先端技術とメディア表現(FTMA2020) 第３回全レポート

Transcript

1. Illuminating clay: a 3-D tangible interface for landscape analysis(2002) どんなもの？ ・粘⼟を使った⼊⼒を⾏い、それに基づいた情 報を映像によって出⼒する装置。 ・景観分析に使うことができる。 どうやって有効だと検証した？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ システムの実装。 No.9 物理オブジェクトを認識しているわけではない のでオブジェクト間の相互作⽤を使うことがで きない。 ⼊⼒に物理オブジェクトを使うことで複雑な形 状や物理的な関係を直感的な分析を⾏える。 “Urp”(1999) ・計算によって得られた情報はプロジェクターを 使って、このオブジェクトの表⾯に投影される。 ・レーザースキャナーを⽤いて、物理的な形 状をリアルタイムで検出する。
2. Bringing Clay and Sand into Digital Design --- Continuous Tangible user Interfaces(2004) どんなもの？ 物理オブジェクトを⽤いた⼊⼒によって設計プ ロセスの初期フェーズを、コンピュータ計算に よる出⼒で最終フェーズをサポートする。 どうやって有効だと検証した？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ ユーザビリティ調査を⾏った。 No.10 CADで作ると困難で時間のかかる⾮常に複雑 な形状をすばやく作成できる。 ・景観設計に物理オブジェクトとコンピュータ を同時に⽤いる。 ・Urpなどの他のTUIと⽐べて、複雑な形状を 扱うことができる。 “Urp”(1999) 台の下から⾚外線を放射し、砂を通過して出て きた⾚外線の強度を測った。
3. SLAP widgets: Bridging the gap between virtual and physical controls on tabletops(2009) どんなもの？ 仮想的なコントロールに簡易的な物体を⽤い、 フィードバックを得る。 どうやって有効だと検証した？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ ユーザ調査を⾏い、仕様説明の時間、タスク完 了時間の変化を調べた。 仮想的なコントロールのように安価で柔軟に 扱え、物理的なコントロールのように精度が ⾼く、直感的に扱える。 テーブルの下に⾚外線カメラを配置。物体が⾚ 外線が反射することでその物体を特定できる。 “DataTiles”(2001) No14 触覚フィードバックを使えば、視覚を使わず に済むという利点がある。
4. Physical telepresence: shape capture and display for embodied, computer-mediated remote collaboration(2014) どんなもの？ オブジェクトの形状をリモートでレンダリング する。 どうやって有効だと検証した？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ 実験を⾏い、被験者にいくつかのタスクをこ なしてもらった。 ・リモートで物理的な相互作⽤を⽣成。 ・相互作⽤をTUIによって作り出す。 垂直⽅向の⼒しかないのでオブジェクトをつ かむことはできないが、傾きをつくってスラ イドさせて移動させることは可能。 “PSyBench”(1998), “The Actuated Workbench”(2002) No.20 ・リニアアクチュエータを⽤いて、2.5Dのディ スプレイを製作。 ・深度センサを⽤いて、オブジェクトとジェ スチャーを検知。
5. Materiable: Rendering Dynamic Material Properties in Response to Direct Physical Touch with Shape Changing Interfaces(2016) どんなもの？ 形状変化インターフェースを使って、柔軟性、 弾性、粘度といった材料特性を表現する。 どうやって有効だと検証した？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ ユーザー調査を⾏い、ユーザーが特定の特性を 区別できるかどうか調査した。 No.6 今までは利⽤する材料の特性しか⽤いていな かった。例えば、砂を⽤いたインターフェスな ら砂の特性しか⽤いていない。 "LineFORM"(2015) 材料特性エミュレーターとタッチ検出器を⽤い る。 柔軟性、弾性、粘度の対応するパラメータを変更す ることで、材料特性の知覚に直接影響を与えること ができる。 形状表⽰の解像度を向上すれば、より細かい触覚 フィードバックを提供できそう。
6. inFORCE: Bi-directional `Force' Shape Display for Haptic Interaction(2019) どんなもの？ ピンベースの形状ディスプレイで⼒の検出と フィードバック制御を⾏うことで、新たな触覚 デバイスを作成。 どうやって有効だと検証した？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ ユーザ調査を⾏い、剛性、材料、層を知覚でき るか調べた。 モータードライバー内の電流検出機能と位置出⼒ によって⼒を測定する。 No.15 表⾯の⼿触りや付着⼒など、他の触覚特性を 強化するための課題がある。 視覚を組み合わせる⽅法の検討。 振動や電気刺激ではなく、物理オブジェクトの 形状を使って触覚を⽣成。 フィードバック制御を使ってピンを⽬標の位 置に移動させる。 "Providing Haptics to Walls and Other Heavy Objects"(2017)
7. どんなもの？ 先行研究と比べてどこがすごい？ 技術や手法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論文は？ 2次エラーメトリック（QEM）との比較で、この技術はedge decimationが高速で効率的であり、対応するedge decimation から同時にフレームを出力できる。この技術を土台として、 加えて大まかに単純化をすることで、編集をより簡略化する ことができる。 Animated Mesh Approximation With Sphere-Meshes JEAN-MARC THIERY Delft University of Technology ÉMILIE GUY and TAMY BOUBEKEUR LTCI, CNRS, Télécom-ParisTech, Université Paris-Saclay ELMAR EISEMANN Delft University of Technology 球体を組み合わせることによって、元のアニメーションの動 く部分（関節）を表現する（近似したものを表現する）こと によって、低コストでアニメーションメッシュを簡略化し、 元データよりデータを圧縮する近似アルゴリズムの提案 キモとなる関節の球体をフレームごとに最適化して、時間的 一貫性を持たせる。そうすることで各球体に滑らかな軌道を 強制することができる。 形状近似法をC++に実装して、パフォーマンスのキャプチャと その合成アニメーションを作成し、入力までのタイミングなどを 報告。 モデルによっては球体メッシュが上手く適応するが、不要なリン クが導入されてしまい、動きがおかしくなったり、接続が不十分 で複雑化してしまうことがある。ボーンと球体の重みなども考慮 する必要がある BLOOMENTHAL, J. AND SHOEMAKE, K. 1991. Convolution surfaces. In ACM SIGGRAPH Computer Graphics. KAVAN, L., SLOAN, P.-P., AND O’SULLIVAN, C. 2010. Fast and efficient skinning of animated meshes. In Computer Graphics Forum. Vol. 29.
8. Full 3D Reconstruction of Transparent Objects Bojian Wu,Yang Zhou,Yiming Qian,Minglun Gong,Hui Huang どんなもの？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ どうやって有効だと証明した？ 次に読むべき論⽂は？ 透明な物体を⾃動的に3Dモデルに変換する⼿法 ⼈⼯的な3Dモデルのレンダリングと実際の物体に対して の3Dモデルの作成をそれぞれアルゴリズムを適⽤し評価 している 今までの⼿法では⼀度⾊をつけなくては3Dモデルを作成 できなかった透明な物体を複雑な条件もなく完全に⾃動的 に3Dモデルに変換できる ２つの固定されたカメラを⽤いて回転台上の物体の形状と 光の屈折を計測し、初期のモデルを作成し、それを計測し た情報から次第に正確な物体の形状に改良する 3Dモデルを作成する際に発⽣したエラーの原因やこの⼿ 法の改善点であるカメラの死⾓や光の屈折の仮説について 議論している その他の3Dモデルについての論⽂ SIGGRAPH2018,August 15,2018, Bojian Wu
9. どんなもの？ 先行研究と比べてどこがすごい？ 技術や手法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次の読むべき論文は？ atmoSphere: Designing Cross-Modal Music Experiences Using Spatial Audio with Haptic Feedback ヘッドホンとボール型のデバイスによる触覚フィードバッ クを用いて、バイノーラル録音の立体音響と、それに合わ せて編集された音の触感を体験できる。触覚提示と音楽を 掛け合わせることで、ユーザの空間認知の拡張とマインド フルネストレーニングのリラックス状態を強める。 触覚と視覚に着目した研究は多いが、触覚と聴覚のクロス モーダルを仕組みを使ったインタラクション研究は少ない。 音や触覚の種類によってクロスモーダル効果に違いがある。 音楽体験の没入感とマインドフルネスに関する2つのデモ を行った。後者の実験では、J!NS MEMEというスマート グラスで目と頭の動きを計測して、ユーザのリラックス状 態を推測した。 ボール型デバイスは8つの触覚トランスデューサと繋がっ ており、音空間の8方向の位置関係が連動している。 (SIGGRAPH 2017) Haruna Fushimi, Daiya Kato, Youichi Kamiyama, Kazuya Yanagawa, Kouta Minamizawa, Kai Kunze Reality jockey: lifting the barrier between alternate realities through audio and haptic feedback.(SIGCHI 2013)
10. どんなもの？ 先行研究と比べてどこがすごい？ 技術や手法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次の読むべき論文は？ Synesthesia Suit: the full body immersive experience VR環境において全身に振動触覚が感じられる共感覚スー ツ。視覚、聴覚、触覚を跨いで身体まるごとゲームの世界 に入っているような没入体験を実現する。 スーツには24のボイスコイルアクチュエーターが取り付 けられ、身体全体で振動を感じられる ゲーム中で様々な物体に触れたりぶつかったりするのに合 わせて様々な質感の振動を提示する PlayStation Experience(ビデオゲームのイベント)でユーザ に体験してもらった (SIGGRAPH 2015) Yukari Konishi, Nobuhisa Hanamitsu, Kouta Minamizawa, Ayahiko Sato and Tetsuya Mizuguchi, Keio University Graduate School of Media Design, Rhizomatiks Co. Ltd., enhance games, inc. Augmented haptics for interactive gameplay(SIGGRAPH 2015) 触感データは音声信号として扱う。触感をデザインしたい シーンのイメージに合う音源を用意し、エフェクトやイコ ライザなどでその波形を編集する。
11. Real-Time Trajectory Replanning for MAVs using Uniform B-splines and a 3D Circular Buffer Vladyslav Usenko, Lukas von Stumberg, Andrej Pangercic and Daniel Cremers Technical University of Munich 深度センサーを搭載し ーン 、飛行中 周囲 環境 障 害物 を イ 3D ッ ン をし 回避す 起動再 構成方法を提案す 研究 先行研究 比べ こ す い 技術や手法 キ 次 読 べ 論文 議論 うや 有効 検証し イ 起動再構成を滑 効率的 行うこ 出来 ーン 一緒 移動す 3次元円形 ッ ァ 格納さ 占有 ッ MAV イ ー 周 環境 関す 情報を維持し、多項式ス イン 代わ Bス イン曲線を 使用し 軌道を表現す こ 、軌道を滑 す 同時 効率 的 最適化を可能 し 屋外 シーンを撮影 RGB-Dカ 精度 、システ ス 性 限界 あ Socially Aware Motion Planning with Deep Reinforcement Learning 他 ー 比較 、システ ッ ン 軌道最適化を 別々 評価し、そ 選択 正当性を示し 次 、現実的 シ ュ ー を用い システ 全体を複数 異 環境下 評価し、最後 実 ー 上 システ 評価を行
12. 先行研究 比べ こ す い 技術や手法 キ うや 有効 検証し 議論 次 読 べ 論文 動作中 ス イ を保持し ， イ ッ 反応を可能 す シ ュ ーション 正確 重力補正 頭皮変形時 ， 安定し 毛根 ー 頭皮 ２ ベ 交差積 直行座標 ー を構築 ッキン ２重心座標を使用 新しい重心を計算し 各 イン をこ 重心 拘束し 独自 毛髪シ ュ ー 修正 ッシュ 変形 問題 あ 座標 ー 構築 使用す 辺 選択 偏 あ Artistic Simulation of Curly Hair
13. ͲΜͳ΋ͷʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٕೳ΍ख๏ͷΩϞ͸Ͳ͜ʁ Ͳ͏΍ͬͯ༗ޮੑͩͱݕূͨ͠ʁ ٞ࿦͸͋Δʁ Hand Gesture Interaction with a 3D Virtual Environment /BTTFS
    )
    %BSEBT
    .PIBNNBE
    "MIBK खͰߦ͏؆୯ͳಈ࡞Λ୯ޠͳͲʹ
    ม׵͢ΔΠϯλʔϑΣʔεγεςϜ ઌߦݚڀʹ͸ଘࡏ͠ͳ͍Α͏ͳ
    ΠϯλʔϑΣʔεγεςϜͩͬͨ ͋Β͔͡ΊϢʔβʔʹ༷ʑͳ
    δΣενϟʔΛͯ͠΋Β͍
    ొ࿥͓ͯ͘͠ ࣮ࡍʹΧϝϥͷը૾͔Βɺ୯ޠΛ ࣝผͰ͖Δ͔Ͳ͏͔࣮ݧͨ͠ ਂ౓Λݕग़͢ΔखஈΛՃ͑Δ͔
14. ͲΜͳ΋ͷʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٕೳ΍ख๏ͷΩϞ͸Ͳ͜ʁ Ͳ͏΍ͬͯ༗ޮੑͩͱݕূͨ͠ʁ ٞ࿦͸͋Δʁ Real Time Hand Detection & Tracking for Dynamic Gesture Recognition Varsha Dixit, Anupam Agurawal खͰߦ͏ಈ࡞Λ௥੻͠ɺೝࣝ͢Δ΋ͷ طଘͷ΋ͷΑΓ΋ೝࣝೳྗ͕ߴ͍ )..Λར༻ͯ͠ҰͭҰͭͷಈ࡞ʹ
    ϞσϧΛ࡞ͬͨ ݸ͋ΔδΣενϟʔͷσʔληο τͰ࣮ݧͨ͠ͱ͜Ζɺฏۉͷ
    ೝࣝ཰ͩͬͨ എܠ͕ෳࡶͰ͋ͬͨΓɺޫྔ͕ม ΘΔͱରԠͰ͖ͳ͍
15. 歩くことなく座ったままで、あたかも歩⾏したような感覚を⽣み出す技術。 座っている体験者に対して、歩⾏時、⾜裏に受ける振動刺激を与え、歩⾏状態を 擬似的に再現する。 さらにモーションチェアと組み合わせることで⾜裏への刺激 と⾝体振動を同時に与えられ、より⾼い臨場感を⽣み出すことに成功。 VR 空間での歩⾏に関する技術は多く開発されてきたが、利⽤者が実際に歩⾏す ることを前提としたものであり、 ⾝体的な制約に歩⾏が困難な利⽤者に対して適 ⽤することができなかった。しかし本技術は、⾝体的障害を抱える利⽤者への適 ⽤を⽬的としており、 医療現場でのリハビリや緩和医療に利⽤することが期待で きる。 歩⾏時に⽣じた振動を歩⾏⾳として記録し、ボイスコイルモーター（振動⼦）を ⽤いて振動刺激として⾜裏に提⽰。こうして⽣まれた歩⾏感覚は、我々の⾝体を 取り囲む「⾝体近傍空間」の前⽅への拡張と関係があることを発⾒した。 実験参加者にペンダント型装置を⾝につけてもらい、 装置内のボイスコイルモー ターから胸部に提⽰された振動刺激を検出したらできるだけ早くボタンを押す、 ということを⾏ってもらった。その際、ヘッドフォンから接近⾳を提⽰し、接近 ⾳が⾝体近傍あるいは遠⽅にある時の、 振動刺激への反応時間の違いを計測した。 歩くだけでなく、スキップや⾛るなど、様々な歩⾏感覚の表現が可能になれば、 VR 空間でさらに多様な体験ができるのではないか。 Xinlei Zhang, Takashi Miyaki & Jun Rekimoto, WithYou: Automated Adaptive Speech Tutoring With Context-Dependent Speech Recognitio どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論⽂は？ 座っていても歩いているような擬似感覚の⽣成技術 ⾬宮智浩 NTT コミュニケーション科学基礎研究所 NTT 技術ジャーナル 2019 (仏コース)
16. 拡張現実の UI としての BCI 脳活動で直接コンピュータを操作する 従来の対話⽅法(⼿、⾳声、視線、ジェスチャー)では体験や動きに制約があった が、BCI では柔軟性が⾼くなった。 ⾼すぎるハードやユーザーの特別な訓練を必要としない。 乾式脳波計と、 その情報を読み取るために使われるめちゃくちゃ強い機械学習と ⼈⼯知能システム。 拡張現実のゲームデモ「Awakening」を作った。 ゲーム内で物を動かしたり、魔法で攻撃したり、タイピングができる。 ゲーム内で⼿⾜を操作するには訓練が必要。 Neurable の BCI システムは拡張現実に限らずコンピュータ全般の UI として成 ⽴する。 ユーザーの意図の出⼒は BCI だけど⼊⼒は普通にゴーグルなので⼯夫がすごい というより技術がすごい。 Chris Grayson. 2016. Waveguides + Eye-Tracking + EEG. giganti.co (2016). どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論⽂は？ ＃3(仏コース) ACM SIGGRAPH 2017 VR Village A brain-computer interface for extended reality interfaces Dr. Jay Jantz，Adam Molnar，Dr. Ramses Alcaide
17. Photo-Chromeleon: Re-Programmable Multi-Color Textures Using Photochromic Dyes Yuhua Jin*, Isabel Qamar*, Michael Wessely*, Aradhana Adhikari, Katarina Bulovic, Parinya Punpongsanon, Stefanie Mueller MIT CSAIL, Cambridge, MA, USA 単⼀ 材料 み ら再プロ ラ 可能 ルチカラーテ スチャを作成す ⽅法 シアン ンタ イ ロー CMY フ ロ ッ ⾊素を単⼀ 溶液 混合 し 各⾊素 異 吸収スペ ルを利⽤す こ 溶液 各カラーチャネルを個別 制御 各⾊ 個々 ボ ルを印刷す 必要 く ため ⾼解像度 テ スチャを作成 CMYカラースペ ル 中間⾊ 範囲を作成 ⾊ 制限 減 特 殊 3D印刷ハー ア 不要 単⼀ 溶液 混合さ たフ ロ ッ ⾊素 利⽤可能 ⾊域 投影さ たテ スチャ 最⼤解像度を 測定 市場 ⼊⼿可能 フ ロ ッ ⾊素 こ アプロー チ 最適 い Op- がical Addreかかing of Mきlがi-Coloきr Phoがochromic Maがe- rial Mixがきre for Volきmeがric Diかplay. Scienがific Reporがか, Arがicle 6, 2016. ん も ？ 先⾏研究 ⽐べて何 す い？ 技術や⼿法 肝 ？ うやって有効 検証し ？ 議論 ある？ 次 読むべ 論⽂ ？
18. Phoがochromic Canvas:Drawing wiがh Paががerned Lighが Tomoko Hashida∗ The University of Tokyo Yasuaki Kakehi Keio University Takeshi Naemura The University of Tokyo Phoがochromic Scきlpがきre: Volきmeがric Color- forming Pixels Tomoko Hashida∗ Yasuaki Kakehi The University of Tokyo Keio University Takeshi Naemura The University of Tokyo 動的 変化 3D彫刻を⽣成 ク ック彫刻 呼ば 明 い場 所 ⼼地 い⾊を作 出 こ ボ ー ータ を表⽰ 電⼦ の代わ 紙をキ ン 使⽤ ー ー た った線 沿っ ターンを表⽰ た の 電⼦ ンを紙の上 使え
19. Inkanがaがory Paper: Dynamically Color- changing Prinがs wiがh Mきlがiple Fきncがional Inks Takahiro Tsujii , Koizumi Naoya , Takeshi Naemura 印刷 ターンの⾊を動的 変更 Inkanがaがory Paper 呼ば 新 い紙 ー の ンター ェー 導電性銀 ンク ー ク ック ンク 通常の ンク ェッ ンク を含 複数の機能性 ンクの効果的 組 合わ を提案 低 AnimSkin: Fabricaがing Epidermis wiがh Inがeracがive, Fきncがional and Aesがheがic Color Animaがion Yanan Wang1, Shijian Luo1,Yujia Lu1, Hebo Gong1, Yexing Zhou1, Shuai Liu1, Preben Hansen2 AnimSkin いう動的 ー ニ ー ンを 肌 直接放出 薄膜 ンター ェー
20. Paint Color Control System with Infrared Photothermal Conversion 単⾊ ー ク ック ンク 液体ク タ ンクの発⾊法 っ 物理 ェク の⾊を制御 新 い技術 発光 を使⽤ 紙上の ェク の⾊を表現お び変更 う ⾼解像度 低消費電⼒を実現 た
21. ͲΜͳϞϊʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٕज़΍ख๏ͷ؊͸ʁ Ͳ͏΍ͬͯ༗ޮͩͱࣔͨ͠ʁ ٞ࿦͸͋Δʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ײԹม৭ૉࡐΛ༻͍ͨฤΈ෺ͷఏҊ
    pMF6TFSTBSJTBPUB%PXOMPBET*14+&$QEG ೤ʹΑͬͯม৭͢Δໟࢳͱઌ୺͕ൃ೤͢Δ͔͗਑Λ
    ༻͍Δ͜ͱͰɺฤΉաఔͰ৭Λม͑ΔఏҊ ैདྷͷ৭Λܧ͗଍͢खؒ΍໰୊ͷղܾ  "$.
    5&*
    QSPDFFEJOHT
    PG
    pGUI
    JOUFSOBUJPOBM
    DPOGFSFODF
    "
    GSFFIBOE
    EJHJUBM
    4DVMQUJOH
    UPPM
    /FPOEPVHI
    DSBGUJOH
    XJUI
    JOUFSBDUJWF
    DMBZ
    &MFDUSPOJD
    PSJHBNJ
    XJUI
    UIF
    DPMPS
    DIBOHJOH
    GVODUJPO
    
