先端技術とメディア表現(FTMA2020) 第7回全レポート

先端技術とメディア表現(FTMA2020) 第7回全レポート

6d667e747a4a1cda7d201c3358424257?s=128

Digital Nature Group

July 29, 2020
Tweet

Transcript

  1. 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? 3Dペイント方法は静的なジオメトリや単純なアニメーションに焦点を当 てていた。キャラクターアニメーションのより難しいタスク用のツール を開発している。このシステムは、標準のリギングツールを使用して3D ストロークベースの絵画をどのように変形できるかを示している。また、

    キャラクターのポーズや光の位置などのシーン変数に依存するストロー ク効果を作成するための構成空間キーフレームアルゴリズムを提案する。 Authoring and Animating Painterly Characters KATIE BASSETT Disney Research Zurich and ETH Zurich ILYA BARAN Disney Research Zurich JOHANNES SCHMID and MARKUS GROSS Disney Research Zurich and ETH Zurich and ROBERT W. SUMNER Disney Research Zurich 2Dコンセプトペインティングによって提供される表現力を、キャラク ターオーサリングとアニメーションのコアコンポーネントとしてコン ピューターアニメーションパイプラインに組み込む スキニング変形。これによってペイントストロークが変換され、スト ローク全体を制御する。 また各キーフレームの制御を工夫する。構成空間キーフレーミングに よって、不透明キーフレームや、位置キーフレーム、時間的キーフレー ムを制御する 美術印象派な(絵画的な)アニメーションを作成することができ た。 先行研究である3Dペイント方法に関する論文 いくつかのキャラクターを作成して、アニメーション化し、スキ ニング変形システムを検証
  2. Blockwise Multi-Order Feature Regression for Real-Time Path-Tracing Reconstruction Matias Koskela,

    Kalle Immonen, Markku Mäkitalo profile imageMarkku Mäkitalo, Alessandro Foi, Timo Viitanen, Pekka Jääskeläinen, Heikki Kultala, Jarmo H Takala 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? 回帰分析をベースとしたリアルタイムパストレーシングア ルゴリズム カメラの移動を伴うアニメーションのレンダリングを通し てアルゴリズムの実⾏速度と画質を従来の⼿法を⽐較し評 価している 従来の⼿法ではリアルタイムパスとレーシングの複雑さか ら実⾏には多くの時間を要していたが、それを短くし、さ らに質も上げている 既にある技術である特徴解析、QR分解と独⾃の⼿法であ る、特徴バッファを組み合わせを組み合わせたアルゴリズ ムである 物体が鏡の時に配置の問題が起こること、光の当たり⽅の 変化によってラグが⽣じること、特徴バッファーが被写体 ブレや被写界深度に影響を受けノイズを⽣じてしまうこと を改善点として挙げている その他のレンダリングの技術についての論⽂ SIGGRAPH2019,August 1,2019, Matias Koskela
  3. ".FUIPEUP$SFBUF'MVUUFSJOH)BJS"OJNBUJPOT5IBU$BO 3FQSPEVDF"OJNBUPS`T5FDIOJRVFT /BPBLJ,BUBPLB 5PNPLB[V*TIJLBXB *DIJSP.BUTVEB 4*((3"1) ͲΜͳ΋ͷʁ Ͳ͏΍ͬͯ༗ޮͩͱݕূͨ͠ʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٞ࿦͸͋Δʁ

    ٕज़΍ख๏ͷΩϞ͸Ͳ͜ʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ෩ʹͳͼ͘൅ͷໟΛΞχϝʔγϣϯԽ͢Δ γεςϜ ೔ຊͷखॻ͖ΞχϝʔγϣϯΛ෼ੳͨ͜͠ ͱͰɺΑΓҧ࿨ײͷগͳ͍ʮ൅͕ͳͼ͘ʯ ΞχϝʔγϣϯΛઐ໳஌ࣝͳ͠Ͱ࡞ΕΔɻ ൅ͷઌ୺ͱதؒͷ఺ͷي੻Λඳ͚ͩ͘Ͱ ൅ଋͷಈ͖ΛඳࣸͰ͖Δɻ ൅͕ͳͼ͘଎͞ͱ೾ͷ఻೻஗Ԇͱ͍͏ύ ϥϝʔλΛϦΞϧλΠϜͰ੍ޚͰ͖Δɻ ຊγεςϜΛ༻͍ͯαϯϓϧΞχϝʔγϣϯ Λෳ਺ͷඃݧऀʹ࠶ݱͯ͠΋Β͏Ϣʔβʔς ετΛ࣮ࢪͨ͠ɻ ʮي੻ͷฤू͕໘౗ʯͳͲͷϑΟʔυόο Ϋ͕͋ͬͨɻ 9JOHFUBM
  4. 1VQQFU1IPOF1VQQFUFFSJOH7JSUVBM$IBSBDUFST6TJOHB4NBSUQIPOF 3BQIBFM"OEFSFHH -PÏD$JDDPOF 3PCFSU84VNOFS 4*((3"1) ͲΜͳ΋ͷʁ Ͳ͏΍ͬͯ༗ޮͩͱݕূͨ͠ʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٞ࿦͸͋Δʁ ٕज़΍ख๏ͷΩϞ͸Ͳ͜ʁ

    ࣍ʹಡΉ΂͖࿦จ͸ʁ εϚʔτϑΥϯΛ༻͍ͨɺԾ૝ͷਓܗΛ௚ײతʹಈ ͔͢ૢ࡞ํ๏ εϚʔτϑΥϯΛಈ͔͢͜ͱͰ·ΔͰͦ͜ʹຊ෺ͷ ਓܗ͕͋Δ͔ͷΑ͏ͳΠϯλϥΫςΟϒͳૢ࡞͕Մ ೳͰ͋Δɻ ϞʔγϣϯηϯαʔͳͲͷಛघͳೖྗ૷ஔ͕ෆཁͰ ͋Δɻ .PUJPO4UJDLͱ͍͏Ծ૝ͷ๮ʹΑͬͯεϚϗͱਓܗ ͕ͭͳ͕͍ͬͯΔ͔ͷΑ͏ʹૢ࡞͢Δɻ ૢ࡞ʹԠͯ͡ɺਓܗ͕ద੾ͳΞχϝʔγϣϯΛ͢Δɻ Ώͬ͘Γಈ͔͢ͱา͘ɺૣ͘ಈ͔͢ͱ૸ΔɺͷΑ ͏ͳ ઇͩΔ·Λ࡞੒Ͱ͖Δ"3ΞϓϦέʔγϣϯΛ࡞੒͠ ࣮ͯࡍͷڍಈΛ͔֬Ίͨɻ Ξχϝʔγϣϯͷछྨ͕૿͑Δͱೖྗ͕ෆ໌ྎʹͳͬ ͯ͠·͏ɻ 8JMMJTFUBM
  5. ͲΜͳ΋ͷʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٕೳ΍ख๏ͷΩϞ͸Ͳ͜ʁ Ͳ͏΍ͬͯ༗ޮੑͩͱݕূͨ͠ʁ ٞ࿦͸͋Δʁ Real-Time Hair Rendering using Adversarial

