JP2022058663A - 信号処理装置、距離計測装置、および距離計測方法 - Google Patents

Abstract

【課題】信号の復元精度を向上させること。
【解決手段】本実施形態に係る信号処理装置は、記憶部と、入力部と、データ復元部とを有する。前記記憶部は、信号のデータと前記信号の標本の位置に関するデータとに基づいて、前記信号の劣化を復元した復元データ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、前記信号のデータと前記位置に関するデータとを入力する。前記データ復元部は、前記学習済みモデルを用いて、前記復元データを生成する。前記学習済みモデルは、前記信号のデータの全体に対して同じ重み係数を用いて復元データを生成する。
【選択図】 図７

Description

本発明の実施形態は、信号処理装置、距離計測装置、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（信号復元の精度）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、信号の復元精度を向上可能な信号処理装置、距離計測装置、および距離計測方法を提供することである。

本実施形態に係る信号処理装置は、記憶部と、入力部と、データ復元部とを有する。 前記記憶部は、信号のデータと前記信号の標本の位置に関するデータとに基づいて、前記信号の劣化を復元した復元データ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、前記信号のデータと前記位置に関するデータとを入力する。
前記データ復元部は、前記学習済みモデルを用いて、前記復元データを生成する。
前記学習済みモデルは、前記信号のデータの全体に対して同じ重み係数を用いて復元データを生成する。

図１は、本実施形態に係る信号処理装置の構成例を示すブロック図。 図２は、本実施形態におけるデータ復元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。 図３は、本実施形態において、２次元的なノイズ除去対象画像の一例を示す図。 図４は、本実施形態において、標本位置画像の一例を示す図。 図５は、本実施形態において、２つの標本位置画像の一例を示す図。 図６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。 図７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。 図８は、本実施形態における活性化関数の一例を示す図。 図９は、本実施形態の応用例において、データの入力の一例を示す図。 図１０は、本実施形態の応用例において、標本位置画像が入力される第１の中間層の一例を示す図。 図１１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。 図１２は、本実施形態の第１の適用例におけるデータ復元処理の手順の一例を示すフローチャートの図。 図１３は、本実施形態の第１の適用例において、距離計測装置と計測対象の物体との距離が近い場合の受信波形の一例を示す図。 図１４は、本実施形態の第１の適用例において、距離計測装置と計測対象の物体との距離が遠い場合の受信波形の一例を示す図。 図１５は、本実施形態の第１の適用例における標本位置データの一例を示す図。 図１６は、本実施形態の第１の適用例において、距離計測装置と計測対象の物体との距離が近い場合の復元波形の一例を示す図。 図１７は、本実施形態の第１の適用例において、距離計測装置と計測対象の物体との距離が遠い場合の復元波形の一例を示す図。 図１８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。 図１９は、本実施形態の第２の適用例におけるデータ復元処理の手順の一例を示すフローチャートの図。 図２０は、本実施形態の第２の適用例における音声データの一例を示す図。 図２１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。 図２２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。 図２３は、本実施形態の第３の適用例におけるデータ復元処理に関する手順の一例を示すフローチャートの図。 図２４は、本実施形態の第３の適用例における変換データの一例を示す図の図。 図２５は、本実施形態の第３の適用例における標本位置データの一例を示す図。

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、本実施形態に係る信号処理装置１に搭載される処理回路１４１及びメモリ１１７の構成例を示すブロック図である。なお、距離計測装置、音声処理装置、および振動計測装置に信号処理装置１が搭載され、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１４１１とデータ復元機能１４１３とを有する。入力機能１４１１およびデータ復元機能１４１３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１１７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１４１１およびデータ復元機能１４１３は、それぞれ入力部、データ復元部の一例である。また、メモリ１１７は、記憶部の一例である。

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）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、或いは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８を参照して、処理回路１４１において実行される入力機能１４１１およびデータ復元機能１４１３などについて説明する。

図２は、データ復元機能１４１３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、少なくとも一部に畳み込み層を中間層として有する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。学習済みモデル１０５は、メモリ１１７に記憶される。

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、データ復元機能１４１３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、信号劣化の復元の対象となる信号（以下、復元対象データと呼ぶ）１０１と、復元対象データ１０１における標本の位置を示すデータ（以下、標本位置データと呼ぶ）１０２とが、入力機能１４１１により設定される。標本の位置とは、例えば、標本の時間的なもしくは空間的なインデックス（またはラベル）に対応する。

メモリ１１７は、復元対象データ１０１と、標本位置データ１０２とを記憶する。また、メモリ１１７は、信号のデータ（復元対象データ１０１）と信号の標本の位置に関するデータ（標本位置データ１０２）とに基づいて、信号の劣化を復元した復元データを生成する学習済みモデルを記憶する。なお、信号のデータに相当する復元対象データ１０１は、復元対象データを生成する各種生成器から直接、入力層１０３へ出力されてもよい。また、標本位置データ１０２は、処理回路１４１におけるデータ復元機能１４１３により、学習済モデルの生成時に用いられたデータと同様なデータであって、復元対象データ１０１によらず生成されてもよい。

復元対象データ１０１などの信号のデータは、本実施形態において、例えば、２次元的な画像に関するデータであるものとする。この場合、信号の標本の位置は、画像における画素の座標であって、標本位置データ１０２は、例えば、画素の座標値を有するデータとなる。一般的に、標本位置データ１０２として、標本の位置に対して、復元対象データ１０１に関する信号のある性質の度合いに相関するデータが用いられる。また、復元対象データ１０１に関する信号は、時系列に沿った１次元的な時系列信号であってもよい。このとき、信号の標本の位置は、標本の時刻などに相当する。標本の時刻とは、例えば、標本が収集された収集時刻である。信号の劣化は、例えば、ノイズである。復元対象データ１０１が１次元的な信号に相当する場合については、後述の適用例で詳述する。

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。

以下、説明を具体的にするために、画像のノイズ除去を例にとり説明する。このとき、復元対象データ１０１は、ノイズ除去対象画像に対応し、標本位置データ１０２は、標本位置画像に対応する。

