣｏｎｔｉｎｕｏｕｓＩｍａｇｅｒｙＥｆｆｅｃｔＴｒａｎｓｉｔｉｏｎ，ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ），２０１９，ｐｐ．１６９２－１７０１

しかし、本発明者の検討により、非特許文献１のネットワーク補間を行った生成器は、生成される高解像画像に、被写体が２重に見えるエッジの多重化や色の変化などの画質劣化が発生する場合があることがわかった。

そこで、本発明の目的は、機械学習モデルを用いた画像の高解像化において、高品位な画像を提供することである。

本発明の画像処理方法は、機械学習モデルである生成器を用いて、入力された低解像画像を第１の特徴マップに変換し、前記第１の特徴マップから前記低解像画像よりも高解像な第１の中間画像と前記低解像画像よりも高解像な第２の中間画像とを生成する工程と、
前記第１の中間画像と前記第２の中間画像とに基づいて、前記低解像画像よりも高解像な推定画像を生成する工程と、を有することを特徴とする。

本発明によれば、機械学習モデルを用いた画像の高解像化において、高品位な画像を提供することができる。

実施例１における高解像化の流れを表した図である。実施例１における画像処理システムのブロック図である。実施例１における画像処理システムの外観図である。実施例１における機械学習モデルの学習のフローチャートである。実施例１および２におけるサブネットの模式図である。実施例１における推定高解像画像の生成のフローチャートである。実施例２における画像処理システムのブロック図である。実施例２における画像処理システムの外観図である。実施例２における機械学習モデルの学習のフローチャートである。実施例２における高解像化の流れを表した図である。実施例２におけるサブネットの模式図である。実施例２における推定高解像画像の生成のフローチャートである。

以下、本発明の処理装置を含むシステムについて添付の図面に基づいて説明する。なお、各図において同じ構成要素には同一の符号を付し、重複する説明は省略する。

［実施例１］
まず本発明の実施例である実施例１の詳述の前に、その要旨を説明する。以下に述べる実施例１は本発明の好ましい実施形態の一つであって、そのすべてが本発明の実現に必要なわけではない。

本実施例では、機械学習モデルである生成器が、低解像画像を特徴マップ（第１の特徴マップ）に変換し、さらに該第１の特徴マップから低解像画像よりも高解像である２枚の中間画像（第１の中間画像と第２の中間画像）を生成する。以下では、第１の中間画像と第２の中間画像はそれぞれ第１の中間高解像画像と第２の中間高解像画像とも称する。

生成器は、この２枚の中間高解像画像に対して異なる損失関数を用いて、学習されている。損失関数は、中間高解像画像と正解（正解画像）である高解画像との差異に基づく第１の損失と、入力された画像が生成器によって生成された画像であるかを識別する識別器の識別出力に基づいて定義される第２の損失を有する。

第１の中間高解像画像は、第２の中間高解像画像より、第１の損失に対する第２の損失の重みが小さい損失関数で学習された結果を用いて生成される。例えば、第１の中間高解像画像を生成するための学習は第１の損失のみを損失関数とする。

第２の中間高解像画像は、第１の損失と第２の損失の重み付き和を損失関数として学習された結果を用いて生成されてもよい。これによって、第２の中間高解像画像は、ＳＲＧＡＮにより学習された場合と同等の高解像なテクスチャを有するが、偽構造も出現しうる画像となる。

一方で、第１の中間高解像画像を生成するための学習手法はＧＡＮでない（或いは、その寄与が第２の中間高解像画像より弱い）ため、高解像なテクスチャと偽構造の両方が低減された画像となる。この２枚の中間高解像画像を組み合わせる（例えば加重平均など）ことで、解像感と偽構造の出現を調整した高解像画像（推定画像）を生成することができる。推定画像は低解像画像よりも高解像である。以下では推定画像を推定高解像画像とも称する。

この手法はネットワーク補間のように生成器のウエイトでなく、損失関数の対象である高解像化された画像を組み合わせるため、エッジの多重化や色の変化といった画質劣化を抑制させることができる。また、１つの生成器で同時に２枚の中間高解像画像を生成するため、計算時間の増大も抑制することができる。

なお以下では、学習データセットに基づいて機械学習モデルである生成器と識別器のウエイトを決定する段階のことを学習と呼び、学習済みのウエイトを用いた生成器によって低解像画像から推定高解像画像を生成する段階のことを推定と呼ぶ。機械学習モデルは、例えば、ニューラルネットワーク、遺伝的プログラミング、ベイジアンネットワークなどを含む。ニューラルネットワークは、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）、ＧＡＮ（ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌＮｅｔｗｏｒｋ）、ＲＮＮ（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）などを含む。