    4IBEFS
    QSJOUFS
    "$.
    TJHHSBQI ࢗवΛࢧԉ͢ΔγεςϜΛ࢖͍ɺ਑ͷͬͨ͞͞ํ޲΍ҐஔΛ
    ݕ஌͠ɺฑΛϦΞϧλΠϜͰڞ༗͠ɺฤΈ෺ͷࢗवΛָʹ ࣮ݧΛߦ͍ɺ࣮ࡍʹฤΈ෺Λͯ͠΋Βͬͨ ೚ҙͷ৔ॴΛม͑ΒΕΔΑ͏ʹ͢Δ͜ͱͰΑΓදݱͷ෯Λ޿͛Δ
22. Augmenting Soft Robotics with Sound Mads Bering Christiansen, Jonas Jorgensen ソ ロ ク ン ン い 人間 ロ ン ク ン領域 応用 可能性 研究 映画 中 場 想像上 ソ 生 物 発 音 発想 得 い ？ Ecoflex 0030 コン SONO いう 前 ロ 作成 Arduino UNO クロコン ロ 使用 3 ノ ン 3 電磁弁 駆動 2 H-bridge L292D 御 うや 有効 検証 ？ 人間 ソ ロ う 体験 人間 ソ ロ 直感的 魅力的 感 ン ク ン う 設計 上 論文 わ 先行研究 比 い？ 後 ン ク 可能性 検出 力 ン 実装 ソ ロ 音 ン 違い 人々 認識 う 影響 与え 調 実施 議論 あ ？ 比較定性分析 ク 音 共通 特徴 導 出 ン ン空間 横断 ベク いえ 異 事例間 対比 着目 1. 動物 録音 音 化 2. ン 音 化 いう 2 方法 音 生成 技術や手法 モ ？ Laurens Boer and Harvey Bewley. 2018. Reconfiguring the Appearance and Expression of Social Robots by Acknowledging Their Otherness. 次 読 論文 ？ HRI ’20
23. Reconfiguring the Appearance and Expression of Social Robots by Acknowledging their Otherness Laurens Boer and Harvey Bewley 人間や動物 似 同一性 持 ロ 一般 前提 意 的 非定型 人間や動物 い外観や振 舞い ロ 作 社会的ロ ン ク ン 代替的 外観 表現 モ 求 そ そ 人間 社会的ロ 異 関 う 影響 与え ン ン 与えう 理解 目的 あ 形 与え け 他者性 認識 他者 在 認 関 性 育 価値 置 ロ 人や動物 異 在 あ 能力 持 関 性 築い いく可能性 見出 Product Sound Design: Form, Function, and Experience Cumhur Erkut, Stefania Serafin, Michael Hoby, Jonniy Sårde 製品 ン ン 分 近年 過度 効率性や機能性 体験や 感情 置い い 音響家 ン ン ケ ン 担当者 ン ク ン い ク 間 コ ケ ン 設計 開発 評価 大 あ 指摘 い 関 者間 埋 教育 ワ ク 報告 ワ ク ケ ン ク ン ン 分析 映画 ン 参照 通 行わ AM '15 DIS '18
24. Towards a conceptual framework to integrate designerly and scientific sound design methods Daniel Hug, Nicolas Misdariis ン ク 製品 従来 比 擬人化 ン 傾 向 強く 新 い ン手法 必要 い 科学 ン 両方 コ ン ロ 遭遇 型的 問 題 明 ン ン ク ン 間 コ ケ ン 改善 目的 手法：専門家 ン ワ ク評価 ン履歴 管理 ロ ン 評価 ク 手 法 美学 関 性 問題 支配的 ン ロ 初期段階 評価段 階 関連 問題 解決 利用 Designing Interaction, not Interfaces Michel Beaudouin-Lafon 増加 数 増加 多様性 いう 3 課題 直面 い ソ コン 計算能力 飛躍的 向上 い わ 日 商用 ン 性能 い あ 著 者 ン 高い ベ 使用 文脈 い ベ 感覚遀動現象 両方 焦点 当 主張 AVI ‘04 AM '11
25. Form Follows Sound: Designing Interactions from Sonic Memories Caramiaux, B., Altavilla, A., Pobiner, S. G. and Tanaka, A. 参加者 音 ン ク ン 想像 そ 実現 ン ク ン ロ 作成 ワ ク Form Follows Sound 開催 紹 音 ン ク ン ン 参加型 ロ 提案 ワ ク 構成 ソ ク ン ン ク ク 発声 音 表現 含 創出活動 構築 ロ ン 含 実現活動 構成 い 参加者 指揮 操作 置換 いう 3 主要 ン ク ンモ 実装 最終的 ロ ク 作成 - 代入：動 音 原因や音そ 代入 可能 動作 音 定義 ン 約 い 参加者 行動 音 明 再生速度 直接変化 - 操作 : 動作 音 操作 ン ク ン 中 可能 動作 参加者 / 選択 委 ン 約 け 前 モ 同様 参加者 行動 通 音 変調 あ - 指揮：参加者 音 間 意味的 関 あ 自由 選択 最終的 有限 語彙 一部 そ 象徴的 特徴 う う 行わ 音 間 直接的 関 あ CHI ’15
26. どんなもの？ どうやって有効だと確証した？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 議論はある？ 次に読むべき論⽂は？ モンテカルロレンダリングされた画像のノイズを低減するための機械 学習アプローチの紹介 理想的なフィルターパラメーターと⼊⼒ノイズのあるサンプルから抽 出された複雑な関係をモデル化するために⾮線形モデルとして多層 パーセプトロン(MLP)ニューラルネットワークを使う フィルターをトレーニングプロセスに組み込んだという点で標準の MLPと異なり、ネットワークの重みを更新するためにフィルターを 逆伝播する必要がある（微分可能でなければならない）。 ⼊⼒ノイズデータと最適なフィルタパラメーターの間に複雑な関係が ある。フィルタパラメーターは様々ないんしを使⽤して効果的推定は できるけれど個々のいんしを正確に予測するのは不可である。これら の要因とトレーニングとテストの両⽅でマッチングフィルターと密結 合したMLPを使⽤して画像セットを⾮線形回帰モデルで使う ⼊出⼒の間の複雑な⾮線形関係を発⾒するためのシンプル且つ強 ⼒なシステムであるためにMLPを回帰モデルとして使⽤している 被写界深度、モーションブラー、グローバルイルミネーションなど分 散効果の異なる20シーンでグラウンドトゥルース画像をレンダリン グする。かくトレーニングシーンをピクセルあたり4,8,16,32.64でレ ンダリングし、全ての画像を単⼀のネットワークでトレーニングする BAUSZAT, P., EISEMANN, M., AND MAGNOR, M. 2011. Guided image filtering for interactive high-quality global illumination. Computer Graphics Forum 30, 4, 1361‒ 1368. A Machine Learning Approach for Filtering Monte Calro Noise Nima Khademi Kalantari ,Steve Bako, Pradeep Sen University of California ,SantaBarbara
27. モンテカルロレンダリングのフィルタリングを使った画像空間適 応サンプリングのためのアプローチの提案 サンプルを適応し、⾮線形モデルを使⽤して画像ノイズを除去す る。フィルター処理されたピクセルごとの残差エラーを推定し、 これらを反復する。画像の最先端技術と競合する画像ノイズ除去 フィルターを拡張処理し、アダプティングレンダリングフレーム ワークを使⽤する Adprive Rendering with Non-Local Means Filtering Fabrice Rouselle University of Bern Claude Knaus University of Bern Mathias Zwicker University of Bern アニメーションシーケンスのモンテカルロレンダリング。レンダ リングと再構成の両⽅の時間的⼀貫性がない結果が得られるため、 後処理で画像平⾯上の有限差分をサンプリングする前の勾配領域 レンダリング⼿法に基づいて時間有限差分を導⼊する パスの相関ペアを使⽤した時間的に隣接するフレームのピクセル と時間の経過に伴うモンテカルロ差分推定値を統合する Temporal Gradient-Domain Path Tracing Mrco Manzi University of Bern Markus Kettunen Aalto University Fredo Durand NVDIA Matthias Zwick MITCSAIL
28. 少数の画像から実際のシーンを再び照明するためのニューラル ネットワークの回帰法の提案 光の⾮線型関数として光輸送をモデル化するニューラルネット ワークを使⽤して⾏列セグメントを近似する ⼩さな画像セットからの光のモデリングを容易にする様々な要素 を組み込んだニューラルネットワークの設計で移動した光源を含 む照明条件下で⼊⼒画像を⾃由にキャプチャ可能である Imaged Based Relighting Using Neural Networks Peiran REN Yue DONG Stephen LIN Xin TONG Baining GUO Microsoft Research 複数の分布効果をレンダリングするための因数分解軸整列フィル タリング 写真のようなリアルなレンダリングのためのMCレイトレーシン グはサンプリングが多いため、単⼀の画像をレンダリングするの に多くの時間がかかる。⼀次効果と⼆次効果の異なるサンプリン グレートを可能にし、全体的に光線数を減らす。 Factored Axis-Alligned Filtering for Rendering Multiple Distribution Effects Soham Uday Mehta JiaXian Yao Ravi Ramamoorthi Fredo Durand University of California Berkeley MITCSAIL
29. インタラクティブレンダリング⽤の⾼速4Dシアーフィルタリン グの分配効果 ⼀般的な分配効果は、ソフトシャドウ、被写界深度、拡散グロー バル位ルミネーションである。ノイズのない画像は数千もの光線 サンプルが必要であり、ピクセルあたり計算に時間がかかる。 GPUで⾼速せん断フィルタリングの新しいアプローチとして4D シェアードフィルターを4つの1Dフィルターに分解する Fast 4D Sheared Filtering for Interactive Rendering of Distribution Effects LING-QI YAN and SOHAM UDAY MEHTA University of California, Berkeley RAVI RAMAMOOTHI University of California, San Diego and FREDO DURAND MITCSAIL
30. Cross-neutralization of SARS-CoV-2 by a human monoclonal SARS-CoV antibody Dora Pinto, Young-Jun Park, Martina Beltramello, Alexandra C. Walls, M. Alejandra Tortorici, Siro Bianchi, Stefano Jaconi, Katja Culap, Fabrizia Zatta, Anna De Marco, Alessia Peter, Barbara Guarino, Roberto Spreafico, Elisabetta Cameroni, James Brett Case, Rita E. Chen, Colin Havenar-Daughton, Gyorgy Snell, Amalio Telenti, Herbert W. Virgin, Antonio Lanzavecchia, Michael S. Diamond, Katja Fink, David Veesler & Davide Corti 先行研究 比べ 議論 次 読 検証方法 SARS-CoV-2 びSARS-CoVウイ ス 強力 中和す S309 いう抗体 特定した 感染 スク 高い個人 予防 使用した 重度 疾患 予防・治療す た 新しい方法 見い さ た SARS流行後 患者 採取した25種類 抗体 ウイ ス 対す 作用 調べ ウイ ス 感染細 胞 両方 結合 抗体8種類 う 特 強 力 中和性能 持 S309 特定した A pneumonia outbreak associated with a new coronavirus of probable bat origin 人 対す 実験 行わ 実用化 遠い
