JP7448652B2 - 教師あり学習のための非ペアデータを使用する画像から画像への変換 - Google Patents

Description

相互参照

本出願は、その内容が参照により本明細書に組み込まれる、２０１９年１１月１５日に出願された米国仮出願第６２／９３５，７１５号の米国および他の場所における優先権の国内利益を主張する。

本出願は、機械学習を用いた画像処理に関する。より詳細には、本出願が教師あり学習のための非ペアデータを使用する画像から画像への変換に関するものである。

小型で高速なモデルを利用し、適用される効果を用いて画像を１つの領域（domain）から別の領域に変換するように構成されたコンピューティングデバイスを提供することが望ましい。画像から画像への変換における否定できない進歩は、何年にも亘ってなされてきたが、それはいかなる種類の実際的な設定においても適用され得ない。研究と商業的応用との間のこのギャップの主な理由は、提案されたモデルの大きなサイズ及び／又は要求される処理リソースのためであった。画像から画像への変換の商用アプリケーションは、しばしば、ネイティブアプリケーション又はブラウザのいずれかにおいて消費者のスマートフォン又はデスクトップ上のようなデバイス上での推論（on-device inference）を必要とする。従って、資源利用および性能のいずれかが考慮される。更にリアルタイムなビデオの変換は、典型的には大量の処理速度を有する変換を生成するために、かなりのプロセッサ資源を必要とする。

過去数年にわたって、画像から画像への変換は、コンピュータビジョンにおいて最も研究されている問題の１つになっている。本質的に、タスクは元のソース画像のアイデンティティを保つ方法で、異なる領域に属する画像間のマッピングを見つけること（例えば犬の画像を猫の画像に変換する一方で、ポーズ、毛の色および背景等の他の全ての特徴を保つこと）として説明することができる。

コンピュータグラフィックスの分野は、これらの規則を明示的に指定することなく（例えば、より現実的な照明／シェーディング）、複雑な規則によって支配されるシーンを容易にレンダリングするための技術を利用することができる。同様に、アプリケーションは、様々な目的のために視覚世界を変換するのに役立つことができる、急速に成長する拡張現実の商業的応用に応用されている。画像から画像への変換は、消費者および専門家が異なるオブジェクト及びスタイルを組み合わせることを可能にするアプリケーションを介して、パーソナライズされた製品または芸術作品を設計する際に、同様に支援するために、スタイル転送のコンテキストにおいて使用されても良い。また、画像／ビデオ編集は、複雑で暗黙的に定義されたフィルタアプリケーション、着色および超解像度などの技法によっても非常に有益であり、これらの技法はすべて、画像から画像への変換モデルを使用して実現することができる。この技術の実際的な利点は膨大であり、これは決して網羅的なリストではない。

画像から画像への変換を実行するモデルを定義することは通常、モデルを学習するためのペア画像データを有することから利益を得るものであり、この場合、適用される効果のない第１領域の画像は、効果が適用される第２領域の対応する画像とペアにされる。画像は、第１画像と第２画像との間の他の差が最小であるという点で対応する。しかしながら、このようなペア画像データを定義することにおいて、２つの領域内のこのような画像が自然に生じることはまれであり、このようなデータを手動で生成することは時間と資源の集約的なものであるため、困難である。

多くの画像から画像への変換タスクにおいて、ディープラーニングを用いた教師あり学習に適した対のデータセットを得ることは非常に困難であるか、又は、実際には不可能である。このように、近年、非ペアデータ（unpaired data）を直接学習するために、いくつかの方法が開発されている。これらの方法はしばしば、印象的な結果を成し遂げているが、典型的にリアルタイムのデバイス上での推論に適していない、強力なモデルを必要とし、これはそれらの実用的な用途の範囲を大幅に制限する。本開示では、非ペアデータセット（unpaired dataset.）のみが与えられた場合に、小型で高速なモデルを学習するための技法が提供される。方法は、生成された結果が正解データ（ground truth）として役立つ合成されたペアデータセット（synthetic paired dataset）を生成するために、既存の教師なし学習技法を使用して、強力なモデルを最初に調整し、好ましくは、非ペアデータセットに過剰適合（overfitting）させることを含む。

このペアデータセットを使用して、配備により適したコンパクトであるがより弱いモデルが、既存の監視された学習技法を使用して学習される。教師あり学習は、より容易なタスクであるので、弱いモデルは、元の非ペアデータセット上で教師なしの学習技法を使用して直接学習された場合よりも、はるかに良好なパフォーマンスを達成する傾向がある。利点は異なる困難性の２つの画像から画像への変換タスク、即ち、１）毛髪の着色、および、２）デジタルフィルタの適用について経験的に実証される。

本開示によれば、画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換するシステムが提供される。

システムは２つのモデル、即ちデータペアリングモデルを定義する第１モデルと、ランタイムモデルを定義する第２モデルとを生成するように構成される。第１モデルは、複数の非ペア画像（unpaired image）を用いた学習によって調整される。複数の非ペア画像は、効果が適用されない第１領域空間で定義された画像の第１サブセットと、効果が適用される第２領域空間で定義された画像の第２サブセットとを含む。

第１モデルは、第１サブセットの画像を第２領域空間に変換して、第１サブセットとペアになる第１偽画像を生成し、第２サブセットの画像を第１領域空間に変換して、第２サブセットとペアになる第２偽画像を生成するように構成される。

複数の非ペア画像を学習された第１モデルに提供することは、第１サブセットと第１偽画像と第２サブセットと第２偽画像とによってそれぞれ定義される複数のペア画像を生成する。

一実施形態では、第１モデルが複数の非ペア画像に対する性能を最大化するように過剰学習（overfitted）される。

ランタイムモデルは、複数のペア画像を使用する学習によって調整され、第１領域空間内の画像を第２領域空間内の画像に変換し、ターゲットデバイス上で実行されるように構成される。

本明細書の教示および実施形態によれば、画像から画像への変換のためにモデルを学習する方法が提供される。この方法は教師なし学習技法を使用して、画像の非ペアデータセットを使用して、強力な画像変換モデルを学習するステップと、非ペアデータセットから画像の合成されたペアデータセットを生成するように学習され非ペアデータセットが第１領域空間内の画像の第１サブセットと第２領域空間内の画像の第２サブセットとを含むステップと、強力な画像変換モデルから生成された合成データが学習のための正解データとして提供される教師あり学習技法を使用して、ランタイムモデルを学習するステップとを含み、ランタイムモデルは強力な画像変換モデルと比較して、画像を第１領域から第２領域に変換するように学習され、ランタイムモデルはコンパクトで高速なモデルを含む。

この方法ならびに本明細書の教示および実施形態によれば、プロセッサ及び記憶ユニットを備えるコンピューティングデバイスが提供され、記憶ユニットは、この方法を実行するためにコンピューティングデバイスによる実行のための命令を記憶する。この方法ならびに本明細書の教示および実施形態によれば、処理ユニット及び記憶ユニットを備えるコンピューティングデバイスが提供され、記憶ユニットは方法によって学習されたランタイムモデルを記憶し、命令を記憶し、命令は、処理ユニットによって実行されると、コンピューティングデバイスを構成して、ランタイムモデルを使用して、第１領域からの画像を変換して、第２領域内に画像を生成する。

本明細書の教示および実施形態によれば、画像に適用される効果に従って画像を第１領域空間から第２領域空間に変換するための学習されたランタイムモデルを定義するコンピューティングデバイスが提供され、コンピューティングデバイスは、記憶ユニットであって、ｉ．効果が適用されない第１領域空間において定義された画像の第１サブセットと、効果が適用される第２領域空間において定義された画像の第２サブセットとを備える複数の非ペア画像、ｉｉ．複数の非ペア画像を使用する学習によって調整される第１モデルであって、１．画像の第１サブセットを第２領域空間に変換して第１サブセットとペアになる第１偽画像を生成するように構成された第１モデルと、２．画像の第２サブセットを第１領域空間に変換して第２サブセットと対にして第２偽画像を生成する記憶ユニットとを備え、第１サブセットと第２偽画像と第２偽画像とは、それぞれ複数のペア画像を定義するものである、ｉｉｉ．第１の領域空間内の画像を第２領域空間内の画像に変換し、ターゲットデバイス上で実行するように構成されたランタイムモデルであって、複数の非ペア画像を用いて学習することによって調整されるランタイムモデルとを記憶する記憶ユニットと、処理ユニットであって、複数の非ペア画像を用いて学習し、学習された通りに第１モデルを生成し、第１偽画像および第２偽画像を生成するように学習された通りに、第１モデルに複数の非ペア画像を提供し、第１偽画像および第２偽画像を、それらのそれぞれの画像の第１サブセット及び画像の第２サブセットと対にして複数のペア画像を生成し、学習されたランタイムモデルを生成するように複数のペア画像を用いて学習するように構成された処理ユニットとで構成される。また、そのように学習されたランタイムモデルで構成されたコンピュータプログラム製品およびコンピューティングデバイスを含む、関連する方法およびコンピュータプログラム製品の態様も提供される。

本明細書の教示および実施形態によれば、命令および／またはデータを記憶する非一時的な記憶ユニットを備えるコンピュータプログラム製品が提供され、コンピュータプログラム製品は、命令がコンピューティングデバイスの処理ユニットによって実行されるとき、コンピューティングデバイスは、画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換する方法を実行するように構成されるコンピュータプログラム製品であって、ａ．記憶ユニットは、画像を第１領域空間から第２領域空間に変換するためのランタイムモデルであって、第１領域空間における第１画像と、第２領域空間における第２の画像とを含み複数の非ペア画像を第１モデルを使用して変換することによって生成される複数のペア画像を使用する学習によって条件付けられるランタイムモデルを記憶し、ｉ．複数の非ペア画像は、効果が適用されない第１領域空間で定義された画像の第１サブセットと、効果が適用される第２領域空間で定義された画像の第２サブセットとを含むものであり、ｉｉ．第１モデルは、複数の非ペア画像を使用する学習によって調整されるものであり、その以下のように構成される：１．第１サブセットとペアになる第１偽画像を生成するために、画像の第１サブセットを第２領域空間に変換すること、２．第２サブセットとペアになる第２偽画像を生成するために、画像の第２サブセットを第１領域空間に変換すること、ここで、第１サブセットと第１偽画像と第２サブセットと第２偽画像とは、それぞれ、複数のペア画像を定義するものであり、ｂ．処理ユニットは、画像をランタイムモデルに提供し、提示のためにランタイムモデルによって変換された画像を提供するように構成される。

本明細書の教示および実施形態によれば、画像に適用される効果に従って画像を第１領域空間から第２領域空間に変換することによって、複数の非ペア画像から複数の非ペア画像を生成するコンピューティングデバイスが提供され、コンピューティングデバイスは、ａ．記憶ユニットであって、ｉ．効果が適用されない第１領域空間において定義された画像の第１サブセットと、効果が適用される第２領域空間において定義された画像の第２サブセットとを含む複数の非ペア画像、ｉｉ．複数の非ペア画像に対する性能を最大化するように過剰学習され、以下のように構成されるモデル、１．第１サブセットとペアになる第１偽画像を生成するために、画像の第１サブセットを第２領域空間に変換し、２．第２サブセットとペアになる第２偽画像を生成するために、画像の第２サブセットを第１領域空間に変換する、を記憶する記憶ユニットと、ｂ．処理ユニットであって、過剰適合された（overfitted）第１モデルを生成するために複数の非ペア画像で過剰適合し、第１偽画像および第２偽画像を生成するために、過剰適合された複数の非ペア画像を第１モデルに提供し、複数のペア画像を生成するために、第１偽画像および第２偽画像をそれぞれの第１画像サブセット及び第２の画像サブセットとペアになるように構成される処理ユニットと、から構成される。