次に実施例１における画像処理システムに関して説明する。

図２及び３は各々、画像処理システム１００のブロック図と外観図である。

画像処理システム１００は、互いに有線または無線のネットワークで接続された学習装置１０１、高解像化装置１０２、制御装置１０３を有する。

制御装置１０３は、記憶部１３１、通信部１３２、表示部１３３を有し、ユーザの指示に従って、低解像画像に対する高解像化の実行の要求を高解像化装置１０２へ送信する。

高解像化装置１０２は、記憶部１２１、通信部１２２、取得部１２３、高解像化部１２４を有し、学習済みの機械学習モデルである生成器を用いて、低解像画像に高解像化処理を行い、推定高解像画像を生成する。取得部１２３、高解像化部１２４は１以上のＣＰＵ等のプロセッサー（処理手段）によりその機能を実装することができる。高解像化装置１０２は、学習装置１０１から生成器のウエイトの情報を取得し、記憶部１２１に記憶している。

学習装置１０１は、記憶部１１１、取得部１１２、演算部１１３、更新部１１４を有し、生成器のウエイトを学習する。取得部１１２、演算部１１３、更新部１１４は１以上のＣＰＵ等のプロセッサー（処理手段）によりその機能を実装することができる。

このように構成された画像処理システム１００において、制御装置１０３は高解像化装置１０２により生成された推定高解像画像を取得し、表示部１３３を介してユーザに結果を提示する。

次に、学習装置１０１で実行されるウエイトの学習に関して、図４のフローチャートを用いて説明する。

実施例１の学習は、識別器を使用しない第１の学習と、識別器を使用する第２の学習（ＧＡＮ）の２段階で構成される。学習装置１０１は、記憶部１１１、取得部１１２、演算部１１３、更新部１１４を有し、各ステップはこれらのいずれかで実行される。なお、以下に述べる各フローチャートの機能（方法）はコンピュータに該機能（方法）を実行させるプログラムとしても実現可能である。

ステップＳ１０１において、取得部１１２は、記憶部１１１から１組以上の高解像画像と低解像画像を取得する。記憶部１１１には、複数の高解像画像と低解像画像からなる学習データセットが保存されている。対応する低解像画像と高解像画像は、同一の物体（被写体）が画像内に存在する。なお、低解像画像は、高解像画像をダウンサンプルすることで生成してもよい。実施例１において、高解像画像の画素数は、低解像画像の１６倍（水平垂直それぞれ４倍）となっている。ただし、画素数の関係はこれに限定されない。また、画像はカラー、グレースケールのどちらでもよい。また、低解像画像にダウンサンプル以外の劣化（ＪＰＥＧの圧縮ノイズなど）を加えてもよい。これによって、生成器に高解像化機能に加え、画像の劣化を補正する機能を付与できる。

ステップＳ１０２において、演算部１１３は、低解像画像を生成器に入力して、第１および第２の中間高解像画像を生成する。生成器は、例えばＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）であり、実施例１では図１のような構成のモデルを使用する。ただし、発明はこれに限定されない。

生成器のウエイトの初期値は、乱数などで生成するとよい。図１に示された生成器では、入力された低解像画像２０１がサブネット（サブネットワーク）２１１で処理されることで、第１の特徴マップ２０２に変換される。サブネット２１１は、線型和層を１以上有する。線型和層とは、線型和層への入力と線型和層のウエイトとの線型和をとる機能を有する。線型和層は例えば畳み込み層、逆畳み込み層、フルコネクション層などである。

また、サブネット２１１は、非線型変換である活性化関数を１以上有する。活性化関数は、ＲｅＬＵ（ＲｅｃｔｉｆｉｅｄＬｉｎｅａｒＵｎｉｔ）、シグモイド関数、ハイパボリックタンジェント関数などである。

実施例１において、低解像画像２０１は、対応する高解像画像より画素数が少ない。そのため、実施例１において、サブネット２１１は、水平垂直方向の画素数を増やすアップサンプル層を有する。すなわちアップサンプル層はアップサンプル層への入力にアップサンプルを実行する機能を有する層である。実施例１におけるアップサンプル層は、サブピクセル畳み込み（Ｓｕｂ－ｐｉｘｅｌＣｏｎｖｏｌｕｔｉｏｎ。ＰｉｘｅｌＳｈｕｆｆｌｅｒとも呼ばれる）を行う機能を有する。アップサンプル層としてはこれに限定されず、逆畳み込み、バイリニア補間、最近傍補間などでアップサンプル機能を実現してもよい。ただし、サブピクセル畳み込みを使用する場合、他の手法に対してゼロ埋めの影響低減やウエイトとの畳み込みによる自由度が増すため、最終的な高解像化の効果を高めることができる。

実施例１において、サブネット２１１は、図５（Ａ）に示した構成をしている。

「ｃｏｎｖ．」は畳み込み、「ｓｕｍ」は画素毎の和、「ｓｕｂ－ｐｉｘｅｌｃｏｎｖ．」はサブピクセル畳み込みを表す。

また、「ｒｅｓｉｄｕａｌｂｌｏｃｋ」は残差ブロックを表す。実施例１における残差ブロックの構成を図５（Ｂ）に示す。

残差ブロックとは、複数の線型和層と活性化関数とを備えて構成されるブロックである。残差ブロックは、残差ブロックへの入力と残差ブロック内での一連の演算結果の和をとって出力する構成となっている。「ｃｏｎｃａｔｅｎａｔｉｏｎ」は、チャンネル方向の連結を行うこと示す。