図３は、２次元的なノイズ除去対象画像１０１の一例を示す図である。図４は、標本位置画像１０２の一例を示す図である。説明を具体的するために、ノイズ除去対象画像１０１の総画素数は、ｍ×ｎ画素（ｍおよびｎは自然数）であるものとする。このとき、標本位置画像１０２における複数の画素各々には、例えば図４に示すように、標本位置画像１０２の左上の画素の画素値を１／（ｍ×ｎ）、標本位置画像１０２の右下の画素値を１として、標本位置画像１０２の左から右、および標本位置画像１０２の上から下に向かって、単調に増加する数値が割り当てられる。なお、標本位置画像１０２は、図４に示すような、画素の座標に対応する画像に限定されない。例えば、標本位置画像１０２における複数の画素各々には、標本位置画像１０２の左から右、および標本位置画像１０２の上から下に向かって、単調に減少する数値などの、画素の位置を識別する値が割り当てられてもよい。

また、標本位置画像１０２は１枚に限定されず、例えば、図５に示すような２つの標本位置画像１０２であってもよい。このとき、２つの標本位置画像１０２のうち一方の標本位置画像には、例えば、すべての行各々において、図４に示す１行目に示す複数の画素値が割り当てられる。また、２つの標本位置画像１０２のうち他方の標本位置画像には、すべての列各々において、図４に示す１行目に示す複数の画素値を縦に並べた複数の画素値が割り当てられる。

入力層１０３は、処理回路１４１による制御のもとで、ノイズ除去対象画像１０１と標本位置画像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、ノイズ除去対象画像１０１のノイズを低減させた信号（以下、デノイズ画像と呼ぶ）を、信号の劣化を復元させた復元データ１０８として出力する。

処理回路１４１は、入力機能１４１１により、学習済みモデルに、信号のデータ（復元対象データ１０１）と位置に関するデータ（標本位置データ１０２）とを入力する。具体的には、処理回路１４１は、ノイズ除去対象画像１０１と、標本位置画像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、ノイズ除去対象画像１０１と、標本位置画像１０２とを入力する。例えば、２枚の標本位置画像１０２が入力層１０３に入力される場合、入力層１０３のチャンネルは、３チャンネルとなる。

図６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６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、ノイズ除去対象画像１０１および標本位置画像１０２における総画素数Ｎ（Ｎは自然数）は、ｍ×ｎ個であるものとする。

処理回路１４１は、データ復元機能１４１３により、復元対象データ１０１と標本位置データ１０２とが入力された学習済みモデルを用いて、復元データを生成する。具体的には、処理回路１４１は、入力層１０３において、ノイズ除去対象画像１０１における複数の画素値と、標本位置画像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。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、ノイズ除去対象画像１０１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、標本位置画像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、データ復元機能１４１３により、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７を用いて後程詳細に説明する。

処理回路１４１は、データ復元機能１４１３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、メモリ１１７等に出力する。

図７は、ＣＮＮ１０５の構成の一例を示す図である。図７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、データ復元機能１４１３により、ノイズ除去対象画像１０１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、標本位置画像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。

なお、２枚の標本位置画像１０２が入力層１０３に入力される場合、入力層１０３における入力範囲は、例えば、３層構造となる。図７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、ノイズ除去対象画像１０１の画素数だけ用意される。

次に、処理回路１４１は、データ復元機能１４１３により、ノイズ除去対象画像１０１と標本位置画像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７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（ノイズ除去対象画像１０１と標本位置画像１０２）であるため、タップは１８となる。なお、タップは、図７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、データ復元機能１４１３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、ノイズ除去対象画像１０１における９画素と、標本位置画像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、データ復元機能１４１３により、ノイズ除去対象画像１０１及び標本位置画像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、ノイズ除去対象画像１０１および標本位置画像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、ノイズ除去対象画像１０１および標本位置画像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、ノイズ除去対象画像１０１及び標本位置画像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、データ復元機能１４１３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８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８に示すＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）関数を用いる。図８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７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、データ復元機能１４１３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７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７に示すような場合、処理回路１４１は、データ復元機能１４１３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１０８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、データ復元機能１４１３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）と標本位置画像１０２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）と標本位置画像１０２とを用意する。なお、標本位置データ１０２は、学習時において信号の特性に応じて複数用意しておいてもよい。このとき、複数の標本位置データにそれぞれ対応する複数の学習済みモデルのうち、最良の学習結果に対応する学習済みモデルが、この学習済みモデルに関連する標本位置データ１０２とともに、メモリ１１７に記憶される。

非ノイズ画像は、例えば、十分に長い時間をかけて露光することにより被写体を撮影して取得された画像である。ノイズ含有画像としては、例えば、非ノイズ画像に関する撮影時間より短い時間で被写体を撮影した画像である。なお、ノイズ含有画像は、標本位置画像１０２の画素値に応じた、すなわち非ノイズ画像における複数の画素各々の位置に応じた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してもよい。非ノイズ画像と標本位置画像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７の構成に加えて、データ復元機能１４１３により、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、データ復元機能１４１３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除去対象画像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、ノイズ含有画像と標本位置画像１０２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、例えば、標本位置画像１０２の画素値に応じた、すなわちノイズ画像における複数の画素各々の位置に応じたノイズを示す画像に相当する。

以上に述べた構成および各種機能による処理によれば、以下の効果を得ることができる。
本実施形態の信号処理装置１における処理回路１４１によれば、信号のデータと信号の標本の位置に関するデータとに基づいて信号の劣化を復元した復元データを生成する学習済みモデルを記憶し、信号のデータと標本の位置に関するデータとを学習済みモデルに入力し、学習済みモデルを用いて復元データを生成することができる。すなわち、本信号処理装置１によれば、入力層１０３に、復元対象データ１０１に加えて標本位置画像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、同じ重み係数でも画像における画素の位置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、ノイズ除去対象画像１０１における画素の位置（座標値）に応じてノイズ量が決まるような場合には、ノイズ除去対象画像１０１の部分領域または画素ごとのノイズ量に応じた強度でノイズ除去を実行することができる。すなわち、入力層１０３にノイズ除去対象画像１０１だけを入力した場合に比べて、ノイズ除去対象画像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、復元対象データ１０１における部分領域ごとのノイズ量に応じた強度で、復元対象データ１０１におけるノイズを低減することができる。