31. A pneumonia outbreak associated with a new coronavirus of probable bat origin 5人 新型 ロナウイ ス感染症患者 取得 した SARS-CoV-2 完全長 ノ 配列 SARS-CoV 79.6％ 配列同一性 持 ウ モ 持 ロナウイ ス 96％ 同一性 持 こ 示した The proximal origin of SARS-CoV-2 ノ ータ 比較分析SARS-CoV-2 実験 生 た あ た 意図的 操作さ た ウイ ス いこ 示した Antibody responses to SARS-CoV-2 in patients with COVID-19 5人 新型 ロナウイ ス感染症患者 取得 した SARS-CoV-2 完全長 ノ 配列 SARS-CoV 79.6％ 配列同一性 持 ウ モ 持 ロナウイ ス 96％ 同一性 持 こ 示した Antibody responses to SARS-CoV-2 in patients with COVID-19 COVID-19感染者 ほ SARS-CoV-2 対す 急性抗体反応 PCR検査 結果 陰性 あ 感染疑い あ 患者 診断 び無症候性感染 特定 対し 血清学的検査 役立 可能性 あ こ 示し た Key residues of the receptor binding motif in the spike protein of SARS-CoV- 2 that interact with ACE2 and neutralizing antibodies SARS-CoV SARS-CoV-2 間 異 主要 エピ ープ 存在 明 し COVID-19 パン ック 特異的 制御す た 予防 た ワクチン 抗体薬 開発す 必要 あ こ 示した
32. ？ 先行研究 比 す い？ 技術や手法 キ ？ うや 有効 検証し ？ 議論 あ ？ 次 読 論文 ？ VR ー ー 対し 重 や質感等 ー 触覚刺激 与え DeltaTouch ック 振動 ー ー 用い 指先用 触覚 ン ー 手 ひ 全 指 指先両方 皮膚 ー ック 受け DeltaTouch ック 用い 任意 圧力 力 加わ 方向 摺動方向 ー す ー ー ク 相互作用 異 数種類 VR ケー ン Unity 実装し し ー ー ック 拡大し いく VR体験 没入感 高 け く ビ 等 医療 や遠隔 層操作 適用す う Inrak Choi, Heather Culbertson, Mark R. Miller, Alex Olwal, and Sean Follmer. 2017. Grabity: A Wearable Haptic Interface for Simulating Weight and Grasping in Virtual Reality. Proceedings of the 30th Annual ACM Symposium on User Interface Software and Technology - UIST ’17 (2017), 119ど130. https://doi.org/10.1145/3126594.3126599
33. ・人差し指 親指 装着す VR空間内 仮想物体 接触 把持し 感覚 重 や慣性 ー ック 与え Grabity ・生体感覚 皮膚 ー ック 両方 統合し 手袋型触覚 DextrES 柔軟性 あ 弾性金属 静電引力 変調す 各指 最 大20N 保持力 発生 せ ・3D Glass 触覚 ン ー ー ー ンキ ー 用 い ー ー 仮想的 介護訓練 行い 効果的 介護教育 実施す ・親指 中指 人差し指 感覚 ー ック 手 ひ 皮膚 ー ック 可能 触覚 ー ック 用い 手 ひ 指 触覚 ー ック 指 場合 そ 比較し 仮想 物体 感覚知覚 改善す 示し
34. DeltaTouch: a 3D Haptic Display for Delivering Multimodal Tactile stimuli at the Palm Daria Trinitatova DzmitryTsetserukou ・VR ー ーや 遠隔 ボッ 操作者 手 ひ 任意 点 ー 触覚刺激 提供す 反転 構造 持 DeltaTouch VR ー ー 新 没入感 す け く 触 覚 力セン ー 搭載し 遠隔操作 ボッ 操作 質 向上 せ
35. F: )G reW z O t s gW ) )W W T Dre AreW Wm i ln AreW fr Wnlr W A A ) A W I W T t Wre A Wre N O W ? re W W t Pigb Y I p a du d o l ) How to make a pizza: Learning a compositional layer-based GAN model : : . , ( ,
36. : - : - -: - - D . ( D C C , A 0 BB C S W Te ` p i `m co m oẂs SM u ` l NWv Tp iWk . ad S - : DA B BB C 1) ,W Wr W m h nj`W t Ẃ 1) ,Sv LG W) ,T yPR
37. - - - - - ,A DE E AD A D D E C G A EC C B ,C D K H K Md A C A A U C E A A Pc SJ A C A h C E A UJ siv gc N h eb TWe Kmlj bd yT ( r l K- J- -J h U - - - - - - - I A - A - IA , AA ) , AA K E C( K x tou h UY siv c h Se K K h m np siv K mlj I ( bda
38. - - - - - ,A 2 A A & & ( E C &.Na E T l i yM N y n N yMi y EfpZFY N T c yGP y N r I E s N e E&- ) . o J rh kxgu
39. Shinnosuke Ando, Kazuki Otao, and Yoichi Ochiai https://digitalnature.slis.tsukuba.ac.jp/wp-content/uploads/2019/07/HCII_glassbeads_display.pdf どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ Aerial image on retroreflective particles. In: SIGGRAPH Asia 2017 Posters The interactive fogscreen. In: ACM SIGGRAPH 2005 A photophoretic-trap volumetric display Design Method for Gushed Light Field: Aerosol-Based Aerial and Instant Display ビーズが非常に小さいため、人に吸い込まれることで火山灰のように呼吸器系の疾 患を引き起こす恐れがある。 ビーズの量あたりの投影可能時間は長くはないので、ビーズを再利用する必要があ る。 フォグ、ガス、再帰性反射材のスクリーンそれぞれにプロジェクタを用いて投影し、 その輝度を測定した。正面(0度)から10度刻みで80度まで角度をつけて測定。 また、被験者実験を行い、輝度・コントラスト・シャープネス・可視性・好み、の 五つの項目について五段階評価を行った。 フォグやガスではぼやけてしまう上、像を見ることができる角度が狭かった。 それに対して、より広い角度で、より解像度の高い画像を表示することができる。 ビーズ型の再帰性反射材を用いた空中ディスプレイ。 ビーズを落下させ、そこに像を投影する。 フォグやガスを用いたものと比べて角度に強く、斜めからみてもその像を確認でき る。またよりシャープでハイコントラスト。 Glass-beads Display: Evaluation for aerial graphics rendered by retro-reflective particles HCII 2019 ビーズの再帰性反射材には再帰性反射をする面と、そのまま光を伝える面があることか ら、透明なスクリーンが実現できる。 ビーズが落下する際に回転することから、正面だけでなく、様々な方向へと光が反射す る。
40. Shinnosuke Ando, Kazuki Otao, Kazuki Takazawa, Yusuke Tanemura and Yoichi Ochiai https://dl.acm.org/doi/10.1145/3145690.3145730 どんなもの？ ビーズ型の再帰性反射材を用いた空中ディスプレイ。 ビーズを落下させ、そこに像を投影する。 光源を直接見ることなくその像だけを見ることができる。 Glass-beads displayの前段階。 Aerial Image on Retroreflective Particles The Interactive FogScreen Ismo Rakkolainen, Stephen DiVerdi, Alex Olwal, Nicola Candussi, Tobias Hollerer, Jan Landkammer, Markku Laitinen, Karri Palovuori https://dl.acm.org/doi/pdf/10.1145/1187297.1187306 どんなもの？ インタラクティブなフォグスクリーンの可能性についてまとめたもの。 歩いて通過可能なフォグスクリーンは2003年のSIGGRAPHで登場されたことで有名に なった。 インタラクティブなフォグスクリーンを実装するための方法として、画像認識や超 音波でのトラッキング、レーザースキャンなどの方法を用いて2Dでのトラッキング をおこなうことで可能になるだろうと言っている。
41. Ippei Suzuki, Shuntarou Yoshimitsu, Keisuke Kawahara, Nobutarka Ito, Atsushi Shinoda, Akira Ishii, Takatoshi Yoshida, Yoichi Ochiai https://dl.acm.org/doi/10.1145/3041164.3041170 どんなもの？ エアロゾルベースのフォグスクリーンを用いた空中像。 空間内にフォグを満たして、そこに像を投影するというやり方ではなく、市販のス プレーを用いてフォグを自分で発生させることで、風への耐性と持ち運びのしやす さを実現。またその霧はすぐに発生し、すぐに消え去ることから、ウェアラブルデ バイスと相性が良い。 スプレーとノズルの形状についても検証している。 Design Method for Gushed Light Field: Aerosol-Based Aerial and Instant Display A Photophoretic-trap volumetric display D. E. Smalley, E. Nygaard, K. Squire, j. Van Wagoner, j. Rasmussen, S. Gneiting, K. Qaderi, j. Goodsell, W. Rogers, M. Lindsey, K. Costner, A. Monk, M. Pearson, B. Haymore & j. Peatross2 https://www-nature-com.ezproxy.tulips.tsukuba.ac.jp/articles/nature25176/ どんなもの？ 三次元ディスプレイ。空間内に光源を作る。他の空中ディスプレイはディスプレイ はあくまで光源からの光を散乱、跳ね返すものであり、ディスプレイと光源の位置 が一致していないために表示されるのは二次元の像であったのに対し、空間に直接 光源を作るため、三次元の像を作ることができる。
42. Kengo Fujii, Masao Nakajima, Masaki Yasugi, Kazuki Shimose, Toru Iwane, Hirotsugu Yamamoto https://dl.acm.org/doi/10.1145/3283289.3283359 どんなもの？ Light Field cameraによって撮影された、3次元情報を持つ画像を3Dで再構築するため のlight field displayのプロトタイプを作成した。 light field displayは、light field cameraのシステムを逆にし、センサーの部分をディス プレイに置き換えた上で,フレネルレンズを用いて投影した像を、再帰性反射材を用 いて反射し、その光をハーフミラーで反射することで空中像を作成した。 A Device for Reconstructing Light Field Data as 3D Aerial Image by Retro-reflection
43. ͲΜͳ΋ͷ ઌߦݚڀͱൺ΂ͯԿ͕͍͢͝ ٕज़΍ख๏ͷΩϞ͸Ͳ͜ Ͳ͏΍ͬͯ༗ޮͩͱݕূͨ͠ ٞ࿦͸͋Δ ࣍ʹಡΉ΂͖࿦จ͸ 
    ਓؒίʔε ෆنଇͳάϦουঢ়ͷࢹ఺͔ΒࡱӨͨ͠ෳ਺ͷࢹ఺ͷը૾͔Β
    ৽ͨ ͳࢹ఺ͷը૾Λੜ੒͢Δख๏ ը૾ΛࡱӨ͢ΔϢʔβʹରͯ͠ద੾ͳࡱӨࢹ఺ΛΨΠυ͢ΔΞϧΰ ϦζϜΛ։ൃ͢Δ͜ͱʹΑΓ
    Ҏલͷख๏ΑΓগͳ͍ը૾ͷຕ਺Ͱॲ ཧͰ͖Δ
    ·ͨΞϓϦέʔγϣϯʹΑΓ࣮༻ੑΛࣔͨ͠ ֤ࢹ఺ͷը૾ͱͦͷྡ઀ࢹ఺ͷը૾Λ%
    $//ʹೖྗ͠
    γʔϯΛԞ ߦ͖ํ޲ʹ཭ࢄతʹ෼ׂͨ͠දݱํ๏ʹΑΔ.1* .VMUJQMBOF
    *NBHF ʹม׵
    ֤ΦΫϧʔδϣϯྖҬΛͦΕͧΕͷ.1*Ͱิ͏߹͏ ͜ͱͰղফ͢Δ ैདྷͷख๏ͱಉ͡Ϩϕϧͷը૾Λେ෯ʹগͳ͍ը૾਺Ͱ࣮ݱͤͨ͞ Γ
    ΞϓϦέʔγϣϯΛ։ൃ͢ΔͳͲ࣮ͯ͠༻ੑΛఏࣔͨ͠ ൓෮ͨ͠໛༷ͳͲͷಛఆͷύλʔϯʹରͯ͠.1*ωοτϫʔΫ͕ߴ ͍ෆಁ໌౓ΛׂΓ౰ͯΔ৔߹͕͋Γ
    ը૾͕΅΍͚Δ
    ·ͨ͞ΒͳΔ ߴղ૾౓Խ͕ࠔ೉ <;IPV
    FU
    BM
    >
    ͳͲ
    