実施例１において、サブネット２１１は、残差ブロックを８個有している。ただし、残差ブロックの数はこれに限定されない。生成器の性能をより高めたい場合は、残差ブロックの数を増やすとよい。

実施例１において、アップサンプル層（サブピクセル畳み込み）は複数存在する。実施例１では低解像度画像の画素数を１６倍にアップサンプルするため、４倍にアップサンプルするサブピクセル畳み込みを２回実行している。１つのアップサンプル層で高倍率なアップサンプルを行うと、高解像化した画像に格子状のパターンなどが発生しやすいので、このように低倍率なアップサンプルを複数回実行することが望ましい。なお、実施例１ではアップサンプル層がサブネット２１１にある例について述べているが、本発明はこれに限定されない。アップサンプル層は、サブネット２１１でなく、サブネット２１２およびサブネット２１３に存在してもよい。

第１の特徴マップ２０２は、サブネット２１２に入力され、第１の残差成分２０３が生成される。また、第１の特徴マップ２０２は、サブネット２１３に入力され、第２の残差成分２０４が生成される。

サブネット２１２とサブネット２１３はそれぞれ、１以上の線型和層を有する。サブネット２１２とサブネット２１３は実施例１ではそれぞれ１つの畳み込み層で構成される。なお、サブネット２１２およびサブネット２１３は、１つの線型和層にまとめることもできる。例えば畳み込み層のフィルタの数を倍にすれば、低解像画像２０１のチャンネル数（カラーなら３）の倍のチャンネルを有する出力が得られる。この出力をチャンネル方向に２分割することで、第１の残差成分２０３と第２の残差成分２０４としてもよい。

第１の残差成分２０３は、低解像画像２０１と和をとられ、第１の中間高解像画像２０５が生成される。また、第２の残差成分２０４は、低解像画像２０１と和をとられ、第２の中間高解像画像２０６が生成される。低解像画像２０１は、第１の残差成分２０３と第２の残差成分２０４と画素数が一致するように、和をとる前にアップサンプルされる。このアップサンプルは、バイリニア補間やバイキュービック補間でもよいし、逆畳み込み層などを用いてもよい。高解像画像そのものでなく、その残差成分を推定することで、低解像画像２０１から色が変化するなどの画質劣化が発生しにくくなる。

なお、低解像画像２０１を高解像画像と画素数が一致するよう、事前にバイキュービック補間などでアップサンプルし、生成器に入力してもよい。この場合、生成器にアップサンプル層は不要となる。ただし、低解像画像２０１の水平垂直方向の画素数が多くなると、線型和をとる回数が増え、計算負荷が大きくなる。そのため、実施例１のように低解像画像２０１のアップサンプルを行わずに生成器へ入力し、生成器内部でアップサンプルすることが望ましい。

ステップＳ１０３において、更新部１１４は、第１の損失に基づいて、生成器のウエイトを更新する。実施例１における第１の損失とは、低解像画像２０１に対応する高解像画像（正解画像）と、中間高解像画像と、の違いに基づいて定義される損失である。実施例１ではＭＳＥ（ＭｅａｎＳｑｕａｒｅＥｒｒｏｒ）を使用するが、ＭＡＥ（ＭｅａｎＡｂｓｏｌｕｔｅＥｒｒｏｒ）などでもよい。

実施例１では、第１の中間高解像画像２０５と高解像画像のＭＳＥと、第２の中間高解像画像２０６と高解像画像のＭＳＥと、の和を損失関数とし、誤差逆伝搬法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）によって生成器のウエイトを更新する。

ステップＳ１０４において、更新部１１４は、第１の学習が完了したか判定する。完了は、学習（ウエイトの更新）の反復回数が既定の回数に達したかや、更新時のウエイトの変化量が既定値より小さいかなどによって、判定することができる。ステップＳ１０４にてウエイトの学習が完了していないと判定された場合、ステップＳ１０１へ戻り、取得部１１２は１組以上の新たな低解像画像２０１と高解像画像を取得する。一方、第１の学習が完了したと判定された場合、ステップＳ１０５へ進み、第２の学習を開始する。

ステップＳ１０５において、取得部１１２は、記憶部１１１から１組以上の高解像画像と低解像画像２０１を取得する。

ステップＳ１０６において、演算部１１３は、低解像画像２０１を生成器に入力して、第１の中間高解像画像２０５と第２の中間高解像画像２０６を生成する。

ステップＳ１０７において、演算部１１３は、第２の中間高解像画像２０６と高解像画像それぞれを識別器に入力し、識別出力を生成する。識別器は、入力された画像が生成器で生成された高解像画像か、実際の高解像画像かを識別する。識別器は、ＣＮＮなどを用いるとよい。識別器のウエイトの初期値は、乱数などで決定する。なお、識別器に入力する高解像画像は、実際の高解像画像であればなんでもよく、低解像画像２０１に対応する画像である必要はない。

