JP2634127B2 - コンピュータ・ディスプレイ・システム及び方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、一般的にはイメージ
の表示に関し、特に、ラスタ形式で表示されたアンチ・
エイリアシング（ａｎｔｉ−ａｌｉａｓｉｎｇ）イメー
ジのための方法に関する。より特に、この発明は、コン
ピュータ・イメージについてアンチ・エイリアシング機
能を行うために、ニューラル・ネットワークを利用する
ための方法および装置に関する。

【０００２】

【従来の技術】可視的表示の明瞭さは、コンピュータシ
ステム開発者にとって直面する共通の課題である。テキ
スト文字の集合を含むグラフィックスは、典型的にはラ
スタ・イメージを利用して表示される。ラスタ・イメー
ジは、ピクセルあるいはペルとして知られる画素の矩形
の配列である。一般的にかかる画素は、行および列の連
続でコンピュータ・ディスプレイ・スクリーン上に配列
される。

【０００３】イメージの明瞭さの問題は、連続するイメ
ージが不連続の画素を用いて表示される時に生じる。図
形イメージの垂直でなく、且つ水平でない部分で問題が
最も目立つ。一例として、垂直でもなく水平でもない線
の場合は、その線が行および列の矩形の配列で配置され
た複数画素で構成されることによって、ギザギザにある
いは階段状に見える。この特有の問題が「エイリアシン
グ」と称される。

【０００４】このエイリアシングを解決する一つの知ら
れている方法は、平方インチ当りで極めて多数の画素を
有するディスプレイを用いることである。より高い解像
度のディスプレイによって、生じる階段状のものが小さ
くなり、従って、より目立たなくできる。しかしなが
ら、この解決法は、高解像度ディスプレイのコストが高
いことからして、高価である。さらに、ディスプレイと
関連して用いられる電子的構成要素の速度性能の制約の
点から、この任意選択が常に可能とは限らない。

【０００５】アンチ・エイリアシングの他の既知の解決
法は、ギザギザのエッジの近傍のイメージ領域内の画素
を修正し、あるいはボケさせることを伴う。かかるギザ
ギザのエッジをボケさせることは、コントラストを減少
させ、エイリアシングの問題をより目立たなくさせる。
このエッジをボケさせる手法において、イメージ内でそ
のギザギザの近傍画素の新たな明るさおよび色を計算す
る時に、図形イメージの明るさおよび色の両者とそのイ
メージの後の背景が考慮される。この手法の一つの問題
は、ディスプレイが明るさおよび／または色の中間レベ
ルを生成できることを必須とすることである。

【０００６】既知のシステムでは、ギザギザのエッジを
ボケさせることによる図形イメージのアンチ・エイリア
シングが、一般的にコンピュータ・アルゴリズムによっ
てなし遂げられていた。コンピュータがイメージの選択
した部分を解析し、アンチ・エイリアシングが必要かど
うかを決定していた。画素ロケーションがアンチ・エイ
リアシングの恩恵を被ると識別されると、コンピュータ
がアルゴリズムを利用し、選択画素の新たなパラメータ
を計算する。そして、明るさおよび色のような周囲画素
の視覚的特性は、選択画素の視覚的特性によって平均化
される。このアルゴリズムは、多くの場合に良好に働く
が、改善の余地が多くある。例えば、その処理は、より
厳密さが少ない基準に基づくより柔軟性に富んだ色の平
均化演算のようなよりアナログ的アプローチによって恩
恵を被る。また、この処理は、二つのコンピュータ・ア
ルゴリズムを必要とする。その一つは、アンチ・エイリ
アシングされるべき画素を見つけることであり、第２の
コンピュータ・アルゴリズムは、新たな画素の色および
明るさを計算することである。

【０００７】ニューラル・ネットワークが画像処理シス
テムにおいて以前から利用されている。しかしながら、
そのようなネットワークは、通常、人の顔のような特定
のイメージを認識するために使用される。ニューラル・
ネットワークの認識アプリケーションは、一般的に、こ
こで開示されているのと同様の方法で画素フィルタリン
グを使用している。しかしながら、かかるアプリケーシ
ョンは、アンチ・エイリアシング・システムにおいて必
要とされるような表示目的のためにイメージの品質の改
良を意図していない。

【０００８】イメージを認識するためにニューラル・ネ
ットワークを使用する一例は、論文「人工的ニューラル
・ネットワークおよびそれらの画像処理への応用」（ A
rtificial Neural Nets and Their Application to Ima
ge Processing",by Nightingale,British Telecom Tech
nology Journal,Volume 8,July 1990)に述べられてい
る。この論文は、顔の像から人間の眼の認識に焦点を合
わせている。

【０００９】イメージを認識し、イメージを分類するの
にニューラル・ネットワークを利用する他の例は、論文
「ニューラル・ネットワークによる画素の分類」（ Pix
elsClassification With Neural Computer",by Chung L
in Huang ,SPIE Volume 1197,Automated Inspection an
d High-Speed Vision Architecture III (1989)) に述
べられている。この論文は、視覚的ノイズにより不明瞭
とされた画像の認識について論じている。

【００１０】従って、改良されたアンチ・エイリアシン
グ・システムの必要性があることは、明らかであろう。
このシステムは、ニューラル・ネットワークを用いるコ
ンピュータグラフィックス・ディスプレイにおいて、ギ
ザギザのエッジの発生を減少し、その図形オブジェクト
の後ろに背景を有する図形オブジェクトのかかるギザギ
ザのエッジをボケさせる。

【００１１】

【発明が解決しようとする課題】従って、この発明の一
つの目的は、コンピュータグラフィックス・ディスプレ
イで使用するための改良されたアンチ・エイリアシング
・システムを提供することにある。

【００１２】この発明の他の目的は、適切なフォーマッ
トで表示されるイメージに基づくアンチ・エイリアシン
グ・コンピュータのための方法およびシステムを提供す
ることにある。

【００１３】この発明のさらに他の目的は、コンピュー
タ・イメージに関するアンチ・エイリアシング機能を行
うために、ニューラル・ネットワークを利用するための
方法および装置を提供することにある。

【００１４】

【課題を解決するための手段】ニューラル・ネットワー
クは、選択画素の明るさおよび／または色と、周囲画素
の明るさおよび／または色との関係を学習するために、
提供され、また、使用される。若し、アンチ・エイリア
シングがその図形イメージの明瞭さを全体として向上す
るものとニューラル・ネットワークが決定するならば、
ニューラル・ネットワークは、アンチ・エイリアシング
を遂行するために、選択画素の明るさおよび／または色
を修正するのに使用されるスケール・ファクタを計算す
る。この発明の記述の実施例では、コンピュータシステ
ムで表示された図形に関する図形イメージのギザギザの
エッジを期待されるように、ボケさせるために、（３×
３＝９画素）の一つの画素が修正される。

【００１５】

【実施例】以下、まず、図１を参照して説明する。図１
には、この発明による方法およびシステムによりアンチ
・エイリアシング・コンピュータ・ディスプレイ・シス
テム５を実現するのに使用できるコンピュータシステム
１０のブロック図が示されている。当業者には理解され
るように、コンピュータシステム１０は、ＩＢＭ社のＰ
Ｓ／２あるいは他の適切なコンピュータのような周知の
パーソナルコンピュータを用いて実現されうる。好まし
くは、コンピュータシステム１０は、プロセッサ１６、
キーボード１８およびディスプレイ１９を当業者にとっ
て周知のように有している。