44. ྡ઀͢Δը૾͔Β৽ͨͳࢹ఺ͷը૾Λ࡞Γͩ͢.1* .VMUJQMBOF
    *NBHF ͱ͍ ͏ख๏ΛఏҊ
    γʔϯΛԞߦ͖ʹΑͬͯϨΠϠʔʹ෼͚Δ
    ैདྷͳख๏ΑΓ΋ ߴղ૾Ͱੜ੒Ͱ͖Δ͕
    ෳࡶͳഎܠͷ্Ͱର৅෺͕ఏࣔ͞ΕΔͱਂ౓ͷ഑ஔ ͕ద੾ʹߦΘΕ͔ͬͨΓ͠
    ෦෼తͳԠ༻ʹݶΒΕΔ %ը૾͔Β%ը૾Λੜ੒͢Δख๏ΛఏҊͨ͠೥ͷ࿦จ
    ࣸਅϕʔεͷ ख๏ͱδΦϝ
    τϦοΫϕʔεͷख๏ͷϋΠϒϦοτͰ͋Δख๏ΛఏҊ
    લऀ ͸ଌྔཧ࿦ʹجͮࣸ͘ਅγʔϯͷزԿϞσϧͷ෮ݩͰ
    ޙऀͰ͸࣮ࡍͷγʔ ϯ͕ͦͷجຊϞσϧͱͲͷΑ͏ʹҟͳΔͷ͔Λਖ਼֬ʹ෮ݩ͢Δ
45. ϝογϡʹ࠶౤Ө͞Εͨը૾ͷϐΫηϧ͝ͱͷॏΈͷܭࢉʹয఺Λ ౰ͯ
    ߴ඼࣭ͳϨϯμϦϯάΛ͢ΔώϡʔϦεςΟοΫΞϧΰϦζϜ ΛఏҊ
    ͔͠͠ը૾ͱ͏·͘Ұக͢Δߴ඼࣭ͳϝογϡΛਪఆ͢Δ͜ ͱ͸ࠔ೉ ը૾ͷ%࠶ߏங͔Β࠷ޙͷ৭߹੒·Ͱਂ౓ͷෆ࣮֬ੑΛอ࣋͢Δ৽ ͍͠ը૾ϕʔεͷϨϯμϦϯάϑϨʔϜϫʔΫΛఏҊ
    