ステップＳ１０８において、更新部１１４は、識別出力と正解ラベルに基づいて、識別器のウエイトを更新する。実施例１では、第２の中間高解像画像２０６に対する正解ラベルが０、実際の高解像画像に対する正解ラベルが１とする。損失関数にはシグモイドクロスエントロピーを使用するが、その他の関数を使用してもよい。

ステップＳ１０９において、更新部１１４は、第１の損失と第２の損失に基づいて、生成器のウエイトを更新する。第１の中間高解像画像２０５に対しては、第１の損失（対応する高解像画像とのＭＳＥ）のみをとる。第２の中間高解像画像２０６に対しては、第１の損失と第２の損失の重み付き和をとる。第２の損失は、第２の中間高解像画像２０６を識別器に入力した際の識別出力と正解ラベル１とのシグモイドクロスエントロピーである。生成器は、第２の中間高解像画像２０６を識別器が実際の高解像画像と誤判定するように学習したいので、正解ラベルを１（実際の高解像画像に対応）とする。第１の中間高解像画像２０５と第２の中間高解像画像２０６それぞれの損失の和を、生成器の損失関数とする。

この損失関数によってウエイトの更新を繰り返すことで、第２の中間高解像画像２０６側では、識別器に誤判定を起こさせるような高解像なテクスチャを有する自然な見えの高解像画像が生成されるようになる。ただし、弊害として偽構造が出現する場合がある。一方、第１の中間高解像画像２０５側では、高解像なテクスチャと偽構造の両方が抑制され、第２の中間高解像画像２０６より高周波成分の少ない高解像画像が出力されるようになる。

実施例１では、第１の中間高解像画像２０５に対しては第１の損失のみを使用したが、第２の損失を併用してもよい。この場合、第１の中間高解像画像２０５において、第１の損失における第２の損失の重みは、第２の中間高解像画像２０６より小さくすると良い。なお、ステップＳ１０８とステップＳ１０９の順序は逆でもよい。

ステップＳ１１０において、更新部１１４は、第２の学習が完了したか判定する。未完と判定した場合、ステップＳ１０５に戻って新たな１組以上の低解像画像２０１と高解像画像を取得する。完了の場合、ウエイトの情報を記憶部１１１に記憶する。なお、推定時には生成器しか使用しないため、生成器のみのウエイトを記憶してもよい。

次に、高解像化装置１０２および制御装置１０３で実行される推定（推定高解像画像の生成）に関して、図６のフローチャートを用いて説明する。高解像化装置１０２は、記憶部１２１、通信部１２２、取得部１２３、高解像化部１２４を有し、制御装置１０３は、記憶部１３１、通信部１３２、表示部１３３を有し、各ステップはこれらのいずれかで実行される。

ステップＳ２０１において、制御装置１０３の通信部１３２は、高解像化装置１０２へ高解像化の実行の要求を送信する。実行の要求は、高解像化を行う低解像画像２０１を指定する情報も有する。或いは、高解像化する低解像画像２０１自体を処理の実行の要求とともに送信してもよい。

ステップＳ２０２において、高解像化装置１０２の通信部１２２は、制御装置１０３から送信された実行の要求を取得する。

ステップＳ２０３において、取得部１２３は、記憶部１２１より生成器のウエイトの情報と高解像化を行う低解像画像２０１を取得する。低解像画像２０１は、有線または無線経由で接続されたその他の記憶装置から取得してもよい。

ステップＳ２０４において、高解像化部１２４は、低解像画像２０１から図１で示される生成器を用いて、第１の中間高解像画像２０５と第２の中間高解像画像２０６を生成する。第２の中間高解像画像２０６は、高解像なテクスチャを有する自然な見えの高解像画像だが、偽構造が出現している場合がある。一方、第１の中間高解像画像２０５は、高解像なテクスチャと偽構造の両方が抑制された高解像画像である。第１の中間高解像画像２０５は、第２の中間高解像画像２０６より高周波成分が少ない。

ステップＳ２０５において、高解像化部１２４は、第１の中間高解像画像２０５と第２の中間高解像画像２０６に基づいて、推定高解像画像２０７を生成する。実施例１では、第１の中間高解像画像２０５と第２の中間高解像画像２０６との加重平均によって、推定高解像画像２０７を生成する。なお、高解像度画像２０７の生成は、第１の中間高解像画像２０５と第２の中間高解像画像２０６との加重平均に限らず、第２の中間高解像画像２０６の部分領域を、第１の中間高解像画像２０５で置換するなどして生成してもよい。