【００１６】なおも、図１を参照すると、コンピュータ
システム１０のプロセッサ１６内には、記憶装置手段１
２と接続された主あるいは中央処理装置（ＣＰＵ）１１
が描かれている。記憶装置手段１２は、ランダム・アク
セス・メモリ（ＲＡＭ）のような主記憶装置および／ま
たは磁気的あるいは光学的記憶装置のような２次記憶装
置である。主プロセッサ１１は、好ましくは補助プロセ
ッサ１３にも接続される。補助プロセッサ１３は、周知
の数値計算補助プロセッサと同様にして一般的数値演算
機能を提供し、あるいはニューラル・ネットワーク・ハ
ードウエア支援機能プロセッサ（ニューラル・ネットワ
ーク・プロセッサ）に特殊化される。当業者は、若し、
主プロセッサ１６が性能の著しい低下なしに、大きな計
算作業負荷を扱うのに充分な処理能力を有するのであれ
ば、この発明の方法およびシステムの実現にとって、補
助プロセッサ１３が必要とされないことが分かるであろ
う。また、主プロセッサ１１は、好ましくは、ディスプ
レイ・インターフェース１４にも接続され、当業者にと
って周知の方法で、ディスプレイ１９を制御するのに用
いられる。

【００１７】ディスプレイ・インターフェース１４によ
って、望ましくは、可視イメージが作成され、ディスプ
レイ１９へ伝送される。好ましくは、ディスプレイ１９
がディスプレイ・インターフェース１４から電気信号を
受信し、そして、コンピュータ生成可視イメージをスク
リーン２０に表示するのに用いられる。ディスプレイ１
９は、カラー・ディスプレイあるいはモノクロ・ディス
プレイの何れでも良いが、何れの場合でも、この発明の
方法およびシステムを実現するためには、ディスプレイ
１９が明るさおよび／または色の幾つかの中間レベルを
表示できなければならない。

【００１８】以上の図１に示されるように、コンピュー
タシステム１０は、この発明を実現するのに利用しうる
コンピュータシステムの一つの可能な実現例を示す。コ
ンピュータシステム１０がＩＢＭ社のＰＳ／２コンピュ
ータを利用したものであるならば、補助プロセッサ１３
は、望ましくは、パーソナルコンピュータの分野で一般
的に見られるような方法で、インテル社の８０３８７数
値計算補助プロセッサを利用して、実現される。そし
て、かかるアプリケーションでは、主プロセッサ１１お
よび補助プロセッサ１３が周知のＩＢＭ ＰＣ支援技術
を介して通信する。

【００１９】図２を参照すると、ニューラル・ネットワ
ークを実現する大規模並列ハードウエアが直列ノイマン
プロセッサ・システム上でシミュレートされる方法が描
かれている。ニューラル・ネットワークに関する当業者
は、異なる接続トポロジーおよび処理装置属性を有する
多くの異なるニューラル・ネットワーク・モデルが存在
することを認識するであろう。しかしながら、一般的に
そのようなモデルは、それぞれが関連した適応あるいは
可変の重み２２を有する多数の単純な処理装置２１から
構成されるコンピュータシステムとして分類される。プ
ロセッサおよび重みの他に、ニューラル・ネットワーク
・モデルは、各訓練反復の後に、適応重みを更新するこ
とによって動作する学習機構２３を持たねばならない。
ニューラル・ネットワークの分野の当業者が分かってい
るように、ニューラル・ネットワークの訓練は、人間の
脳が学習する方法をシミュレートすると考えられている
方法でなされる。すなわち、特定の入力が期待出力を作
成する時に、その入力と関連した重みが増大される。

【００２０】かかるニューラル・ネットワーク・モデル
は、種々のプログラムおよびデータを用いることによっ
て、ディジタル・コンピュータでシミュレートされう
る。従って、図２に示されるように、データ２７内に適
応重み２２が含まれる間に、ニューラル・ネットワーク
処理装置２１によってなされる処理機能をシミュレート
するのにプログラム２６が利用される。同様に、プログ
ラム２８が図２に示される学習あるいは接続重み適応機
構２３の実現に利用される。

【００２１】さて、図３を参照すると、この発明の方法
およびシステムを実現するのに用いられるコンピュータ
環境の概念的枠組みが示されている。図示のように、概
念的配置の最高レベルにアプリケーション・プログラム
・インターフェース３１（ＡＰＩ）が存在する。アプリ
ケーション・プログラム・インターフェース３１は、通
常、公式に規定されたインターフェースであって、それ
によってニューラル・ネットワークの専門知識を有しな
いアプリケーション開発者が彼ら自身のアプリケーショ
ン・プログラムの範囲内で、ユーティリティ・プログラ
ムおよびニューラル・ネットワーク・シェル３２のデー
タ構造をアクセスし、利用することができる。ニューラ
ル・ネットワーク・シェル３２は、望ましくは、ユーテ
ィリティ・プログラム３３およびニューラル・ネットワ
ーク・データ構造５０の組からなる。ニューラル・ネッ
トワーク・シェル３２は、ユーザが既存のコンピュータ
システム上でアプリケーション内で、ニューラル・ネッ
トワークを簡単且つ効率的に定義し、作成し、訓練し、
実行することを可能とする。

【００２２】参照数字３５、３６、３７および３８にお
いて図３に示されるモデル例のような周知のニューラル
・ネットワーク・モデルは、ニューラル・ネットワーク
・シェル３２内で全てのユーティリティ・プログラムに
よってアクセスされうる一般ニューラル・ネットワーク
・データ構造５０を定義することによって、ニューラル
・ネットワーク・シェルにより支援される。そして、各
ニューラル・ネットワーク・モデルは、図５により詳細
に記述されているこの一般ニューラル・ネットワーク・
データ構造上へマッピングされる。そして、各ニューラ
ル・ネットワーク・モデルに特定のプログラムは、ここ
により詳細に述べられるニューラル・ネットワーク・プ
ログラム３３により呼び出される。

【００２３】図４を参照するに、ニューラル・ネットワ
ーク・シェル３２内で１または複数のニューラル・ネッ
トワーク・ユーティリティ・プログラム４５、４６、４
７および４８とインターフェースすることによって、ア
ンチ・エイリアシング・アプリケーション・プログラム
４１が合成されたニューラル・ネットワーク・アプリケ
ーション・プログラム４０で利用される方法が示されて
いる。ユーティリティ・プログラム４５、４６、４７お
よび４８は、データ構造５０と順にインターフェースす
る。ニューラル・ネットワーク・アプリケーション・プ
ログラム４０によって処理されるデータは、ニューラル
・ネットワークの入力４２に入る。データがニューラル
・ネットワークを通り抜けた後に、接続４４を介してア
プリケーション・プログラム４１に対してその結果が戻
される。アプリケーション・プログラム４１およびユー
ティリティ・プログラム４６、４７、および４８が望ま
しくは、主プロセッサ１１および／または補助プロセッ
サ１３（図１参照）のような適切にプログラムされた主
プロセッサ内に存在する。望ましくは、データ構造５０
が記憶装置１２および／または主プロセッサ１１および
／または補助プロセッサ１３と関連した内部記憶装置内
のようなメモリ内に存在する。

【００２４】さて、図５を参照すると、図５には、この
発明のための方法およびシステムと関連して使用される
ニューラル・ネットワーク・データ構造５０が示されて
いる。データ構造５０は、好ましくは、共通枠組みを提
供し、これによって如何なるニューラル・ネットワーク
・モデルもアプリケーション・プログラムにおける使用
のために定義可能である。この共通枠組みは、モデル特
定パラメータのために使用されるニューラル・ネットワ
ーク・データ構造５０内で数フィールドを提供すること
で達成される。ＩＢＭ出版物「ＡＳ／４００ ニューラ
ル・ネットワーク・ユーティリティ」（ユーザズガイド
およびリファレンス ＰＲＰＱ P84189）の１０３〜１
０５頁は、どのように、データ構造５０のモデル特定フ
ィールドがバック・プロパゲーション（「Ｂａｃｋ Ｐ
ｒｏｐａｇａｔｉｏｎ」）、ＡＲＴ、自己編成機能マッ
プＴＳＰ、およびＢＡＭニューラル・ネットワーク・モ
デルによって利用されるかを記述している。