例えば、風景写真では、風景写真の上部が空で明るく、風景写真の下部が相対的に暗い場合が多い。このため、風景写真におけるノイズは上部が少なくて下部が多くなる。このように、本実施形態では、ノイズ除去の対象画像（上記例では風景写真全般）に共通する、位置に関する特性に適応することできる。なお、本実施形態によれば、ノイズ量の特性だけでなく、例えば、図３のように処理対象の画像（この例では車の前方の画像全般）の中央部分は細かい図柄が多く、中央部分の周辺は平坦であるといった、本来の画像信号の位置に関する特性にも対応することができる。つまり、図３のような処理対象の画像に適用される学習済みモデルは、ノイズ除去の際に、画像の中央ほど高周波数成分が残るように学習される。

これらのことから、本信号処理装置１によれば、ノイズ除去対象画像１０１などの復元対象データに加えて、画像の各画素における座標などを示す標本位置データ１０２もＣＮＮ１０５に入力することで、信号の復元精度を向上させることができる。

（応用例）
本応用例と本実施形態との相違は、入力層１０３にノイズ除去対象画像１０１だけを入力し、標本位置画像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、本応用例において標本位置画像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、標本位置画像１０２が入力されるチャンネルを有する。

図９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９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への入力がノイズ除去対象画像１０１のみであること、およびＣＮＮ１０５への標本位置画像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１４１１により、ノイズ除去対象画像１０１を、入力層１０３に入力する。処理回路１４１は、標本位置画像１０２を、メモリ１１７から読み出して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、標本位置画像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、標本位置画像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１０は、本応用例において、標本位置画像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１０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、標本位置画像１０２が入力される標本位置入力範囲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、標本位置入力範囲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、標本位置画像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、データ復元機能１４１３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７および図１０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、標本位置画像１０２の中間層への入力は、標本位置画像用のチャンネル、上の例では標本位置入力範囲２０４ｂを用いずに、畳み込みをしてきたデータに、標本位置画像１０２の画素値を単純に加算してもよい。すなわち、処理回路１４１は、データ復元機能１４１３により、畳み込み後入力範囲２０４ａに設定した値に、各ノードに対応する標本位置画像１０２の値（画素値）を加算してもよい。また、畳み込み後入力範囲２０４ａが２チャンネル以上ある場合には、入力層１０３と同様の構成に標本位置画像１０２を入力し、１チャンネルから増やした出力を畳み込み後入力範囲２０４ａの各チャンネル、各ノードに加算してもよい。

なお、処理回路１４１は、標本位置画像１０２だけを別のニューラルネットワークに入力し、別のニューラルネットワークからの出力を、中間層２０４における標本位置入力範囲２０４ｂに入力してもよい。別のニューラルネットワークとは、例えば、標本位置画像１０２を入力する、入力層１０３とは別の入力層、別の中間層で構成し、その出力を中間層２０４に入力する。追加した別のニューラルネットワークも、元のニューラルネットワークと接続するので、元のニューラルネットワークと同時に誤差逆伝播法で学習される。

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、標本位置画像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、ノイズ除去対象画像１０１における部分範囲ごとのノイズ量に応じた強度や特性で、ノイズ除去対象画像１０１のノイズを低減すること（ノイズ除去）ができる。

以下、本実施形態における処理回路１４１およびメモリ１１７を搭載した距離計測装置、音声処理装置、および振動計測装置について、第１乃至第３の適用例においてそれぞれ説明する。距離計測装置、音声処理装置、および振動計測装置は、例えば、時系列に沿った１次元的な復元対象データ１０１と、１次元的な標本位置データ１０２とをＣＮＮ１０５に用いる一例である。このとき、標本位置データ１０２として、例えば、時系列信号における標本の収集時刻に対応する、標本の収集開始時刻から収集時刻までの経過時間が用いられる。

（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およびメモリ１１７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のために用いられる。

距離計測装置に装備された受光素子において受光された反射光（反射パルス）の強度が小さいほど、あるいは、反射光以外のノイズに相当する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は大きくなる。このため、距離画像の生成のもととなる受信波形を復元対象データ１０１とし、受信波形１０１における複数の標本にそれぞれ対応する複数の経過時間を標本位置データ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。

受信波形１０１における複数の標本各々は、受光素子１１５により反射光が受信された時刻（上記実施形態で説明した収集時刻に対応し、以下、受光時刻と呼ぶ）に対する受信光の強度に対応する。経過時間とは、受信波形１０１の収集開始時刻（例えば、距離計測装置からパルスを出射した時刻から収集を開始する）から、複数の標本各々における受光時刻までの時間間隔に相当する。すなわち、本適用例における標本の位置は、経過時間に対応する。

図１１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１１は、距離計測装置１１０の構成の一例を示す図である。なお、以下の全体構成の説明は一例に過ぎず、一般的な距離計測装置１１０に本信号処理装置１が搭載されてもよい。図１１に示すように、距離計測装置１１０は、発光素子（照射部）１１３と、受光素子（受信部）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１１に示すように、入力機能１４１１、データ復元機能１４１３、距離算出機能１４１５を有する。距離計測装置１１０は、被検体に向けて発光素子１１３から照射されたレーザーパルスが被検体で反射してくるまでの時間に基づいて、被検体までの距離を計測する。

本適用例において、復元対象データ１０１は、図１におけるデータ復元機能１４１３によるデノイズ（データ復元）の処理前であって、受光素子１１５により取得された受信波形に相当する。受信波形１０１は、複数の標本各々の受光時刻に対する受信光の強度を有する。すなわち、受信波形１０１は、時系列に沿った受信光の強度を示す波形に相当する。一つの受光時刻に対する受信光の強度は、復元対象データにおける一つの標本に対応する。