ステップＳ２０６において、通信部１２２は、制御装置１０３へ推定高解像画像２０７を送信する。

ステップＳ２０７において、制御装置１０３の通信部１３２は、推定高解像画像２０７を取得する。取得された推定高解像画像２０７は記憶部１３１に記憶、または表示部１３３に表示される。或いは、制御装置１０３または高解像化装置１０２から、有線または無線経由で接続されたその他の記憶装置に記憶してもよい。また、制御装置１０３が第１の中間高解像画像２０５と第２の中間高解像画像２０６を取得するように構成しておき、推定高解像画像２０７の生成を制御装置１０３で行ってもよい。この場合、ユーザは表示部１３３で実際の画像を確認しながら、解像感と偽構造の出現の調整を行うことができる。

次に、本発明の効果を得るための望ましい条件に関して説明する。

生成器は、線型和層の数が、最も出力側に存在するアップサンプル層の入力側より出力側で少ないことが望ましい。生成器の演算のうち早期にアップサンプルが行われると、その後の線型和をとる回数が増え、計算負荷が増大するためである。実施例１では、最も出力側のアップサンプル層の入力側では４０以上の線型和層が存在するが、出力側では第１の残差成分２０３と第２の残差成分２０４それぞれに対して線型和層１つのみである。

また、生成器は線型和層を複数有して構成されており、複数の線型和層のうち少なくとも１層の出力は、線型和層への入力とチャンネル方向に連結されるように構成されることが望ましい。これは例えば図５（ｂ）の「ｃｏｎｃａｔｅｎａｔｉｏｎ」で表される連結を意味する。これによって生成器が層の後により多くの特徴マップを伝達することができ、第１の中間高解像画像２０５と第２の中間高解像画像２０６の精度が向上する。

さらに、生成器が有する複数の線型和層のうち少なくとも半数は、線型和層への入力とチャンネル方向に連結されることが望ましい。これによって、さらに高解像化の精度をより向上することができる。

また、生成器が有する複数の残差ブロックはそれぞれ、３以上の線型和層を有することが望ましい。これによって、高解像化の精度を向上することができる。さらに、残差ブロックは、２以上の活性化関数を有することが望ましい。これによって、非線型の効果が増し、高解像化の精度を向上する。

また、生成器が有する複数の残差ブロックのうち、バッチ正則化を行うバッチ正則化層を有するブロックが半数以下であることが望ましい。認識タスクと異なり、画像から画像を推定する回帰タスクでは、バッチ正則化による精度向上の効果が小さい。そのため、計算負荷の抑制のため、バッチ正則化の数を減らすことが望ましい。さらに計算負荷の抑制を望む場合、生成器がバッチ正則化層を有さない構成としてもよい。

また、生成器の学習において、画像を特徴マップに変換する学習済みの特徴抽出器を用いるとよい。特徴抽出器によって、低解像画像２０１に対応する正解の高解像画像を第２の特徴マップに変換し、第２の中間高解像画像２０６を第３の特徴マップに変換する。第２の特徴マップと第３の特徴マップの差異（例えば、ＭＳＥ）に基づく第３の損失を損失関数に加え、生成器を学習するとよい。これによって、損失関数により抽象的な特徴も加味されるようになるため、高解像化された画像の見えが自然になる。

また、第２の損失は、複数の実際の高解像画像に対する識別器の識別出力それぞれに基づく値と、第１の中間高解像画像２０５または第２の中間高解像画像２０６の識別出力と、の比較に基づくことが望ましい。これはＲｅｌａｔｉｖｉｓｔｉｃＧＡＮと呼ばれる手法である。複数の実際の高解像画像に対する識別器の識別出力それぞれに基づく値は、複数の識別出力の平均値や中央値などを用いるとよい。例えば、第１の中間高解像画像２０５または第２の中間高解像画像２０６の識別出力と、実際の高解像画像の識別出力の平均値の差分が正解ラベル（ここでは１）を示すように、シグモイドクロスエントロピーをとる。これによって、実際の高解像画像の集合に対して、生成器で生成した高解像画像が、より本物らしいか否かという相対的な観点での学習が行える。従来のＧＡＮでは、学習時に実際の高解像画像を無視し、生成器で生成した高解像画像のみから本物らしさを学習しようとする問題が発生することがあった。しかし、ＲｅｌａｔｉｖｉｓｔｉｃＧＡＮによってこの問題を回避し、学習の安定性を向上することができる。

以上の構成によって、機械学習モデルを用いた画像の高解像化において、計算負荷の増大と画質の劣化を抑制しつつ、解像感と偽構造の出現を制御することが可能な画像処理システムを提供することができる。すなわち、機械学習モデルを用いた画像の高解像化において、高品位な画像を提供することができる。