一実施形態による、データペアリングモデル及びランタイムモデルを調整するためのコンポーネントを含む開発者コンピューティング環境のブロック図である。 Ａ及びＢは、一実施形態による、オリジナル画像と、そのオリジナル画像にデジタルフィルタ効果が適用された画像とを並べた一対の画像である。 一実施形態による、毛髪の着色の効果のためにオンラインソースから得たサンプルを示す画像の配列である。 Ａ，Ｂ及び４Ｃは、それぞれの例による、毛髪の着色とデジタルフィルタ効果との性能測定基準のグラフである。 Ａは、ｉ）一番上の行において、毛髪の着色の効果がそれぞれにランタイムモデルを使用して適用される複数の入力画像を示し、ｉｉ）中央の行において、毛髪の着色の効果が非ペア画像（例えば教師なし学習を使用したもの）を使用して学習されたランタイムモデルによって入力画像に適用された複数の出力画像を示し、ｉｉｉ）一番下の行において、本教示の一例に従って、ペア画像を使用して学習されたランタイムモデルを使用して、毛髪の着色の効果が入力画像に適用された複数の出力画像を示す、画像の配列であり、Ｂは、最初の２つの行において、ランタイムモデルがｉ）上の行において、複数の非ペア画像（教師なし学習）、およびｉｉ）中央の行において、本教示の一例による複数のペア画像、および下の行において、妥当性ソフトウェアを使用してデジタルフィルタを適用する正解データ画像との比較を用いて学習される場合のデジタルフィルタ効果の出力を示す画像の配列である。 一実施形態による、コンピューティングデバイスのコンピュータネットワークのブロック図である。 一実施形態による、一例による開発者コンピューティングデバイスのブロック図である。 一実施形態による、ターゲットデバイスの動作を示すフローチャートである。 本明細書の実施形態による動作を示すフローチャートである。 本明細書の実施形態による動作を示すフローチャートである。

画像から画像への変換することは、モデルを使用して２つ以上の特徴的な領域の間で画像を変換（変換）するタスクを指す。理想的には、領域の間で変化する画像の特徴のみが変更され、他の全ての特徴は同一のままである必要がある。タスクは、特定の生成された画像の宛先スタイル（the destination style）を指定する参照画像が提供されない、スタイル転送（style-transfer）の特別なケースと考えることができる。その代わり、学習データは異なる領域に従って分離され、モデルは異なる領域の間のマッピング機能を学習する。

画像から画像への変換およびスタイル転送は、コンピュータビジョンにおいて長年の問題であり、大量の研究から恩恵を受けてきた［３－８］。最近、敵対的生成ネットワーク（ＧＡＮ）の出現により、知覚的に現実的な結果を達成することにおいて、著しい進歩がなされている［９］。特に、Isolaら［１］は、敵対的なものと共に単純に監視された損失を使用して、以前の手法よりも優れた主観的品質の画像を生成した。しかしながら、これらのアプローチは、ペアの入力－出力データセットを必要とし、これは、多くのタスクについて得ることが困難であるか、または実現不可能でさえあり得る。

画像から画像への変換のための支配的な（leverage）教師なしデータが導入されるいくつかの手法が、従来から存在している［１０－１２］。この分野における画期的な研究はZhuらのＣｙｃｌｅＧＡＮであり［２］、これは、ペアになるＧＡＮと画像の領域の間の新規なサイクル一貫性喪失（cycle-consistency loss）［１３］とを使用することにより、非ペアデータセットから学習することであった。それらの方法では、それぞれの生成器（generator ）／識別器（discriminator ）の対が画像を一方向に（即ち領域ＡからＢへ、またはその逆に）変換することに特化している。この変換は制約不足であり、オリジナル画像の特徴が保護されることを保証せず、該手法はまた、変換された画像をそれらのオリジナル領域に変換して戻し、識別性を損失する。この周期的な損失は、本質的に領域の間の１対１のマッピングを強制する。生成器は、意図された変換作業に関連する特徴のみを修正することによってこのマッピングを達成するが、これは他の特徴の修正がオリジナル画像の検索をより困難にする結果となるからである。

ＧＡＮベースの手法［１４］を使用して良好な結果を達成するためには、通常、非常に大きな生成器ネットワークが必要とされ、モバイルデバイス上のリアルタイム性能のような多くの実用的な用途にはあまり適していないことが示されている。例えばフレームからフレームへの変換を行うモデルを使用するライブ映像（例えばリアルタイム又はオンザフライ）のアプリケーションでは、妥当なフレームレートでは不可能である。従って、ＧＡＮモデルを使用する画像から画像への新たな変換手法を探索することに大きな関心が寄せられている。

目的は、複数の非ペア画像のみが利用可能であるタスクについてモデルを学習することである。モデルは、所望のリソース利用および性能特性を与えるため、小型および／または高速なモデル（好ましくは両方）が望まれる消費者デバイスのようなターゲットデバイスのために学習されても良い。複数の非ペア画像を直接用いて学習した場合に、より弱いモデルは性能が劣る傾向があるという観測が与えられた場合、本開示は、複数の非ペア画像を用いて、より強力なモデルを学習することによって得られる合成された複数のペア画像を生成することを記載する。
＜複数の非ペア画像を使用した強力なモデルの過剰適合＞

複数の非ペア画像を使用する現行の学習手法は、平均二乗誤差のようなタスクの性能に直接的に最適化を及ぼす信号を逆伝播することができず、その代わりに、敵対学習によって提供される信号のような間接的な信号に依存しなければならない。このように、複数の非ペア画像からの学習は、強力なモデルを必要とするより困難なタスクである。

図１は、一実施形態による、データペアリングモデル１０４及びランタイムモデル１１２を調整するためのコンポーネントを含む、簡略化された開発者コンピューティング環境１００のブロック図である。コンピューティング環境１００は、１つ以上の記憶デバイスを有する１つ以上のコンピューティング装置を含んでも良い。図７を参照して、より詳細な例を示し、説明する。コンピューティングデバイスの記憶デバイスは、グラフィックス処理ユニット又はサーバ等の処理ユニットのような処理ユニットに命令を提供するためのメモリ（ＲＡＭ／ＲＯＭ）等から構成することができる。処理ユニットは、２つ以上のプロセッサコアを備えても良いことが理解されるであろう。開発者コンピューティング環境は、複数のリンクされたデバイス等の２つ以上のコンピューティングデバイスを備えることができる。

本実施形態では、第１モデル１０４を学習する複数の非ペア画像１０２を設けているが、これは有力なモデルである。複数の非ペア画像は、第１モデル１０４を過剰適合させるために使用され、非学習データに対するパワーパフォーマンスを犠牲にしても、学習データセットに対する改善された結果を達成することができる。このようにして結果は、改善されたペアデータを生成する。統計およびモデル構築の過剰適合とは、特徴に気付く方法をより広く学習するのを犠牲にして、例（ノイズを含む等）に関する詳細や細部を学習することを指す。過剰適合モデルは、それを定義するために使用される例に厳密に又は正確に対応し、そして、追加のデータに適合しないか、又は、将来の観察を十分に予測できないことがある。過剰適合は一般に、ある領域から別の領域へ（または両方向に）画像を広く変換するのに使用するために定義されるモデル学習には望ましくないと考えられるが、本タスクでは第２モデル（例えばランタイムモデル）を用いた第２の教師あり学習タスクで使用するために、２つの領域内の十分にペアになる画像を定義するので、有用である。

複数の非ペア画像１０２は、効果が適用されない第１領域空間内の画像のサブセットと、効果が適用される第２領域空間内の画像の別のサブセットとを含む。

第１モデルは、複数の非ペア画像で学習された２つのサブモデルを含む。第１サブモデルは、第１領域空間内の画像のサブセットを入力として使用し、第２領域空間内の画像のサブセットをターゲットとして使用して、第１領域空間から第２領域空間に画像を変換するように、学習を用いて調整される。第２サブモデルは、第２領域空間内の画像のサブセットを入力として使用し、第１領域空間内の画像のサブセットをターゲットとして使用して、第２領域空間から第１領域空間に画像を変換するように、学習を用いて調整される。

第１モデルを学習した後（即ち各サブモデルが学習された後）、第１モデルは、第１の領域内の画像のサブセットを第２領域に変換するために使用され、逆もまた同様である。即ち第１サブモデルは、画像を第１領域から第２領域に変換し、第２サブモデルは、第２領域内の画像のサブセットを第１領域に変換するために使用され、従って、それぞれが領域内にペア画像を生成する。この結果、複数のペア画像１０６を含む画像の以下のセットが得られる：１）第１領域の実画像および第２領域１０８の偽画像、２）第２領域の実画像および第１領域１１０の偽画像。

所望の課題が、画像を第１領域から第２領域に変換するモデルを学習することである場合、複数のペア画像は、第１領域の実画像と、第１領域の偽画像とを含み、それらペアがになる対応物は、正解データ（ground truths）とされる。

一実施形態では、以前の研究において人気で、かつ平凡な（vanilla）非ペアの画像から画像へ変換する学習手法の地位にあるＣｙｃｌｅＧＡＮ［２］を主に使用して、複数の非ペア画像を学習するが、原則として、任意の非ペアの学習手法を代用することができる。例えばデュアル敵対的生成ネットワーク（Dual Generative Adversarial Network）、サイクル敵対的一貫性ネットワーク（Cycle Consistent Adversarial Network）、及び、結合敵対的生成ネットワーク（Coupled Generative Adversarial Network）を含む敵対的生成ネットワーク等の複数の非ペア画像の同時分布（marginal distributions）を学習するために、複数の非ペア画像の周辺分布（joint distribution）を使用する機械学習モデルを使用することができる。
＜複数のペア画像のフィルタと処理＞

フィルタ１１４は、ランタイムモデル１１２を調整するために使用するために生成される品質尺度（quality measure）を使用して、第１モデルの出力からペア画像をフィルタリングするよう構成された記憶デバイスに、任意選択で記憶される。フィルタは、ランタイムモデルを調整するために使用する前の任意のタイミング（例えばデータベース等にペア画像を記憶する前または後）に適用されても良い。

一実施形態において、フィルタは、生成された複数のペア画像の品質を保証するために使用される。生成された結果のいずれも、あまりにも多くの望ましくない中間生成物（artifacts）を有する可能性があり、または、モデルは、正しい変換を適用する際に完全に失敗した可能性がある。そのような結果は、ペアデータセット内のノイズラベル（noisy labels）を構成し、従って、それらは、ランタイムモデルの学習をより安定させるために、自動または手動の手法によって除去される。

更なる手法を使用して、生成された出力を処理し、それらの品質を改善するか、又は中間生成物を除去することができる。例えば特定の顔の属性を修正するように学習されたモデル（例えばメイクアップの効果、顔の皮膚の処置（facial skin treatment）の効果、美容外科の効果／身体の増強の効果（例えばインプラントの効果、瘢痕化（scarification）の効果、ピアスの効果、ストレッチの効果、タトゥーの効果、歯の効果（例えば着色の効果、成形の効果、位置合わせ（alignment）の効果または置換（replacement ）の効果）、建設的／再建的または他の外科的処置の効果、眼の着色／コンタクトレンズの効果、アイウェアの効果等またはこれらの列挙された顔の効果のいずれか）は、生成された画像の背景の中間生成物が、顔の目印で定義された境界を使用してマスクアウトされた場合に有益である。一例として、列挙された顔の効果の反対は、瘢痕の除去、タトゥーの除去、メイクアップの除去、アイウェアの除去など、元の画像に存在する効果の除去である。開発者コンピューティング環境コンポーネントは、これらに応じて構成することができる。
＜生成された複数のペア画像を用いたランタイムモデルの学習＞

第１領域空間から第２領域のステージに画像を変換するように構成されたランタイムモデル１１２は、コンピューティングデバイスの記憶デバイスに記憶される。ランタイムモデルは、第１モデルから生成された複数のペア画像を使用して、学習によって調整されるべきである。第１及び第２領域における偽画像（例えば第１モデルから画像変換された出力物）は完全に合成され、本教示に従った、より早いステップによって生成されるが、生成された複数のペア画像（教師あり学習）を用いて学習されたランタイムモデルは、複数のテスト画像上で性能が測定される場合に、複数の非ペア画像（教師なし学習）で学習されたモデルよりも優れている。

次いで、学習されたランタイムモデルを使用して（例えば適合させて）、ターゲットデバイス上で実行するアプリケーションを定義し、例えばターゲットデバイスで提示するために、画像またはビデオを修正すること等によって、第１領域空間から第２領域空間へのリアルタイムの変換を提供し、拡張現実（augmented reality）、仮想現実（virtual reality）および／または混合現実体験（mixed reality experiences）を提供することができる。ターゲットデバイスは、携帯電話、タブレット端末等のパーソナルデバイス（例えば、ユーザデバイス）であっても良い。

ここでのアプローチは、画像から画像へ変換するタスクが、第１領域と第２領域との間の１対１、または、多対１の対応からなる場合に特に有用である。この条件が満たされない場合、合成されたペアデータセットは、マルチモーダル分布（multimodal distribution）に従って生成され、監視対象タスクは未定義となる。
＜実験＞
＜データセット＞