また、図６に示す組み合わせデータ１０４のデータ量（復元対象データ（受信波形）１０１のデータ量（サンプル数）、および標本位置データ１０２のデータ量（サンプル数））は、発光素子１１３および受光素子１１５を用いた距離の計測の対象領域（以下、計測対象領域と呼ぶ）と、計測される距離の上限（以下、計測上限と呼ぶ）とに応じて、予め規定される。すなわち、計測対象領域と計測上限とに応じて、ＣＮＮ１０５は学習される。なお、組み合わせデータ１０４のデータ量は、サンプル数の代わりに、受信信号の計測時間により規定されてもよい。このとき、計測対象領域において発光素子１１３から出射された複数のレーザーパルス各々に応じた計測時間で取得された受信波形１０１が、ＣＮＮ１０５へ入力される。

本適用例に関する処理内容については、実施形態におけるノイズ除去対象画像１０１を受信波形に読み替えることで理解できるため、説明は省略する。また、本適用例において、データ復元機能１４１３は、受信波形１０１におけるノイズ、すなわち環境光に起因する受信強度を除去することを目的としているため、受信波形１０１におけるノイズを除去するノイズ除去機能に相当する。本適用例において、処理回路１４１が有するデータ復元機能１４１３、および距離算出機能１４１５は、それぞれノイズ除去部、距離算出部の一例である。

発光素子１１３は、例えばレーザー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、レーザー光を出射光として発生する。これにより、発光素子１１３は、計測対象領域において障害物へ向けてレーザー光を逐次出射（照射）する。なお、発光素子１１３はレーザー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。

受光素子１１５は、例えばフォトダイオードなどの少なくとも一つの光検出素子とＡ／Ｄ変換器とを有する。受光素子１１５は、反射光を受信し、受信された反射光を、反射光の強度に応じて電気信号（以下、受信信号と呼ぶ）に変換する。受信波形１０１には、物体において反射されたレーザーパルスの他に、このパルス以外の環境光に起因する受信信号が混在する。受光素子１１５は、受信信号を、反射光の受光時刻とともに、処理回路１４１に出力する。具体的には、受光素子１１５は、光検出素子により、物体において反射されたレーザーパルスを含む反射光を受信する。受光素子１１５は、Ａ／Ｄ変換器により、受信された反射光を受信信号に変換する。

より詳細には、受光素子１１５は、反射光の強さの時間変化を検出し、Ａ／Ｄ変換によりデジタル化された時系列の受信信号（受信波形１０１）を処理回路１４１へ出力する。すなわち、受光素子１１５は、受信信号をＡ／Ｄ変換により、サンプリング周波数に従って標本化し、デジタル的な受信波形１０１を処理回路１４１へ出力する。デジタルデータとしての受信波形１０１における複数の値各々（受信波形の強度）は、受信波形１０１における上記標本に相当する。

より詳細には、受光素子１１５は、発光素子１１３により発生されたレーザーパルスを用いて計測対象領域をスキャンすることにより取得された受信波形１０１を、処理回路１４１に出力する。このとき、受信波形１０１は、入力機能１４１１による制御のもとで、入力層１０３の第１の入力範囲１０４ａに入力される。なお、受光素子１１５は、計測対象領域に対するレーザーパルスを用いたスキャンが完了するまで、変換された受信波形１０１を、受光時刻とともにメモリ１１７に出力してもよい。

メモリ１１７は、受信波形を示す受信信号のデータ１０１と、受信信号における標本の位置に関するデータ標本位置データ１０２とを記憶する。また、メモリ１１７は、受信信号のデータと受信信号の標本の位置に関するデータとに基づいて受信信号のノイズを低減したノイズ除去データを生成する学習済みモデルを記憶する。ノイズ除去データは、図６等における復元データ１０８に相当する。

メモリ１１７は、復元データ１０８に対応するノイズ除去データを記憶する。ノイズ除去データは、データ復元機能１４１３により受信波形１０１をノイズの劣化から復元させた復元波形１０８に相当する。メモリ１１７は、距離算出機能１４１５によりノイズ除去データ１０８を用いて算出された距離を記憶する。なお、メモリ１１７は、算出された距離に対応するグレースケールを、計測対象領域に亘って距離算出機能１４１５により配置させた距離画像を記憶してもよい。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、データ復元プログラムと呼ぶ）を記憶する。

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、距離算出機能１４１５により生成された距離画像を、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してもよい。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、距離画像を、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、処理回路１４１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。入力機能１４１１、データ復元機能１４１３、および距離算出機能１４１５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１１の処理回路１４１内に示された複数の機能を有する。

なお、図１１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、距離算出機能１４１５により、データ復元機能１４１３から出力された復元波形１０８におけるパルスの最大強度に対応する受光時刻（以下、パルス時刻と呼ぶ）と、基準タイミング信号とに基づいて、距離を算出する。具体的には、処理回路１４１は、復元波形１０８においてパルスを検出し、検出されたパルスに対応するパルス時刻を特定する。次いで、処理回路１４１は、発光素子１１３におけるレーザー光の発生時刻と、パルス時刻との差に光速度を乗算した乗算値を２で除することにより、障害物までの距離を計算する。乗算値を２で除することは、発光素子１１３により発生されたレーザーパルスが、距離計測装置１１０と障害物との間を往復しているためである。なお、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、距離画像を生成してもよい。

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１４１１、データ復元機能１４１３について、以下のデータ復元処理の説明において詳述する。本適用例において、復元対象データ１０１は、上述の実施形態において説明した２次元的な画像ではなく、時系列に沿った１次元のデータである。データ復元処理におけるＣＮＮ１０５は、図７において、２次元的なデータを１次元的なデータに置き換えることで理解される。すなわち、処理回路１４１は、入力機能１４１１により、ノイズ除去対象を２次元的な画像のデータではなく時系列に沿った１次元的な受信波形１０１とし、標本位置画像を１次元的な標本位置データ１０２として、入力層１０３に入力する。このとき、ＣＮＮ１０５に関する入力層１０３と複数の中間層と出力層１０７とにおけるチャンネル数は、２次元のチャンネル数の代わりに１次元のチャンネル数となる。