［実施例２］
本発明の実施例２における画像処理システムに関して説明する。

図７及び８は各々、画像処理システム３００のブロック図と外観図である。画像処理システム３００は、学習装置３０１と撮像装置３０２を有する。撮像装置３０２は、光学系３２１、撮像素子３２２、画像処理部３２３、記憶部３２４、通信部３２５、表示部３２６、システムコントローラ３２７を有する。光学系３２１は、被写体空間から入射した光を集光し、被写体像を形成する。光学系３２１は、必要に応じてズームや絞り調節、オートフォーカスなどの機能を有する。撮像素子３２２は、被写体像を光電変換によって電気信号へ変換し、撮像画像を生成する。撮像素子３２２は、例えばＣＣＤ（ＣｈａｒｇｅＣｏｕｐｌｅｄＤｅｖｉｃｅ）センサや、ＣＭＯＳ（ＣｏｍｐｌｅｍｅｎｔａｒｙＭｅｔａｌ－ＯｘｉｄｅＳｅｍｉｃｏｎｄｕｃｔｏｒ）センサ等である。撮像画像は、撮影前の被写体空間のライブビューや、ユーザによってレリーズが押された場合に取得され、画像処理部３２３で所定の処理を施され、表示部３２６に表示される。

撮影時に、ユーザがデジタルズームを指示してレリーズを押した場合、撮像画像（低解像画像）は、画像処理部３２３で機械学習モデルである生成器で高解像化される。この際、学習装置３０１で学習されたウエイトが使用される。該ウエイトの情報は、予め通信部３２５を介して学習装置３０１から読み出され、記憶部３２４に記憶されている。生成器の学習と推定に関する詳細は、後述する。

なお、ユーザがデジタルズームを指示した際のライブビューでは、バイリニア補間など高速な手法でアップサンプルされた画像が表示部３２６に表示される。生成器によって高解像化された撮像画像（推定高解像画像）は、記憶部３２４に記憶され、表示部３２６に表示される。以上の動作は、システムコントローラ３２７によって制御される。

図８には撮像装置３０２としていわゆる一眼カメラを示しているが、撮像装置３０２はスマートフォンのような装置でも良い。

次に、学習装置３０１で実行される生成器のウエイトの学習に関して、図９のフローチャートを用いて説明する。学習装置３０１は、記憶部３１１、取得部３１２、演算部３１３、更新部３１４を有し、各ステップはこれらのいずれかで実行される。

ステップＳ３０１において、取得部３１２は、記憶部３１１から１組以上の低解像画像と高解像画像を取得する。実施例２において、高解像画像の画素数は低解像画像の１６倍であるが、これに限定されない。

ステップＳ３０２において、演算部３１３は、低解像画像を生成器に入力し、第１の中間高解像画像と第２の中間高解像画像を生成する。実施例２において生成器は、図１０で示した構成をしている。低解像画像４０１をサブネット４１１が第１の特徴マップ４０２に変換し、第１の特徴マップ４０２からサブネット４１２が第１の中間高解像画像４０３を、サブネット４１３が第２の中間高解像画像４０４を生成する。サブネット４１１は、図５（Ａ）で示された構成であり、残差ブロックは図１１に示した構成である。サブネット４１１は、残差ブロックを４つ有する。サブネット４１２とサブネット４１３はそれぞれ、１つの畳み込み層で構成される。ただし、各サブネットの構成はこれに限定されない。

ステップＳ３０３において、演算部３１３は、高解像画像と第２の中間高解像画像４０４をそれぞれ識別器に入力し、識別出力を生成する。

ステップＳ３０４において、更新部３１４は、識別出力と正解ラベルに基づいて、識別器のウエイトを更新する。

ステップＳ３０５において、更新部３１４は、第１の損失と第２の損失に基づいて、生成器のウエイトを更新する。第１の損失および第２の損失は、実施例１の説明と同様である。

ステップＳ３０６において、更新部３１４は、生成器の学習が完了したかの判定を行う。ウエイトの学習が完了していないと判定された場合、ステップＳ３０１へ戻り、完了したと判定された場合、学習を終了してウエイトの情報を記憶部３１１に記憶する。

次に、図１２のフローチャートを用いて、画像処理部３２３で実行される、デジタルズームした撮像画像の高解像化に関して説明する。画像処理部３２３は、取得部３２３ａ、高解像化部３２３ｂ、演算部３２３ｃを有し、各ステップはこれらのいずれかで実行される。

ステップＳ４０１において、取得部３２３ａは、撮像画像から部分領域（低解像画像４０１）を抽出する。撮像画像は撮像素子３２２で取得された全画素の情報を有するため、デジタルズームに必要な部分領域のみを抽出する。

ステップＳ４０２において、取得部３２３ａは、生成器のウエイトの情報を記憶部３２４から取得する。なお、ステップＳ４０１とステップＳ４０２の順序は問わない。

ステップＳ４０３において、高解像化部３２３ｂは、撮像画像の部分領域（低解像画像４０１）を生成器に入力し、第１の中間高解像画像４０３と第２の中間高解像画像４０４を生成する。