46. 73ϔουηοτͷը૾Λੜ੒͢Δࡍ
    %ਂ౓Ͱ͸ͳ͘%ΦϓςΟΧϧ ϑϩʔΛ༻͍Δ͜ͱʹΑͬͯෆద੾ͳΧϝϥϞʔγϣϯ΍Ϟʔγϣϯʹ ΑͬͯSPCTUʹͳΔΑ͏ʹͨ͠
    ͔͠͠
    ͜ͷख๏ͳ৔߹ΧϝϥΛີʹ͢ Δඞཁ͕͋Δͱ͍͏໰୊఺͕͋Δ
47. FaceShop: Deep Sketch-based Face Image Editing TIZIANO PORTENIER, University of Bern, Switzerland QIYANG HU, University of Bern, Switzerland ATTILA SZABÓ, University of Bern, Switzerland SIAVASH ARJOMAND BIGDELI, University of Bern, Switzerland PAOLO FAVARO, University of Bern, Switzerland MATTHIAS ZWICKER, University of Maryland, College Park, USA ? 画像 上 ー ッ 画像 編集 う ッ ー 編集 ームワー 先行研究 比 い? 条件付 画像補完問題 定式化 ー ー ッ 使用 合成結果 形状 色 点 技術や手法 画像補完 画像変換 概念 統合 画像 ン ッ ー ー ー入力 両方 組 込 高品質 画像 合 成 CNN うや 有効 検証 ? ablation study(精度向上 対 各構成要素 寄与 調査) 画像 編集結果 提示 び関連 手法 比較 議論 あ ? 大幅 高い解像度 ン ン 失敗 意味的 矛盾 い 場合(額 目 あ ) 混乱 髪型 完全 変え い 次 読 論文 ? Globally and Locally Consistent Image Completion. ACM Transactions on Graphics (Proc. of SIGGRAPH 2017) 36, 4
48. Photographic Image Synthesis with Cascaded Refinement Networks Qifeng Chen Vladlen Koltun 単位 マン ッ 写真画像 合成 開発 写真画像 回帰損失 最小限 抑え う 学習 単一 ー ワー 畳 込 ネッ ワー (写 真 対応 マン ッ 教師あ 学習 行う) 直接合成 不安定 あ 知 い 敵 対的学習 回避 ー ーム 高画 像解像度 ー ン Deep Bilateral Learning for Real-Time Image Enhancement MICHAËL GHARBI, MIT CSAIL JIAWEN CHEN, Google Research JONATHAN T. BARRON, Google Research SAMUEL W. HASINOFF, Google Research FRÉDO DURAND, MIT CSAIL / Inria, Université Côte d’Azur 高周波効果 解像度 画像 対 ム 画像強調 実行 新 いニ ー ネッ ワー ー 導入 入力/出力画像 使用 ーニ ン いく ム ン 実装 人間 調整 学ぶ 計算 ほ バ ッ 内 実行 ー ン ー変換 予測 表現力 速度 適切 バ ン 処理 大部分 低 解像度 実行 計算 大幅 節約
49. Image-to-Image Translation with Conditional Adversarial Networks Phillip Isola Jun-Yan Zhu Tinghui Zhou Alexei A. Efros 画像 画像 変換 問題 対 汎用的 解決策 条件 付 敵対ネッ ワー 調査 入力画像 出力画像 マッ ン 学習 け く マッ ン ーニン 損失関数 学習 従来 非常 異 損失 定式化 必要 問題 同 一般的 ー 適用 可能 ー 他 中 マッ 写真 合成 ッ マッ 再構築 画像 ー化 効果的 あ 示 い Generative Face Completion Yijun Li, Sifei Liu, Jimei Yang, and Ming-Hsuan Yang 深層生成 用い 効果的 顔補完 ム 提案 意味 的 一貫性 欠落 領域 け ー 損失 現実的 あ 画像全体 け ーバ 損失 いう2 敵対的損失 導入 生成 ーニン 正規化 ン 合理的 一貫性 あ 結果 適用 追加 損失 顔解析ネッ ワー 提案 生成 高速 ー ワー 画像補 完 可能
50. Scribbler: Controlling Deep Image Synthesis with Sketch and Color Patsorn Sangkloy, Jingwan Lu, Chen Fang, Fisher Yu, James Hays ッ 境界 ー ー 条件 現 実的 車 寝室 顔 生成 敵対的 画像合成 ー 提案 ン ム ン ン ー ー 拡張 多様 合成 ッ ッ ネッ ワー ーニン ネッ ワー ッ 失わ 色 詳細 回復 色 指示 意味論的 ーン要素 推定 学習 ー ワー あ ー 編集 効果 ム 確認 ー ー 画像 ー ー ー化 効果的
51. Consumer response to typeface rhetoric in ad headline Imsa Puskarvic Uros Nedelijkovic Visual and Verbal Rhetorical figures under Directed Processing vs Incidental Exposure to Advertising Edward F. Mcquarrie David Glen Mick
52. Personification in Advertising: Using a Visual Metaphor to Trigger Anthropomorphism Marjorie Delbaere Edward F. McQuarrie Barbara J. Phillips Visual and Verbal Rhetorical figures under Directed Processing vs Incidental Exposure to Advertising Edward F. Mcquarrie David Glen Mick
53. How Advertising works Richard Vaughn The Power of Affect: Predicting Intention Jon D. Morris Chongmoo Woo James A. Geason Jooyoung Kim
54. Conditions for a Picture- Superiortiy Effect on Consumer Memory Terry L. Childers Michael J. Houston
55. Evaluating File System Reliability on Solid State Drives どんなものか 先行研究と比べてどこがすごいか 手法のキモ 有効性の検証について 次に読む 議論の有無 Shehbaz Jaffer, Stathis Maneas, Andy Hwang, Bianca Schroeder SSD上 動作す ァイ システ 意図的 不正 操作や ーイン ションを施し 、 ァイ システ やSSD 問題をあぶ し 1. Avantika Mathur, et al. The New ext4 Filesystem: Current Status and Future Plans. 2. Ohad Rodeh, et al. BTRFS: The Linux B-Tree Filesystem. 3. Mai Zheng, et al. Reliability Analysis of SSDs Under Power Fault. 4. Iyswarya Narayanan, et al. SSD Failures in Datacenters: What? When? And Why? 5. Vijayan Prabhakaran, et al. Arpaci-Dusseau. IRON File Systems. 論文中 出 問題 いく ッシュ特有 問題 、 今後出 新 イ 起こ 可能性 高い 先行研究 使わ singlets いうPOSIX APIを使 検証 ー を拡張し 、Read, WriteやFTL(File Translation Layer) Detection, Recovery い 検証し い 今主 使わ い ext4やSSD 適し い Brtfs、F2FS ３ 1000以上 ァイ 、システ ーを入 込 SSD 特性 や ァイ システ 問題点を定量的 評価し い 13年前 行わ HDD版 ァイ システ や イ 機構 変わ い 、SSD 起こ う ァイ システ ー を網羅し 1000以上 ー 検証をし い
56. The New ext4 Filesystem: Current Status and Future Plans. どんなものか 内容 どんなものか 内容 Avantika Mathur, et al. btrfs linux ス ューション 利用を意図し い 、 ス ホ う 小さ システ 企業 ションサー う 大 システ 対応 期待さ 、 以下 う 特徴 あ ・CRC すべ ー ー 対し 維持さ い ・効率的 書 込 可能 ス ッ ショッ ーンを提供 ・ イス 対応し い ・ ン イン サイ や ・圧縮 ・小さい ァイ 対し 効率的 ス ー を提供 ・SSD 最適化 TRIM サ ー ー 構造 B木を用い ー ンソース ァイ システ 紹介 当時btrfs 次世代 Linux ァイ システ 予定 (実際 テス 段階 使用 見送 し ) BTRFS: The Linux B-Tree Filesystem. Ohad Rodeh, et al. ext4 大規模 ァイ システ をサ ー す ス ー テ ー ンス 強化を取 入 い ext3 堅牢 あ 、拡張性や大規模 構成 ー ンスやス ー ン を行うこ い (ext3 ッ ス 16TB 、個人向け 限界 来 可能性 大い あ ) こ を解決す キ シテ 増量 ッ ン 拡張 を適用し ext4 作 う ext4 導入 膨大 量 作業 行わ 、 基本的 シン ス ー テ 、 信頼性、 ー ンス、安定性 取 ext3 後継 あ ext4 作 、 点 進化し 点を引 継い をほ 3 ァイ システ を 使 検証、説明し
57. Reliability Analysis of SSDs Under Power Fault. どんなものか 内容 どんなものか 内容 Mai Zheng, et al. ス ー コン ー ン 故障 、 ー 破損や永久的 ー 損失 可能性 あ 、ス ー システ 信頼性 最 重要 そ ベ 冗長性を超え 、ス ー イス を イ ー 交換す こ 重要 こ 論文 SMART(Self-Monitoring, Analysis and Reporting Technology) 障害 4 イ を特定し 定量化し、症状 発生、強度、 進行率 特徴を示し い 左 論文 関連し い 複数 ー セン ー 使わ い 複数 世代 SSD 得 情報 SSD 故障 影響を与え 要因を分析し、 、い 、 う し SSD 影響を与え い を包括的 紹介し い SSD Failures in Datacenters: What? When? And Why? Iyswarya Narayanan, et al. SSD 従来 ッシュ イ 比べ イ ー ンス ー消費 少 く、そ 様々 ー セン ー 使わ い し し 年月 経 そ 関連す 知識 浅い 特 悪条件下 動作 い コン ー ン ベ し 検証さ い い し 最近 ー セン ー 利用 増え い こ あ 、 特 電源障害 起 挙動 い 非常 重要 こ 論文 異 17 SSD 比較用 2 ー ス を 用い 検証し い SSD 障害 起 う 動作をす を 検証し い 特 ー セン ー 頻発す 電源障害 い 話題 多い
58. IRON File Systems. どんなものか 内容 Vijayan Prabhakaran, et al. コ テ ァイ システ ス 完全 動作す 失敗す を信頼し い 、最近 ス 複雑 failure modeを示すこ あ (一番最初 や 関連し い ) さ そ failure policy く一貫性 く、場合 あ 一般的 ス 部分的 障害 回復す 能力 不十分 あ こ を示し い こ 論文 そ を解決す IRON ソ を開発し、 そ 基 い ァイ システ を紹介し い こ ァイ システ ixt3(?)、ReiserFS、IBM JFS、 Windows NTFS 4 全く異 主張し い failure policyを く特徴 け 検出 び 回復技術 幅広い範囲をカ 化し Internal RObustNess (IRON) 分類 基 い ァイ システ を紹介、実装し い
59. どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモ どうやって有効だと検証した？ 議論はある？ 次に読むべき論⽂は？ デジタル絵画内の照明を後から⾃動挿⼊す る技術。 画像中のオブジェクトの背後に光源を置いたライティ ングはできない。 陰影が濃すぎる場合や背景が複雑すぎる場合は、他⼿ 法も組み合わせる必要がある。 6⼈の被験者に、第１段階は先⾏研究による⼿ 法と本⼿法のみ、第２段階としてphotoshopも 併せて、10枚の画像にライティングを施してラ ンク付けと所要時間を計測した。 デジタルで描かれた絵からストローク密度を推 定しているので、ストロークデータを与える必 要はない。またデジタルの絵でなくてもライ ティングすることができる。 画像照明アルゴリズム ストローク密度が⾼い箇所はよりライティング 等の効果が多くなっていることに着⽬して、 アーティストが実際に絵を描く⼿順に倣ってス トローク密度の推定とライティングを⾏なって いる。 LVMIN ZHANG, EDGAR SIMO-SERRA, YI JI, CHUNPING LIU Generating Digital Painting Lighting Effects via RGB-space Geometry
60. YOSHIHIRO KANAMORI, YUKI ENDO Relighting Humans: Occlusion-Aware Inverse Rendering for Full-Body Human Images どんなもの？ 先⾏研究と⽐べてどこがすごい？ 畳み込みニューラルネットワークを⽤いて1枚 の⼈物画像とそのマスクを与えて再照明を⾏う これまでは脇の下や⾐服のしわのような窪んだ 部分では不⾃然に明るくなってしまうことが あったが、CNN による教師あり学習に基づい て各ピクセルの光輸送ベクトルも推論し、さら に従来無視されてきた光のオクルージョンを考 慮してより現実的な再照明を可能にした。 InverseRenderNet: Learning single image inverse rendering Ye Yu and William A. P. Smith Department of Computer Science, University of York, UK どんなもの？ わずかな⼊⼒画像から法線マップ、拡散アルベ ドマップ、球⾯ハーモニック照明係数を推定す る。 先⾏研究と⽐べてどこがすごい？ マルチビューステレオ(MVS)パイプラインを画 像セットに適⽤しCNN⽤のデータを⽤意する。