    Networks -JOHZV8FJ -JXFO)V 7MBEJNJS,JN &STJO:VNBS )BP-J ൅͕͍ࣸͬͯΔը૾͔ΒɺϦΞϧλΠϜͰ ൅ͷϞσϧ΁ม׵͢ΔϞσϧ ؆୯ͳύϥϝʔλͰνϡʔχϯάͳ ͠ʹ࣮ݱՄೳ ൅ͷ৭ɺূ໌ɺߏ଄ͷॱ൪Ͱ೺Ѳ͠ ͯ࠶ݱ͢Δ ϦΞϧλΠϜͰಈ͘Α͏ͳ΋ͷ͕ ͋·Γͳ͍ ϦΞϧλΠϜͰಈ͘͜ͷϞσϧΛ ଞͷͱ͜ΖͰ΋ద༻ͤ͞Δ͜ͱ͕ Ͱ͖Δ͔΋͠Εͳ͍
  6. ͲΜͳ΋ͷʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٕೳ΍ख๏ͷΩϞ͸Ͳ͜ʁ Ͳ͏΍ͬͯ༗ޮੑͩͱݕূͨ͠ʁ ٞ࿦͸͋Δʁ Textured Neural Avatars Aliaksandra Shysheya,

    Igor Zakharov, Kara-Ali Aliev, Renat Bashirov ࢟੎ͱΧϝϥΛࢦఆ͢Δ͜ͱʹΑͬͯɺ ͦΕʹ߹͏ਓ෺ͷը૾Λੜ੒͢ΔϞσϧ ࠓ·Ͱͷ΋ͷͱҧ͍ɺΧϝϥࢹ఺Λࣗ༝ʹ͢ Δ͜ͱ͕Ͱ͖Δ ֶशͤ͞Δ͜ͱʹΑͬͯɺ(ͱςΫ ενϟ͕Ξοϓσʔτ͞ΕΔ 6TFS4UVEZʹΑΓධՁ ࢟੎ͷਪఆ͕ఆ·Βͳ͍ͱϞσϧ ΋ഁ୼ͯ͠͠·͏
  7. マルコフモデルを用いて自動作曲、文章作成をする。 アーティストの作品群からそれぞれのスタイルをモデル化し、 ユーザーの指定す る構造へ適用する。 より実用的 Lead Sheet から作品群のスタイルをメロディやコードの遷移確率として、コン ピュータが計算可能な形でモデル化する技術。 モデルとユーザーが思いのままに提示する条件の構造を融合させる技術(詳しい

    記述がなかった)。 実際に Boulez Blues(Charlie Parker のブルースのスタイルを Boulez 氏の制限に 適用したもの)を作ったところ、モデルに最も確からしさが高く、かつ全く違う ものができた。 「いいメロディ」には、マルコフモデルから得られる特徴だけでなく、1/f ゆら ぎなどといった特定の分布も必要になることはまだ研究すべきである。 スタイルを計算論的に研究することは、 個人の創造的生産を手助けするだけでな く創造的活動そのものの理解にもつながりうる。 Enforcing Meter in Finite-Length Markov Sequences Neural Dynamic Programming for Musical Self Similarity 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? 仏コース 5 班 Creating Music and Texts with Flow Machines Ghedini, F., Pachet, F. and Roy, P
  8. 電流を通して⽔の流れを発⽣させ、⽬の潤いを保つコンタクトレンズ。⽣体親 和性があり、有機物のみで構成された⾃⼰保湿型。 センサや通信・表⽰素⼦を搭載したスマートコンタクトレンズの開発は現在盛ん に⾏われているが、 それらはレンズの材料⾃体の保⽔性を⾼めることを⽬的にし ていた。しかし本研究では、電気を使ってレンズそのものの保⽔性を⾼め、全く 新しい⽔分補給⽅法を提案している。 コンタクトレンズ内に電気浸透流を発⽣させることで下瞼裏の涙液メニスカス から涙を汲み上げ、レンズの湿潤を維持することができる。 イオン電動度とコンタクトレンズの乾燥の関係のデータを取り、検証した。

    コンタクトレンズの装着時間が⻑いほど、 通る電流が弱くなり効果が減少してし まう。 Hanger Drive: Driver Manipulation System for Self-balancing Transporter Using the Hanger Reflex Haptic Illusion 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? 電気で潤うコンタクトレンズ- バイオ電池搭載コンタクトレンズで電気浸透流による保湿効果を実証 - 東北⼤学⼤学院⼯学研究科 (仏コース) Advanced Materials Technologies
  9. High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling

    Yu Zeng, Zhe Lin, Jimei Yang, Jianming Zhang, Eli Shechtman, and Huchuan Lu ⾼解像度な画像内の⼤きな物体を除去する⽅法の開発。 先⾏研究と⽐べてどこがすごいか 技術や⼿法のキモ 次に読むべき論⽂ 議論 ⾼解像度な画像でも⼤きな物体をきれいに除去できるようになった。 ⽋落領域を埋める際に精度の⾼い箇所のみ埋めて、残りは次のター ンで徐々に埋めていく反復アプローチ(GANに基づいた⽣成アプ ローチ)を⽤いた。 反復的に埋めていくモデルは、低解像度で学習されるため、⾼解像 度⼊⼒に直接適⽤するのは理想的ではない。これを解決するために、 2倍の⾼解像度のインペイント結果を⽣成するためのアップサンプ リングネットワークを導⼊した。 特になし Zeng, Y., Fu, J., Chao, H., Guo, B.: Learning pyramid-context encoder network for high-quality image inpainting. In: IEEE Conference on Computer Vision and Pattern Recognition. pp. 1486‒1494 (2019) など 元画像とマスクを⼊⼒に⾼解像度で違和感の少ないインペイント画像を出 ⼒して、その出⼒結果を既存のほかの⽅法と⽐較して定量的及び定性的な 評価をした。その結果、⽳のサイズが⼤きくなるほどこの⽅法の性能が優 れていることがわかった。 また、ユーザー調査によりどの⼿法が好まれるかを調べた。 どんなものか どうやって有効だと検証したか
  10. Hummingbird: DreamWorks Feather System Nicholas Augello, David Tonnesen , Arunachalam

    Somasundaram 次に読むべき論⽂ 議論 どうやって有効だと検証したか どんなものか 先⾏研究と⽐べてどこがすごいか 技術や⼿法のキモ • ドリームワークスの「フェザーシステム ハミングバード」を 使って、体の⽻⽑をグルーミングしたり、スケールをインタラク ティブにリアルタイムでモデリング • ⼆次的な動きや⾵などの⽻⽑の動きや、フリルやパフアップなど の⽻⽑の特殊効果、⽻⽑の最終仕上げなどにも使⽤される • ⼤量の体⽑が近接していると、⽻⽑のグルーミングや⽻⽑の動 きが課題になるが、⽻根のレイアウトには間を空け、⾶⾏中に ⾵の効果を加えることで⿃の動きを忠実に実現 • A. Lagae, S. Lefebvre, R. Cook, T. DeRose, G. Drettakis, D.S. Ebert, J.P. Lewis, K. Perlin, and M. Zwicker. 2010. A Survey of Procedural Noise Functions. Computer Graphics Forum (2010). https://doi.org/10.1111/j.1467-8659.2010.01827.x • 特にない • ハミングバードの⽻⽑システムは、ドリームワークスのプロダ クションで、20⽻以上の⿃の⽑繕いに使⽤され、1⽻あたり最 ⼤25,000枚の⽻⽑を使⽤することに成功した • システム全体の実装は、ノードベースの⼿続き型サードパー ティ製の パーティーパッケージで、グルーミングはリアルタイ ムでインタラクティブに⾏われ、 ⽻のメッシュは、3Dで動きを 可視化することができる。ラミネート加⼯はフレームに依存せ ずに実⾏できる
  11. 咳 待合室 患者 行動 流行性 病気 病院発症数 予測 プ ッ