ステップＳ４０４において、演算部３２３ｃは、第１の中間高解像画像４０３と第２の中間高解像画像４０４の加重平均によって、推定高解像画像４０５を生成する。

ステップＳ４０５において、演算部３２３ｃは、推定高解像画像４０５を指定の画素数に拡縮（アップサンプルまたはダウンサンプル）する。生成器は画素数を１６倍にアップサンプルするように学習されているため、ユーザの指定したデジタルズームの倍率に合わせる必要がある。ダウンサンプルにはバイキュービック補間などを用い、必要に応じてアンチエイリアス処理を行うとよい。１次元で４倍を超える倍率のデジタルズームが指定された場合、推定高解像画像４０５をバイキュービック補間などでアップサンプルする。或いは、推定高解像画像４０５を新たな低解像画像４０１として、生成器に入力してもよい。

（その他の実施例）
なお、以上の各実施例では第１の損失としてＭＳＥまたはＭＡＥ、第２の損失として識別器による識別結果を用いる例について述べたが、本発明はこれに限られない。本発明の効果は低解像画像に基づく第１の特徴マップから互いに特性の異なる第１の中間画像と第２の中間画像を生成し、第１の中間画像と第２の中間画像に基づき推定画像を生成すれば得られるのである。これは、第１の中間画像と第２の中間画像の一方で生じてしまう弊害を他方でカバーすることが可能となるためである。

また、本発明は上述の実施例の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

各実施例によれば、機械学習モデルを用いた画像の高解像化において、高品位な画像を生成することが可能な画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体を提供することができる。

以上、本発明の好ましい実施形態について説明したが、本発明はこれらの実施形態に限定されず、その要旨の範囲内で種々の組合せ、変形及び変更が可能である。例えば、上述した実施形態では目標情報として身体情報または運動情報を設定する例について述べたが、本発明はこれに限らない。目標情報としては、勉強量や読書量を設定しても良い。