【００２５】なおも、図５を参照すると、好ましくは、
データ構造５０がヘッダ部分６０および本体部分９０か
らなる。データ構造５０のヘッダ部分６０が望ましく
は、フィールド６１〜７８を有している。フィールド６
１および６２は、何らかの追加的な構造が存在するとき
に、他のニューラル・ネットワーク・データ構造に対す
るポインタである。若し、ニューラル・ネットワークが
データの直列処理のために、連携リストで編成されてい
るならば、第１のポインタが以前のネットワークに対し
て連係する。この連係は、複数のニューラル・ネットワ
ークを連係した結果生じる、より大きなネットワーク内
の以前のサブ・ネットからの出力を取得するのに使用さ
れる。そして、第２のポインタは、その連係内の次のネ
ットワークにおけるポインタとして使用される。サブ・
ネットワークの収集によって、これらの連係の一方ある
いは両者は、数個のサブ・ネットワークからなる複合
（ハイブリッド）ネットワーク内で利用されうる。アプ
リケーション・プログラムに対して高められた柔軟性お
よび機能を提供するために、このようにニューラル・ネ
ットワーク・データ構造が一緒に連鎖されても良いこと
は、当業者にとって、理解されよう。追加的なニューラ
ル・ネットワークと連係する性能の提供によって、「ス
ーパー」ネットワークがより小さなネットワークのモジ
ュールから構築することが可能である。

【００２６】ヘッダ部分６０のフィールド６３は、本体
部分９０の次のフリースペースまでのバイト内オフセッ
トを特定するのに使用される。同様に、フィールド６４
は、ニューラル・ネットワーク・データ構造の終端まで
のバイト内オフセットを特定するのに使用される。本体
部分９０は、可変長データ領域であるので、本体部分９
０内のデータ構造および次の利用可能なフリースペース
の大きさを追跡するために、フィールド６３および６４
が必要とされる。ヘッダ部分６０内のフィールド６５
は、ニューラル・ネットワークの名前を特定するのに使
用される。アンチ・エイリアシング・ニューラル・ネッ
トワークの名前は、このフィールド内へ入力される。こ
こでは、説明の都合上、ＡＬＩＡＳ．ＮＥＴと名付けら
れたニューラル・ネットワークが使用されるアンチ・エ
イリアシング・ニューラル・ネットワークを記述するの
に使用され、そして、この名前は、使用されるニューラ
ル・ネットワークを作成するユーティリティ・プログラ
ムによって、フィールド６５内へ置かれる。

【００２７】ヘッダ部分６０内のフィールド６６は、望
ましくは、ニューラル・ネットワークが位置するライブ
ラリの名前を含む。当業者にとって明らかなように、ラ
イブラリは、パーソナルコンピュータ環境内のサブディ
レクトリと類似している。若し、この発明の方法および
システムがライブラリを使用しないコンピュータ環境内
で実現されるならば、フィールド６６は、必ずしも必要
ではない。好ましくは、フィールド６６がネットワーク
・バージョン識別子を有する。この情報は、ニューラル
・ネットワーク・シェル・プログラムおよびニューラル
・ネットワーク・データ構造間の不一致を防止するのに
使用される。ソフトウェアの新バージョンあるいはリリ
ースがなされる時に、既存のネットワークとの互換性が
非常に望まれる。若し、ソフトウェアの新バージョンあ
るいはリリースへの拡張が基本的なネットワーク・デー
タ構造に対しての変更を要求するならば、このフィール
ドによって、ソフトウェアとデータとの不一致の検出が
可能である。その後は、変換ルーチンがデータ構造フォ
ーマットを更新するために、あるいは下位のデータ構造
を受容するために使用されうる。

【００２８】引き続いて図５を参照すると、ヘッダ部分
６０内のフィールド７９がニューラル・ネットワーク型
式あるいはその種類の名前を特定するのに使用される。
ここで述べられているアンチ・エイリアシング・ニュー
ラル・ネットワークの好適な実施例において使用される
ニューラル・ネットワーク・モデル名は、「ＢＫＰ」、
すなわち、バック・プロパゲーション・ニューラル・ネ
ットワーク・モデルである。次に、フィールド６８は、
ネットワークの現在の状態を特定するのに使用される。
ニューラル・ネットワークの分野の当業者は、若し、そ
のネットワークが作成されているならば、可能な状態が
「ＩＮＩＴＩＡＬＩＺＥ」を含み、若し、そのネットワ
ークが訓練中であれば、可能な状態が「ＴＲＡＩＮＩＮ
Ｇ」を含み、若し、そのネットワークが訓練が完了し、
ニューラル・ネットワークが実行可能ならば、可能な状
態が「ＬＯＣＫＥＤ」を含むことは、認識するであろ
う。所望されるならば、フィールド６９は、モデル特定
の英数字フィールドを記憶するのに使用される。フィー
ルド７０は、経過したネットワーク訓練時間のトラック
を保持する。

【００２９】フィールド７１〜７４は、特定のニューラ
ル・ネットワーク・モデルによって異なって規定される
パラメータの異なる種類を有する。例えばフィールド７
１は、４個までのネットワーク・ブール・パラメータを
含む。一例として、バック・プロパゲーション・ニュー
ラル・ネットワーク・モデルは、ＥＰＯＣＨ更新および
ランダム入力がイネーブルあるいはディスエーブルの何
れであるかを決定するために、これらのパラメータの二
つを使用する。これらのネットワーク・ブール・パラメ
ータは、ネットワーク・フラグとしても知られている。
当然のことながら、所望であれば、この発明の実施例に
示されているものよりも、少数のあるいは多数のパラメ
ータに適応するように、フィールド７１がより大きくあ
るいは小さくても良い。フィールド７２は、好ましく
は、ネットワーク・サイズ・パラメータを特定し、ま
た、５個までのモデル特定ネットワーク・サイズ・エナ
ジャイザ・パラメータを含む。フィールド７３は、５個
までのモデル特定ネットワーク索引エナジャイザ・パラ
メータを含み、また、フィールド７４は、「学習レー
ト」、「モーメンタム」、「ＥＰＯＣＨエラー」等のよ
うな６個までのモデル特定ネットワーク訓練実パラメー
タを含む。

【００３０】ヘッダ部分６０内のフィールド７５は、好
ましくは、ニューラル・ネットワークの訓練ＥＰＯＣＨ
の数のトラックを保持するのに使用される。なお、ＥＰ
ＯＣＨは、訓練データの集合の終わりまでの完全な反復
である。望ましくは、フィールド７６は、本体部分９０
内の各モデル特定アレイの開始までのバイト内のオフセ
ットのアレイを特定する。フィールド７７は、本体部分
９０内の各モデル特定アレイの開始までの解決済みポイ
ンタのアレイを含む。最後に、フィールド７８は、各ア
レイ内に保持されるデータの種類を記述するパラメータ
のアレイを含む。例えばあるニューラル・モデルは、２
進入力のみを受け入れる。この発明の実施例では、若
し、フィールド７８内のパラメータが“１”を含むなら
ば、その対応するアレイがビットマップされたデータを
含む。若し、フィールド７８内のパラメータが“２”を
含むならば、その対応するアレイが単精度浮動小数点デ
ータを含む。若し、フィールド７８内のパラメータが
“３”を含むならば、その対応するアレイが固定小数点
ゾーン１０進データを含む。当業者にとって知られてい
るように、記憶装置のより効率的に使用するために、こ
れらのパラメータが用いられる。

【００３１】なおも、図５を参照しながら、データ構造
５０の本体部分９０について説明しよう。この本体部分
９０は、好ましくは、多数のモデル特定アレイを含む可
変長データ領域である。上述の参照文献「ＡＳ／４００
ニューラル・ネットワーク・ユーティリティ」（ユー
ザズガイドおよびリファレンス ＰＲＰＱ P84189）に
は、典型的なニューラル・ネットワーク・モデルのそれ
ぞれに関するヘッダ部分６０および本体部分９０にマッ
ピングされたアレイが示されている。一例として、バッ
ク・プロパゲーション・モデルは、本体部分９０に対し
て、１１個のアレイをマッピングしている。これらは、
例えば活動化、重み、しきい値、重みデルタ、および上
述のユーザズガイドの１０３頁の表題「アレイマッピン
グ」に示されている数個の他のものである。