    Flusence 開発 . 先行研究 比べ い? 技術や手法 ? 7 ヶ 渡 病院 実験 , ロ ション 行い , ソン相関係 数 ,0.95 いう高い精度 , 病院発症数 予測 . ? 議論 あ ? 次 読 い論文 ? うや 有効 検証 ? 咳 ニタ ン , 流行性 病気 傾向 予測 最初 研究 あ 置付け 点 . 安価 実現 点 . , 病院待合室 350,000 個 タ 取得 , 21,230,450 非 チ タ 取得 点 . 実環境 適応 い 点 . 待合室 混雑具合 調べ , 用い , タ 取得 後 ,CNN 物体検知 行う 計測 . 特徴量 , 休日 う , 何曜日 , 合計滞在時間 [1] 指 標 場合 , 最 精度 高い . [1] ( 全 人 滞在時間 合計 ) Cough Detection in Spoken Dialogue System for Home Health Care,Convolutional Neural Networks for Small-footprint Keyword Spotting, SSD: Single Shot MultiBox Detector,Improving the Noise-Robustness of Mel-Frequency Cepstral Coefficients for Speech Processing,COUGH SIGNAL RECOGNITION WITH GAMMATONE CEPSTRAL COEFFICIENTS 問題 , タ 取得 い い場合 あ . プ シ 問題 気 人 い い点 考慮 べ .
  12. 会話中 音声 タ 咳 検知 シ 開発 . 先行研究 比べ

    い? 技術や手法 ? [1] タ 無 ,[2] タ 有 ,[1] [2] 合体 3 比較 , 3 目 最 精度 良 . ? 議論 あ ? 次 読 い論文 ? うや 有効 検証 ? 研究以前 , 音源 離タ , 音声 け 検知 , 咳 け 検知 う 研究 け , 音声 含 タ , 咳 検知 手法 提案 点 . タ 無 , ン タ 組 合わ , 両方 出力 咳 場合 , 咳 いう判定 . 類 , 隠 マ 用い . 特 無 .
  13. 物体検知タ (single shot) い , 過去 研究 早く , 正

    確 行う . 入力画像 いく 割 , ン ン ボッ 当 , 適 類 い 調べ いく手法 . “ OK google” う ワ 呼 , 短文 検知 仕組 , 従来 DNN CNN 行 , 誤検出率 約 27% 向 ( 数値 ).small-footprint Keyword Spoting タ , 計算量 ( タ ) 減 求 .
  14. 咳検出 際 , 従来 MFCC 使う く ,(GTCC) ンマ ン

    プ 係数 用い , 行い , 精度 向 . 先行研究 比べ い? 技術や手法 ? MFCC,MTGC, MFCC+MTGC 3 精度 ,10- ロ ション , 再現率 , 特異度 評価 . ? 議論 あ ? 次 読 い論文 ? うや 有効 検証 ? MFCC く GTCC 用い , 精度 向 点 . ,MFCC GTCC 組 合わ , 高い精度 出 . GTCC 算出 流 , MFCC 同 , ペ 算出後 , 算出 , 後 [1] 式 適応 ,GTCC 算出 . [1] 特 無 .
  15. 音声認識タ 際 MFCC( 周波数 プ 係数 ) , 環境 弱い

    示 , ,MFCC 改良 ,BPFs-MFCC(BPF:bandpass filters), , 強い NRAF(BPF-MFCC with spatial derivative as noise-robust auditory features) 提案 . 先行研究 比べ い? 技術や手法 ? タ 評価 ( ン ロ 大 比較 ?) 行い ,NRAF 方 MFCC い値 出 , 精度 良い . MFCC , 弱い 指摘 , 改善策 提案 点 . ? 議論 あ ? 次 読 い論文 ? うや 有効 検証 ? BPFs-MFCC , 周波数 拡散 いう , 性質 あ , 改善 , 空間導関数 (spatial derivative) 導入 点 . NRAF ,MFCC , 強い ,clean タ 対 , 精度 劣 ,NRAF , 適応 考え 許容 . 際 ,NRAF , BPFs-MFCC 同 く い 精度 .
  16. Creating a Virtual Human that Visualizes Skin Strain Distribution for

    Apparel Wearing Simulation ⼈間⼯学に基づいた快適なスポーツウェアのデザインを ⽀援する3D⼈間モデルの下半⾝の⽪膚ひずみ分布を視 覚化する⽅法。 ⼈間にマーキングする作業が不必要。全⾝の⽪膚の緊張 を⼀度に捉えられる。設計コストの削減と開発のスピー ドをアップさせることができる。 古典的な線形スキニングと簡略化された筋⾁モデルを組 み合わせてひずみ分布を再現する。(ひずみマップが真 値と⼀致するように⽪膚クラスターの筋⾁パラメーター の重みを繰り返し調整し、歪み分布を再現する) ⼈間の動きをキャプチャし、仮想⼈間でその動きと同じ アニメーションを作成し、⽐べて歪み分布が近似してい た。 ⼀般的な解剖学的知識に基づいて配置筋⾁を配置してい るため、個⼈差に対応できない。より複雑な動きの場 合、⽪膚の歪みをうまく再現できない可能性がある。上 半⾝は肩の筋⾁が複雑なため、再現するのが難しい。 Brett Allen, Brian Curless, and Zoran Popović. 2003. The Space of Human Body Shapes: Reconstruction and Parameterization from Range Scans. ACM Trans. Graph. 22, 3 (July 2003), 587‒594. どんなもの? 先⾏研究と⽐べて何がすごい? 技術や⼿法の肝はどこ? 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? Figure 1: Major strain distribution for various captured motions, with the results produced by our virtual human model shown side by side. We can see our model closely resembles the captured data. Green represents neutral, while red and blue denote tensile strain and compressive strain of skin, respectively. Figure 3: Skin strain measurements-PainEng random pat- terns onto the target region of the subject’s skin (leH). A hu- man subject performs basic moEons and poses such as stand- ing with one leg bent (center). Corresponding major strain map projected onto the captured image (right) Figure 7: Snapshots from a sequence of two exercise: range of moEon for lower body (top row), and swimming moEon (boOom row).
  17. The space of human body shapes: reconstruction and parameterization from

    range scans Applications of 3D Body Scanning Technology to Human Anthropometry: Body Surface Area and Body Volume Measurements in the Fields of Health and Sports Sciences レーザービームシステムを使⽤した光学三⾓形 法による3D⼈体測定法を開発し、他の従来の⽅ 法と⽐較して、⻑さ、円周、体表⾯積(BSA)、 体/セグメントボリュームなどの測定の実現可能 性を⽰した。 BLSによって計算された体体積と 体表⾯積は、それぞれ空気置換法とDu Boisによ る推定式によって測定されたものとほぼ同じ だった。 ⾼解像度テンプレートメッシュをスパース3D マーカーを⽤いて詳細な⼈体範囲スキャンに 適合させるための新しい⽅法。 Figure 1: The CAESAR data set is a collection of whole-body range scans of a wide variety of individuals. Shown here are several range scans that have been hole-filled and fit to a common parameterization using our framework. Once this process is complete, we can analyze the variation in body shape in order to synthesize new individuals or edit existing ones.
  18. 3D-CG based musculoskeletal simulation for a swimmer wearing competitive swimwear