61. • Yag ̆ız Aksoy, Changil Kim, Petr Kellnhofer, Sylvain Paris, Mohamed Elgharib, Marc Pollefeys, and Wojciech Matusik A Dataset of Flash and Ambient Illumination Pairs from the Crowd (ECCV2018) どんなもの？ 先⾏研究と⽐べてどこがすごい？ 環境照明とフラッシュ照明ペアのデータセット ⼀般の⼈が撮影した写真をクラウドソーシング で収集することで、より汎⽤的な再照明等の研 究のデータとして活⽤することができる。 Material Recognition in the Wild with the Materials in Context Database Sean Bell∗ Paul Upchurch∗ Noah Snavely Kavita Bala どんなもの？ 現実の⾃然の画像のマテリアル認識とセグメン テーション 先⾏研究と⽐べてどこがすごい？ Materials in Context Database(MINC)という 従来の研究に使⽤されていたデータセットより もサンプル数、種類が共に豊富な⼤規模データ セットを使⽤して学習することで、より⾼精度 の認識が可能になった。
62. Matis Hudon, Mairead Grogan, Rafael Pages, Aljosa Smolic Deep Normal Estimation for Automatic Shading of Hand-Drawn Characters (ECCV2018) どんなもの？ 先⾏研究と⽐べてどこがすごい？ デジタル化した⼿書きキャラクターの絵を⼊⼒ としてキャラクターにシェーディングを施す キャラクターの⼊⼒以外にユーザーの⼊⼒や操 作を必要としない。CNNによって任意の解像度 の⼊⼒された絵から正確な法線マップを効率的 に推測する。
63. Brain-inspired automated visual object discovery and detection Lichao Chen, Sudhir Singh, Thomas Kailath, and Vwani Roychowdhury どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ どうやって有効だと検証した？ 次に読むべき論⽂は？ 議論はある？ 断⽚画像のみから物体の全体像を識別するコン ピュータビジョンシステム。 オブジェクトに対して⾮常に柔軟なモデルを学 習できる教師なし学習システム。解像度、計算 効率が⾼い。教師なし学習で変形可能で複数の 構成要素を持つオブジェクトを検出できる。 ⽣物学的な（脳の）知覚学習のプロセスを模倣してい る。画像を多くの⼩さな部分に分割し、それらがどの ようにまとまって物体を形成するかを学習。 他の研究で使われたデータセットと同じものを 使⽤し評価。（顔425、バイク800、⾶⾏機 800、⾃動⾞800） Webから12,047枚の⼈の⾼品質画像を集めた データセットを作成し評価。 精度と表現⼒の両⽅を向上させるため、さらに 機能を追加した。 Visual Turing test for computer vision systems.
64. Minsu Cho, Suha Kwak, Cordelia Schmid, Jean Ponce 複数のオブジェクトクラスを持つオブジェクトをノイズ のある画像から発⾒し、位置を特定する。これまでの研 究よりノイズがある⼀般的な画像から教師なし学習で特 定できるのが優れている点。 完全な教師なし学習では難しいとされていたデータセッ トを使⽤して評価。 部分ベースのマッチングを効果的に使⽤することがオブ ジェクトの検出の重要な要素。 Atoms of recognition in human and computer vision Shimon Ullman , Liav Assif, Ethan Fetaya, Daniel Harari Unsupervised Object Discovery and Localization in the Wild: Part-based Matching with Bottom-up Region Proposals 認識できる最⼩限の画像を導⼊して使⽤することに より、現在のコンピュータビジョンのモデルには使 われていないが、認識に重要である特徴やプロセス を⼈間の視覚システムが使っているということを⽰ した。
65. Lubomir Bourdev, Jitendra Malik 任意の姿勢の⼈物に対してある部分を切り出したもの （ポーズレット）を使って画像内の⼈物の検出、セグメ ンテーション、ポーズ推定の問題に対処。 ⼈間の3D間接情報を含む2D写真の新しいデータセット を⽤いてこれを可能にした。 ⼈を検出し、体の構成要素を特定すつための2層分類/回 帰モデルを提案した。 Long-term Recurrent Convolutional Networks for Visual Recognition and Description Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach, Subhashini Venugopalan, Sergio Guadarrama, Kate Saenko, Trevor Darrell 時間的にも空間的にも深く、シーケンシャルな⼊⼒ と出⼒を含む様々なビジョンタスクに適⽤できるほ ど柔軟なモデルのクラスLRCNを提案。 Poselets: Body Part Detectors Trained Using 3D Human Pose Annotations
66. Shimon Ullman Daniel Harari Nimrod Dorfman From simple innate biases to complex visual concepts 発達の早い段階で、幼児は現在の計算⽅法に とって⾮常に困難な視覚的な問題を解決するこ とを学ぶ。計算の難しさと幼児の学習の間の ギャップが特に⽬⽴つ2つの基本的な問題である ⼿を認識することを学ぶことと、視線⽅向を認 識することを学ぶことを扱うモデルを提⽰し た。
67. Progressive Color Transfer with Dense Semantic Correspondences Mingming He, Jing Liao, Dongdong Chen, Lu Yuan, Pedro V. Sander 先行研究 比べ こ す い 技術や手法 モ こ うや 有効 検証した 議論 あ 次 読 べ 研究 対象画像 参照画像 構図 著しく異 場合 color transfer 不自然 画像 こ し し そこ 対象画像 参照画像 間 意味 的 対応付け 行い 同 意味 モノ 同 色 う す こ 自然 カ ー転送 実現す 新しいア 提案 対象画像 参照画像 双方 VGG特徴 抽出 特徴 ップ上 最近傍探索 画像間 意味的 対応関係 求 い 得 た対応関係 color transfer イ 画像 生成し イ 画像 参照画像 差異 目的関数 設定し 最適化問題 解くこ color trasfer 行 い (最終的 画像 生成す た こ 処理 プロ ッ 繰 返す ) 1対1 カ ー転送 1対多 拡張可能 Joint optimization(共同最適化) Deep features for correspondences Local color transfer 3 調査 通 提案したア 様々 ンポー ン 分析 び評価した そ 調査 従来 い く アプローチ方法 比較し い 対象画像 存在す 参照 い一部 領域 一致し い可能性 あ た 正しく い色 転写 発生す た 本稿 使用したVGG ッ ワーク 同 ン ック ベ 持 異 インスタンス 区別す う ーニン さ い いた 異 インスタンス間 混色 発 生し し う可能性 あ
68. Global特徴 Local特徴 同時 学習す end-to-end network 利用した ース ー 画像 自動的 色 けす 新しい手法 紹介 Globalモ Localモ 結合す こ あ ゆ 解像度 画像 処理 し 画像style 他 画像 colorization 転移す こ 可能 Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification Satoshi Iizuka, Edgar Simo-Serra, Hiroshi Ishikawa Multi-scale Image Harmonization Kalyan Sunkavalli, Micah K. Johnson, Wojciech Matusik, Hanspeter Pfister image harmonization 呼 プロ ス 通 画像 視覚的外観 明示的 一致 させ ー ワーク(画像 合成す 前 画像 外観 調和させ ー ワーク) 提案 入力 ソース画像 ター ッ 画像 び ン ノイ 画像 ピ ッ 分 解 ス ッチン 技術 使用し ソースピ ッ ノイ ピ ッ ター ッ ピ ッ 一致す う 繰 返し成形し こ 調和 たピ ッ 生成さ そこ ー ス及び ッ ベース ウン 組 込 こ 最終的 ンポ ッ 再構築さ いう仕組
69. ーン 外観 影響 与え 高 ベ プロパ あ 一時的 ーン 属性 研究 40 一時的 属性(Lightning:sunrise/synset dawn/dusk, Weather:rain/sunny etc..) 定義し ク ウ ソー ン 使用し 101 ウ カ 何千 画像 注釈 け こ 一時的 ーン属性 ータベース 使用し 新規画像 属性 存在 予測 ッ ー ーニン した た ユー ー ーン 属性 調整 高度 画像編集方法 提案(あ ーン 雪 や 日 没 変更可能) Transient Attributes for High-Level Understanding and Editing of Outdoor Scenes Pierre-Yves Laffont, Zhile Ren, Xiaofeng Tao, Chao Qian, James Hays Interactive Local Adjustment of Tonal Values Dani Lischinski, Zeev Farbman, Matt Uyttendaele, Richard Szeliski 色調 値や他 視覚的パ ーター 地域的 調整 新しいインタ ク ー 紹介 ユー ー 数回 単純 ス ローク 関心 あ 領域 素早く指摘し ス イ ー 使用し 明 さ・ ン ス そ 他 パ ーター 調整 エッ 保持 クノロ ー 使用し 調整 色相 異 明 さ ロッ ク 広 防い い
70. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros 画像 い x∈X,y∈Y い G:X→Y う G 生成したい 既存 画像変換 タスク設計 し xi,yi 組 沢山用意し 学習 用い いう方法 考え い 現実 的 対 う xi,yixi,yi 用意す こ 困難 あ 場合 そこ 対 ータ ッ 使わ イン X イン Y 画像変換 (image-to-image translation) 行う新しいアプローチ 提案 こ 手法 GAN 利用さ CycleGAN 命名さ い
71. 認知症患者 護者 会話 促進 枕型 ク ン 提案 機能 6 ン 押 環境音 流 患者 ク 過去 思い出 想起 働 持 証明 例え 車 音 流 自分 遀転 い 時 話 始 先行研究 比 い？ 技術や手法 モ ？ ？ 1. 護者 Vita 紹 2. 護施設 効果測定 3. 護者 有益性 定 流 実験 行わ 評価 研究者 ノ 最 終 ン 用い 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 音楽 認知症患者 良い影響 与え 明 い 日常生活音 彼 良い影響 与え 示 護現 場 い 日常生活音 活用 仕方 新 提案 ク ン型 ン 導入コ 大 く い点 生活音 種類 共通 ( ン No.1~4) 各個人 (No.5,6) 導入 点 各個人用 音 護者 家族 決 共通 音 関 逿ぶ 外出 聞く 空想 連想 音 ベ BBC Sound Effects 利用 数 少 い患者 表情 音 対 ク ン 触 ン 要 役割 果 No.1~5 論文 同 音 患者そ 経験 聞 え方 変わ 認知症患者 対 曖昧 意味 持 音 そ 連想 有益 情報 提供
72. 認知症患者 そ 護者 VR 用い ン 作 論文 先行研究 比 い？ 技術や手法 モ ？ ？ ワ ク 通 得 ( ノ ン ) 分析 行う 評価 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 認知症患者 そ 護者 VR 用い 研究 ン 得 研究 3 大 指標：気兼 く使え 環境 共有 い い 新 い 融合 示 . 指標 元 将来 ン 5 指標 ( 物理的 基準 仕組 視覚 け く音 含 ソ 安心 快適 う コン ン ) 提案 1 目 ワ ク VR ク ン 調 2 目 個人 ン 作 目標 VR 環境 公園 コン 作 患者 あ ゆ 感覚 使え う 使え 技術 特徴や 交流 仕方 工夫 大事 No.1
73. 認知症患者 立場 対 批 的 観点 考え HCI 視点 研究 ン 仕方 検討 論 文 先行研究 比 い？ 技術や手法 モ ？ ？ 行う現場 ワ ク 行 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 認知症患者 社会的 扱わ 方 分析 う ロ 批 的 中心 提案 点 批 的 観点 認知症 考え ：研究 文脈 理解 上 意味付け 感覚 使う 要性 合理性 く感情 考慮 批 的 観点 考慮 上 研究 ン ケ 分析 仕方 クノロ 使い方 提案 認知症患者 HCI 研究 ン 作 現在 HCI け 分 研究 位置付け No.2
74. 先行研究 比 い？ 現場 コ ケ ン 特 配慮 要 人 う 接 い 調査 研究 . 技術や手法 モ ？ ？ 均的 歴 11 年 22 人 年 渡 ワ ク 行 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 物作 患者 何 表現 要 手段 捉え 観点 臨床現場 患者 仕方 分析 物作 表現 捉え 材料 言語 いう考え方 違う素材 違う表現方法 考え 患者 自分 表現 際 快 適 あ う いい距 感 保 患者 表現 い 認識 材料 提案 場面 あ 作 表現物 Youtube う 所 発信 物作 考え 表現 いう考え方 多く 人 伝わ 考え 患者 関わ 生 ク 考慮 . 患者 家族 活動 参加 関 い あ No.
75. 中度 認知症患者 対象 環境音 過去 経験 想起 働 促進 提案 先行研究 比 い？ 技術や手法 モ ？ ？ 環境音 聴い 際 感覚や行動 分析 3 ワ ク 行 参加者 認知症 程度 音声 録音 録画 ン ノ 護 い 方 最終 ン 得 分析 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 認知症患者 音 用い 入 新 ン ン 提案 環境音 個人 記憶 想起 関 新 知見 得 4 環境音 ( 森 家 街並 ) 用意 真 中 何 置く 4 環境音 同時 周 あ 4 ン 押 そ 環境音 ン / 変更 ン 素晴 い 環境音 聞い 時 反応 参加者 違 環境音 頃 記憶 想起 意味 あ 要 ク 記憶 想起 楽 い気分 想起 記憶 共有 う 会話 始 作 け 大 意味 あ い 考え No.4
76. 体験中心 ン 認知症 適応 目標 ワ ク 得 知見 基 く新 開発 先行研究 比 い？ 技術や手法 モ ？ ？ ワ ク 行 集 患者 作成 使 い そ 様子 観察 分析 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 体験中心 ン 考え方 認知症 対象 い 長い間 護施設 い 方 対象 ケ 行 点 体験中心 ン 具現化 相互交流 促進 SwaytheBand いう 人 同時 触 音楽 流 点滅 開発 使う 新 ン ク ン 生 出 う ン ク ン 生 出 観察 目的 認知症患者 ク 活動 参加 方法 理解 回 研究 通 得 認知症 体験中心 ン 原理 用い 新 い 異 コ ケ ン 方法 見 け 出 う No.5