（強力な）データペアリングモデル及び（小型かつ高速である）ランタイムモデルを学習するように構成されたコンピューティングデバイスが、強力なモデルのみを学習するように構成されたコンピューティングデバイスよりも良好に機能するという仮説を厳密にテストするために、客観的な性能測定基準（performance metrics）を計算することができる、複数のペア画像を含むデータセットに対して実験を行った。MIT-Adobe FiveKデータセット［１５］からの５，０００個の画像を使用し、４，５００個の画像の学習セット及び５００個の画像のテストセットに分割した。これらから、対応物はデジタルフィルタ（例えば、Eboye Photoshop action［１６］（PhotoshopはAdobe Inc、San Jose、ＣＡの登録商標）を適用することによって生成され、これはエッジ保存Instagram（登録商標）様フィルタ（edge-preserving Instagram like filter）を適用する。第１モデル１０４は、第１領域と第２領域との間で画像を変換するように調整される。図２Ａ及び２Ｂは、オリジナル画像２０２及び１つの画像２０４を含む画像のペア２００を示し、ここで、デジタルフィルタは効果を適用するために使用された。

モデルをさらに評価するために、画像をオンラインソースから得て、暗い毛髪の個体およびブロンドの個体の非ペアデータセットを作成し、ここでの変換タスクは、暗い毛髪の領域空間とブロンドの領域空間との間で変換することである。手動のフィルタ処理の努力にもかかわらず、このデータセットはとりわけ、ソース（例えばソーシャルメディア対広告）、人工のフィルタの存在、カメラの品質、ポーズ及びライティングを含むいくつかの要因により著しく異なる画像を含むという意味で、不明瞭であることは注視する価値がある。更に、データセットのサイズは制限されており、３，１９２個のブロンドの毛髪の画像と２，２４２個の暗い毛髪の画像とからなり、各セットの２００個の画像が試験のために蓄積された。これらの注意にもかかわらず、モデルは、大多数の症例において正しい毛髪の着色の変換を適用する方法を学習することに成功した。図３は、ソーシャルメディア（例えば３０２）からの低解像度の画像を配列状に含む、複数の非ペア画像３００を示す。配列はブロンドの毛髪の画像３０４の一番上の行と、本明細書でプライバシーに適用されるプライバシーマスク（例えば、３０８）を含む暗毛髪画像３０６の２番目の行とを示すが、このようなマスクはいかなる学習または試験にも適用されない。
＜評価プロセス＞

多数のモデルのアーキテクチャが、複数の非ペア画像および複数のペア画像の両方について学習され、同じテストセット上のフレシェ開始距離（Frechet Inception Distance、ＦＩＤスコア）［１７］が比較される。仮説によれば、小型モデルのＦＩＤスコアは、複数のペア画像を使用して学習される場合には、より小さくなるはずである。

複数の非ペア画像の実際のシナリオをシミュレートするために、学習セットは効果が適用されていない第１領域空間内の画像の第１サブセットと、効果が適用されている第２領域空間内の画像の第２サブセットとを含み、第１領域空間内の画像の第１サブセットのそれぞれは、効果が適用される画像の第２サブセット内において等価物を有さず、第２領域空間内の画像の第２サブセットの各々は効果が適用されない画像の第１サブセット内において等価物を有さない。

ペア画像がテストセットにおいて利用可能であるので、最小二乗誤差（ＭＳＥ）もまた、ＦＩＤスコアよりも客観的な性能尺度として計算される。
＜モデルの説明＞

最初のモデルとランタイムモデルは、２５６ｘ２５６ピクセルの解像度のＵＮｅｔモデル［１８］である。ＵＮｅｔモデルは一般に、画像から画像へ変換するタスクに使用される。

モデルのサイズと速度の機能としてのモデルの有効性を評価するために、各レイヤでフィルタの数が均一にスケーリングされるＵＮｅｔの変動が学習される。標準的なＵＮｅｔアーキテクチャは、第１ブロックの出力に６４個のフィルタのベースを含むが、ＵＮｅｔアーキテクチャは８、１６、２４、３２、４８及び１２８個のフィルタのベースを使用して更に学習される。これらのモデルのそれぞれについてのパラメータ及びフロップの数を表１に示す。

＜結果＞

毛髪の着色およびデジタルフィルタ効果の両方のための複数のペア画像を生成するために、１２個の残差ブロックと６４個のフィルタのベースを有する残差ニューラルネットワーク（ＲｅｓＮｅｔ）とが過剰適合される（例えば、第１モデルはそのような学習が（例えば、他の画像の）テストセット上での不十分なパフォーマンスにつながる場合でも、複数の非ペア画像上でのそのパフォーマンスを最大化する）。より小さな容量の５１２ピクセルのスケールの画像は、偽画像のためのより細かい細部を作り出すことができるように、学習で使用される。複数の非ペア画像を学習された第１モデルに提供することで、複数のペア画像を生成する。その後、顔の画像については毛髪の外側の中間生成物が独自の毛髪セグメンテーションモデル［２０］を使用してマスクされ、次いで、画像は悪い結果を除去するために手動でフィルタリングされる。これにより、全体で３，５９３個の暗い～ブロンドのペア画像をもたらす。デジタルフィルタ効果の場合、生成された画像は目視検査によって正解データと区別できないため、フィルタリングは行われない。

図４Ａ－図４Ｃは、毛髪の着色の効果４００とデジタルフィルタ効果４０２との両方、ならびにデジタルフィルタ効果４０４のＭＳＥ（図４Ｃ）のための、より一層強力なＵＮｅｔアーキテクチャのためのＦＩＤ結果（図４Ａ及び図４Ｂ）を提示する。これらの結果は、仮説が真であり、そして、より小さなモデルが、複数の非ペア画像を用いて学習されたより強力なモデルにより生成された複数のペア画像を用いて学習された場合に、より良い結果を達成することを示している。この傾向は、デジタルフィルタ効果４０２及び４０４の結果において最も明確に見られ、２４ベースのフィルタモデルまで、複数のペア画像に対する結果は、複数の非ペア画像を使用して学習されたものよりも有意に良好である。あまり明白でない程度に、毛髪の着色の効果４００について同じ結論に達することができ、ここで、ペアモデルを使用して学習された最小の８ベールのフィルタについてのＦＩＤは、非ペアモデルを使用して学習されたはるかに大きい４８ベースのフィルタのＦＩＤに匹敵する。

図５Ａ及び５Ｂは、それぞれの配列５００及び５０２における２つの８ベースのランタイムフィルタモデルについての結果（結果はそれぞれの出力画像である）を提示する。ここで、モデルは複数の非ペア画像を使用して学習され、別のモデルは複数のペア画像を使用して学習される。図５Ａの結果は、一番上の行における入力画像に対する毛髪の着色の効果５００に対するものであり、中央の行における非ペア画像で学習されたモデル（即ち教師なし学習）に対する結果と、一番下の行におけるペア画像で学習されたモデル（即ち教師あり学習）に対する結果とを示し、ここで、ペア画像は、本明細書の教示を使用して生成される。デジタルフィルタ効果のための図５Ｂの配列５０２における結果は、一番上の行における非ペア画像で学習されたモデルの結果と、中央の行におけるペア画像で学習されたモデルの結果とを示し、ここで、ペア画像は、本明細書の教示を使用して生成される。配列５０２の最下行は、比較のために生成された正解データ画像を示す。特に、このモデルは非ペア画像に対して学習された場合には色の変換を学習することさえできなかったが、ペア画像に対して学習された場合には一貫して適用され、多くの場合に説得力のある結果を生成する。

図６は、ユーザ／開発者６０４によって操作される開発者コンピューティングデバイス６０２が通信ネットワーク６０６を介して通信している例示的なコンピュータネットワーク６００のブロック図である。通信ネットワーク６０６を介して通信するように構成された第２ユーザ６０８及びターゲットコンピューティングデバイス６１０もまた、示されている。第２ユーザ６１０は、消費者であっても良い。サーバコンピューティングデバイス６１２，６１４及び６１６は、例えば、更に説明するように、１つ以上のデバイス６０２及び６１０と通信するために通信ネットワーク６０６と通信する。

開発者コンピューティングデバイス６０２は、強力なモデルを学習するように構成され、ターゲットデバイスよりも高いストレージ、処理能力およびメモリを有することができる。開発者コンピューティングデバイス６０２の例は、グラフィックス又は他の処理性能を最大限にするために構築されたコンピューティングデバイスを含むことができるが、これらに限定されない。ラップトップとして描かれているが、コンピューティングデバイス６０２のための他のフォームファクタはタスクを満たすものが含まれている。いくつかの例では、開発者コンピューティングデバイスが複数のデバイスを含むことができることを理解されたい。一例では、第１のコンピューティングデバイスが学習タスク（又はそのコンポーネント）を実行するよう、より強力な第２のコンピューティングデバイスに命令する。場合によっては、複数のコンピューティングデバイスが協調してタスクを実行する。

ターゲットコンピューティングデバイス６１０は、小型で高速なモデルを実行するように構成される。ターゲットコンピューティングデバイス６１０は、開発者デバイス６０２と比較して、記憶デバイス、処理能力およびメモリを削減することができる。ターゲットコンピューティングデバイス６１０の例は限定されるものではないが、開示された実施形態と整合して、パーソナルコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、ノートブックコンピュータ、ハンドヘルドコンピュータ、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、スマートフォン、並びに、データ及びソフトウェア命令を記憶し、操作を実行するためのソフトウェア命令を実行し及び／又はインターフェース・モジュール上に情報を提示するように構成することができる他の任意のタイプのコンピューティングデバイスを含むことができる。

開発者コンピューティングデバイス６０２は、一例では画像を第１領域空間から第２領域空間に変換するために、第１モデルモジュール１０４及びランタイムモジュール１１２（図１）をそれぞれ使用して、２つのモデル、即ち第１モデル６０２Ａ及びランタイムモデル６０２Ｂを学習するように構成される。開発者コンピューティングデバイス６０２は、第１モデルを学習するために複数の非ペア画像１０２を使用する。次に、非ペア画像を第１モデルに供給して、複数のペア画像１０６を生成する。複数のペア画像は、ランタイムモデル６０２Ｂを学習するために使用される。開発者コンピューティングデバイス６０２は、サーバコンピューティングデバイス６１２から非ペア画像１０２を提供されても良いし、非ペア画像が記憶されて開発者コンピューティングデバイス６０２の基板上（on board）で利用されても良い。開発者コンピューティングデバイス６０２は、実行のためにターゲットデバイス６１０でフェッチされるべきランタイムモデル６０２Ｂをサーバ６１２（または図示しない別のサーバ）に記憶することができる。ターゲットデバイス６１０はまた、実行のためにランタイムモデル６０２Ｂを基板上に格納しても良い。

第１モデル６０２Ａ及びランタイムモデル６０２Ｂのそれぞれは、一例では互いに通信する異なる開発者コンピューティングデバイス（図示せず）で学習されても良く、複数のペア画像１０６（図１）及びフィルタ１１４（図１）は、開発者コンピューティングデバイスのうちの１つに、または別個のコンピューティングデバイスに格納されても良い。説明したように、非ペア画像はサーバコンピューティングデバイス６１２から取得することができ、又、非ペア画像は、開発者コンピューティングデバイスの一方または両方の基板上に記憶され、利用されることができる。

開発者コンピューティングデバイス６０２は、画像に適用される効果に従って、画像を第１領域から第２領域に変換するために、第１モデル及びランタイムモデルを学習するように構成される。効果は、前述の顔の効果（メイクアップの効果を含む）、毛髪の着色の効果、ヘアスタイルの効果、マニキュアの効果およびペディキュアの効果等のうちの１つであっても良い。この効果は、３次元の効果であっても良い。この効果はまた、絵画および建物スタイル（a painting and a building style）、画像の着色（a coloration of images）、フィルタアプリケーション、超解像アプリケーション（super-resolution application）、衛星画像から地図への変換およびスケッチから写真への変換等のうちの１つであっても良い。また、この効果は、例えば犬の画像を猫の画像に変換する一方で、ポーズ、毛、色、背景等の他の全ての特徴を保存する等、異なる物体（objects）と対象（subjects）との間の特徴の変換であっても良い。