【００３２】データ構造５０は、好ましくは、以下に詳
細に述べられているニューラル・ネットワーク作成（Ｃ
ｒｅａｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ユーティリ
ティ・プログラムを用いることによって作成される。教
示および実行（Ｔｅａｃｈａｎｄ Ｒｕｎ）ユーティリ
ティ・プログラムがデータ構造５０内に含まれるヘッダ
情報をアクセスし、データ領域アレイに対するポインタ
を初期化する。それからデータ領域アレイ内のデータ
は、ニューラル・ネットワーク訓練および計算処理のシ
ミュレーションにおいて順番に使用される。

【００３３】図６から図１７は、この発明の方法および
システムを実現するのに使用されるニューラル・ネット
ワーク・ユーティリティをハイレベル・フローチャート
の形式で示す。上述のように、このニューラル・ネット
ワークは、適切にプログラミングされた主プロセッサ１
１および／または補助プロセッサ１３を用いて実現され
る。図６は、ニューラル・ネットワーク・アプリケーシ
ョン・プログラムの開発処理における主たるステップの
概観を例示する。図６に示される処理は、ブロック１０
０で始まり、その後で新ニューラル・ネットワーク・モ
デルが定義されるかどうかの決定を図示する、ブロック
１１０に移る。若しそうならば、ブロック２００がニュ
ーラル・ネットワーク・モデル定義（Ｄｅｆｉｎｅ Ｎ
ｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ）サブルーチ
ンの呼び出しを図示する。若し、新ニューラル・ネット
ワークが規定されていなければ、処理がブロック１２０
へ移る。ブロック１２０は、ユーザがニューラル・ネッ
トワーク・データ構造の作成を望むかどうかの決定を図
示する。各ニューラル・ネットワークがニューラル・ネ
ットワーク・データ構造を要求することは、当業者にと
って分かるであろう。ブロック１２０内に示される決定
がニューラル・ネットワーク・データ構造の作成である
場合には、処理がブロック３００に移行する。ブロック
３００は、ニューラル・ネットワーク・データ構造作成
（Ｃｒｅａｔｅ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｄａ
ｔａ Ｓｔｒｕｃｔｕｒｅ）サブルーチン（図１１、１
２）の呼び出しを図示する。

【００３４】図示される決定がニューラル・ネットワー
ク・モデルあるいはニューラル・ネットワーク・データ
構造の何れも作成しないものである場合には、処理がブ
ロック１３０に移る。ブロック１３０は、ユーザがニュ
ーラル・ネットワークの訓練を希望するかどうかの決定
を図示する。当業者にとって、ニューラル・ネットワー
クが訓練データによって訓練されるべきであり、その結
果、それが入力データと期待出力結果との間の関係を学
習し、または、入力データから関係する機能を抽出する
ために学習することは、理解されよう。若し、ニューラ
ル・ネットワークが訓練されるのであれば、処理は、ニ
ューラル・ネットワーク教示（Ｔｅａｃｈ Ｎｅｕｒａ
ｌ Ｎｅｔｗｏｒｋ）サブルーチン（図１３、１４、１
５）を呼び出す、ブロック４００へ移る。ニューラル・
ネットワークが訓練されるものでないときには、処理
は、ユーザがニューラル・ネットワークを実行したいか
どうかの決定を示す、ブロック１５０に移行する。そう
であれば、処理がブロック５００へ移り、ニューラル・
ネットワーク実行（Ｒｕｎ Ｎｅｕｒａｌ Ｎｅｔｗｏ
ｒｋ）サブルーチン（図１６、１７参照）が呼び出され
る。そうでないときには、処理は、ブロック１９０で示
すように完了する。

【００３５】さて、図７および８を参照して、図６中に
参照されているニューラル・ネットワーク定義サブルー
チン２００について説明する。ここでの説明のために、
アンチ・エイリアシング・ニューラル・ネットワーク
は、バック・プロパゲーション・ニューラル・ネットワ
ーク・モデルを用いて定義されている。そして、処理
は、所望するならば、ネットワーク文字列フィールド６
９に対するニューラル・ネットワーク・モデル特定意味
の割当てを図示する、ブロック２０１へ移行する。この
フィールドが不要なネットワークにおいては、ヌル（ｎ
ｕｌｌ）文字列が割り当てられる。次に、処理がブロッ
ク２０２へ移行する。ブロック２０２は、ブール・パラ
メータ・フィールド７１（図５参照）に対してニューラ
ル・ネットワーク特定意味の割当てを図示する。この発
明の記述の実施例に関して、二つのブール・パラメータ
・フィールドが割り当てられる。すなわち、ＥＰＯＣＨ
更新Ｎと、ランダム入力Ｙとである。次に、ブロック２
０３は、図５に示すニューラル・ネットワーク・データ
構造のフィールド７２内に示されるネットワーク・サイ
ズ・パラメータに対するニューラル・ネットワーク・モ
デル特定意味の割当てを示す。

【００３６】この発明の記述の実施例では、ネットワー
ク・サイズ・パラメータ・フィールド７２に対して５個
のパラメータが割り当てられる。すなわち、入力数、隠
れ層１内の単位数、隠れ層２内の単位数、出力数、およ
び処理単位数である。当業者は、特定のニューラル・ネ
ットワークを実現するために、他の数の隠れ層を使用し
ても良いことは、当然分かるであろう。次に、ブロック
２０４は、ネットワーク索引パラメータ・フィールド７
３に対するニューラル・ネットワーク・モデル特定の意
味の割当てを示す。この発明の記述の実施例では、次の
パラメータが割り当てられる。すなわち、最初の隠れ単
位１、最後の隠れ単位１、最初の隠れ単位２、最後の隠
れ単位２、および最初の出力である。次に、ブロック２
０５は、フィールド７４内のネットワーク訓練パラメー
タに対するニューラル・ネットワーク・モデル特定の意
味の割当てを図示する。この発明の記述の実施例では、
次のパラメータが割り当てられる。すなわち、学習レー
ト、モーメンタム、パターンエラー、ＥＰＯＣＨエラ
ー、およびトレランスである。次に、ブロック２０６
は、フィールド７６内にリストされたネットワーク・ア
レイ・オフセットに対するニューラル・ネットワーク・
モデル特定の意味の割当てを示す。バック・プロパゲー
ション・ニューラル・ネットワーク・モデルでは、定義
されるデータ・アレイが１１個存在するので、このフィ
ールドは、データ構造５０（図５参照）の本体部分９０
内に位置付けられている１１個のアレイのそれぞれの最
初の要素までのバイト・オフセットを含む。

【００３７】引き続いて、図７を参照すると、ブロック
２１０は、図８のニューラル・ネットワーク・モデル作
成プログラム構築（Ｂｕｉｌｄ Ｎｅｕｒａｌ Ｎｅｔ
ｗｏｒｋ Ｍｏｄｅｌ Ｃｒｅａｔｅ Ｐｒｏｇｒａ
ｍ）サブルーチンの呼び出しを図示する。さて、図８を
参照すると、ここに示されるサブルーチンは、モデル特
定ルーチンが構築され、その結果、それらがそのニュー
ラル・ネットワーク作成データ構造サブルーチン（図１
１、１２）によって後で実行されることを要求する。図
８中のブロック２１１は、ニューラル・ネットワークに
特有のパラメータ情報をユーザが追加することを要求す
る簡単なサブルーチンの提供と、その情報がエラーであ
り、矛盾したパラメータ値であることの検査とを示す。
一例として、ブロック２１１は、入力単位数、第１の層
内の隠れ単位数、第２の層内の隠れ単位数、および出力
単位数のようなパラメータについての情報をユーザが追
加することを要求するのに使用される、ディスプレイ１
９（図１参照）内のスクリーンを作成するルーチンを提
供する。

【００３８】なおも、図８を参照すると、ブロック２１
２は、作成されるニューラル・ネットワーク・モデルの
ための省略時ニューラル・ネットワーク・データ構造を
作成するために、省略時パラメータ値によって一般ニュ
ーラル・ネットワーク・データ構造を初期化するのに使
用される、ルーチンの提供を図示する。全てのニューラ
ル・ネットワーク・モデルは、同一の一般ニューラル・
ネットワーク・データ構造を有する。各個別ニューラル
・ネットワーク・モデルは、それ自身に固有の省略時デ
ータ構造を有することがある。従って、同一のニューラ
ル・ネットワーク・モデル（バック・プロパゲーション
のようなもの）を利用する全てのニューラル・ネットワ
ーク・アプリケーション・プログラムは、同一の省略時
ニューラル・ネットワーク・データ構造内へ固有のパラ
メータ値を必ず入力する。