77. Deep Portrait Image Completion and Extrapolation 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 べ 論文 人物写真中 補完す ア 開発 一人 人間 写真 補完す こ 特化す こ 補完後 写真 現実的 人間 体全体 写真(ポー 構成) 取得す NN 用い 先端技術 画像補完技術 比較 人間以外 動物 適用可能した Xian Wu, Rui-Long Li, Fang-Lue Zhang, Member, IEEE, Jian-Cheng Liu, Jue Wang, Senior Member, IEEE, Ariel Shamir, Member, IEEE Computer Society, and Shi-Min Hu, Senior Member, IEEE 構造情報 画像 入力す く 構造情報 学習済 NN 用い 取得す 方法 普及しそう 穴あ 画像 何 画像化 認識 全自動化可能? X. Liang, K. Gong, X. Shen, and L. Lin, っLook inがo person: Joint body parsing & pose estimation neがくoおk and a neく benchmaおk,、 IEEE Tおanかacがionか on Pattern Analysis and Machine Intelligence, 2018.
78. Globally and Locally Consistent Image Completion 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 べ 論文 画像中 白く塗 ぶさ た部分 補完 す NN 開発 顔 画像 風景画像 対応す 任意 解像度 画像 対応す 画像 穴埋 す NN 穴埋 さ た画 像 通常 画像 見分け NN 2種類 用い (GAN?) 補完後 画像 目視 確認 顔 画像 い 補完後 画像 認識機 認識さ 確 た SATOSHI IIZUKA, Waseda University EDGAR SIMO-SERRA, Waseda University HIROSHI ISHIKAWA, Waseda University
79. Image Quilting for Texture Synthesis and Transfer Alexei A. Efros University of California, Berkeley 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 べ 論文 クスチャ 元画像 クスチャ画 像 作成し 他 画像(人 物) 合成す クスチャ画像 違和感 く 拡大 先行手法 比べ 計算 ス 下 ス 減 先行手法 合成した画像 提案手法 合成した 画像 比較す クスチャー画像 他 画像 合成す 方法 工夫 こ あ 気 す Texture synthesis by non-parametric sampling. In International Conference on Computer Vision,pages 1033ど1038 William T. Freeman Mitsubishi Electric Research Laboratories クスチャ元画像 ン 切 取 合わせ こ クスチャ画像 く作
80. Texture Synthesis by Non-parametric Sampling 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 べ 論文 画像 穴埋 用い 効果的 クス チャ画像 生成す クスチャ 元画像 要素(正方形) 切 取 手法 改善した クスチャ 元画像中 正方形 切 取 合わせ 現実 画像 クスチャ 穴 埋 目視 成否 確認 切 取 正方形 大 さ 人力 決 実 用化 難しい(計算量 多く そう) Alexei A. Efros and Thomas K. Leung Computer Science Division University of California, Berkeley
81. Look into Person: Joint Body Parsing & Pose Estimation Network and A New Benchmark 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 べ 論文 人体 パー 識別 ポー 推定 た ータ ッ (LIP) NN 作製 ータ ッ い 人 画像 分類す パー 種類 増やした ータ数 増 やした 体 パー 認識 ポー 推定結果 使 体 パー ポー 推定 再度行う 最新 NN LIP 用い 学習させ 人間 画像 人間 パー 認識 調べ 安価 カ ( ン ー) 情報 動的 人 ポー 認識す Iot機器 操作 使えそう Xiaodan Liang, Ke Gong, Xiaohui Shen, and Liang Lin
82. Fragment-Based Image Completion 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 べ 論文 画像中 空白部分 補完す ア 提案 画像中 空白部分 画像中 そ 以外 部分 切 抜いたパー 組 合わせ 補完す 画像中 空白以外 切 取 たパー 空白部 分 補完 確 際 パー 位 置・角度 大 さ 全探索す 処理 時間 計測 実際 一部 切 抜 た画像 補完処理 適用 こ 手法 画像中 い要素(画素 集 ) 空白部分 補完 い 画像 大 く 計算時間 膨大 Iddo Drori Daniel Cohen-Or Hezy Yeshurun School of Computer Science ∗ Tel Aviv University
83. Single-Photon 3D Imaging with Deep Sensor Fusion どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモは？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論⽂は？ 単⼀光⼦センサーと機械学習を組み合わ せて、低光⼦数でも密度の⾼い深度マッ プの作成法。また、その解像度を向上さ せるアプローチの提案。 以前まで⾏われていた、単⼀光⼦測定を ⽤いた深度推定に、強化画像を加えて, 機械学習を⽤いた。また、パラメータ設 定が不要。 強化画像に対する機械学習にを⽤いた CNNで、深度を推定するものと深度 マップの解像度上げた。20Hzで 256×256の単⼀光⼦測定をキャプチャ する効率の良いシステムを提案した。 様々な条件下で試⾏し、出⼒された深度 マップにて有効性を⽰した。 ノイズレベルが⼤幅に異なる場合、ネッ トワークの再トレーニングが必要となる。 Pettersen et al. 2004 Shin et al. 2015 Pawlikowska et al. 2017 Achar et al. 2017 Rapp and Goyal 2017 DAVID B. LINDELL, MATTHEW O'TOOLE, GORDON WETZSTEIN
84. どんなもの？ 分⼦をインタラクティブに可視 化するためのシステム、UCSF Chimeraの開発。 どんなもの？ 単⼀光⼦深度測定法を⽤いた、 ⻑距離地点(最⼤10kmの範囲内) に位置するターゲットの測定に ついて。また、3次元画像の作 成について。航空技術への応⽤。 どんなもの？ エピポーラToF(time-of-flight) を⽤いて、光⼦深度推定法の汎 ⽤性を向上させた。太陽光の下 や、鏡⾯反射にもある程度対応 できるようにした。 UCSF Chimera--a Visualization System for Exploratory Research and Analysis ERIC F PETTERSEN, THOMAS D GODDARD, CONRAD C HUANG, GREGORY S COUCH, DANIEL M GREENBLATT, ELAINE C MENG, THOMAS E FERRIN Single-photon three-dimensional imaging at up to 10 kilometers range AGATA M. PAWLIKOWSKA, ABDERRAHIM HALIMI, ROBERT A. LAMB, AND GERALD S. BULLER Epipolar time-of-flight imaging SUPREETH ACHAR, JOSEPH R. BARTELS, WILLIAM L. ʻREDʼ WHITTAKER, KIRIAKOS N. KUTULAKOS, SRINIVASA G. NARASIMHAN
85. どんなもの？ 以前までの光⼦信号装置を⾼品 質にし、それに伴い、イメージ ングシステムも改造した。 どんなもの？ 光学的⼿法を⽤いた⾮接触性深 度測定において、確率論を⽤い て、検出した光⼦信号が、意図 して送ったものか背景(⾃然光) から来たものか判別し、光⼦効 率を向上させる。 Photon-efficient imaging with a single-photon camera DONGEEK SHIN, FEIHU XU, DHEERA VENKATRAMAN, RUDI LUSSANA, FEDERICA VILLA, FRANCO ZAPPA, VIVEK K GOYAL, FRANCO N.C. WONG, JEFFREY H. SHAPIRO A Few Photons Among Many: Unmixing Signal and Noise for Photon-Efficient Active Imaging JOSHUA RAPP, VIVEK K GOYAL
86. 5ISFFEJNFOTJPOBM
    *OUFSBDUJPO
    5FDIOJRVF
    6TJOH
    BO
    "DPVTUJDBMMZ
    .BOJQVMBUFE
    #BMMPPO
    ͲΜͳ΋ͷʁ ઌߦݚڀͱൺֱͯ͠Կ͕͍͢͝ʁ ٕज़΍ख๏ͷ؊͸ʁ ༗ޮੑͷ࣮ূํ๏͸ʁ ٞ࿦͸͋Δ͔ʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ௒Ի೾ͰҐஔ੍ޚ͞ΕͨόϧʔϯΛར༻ͨ͠ɺશ਎͕࢖͑Δൣғ಺ͰͷԾ ૝ΦϒδΣΫτͱͷର࿩γεςϜɻ Ϣʔβʹλονʹे෼ͳେ͖͞Λ࣋ͭٿঢ়σΟεϓϨΠΛఏڙͰ͖Δ఺ɻ ·ͨϫʔΫεϖʔεͷ֦େͱ௕͍ු༡࣌ؒɺ༏Εͨࢹೝੑɺόϧʔϯ΁ͷ ؆୯ͳ৮֮తͳΞΫηε͕Ͱ͖Δ఺ɻ ఱҪʹઃஔ͞Εͨଟ਺ͷ௒Ի೾ൃग़૷ஔʹΑͬͯɺόϧʔϯͷҐஔΛ̏࣍ ݩతʹ੍ޚ͢Δɻόϧʔϯͷத৺ʹয఺Λ߹Θͤͨ௒Ի೾ϏʔϜΛ߹੒͠ Իڹ์ࣹྗΛՃ͑Δ͜ͱͰɺͦΕͷුྗΛଧͪফ͠ɺۭதʹ҆ఆͤ͞Δɻ ࣮ࡍʹ͜ͷγεςϜ͸੡࡞͞Ε͍ͯͨ΋ͷͷɺͦΕΛଟ਺ͷϢʔβ ʹ࢖༻ͯ͠΋Β͏ͳͲͷݕূ͸͞Ε͍ͯͳ͔ͬͨɻ ౥ࡌ͢Δ૷ஔ͕গͳ͍ҝɺςʔϚύʔΫͰͷ༓ྶ΍ਫ਼ྶͳͲͷΩϟ Ϋλʔͷԋग़ʹ׆༻Ͱ͖ΔͷͰ͸ͳ͍͔ͱߟ͍͑ͯΔɻ·ͨ௨৴༻ Ξόλʔͷ෺ཧతදݱΛՄೳʹ͠ɺ৽ͨͳίϛϡχέʔγϣϯͷܗ ଶͷՄೳੑ΋։͘ɻ ࡾ࣍ݩۭؒ಺ͰͷҐஔ੍ޚʹؔ͢Δ࿦จ
87. 4QIFSF
    .VMUJ5PVDI
    *OUFSBDUJPOT
    PO
    B
    4QIFSJDBM
    %JTQMBZ
    ϚϧνϢʔβɺϚϧνλονʹରԠͨ͠ٿঢ়σΟεϓϨΠʮ4QIFSFʯΛ ։ൃͨ͠ɻܗঢ়Λ͸͡Ίͱͨ͠ಠࣗͷಛੑʹΑͬͯɺҰൠతͳϑϥοτ σΟεϓϨΠͰՄೳͩͬͨ΋ͷΛ௒͑ΔΠϯλϥΫγϣϯ͕Ͱ͖Δͱߟ͑ ͍ͯΔɻ·ͨɺݱࡏͷʮҰͭͷσΟεϓϨΠܗঢ়ɾαΠζͰશͯͷλεΫ ʹରԠ͢ΔʯΞϓϩʔνͰͳ͘ɺ֤λεΫʹద༷ͨ͠ʑͳσόΠεΛඋ ͑Δ͜ͱͰɺ৘ใ΁ͷΞΫηεͱૢ࡞͕ΑΓ๛͔ʹͳΔͱߟ͍͑ͯΔɻ 2PPN
    "O
    *OUFSBDUJWF
    0NOJEJSFDUJPOBM
    #BMM
    %JTQMBZ ׬શʹٿঢ়ͷϘʔϧͰɺճసɾ౤͛ɾऽΔ͜ͱͰ৘ใΛૢ࡞Ͱ͖Δܞଳ ༻ٿঢ়σΟεϓϨΠ2PPNΛ։ൃͨ͠ɻෳ਺ͷϓϩδΣΫλʔΛ࢖༻ͯ͠ Ϙʔϧද໘ʹը૾Λදࣔ͠ɺϞʔγϣϯΩϟϓνϟΧϝϥγεςϜΛ༻͍ ͯɺͦΕͷࡾ࣍ݩҐஔΛϦΞϧλΠϜͰ௥੻ͨ͠ɻ
88. 1JYJF
    %VTU
    (SBQIJDT
    (FOFSBUFE
    CZ
    -FWJUBUFE
    BOE
    "OJNBUFE
    0CKFDUT
    JO
    $PNQVUBUJPOBM
    "DPVTUJD1PUFOUJBM
    'JFME খ͞ͳ෺ମΛԻͷఆৗ೾ͷதʹด͡ࠐΊΔ͜ͱʹΑۭͬͯதු্ͤͯ͞ ͍ͨैདྷͷٕज़Λ֦ு͠ɺԻڹϙςϯγϟϧ৔ͷ෼෍Λม͑Δ͜ͱʹΑ ͬͯɺ෺ମͷۭؒҐஔͱ%ΞχϝʔγϣϯΛ੍ޚ͢Δํ๏ΛఏҊͨ͠ɻ ࣓ؾු্΍ΤΞδΣοτͳͲͷඇ઀৮ු্ٕज़ͱൺֱ͠ɺԻڹු্Ͱ͸ ༷ʑͳࡐྉʹར༻Ͱ͖ɺे෼ͳϦϑϨογϡϨʔτͱۭؒ෼ղೳΛ֬อ Ͱ͖Δͱ͍͏ಛ௃͕͋Δɻ ;FSP/
    .JE"JS
    5BOHJCMF
    *OUFSBDUJPO
    &OBCMFE
    CZ
    $PNQVUFS
    $POUSPMMFE
    .BHOFUJD
    -FWJUBUJPO Ӭٱ࣓ੴΛ࣓ؾු্ͤ͞Δ͜ͱʹΑͬͯɺ̏࣍ݩۭؒͰίϯϐϡʔλͷ ࢦྩʹΑͬͯࣗ༝ʹු༲͓ΑͼҠಈͰ͖ΔΠϯλϑΣʔεΛ։ൃͨ͠ɻ ͜Ε͸࣓ؾ੍ޚγεςϜʹՃ͑ɺු༡෺ମʹը૾Λ౤Ө͢Δޫֶ௥੻͓ Αͼ௥੻γεςϜͱ૊Έ߹Θͤͯ࢖ΘΕΔɻϢʔβ͸ු༡͢Δ෺ମΛ഑ ஔɺҠಈͤ͞Δ͜ͱ͕Ͱ͖ɺͦΕʹΑͬͯ৘ใΛૢ࡞͢Δ͜ͱ͕Մೳɻ
89. #JU%SPOFT
    5PXBSET
    6TJOH
    %
    /BOPDPQUFS
    %JTQMBZT
    BT
    *OUFSBDUJWF
    4FMG-FWJUBUJOH
    1SPHSBNNBCMF
    .BUUFS
    খܕυϩʔϯΛ༻͍ͨɺΠϯλϥΫςΟϒͳݱ࣮ۭؒͰͷ%σΟεϓϨ ΠΛߏங͢ΔͨΊͷπʔϧͰ͋Δʮ#JU%SPOFʯΛ։ൃͨ͠ɻ͜ͷυϩʔ ϯʹ͸̏छྨ͋Γɺ୯৭3(#-&%ͱখܕ0-&%Λඋ͑ͨ1JYFM%SPOFɺ% ϓϦϯτ͞ΕͨϑϨʔϜΛ࣋ͭ4IBQF%SPOFɺͦͯ͠λονεΫϦʔϯσ ΟεϓϨΠΛ౥ࡌͨ͠%JTQMBZ%SPOFͰ͋Δɻ͜͏ͨ͠ݸʑͷυϩʔϯ͕ ࿈ܞ͠߹͏͜ͱʹΑͬͯɺΠϯλϑΣʔεΛߏஙͨ͠ɻ
90. δΣϯμʔɾεςϨΦλΠϓɾϨΩγίϯͷߏங
    ϨΩγίϯΞϓϩʔνͷߋ৽ ͱ
    ϨΩγίϯΞϓϩʔνͱΤϯυπʔΤϯυͷ
    σΟʔϓϥʔχϯάϞσϧͱͷؒͷ৻ॏͳ࣮ূతൺֱΛͨ͠ ͲΜͳ΋ͷʁ ઌߦݚڀͱൺ΂ͯͲ͕͜ੌ͍ʁ ٕज़΍ख๏ͷΩϞ͸ʁ Ͳ͏΍ͬͯ༗ޮͰ͋Δͱݕূͨ͠ʁ ٞ࿦͸͋Δʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ٻਓ޿ࠂʹ͓͚ΔੑผͷภΓΛݕग़͢Δͱ͍͏࣮༻తͳλεΫͰ
    FOEUPFOEΞϓϩʔνΛςετͨ͠ͱ͜Ζ
    ۀքͷ࠷ઌ୺ٕज़Λ྇կ͢Δ݁Ռ͕ಘΒΕͨɻ ܇࿅͞ΕͨϞσϧʹ͓͚ΔજࡏతͳόΠΞεΛճආ͢ΔͨΊʹ
    δΣϯμʔɾεςϨΦλΠϓͷදݱ͕ҟͳΔهࣄΛ
    Ϋϥ΢υιʔγϯά͢Δ͜ͱͰɺ܇࿅ʢ͓ΑͼςετʣσʔλΛऩूͨ͠ ςετσʔλ্Ͱ֤ΞϓϩʔνΛద༻͠
    ֤ςετهࣄ͕ҙਤͨ͠ੑผͷεςϨΦλΠϓͱ
    Ұக͍ͯ͠Δ͔͋Δ͍͸ໃ६͍ͯ͠Δ͔Λݕূɻ
    ·ͨɺςετσʔλͷϥϕϧ͕ҰൠͷਓʑͷೝࣝΛਖ਼֬ʹଊ͍͑ͯΔ͔
    Ͳ͏͔Λཧղ͢ΔͨΊʹผͷϢʔβʔௐࠪΛ࣮ࢪͨ͠ɻ ͍͔ͭ͘ͷ੍ݶ͕͋Δɻ
    ਺ेສͷαϯϓϧΛؚΉ/-1ίϛϡχςΟͷ
    Ұൠతͳσʔληοτͱൺֱͯ͠ɺ૬ରతʹখ͍͞ɻ
    ࢀՃऀΛถࠃਓʹݶఆ͢Δ͜ͱͰจԽతόΠΞεͷӨڹΛ
    ؇࿨͠Α͏ͱࢼΈ͍ͯΔ͕ɺ͍͔ͭ͘ͷόΠΞε͕࢒ΔՄೳੑ͕͋Δ +JFZV
    ;IBP
    FU
    BM
     %FUFDUJOH
    (FOEFS
    4UFSFPUZQFT
    -FYJDPO
    WT
    4VSQFSWJTFE
    -FBSOJOH
    .FUIPET +FOOB
    $SZBO
    