２００低解像画像
２０２第１の特徴マップ
２０５第１の中間画像
２０６第２の中間画像
２０７推定画像

Claims

機械学習モデルである生成器を用いて、入力された低解像画像を第１の特徴マップに変換し、前記第１の特徴マップから前記低解像画像よりも高解像な第１の中間画像と前記低解像画像よりも高解像な第２の中間画像とを生成する工程と、
前記第１の中間画像と前記第２の中間画像とに基づいて、前記低解像画像よりも高解像な推定画像を生成する工程と、を有することを特徴とする画像処理方法。
前記第１の中間画像は、前記第２の中間画像に対して高周波成分が少ないことを特徴とする請求項１に記載の画像処理方法。
前記第１の中間画像および前記第２の中間画像は、前記低解像画像より画素数が多いことを特徴とする請求項１または２に記載の画像処理方法。
前記生成器は、アップサンプル層を有し、
前記アップサンプル層は、前記アップサンプル層への入力をアップサンプルして出力することを特徴とする請求項１乃至３のいずれか一項に記載の画像処理方法。
前記生成器は、１以上の線型和層を有し、
前記線型和層は前記線型和層への入力と前記線型和層のウエイトの線型和を出力し、
前記線型和層の数は、前記生成器に含まれる前記アップサンプル層のうちで前記生成器の最も出力側に存在するものの入力側と比べて出力側で少ないことを特徴とする請求項４に記載の画像処理方法。
前記生成器は、前記第１の特徴マップから生成した第１の残差成分と前記低解像画像との和をとることで前記第１の中間画像を生成し、
前記第１の特徴マップから生成した第２の残差成分と前記低解像画像との和をとることで前記第２の中間画像を生成することを特徴とする請求項１乃至５のいずれか一項に記載の画像処理方法。
前記低解像画像は、前記第１の残差成分および前記第２の残差成分と画素数が一致するように、和をとる前にアップサンプルされることを特徴とする請求項６に記載の画像処理方法。
前記生成器は、線型和層を複数有し、
前記線型和層は前記線型和層への入力と前記線型和層のウエイトの線型和を出力し、
複数の前記線型和層のうち少なくとも１層の出力は、該線型和層への入力とチャンネル方向に連結されることを特徴とする請求項１乃至７のいずれか一項に記載の画像処理方法。
前記生成器は、線型和層を複数有し、
前記線型和層は前記線型和層への入力と前記線型和層のウエイトの線型和を出力し、
複数の前記線型和層のうち少なくとも半数の出力は、それぞれの前記線型和層への入力とチャンネル方向に連結されることを特徴とする請求項１乃至８のいずれか一項に記載の画像処理方法。
前記生成器は、線型和層を複数有する残差ブロックを複数有し、
前記線型和層は前記線型和層への入力と前記線型和層のウエイトの線型和を出力し、
前記残差ブロックは、前記残差ブロックへの入力と前記入力が前記残差ブロックよって演算された結果の和を出力することを特徴とする請求項１乃至９のいずれか一項に記載の画像処理方法。
前記残差ブロックは、非線型変換を行う活性化関数を２つ以上有することを特徴とする請求項１０に記載の画像処理方法。
前記生成器は、線型和層を複数有する残差ブロックを複数有し、
前記線型和層は前記線型和層への入力と前記線型和層のウエイトの線型和を出力し、
前記残差ブロックは、前記残差ブロックへの入力と前記入力が前記残差ブロックよって演算された結果の和を出力し、
複数の前記残差ブロックのうちバッチ正則化を行うバッチ正則化層を有するブロックは、半数以下であることを特徴とする請求項１乃至１１のいずれか一項に記載の画像処理方法。
前記生成器は、バッチ正則化を行うバッチ正則化層を有さないことを特徴とする請求項１乃至１２のいずれか一項に記載の画像処理方法。
前記推定画像は、前記第１の中間画像と前記第２の中間画像の加重平均によって生成されることを特徴とする請求項１乃至１３のいずれか一項に記載の画像処理方法。
前記生成器は、第１の損失と第２の損失に基づく損失を用いて学習された機械学習モデルであり、
前記第１の損失は前記生成器によって生成された中間画像と、該中間画像に対応する正解画像との比較に基づいて定義され、
前記第２の損失は前記生成器によって生成された中間画像が前記生成器によって生成された画像であるかの識別結果に基づいて定義され、
前記第１の中間画像を用いて定義される損失における前記第１の損失に対する前記第２の損失の重みは、前記第２の中間画像を用いて定義される損失における前記第１の損失に対する前記第２の損失の重みよりも小さいことを特徴とする請求項１乃至１４のいずれか一項に記載の画像処理方法。
複数の低解像画像と、複数の高解像画像と、を取得する工程と、
生成器によって、前記低解像画像を第１の特徴マップに変換し、前記第１の特徴マップから前記低解像画像よりも高解像な第１の中間画像と前記低解像画像よりも高解像な第２の中間画像とを生成する工程と、
識別器によって、入力された画像が前記生成器で生成された画像であるかを識別する工程と、
前記低解像画像に対応する前記高解像画像と前記第１の中間画像または前記第２の中間画像との差異に基づく第１の損失と、前記第１の中間画像または前記第２の中間画像を入力した際の前記識別器の識別出力に基づく第２の損失と、に基づいて、前記生成器を学習する工程と、を有し、
前記第１の中間画像を用いて定義される損失における前記第１の損失に対する前記第２の損失の重みは、前記第２の中間画像を用いて定義される損失における前記第１の損失に対する前記第２の損失の重みより小さいことを特徴とする学習方法。
前記第１の中間画像を用いて定義される損失における前記第２の損失の重みは０であることを特徴とする請求項１６に記載の学習方法。
特徴抽出器を用いて画像を特徴マップに変換する工程を有し、
前記生成器を学習する工程では、前記特徴抽出器によって前記高解像画像を変換した第２の特徴マップと、前記第２の中間画像を変換した第３の特徴マップと、の差異に基づく第３の損失に基づいて、前記生成器を学習することを特徴とする請求項１６または１７に記載の学習方法。
前記第２の損失は、複数の前記高解像画像を入力した際の前記識別器の複数の識別出力それぞれに基づく値と、前記第１の中間画像または第２の中間画像を入力した際の前記識別器の識別出力と、の比較に基づくことを特徴とする請求項１６乃至１８のいずれか一項に記載の学習方法。
入力された低解像画像を高解像化した推定画像を生成する処理手段を有し、
前記処理手段は、
機械学習モデルである生成器を用いて、入力された低解像画像を第１の特徴マップに変換し、前記第１の特徴マップから前記低解像画像よりも高解像な第１の中間画像と前記低解像画像よりも高解像な第２の中間画像とを生成する工程と、
前記第１の中間画像と前記第２の中間画像とに基づいて、前記低解像画像よりも高解像な推定画像を生成する工程と、を実行することを特徴とする画像処理装置。
請求項１乃至１５のいずれか一項に記載の画像処理方法をコンピュータに実行させることを特徴とするプログラム。
機械学習モデルを学習させる処理手段を有し、
前記処理手段は、
複数の低解像画像と、複数の高解像画像と、を取得する工程と、
生成器で前記低解像画像を第１の特徴マップに変換し、前記第１の特徴マップから前記低解像画像よりも高解像な第１の中間画像と前記低解像画像よりも高解像な第２の中間画像とを生成する工程と、
識別器で入力された画像が前記生成器で生成された画像であるかを識別する手段と、
前記低解像画像に対応する前記高解像画像と前記第１の中間画像または前記第２の中間画像との差異に基づく第１の損失と、前記第１の中間画像または前記第２の中間画像を入力した際の前記識別器の識別出力に基づく第２の損失と、に基づいて、前記生成器を学習する工程と、を実行し、
前記第１の中間画像を用いて定義される損失における前記第１の損失に対する前記第２の損失の重みは、前記第２の中間画像を用いて定義される損失における前記第１の損失に対する前記第２の損失の重みより小さいことを特徴とする学習装置。
請求項１６乃至１９のいずれか一項に記載の学習方法をコンピュータに実行させることを特徴とするプログラム。