【００３９】最後に、ブロック２１３は、固有の名前を
割り当て、そのプログラムを記憶装置１２（図１参照）
へ書込むことによって、このサブルーチン内に構築され
たニューラル・ネットワーク・モデル作成プログラムを
保管することを示す。この発明の記述の実施例では、こ
のプログラムは、データ構造のアクセス能力が保持され
る限りで、任意の言語で書かれる。この後に、ブロック
２１９は、図７のブロック２３０へ戻ることを示す。

【００４０】図７内のブロック２３０は、図９のニュー
ラル・ネットワーク・モデル教示プログラム構築サブル
ーチンの関与を示す。従って、図９を参照すると、ブロ
ック２３０によって図示されるサブルーチンは、それら
が後でニューラル・ネットワーク教示サブルーチン（図
１３、１４、１５）によって実行されるために、モデル
特定サブルーチンが書かれることを要求するように見え
る。ブロック２３１は、図５内のデータ構造５０のフィ
ールド７７内のネットワーク・アレイ・ポインタを初期
化するために使用される簡単なルーチンの提供を図示す
る。次に、ブロック２３２は、ネットワーク・サイズ、
索引および訓練パラメータを図５のフィールド７２〜７
４、ローカル変数内へコピーするためのルーチンを提供
する。これは、性能およびプログラミング信頼性を改善
するために、遂行される。そして、ブロック２３３は、
ニューラル・ネットワークを初期化するルーチンの提供
を図示する。この初期化は、ニューラル・ネットワーク
・プログラミングによって使用されるカウンタおよび変
数を初期化するために利用される。若し、ネットワーク
状態フィールド６８が「初期化される」であれば、ブロ
ック２３３は、データ・アレイ値（適応接続重み）の初
期化をも示し、その後でネットワーク状態フィールド６
８内の状態を「初期化される」から「訓練」へと変更す
る。

【００４１】なおも、図９を参照すると、ブロック２３
４は、ニューラル・ネットワーク・モデルのために単一
教示ステップを行うルーチンの提供を図示する。このル
ーチンは、好ましくは、そのニューラル・ネットワーク
に高度に依存するメカニズムを提供する。このメカニズ
ムは、本体部分９０のデータ・アレイ中のデータの値を
調整するのに使用され、その結果、ネットワークが期待
される機能を学習する。ニューラル・ネットワークの当
業者には、その重み調整手順のニューラル・ネットワー
ク記述が選択されたコンピュータ言語を使用するコンピ
ュータ・プログラムへ簡単に変換され、その後にここに
述べられる方法でデータ構造をアクセスするのに使用さ
れることが分かるであろう。

【００４２】図９内のブロック２３５は、訓練ＥＰＯＣ
Ｈ処理が完了した時になされるルーチンの提供を示す。
このルーチンは、変数のリセットのような単純な終結手
順から、選択されたニューラル・ネットワーク・モデル
に依存する、データ・アレイ値のより複雑な調整まで、
複雑に変化する。当業者は、ＥＰＯＣＨ処理が他のニュ
ーラル・ネットワーク・モデル記述において完了する方
法の記述が特に選択されたコンピュータ言語を使用する
コンピュータ・プログラムへ簡単に変換され、この発明
の方法およびシステムを実現するために使用されること
が分かるであろう。

【００４３】最後に、ブロック２３６は、固有の名前を
割り当て、そのプログラムを記憶装置へ書込むことによ
って、図９のサブルーチンを使用して構成されたニュー
ラル・ネットワーク教示プログラムを保管することを示
す。そして、ブロック２３９は、図７のブロック２５０
へのプログラムの戻りを示す。

【００４４】図７内のブロック２５０が図１０に示され
る、ニューラル・ネットワーク・モデル実行プログラム
構築（Ｂｕｉｌｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｍ
ｏｄｅｌ Ｒｕｎ Ｐｒｏｇｒａｍ）サブルーチンを呼
び出す。さて、図１０を参照すると、そこに示されるサ
ブルーチンは、モデル特定サブルーチンが書かれ、その
結果、それらが後で、図１３、１４、１５内に示される
ニューラル・ネットワーク実行サブルーチンによって実
行されることを要求するように見える。ブロック２５１
は、図５内のデータ構造５０のフィールド７７内のネッ
トワーク・アレイ・ポインタを初期化するために使用さ
れる簡単なルーチンの提供を示す。ブロック２５２は、
データ構造５０のフィールド７２〜７４で使用するため
に、ネットワーク・サイズ、索引および訓練パラメータ
をローカル変数内へコピーするためのルーチンを提供す
る。次に、ブロック２５３は、入力データをニューラル
・ネットワークへ渡すのに使用されるルーチンの提供を
示す。ブロック２５４は、出力結果をニューラル・ネッ
トワーク実行サブルーチンへ戻し、その後に、ブロック
２５５は、上述のように、固有の名前を割り当て、ま
た、そのプログラムを記憶装置へ書込むことによって、
図１０に示されるサブルーチンに従って構成されたニュ
ーラル・ネットワーク実行プログラムを保管することを
示す。そして、ブロック２５９は、図７のブロック２６
０へ戻る。

【００４５】図７中のブロック２６０は、記憶装置内に
保管されているモデル定義ファイルに対してブロック２
１３、２３６および２５５で図示のように保管されてい
る、ニューラル・ネットワーク・モデル名と、このモデ
ルに関しての作成、教示および実行プログラムの名前と
を入力することを図示する。この後で、ブロック２７０
が図６のブロック１２０へ戻る。

【００４６】開発者あるいはユーザの便宜のために、複
数ニューラル・ネットワーク・モデルが事前定義されて
いる。上述の引用参考文献に述べられている事前定義モ
デルは、共鳴音適応バック・プロパゲーション理論（Ba
ck Propagation Adaptive Resonants Theory) 、自己編
成機能マップ（Self Organizing Feature Maps) 、自己
編成ＴＳＰネットワーク（Self-Organizing TSP networ
ks) 、および双方向連想メモリ（Bidirection Associat
ive Memories) である。従って、これらのモデルは、ニ
ューラル・ネットワーク・モデル・サブルーチン定義を
使用する時に、ユーザによって定義されなくても良い。
この発明の記述の実施例は、事前定義された上述のバッ
ク・プロパゲーション・モデルを使用するアンチ・エイ
リアシングの方法およびシステムを実現する。

【００４７】再度、図６を参照すると、ブロック１２０
中に図示されるように、ユーザがニューラル・ネットワ
ーク・データ構造の作成を希望する場合では、処理は、
図１１、図１２に示されるニューラル・ネットワーク・
データ構造サブルーチン作成の寄与を図示するブロック
３００へ移る。最初に図１１を参照すると、ブロック３
０１は、ユーザに対して、適切な指示スクリーンを使用
してニューラル・ネットワークの名前およびテキスト記
述情報の追加の要求を図示する。かかる要求に応答し
て、ユーザが上述のように、ニューラル・ネットワーク
の名前として「ＡＬＩＳ４」を入力する。そして、ブロ
ック３０２は、ユーザにニューラル・ネットワーク・モ
デルの名前の追加を要求する。それからユーザが上述の
ように、バック・プロパゲーション・ニューラル・ネッ
トワーク・モデルのための「＊ＢＫＰ」省略時を選択す
る。ここで述べるように、このニューラル・ネットワー
ク定義ファイルは、このモデルを含み、そして、ブロッ
ク３３０が図１２に示されるように、このモデルのため
のモデル作成プログラム実行サブルーチンの寄与を図示
する。モデル作成プログラムは、図８に関して上述した
構築モデル作成サブルーチンを使用して準備される。望
ましくは、このモデルのための教示および実行プログラ
ムの名前と共に、このプログラムの名前が全てモデル定
義ファイル内に含まれる。