ターゲットコンピューティングデバイス６１０は、開発者コンピューティングデバイス６０２によって開発されたランタイムモデル６０２Ｂを受信するように構成される。ターゲットコンピューティングデバイス６１０は、通信ネットワーク６０６を介して開発者コンピューティングデバイス６０２への通信またはサーバ６１２からの通信または他の任意の手段によって、データをデジタル転送するランタイムモデル６０２Ｂを受信することができる（例えばアプリケーションストアからのダウンロード（サーバコンピューティングデバイス６１４が提供する電子商取引サービス等））。ランタイムモデル６０２Ｂは、典型的にはモデル６０２Ｂを実行するランタイムアプリケーション６１４Ａ（例えばアプリケーションストアからダウンロードされる）に組み込まれる。ターゲットコンピューティングデバイス６１０のユーザ６０８は、ランタイムアプリケーション６１４Ａに画像またはビデオを提供して、ランタイムモデル６０２Ｂを実行し、効果が適用された画像またはビデオを生成する。提供された画像又はビデオはサーバー又はその他のコンピューティングデバイス（例えばｗｅｂ（例えばｈｔｔｐ）又はその他の通信（例えばテキストメッセージ、インスタントメッセージ、ショートメッセージサービス、独自のメッセージ、電子メール等））から取得された、ターゲットコンピューティングデバイス６１０の入力装置から取得された又はターゲットコンピューティングデバイス６１０に連結された（例えばカメラ）、又は画像又はビデオを提供できる他の方法によって保存されることができる。

一例では、画像に適用される効果が製品およびサービス（例えば、製品および／またはサービス）の一方または両方に関連付けられる。一例では、効果が製品に関連するメイクアップの効果である。一例では、効果がサービス及び製品に関連する皮膚の処置の効果である。一例では、アプリケーションがメイクアップの効果のための製品または皮膚の処置の効果のためのサービス及び製品を購入するために、サーバコンピューティングデバイス６１６から利用可能なｅコマースサービス（例えばアプリケーション６１６）へのインターフェースを提供する。支払いサービス及び支払いネットワークは図６に図示されない。

図７は、本開示の１又は複数の態様による、開発者コンピューティングデバイス６０２のブロック図である。開発者コンピューティングデバイス６０２は、１又は複数のプロセッサ７０２と、１又は複数の入力デバイス７０４と、ジェスチャベースのＩ／Ｏデバイス７０６と、１又は複数の通信ユニット７０８と、１又は複数の出力デバイス７１０とを備える。開発者コンピューティングデバイス６０２はまた、１つ以上のモジュール及び／又はデータを記憶する１つ以上の記憶デバイス７１２を含む。モジュールは、第１モデル１０４及びランタイムモデル１１２と、フィルタ１１４と、グラフィカルユーザインターフェース（ＧＵＩ７２０）と、画像処理アプリケーション７１８とを含むことができる。画像処理アプリケーションを使用することで、学習された第１モデル等からデジタルフィルタを適用し、並びに／又は、出力画像および／もしくはペア画像を見ることができる。データは、１又は複数の非ペア画像１０２及び複数のペア画像１０６を含むことができる。

記憶デバイス７１２は、通信モジュール、写真（画像／メディア）エディタ、メディアプレーヤおよび／またはストリーミングモジュール、ブラウザモジュールなどを含む、オペレーティングシステム７１６およびその他のモジュール（図示せず）などの追加モジュールを記憶することができる。記憶デバイスは、本明細書では記憶ユニットと呼ばれることがある。

１つ以上のプロセッサ７０２は機能を実装し、及び／又は、コンピューティングデバイス６０２内で命令を実行することができる。例えば、プロセッサ７０２はとりわけ（例えばオペレーティングシステム、画像処理アプリケーション７１８等）、第１モデルモジュール１０４、ランタイムモジュール１１２及びフィルタ１１４の機能を実行するために、記憶デバイス７１２から命令および／またはデータを受信するように構成されても良く、開発者コンピューティングデバイス６０２は、記憶デバイス７１２にデータ／情報を記憶しても良い。動作はモジュール１０２，１０４，１０６，１１２，１１４，７１８及び７１６内に正確に含まれないことがあり、その結果、１つのモジュールが別のモジュールの機能を支援できることを理解されたい。

１又は複数のプロセッサ７０２は効果に従って、基板上（on board）に記憶された又はカメラ７０４から取得された画像またはビデオを第１領域空間から第２領域空間に変換するための要求を送信する。処理ユニット７０２は、第１モデルを学習するために、複数の非ペア画像１０２を第１モデルモジュール１０４に提供する。次いで、ランタイムモジュール１１２を利用してランタイムモデルを学習するために、提供される複数のペア画像１０６を生成するために、学習された第１モデルに複数の非ペア画像１０２を提供する。処理ユニットは、ランタイムモデルを学習するために提供する前に、複数のペア画像をフィルタリングするように、オプションのフィルタ１１４を要求することができる。

通信チャネル７２２は、コンポーネント７０２，７０４，７０６，７１０，７１２及びコンポーネント間通信のための任意のモジュール１０４，１１２，１１４，７１６，７１及び７２０のそれぞれを、通信可能に、物理的に及び／又は動作可能に結合することができる。いくつかの例では、通信チャネル７２２がシステムバス、ネットワーク接続、プロセス間通信データ構造又はデータを通信するための他の任意の方法を含むことができる。

動作を実行するためのコンピュータプログラムコードは、１つ以上のプログラミング言語、例えば、Ｊａｖａ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋等のオブジェクト指向プログラミング言語、又は、Ｃプログラミング言語又は同様のプログラミング言語のような、従来の手続き型プログラミング言語の任意の組み合わせで書くことができる。

開発者コンピューティングデバイス６０２は、ジェスチャベースのＩ／Ｏデバイス７０６の画面上に表示するための出力、または、いくつかの例ではプロジェクタ、モニタ若しくは他のディスプレイデバイスによる表示のための出力を生成することができる。ジェスチャベースのＩ／Ｏデバイス７０６は、様々な技術（例えば、抵抗膜方式タッチスクリーン（resistive touchscreen）、超音波表面弾性波方式タッチスクリーン（a surface acoustic wave touchscreen）、静電容量方式タッチスクリーン（a capacitive touchscreen）、投影型静電容量方式タッチスクリーン（a projective capacitance touchscreen）、感圧スクリーン（a pressure-sensitive screen）、音響パルス認識タッチスクリーン（an acoustic pulse recognition touchscreen）、または、別のプレゼンスセンシティブスクリーン技術などの入力能力に関連して、および出力能力に関連して、液晶ディスプレイ（LCD）、発光ダイオード（LED）ディスプレイ、有機発光ダイオード（OLED）ディスプレイ、ドットマトリクスディスプレイ、ｅインク、又は同様のモノクロ又はカラーディスプレイ）を使用して構成され得ることが理解されるのであろう。

本明細書で説明する例では、ジェスチャベースのＩ／Ｏデバイス７０６が、タッチスクリーンと対話するユーザからの触覚による対話、または、ジェスチャを入力として受信することができるタッチスクリーンデバイスを含む。そのようなジェスチャは、タップジェスチャ、ドラッグジェスチャ又はスワイプジェスチャ、フリックジェスチャ、ジェスチャの一時停止（例えばユーザが少なくとも閾値期間にわたって画面の同じ位置にタッチする場合）を含むことができ、ユーザは、ジェスチャベースのＩ／Ｏデバイス７０６の１又は複数の位置にタッチ又はポイントする。ジェスチャベースのＩ／Ｏデバイス７０６は、非タップジェスチャを含むこともできる。ジェスチャベースのＩ／Ｏデバイス７０６は、グラフィカルユーザインターフェース等の情報をユーザ／開発者に出力または表示することができる。ジェスチャベースのＩ／Ｏデバイス７０６は、例えば画像を閲覧し、画像を処理し、新しい画像を表示するための画像処理アプリケーション７１８、メッセージングアプリケーション及び他のアプリケーション又は機能等を含む、開発者コンピューティングデバイス６０２の様々なアプリケーション、機能および能力を提示することができる。

１又は複数の通信ユニット７０８は、１又は複数のネットワーク上でネットワーク信号を送信および／または受信することによって、通信ネットワーク６０６を介するなど、説明した目的のため、及び／又は他の目的（例えば印刷）のため等に、外部デバイス（例えばサーバ６１２、ターゲットコンピューティングデバイス６１０）と通信することができる。通信ユニットは、無線および／または有線通信のための様々なアンテナ及び／又はネットワークインターフェースカード、チップ（例えば全地球測位衛星（ＧＰＳ））等を含むことができる。

入力デバイス７０４及び出力デバイス７１０は、１又は複数のボタン、スイッチ、ポインティングデバイス、カメラ、キーボード、マイクロフォン、１又は複数のセンサ（例えば身体特徴を記録したもの（biometric）等）、スピーカ、ベル、１又は複数のライト、触覚（振動）デバイス等のいずれかを含むことができる。１又は複数の同じものを、ユニバーサルシリアルバス（USB（登録商標））又はその他の通信チャネル（７２２等）を介して結合することができる。カメラ（入力デバイス７０４）は、ユーザがジェスチャベースのＩ／Ｏデバイス７０６を見ている際に、カメラを使用して画像をキャプチャすることで「自撮り」を行うことができるよう、正面に向けられても良い（即ち同じ側にある）。

１つ以上の記憶デバイス７１２は、例えば、短期メモリ又は長期メモリとして、異なる形態および／または構成とすることができる。記憶デバイス７１２は、電源がオフされたときに記憶された内容を保持しない揮発性メモリとして情報を短期的に記憶するために構成されても良い。揮発性メモリの例としては、ランダムアクセスメモリ（RAM）、ダイナミックランダムアクセスメモリ（DRAM）、スタティックランダムアクセスメモリ（SRAM）等がある。記憶デバイス７１２は、いくつかの例では例えば、揮発性メモリよりも大量の情報を記憶し、及び／又は電源がオフされたときに情報を保持しながら長期間そのような情報を記憶するために、１又は複数のコンピュータ可読記憶媒体も含むことができる。不揮発性メモリの例には、磁気ハードディスク、光ディスク、フロッピー（登録商標）ディスク、フラッシュメモリ、又は、電気的にプログラム可能なメモリ（EPROM）、または、電気的に消去およびプログラム可能なメモリ（EEPROM）の形態が含まれる。

ターゲットコンピューティングデバイス６１０は、一例ではモデルを開発するためのコンポーネントが少ないにもかかわらず、開発者コンピューティングデバイス６０２と同様に構成することができることを理解されたい。ターゲットコンピューティングデバイス６１０は、第１モデルモジュール１０４、フィルタ１１４、ペア画像１０６及び非ペア画像１０２等を有していなくても良い。一例では、ターゲットコンピューティングデバイスが、ランタイムアプリケーション６１４Ａに組み込まれたランタイムモデル６０２Ｂを含み、第１領域空間から第２領域空間へのリアルタイム変換を提供し、適用される効果のための仮想または拡張現実体験を提供する。ターゲットデバイス６１０は、画像に適用される効果の画像を要求し、表示する等のＧＵＩを有することができる。適用される効果の少なくともいくつかに関して、一例では、アプリケーション６１４Ａが少なくともいくつかの効果のそれぞれにつき、関連する製品および／またはサービスを購入するためのインターフェースを提供する。

図８は、一例による、ターゲットコンピューティングデバイス６１０のプロセッサによる実行のための動作８００を示すフローチャートである。ステップ８０２において、ターゲットコンピューティングデバイス６１０は入力デバイス（例えば、カメラ）から画像またはビデオを取得するか、または基板上（on board）に記憶されている画像またはビデオを使用する。ターゲットコンピューティングデバイス６１０は、ランタイムモデル６０２Ｂで実行するために、ランタイムアプリケーション６１４に画像またはビデオを提供する（ステップ８０４）。ランタイムモデル６０２Ｂは、効果を適用するように学習されたものである。効果はシミュレートされた又は仮想的な効果であり、実際に効果を達成するための製品及び／又はサービスに関連付けられる。

ステップ８０６において、ランタイムアプリケーション６１４は、ランタイムモデル６０２Ｂを実行して、画像またはビデオに効果を適用する。変換された画像またはビデオは、ステップ８０８において、ＧＵＩを介してユーザ６０２に提示される。８１０において、アプリケーション６１４の電子商取引インターフェースは、効果に関連付けられた製品および／またはサービスを購入するために（例えば、サーバ６１６及びそのアプリケーション６１８と共に）使用される。