（データ復元処理）
本適用例におけるデータ復元処理は、受信信号のデータ１０１と受信信号の標本の位置に関するデータ１０２とを用いたデータ復元プログラムの実行により、復元データとしてノイズ除去データ１０８を生成する処理である。図１２は、本適用例におけるデータ復元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）
受光素子１１５は、時系列に沿って物体による反射光を受信する。これにより、反射光に関する、時系列に沿った受信波形１０１が取得される。図１３は、本距離計測装置１１０と計測対象の物体との距離が近い場合の受信波形１０１の一例を示す図である。図１３において、受信波形１０１における反射光はパルスＰＩとして示されている。図１３に示すＥＬは、環境光に関する受信波形１０１の一部を示している。

図１３に示すように、本距離計測装置１１０と計測対象の物体との距離が近い場合、発光素子１１３から出射されたパルスは、物体で拡散反射されて比較的短い時間で受光素子１１５に戻ってくるため、パルスＰＩに関する経過時間は短くなる。加えて、発光素子１１３から出射されたパルスは、比較的短い時間で受光素子１１５に戻ってくるため、本距離計測装置１１０と計測対象の物体との距離が遠い場合に比べてパルスの減衰は、小さくなる。このため、本距離計測装置１１０と計測対象の物体との距離が近い場合、パルスＰＩの波高、すなわちパルスＰＩの強度（電圧等）は、環境光ＥＬの強度に比べて大きくなる。

図１４は、本距離計測装置１１０と計測対象の物体との距離が遠い場合の受信波形１０１の一例を示す図である。図１４において、受信波形１０１における反射光はパルスＰＩとして示されている。図１４に示すＥＬは、環境光に関する受信波形１０１の一部を示している。本距離計測装置１１０と計測対象の物体との距離が遠い場合、発光素子１１３から出射されたパルスは、物体で反射されて比較的長い時間で受光素子１１５に戻ってくるため、パルスＰＩに関する経過時間は長くなる。このとき、本距離計測装置１１０と計測対象の物体との距離が近い場合に比べて反射光の減衰が大きくなり、図１４に示す受信波形１０１におけるパルスＰＩの波高、すなわちパルスＰＩの強度（電圧等）は、本距離計測装置１１０と計測対象の物体との距離が近い場合のパルスの波高に比べて低くなる。

また、図１３および図１４に示すように、受信波形１０１における環境光ＥＬの波高は、経過時間によらずほぼ一定となる。図１３および図１４に示すように、受信波形１０１におけるパルスＰＩの波高は、経過時間が短いと高くなり、経過時間が長いと低くなるという、反射光の減衰に起因する経過時間（Ｔｉｍｅ－ｏｆ－ｆｌｉｇｈｔ）に応じた特性を有する。図１３および図１４において、収集開始時刻はＴｓとして示され、標本の収集終了時刻は、Ｔｅで示されている。収集開始時刻Ｔｓから標本の収集終了時刻Ｔｅまでに時間は、上述の計測時間に対応し、計測上限に応じて予め設定される。

（ステップＳａ２）
処理回路１４１は、入力機能１４１１により、受信信号（受信波形）１０１の標本の位置（経過時間）に関する標本位置データ１０２を、メモリ１１７から読み出す。なお、標本位置データ１０２の読み出しは、ステップＳａ１の処理の前に実行されてもよい。

図１５は、標本位置データ１０２の一例を示す図である。図１５に示すように、本適用例における標本位置データ１０２は、受光時刻に対する経過時間を示す場合、計測時間に亘って単調増加する線形のデータとなる。なお、標本位置データ１０２として、計測時間に亘って、経過時間を０乃至１に正規化した値が用いられてもよい。また、標本位置データ１０２は、単調増加する線形のデータに限定されず、単調減少する線形のデータであってもよいし、線形に限らず、受光時刻に対して１対１対応な非線形なデータであってもよい。

より一般的には、標本位置データ１０２は、受光時刻である標本の位置に対する経過時間の対応関係に限定されず、標本の位置に対して異なる値が設定された１対１対応のデータであれば、線形、非線形を問わずいずれの関数形状であってもよい。例えば、標本位置データ１０２は、複数の標本の位置にそれぞれ対応する複数の異なるインデックス値（ラベル値）を有する対応表に相当するデータであってもよい。このとき、複数の異なるインデックスは、受光時刻に対して連続的に変化するもの、および複数のラベルの桁数があまり変化しないもの（例えば、０乃至３桁など）が好ましい。

（ステップＳａ３）
処理回路１４１は、入力機能１４１１により、受信信号のデータである受信波形１０１と、標本位置データ１０２とを、学習済みモデルに入力する。具体的には、処理回路１４１は、受信波形１０１と標本位置データ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、ステップＳａ１において取得された受信波形１０１における複数の標本各々の強度を、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、ステップＳａ２において読み出された標本位置データ１０２における複数の値を、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、データ復元機能１４１３により、入力層１０３において、受信波形１０１における複数の標本各々の強度と、標本位置データ１０２における複数の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、上述の応用例が本適用例に用いられる場合、処理回路１４１は、受信波形１０１を入力層１０３に入力し、標本位置データ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。

処理回路１４１は、データ復元機能１４１３により、受信波形１０１と標本位置データ１０２とが入力された学習済みモデルを用いて、受信信号のノイズ（環境光の影響）を低減した、またはノイズを除去したノイズ除去データ（復元波形）１０８を生成する。図１６は、本距離計測装置１１０と計測対象の物体との距離が近い場合の復元波形１０８の一例を示す図である。図１７は、本距離計測装置１１０と計測対象の物体との距離が遠い場合の復元波形１０８の一例を示す図である。図１６および図１７に示すように、復元波形１０８は、受信波形１０１に対して、環境光ＥＬによる影響が低減され、または除去されている。

（ステップＳａ４）
処理回路１４１は、距離算出機能１４１５により、学習済みモデルから出力された復元データ（復元波形）１０８において、パルスを検出する。具体的には、処理回路１４１は、検出されたパルスの受光時刻（パルス時刻）を特定する。図１６および図１７におけるＴｄは、検出されたパルスＰＩに対する、特定されたパルス時刻を示している。