【００４８】図１２を参照すると、ブロック３３１は、
図８のブロック２１２で提供されたルーチンを実行する
ことによって、このニューラル・ネットワーク・モデル
のための省略時ニューラル・ネットワーク・データ構造
の作成を図示する。次に、ブロック３３２が適切な指示
スクリーンを使用してユーザにニューラル・ネットワー
ク特定パラメータの追加を要求する。この発明の好まし
い実施例では、ユーザが各画素に関して１つで、９個の
入力単位を特定する。また、ユーザは、それぞれが９個
の単位と一つの出力単位あるいはスケール・ファクタク
である、２個の隠れ層を規定する。当業者にとっては、
より少数あるいはより多数の隠れ層を有するニューラル
・ネットワークを使用しても良いことは、当然理解され
よう。然も、（５×５）画素アレイを表す２５個の入力
単位、あるいは奇数画素による他の適当な自乗アレイの
ようなより多数の入力単位を使用しても良いことも、当
業者は、分かるであろう。勿論、より多数の画素は、必
然的に改良された分析解決を提供する。結果のニューラ
ル・ネットワークの各層内の隠れ層数および単位数は、
結果の品質に基づいて経験的に決定される。しかしなが
ら、実験によれば、入力層と等しい単位数を有する一つ
の隠れ層は、妥当な結果を生成する充分な計算性能を提
供するために利用可能なことが分かっている。

【００４９】次に、訓練ファイルからの３個のサンプル
・ラインが図示される。ライン１内の最初の９個の値が
画素の矩形区画内の９個の画素グレイ・スケール値を表
す。そのラインの最後あるいは１０番目の値がニューラ
ル・ネットワークが作成すべき期待訓練結果を表す。す
なわち、注目画素の代わりに用いられる値である。

【００５０】ライン１は、アレイ内の全画素グレイ・ス
ケール値が等しい時に、注目画素の修正を避けることを
ニューラル・ネットワークに教えるために利用される。
同様に、ライン２は、全画素が矩形区画の中央列に沿っ
て等しいグレイ・スケール値である時に、注目画素の修
正を避けることをニューラル・ネットワークに教える。
また、ライン３が近傍画素グレイ・スケール値に基づい
て注目画素を修正することをニューラル・ネットワーク
に教える。

【００５１】 入 力 値 訓練値 ライン１ .066 .066 .066 .066 .066 .066 .066 .066 .066 .066 ライン２ 1.00 1.00 1.00 .266 .266 .266 1.00 1.00 1.00 .266 ライン３ .000 .000 .933 .933 .000 .933 .933 .933 .933 .666

【００５２】引き続いて、図１２を参照すると、ブロッ
ク３３３がユーザが供給したパラメータが受入れ可能か
どうかの決定を図示する。図８のブロック２１１内に図
示されるルーチンは、ユーザにこれらのパラメータの追
加を要求するために使用され、また、そのルーチンは、
許可される出力単位数のようなユーザ入力について制限
を設ける。若し、ユーザがこれらの範囲外の値を入力す
るならば、ブロック３３３が処理をブロック３３４に渡
す。ブロック３３４は、エラーメッセージの生成を示
し、また、ブロック３３２で説明されるように、ユーザ
がデータを再入力することが依頼される。さらに、この
発明の記述の実施例においては、若し、矛盾するパラメ
ータ情報が提供されるならば、エラーメッセージが通知
される。若し、ユーザ供給パラメータが受入れ可能であ
れば、処理は、ブロック３３１で作成された省略時デー
タ構造内へ全てのユーザ提供パラメータを充填すること
を図示する、ブロック３３５に移る。

【００５３】次に、ブロック３３６は、データ構造内に
現に存在しているデータに基づいて、図５のデータ構造
５０のネットワーク索引パラメータ・フィールド７３お
よびネットワーク・アレイ・オフセット・フィールド７
６を充填するために必要とされる計算を行うことを図示
する。ブロック３３７は、フィールド７１内のブール・
パラメータとフィールド７５内の訓練パラメータとを期
待される値の集合に初期化する。その後に、ブロック３
３８は、図５のデータ構造５０の本体部分９０内に位置
するデータ・アレイ・フィールドの割当ておよび初期化
を図示する。バック・プロパゲーション・ニューラル・
ネットワーク・モデルでは、以下のアレイが一般的に割
り当てられる。すなわち、活動化、重み、しきい値、重
みデルタ、しきい値デルタ、教示、エラー、デルタ、ネ
ットワーク入力、派生重み、派生しきい値である。そし
て、これらの値は、全てブロック３３８内に示されるよ
うに初期化される。この後に、ニューラル・データ構造
は、全情報を含み、どのようにアンチ・エイリアシング
を行うかをニューラル・ネットワークに教える。そし
て、ブロック３３９で示すように、図１２内に示される
サブルーチンが図１１のブロック３０５へ戻る。図１１
のブロック３０５は、図６のブロック１３０への戻りを
図示する。

【００５４】なお、ニューラル・データ構造が作成され
ると、教示および／または実行されるために、それが他
のコンピュータシステムへ転送される。第２のコンピュ
ータシステムは、ニューラル・ネットワーク・データ構
造を作成したコンピュータシステムとは、全く異なるア
ーキテクチャのもので、また、全く異なるオペレーティ
ング・システムを実行するもので良い。この柔軟性は、
データ構造が異なるコンピュータシステム間で汎用的に
使用されるデータを含むことによって可能である。

【００５５】再び図６を参照すると、若し、ユーザがブ
ロック１３０で図示されるように、ニューラル・ネット
ワークを訓練することを希望すると、処理が図１３、図
１４、図１５のニューラル・ネットワーク教示サブルー
チンの呼び出しを図示するブロック４００まで処理が渡
される。最初に図１３を参照すると、その中のブロック
４０１は、ユーザに対して適切な指示スクリーンを使用
してニューラル・ネットワークファイルの名前の追加の
要求を図示する。ユーザがニューラル・ネットワークの
名前を入力した後に、処理がブロック４０２へ移る。ブ
ロック４０２は、ブロック４０１でユーザによって特定
されたデータ構造が存在するか否かの決定を図示する。
存在しなければ、エラーメッセージが通知され、また、
ユーザがブロック４０１へ戻る。若し、特定されたデー
タ構造が存在するならば、ブロック４０３において、ユ
ーザに対して訓練データを含むデータの集合の追加を要
求する。これは、適切なスクリーンを使用することで遂
行され、そして、ユーザがデータ集合ファイル名を入力
する。

【００５６】一時的に図１８を参照すると、ここには、
この発明の実施例で使用された訓練データ集合サンプル
が示される。初期訓練データは、アンチ・エイリアシン
グの既知の方法を参照することによって、手動で生成さ
れる。一例として、図１８に示される初期ニューラル・
ネットワーク訓練データが以下のように作成された。

【００５７】（１）１組の訓練パターンは、その区画内
の全画素が等しい値である全てのケースを含むために、
手動で作成された。期待される結果は、注目画素が変化
しないことである。

【００５８】（２）注目画素を含む画素の行、列あるい
は斜め線が等しいグレイ・スケール値を持つケースに関
して、手動で作成された。再度、期待される結果は、注
目画素が変化しないことである。

【００５９】（３）プログラムが書き出された。このプ
ログラムは、９画素の各区画に関して任意の図形グレイ
・スケールイメージを作成し、訓練パターンを生成し
た。これらは、上述のパラグラフ１および２で指定され
るケースとは等価でない。注目画素の訓練値は、その区
画内で全てのグレイ・スケール値の平均として計算さ
れ、注目画素の初期値の画素がその区画内の他の画素の
任意の倍数で重み付けられる。