一例では、画像が、本明細書のモデルのいずれかを学習するために使用する前に処理ユニットにより前処理される。画像は、学習されたランタイムモデルを含む学習されたモデルのいずれかによって処理される前に前処理されることが可能である。前処理は、ヒストグラム均等化（histogram equalization）、正規化（normalization）等、任意の処理技法を含むことができる。

図９は、画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換する学習されたランタイムモデルを定義するための動作９００（例えば、例示的な方法）を示す。９０２において、動作は、記憶ユニットであって、ｉ）複数の非ペア画像と、ｉｉ）複数の非ペア画像を使用する学習によって、複数のペア画像を生成するように調整される第１モデル及び複数のペア画像を使用する学習によって調整されるランタイムモデルと、を記憶する記憶ユニットを提供する。

複数の非ペア画像は、効果が適用されない第１領域空間で定義された画像の第１サブセットと、効果が適用される第２領域空間で定義された画像の第２サブセットとを含む。学習を通して、第１モデルは、１）画像の第１サブセットを第２領域空間に変換して第１サブセットとペアになる第１偽画像を生成し、２）画像の第２サブセットを第１領域空間に変換して第２サブセットとペアになる第２偽画像を生成するように構成される。第１サブセットと第１偽画像と第２サブセットと第２偽画像とは、それぞれ、複数のペア画像を定義する。

ランタイムモデルは、第１領域空間内の画像を第２領域空間内の画像に変換すると共に、学習されたときにターゲットデバイス上で実行するように構成される。

９０４において、動作は、学習された第１モデルを生成するために、複数の非ペア画像を学習し、第１偽画像および第２偽画像を生成するために、学習された第１モデルに複数の非ペア画像を提供し、複数のペア画像を生成するために、第１偽画像および第２偽画像をそれらのそれぞれの画像の第１サブセット及び画像の第２サブセットとペアにし、学習されたランタイムモデルを生成するために、複数のペア画像を用いて学習するように構成された処理ユニットを動作させる。

一例では、命令および／またはデータを記憶する非一時的な記憶ユニットを備えるコンピュータプログラム製品が提供され、コンピュータプログラム製品は、命令がコンピューティングデバイスの処理ユニットによって実行されるときに、コンピューティングデバイスは画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換するために、学習されたランタイムモデルを定義する方法を実行するように構成される。

一例では例えば、デバイス６１０は、画像に適用される効果に従って、第１領域空間から第２領域空間に画像を変換するコンピューティングデバイスを定義する。コンピューティングデバイスは、処理ユニットと記憶ユニットとを備える。記憶ユニットは、第１領域空間から第２領域空間に画像を変換するためのランタイムモデルを記憶し、ランタイムモデルは、複数のペア画像を使用する学習によって条件付けられ、ペア画像のそれぞれは第１領域空間における第１画像と、第２領域空間における第２画像とを含み、複数の非ペア画像を第１モデルを使用して変換することによって生成される。複数の非ペア画像は、効果が適用されない第１領域空間で定義された画像の第１サブセットと、効果が適用される第２領域空間で定義された画像の第２サブセットとを含む。第１モデルは、複数の非ペア画像を使用して学習によって調整されたモデルを含む。従って、第１モデルは画像の第１サブセットを第２領域空間に変換して、第１サブセットとペアになる第１偽画像を生成し、画像の第２サブセットを第１領域空間に変換して、第２サブセットとペアになる第２偽画像を生成するように構成される。第１サブセットと第１偽画像と第２サブセットと第２偽画像とは、それぞれ、複数のペア画像を定義した。処理ユニットは、（例えば、適用される効果を受け取るために）ランタイムモデルに画像を提供し、提示するためにランタイムモデルによって変換された画像を提供するように構成される。

一例では、第１モデルは、複数の非ペア画像に対する性能を最大化するように、過度に学習されたモデルを含む。

一例では、ランタイムモデルが、品質尺度を使用して第１サブセットと第１偽画像と第２サブセットと第２偽画像とからペアを選択するように構成されたフィルタを使用することによって決定されたペア画像を使用することで、調整される。

一例において、第１モデルは、複数の非ペア画像の周辺分布を使用して、複数の非ペア画像の同時分布を学習する機械学習モデルを含む。第１モデルは、複数の非ペア画像を使用して学習された敵対的生成ネットワークを備えることができ、敵対的生成ネットワークは、サイクル敵対的生成ネットワーク、デュアル敵対的生成ネットワーク、サイクル敵対的一貫性ネットワーク及び結合敵対的生成ネットワークのうちの任意の１つを備えることができる。一例では、ランタイムモデルが、第１モデルとは異なるモデルアーキテクチャを含む。一例では、ランタイムモデルが、パラメータの最小限のセットと、最小限のメモリサイズとを備える。一例では、コンピューティングデバイスが、デスクトップコンピュータ、ラップトップ／ノートブックコンピュータ、モバイルデバイス、パーソナルデータアシスタンス（ＰＤＡ）及びタブレットのうちの１つを含む。

一例において、コンピューティングデバイスは、最大限のグラフィックス処理性能で構築されたゲーミングコンピュータ、サーバ又は他のコンピューティングデバイスと比較して、削減された記憶および処理リソースを含む。

一例では、ランタイムモデルがランタイムアプリケーションに組み込まれて、第１領域空間から第２領域空間へのリアルタイム変換を提供し、適用される効果のための仮想または拡張現実体験を提供する。

一例では、適用される効果が、顔の効果、毛髪の着色の効果、ヘアスタイルの効果、マニキュアの効果およびペディキュアの効果のうちの１つである。一例では、効果が（例えば、実際に効果を達成するために）製品および／またはサービスに関連付けられ、処理ユニットは、製品および／またはサービスを購入するためにｅコマースサービスと対話するためのインターフェースを使用するように構成される。

一例では、適用される効果が、絵画および建物スタイル、画像の着色、フィルタアプリケーション、超解像アプリケーション、異なる物体と対象との間の特徴の変換、衛星画像から地図への変換、及びスケッチから写真への変換のうちの１つである。

一例では、変換される画像が、自撮り画像または自撮りビデオを含む。一例では、適用される効果が、３次元の効果である。

一例では、コンピューティングデバイスが、処理ユニットが受信するための画像を取り込むために、カメラを備えるか、又は、カメラに結合される。

一例では、命令および／またはデータを記憶する非一時的な記憶ユニットを備えるコンピュータプログラム製品が提供され、コンピュータプログラム製品は、命令がコンピューティングデバイスの処理ユニットによって実行されるとき、コンピューティングデバイスは説明されるように、画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換する方法を実行するように構成される。

一例では、画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換することによって、複数の非ペア画像から複数のペア画像を生成するコンピューティングデバイスが提供される。コンピューティングデバイスは、処理ユニットと記憶ユニットとを備える。記憶ユニットは、効果が適用されない第１領域空間において定義された画像の第１サブセットと、効果が適用される第２領域空間において定義された画像の第２サブセットとを含む複数の非ペア画像と、複数の非ペア画像に対する性能を最大化するために過剰学習されるモデルとを記憶する。モデルは、第１サブセットとペアになる第１偽画像を生成するために、画像の第１サブセットを第２領域空間に変換し、第２サブセットとペアになる第２偽画像を生成するために、画像の第２サブセットを第１領域空間に変換するように構成される。処理ユニットは、過剰適合された第１モデルを生成するために複数の非ペア画像で過剰適合し、第１偽画像および第２偽画像を生成するために、過剰適合された複数の非ペア画像を第１モデルに提供し、複数のペア画像を生成するために第１偽画像および第２偽画像をそれぞれの画像の第１サブセット及び第２サブセット画像とペアになるように構成される。

図１０は、画像から画像への変換のためのモデルを学習する動作１０００（例えば、例示的な方法）を示す。１００２で、動作は、教師なし学習技法を使用して、強力な画像変換モデルを画像の非ペアデータセットに過剰適合させる。強力な画像変換モデルは、非ペアデータセットから画像の合成されたペアデータセットを生成するように学習され、非ペアデータセットは、第１領域空間における画像の第１サブセットと第２領域空間における画像の第２サブセットとを含む。１００４の動作では、ランタイムモデルを、強力な画像変換モデルから生成された合成データが学習のための正解データとして提供される教師あり学習技法を使用することで学習する。ランタイムモデルは、画像を第１領域から第２領域に変換するように学習され、ランタイムモデルは、強力な画像変換モデルと比較してコンパクトで高速なモデルを含む。

一例では、ランタイムモデルが、第１領域から第２領域に画像を変換するためにランタイムデバイスによって使用されるように提供される。ランタイムデバイスは、ランタイムモデルを実行するのに少なくとも十分な性能基準（performance standards）を満たす処理リソースおよび記憶リソースを備え、ランタイムデバイスにより強力な画像変換モデルを実行するのに不十分な性能基準を満たす処理リソース及び記憶リソースを備えている。即ちランタイムデバイスは、（より大きく、より資源に依存する）強力な画像変換モデルを実行する場合、同等の性能標準を提供するのに十分な資源を有していない。性能基準は、実行時間、実行能力およびユーザエクスペリエンス（サービス品質）のいずれかに関係し得る。

開発者およびターゲットコンピューティングデバイスの態様に加えて、一般的な当業者は、コンピュータプログラム製品の態様が開示され、そこで命令が非一時的な記憶デバイス（例えば、メモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ディスク等）に記憶され、ここに記憶された方法の態様のいずれかを実行するようにコンピューティングデバイスを構成することを理解されるであろう。

実際の実施は、本明細書に記載された特徴のいずれか又は全てを含むことができる。これら及び他の態様、特徴、ならびに様々な組み合わせは、本明細書で説明される特徴を組み合わせる方法、装置、システム、機能を実行するための手段、プログラム製品として、および、他の方法で表現され得る。多数の実施形態が記載されている。それにもかかわらず、本明細書で説明されるプロセス及び技法の精神および範囲から逸脱することなく、様々な修正を行うことができることが理解されるであろう。加えて、記載されたプロセスから、他のステップが提供されても良く、又は、ステップが省略されても良く、記載されたシステムに他のコンポーネントが追加されても良く、又は、記載されたシステムから他の構成要素が除去されても良い。その結果の他の態様は、特許請求の範囲の範囲内にある。

本明細書の説明および特許請求の範囲の全体にわたって、「備える」及び「含む」という語およびそれらの変形は、「含むがこれに限定されない」ことを意味し、他のコンポーネント、整数またはステップを省略することを意図しない（及び省略しない）。本明細書全体を通して、単数形は文脈がそわないことを要求しない限り、複数形を包含する。特に、不定冠詞が使用される場合は本明細書がその状況が他のことを要求していない限り、単数だけでなく複数も意図していると理解されたい。