    A Morphable Model For The Synthesis Of 3D Faces テクスチャ付き3D⾯をモデリングするための新 しい⼿法。⾒本の顔と3Dモデル間の対応を⾃動 的に確⽴することにより、モーフィング可能な 顔モデルを構築。インタラクティブな顔のモデ リングシステムにより、⼈間のユーザーは新し いキャラクターを作成したり、モデル係数を変 更して顔の属性を変更したりできる。 競泳⽔着を着⽤している⽔泳選⼿の筋⾻格シ ミュレーションの開発。⽔泳選⼿の体全体に 作⽤する分散流体⼒を計算するために、体の 形状と関節の動きを⽔泳の⼈間のシミュレー ションモデルSWUMに、分散した流体⼒を筋 ⾻格モデルに⼊⼒した。⽔着の張⼒によって 引き起こされる⼒も考慮した。
  19. Reconstruction and Representation of 3D Objects with Radial Basis Functions

    多調和放射基底関数(RBF)を使⽤して、点群データから滑らかな多様体表⾯を再構築し、不 完全なメッシュを修復する⽅法。 ノイズの多いデータから滑らかな表⾯を再構築する問題にRBF近似を導⼊し、メッシュ修復 (⽳埋め)と点群表⾯フィッティングの問題に当てはめた。
  20. The Impact of User Characteristics and Preferences on Performance with

    an Unfamiliar Voice User Interface Chelsea M. Myers, Anushay Furqan, Jichen Zhu VUI ン DiscoverCal う 操作 い 特性 嗜好 え 影響 析 1) プロ ン 経験 マン 指標 広く影響 え 2) 同化 影響 え 3) 技術的 自信 あ 参加者 試行錯誤 プロ チ 示 4)VUI 多 く ン 望 慎 示 マン 指標 相関 わ ? 2 研究課題 答え RQ 1: 慣 VUI マン 特性 う 影響 ? RQ 2: 慣 VUI マン VUI ン 好 う 影響 ? うや 有効 検証 ? 家庭 VUI 焦点 当 齢や性別 プロ ン 経験 VUI 使う際 直面 害や VUI 好 関連性 明 先行研究 比べ い? 研究 被験者 20 代 あ 個々 い 認 識 合わ 調整 適応型 VUI 設計 評価 被験者 幅 広 必要 あ 議論 あ ? 調査 前 ン DiscoverCal VUI ン 使用 事前 定義 10 タ ッ 後 ン 3 部 構成 技術や手法 ? Anushay Furqan, Chelsea Myers, and Jichen Zhu. 2017. Learnability through Adaptive Discovery Tools in Voice User Interfaces 次 読 べ 論文 ? CHI ’19
  21. Learnability through Adaptive Discovery Tools in Voice User Interfaces Anushay

    Furqan, Chelsea Myers, and Jichen Zhu VUI 学習性 向 適応型 使 設計 ン プ DiscoverCal 設計 本稿 既 主要 特徴 明 本研究 文脈 関連性 マン 基 い 適応 VUI 設計 行い 初期 利用 超え 学習 能性 拡張 目的 い 事前 ニン 新 い シ 使い方 簡単 学習 生産性 最大化 初心者 能 力 表現 Investigating the usability and user experiences of voice user interface: a case of Google home smart speaker Aung Pyae, Tapani N. Joelsson 本研究 商用 VUI 代表 マ Google Home 体験 有用性 調査 Web 調査 実施 ソ シ 興味関心 プ 活躍 114 人 参加 調査 結果 Google Home 使い勝手 良く ン あ わ 英語 母国語 い人 含 国際的 期待 寄 い 本研究 参加者 体験 あ 使用 満足 興味 持 い わ MobileHCI ’18 CHI EA '17
  22. Assessing the Utility of the System Usability Scale for Evaluating

    Voice-based User Interfaces Debjyoti Ghosh, Pin Sym Foong, Shan Zhang, and Shengdong Zhao 研究 目的 1)VUI 評価 SUS 妥当性 確認 2)VUI 特徴 あ 視覚的 ッ 如 い 項目 う 適用 詳細 検討 あ 結果 SUS VUI 評価 適 束妥当性 同時妥当性 両方 提 供 示 い 研究者 VUI 機能 全範 調べ 求 う タ 作成 特 提供 能力 ニ 全く視覚的 表現 い い VUI い 要 あ Factors Affecting Seniors' Perceptions of Voice-enabled User Interfaces Randall Ziman and Greg Walsh 論文 高齢者 音声対応 ンタ VUI う 認識 い 認識 形成 要因 65 以 高齢者 15 対象 従来 ボ / マ ンタ 実験的 音声 / タッチ ン タ 用い 情報検索 行う実験 行 集 タ 析 結果 高齢者 学習性 使いや 理解 や 便利 点 2 ンタ 間 意味 あ い 感 い わ CHI EA ’18 ChineseCHI '18
  23. Patterns for How Users Overcome Obstacles in Voice User Interfaces

    Chelsea Myers, Anushay Furqan, Jessica Nebolsky, Karina Caro, and Jichen Zhu VUI ン シ あ DiscoverCal 用い 人々 遭遇 VUI 問 題 克服 何 べ あ い 問題 発生 VUI う 人々 支援 う 設計 い 研究 慣 VUI 使用 際 人々 直面 害 4 主要 類 克服 使用 10 種類 戦術 明 害 物 異 戦術 用 タ ン 析 戦術間 移行 タ ン 明 結果的 ション 次い 単純化 多く 情報 使用 いう対極 戦術 最 頻繁 使用 い NLP 害物 最 一般的 他 害物 参加者 多く ション 混乱 引 起 い わ CHI '18
  24. 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? ユーザーの関係にタグをつけてもパフォーマンスは向上しない。その 理由は⾳楽トラックをブックマークしているからでリスニング関係と タグには強い相関があるためタグの使⽤が制限されている MRH(⾳楽推薦のための新しいアルゴリズム)は、ハイパーグラフを

    作成して、⾳楽と社会のコミュニティをマルチタイプオブジェクトを 頂点としてモデル化し、ハイパーエッジとしてこれらのオブジェクト 間の関係、類似性の情報を取り組む。構成されたハイパーグラフで正 規化フレームワークを使⽤して、クエリ頂点のランキング結果を導出 する。 ハイパーエッジによって⾼次関係をモデルかすることができる。 (ソーシャルメディアコミュニティの複雑な関係) MRHアルゴリズムを5つのアルゴリズムと⽐較する。各推奨アルゴリ ズムのパフォーマンスを測定し、6つ全ての再現性度曲線をプロット する。図から低いランクのとき他の推奨アルゴリズムより精度が上 回っていることがわかる。 Using Rich Social Media Information for Music Recommendation via Hypergraph Model SHULONG TAN, JIAJUN BU, CHUN CHEN, BIN XU, CAN WANG, and XIAOFEI HE, Zhejiang University Music Recommendation by Unified Hypergraph: Combining Social Information and Music Content ソーシャルメディアなどの社会的コミュニティと⾳楽のコミュニ ティを関連づける、ペアリングして⾳楽推薦をするもの
  25. ⾳楽推薦問題でハイパーグラフのランキング問題、グループス パース制約を導⼊し、様々なデータグループの構造を活⽤するこ とで精度が向上する。ジャンル、アーティスト、アルバム、ソー シャルネットワークに関する情報はオンラインの⾳楽プラット フォームで重複しないグループを使⽤することで各グループが推 奨プロセスにここに影響するとする。ただし、特定のグループに は相互に関連性の⾼い情報が含まれているから悪⽤される可能性 もある。 Using Rich