（ステップＳａ５）
処理回路１４１は、距離算出機能１４１５により、検出されたパルスに関する経過時間を用いて、パルスに対応する距離を計算する。具体的には、処理回路１４１は、検出されたパルスに関する経過時間を算出する。図１６および図１７において、経過時間ＥＴは、特定されたパルス時刻Ｔｄからパルスの出射時刻すなわち標本の収集開始時刻Ｔｓを差分することにより、算出される。処理回路１４１は、経過時間ＥＴ（＝Ｔｄ－Ｔｓ）に光速度ｃを乗算し、２で除すること（ＥＴ×ｃ／２）により、距離を算出する。

上記ステップＳａ１乃至ステップＳａ５の処理は、計測対象領域における１点における処理の流れである。このため、計測対象領域の全域に亘って、ステップＳａ１乃至ステップＳａ５の処理は繰り返される。繰り返し処理各々において、ＣＮＮ１０５には、同一の標本位置データ１０２が入力される。計測対象領域の全域に関する複数の距離が算出されると、処理回路１４１は、距離算出機能１４１５により、光検出素子ごとに算出された距離を用いて距離画像を生成してもよい。

以上に述べた構成および各種機能による処理によれば、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、物体において反射されたパルスを含む反射光を受信し、受信された反射光を受信信号に変換し、受信信号のデータ１０１と受信信号の標本の位置に関するデータ１０２とに基づいて受信信号のノイズを低減したノイズ除去データを生成する学習済みモデルに、受信信号のデータ１０１と、受信信号の標本の位置に関するデータ１０２とを入力し、学習済みモデルを用いて、ノイズ除去データ１０８を生成し、ノイズ除去データ１０８においてパルスを検出し、検出されたパルスに基づいて物体の距離を算出することができる。

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受信波形１０１と標本位置データ１０２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に受信波形１０１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標本位置データ１０２を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。すなわち、本適用例における距離計測装置１１０によれば、受信波形１０１における経過時間に応じた特性に適応できるため、受信波形１０１における環境光をノイズとして効果的に除去することができる。すなわち、本距離計測装置１１０によれば、本距離計測装置１１０と計測対象の物体との距離が遠い場合においても、図１４に示すような受信波形に１０１に埋もれたパルスを、図１７に示すように検出することができる。これらのことから、本距離計測装置１１０によれば、高い精度でパルスの受光時刻を検出できるため、距離の計測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およびメモリ１１７を搭載する。図１８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１８は、音声処理装置２０１の構成の一例を示す図である。図１８に示すように、音声処理装置２０１は、マイクロフォン２０２と、メモリ（記憶部）１１７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１４１１およびデータ復元機能１４１３を有する。マイクロフォン２０２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、復元対象データ１０１は、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データ（音声信号）に相当する。音声データは、時系列に沿った１次元的なデータの一例である。標本位置データ１０２は、例えば、音声データにおける標本の位置、すなわち複数の標本各々の収集時刻に対する経過時間に関するデータであって、図１５に示すデータに相当する。具体的には、標本位置データ１０２は、決まった言葉による音声操作において、音声信号に対して時刻に関する特性を有するデータである。出力層１０７から出力される復元データ１０８は、環境音を低減または除去した音声データとなる。すなわち、本音声処理装置２０１の適用例として、決まった言葉による音声操作において、時刻に関する特性が音声信号にあるため、音声データにおける話者以外の環境音を効果的に除去することができ、音声の認識率を向上させることができる。なお、本適用例において、上述の応用例に関する処理内容については、復元対象データ１０１を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。

マイクロフォン２０２は、例えば接話マイクである。マイクロフォン２０２は、話者の音声を取得する。また、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。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、音声データを生成する。マイクロフォン２０２は、音声データを、処理回路１４１に出力する。

メモリ１１７は、音声データ、標本位置データ１０２およびデータ復元機能１４１３により音声データにおけるノイズ（環境音）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。デノイズデータは、図６等における復元データ１０８に相当する。メモリ１１７は、音声データ１０１と標本位置データ１０２とに基づいて音声データ１０１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を実行するためのデータ復元プログラムを記憶する。

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、データ復元機能１４１３により生成されたデノイズデータ１０８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１０８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１４１１およびデータ復元機能１４１３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１８の処理回路１４１内に示された複数の機能を有する。

なお、図１８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１４１１、データ復元機能１４１３について、以下のデータ復元処理の説明において詳述する。

（データ復元処理）
本適用例におけるデータ復元処理は、音声データ１０１と、標本位置データ１０２とを用いたデータ復元プログラムの実行により、復元データ１０８を生成する処理である。図１９は、本適用例におけるデータ復元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）
マイクロフォン２０２により、音声データ１０１が、時系列に沿って取得される。図２０は、音声データ１０１の一例を示す図である。図２０に示すように、音声データ１０１には、鋸歯状のノイズが現れている。音声データ１０１の取得期間は、組み合わせデータ１０４のデータ量が有限であるため、例えば、入力層１０３の第１の入力範囲１０４ａにおけるデータ量に応じて予め設定される。

（ステップＳｂ２）
処理回路１４１は、入力機能１４１１により、音声データ（音声波形）１０１における標本の位置（経過時間）に関する標本位置データ１０２を、メモリ１１７から読み出す。なお、標本位置データ１０２の読み出しは、ステップＳｂ１の処理の前に実行されてもよい。

（ステップＳｂ３）
音声データ１０１と標本位置データ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１４１１により音声データ１０１と標本位置データ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、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、標本位置データ１０２における時系列に沿った複数の値を、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、データ復元機能１４１３により、入力層１０３において、音声データ１０１における複数の振幅値と、標本位置データ１０２における複数の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、上述の応用例が本適用例に用いられる場合、処理回路１４１は、音声データ１０１を入力層１０３に入力し、標本位置データ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Ｓｂ４）
処理回路１４１は、データ復元機能１４１３により、音声データ１０１と標本位置データ１０２とが入力された学習済みモデルを用いて、音声データ１０１のノイズ（環境音の影響）を低減したまたは除去したデノイズデータ１０８を生成する。具体的には、処理回路１４１は、データ復元機能１４１３により、音声データ１０１と標本位置データ１０２とを用いたデータ復元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２１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２１に示すように、図２０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。なお、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１０８を音声としてスピーカから出力してもよい。ステップＳｂ１乃至ステップＳｂ４の処理は、音声データの取得に応じて繰り返される。繰り返し処理各々において、ＣＮＮ１０５には、同一の標本位置データ１０２が入力される。