本発明の特定の態様、実施形態、または例に関連して説明される特徴、整数、特性または、グループはそれと互換性がない限り、任意の他の態様、実施形態、または例に適用可能であると理解されるべきである。本明細書に開示される特徴（任意の添付の特許請求の範囲、要約書、および図面を含む）の全て、及び／又は、そのように開示される任意の方法またはプロセスのステップの全ては、そのような特徴および／またはステップの少なくともいくつかが相互に排他的である組合せを除いて、任意の組合せで組み合わせることができる。本発明は、前述の例または実施形態の詳細に限定されない。本発明は、本明細書（任意の添付の特許請求の範囲、要約書、および図面を含む）に開示された特徴の任意の新規な１つ、または任意の新規な組み合わせ又は開示された任意の方法またはプロセスのステップの任意の新規な１つ、または任意の新規な組み合わせに及ぶ。
＜参考文献＞
1.P. Isola, J. Zhu, T. Zhou, and A. A. Efros, "Image-to-image translation with conditional adversarial networks," CoRR, vol. abs/1611.07004, 2016. arXiv: 1611.07004 [Online]. Available: arxiv.org/abs/1611.07004.
2.J.-Y. Zhu, T. Park, P. Isola, and A. A. Efros, "Unpaired image-to-image translation using cycle-consistent adversarial networks," in Computer Vision (ICCV), 2017 IEEE International Conference on, 2017.
3.M. Brand and A. Hertzmann, "Style machines," in Proceedings of the 27th Annual Conference on Computer Graphics and Interactive Techniques, ser. SIGGRAPH '00, New York, NY, USA: ACM Press/Addison-Wesley Publishing Co., 2000, pp. 183-192, ISBN: 1-58113-208-5. DOI: 10.1145/ 344779.344865. [Online]. Available: dx. doi.org/10.1145/344779.344865.
4.W. T. Freeman and J. B. Tenenbaum, "Learning bilinear models for two-factor problems in vision.," in Proceedings of the 1997 Conference on Computer Vision and Pattern Recognition (CVPR '97), ser. CVPR '97, Washington, DC, USA: IEEE Computer Society, 1997, pp. 554-, ISBN: 0-81867822-4. [Online]. Available: dl.acm.org/ citation.cfm?id=794189.794495.
5.E. Hsu, K. Pulli, and J. Popovie, "Style translation for human motion," ACM Trans. Graph., vol. 24, no. 3, pp. 1082-1089, Jul. 2005, ISSN: 0730-0301. DOI: 10. 1145/1073204. 1073315. [Online]. Available: doi.acm.org/10.1145/1073204. 1073315.
6.L. Gatys, A. Ecker, and M. Bethge, "Image style transfer using convolutional neural networks," Jun. 2016, pp. 2414-2423. DOI: 10.1109/CVPR.2016. 265.
7.A. Hertzmann, C. E. Jacobs, N. Oliver, B. Curless, and D. H. Salesin, "Image analogies," in Proceed-ings of the 28th Annual Conference on Computer Graphics and Interactive Techniques, ser. SIG-GRAPH '01, New York, NY, USA: ACM, 2001, pp. 327-340, ISBN: 1-58113-374-X. DOI: 10.1145/ 383259.383295. [Online]. Available: doi. acm.org/10.1145/383259.383295.
8.A. Shrivastava, T. Pfister, O. Tuzel, J. Susskind, W. Wang, and R. Webb, "Learning from simulated and unsupervised images through adversarial training," CoRR, vol. abs/1612.07828, 2016. arXiv: 1612.07828. [Online]. Available: arxiv. org/abs/1612.07828.
9.I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, "Generative Adversarial Networks," arXiv e-prints, arXiv:1406.2661, arXiv:1406.2661, Jun. 2014. arXiv: 1406.2661 [stat.ML].
10.T. Kim, M. Cha, H. Kim, J. K. Lee, and J. Kim, "Learning to discover cross-domain relations with generative adversarial networks," CoRR, vol. abs/1703.05192, 2017. arXiv: 1703 . 05192. [Online]. Available: arxiv.org/abs/1703.05192.
11.Z. Yi, H. Zhang, P. Tan, and M. Gong, "Du-algan: Unsupervised dual learning for image-to-image translation," CoRR, vol. abs/1704.02510, 2017. arXiv: 1704 . 02510. [Online]. Available: arxiv.org/abs/1704.02510.
12.M. Liu, T. Breuel, and J. Kautz, "Unsupervised image-to-image translation networks," CoRR, vol. abs/1703.00848, 2017. arXiv: 1703 . 00848. [Online]. Available: arxiv.org/abs/1703.00848.
13.T. Zhou, P. Krahenbuhl, M. Aubry, Q. Huang, and A. A. Efros, "Learning dense correspondence via 3d-guided cycle consistency," CoRR, vol. abs/1604.05383, 2016. arXiv: 1604 . 05383. [Online]. Available: arxiv.org/abs/1604.05383.
14.A. Brock, J. Donahue, and K. Simonyan, "Large scale GAN training for high fidelity natural image synthesis," CoRR, vol. abs/1809.11096, 2018. arXiv: 1809.11096. [Online]. Available: arxiv.org/abs/1809.11096.
15.V. Bychkovsky, S. Paris, E. Chan, and F. Durand, "Learning photographic global tonal adjustment with a database of input / output image pairs," in The Twenty-Fourth IEEE Conference on Computer Vision and Pattern Recognition, 2011.
16.Eboye photoshop action. [Online]. Available: www.deviantart.com/eboye /art/Instagram-Photoshop-Action- 253436319.
17.M. Heusel, H. Ramsauer, T. Unterthiner, B. Nessler, G. Klambauer, and S. Hochreiter, "Gans trained by a two time-scale update rule converge to a nash equilibrium," CoRR, vol. abs/1706.08500, 2017. arXiv: 1706 . 08500. [Online]. Available: arxiv.org/abs/1706.08500.
18.O. Ronneberger, P. Fischer, and T. Brox, "U-net: Convolutional networks for biomedical image segmentation," CoRR, vol. abs/1505.04597, 2015. arXiv: 1505.04597. [Online]. Available: arxiv.org/abs/1505.04597.
19.K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," CoRR, vol. abs/1512.03385, 2015. arXiv: 1512 . 03385. [Online]. Available: arxiv.org/abs/1512.03385.
20.A. Levinshtein, C. Chang, E. Phung, I. Kezele, W. Guo, and P. Aarabi, "Real-time deep hair matting on mobile devices," CoRR, vol. abs/1712.07168, 2017. arXiv: 1712 . 07168. [Online]. Available: arxiv.org/abs/1712.07168.
＜その他＞
＜手段＞
技術的思想１の方法は、画像から画像への変換のためのモデルを学習するものであり、ａ．教師なし学習技法を使用して、第１領域空間内の画像の第１サブセットと第２領域空間内の画像の第２サブセットとを含む画像の非ペアデータセットを使用して、前記非ペアデータセットから合成された画像のペアデータセットを生成するように学習された強力な画像変換モデルを学習すること、ｂ．前記強力な画像変換モデルから生成された合成データが学習のための正解データとして提供される教師あり学習技法を使用して、画像を前記第１領域から前記第２領域に変換するように学習されたランタイムモデルであって、前記強力な画像変換モデルと比較してコンパクトで高速なモデルで構成されるランタイムモデルを学習すること、を含むものである。
技術的思想２の方法は、技術的思想１記載の方法において、前記強力な画像変換モデルを学習することは、前記強力な画像変換モデルを前記画像の非ペアデータセットに過剰適合させることを含むものである。
技術的思想３の方法は、技術的思想１又は２に記載の方法において、前記強力な画像変換モデルは、前記画像に適用される効果に従って、前記画像を前記第１領域空間から前記第２領域空間に変換し、前記第１領域空間で定義された前記画像の第１サブセットには効果を適用せず、前記第２領域空間で定義された前記画像の第２サブセットには効果を適用するものである。
技術的思想４の方法は、技術的思想１から３のいずれかに記載の方法において、前記複数の非ペアデータセット画像に関し、ａ．前記第１領域空間における前記画像の第１サブセットのそれぞれは、効果が適用される前記画像の第２サブセットにおいて等価物を有さないものであり、ｂ．第２領域空間における画像の第２サブセットの各々は、効果が適用されない画像の第１サブセットにおいて等価物を有さないものである。
技術的思想５の方法は、技術的思想１から４のいずれかに記載の方法において、前記強力な画像変換モデルは、前記複数の非ペアデータセット画像の周辺分布を使用した前記複数の非ペアデータセット画像の同時分布を学習する機械学習モデルを含むものである。
技術的思想６の方法は、技術的思想１から５のいずれかに記載の方法において、前記強力な画像変換モデルは、前記複数の非ペアデータセット画像を使用して学習される敵対的生成ネットワークを含むものである。
技術的思想７の方法は、技術的思想６記載の方法において、前記敵対的生成ネットワークは、前記複数の非ペアデータセット画像を使用して学習する前の部分的に学習されたネットワークを含むものである。
技術的思想８の方法は、技術的思想１から７のいずれかに記載の方法において、前記適用される効果が、顔の効果、毛髪の着色の効果、ヘアスタイルの効果、マニキュアの効果およびペディキュアの効果のうちの１つである。
技術的思想９の方法は、技術的思想１から８のいずれかに記載の方法において、前記効果は、製品および／またはサービスに関連付けられ、前記方法は、前記ランタイムモデルを前記製品および／またはサービスを購入するためにｅコマースサービスと対話するためのインターフェースを有するランタイムアプリケーションに組み込まれるものである。
技術的思想１０の方法は、技術的思想１から９のいずれかに記載の方法において、前記ランタイムモデルは、前記強力な画像変換モデルが学習される開発者コンピュータよりも少ない記憶および処理リソースを有するターゲットデバイスに記憶されて実行されるように構成される。
技術的思想１１の方法は、技術的思想１から９のいずれかに記載の方法において、前記方法は、ランタイムデバイスに配信するための前記ランタイムモデルを通信することを含み、前記ランタイムデバイスは、前記ランタイムモデルを実行するのに少なくとも十分な性能基準を満たす処理リソースおよび記憶リソースを含み、前記ランタイムデバイスにより強力な画像変換モデルを実行するのに不十分な性能基準を満たす処理リソース及び記憶リソースを含むものである。
技術的思想１２の方法は、技術的思想１から１１のいずれかに記載の方法において、前記ランタイムモデルは、前記ターゲットデバイスを介して、仮想現実、拡張現実または混合現実体験を提供するリアルタイムアプリケーションのコンポーネントとして、又は、リアルタイムアプリケーションによる実行のために構成される。
技術的思想１３の方法は、技術的思想１から１２のいずれかに記載の方法において、ランタイムモデルを学習するのに使用するために、品質尺度に応答して、合成された画像のペアデータセットから画像のペアを選択するものである。
技術的思想１４のコンピューティングデバイスは、プロセッサ及び記憶ユニットを備えるものであり、技術的思想１から１３のいずれかに記載の方法を実行するための命令が前記記憶ユニットに記憶される。
技術的思想１５のコンピューティングデバイスは、処理ユニット及び記憶ユニットを備えるものであり、前記記憶ユニットには、命令と技術的思想１から１３のいずれかに記載の方法により学習された前記ランタイムモデルとが記憶され、前記命令が前記処理ユニットによって実行されたときに、前記ランタイムモデルを使用して、前記第１領域からの画像を変換して前記第２領域内に画像を生成するように構成される。
技術的思想１６のコンピューティングデバイスは、処理ユニット及び記憶ユニットを備え、画像に適用される効果に従って、前記画像を第１領域空間から第２領域空間に変換するための学習されたランタイムモデルを定義するためのものであり、前記記憶ユニットには、ｉ．効果が適用されない前記第１領域空間で定義された画像の第１サブセットと、効果が適用される前記第２領域空間で定義された画像の第２サブセットとを含む複数の非ペア画像、ｉｉ．前記複数の非ペア画像を使用する学習によって調整される第１モデルであり、以下のように構成される第１モデル、１．前記第１サブセットとペアになる第１偽画像を生成するために、前記画像の第１サブセットを前記第２領域空間に変換すること、２．前記第２サブセットとペアになる第２偽画像を生成するために、前記画像の第２サブセットを前記第１領域空間に変換すること、ここで、前記第１サブセットと前記第１偽画像と前記第２サブセットと前記第２偽画像とは、それぞれ、複数のペア画像を定義するものであり、ｉｉｉ．前記第１領域空間内の画像を前記第２領域空間内の画像に変換すると共に、学習されたときにターゲットデバイス上で実行するように構成されたランタイムモデルであって、複数のペア画像を使用する学習によって調整されるランタイムモデル、が記憶され、前記処理ユニットは、前記複数の非ペア画像を用いて学習することで、学習された前記第１モデルを生成し、前記第１偽画像および前記第２偽画像を生成するために、学習された前記第１モデルに前記複数の非ペア画像を提供し、前記複数のペア画像を生成するために、前記画像の第１サブセット及び前記画像の第２サブセットをそれぞれ用いて前記第１偽画像および前記第２偽画像をペアにし、学習された前記ランタイムモデルを生成するために、前記複数のペア画像を用いて学習するように構成される。
技術的思想１７のコンピューティングデバイスは、技術的思想１６記載のコンピューティングデバイスにおいて、前記処理ユニットは、前記第１モデルを過剰学習して、前記複数非ペア画像に対する性能を最大化するように構成される。
技術的思想１８のコンピューティングデバイスは、技術的思想１６又は１７に記載のコンピューティングデバイスにおいて、前記複数の非ペア画像に関し、ａ．前記第１領域空間における前記画像の第１サブセットのそれぞれは、効果が適用される前記画像の第２サブセットにおいて等価物を有さないものであり、ｂ．前記第２領域空間における前記画像の第２サブセットのそれぞれは、効果が適用されない画像の第１サブセットにおいて等価物を有さないものである。
技術的思想１９のコンピューティングデバイスは、技術的思想１６から１８のいずれかに記載のコンピューティングデバイスにおいて、前記記憶デバイスは、品質尺度を使用して前記第１サブセットと第１偽画像と前記第２サブセットと第２偽画像とからペアを選択するように構成されたフィルタを記憶し、前記処理ユニットは、前記ランタイムモデルを学習するための前記ペア画像を決定するために前記フィルタを使用するように構成される。
技術的思想２０のコンピューティングデバイスは、技術的思想１６から１９のいずれかに記載のコンピューティングデバイスにおいて、前記第１モデルは、前記複数の非ペア画像の周辺分布を使用した前記複数の非ペア画像の同時分布を学習する機械学習モデルを含むものである。