    Social Media Information for Music Recommendation via Hypergraph Model SHULONG TAN,JIAJUN BU,CHUN CHEN,BIN XU, CAN WANG, and XIAOFEI HE,Zhejiang Univeristy ユーザーが優れたパフォーマンスを発揮できる適切な歌唱を推奨 する。聴きたい曲を推奨するのではなく、上⼿に歌える曲を推奨 する。各ユーザーの歌のパフォーマンス評価から、歌の難易度の 順番を⾒つける。難易度の順序をグラフに変換し、反復推論アル ゴリズムで歌の推奨を⾏う。 Song Recommendation for Social Singing Community Juang Mao, Ju Fan, Lidan Shou, Gang Chen, Mohan Kenkanhalli College of Computer Science University, Hangzhou, China School of Computing ,National Univeristy of Singapore
  26. ⾳楽情報検索のための機械学習アプローチ ⾳楽ジャンルのマルチクラス分類、感情検出のためのマルチラベ ル分類、⾳楽スタイルの識別のためのクラスタリング、⾳楽の推 薦のための半教師あり学習を⾏う。ここではコンテンツベースの ⾳楽ジャンルの分類をするので楽曲を単⼀のクラスに基づく⾳楽 機能の計算分析をして、定義されたセットから楽曲のジャンルラ ベルを特定する。 Machine Learning Approaches

    for Music Information Retrieval Tao Li,Mitsunori Ogihara, Bo Shao and Dingding Wang ユーザーは個別に推奨されたタグをアイテムに追加することがで き、これはユーザーが興味を持っていることが反映され、推奨シ ステムのパフォーマンスを向上させる部品になっている。タグ付 け情報を強調フィルタに統合するためにtag informed強調フィル タリングと呼ばれる新しいフレームワークを提案する。MFベー スのCFメソッドが抱える過剰適合問題を克服できる。新規ユー ザーのコールドスタート問題を解決する TagiCoFi:Tag Informed Collaboratiive Filtering Yi Zhen, Wu-Jun Li,Dit,Yan Yeung
  27. スケーラブルな⾳楽推奨のための検索システムの提案 ⾳響分析で楽曲は最初に⾳楽記号に変換される。これに基づき LSHベースの効果的な類似性検索のために楽曲にインデックスを つけるために適切なパラメータを推定する。最適な数にもっとも 隣接したものを検索で返すことが可能である。 動的なランキングと静的なランキング(⾳質、⾳楽の⼈気)など を統合しより良い提案を⾒つけることができる。 Scalable Music Recommendation

    by Search Rui Cai,Chao Zhang, Lei Zhang, and Wei-Ying Ma
  28. What influences aggression and foraging activity in social birds? Measuring

    individual, group and environmental characteristics Paul Rose Laura Soole 先行研究 比 議論 次 読 検証方法 フ ミンゴ 羽毛 色 採餌中 攻撃性 影響 し 色鮮や 個体ほ 攻撃性 高いこ 示し ま プー ろ過摂食個体 ペ ッ 人口給餌個体 採餌量 2倍近く多 く 攻撃性 半分以下 あ 給餌方法 与え 生物 影響 理解 深 フ ミンゴ い 屋外 広々 し 給餌 エ ア 設け こ ほ 個体 攻撃性 減 示し 羽毛 色 4 グ ープ 分け 性別 採餌場 所 比較し 攻撃性 高く 条件 調 Feeding Patterns and Aggressive Behavior in Juvenile and Adult American Flamingos 因果関係 し 単 攻撃的 個 体 フ ミンゴ 羽毛 着色 影響 カ チ ノイ 好 採餌行動 行う け いう可能性 あ
  29. Feeding Patterns and Aggressive Behavior in Juvenile and Adult American

    Flamingos ろ過摂食 費や 時間 フ ミンゴ 攻撃性 発現 影響し い Feeding Behavior, Aggression, and the Conservation Biology of Flamingos: Integrating Studies of Captive and Free- ranging Birds 攻撃性 優位性 相互作用 フ ミンゴ 摂食 行動 う 影響 い 説明し い Metabolism of carotenoid pigments in birds カ テノイ 色素 羽毛 沈着 鳥 類 影響 Plumage colour signals nutritional condition in the house finch 羽毛 色 栄養状態 関係 示し Metabolic fractionation, storage and display of carotenoid pigments by flamingoes フ ミンゴ け カ チノイ 色素 沈着・ 消失 経緯 内臓 分析し 示し
  30. も ? 先行研究 比べ す い? 技術や手法 キモ ? うや

    有効 検証し ? 議論 あ ? 次 読むべ 論文 ? VR ー 筋肉 電気的筋刺激 EMS 与え ー ー 筋肉 動 し 同時 ソ 用い 皮膚 叩く VR 空間内 殴 殴 等 ー 与え 衝撃 ー 得 方法 し 従来 皮膚 表面 刺激 す け 腕 実際 動くも EMS 用い 実際 筋肉 動く も小型 EMS 刺激 ソ 用い 触覚 2 異 コン ー ン 分解す ュミ ー し い ン カー 野球 VRス ー ュミ ー 実装し 衝撃 検証し 特 し ] Iwata, H., Yano, H., and Fukushima, H. CirculaFloor: A locomotion interface using circulation of movable tiles. Computer Graphics and Applications, IEEE 25, 1 (2005), 223ど230. Using Your Own Muscles: Realistic physical experiences in VR By Pedro Lopes,Alexandra Ion,and Robert Kovacs
  31. も ? ・移動可能 タ セ 利用し コモー ョン ンター ェース

    VR空間 中 自分 位置 維持し まま任意 方向 歩く も ? ・可動式ベ ベ ス ー コン ーラー 搭 載し コモー ョン スGSS(Ground Surface Simulator) も ? ・脳卒中患者 機能的電気刺激 FES) 関す 動向 発展 歴史 紹介 今後 作業 向け 提示 も ? ・HMD い 二次元画面 う 三次元 錯覚 せ 実験 CirculaFloor: A Locomotion Interface Using Circulation of Movable Tiles Programmed Six-Channel Electrical Stimulator for Complex Stimulation of Leg Muscles During Walking
  32. も ? ・三段階 電気刺激 与え 手 16個 関節 動 コン