以上に述べた構成および各種機能による処理によれば、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、取得された音声に対して時刻に関する特性を有する標本位置データ１０２と音声データ１０１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１０８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データ１０１と標本位置データ１０２とを入力し、学習済みモデルを用いてデノイズデータ１０８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、音声操作などの発話が開始された時刻からの経過時間に関する特性を有する音声認識において、例えば、話者以外の周囲の音をノイズとして低減または除去することで音声の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（音声データ）１０１と、同じ時系列の例えば時刻に関する特性を有する標本位置データ１０２とを入力層１０３に設定することにより、音声データ１０１における背景音を効果的に低減することができる。これらのことから、本音声処理装置２０１によれば、決まった言葉による音声操作においても、音声信号が時刻に関する特性を有するため、音声データ１０１における話者以外の環境音を効果的に除去することができ、音声の認識率を向上させることができる。

（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およびメモリ１１７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２２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２２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、加速度センサ３０３と、メモリ（記憶部）１１７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１４１１およびデータ復元機能１４１３を有する。加速度センサ３０３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、復元対象データ１０１は、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、振動データと呼ぶ）に対してフーリエ変換が実行されたデータ（以下、変換データと呼ぶ）に相当する。また、変換データ１０１は、加速度を示す振動データに基づくため、一般的に、低周波数成分において大きい強度を有する。すなわち、振動データの周波数スペクトラムを示す変換データ１０１において、低周波数成分は、高周波数成分より多い。このため、標本位置データ１０２は、例えば、変換データ１０１における標本の位置（周波数）に関するデータであって、例えば、低周波数成分から高周波数成分にかけて周波数に対して強度が単調減少する周波数スペクトラムに相当する。

なお、標本位置データ１０２は、変換データ１０１に対して低域通過フィルタ（ＬＰＦ：Ｌｏｗ Ｐａｓｓ Ｆｉｌｔｅｒ）を適用したデータであってもよい。また、標本位置データ１０２は、処理対象の信号の特性が周期的であれば、この特性の周期に合わせて変化するデータであってもよい。例えば、標本位置データ１０２は、構造物の複数の組成に起因する固有振動数に応じた周期的な振動を示す振幅値（または振幅値を正規化したもの）、複数の組成各々の固有振動数による周期的な振動の共鳴によるうなりを示すようなデータであってもよい。また、標本位置データ１０２は、この特性が周期的でなくても、特性の時間変化が既知の場合はその時間変化に応じたデータであってもよい。例えば、標本位置データ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）であってもよい。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、構造物の反響特性などをシミュレーションすることにより求められる。

また、標本位置データ１０２は、振動の計測を始めてから次第に振動の振幅が小さくなっていくなど、振動データに経過時間の特性がある場合、図１５に示すような強度が単調減少するデータであってもよい。このとき、復元対象データ１０１は、振動データに対応し、復元データ１０８は振動データにおけるノイズを低減または除去したデータとなる。加えて、標本位置データ１０２として図１５に示すような強度が単調減少するデータが用いられる場合、変換機能３１３１は不要となる。なお、本適用例において、上述の応用例に関する処理内容については、復元対象データ１０１を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。

加速度センサ３０３は、例えば、ＭＥＭＳ（Ｍｉｃｒｏ Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓ）により構成され、構造物における振動を計測する。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、振動データを生成する。加速度センサ３０３は、振動データを、処理回路１４１に出力する。

メモリ１１７は、振動データ、変換データ１０１、標本位置データ１０２、およびデータ復元機能１４１３により変換データ１０１におけるノイズが低減されたデータ（以下、復元変換データと呼ぶ）を記憶する。復元変換データは、図６等における復元データ１０８に相当する。また、メモリ１１７は、復元変換データ１０８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１１７は、振動データ（または変換データ）と標本位置データ１０２とに基づいて振動のノイズを周波数ごとに低減した復元変換データ１０８を生成する学習済みモデルを記憶する。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を実行するためのデータ復元プログラムを記憶する。

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、データ復元機能１４１３により生成された復元変換データを、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してもよい。

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３１１として、液晶ディスプレイ、ＣＲＴディスプレイ、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）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１４１１およびデータ復元機能１４１３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２２の処理回路１４１内に示された複数の機能を有する。

なお、図２２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１４１１、データ復元機能１４１３について、標本位置データ１０２として周波数スペクトラムを用いたデータ復元処理の説明において詳述する。

（データ復元処理）
本適用例におけるデータ復元処理は、変換データ１０１と、標本位置データ１０２とを用いたデータ復元プログラムの実行により、復元データ１０８として復元変換データを生成する処理である。図２３は、本適用例におけるデータ復元処理に関する手順の一例を示すフローチャートである。以下、説明を具体的にするために、標本位置データ１０２は、周波数に対して強度が単調減少するデータであるものとして説明する。

（ステップＳｃ１）
加速度センサ３０３は、振動データを、時系列に沿って取得する。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、振動データに対してフーリエ変換を実行する。フーリエ変換により、処理回路１４１は、振動データに対応する変換データ１０１を生成する。図２４は、変換データ１０１の一例を示す図である。図２４に示すように、振動データの周波数スペクトラムを示す変換データ１０１は、加速度に関連するため、低周波数成分において、大きい強度を有する。

（ステップＳｃ３）
処理回路１４１は、入力機能１４１１により、変換データ１０１における標本の位置（周波数）に関する標本位置データ１０２を、メモリ１１７から読み出す。図２５は、標本位置データ１０２の一例を示す図である。図２５に示すように、標本位置データ１０２は、低周波数成分の強度から単調減少する周波数スペクトラムに相当する。なお、標本位置データ１０２の読み出しは、ステップＳｃ１の処理の前またはステップＳｃ２の処理の前に実行されてもよい。