技術的思想２１のコンピューティングデバイスは、技術的思想１６から１９のいずれかに記載のコンピューティングデバイスにおいて、前記第１モデルは、前記複数の非ペア画像を使用して学習された敵対的生成ネットワークを含むものである。
技術的思想２２のコンピューティングデバイスは、技術的思想２１記載のコンピューティングデバイスにおいて、前記敵対的生成ネットワークは、前記複数の非ペア画像を使用して学習する前の部分的に学習されたネットワークを備えている。
技術的思想２３のコンピューティングデバイスは、技術的思想２１又は２２に記載のコンピューティングデバイスにおいて、前記敵対的生成ネットワークは、サイクル敵対的生成ネットワーク、デュアル敵対的生成ネットワーク、サイクル敵対的一貫性ネットワーク及び結合敵対的生成ネットワークのうちのいずれか１つを備えている。
技術的思想２４のコンピューティングデバイスは、技術的思想１６から２３のいずれかに記載のコンピューティングデバイスにおいて、前記ランタイムモデルは、デスクトップコンピュータ、ラップトップ／ノートブックコンピュータ、モバイルデバイス、パーソナルデジタルアシスタンス（ＰＤＡ）、タブレットの少なくとも１つに展開するためのパラメータの最小限のセットと最小限のメモリサイズとを含むように構成される。
技術的思想２５のコンピューティングデバイスは、技術的思想１６から２３のいずれかに記載のコンピューティングデバイスにおいて、前記ランタイムモデルは、最大限のグラフィックス処理性能で構築されたゲーミングコンピュータ、サーバ、または他のコンピューティングデバイスと比較して、記憶および処理リソースを削減したユーザコンピューティングデバイスに展開されるように構成される。
技術的思想２６のコンピューティングデバイスは、技術的思想１６から２５のいずれかに記載のコンピューティングデバイスにおいて、前記処理ユニットは、前記第１領域空間から前記第２領域空間へのリアルタイム変換を提供し、前記適用される効果のための仮想現実、拡張現実および混合現実体験のうちの１つを提供するために、ランタイムアプリケーションに組み込まれるランタイムモデルを提供するように構成される。
技術的思想２７のコンピューティングデバイスは、技術的思想１６から２６のいずれかに記載のコンピューティングデバイスにおいて、前記適用される効果が、顔の効果、毛髪の着色の効果、ヘアスタイルの効果、マニキュアの効果およびペディキュアの効果のうちの１つである。
技術的思想２８のコンピューティングデバイスは、技術的思想２７記載のコンピューティングデバイスにおいて、前記適用される効果が、３次元のメイクアップの効果である。
技術的思想２９の方法は、画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換するための学習されたランタイムモデルを定義するものであり、記憶ユニットを、ｉ．効果が適用されない前記第１領域空間で定義された画像の第１サブセットと、効果が適用される前記第２領域空間で定義された画像の第２サブセットとを含む複数の非ペア画像、ｉｉ．前記複数の非ペア画像を使用する学習によって調整される第１モデルであり、以下のように構成されるその第１モデル、１．前記第１サブセットとペアになる第１偽画像を生成するために、前記画像の第１サブセットを前記第２領域空間に変換すること、２．前記第２サブセットとペアになる第２偽画像を生成するために、前記画像の第２サブセットを前記第１領域空間に変換すること、ここで、前記第１サブセットと前記第１偽画像と前記第２サブセットと前記第２偽画像とは、それぞれ、複数のペア画像を定義するものであり、ｉｉｉ．前記第１領域空間内の画像を前記第２領域空間内の画像に変換すると共に、学習されたときにターゲットデバイス上で実行するように構成されたランタイムモデルであって、複数のペア画像を使用する学習によって調整されるランタイムモデル、を記憶するものとして提供し、処理ユニットを、前記複数の非ペア画像を用いて学習することで、学習された前記第１モデルを生成し、前記第１偽画像および前記第２偽画像を生成するために、学習された前記第１モデルに前記複数の非ペア画像を提供し、前記複数のペア画像を生成するために、前記画像の第１サブセット及び前記画像の第２サブセットをそれぞれ用いて前記第１偽画像および前記第２偽画像をペアにし、学習された前記ランタイムモデルを生成するために、前記複数のペア画像を用いて学習するように動作させるものである。
技術的思想３０のコンピュータプログラム製品は、命令および／またはデータを記憶する非一時的な記憶ユニットを備え、前記命令がコンピューティングデバイスの処理ユニットによって実行されるとき、前記コンピューティングデバイスは画像に適用される効果に従って、前記画像を第１領域空間から第２領域空間に変換するために、学習されたランタイムモデルを定義するための方法を実行するように構成されるものであり、前記記憶ユニットは、ｉ．効果が適用されない前記第１領域空間で定義された画像の第１サブセットと、効果が適用される前記第２領域空間で定義された画像の第２サブセットとを含む複数の非ペア画像、ｉｉ．前記複数の非ペア画像を使用する学習によって調整される第１モデルであり、その第１モデルは、以下のように構成される、１．前記第１サブセットとペアになる第１偽画像を生成するために、前記画像の第１サブセットを前記第２領域空間に変換すること、２．前記第２サブセットとペアになる第２偽画像を生成するために、前記画像の第２サブセットを前記第１領域空間に変換すること、ここで、前記第１サブセットと前記第１偽画像と前記第２サブセットと前記第２偽画像とは、それぞれ、複数のペア画像を定義するものであり、ｉｉｉ．前記第１領域空間内の画像を前記第２領域空間内の画像に変換すると共に、学習されたときにターゲットデバイス上で実行するように構成されたランタイムモデルであって、複数のペア画像を使用する学習によって調整されるランタイムモデル、を記憶し、前記命令は、前記コンピュータデバイスを、前記複数の非ペア画像を用いて学習することで、学習された前記第１モデルを生成し、前記第１偽画像および前記第２偽画像を生成するために、学習された前記第１モデルに前記複数の非ペア画像を提供し、前記複数のペア画像を生成するために、前記画像の第１サブセット及び前記画像の第２サブセットをそれぞれ用いて前記第１偽画像および前記第２偽画像をペアにし、学習された前記ランタイムモデルを生成するために、前記複数のペア画像を用いて学習するように動作させるものである。
技術的思想３１のコンピューティングデバイスは、画像に適用される効果に従って、前記画像を第１領域空間から第２領域空間に変換するものであり、ａ．前記画像を前記第１領域空間から前記第２領域空間に変換するためのランタイムモデルであって、前記第１領域空間における第１画像と、前記第２領域空間における第２画像とを含む複数の非ペア画像を、第１モデルを使用して変換することによって生成される複数のペア画像を使用する学習によって条件付けられるランタイムモデルを記憶する記憶ユニットであって、ｉ．前記複数の非ペア画像は、効果が適用されない前記第１領域空間で定義された画像の第１サブセットと、効果が適用される前記第２領域空間で定義された画像の第２サブセットとを含むものであり、ｉｉ．前記第１モデルは、前記複数の非ペア画像を使用する学習によって調整されるものであり、その以下のように構成される：１．前記第１サブセットとペアになる第１偽画像を生成するために、前記画像の第１サブセットを前記第２領域空間に変換すること、２．前記第２サブセットとペアになる第２偽画像を生成するために、前記画像の第２サブセットを前記第１領域空間に変換すること、ここで、前記第１サブセットと前記第１偽画像と前記第２サブセットと前記第２偽画像とは、それぞれ、複数のペア画像を定義するものであり、ｂ．前記画像を前記ランタイムモデルに提供し、提示のために前記ランタイムモデルによって変換された画像を提供するように構成された処理ユニットと、を含んでいる。
技術的思想３２のコンピューティングデバイスは、技術的思想３１記載のコンピューティングデバイスにおいて、前記第１モデルは、前記複数の非ペア画像に対する性能を最大化するように過剰学習されたモデルを含むものである。
技術的思想３３のコンピューティングデバイスは、技術的思想３１又は３２に記載のコンピューティングデバイスにおいて、前記複数の非ペア画像に関し、ａ．前記第１領域空間における前記画像の第１サブセットのそれぞれは、効果が適用される前記画像の第２サブセットにおいて等価物を有さないものであり、ｂ．前記第２領域空間における前記画像の第２サブセットのそれぞれは、効果が適用されない画像の第１サブセットにおいて等価物を有さないものである。
技術的思想３４のコンピューティングデバイスは、技術的思想３１から３３のいずれかに記載のコンピューティングデバイスにおいて、前記ランタイムモデルは、品質尺度を使用して前記第１サブセットと第１偽画像と前記第２サブセットと第２偽画像とからペアを選択するように構成されたフィルタを使用することにより決定されたペア画像を使用して調整されたものである。
技術的思想３５のコンピューティングデバイスは、技術的思想３１から３４のいずれかに記載のコンピューティングデバイスにおいて、前記第１モデルが、前記複数の非ペア画像の周辺分布を使用した前記複数の非ペア画像の前記同時分布を学習する機械学習モデルを含むものである。
技術的思想３６のコンピューティングデバイスは、技術的思想３１から３４のいずれかに記載のコンピューティングデバイスにおいて、前記第１モデルは、前記複数の非ペア画像を使用して学習された敵対的生成ネットワークを含むものである。
技術的思想３７のコンピューティングデバイスは、技術的思想３６記載のコンピューティングデバイスにおいて、前記敵対的生成ネットワークは、サイクル敵対的生成ネットワーク、デュアル敵対的生成ネットワーク、サイクル敵対的生成ネットワーク及び結合敵対的生成ネットワークのうちのいずれか１つを含むものである。
技術的思想３８のコンピューティングデバイスは、技術的思想３１から３７のいずれかに記載のコンピューティングデバイスにおいて、前記ランタイムモデルは、パラメータの最小限のセットと最小限のメモリサイズとを含み、前記コンピューティングデバイスは、デスクトップコンピュータ、ラップトップ／ノートブックコンピュータ、モバイルデバイス、パーソナルデータアシスタンス（ＰＤＡ）及びタブレットのうちの１つを含む。
技術的思想３９のコンピューティングデバイスは、技術的思想３１から３７のいずれかに記載のコンピューティングデバイスにおいて、最大限のグラフィックス処理性能で構築されたゲーミングコンピュータ、サーバ又は他のコンピューティングデバイスと比較して、削減された記憶および処理リソースを含むものである。
技術的思想４０のコンピューティングデバイスは、技術的思想３１から３９のいずれかに記載のコンピューティングデバイスにおいて、前記ランタイムモデルが、前記適用される効果のための仮想または拡張現実体験を提供するために前記第１領域空間から前記第２領域空間へのリアルタイム変換を提供するためのランタイムアプリケーションに組み込まれるものである。
技術的思想４１のコンピューティングデバイスは、技術的思想３１から４０のいずれかに記載のコンピューティングデバイスにおいて、前記適用される効果が、顔の効果、毛髪の着色の効果、ヘアスタイルの効果、マニキュアの効果およびペディキュアの効果のうちの１つである。
技術的思想４２のコンピューティングデバイスは、技術的思想３１から４０のいずれかに記載のコンピューティングデバイスにおいて、前記適用される効果が、絵画および建物スタイル、画像の着色、フィルタアプリケーション、超解像アプリケーション、異なる物体と対象との間の特徴の変換、衛星画像から地図への変換およびスケッチから写真への変換のうちの１つである。
技術的思想４３のコンピューティングデバイスは、技術的思想３１から４２のいずれかに記載のコンピューティングデバイスにおいて、変換される前記画像が、自撮りの画像または自撮りのビデオを含むものである。
技術的思想４４のコンピューティングデバイスは、技術的思想３１から４３のいずれかに記載のコンピューティングデバイスにおいて、前記適用される効果が、３次元の効果である。
技術的思想４５のコンピューティングデバイスは、技術的思想３１から４４のいずれかに記載のコンピューティングデバイスにおいて、前記処理ユニットが、受信するための前記画像を取り込むために、ａ．前記コンピューティングデバイスはカメラを備える、ｂ．前記コンピューティングデバイスがカメラに結合される、のうちの１つで構成される。
技術的思想４６のコンピュータプログラム製品は、命令および／またはデータを記憶する非一時的な記憶ユニットを備えるものであり、前記命令がコンピューティングデバイスの処理ユニットによって実行されるとき、前記コンピューティングデバイスは、画像に適用される効果に従って、前記画像を第１領域空間から第２領域空間に変換する方法を実行するように構成されるものであって、ａ．前記記憶ユニットは、前記画像を前記第１領域空間から前記第２領域空間に変換するためのランタイムモデルであって、前記第１領域空間における第１画像と、前記第２領域空間における第２画像とを含む複数の非ペア画像を、第１モデルを使用して変換することによって生成される複数のペア画像を使用する学習によって条件付けられるランタイムモデルを記憶し、ｉ．前記複数の非ペア画像は、効果が適用されない前記第１領域空間で定義された画像の第１サブセットと、効果が適用される前記第２領域空間で定義された画像の第２サブセットとを含むものであり、ｉｉ．前記第１モデルは、前記複数の非ペア画像を使用する学習によって調整されるものであり、その以下のように構成される：１．前記第１サブセットとペアになる第１偽画像を生成するために、前記画像の第１サブセットを前記第２領域空間に変換すること、２．前記第２サブセットとペアになる第２偽画像を生成するために、前記画像の第２サブセットを前記第１領域空間に変換すること、ここで、前記第１サブセットと前記第１偽画像と前記第２サブセットと前記第２偽画像とは、それぞれ、複数のペア画像を定義するものであり、ｂ．前記処理ユニットは、前記画像を前記ランタイムモデルに提供し、提示のために前記ランタイムモデルによって変換された画像を提供するように構成される。
技術的思想４７のコンピューティングデバイスは、画像に適用される効果に従って、画像を第１領域空間から第２領域空間に変換することによって、複数の非ペア画像から複数のペア画像を生成するものであり、ａ．記憶ユニットであって、ｉ．前記適用される効果を有さない前記第１領域空間において定義された画像の第１サブセットと、効果が適用される前記第２領域空間において定義された画像の第２サブセットとを含む前記複数の非ペア画像、ｉｉ．前記複数の非ペア画像に対する性能を最大化するように過剰学習され、以下のように構成されるモデル、１．前記第１サブセットとペアになる第１偽画像を生成するために、画像の前記第１サブセットを前記第２領域空間に変換し、２．前記第２サブセットとペアになる第２偽画像を生成するために、画像の前記第２サブセットを前記第１領域空間に変換する、を記憶する記憶ユニットと、ｂ．処理ユニットであって、過剰適合された第１モデルを生成するために前記複数の非ペア画像で過剰適合し、前記第１偽画像および前記第２偽画像を生成するために、過剰適合された前記複数の非ペア画像を前記第１モデルに提供し、前記複数のペア画像を生成するために、前記第１偽画像および前記第２偽画像をそれぞれの前記第１画像サブセット及び前記第２画像サブセットとペアになるように構成される処理ユニットとから構成される。
技術的思想４８のコンピューティングデバイスは、技術的思想４７記載のコンピューティングデバイスにおいて、前記複数の非ペア画像に関し、ａ．前記第１領域空間における前記画像の第１サブセットのそれぞれは、効果が適用される前記画像の第２サブセットにおいて等価物を有さないものであり、ｂ．前記第２領域空間における前記画像の第２サブセットのそれぞれは、効果が適用されない画像の第１サブセットにおいて等価物を有さないものである。
技術的思想４９のコンピューティングデバイスは、技術的思想４７又は４８に記載のコンピューティングデバイスにおいて、前記モデルは、前記複数の非ペア画像の周辺分布を使用した前記複数の非ペア画像の同時分布を学習する機械学習モデルを含むものである。
技術的思想５０のコンピューティングデバイスは、技術的思想４７から４９のいずれかに記載のコンピューティングデバイスにおいて、前記モデルは、前記複数の非ペア画像を使用して学習された敵対的生成ネットワークを含むものである。
技術的思想５１のコンピューティングデバイスは、技術的思想５０記載のコンピューティングデバイスにおいて、前記敵対的生成ネットワークは、前記複数の非ペア画像を使用して学習する前の部分的に学習されたネットワークを含むものである。
技術的思想５２のコンピューティングデバイスは、技術的思想４９又は５０に記載のコンピューティングデバイスにおいて、前記敵対的生成ネットワークは、サイクル敵対的生成ネットワーク、デュアル敵対的生成ネットワーク、サイクル敵対的一貫性ネットワーク及び結合敵対的生成ネットワークのうちのいずれか１つを含むものである。
技術的思想５３のコンピューティングデバイスは、技術的思想４７から５２のいずれかに記載のコンピューティングデバイスにおいて、前記適用される効果が、顔の効果、毛髪の着色の効果、ヘアスタイルの効果、マニキュアの効果およびペディキュアの効果のうちの１つである。
技術的思想５４のコンピューティングデバイスは、技術的思想４７から５３のいずれかに記載のコンピューティングデバイスにおいて、前記適用される効果が、絵画および建物スタイル、画像の着色、フィルタアプリケーション、超解像アプリケーション、異なる物体と対象との間の特徴の変換、衛星画像から地図への変換およびスケッチから写真への変換のうちの１つである。
技術的思想５５の方法は、技術的思想４７から５４のいずれかに記載の方法において、ランタイムモデルを学習するために使用する品質尺度に応答して、前記複数のペア画像を定義することを含むものである。
技術的思想５６のコンピュータプログラム製品は、命令および／またはデータを記憶する非一時的な記憶ユニットを備え、前記命令がコンピューティングデバイスの処理ユニットによって実行されるとき、前記コンピューティングデバイスは、画像に適用される効果に従って、前記画像を第１領域空間から第２領域空間に変換することによって、複数の非ペア画像から複数のペア画像を生成する方法を実行するように構成されるものであり、ａ．前記記憶ユニットは、ｉ．前記適用される効果を有さない前記第１領域空間において定義された画像の第１サブセットと、効果が適用される前記第２領域空間において定義された画像の第２サブセットとを含む前記複数の非ペア画像、ｉｉ．前記複数の非ペア画像に対する性能を最大化するように過剰学習され、以下のように構成されるモデル、１．前記第１サブセットとペアになる第１偽画像を生成するために、画像の前記第１サブセットを前記第２領域空間に変換し、２．前記第２サブセットとペアになる第２偽画像を生成するために、画像の前記第２サブセットを前記第１領域空間に変換する、を記憶するものであり、ｂ．前記処理ユニットは、過剰適合された第１モデルを生成するために前記複数の非ペア画像で過剰適合し、前記第１偽画像および前記第２偽画像を生成するために、過剰適合された前記複数の非ペア画像を前記第１モデルに提供し、前記複数のペア画像を生成するために、前記第１偽画像および前記第２偽画像をそれぞれの前記第１画像サブセット及び前記第２画像サブセットとペアになるように構成される。