    ー し 楽器初心者 適切 手 動 そ タ ミン 伝 え ン ベ スPossessedHand
  33. ) G A 2 A 2 A / 2 -

    A , G /G F?DA S. 3 * G * CGF A Tu Yg c”]i. 3p x wd b c]i y n T A bu wvy w c Nur l * G d o y c H A F C v s AA F H F AF F I t d“ “ . 3 / A AF A .AF F A 2 H ( * CGF A w * G 2 F w * CGF A SA c iu Yg m ua mud. 3 w )/1 I A N Pb d Pb wvy u y n a d d d x CB . 3 e d hd w Mc [ (
  34. , , , : ) - 2 2 mig Ana

    eC)( E )(Y (h n (( H F H , . Sg Ana e :: / 2 - - 4 x t A A yA meoA T I r dA oA o A A A oA oA T eE e 2 oA E Al E SF h A s SF
  35. : :: : , ( oe o e g N

    dn mY e o No i s N N A : : : : : : : ( ( ( , ,. , / ,(//() A e Y dj z jo S g dj m h r dj A e g aY dj
  36. () ,, . A i A n s g Y

    S A h A e a A A A
  37. .FUB-JGF*OUFSBDUJWF*OTUBMMBUJPO#BTFEPO-JRVJE.FUBM %FGPSNBCMF*OUFSGBDFT $)* ͲΜͳ΋ͷʁ ઌߦݚڀͱൺֱͯ͠Կ͕͍͢͝ʁ ٕज़΍ख๏ͷ؊͸ʁ ༗ޮੑͷ࣮ূํ๏͸ʁ ٞ࿦͸͋Δ͔ʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ӷମۚଐͷܗঢ়มԽΠϯλϑΣʔεΛɺڭ

    ҭɺΤϯλʔςΠϝϯτɺܳज़໨తʹԠ༻ ͨ͠ɻͦͷ݁Ռɺॊೈʹܗঢ়ͷมԽ͢ΔΠ ϯλϑΣʔε͸ੜ෺Λ໛฿͢Δͷʹదͯ͠ ͓ΓɺࣗવͳΠϯλϥΫγϣϯମݧΛఏڙ Ͱ͖Δ͜ͱ͕Θ͔ͬͨɻ ֎෦ి৔ܹࢗʹΑΔՄٯతͳܗঢ়มԽͱҠಈ੍ޚՄೳͳӷମۚଐ(BMO ͷػೳΛར༻ͨ͠ɺ৽͍͠ܗঢ়มԽΠϯλϑΣʔεΛ։ൃͨ͠ɻ ӷମۚଐ(BMO͸ΞϧΧϦੑ·ͨ͸ࢎੑͷిղ༹࣭ӷதʹ͋Δ৔߹ɺ֎ ෦ి৔ͷܹࢗʹΑͬͯٿঢ়͔Βബ͍γʔτঢ়ʹܗঢ়มԽ͕Մೳɻʢͦͷٯ ΋Մೳɻʣ·ͨมܗதʹӄۃʹ޲͔ͬͯྲྀΕΔɻ͜ͷಛੑΛ࢖༻ͨ͠ɻ ӷମۚଐΛೈମੜ෺ʹݟཱͯͯɺͦͷੜ෺ͷੑ֨ʢԲපɾγϟΠɾେ୾ɾ ޷ح৺͕ڧ͍ɾѱٔ޷͖ʣΛදͤΔΑ͏ͳ࡞඼Λ੍࡞ͨ͠ɻ·ͨ࣌਑ͱ෼ ਑ͷΑ͏ʹػೳͯ࣌͠ࠁΛදͤɺՈͷ૷০ʹԠ༻Ͱ͖Δ΋ͷ΋੍࡞ͨ͠ɻ ڭҭ෼໺΁ͷԠ༻ɻ 56*ʹؔ͢Δ࿦จɻ
  38. (JBOUBOETXJUDIBCMFTVSGBDFBDUJWJUZ PGMJRVJENFUBMWJBTVSGBDFPYJEBUJPO 1/"4 ΨϦ΢Ϝӷମ߹ۚͷද໘্ͷࢎԽ෺૚ͷଯੵͱআڈΛհͯ͠ɺͦΕͷք ໘ுྗΛ੍ޚ͢Δํ๏ΛఏҊͨ͠ɻैདྷͷํ๏ͱൺֱͯ͠ɺ௒௿ిѹΛ ࢖༻͠ɺେ͖ͳද໘ுྗͷ௿Լʢ໿N+N͔Βۙ͘ʣΛ࣮ݱͰ͖ Δͷ͕͜ͷݚڀͷಛ௃Ͱ͋Δɻ -*.&-*RVJE.&UBM*OUFSGBDFTGPS /PO3JHJE*OUFSBDUJPO 6*45

    ӷମۚଐ(BMO͸ˋͷΨϦ΢ϜɺˋͷΠϯδ΢ϜΛؚΜͩڞথΨ Ϧ΢ϜΠϯδ΢Ϝ߹ۚͰ͋Γɺ֎෦ి৔ܹࢗԼͰՄٯతͳมܗͱ੍ޚՄ ೳͳҠಈͱ͍͏ಛੑΛ͍࣋ͬͯΔɻ͜ͷಛੑΛར༻ͨ͠ɺඇ߶ମ૬ޓ࡞ ༻ͷͨΊͷӷମۚଐΠϯλϑΣʔεΛఏҊͨ͠ɻ
  39. 1SPHSBNNBCMF%SPQMFUTGPS *OUFSBDUJPO $)* ӷణͷಈ͖Λਖ਼֬ʹ੍ޚ͢ΔͨΊͷجૅͱͳΔϝΧχζϜͱͯ͠ɺΤϨ Ϋτϩ΢ΣοςΟϯάΦϯ༠ిମʢ&80%ʣςΫϊϩδʔΛ࢖༻ɻ &80%ςΫϊϩδʔ͸ɺਫϕʔεͷӷణΛਖ਼֬ʹ༌ૹɺ౷߹ɺࠞ߹ɺ෼ ׂ͢ΔखஈΛఏڙɻ&80%σόΠεΛ͞·͟·ͳ೔ৗͷΦϒδΣΫτ΍ γφϦΦʹ౷߹ͯ͠ɺϓϩάϥϜՄೳͳਫణΛ৘ใදࣔɺֆը΍ݸਓత ͳίϛϡχέʔγϣϯͷͨΊͷϝσΟΞͱͯ͠࢖༻͢Δํ๏Λࣔͨ͠ɻ 1SPHSBNNBCMF#MPCT

    "3IFPMPHJD*OUFSGBDFGPS0SHBOJD 4IBQF%FTJHO 5&* ࣓ੑྲྀମΛ࢖༻͠ɺήϧͷܗঢ়ΛϓϩάϥϜͰ͖Δ؀ڥΛ։ൃͨ͠ɻ͜ ΕʹΑͬͯɺݱ࣮ۭؒͰ༗ػతͳܗঢ়มԽΛମݧͰ͖Δɻ͜ΕΛ੍ޚ͢ Δϋʔυ΢ΣΞ͸ɺϋχΧϜߏ଄ʹ഑ஔͨ͠ి࣓ੴͱͦͷ੍ޚճ࿏ʹΑ ͬͯߏ੒͞Ε͍ͯΔɻ
  40. 4ZOUIFUJDBMMZDIFNJDBMFMFDUSJDBM NFDIBOJTNGPSDPOUSPMMJOHMBSHF TDBMFSFWFSTJCMFEFGPSNBUJPOPG MJRVJENFUBMPCKFDUT ߹੒ԽֶతిؾϝΧχζϜʢ4$)&.&ʣΛհͯ͠ද໘ுྗΛૢ࡞͢Δ͜ ͱʹΑͬͯɺӷମۚଐͷܗঢ়Λ੍ޚ͢Δɻ͜ΕΛ௨ͯ͡ɺιϑτϚγϯ Λ࡞͍ͬͯ͘ΞϓϩʔνΛࣔͨ͠ɻ