（ステップＳｃ４）
変換データ１０１と標本位置データ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１４１１により、変換データ１０１と標本位置データ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、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、標本位置データ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、データ復元機能１４１３により、入力層１０３において、変換データ１０１における周波数ごとの強度と、標本位置データ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、上述の応用例が本適用例に用いられる場合、処理回路１４１は、変換データ１０１を入力層１０３に入力し、標本位置データ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Ｓｃ５）
処理回路１４１は、データ復元機能１４１３により、変換データ１０１と標本位置データ１０２とが入力された学習済みモデルを用いて、復元変換データ１０８を生成する。具体的には、処理回路１４１は、データ復元機能１４１３により変換データ１０１と標本位置データ１０２とを用いたデータ復元プログラムの実行により、ＣＮＮ１０５を用いて復元変換データ１０８を生成する。

（ステップＳｃ６）
復元変換データ１０８に対して逆フーリエ変換が実行されることにより、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、復元変換データ１０８に対して逆フーリエ変換を実行する。処理回路１４１は、逆フーリエ変換により、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。ステップＳｃ１乃至ステップＳｃ４の処理は、振動データの取得に応じて繰り返される。繰り返し処理各々において、ＣＮＮ１０５には、同一の標本位置データ１０２が入力される。

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、時系列に沿って計測された振動データに対してフーリエ変換が実行された変換データ１０１と、変換データ１０１における標本の位置（周波数）に関する標本位置データ１０２とに基づいて周波数領域において振動のノイズを低減させた復元変換データ１０８を生成する学習済みモデルを記憶し、学習済みモデルに変換データ１０１と標本位置データ１０２とを入力し、学習済みモデルを用いて復元変換データ１０８を生成することができる。

これにより、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、計測データである振動データをフーリエ変換してから入力層１０３に設定し、標本位置データ１０２として周囲振動の周波数特性も入力層１０３に設定することで、出力層１０７からの出力信号として復元変換データ１０８を生成することができる。また、復元変換データ１０８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。

本実施形態、応用例、および各種適用例の変形例として、信号処理装置１、距離計測装置１１０、音声処理装置２０１、および振動計測装置３０１に関する技術的思想は、データ復元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、適用例に関する信号処理装置１、距離計測装置１１０、音声処理装置２０１、振動計測装置３０１、および距離計測方法によれば、信号の復元精度を向上させることができる。例えば、ノイズ除去対象画像１０１などの処理対象信号に加えて、画像の各画素の座標などの標本位置データ１０２もＣＮＮ１０５に入力することで、復元信号の精度を向上する装置を提供することができる。すなわち、本実施形態、応用例、適用例等によれば、復元対象データ１０１に加えて、復元対象データ１０１における標本の位置（時刻、画素の座標、周波数など）に関する標本位置データ１０２もＣＮＮ１０５に入力することで、データ復元の精度を向上させることができる信号処理装置１、距離計測装置１１０、音声処理装置２０１、振動計測装置３０１、および距離計測方法を提供することができる。

以上説明した実施形態、応用例、適用例ではノイズ除去を例にとり説明したが、本来の信号の位置や時刻に関する特性がある限り、信号復元装置１に関する他の実施形態として、他の信号劣化の改善、例えば、画像撮像時のぼけの鮮鋭化や、信号のデータ圧縮による圧縮ひずみ除去にも有効である。

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。

１０１ 復元対象データ
１０２ 標本位置データ
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 復元データ
１１０ 距離計測装置
１１３ 発光素子
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 マイクロフォン
２０４ 中間層
２０４ａ 畳み込み後入力範囲
２０４ｂ 標本位置入力範囲
２０５ ノード
２０６ 第３の中間層
２０９ インタフェース
３０１ 振動計測装置
３０３ 加速度センサ
３０９ インタフェース
３１１ ディスプレイ
１４１１ 入力機能
１４１３ データ復元機能
１４１５ 距離算出機能
３１３１ 変換機能
２０４１ 活性化されたデータ

Claims (6)

1. 信号のデータと前記信号の標本の位置に関するデータとに基づいて、前記信号の劣化を復元した復元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、前記信号のデータと前記位置に関する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、前記復元データを生成するデータ復元部と、
   を具備し、
   前記学習済みモデルは、前記信号のデータの全体に対して同じ重み係数を用いて復元データを生成する、
   信号処理装置。
2. 前記信号のデータは、画像に関するデータであって、
   前記標本の位置は、前記画像における画素の座標である、
   請求項１に記載の信号処理装置。
3. 前記信号は、時系列に沿った時系列信号であって、
   前記標本の位置は、前記標本の時刻である、
   請求項１に記載の信号処理装置。
4. 前記信号の劣化は、ノイズである、
   請求項１乃至３のうちいずれか一項に記載の信号処理装置。
5. 物体において反射されたパルスを含む反射光を受信し、前記受信された反射光を受信信号に変換する受信部と、
   前記受信信号のデータと前記受信信号の標本の位置に関するデータとに基づいて、前記受信信号のノイズを低減したノイズ除去データを生成する学習済みモデルを記憶する記憶部と、
   前記受信信号のデータと前記受信信号の標本の位置に関するデータとを、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、前記ノイズ除去データを生成するノイズ除去部と、
   前記ノイズ除去データにおいて前記パルスを検出し、前記検出されたパルスに基づいて前記物体の距離を算出する距離算出部と、
   を具備し、
   前記学習済みモデルは、前記受信信号のデータの全体に対して同じ重み係数を用いて前記ノイズ除去データを生成する、
   距離計測装置。
6. 物体において反射されたパルスを含む反射光を受信し、前記受信された反射光を受信信号に変換し、
   前記受信信号のデータと前記受信信号の標本の位置に関するデータとに基づいて前記受信信号のノイズを低減したノイズ除去データを生成する学習済みモデルに、前記受信信号のデータと、前記受信信号の標本の位置に関するデータとを入力し、
   前記学習済みモデルを用いて、前記ノイズ除去データを生成し、
   前記ノイズ除去データにおいて前記パルスを検出し、
   前記検出されたパルスに基づいて前記物体の距離を算出することを備え、
   前記学習済みモデルは、前記受信信号のデータの全体に亘って同じ重み係数を用いて前記ノイズ除去データを生成する、
   距離計測方法。

Images