【００６０】（４）最後に、改良された訓練パターン生
成プログラムが作成された。これは、任意の角度で数個
の短い線を有する、２個の等価な線描画を生じさせる。
第１の線は、標準的線描画アルゴリズムを使用して描か
れ、各画素は、「一定」グレイ・スケール値とされる。
そして、第２の線は、適切にグレイ・スケール値を「変
更」することによって、より滑らかな線を作成する、修
正された線描画アルゴリズムを使用して描かれる。一例
として、「グレイ・スケールによるブレゼンハムのアル
ゴリズム」（ Ｂｒｅｓｅｎｈａｍ璽ｓ Ａｌｇｏｒｉ
ｔｈｍ Ｗｉｔｈ Ｇｒａｙｓｃａｌｅ”，Ｍ．Ｌ．
Ｖ．Ｐｉｔｔｅｗａｙ） 、および「ＡＣＭの通信」(
Communications of the ACM",D.J.Watkinson,Technical
Note-Graphic and Image Processing November 1980,V
olume 23,No.11)を参照されたい。第１の「一定」グレ
イ・スケール線画素は、注目画素にとって、入力画素値
として役立つ。第２の且つ線の等価な集合の「変更」グ
レイ・スケール値は、注目画素にとって、他の近傍画素
値および訓練値として役立つ。この訓練パターン生成プ
ログラムの結果は、上述のパラグラフ３で使用される任
意の重み付けを避ける、訓練パターンの完全に正確な集
合である。

【００６１】再び、図１３を参照すると、図１８に示さ
れるデータ集合が存在するので、処理は、図１４に示さ
れるモデル教示実行（Run Model Teach)サブルーチンの
呼び出しを説明する、ブロック４２０へ移る。モデル教
示プログラムは、先に論じたように、図９に示されるモ
デル教示プログラム構築サブルーチンを使用して用意さ
れる。

【００６２】さて、図１４を参照すると、モデル教示プ
ログラム・サブルーチンは、ブロック４３３で始まる。
これは、図９のブロック２３１、２３２および２３３に
図示されるように構成された初期化ルーチンを図示す
る。この後で、処理は、データ集合から直接的にデータ
を検索することを示すブロック４２３へ移る。そして、
ブロック４２４は、図９のブロック２３４に図示され
る、ニューラル・ネットワーク・モデル依存ルーチンを
実行することによって、一つの教示ステップを行う。こ
の発明の記述の実施例では、図５のデータ構造５０の本
体部分９０内のデータ・アレイ中のデータの値は、期待
のネットワーク出力と実際のネットワーク出力との間の
エラーを最小とするために調整される。

【００６３】図１５を参照すると、処理がブロック４２
９へ移る。これは、ログされるデータを持つことを希望
するか否かの決定を説明する。若し、そうであれば、ブ
ロック４３０がデータの省略時ロギングの実行を示す。
ユーザがログされるデータを所望しないか、あるいはデ
ータのロギングの後の場合では、処理がブロック４３４
へ移る。ブロック４３４は、ＥＰＯＣＨが完了したか否
かの決定を説明する。日付集合中の全ての訓練データが
処理されると、ＥＰＯＣＨが完了する。若し、ＥＰＯＣ
Ｈが完了していないならば、処理が図１４のブロック４
２１へ戻り、次の訓練データの集合が取得される。若
し、一つのＥＰＯＣＨが完了するときに、ブロック４３
５は、図９のブロック２３５内に図示されたＥＰＯＣＨ
処理サブルーチンの終わりの実行を図示する。

【００６４】この発明の記述の実施例では、ＥＰＯＣＨ
処理ルーチンの終わりは、全ての訓練データに関する出
力単位について、実際の出力と期待出力との差が指定ト
レランス（データ構造５０のフィールド７４内に指定さ
れるパラメータ）よりも小さいかどうかを決定する。そ
うであれば、データ構造５０のフィールド６８内のネッ
トワーク状態が「ロックされる」に設定される。ニュー
ラル・ネットワークの状態が「ロックされる」である時
に、データ・アレイの値は、変更が許可されない。そし
て、サブルーチンは、ブロック４３９で図示されるよう
に、図１３のブロック４０７へ戻る。それから、図１３
のブロック４０７が図６のブロック１４０へ戻る。この
後で、図４に示すアンチ・エイリアシング・アプリケー
ション・プログラム４１は、図６に示す処理を渡すこと
によって、ニューラル・ネットワーク実行サブルーチン
を呼び出す。

【００６５】さて、ニューラル・ネットワーク実行サブ
ルーチンが示される図１６を参照して説明する。この処
理は、ブロック５０１で始まる。このブロックは、図１
０のブロック２５１および２５２に関して述べられてい
る初期化ルーチンを図示する。次に、ブロック５０２
は、ニューラル・ネットワークの名前の決定を示す。そ
して、ブロック５３０は、図１７内に含まれるこのモデ
ルのためのモデル実行プログラム実行サブルーチンを呼
び出す。モデル実行プログラムは、上述のように、図１
０のモデル実行構築サブルーチンによって作成される。

【００６６】さて、図１７を参照すると、モデル実行プ
ログラム実行サブルーチンは、ブロック６０１で始ま
る。これは、分析すべき画素の第１の群の選択を説明す
る。一例として、画素の第１の群が表示装置の左上隅の
（３×３）の区画内の９個の画素のブロックとして選択
される。ここで述べるように、９画素の群の中の中央の
画素が「注目画素」である。注目画素は、必要に応じ
て、それ自身のグレイ・スケール値とその注目画素の周
囲の８画素のグレイ・スケール値とに基づいて修正され
る。

【００６７】図１７内のブロック６０５は、９個の画素
のそれぞれのグレイ・スケール値をニューラル・ネット
ワークへロードすることを図示する。その後で、ブロッ
ク６０６は、データを分析するために、訓練されたニュ
ーラル・ネットワークを使用し、注目画素の修正された
グレイ・スケール値に対して、使用されるスケール・フ
ァクタを戻すことを図示する。ニューラル・ネットワー
クが訓練された時に、それは、グレイ・スケールデータ
およびスケール・ファクタ間の関係を決定する。この後
で、ブロック６１０は、このスケール・ファクタの関数
として注目画素のグレイ・スケール値の修正を図示す
る。画素の修正後に、処理は、分析されていない画素の
群の取得を図示する、ブロック６０７へ渡される。全体
のイメージが分析されたときに、ブロック６０９が図１
６のブロック５３０への戻りを図示する。全体のイメー
ジが分析されていないときには、ブロック６０８がイメ
ージ内の９画素の次の群を選択し、イメージ全体がアン
チ・エイリアシングのために処理される時まで、上述の
処理が繰り返される。

【００６８】さて、図１９を参照すると、ここには、交
差線７０１、７０２および７０３を含むコンピュータ・
ディスプレイ・スクリーンの全ての表示が図示されてい
る。図示のように、線７０２が水平で、線７０１および
７０３が二つの異なる角度でもって、水平から傾いてい
る。線７０２は、線７０１および７０３よりも明るいグ
レイ・スケール値の画素からなる。矩形７０４により規
定される領域は、図２０および図２１で拡大されて示さ
れる。

【００６９】図２０を参照すると、図１９の矩形７０４
内に含まれる個別要素７０４を示すコンピュータ・スク
リーンの拡大表示が図示されている。なお、水平線７０
２の直線的エッジは、アンチ・エイリアシングの問題を
生じないので、それは、アンチ・エイリアシングによっ
て視覚的に改善されることはない。しかしながら、斜め
線７０１および７０３のエッジは、階段状である。この
階段状のエッジは、ここに述べるぼかしアンチ・エイリ
アシング方法のエッジによって、視覚的に改善される。

【００７０】エッジぼかしアンチ・エイリアシング方法
を行うために、この発明のニューラル・ネットワーク
は、若し、明るさが適切に修正されるならば、イメージ
をより明瞭な、より滑らかな、そして、よりジグザグが
少ないものに見えさせる画素を識別するのに使用され
る。一例として、画素７０６は、修正されたグレイ・ス
ケール値を持つべきものである。画素７０６は、暗い線
で、且つ通常、画素７０９で描かれる明るい背景である
線７０３の階段状エッジの近傍に位置される。若し、画
素７０６が暗い画素７０７、７０８の明るさと明るい画
素７０９の明るさの間の明るさのレベルに変更されるの
であれば、通常の拡大表示で見た時に、より少ないジグ
ザクのものに見える。