  41. 千葉一磨 / 中山祐之介 / 橋田朋子 https://ipsj.ixsq.nii.ac.jp/ej/index.php?active_action=repository_view_main_item_detail&page_id=13&block_id=8&item_id=191156&item_no=1 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? Jun Rekimoto: “Squama: Modular Visibility Control of Walls and Windows for Programmable Physical Architectures” アクリルハーフミラーを用いているため、ゴーストの像が歪んでしまう上、透過率 が30%のため主舞台の色味が変化してしまう。 ファントミラーを回転させた際に隙間が生じてしまう。 ミニチュアの舞台をプロトタイプした。 観客の位置によって可視・不可視が異なる。 観客が移動することなく、透明、不透明の位置を変更することができる。 舞台上に半透明の像を重ねることで幽霊を表現するペッパーズ・ゴーストを、観客 の位置に応じて見えるかかどうかを変えられるようにするもの。見える人と見えな い人が混在することで幽霊に対する恐怖を助長させることを目的とする。 Phantazuma: 視界制御フィルムとペッパーズゴーストを組み合わせた 観賞者の位置によって異なる内容を観られる舞台機構の試作 観客と主舞台の間に視界制御フィルターを貼り付けたハーフミラー(ファントミラー)を、 観客の下、主舞台に向かい合う形でゴースト用の舞台を設置する。観客の位置によって 舞台が見えるかどうかが異なる。またファントミラーの角度を変えることで客席から舞 台が見えるかどうか、舞台とゴースト舞台の照明のオンオフによりゴーストが映るかど うかを切り替えることができる。
  42. 居住者を守るために硬くて静的で、形や機能を後から変更することができない建造 物に柔軟性、プログラム可能性を付与することでより人間のニーズに答えられるよ うにする、”programmable physical architecture”のコンセプトを提唱し、その一例と して”Squama”(プログラム可能な窓/壁)を実装した。 窓や壁を複数のタイルに分割し、そのタイルごとに透明・不透明を切り替えること で、プログラム可能な窓/壁を実現する。 タイルの透明度は液晶を用いることで動的に変更している。 -

    外の景色を見れるように保ったまま、外から部屋の中は見られないようにする - 光を一部遮ることで任意の場所に影を生成する などの応用が可能。 Jun Rekimoto https://dl.acm.org/doi/abs/10.1145/2254556.2254587 Squama: modular visibility control of walls and windows for programmable physical architectures (AVI’12) Marcelo Coelho, Ivan Poupyrev, Sajid Sadi, Roel Vertegaal, Joanna Berzowska, Leah Buechley https://dl.acm.org/doi/abs/10.1145/1520340.1520734 Programming Reality: From Transitive Materials to Organic User Interfaces (CHI EA ‘09) 物体のプログラム可能性として、 Transitive Materialsと Organic User Interfacesについて考えたもの。 Transitive Materials : コンピュータ上で扱うものは情報に限られている。計算結 果と物理的な物質の境を曖昧にするものとしてTransitive Materialを考える。これは入力に対して形状など自身のプロ パティを変えるという出力をするものである。またその出 力は反射的なものではなく、計算に基づいたものである。 Organic User Interface (OUI): 計算機的にコントロール可能な物質が普及した場合に考え られるインタラクティブなデザイン。 ディスプレイの形状が自由に変えられるようになったら、 - 一定の形を取らず、折り紙のように畳んだりして運ぶよ うになる。またユーザーとのインタラクションの中で動 的に形を変える。 - ポイント&クリックではなく、直接触るようになる - 全てのオブジェクトが高解像度のディスプレイとなる。
  43. 陽炎を用いた、物理的なインターフェースを伴 わずに現実世界の見え方を変更するもの。 陽炎生成モジュールを複数並べ、Kinectを用い てユーザの視野のどこに陽炎生成モジュールが あるかを把握することで、視野内の任意の場所 に陽炎を生成する。 Toru Kawanabe, Tomoko Hashida

    https://dl.acm.org/doi/10.1145/2787626.2792611 atmoRefractor: Spatial Display by Controlling Heat Haze (SIGGRAPH’15 poster) Jin Himeno, Tomohiro Yokota, Tomoko Hashida https://dl.acm.org/doi/10.1145/3279778.3279784 Fade-in Pixel: A Selective and Gradual Real-World Pixelization Filter (ISS’18) 現実世界の物体をピクセル化する物理的なフィルター。ピクセル化は段階的に、選 択的に行うことができる。屈折率が等しいレンズと液体を用いることで実現した。 液体が補充されている間は鮮明に、液体がなくなると半透明に見える。
  44. 暦本先生のSquamaをベースに、それを家全 体へと拡張して考えたもの。 インタラクティブなディスプレイをユビキ タスなディスプレイとして用いた建築物の デザインについて、要件・制約、課題をま とめた。 また、1,216ピクセルで、透過から不透過ま で16段階で調節できるスマートウィンドウ をプロトタイプした。 自然光を細かく制御したり、窓のレイアウ

    トを変更したり、天気などの情報を表示し たりすることができる。 ユーザーに使ってもらった上でアンケート を行い、ユーザーがユビキタスディスプレ イに肯定的なこと、窓とのインタラクショ ンに置いてはメンタルモデルが新体制に傾 いていることがわかった。 Patrick Bader, Alexandra Voit, Huy Viet Le, Pawel W. Wozniak, Niels Henze, Albrecht Schmidt https://dl.acm.org/doi/10.1145/3310275 WindowWall: Towards Adaptive Buildings with Interactive Windows as Ubiquitous Displays (TOCHI’19)
  45. ͲΜͳ΋ͷ ઌߦݚڀͱൺ΂ͯԿ͕͍͢͝ ٕज़΍ख๏ͷΩϞ͸Ͳ͜ Ͳ͏΍ͬͯ༗ޮͩͱݕূͨ͠ ٞ࿦͸͋Δ ࣍ʹಡΉ΂͖࿦จ͸  ਓؒίʔε ("/Λ༻͍ͯߴղ૾౓͔༷ͭʑͳσΟςʔϧΛ࣋ͭඇҰ༷ͳςΫενϟΛੜ੒͢Δख๏ Ϣʔβʔ͸ࢀߟը૾Λ༩͑Δ͜ͱͰΠϯλϥΫςΟϒʹը૾ΛฤूͰ͖Δ