    
    
    
    
    
    
    4IJMJBOH
    5BOH
    
    
    
    
    
    
    
    
    
    9JOZJ
    ;IBOH
    
    
    
    
    
    
    
    
    
    .JSJBN
    .FU[HFS
    
    
    
    
    
    
    
    
    )BJUBP
    ;IFOH
    
    
    
    
    
    
    
    
    
    #FO
    :
    ;IBP $)*
    
91. ؔ࿈ݚڀ δΣϯμʔόΠΞεʹண໨ͨ͠ڞࢀরղܾͷͨΊͷ
    ৽͍͠ϕϯνϚʔΫͰ͋Δ8JOP#JBTΛ঺հɻ
    طଘͷ୯ޠຒΊࠐΈσόΠΞεٕज़ͱ૊Έ߹Θͤͯ
    طଘͷڞࢀরγεςϜͷੑೳʹେ͖ͳӨڹΛ༩͑Δ͜ͱͳ͘
    8JOP#JBTͰ͜ΕΒͷγεςϜ͕ࣔͨ͠όΠΞεΛআڈ͢Δ
    σʔλΦʔΨϝϯςʔγϣϯͷΞϓϩʔνΛ࣮ূͨ͠ɻ ࢲͨͪͷ෼ੳʹΑΔͱɺ͜ͷίʔύεͰ͸ঁੑͷଘࡏ͕
    ஶ͘͠ෆ଍͍ͯ͠Δ͜ͱ͕Θ͔ΓɺͦͷͨΊ
    ͜ͷΑ͏ͳσʔληοτͷภΓͷӨڹΛߟྀͯ͠ɼ
    ͢΂ͯͷஉੑ࣮ମΛؚΉิॿతͳ
    σʔληοτΛੜ੒͢Δ͜ͱΛఏҊ͢Δɽ े෼ͳ߹ਤ͕༩͑ΒΕͨγεςϜ͸ɺ
    δΣϯμʔͷόΠΞεΛ
    ແࢹ͢Δ͜ͱ͕Ͱ͖Δͱ͍͏ূڌ΋ఏڙ͠·͢ɻ (FOEFS
    #JBT
    JO
    $PSFGFSFODF
    3FTPMVUJPO
    &WBMVBUJPO
    BOE
    %FCJBTJOH
    .FUIPET +JFZV
    ;IBP
    FU
    BM
     ҟͳΔཞ༻తͳݴޠσʔληοτͰ܇࿅͞Εͨ
    ϞσϧͷδΣϯμʔόΠΞεΛଌఆ͠
    ҟͳΔࣄલ܇࿅͞Εͨ୯ޠͷຒΊࠐΈͱ
    ϞσϧΞʔΩςΫνϟͷޮՌΛ෼ੳ͢Δɻ
    δΣϯμʔόΠΞεΛޮՌతʹ
    ௿ݮ͢Δ͜ͱ͕Ͱ͖ଞͷγφϦΦͰͷϞσϧόΠΞεͷ
    मਖ਼ʹ΋֦ு͢Δ͜ͱ͕Ͱ͖Δɻ ڭࢣ෇ֶ͖शઃఆͷΈͰֶश͞Εͨഃ౗ޠͷදݱ͸
    தཱతͰ͋Δ͕܇࿅αϯϓϧͰසൟʹൃੜ͢Δ
    ಛఆͷ୯ޠʹΦʔόʔϑΟοτ͢Δ܏޲͕͋ΔͨΊ
    ࣮༻ʹे෼ͳҰൠԽ͕Ͱ͖ͳ͍Մೳੑ͕͋Δ
    ͱ͍͏ࣄ࣮ʹয఺Λ౰͍ͯͯΔɻ ࣄલʹ܇࿅͞Εͨ୯ޠͷຒΊࠐΈϞσϧͷΞʔΩςΫνϟ
    ͓ΑͼҟͳΔσʔληοτͷ͢΂͕ͯӨڹΛ༩͑͏Δ͜ͱ͕Θ͔ͬͨɻ
    ఏҊͨ͠ख๏͸δΣϯμʔόΠΞεΛ·Ͱ௿ݮ͠
    ϞσϧͷϩόετੑΛ޲্ͤ͞Δ͜ͱ͕Ͱ͖Δ͜ͱΛൃݟ͠·ͨ͠ɻ 3FEVDJOH
    (FOEFS
    #JBT
    *O
    "CVTF
    -BOHVBHF
    %FUFDUJPO +J
    )P
    1BSL
    FU
    BM
    
92. ؔ࿈ݚڀ ਓ͕ؒੜ੒ͨ͠ίʔύε্Ͱֶश͞ΕͨຒΊࠐΈ͸
    ࣾձߏ଄Λ൓өͨ͠ڧ͍δΣϯμʔεςϨΦλΠϓΛ
    ܧঝ͢Δ͜ͱ͕࣮ূ͞Ε͍ͯΔɻ
    ͜ͷ໰୊Λղܾ͢ΔͨΊʹຊ࿦จͰ͸
    δΣϯμʔχϡʔτϥϧͳ୯ޠຒΊࠐΈΛ
    ֶश͢ΔͨΊͷ৽ֶ͍͠शखॱΛఏҊ͢Δɻ ։ൃͨ͠(/(MP7F͸୯ޠϕΫτϧΛֶश͠ͳ͕Β
    δΣϯμʔχϡʔτϥϧͳ୯ޠΛڞಉͰࣝผ͢Δ͜ͱͰ
    δΣϯμʔχϡʔτϥϧͳ୯ޠΛࣝผ͢ΔͨΊͷ
    ݸผͷ෼ྨثΛඞཁͱ͠ͳ͍ͨΊޡࠩ఻೻ͷ
    ໰୊Λഉআ͢Δ͜ͱ͕Ͱ͖·͢ɻ
    ఏҊख๏͸൚༻తͰ͋Γଞͷ୯ޠຒΊࠐΈϞσϧͱ
    ૊Έ߹ΘͤͯଞͷࣾձతεςϨΦλΠϓͷ௿ݮʹ΋Ԡ༻Ͱ͖Δɽ զʑͷख๏͸ҰൠతͰ͋ΓɺੑผΛఆٛ͢Δ୯ޠͷϦετ͕
    γʔυ୯ޠʢྫ͑͹ɺੑผ୅໊ࢺʣͱͯ͠ఏڙ͞Ε͍ͯΔݶΓ
    ͲͷΑ͏ͳݴޠʹ΋ద༻ՄೳͰ͋Δɻ -FBSOJOH
    (FOEFS/FVUSBM
    8PSE
    &NCFEEJOHT +JFZV
    ;IBP
    FU
    BM
     ຊ࿦จͰ͸εΩοϓάϥϜϞσϧʹجͮ͘
    ৽͍͠ΞϓϩʔνΛఏҊ͢Δɻ
    ϕΫτϧදݱ͸֤จࣈOHSBNʹؔ࿈෇͚ΒΕ͓ͯΓ
    ୯ޠ͸͜ΕΒͷදݱͷ߹ܭͱͯ͠දݱ͞ΕΔɻ
    զʑͷख๏͸ߴ଎Ͱ͋Γେن໛ίʔύε্Ͱͷ
    ϞσϧֶशΛਝ଎ʹߦ͏͜ͱ͕Ͱ͖
    ֶशσʔλʹ͸ؚ·Ε͍ͯͳ͍
    ୯ޠͷදݱΛܭࢉ͢Δ͜ͱ͕Ͱ͖Δɻ զʑͷओͳߩݙ͸࿈ଓεΩοϓάϥϜϞσϧ
    .JLPMPW
    FU
    BM
    C Λ֦ு͠
    αϒϫʔυ৘ใΛߟྀͨ͠ϞσϧΛಋೖ͢Δ͜ͱͰ͋Δɻ
    ຊݚڀͰ͸ҟͳΔܗଶΛࣔͭ͢ͷݴޠʹ͍ͭͯ
    ͜ͷϞσϧΛධՁ͠ຊݚڀͷΞϓϩʔνͷར఺Λࣔ͢ɻ զʑͷϞσϧ͸ɺͦͷγϯϓϧ͔͞Β
    લॲཧ΍؂ࢹΛඞཁͱͤͣߴ଎ʹֶशΛߦ͏͜ͱ͕Ͱ͖Δɻ
    զʑͷϞσϧ͸αϒϫʔυ৘ใΛߟྀ͠ͳ͍ϕʔεϥΠϯ΍
    ܗଶૉղੳʹґଘͨ͠ख๏ΑΓ΋༏Ε͍ͯΔ͜ͱΛࣔ͢ɻ &OSJDIJOH
    8PSE
    7FDUPST
    XJUI
    4VCXPSE
    *OGPSNBUJPO 1JPUS
    #PKBOPXTLJ
    FU
    BM
    
93. ؔ࿈ݚڀ ඪ४తͳϕϯνϚʔΫͱಉ༷ʹΫϥ΢υϫʔΧʔͷධՁΛ༻͍ͯ
    զʑͷΞϧΰϦζϜ͕ؔ࿈͢Δ֓೦ΛΫϥελϦϯά͢Δ
    ೳྗ΍ྨਪλεΫΛղ͘ೳྗͳͲͷ༗༻ͳಛੑΛҡ࣋͠ͳ͕Β
    ΤϯϕοσΟϯάʹ͓͚Δ
    δΣϯμʔόΠΞεΛେ෯ʹ௿ݮ͢Δ͜ͱΛ࣮ূతʹࣔͨ͠ զʑ͸ϏδωεϚϯϏδωε΢ʔϚϯɺܑఋ࢞ຓ౳ͷ
    δΣϯμʔಛఆޠΛ༻͍ͯΤϯϕοσΟϯάʹ͓͚Δ
    δΣϯμʔ෦෼ۭؒΛֶशͯ͠զʑͷσόΠΞεΞϧΰϦζϜ͸
    ͜ΕΒͷδΣϯμʔಛఆޠͷఆٛΛଚॏ͠ͳ͕Β
    δΣϯμʔχϡʔτϥϧͳޠ͔ΒͷΈόΠΞεΛআڈ͢Δɻ
    ຊݚڀͰ͸୯ޠຒΊࠐΈͷ༗༻ͳಛੑΛҡ࣋ͭͭ͠
    ୯ޠຒΊࠐΈʹ͓͚ΔδΣϯμʔόΠΞεΛ
    ௿ݮ͢ΔͨΊͷΞϓϩʔνΛఏҊ͢Δɻ
    ڻ͘΂͖͜ͱʹɺຒΊࠐΈ͸όΠΞεΛัଊ͢Δ͚ͩͰͳ͘
    ͜ͷόΠΞεΛ௿ݮ͢Δͷʹे෼ͳ৘ใΛؚΜͰ͍Δ͜ͱ͕Θ͔ͬͨɻ ϫʔυΤϯϕοσΟϯά΁ͷґଘ౓͕ߴ·͍ͬͯΔ
    ࠓ೔ͷίϯϐϡʔλγεςϜʹ͓͚ΔόΠΞεΛ௿ݮ͢Δ͜ͱʹΑͬͯ
    ʢ͋Δ͍͸ɺগͳ͘ͱ΋όΠΞεΛ૿෯͠ͳ͍͜ͱʹΑͬͯʣ
    όΠΞε͞ΕͨϫʔυΤϯϕοσΟϯά͸খ͞ͳҙຯͰ͏·͍͚͘͹
    ࣾձʹ͓͚ΔδΣϯμʔόΠΞεͷ௿ݮʹߩݙ͢Δ͜ͱ͕Ͱ͖·͢ɻ .BO
    JT
    UP
    $PNQVUFS
    1SPHSBNNFS
    BT
    8PNFO
    JT
    UP
    )PNFNBLFS
    %FCJBTJOH
    8PSE
    &NCFEEJOHT 5PMHB
    #PMVLCBTJ
    FU
    BM