【００７１】最後に、図２１は、イメージがこの発明に
よる方法およびシステムに従ってアンチ・エイリアシン
グされた後の矩形７０４を示す。画素７０６を含むアン
チ・エイリアシングが要求される各画素は、ニューラル
・ネットワークによって位置指定され、このニューラル
・ネットワークによって計算されたスケール・ファクタ
の関数として明るさが修正されている。ここで、画素７
０６が線７０３の暗い画素７０７、７０８と背景の明る
い画素７０９との間のグレイ・スケール値を持つことに
注意されたい。画素７０６を修正するのに使用されるス
ケール・ファクタを計算するために、ニューラル・ネッ
トワークは、参照番号７１０で示される９画素の各々の
グレイ・スケール値を考慮する。

【００７２】上述したところより、当業者は、この発明
による方法およびシステムが高速且つ正確なアンチ・エ
イリアシング・コンピュータ・イメージの方法を提供す
るために、ニューラル・ネットワークと関連して使用さ
れることを理解するであろう。ここで示した実施例は、
９画素を含む画素区画の分析を含んでいるが、画素区画
の大きさが２５，４９あるいは他の自乗された奇数の画
素数に増加することは、訓練されるニューラル・ネット
ワークの能力を高め、アンチ・エイリアシングの候補を
減少させることは、当業者が理解するであろう。自乗さ
れた奇数の画素数は、注目画素が確定的に規定されるた
めに利用されるべきである。さらに、隠れ層の数を増加
あるいは減少させたり、隠れ層内の単位数を増加あるい
は減少させたりするようなニューラル・ネットワークに
関する変形は、訓練されるネットワークの能力を高め、
結果を汎用化し、良好にアンチ・エイリアシングされた
イメージを作成する。最後に、この方法は、単一のニュ
ーラル・ネットワークによって順番に各注目画素がアド
レス決めされる順次処理、あるいは注目画素の群が並列
処理を使用して定義される、並列処理を使用しても良
い。

【００７３】

【発明の効果】以上のように、本発明によればコンピュ
ータグラフィックス・ディスプレイで使用するための改
良されたアンチ・エイリアシング・システムを提供する
ことができる。

【図面の簡単な説明】

【図１】この発明によるアンチ・エイリアシング・シス
テムのハイレベル・ブロック図である。

【図２】どのように、ニューラル・ネットワークを実現
する大規模並列ハードウエアが直列ノイマンに基礎をお
くコンピュータシステム上でシミュレートされるかを示
す略線図である。

【図３】この発明による方法およびシステムを実現する
ために使用されるコンピュータ環境の概念的な枠組を示
す略線図である。

【図４】この発明による方法およびシステムを実現する
ために使用されるコンピュータ環境の概念的な枠組を示
す略線図である。

【図５】この発明によるニューラル・ネットワーク・デ
ータ構造を図表形式で示す略線図である。

【図６】この発明による方法およびシステムを実現する
のに使用することができるニューラル・ネットワーク・
ユーティリティをハイレベル・フローチャート形式で示
す略線図である。

【図７】この発明による方法およびシステムを実現する
のに使用することができるニューラル・ネットワーク・
ユーティリティをハイレベル・フローチャート形式で示
す略線図である。

【図８】この発明による方法およびシステムを実現する
のに使用することができるニューラル・ネットワーク・
ユーティリティをハイレベル・フローチャート形式で示
す略線図である。

【図９】この発明による方法およびシステムを実現する
のに使用することができるニューラル・ネットワーク・
ユーティリティをハイレベル・フローチャート形式で示
す略線図である。

【図１０】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１１】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１２】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１３】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１４】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１５】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１６】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１７】この発明による方法およびシステムを実現す
るのに使用することができるニューラル・ネットワーク
・ユーティリティをハイレベル・フローチャート形式で
示す略線図である。

【図１８】この発明による方法およびシステムを実現す
るのに使用することができる数値訓練データの一例を示
す略線図である。

【図１９】この発明による方法およびシステムを使用す
るときに作動されるコンピュータ・イメージの図形表示
を示す略線図である。

【図２０】アンチ・エイリアシングを行う前の図１８の
コンピュータ・ディスプレイの一部の拡大部分を示す略
線図である。

【図２１】アンチ・エイリアシングを行った後の図１８
のディスプレイの拡大部分を示す略線図である。

フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０９Ｇ 5/36 Ｇ０６Ｆ 15/68 ４１０

Claims (4)

(57)【特許請求の範囲】
1. 【請求項１】 複数画素からなり、上記複数画素のそれ
   ぞれが明るさまたは色の少なくともいずれか一方に関す
   る視覚的特性を有するイメージを記憶するステップと、 上記イメージ内の上記複数画素の選択された一つの画素
   と関連した視覚的特性と、上記イメージ内の上記複数画
   素の選択された各群と関連した視覚的特性との間の関係
   において、上記選択された画素の修正が必要かどうかを
   訓練値を用いて学習するステップと、 上記学習された関係によってスケール・ファクタを計算
   するステップと、 上記スケール・ファクタによって上記選択された画素の
   上記関連した特性を、アンチ・エイリアシングが遂行さ
   れるように修正するステップとからなる、可視イメージ
   でアンチ・エイリアシングを行うためのコンピュータ・
   ディスプレイ・システムにおける方法。
2. 【請求項２】 複数画素からなり、上記複数画素のそれ
   ぞれが関連した明るさおよび色を有するイメージを記憶
   するステップと、 上記イメージ内の上記複数画素の選択された一つの画素
   と関連した明るさおよび色と、上記イメージ内の上記複
   数画素の選択された各群と関連した明るさおよび色との
   間の関係において、上記選択された画素の修正が必要か
   どうかを訓練値を用いて学習するステップと、 上記学習された関係によってスケール・ファクタを計算
   するステップと、 上記スケール・ファクタによって上記選択された画素の
   上記明るさおよび色を、アンチ・エイリアシングが遂行
   されるように修正するステップとからなる、可視イメー
   ジでアンチ・エイリアシングを行うためのコンピュータ
   ・ディスプレイ・システムにおける方法。
3. 【請求項３】 複数画素からなり、上記複数画素のそれ
   ぞれが明るさまたは色の少なくともいずれか一方に関す
   る視覚的特性を有するイメージを記憶するための手段
   と、 上記イメージ内の上記複数画素の選択された一つの画素
   と関連した視覚的特性と、上記イメージ内の上記複数画
   素の選択された各群と関連した視覚的特性との間の関係
   において、上記選択された画素の修正が必要かどうかを
   訓練値を用いて学習するための手段と、 上記学習された関係によってスケール・ファクタを計算
   するための手段と、 上記スケール・ファクタによって上記選択された画素の
   上記関連した特性を、アンチ・エイリアシングが遂行さ
   れるように修正するための手段と、 上記修正されたイメージを表示するための手段とからな
   る、アンチ・エイリアシング・コンピュータ・ディスプ
   レイ・システム。
4. 【請求項４】 可視イメージ内で、視覚的明瞭さを改善
   するためにアンチ・エイリアシングを必要とする画素の
   パターンを認識することをニューラル・ネッワークに教
   示するステップと、上記可視イメージは、複数画素から
   なり、上記複数画素のそれぞれが明るさまたは色の少な
   くともいずれか一方に関する視覚的特性を有し、 上記イメージ内の上記複数画素の選択された一つの画素
   と関連した視覚的特性と、上記イメージ内の上記複数画
   素の選択された各群と関連した視覚的特性との間の関係
   において、上記選択された画素の修正が必要かどうかを
   訓練値を用いて上記ニューラル・ネットワークに教示す
   るステップと、 上記学習された関係によってスケール・ファクタを計算
   するステップと、 上記スケール・ファクタによって上記選択された画素の
   上記関連した特性を、アンチ・エイリアシングが遂行さ
   れるように修正するステップとからなる、可視イメージ
   でアンチ・エイリアシングを行うためのコンピュータ・
   ディスプレイ・システムにおける方法。