Claims (10)

1. 画像に適用される効果に従って、前記画像を第１領域空間から第２領域空間に変換するコンピューティングデバイスであって、
   ａ．前記画像を前記第１領域空間から前記第２領域空間に変換するためのランタイムモデルであって、前記第１領域空間における第１画像と、前記第２領域空間における第２画像とを含む複数の非ペア画像を、第１モデルを使用して変換することにより生成される複数のペア画像を使用する学習によって条件付けられるランタイムモデルを記憶する記憶ユニットであって、
   ｉ．前記複数の非ペア画像は、効果が適用されない前記第１領域空間で定義された画像の第１サブセットと、効果が適用される前記第２領域空間で定義された画像の第２サブセットとを含むものであり、
   ｉｉ．前記第１モデルは、前記複数の非ペア画像を使用する学習によって調整されるものであり、以下のように構成される：
   １．前記第１サブセットとペアになる第１偽画像を生成するために、前記画像の第１サブセットを前記第２領域空間に変換すること、
   ２．前記第２サブセットとペアになる第２偽画像を生成するために、前記画像の第２サブセットを前記第１領域空間に変換すること、ここで、前記第１サブセット及び前記第２偽画像のセットと、前記第２サブセット及び前記第１偽画像のセットとの前記複数のペア画像が定義され、
   ｂ．前記画像を前記ランタイムモデルに提供し、提示のために前記ランタイムモデルにより変換された画像を提供するように構成された処理ユニットと、
   を含むコンピューティングデバイス。
2. 前記第１モデルは、前記複数の非ペア画像に対する性能を最大化するように過剰学習されたモデルを含む請求項１記載のコンピューティングデバイス。
3. 前記第１モデルは、前記複数の非ペア画像を使用して学習された敵対的生成ネットワークを含む請求項１又は２に記載のコンピューティングデバイス。
4. 前記ランタイムモデルは、品質尺度を使用して前記第１サブセットと第１偽画像と前記第２サブセットと第２偽画像とからペアを選択するように構成されたフィルタを使用することにより決定されたペア画像を使用して調整されたものである請求項１記載のコンピューティングデバイス。
5. 前記ランタイムモデルは、パラメータの最小限のセットと最小限のメモリサイズとを含み、前記コンピューティングデバイスは、デスクトップコンピュータ、ラップトップ／ノートブックコンピュータ、モバイルデバイス、パーソナルデータアシスタンス（ＰＤＡ）及びタブレットのうちの１つを含む請求項１，２又は４のいずれかに記載のコンピューティングデバイス。
6. 前記ランタイムモデルが、適用される前記効果のための仮想または拡張現実体験を提供するために前記第１領域空間から前記第２領域空間へのリアルタイム変換を提供するためのランタイムアプリケーションに組み込まれる請求項１，２又は４のいずれかに記載のコンピューティングデバイス。
7. 適用される前記効果が、顔の効果、毛髪の着色の効果、ヘアスタイルの効果、マニキュアの効果およびペディキュアの効果のうちの１つである請求項１記載のコンピューティングデバイス。
8. 適用される前記効果が、絵画および建物スタイル、画像の着色、フィルタアプリケーション、超解像アプリケーション、異なる物体と対象との間の特徴の変換、衛星画像から地図への変換、スケッチから写真への変換および３次元の効果のうちの１つである請求項１，２，４又は７に記載のコンピューティングデバイス。
9. 前記複数の非ペア画像に関し、
   ａ．前記第１領域空間における前記画像の第１サブセットのそれぞれは、効果が適用される前記画像の第２サブセットにおいて等価物を有さないものであり、
   ｂ．前記第２領域空間における前記画像の第２サブセットのそれぞれは、効果が適用されない画像の第１サブセットにおいて等価物を有さないものである請求項１，２，４又は７に記載のコンピューティングデバイス。
10. 命令および／またはデータを記憶する非一時的な記憶媒体であって、前記命令がコンピューティングデバイスの処理ユニットによって実行されるとき、前記コンピューティングデバイスは、画像に適用される効果に従って、前記画像を第１領域空間から第２領域空間に変換する方法を実行するように構成されるものであり、
    ａ．前記記憶媒体は、前記画像を前記第１領域空間から前記第２領域空間に変換するためのランタイムモデルであって、前記第１領域空間における第１画像と、前記第２領域空間における第２画像とを含む複数の非ペア画像を、第１モデルを使用して変換することにより生成される複数のペア画像を使用する学習によって条件付けられるランタイムモデルを記憶し、
    ｉ．前記複数の非ペア画像は、効果が適用されない前記第１領域空間で定義された画像の第１サブセットと、効果が適用される前記第２領域空間で定義された画像の第２サブセットとを含むものであり、
    ｉｉ．前記第１モデルは、前記複数の非ペア画像を使用する学習によって調整されるものであり、以下のように構成される：
    １．前記第１サブセットとペアになる第１偽画像を生成するために、前記画像の第１サブセットを前記第２領域空間に変換すること、
    ２．前記第２サブセットとペアになる第２偽画像を生成するために、前記画像の第２サブセットを前記第１領域空間に変換すること、ここで、前記第１サブセット及び前記第２偽画像のセットと、前記第２サブセット及び前記第１偽画像のセットとの前記複数のペア画像が定義され、
    ｂ．前記処理ユニットは、前記画像を前記ランタイムモデルに提供し、提示のために前記ランタイムモデルにより変換された画像を提供するように構成されるものである記憶媒体。

Images