    طଘͷख๏ΑΓ΋ߴղ૾౓ͳը૾Λੜ੒͢Δ·ͨΠϯλϥΫςΟ ϒʹϢʔβ͕ը૾Λੜ੒Ͱ͖Δ ੜ੒͍ͨ͠ը૾Ͱ("/ͷֶशΛߦ͍ தؒ૚ͷಛ௃Ϛοϓͱ࠷ऴతʹੜ੒͢Δը૾ΛϖΞʹ͠ ͯσʔλϕʔεΛߏங ը૾ੜ੒࣌ʹ͸ࢀߟը૾ΛλΠϧຖʹ෼ׂ͠ λΠϧຖʹྨࣅ͢Δը૾Λσʔλϕʔε͔Βߏ ங͜ΕΒΛฒ΂ͯ(FOFSBUPSͷதؒ૚ʹૠೖ͢Δ ("/ͷ௿ղ૾౓ͷϨϕϧͷσʔλΛૢ࡞͢Δ طଘͷख๏ͱ࣮ࡍͷੜ੒ը૾Λൺֱͨ͠Γ ࢁ΍Ӊ஦΍ֆըͳͲ ͷ༷ʑͳը૾Λ༻͍ͯ ղ૾౓ σʔλ਺ λΠϧαΠζ ੜ੒࣌ ؒͳͲͷྔతͳൺֱ΋ߦͬͨ ϥϯμϜͳςΫενϟʹ͓͍ͯ͸άϦου্ͷ໛༷͕ݱΕΔ͜ͱ͕ ͋Δ·ͨղ૾౓͸࠷େ.ϐΫηϧͳͷͰେ͖ͳը૾΁ͷରԠ΋ ඞཁ·ͨભҠྖҬʹ͍ͭͯҙਤ͠ͳ͍݁Ռ͕ग़Δ͜ͱ͕͋Δ <#BSOFTFUBM>ͳͲ BS9JWIUUQTBSYJWPSHBCT :PV5VCFIUUQTXXXZPVUVCFDPNXBUDI WZF@);0E8LH
  46. ଟ͘ͷςΫενϟ߹੒ΞϧΰϦζϜͰ࠾༻͞Ε͍ͯΔख๏্ͷਤͷΑ ͏ʹ͏Ϣʔβ͕ΨΠυΛ༩͑ͯ΍ΔͱͦΕʹԊͬͨ ग़ྗ͕ಘΒΕΔϐ Ϋηϧϕʔεͷख๏Ͱ͋ΔͨΊը૾ؒͰྨࣅ౓͕௿ͯ͘΋͏·͘ܧ͗໨ Λमਖ਼͢Δ͔͠͠ ۃ୺ʹม͑Δͱྲྀੴʹ(IPTUJOH͕ى͜Δ ͋ΔςΫενϟΛผͷը૾ʹద༻͢Δख๏ςΫενϟΤωϧΪؔ਺Λఆ ٛ͠ ͦΕΛ࠷దԽ͢Δ͜ͱʹΑͬͯ໨తը૾ΛಘΔλΠϧ୯ҐͰϒϨ ϯυ͍ͯ͠ΔͷͰը૾ؒͷྨࣅ౓ʹΑͬͯ͸ܧ͗໨͕ෆࣗવʹͳΔ

  47. 1BUDI.BUDIͰ͸ҟͳΔ̎ը૾Λ૊Έ߹ΘͤΔࡍ ςΫενϟͱߏ଄ ͕ဃ཭͍ͯ͠Δͱ໨ʹݟ͑ΔΞʔςΟϑΝΫτ͕ੜ੒͍͕ͯͨ͠ ຊ ख๏Ͱ͸ঃʑʹมԽͤͯ͞ղফͤ͞Δ ࿦จதͰ͸*NBHFNFMEJOHͱ هड़ ("/ͷେݩͷ࿦จθϩαϜήʔϜϑϨʔϜϫʔΫʹ͓͍ͯ  HFOFSBUPSͱEJTDSJNJUPS͕૬൓͢Δ໨తͷ΋ͱͰֶशޯ഑ফࣦ໰

    ୊΍Ϟʔυ่յͳͲͷ໰୊͕͋Δ
  48. ௿ղ૾౓ͷαϯϓϧ͔ΒॳΊͯωοτϫʔΫͱαϯϓϧͷαΠζΛ ঃʑʹେ͖͘͠ͳ͕ΒτϨʔχϯά͢ΔΑ͏ͳϑϨʔϜϫʔΫΛఏ Ҋ͜ΕʹΑͬͯτϨʔχϯά଎౓͕޲্͠ ·ͨ҆ఆ͢Δ

  49. Music Creation by Example Emma Frid Celso Gomes Zeyu Jin

    ? ー ンプ 曲 AI音楽 テ 入力し 生成 音楽 イン テ 組 合わ 新しいUI イ 先行研究 比 こ い? ー ンプ 曲 選択し AI 音楽生成 プ イ こ 技術や手法 ・曲 付け いビ イ ー 合 (既存 )曲 ンプ し IBM Watson Beat(MIDI 基 くAI音楽生成 テ ) 利用し 出力 様々 音楽要素 選択し 混合 ( ンプ 曲 触発 い 入力素材 再生 い) ・広範 ー 調査 テ 相互作用 設計 うや 有効 検証し ? 104人 超え ビ エー ー 対象 し ー 調査 他 音楽生成 テ 比較 議論 あ ? ・AI 割 当 操作 人間 入力 ン こ (AI 操 作 多 自分 音楽 作成し いう気持 弱ま ) ・AI音楽 限界 あ (今回 生成 不具合 あ ) 次 読 論文 ? JE Allen, Curry I Guinn, and E Horvtz. 1999. Mixed-Initiative Interaction. IEEE Intelligent Systems and their Applications 14, 5 (1999), 14ど23.
  50. Parallel Prototyping Leads to Better Design Results, More Divergence, and

    Increased Self-Efficacy STEVEN P. DOW, ALANA GLASSCO, JONATHAN KASS, MELISSA SCHWARZ, DANIEL L. SCHWARTZ, and SCOTT R. KLEMMER 複数 代替案 並行し 作成 高品質 多様 作品 生 出し 自己効力感 大幅 向上 こ 発見し 実験 初心者 イ ー Web広告 並行し 作成(3 作成→3 フ ー ッ 受け →2 作成→最終 イン決定)し 連 続し 作成(一 作成→各プ イプ作成後 フ ー ッ 受け →最終 イン)し 比較 ッ ー率 イアン や専門家 評価 フ ー ン 測定 並列作成し 実験参加者 方 優 い 並列 作 成し 方 プ イプ 多様 自己効力感 向上し 批評 対 し 積極的 あ こ 分 MorpheuS: generating structured music with constrained patterns and tension Dorien Herremans, Elaine Chew 音楽 一貫性 い 重要 長期的構造 いう問題 取 組 設計 音楽生成 テ MorpheuS 開発し わ 特定 (物語 ッチ う )緊張感 あ 音楽 生成 こ 既存 フ ッ 曲 テンプ ー し 取 最新 ーン検出ア ゴ 用い 繰 返し ーン 検出 テン ンプ フ イ 定量化し 音 緊張感 数学 目的関数 し 検出し ーン 制約 し 可変 近傍探索法(VNS) 利用 最適化ア ゴ 複雑 フ ッ 音楽 生成 こ
  51. Automatic Music Video Generation Based on Simultaneous Soundtrack Recommendation and

    Video Editing Jen-Chun Lin, Wen-Li Wei, James Yang, Hsin-Min Wang, Hong-Yuan Mark Liao ウン ッ 推薦 映像編集 同時 行い ー 生成し ビ (UGV) 自動 MV 作成 テ 提案 UGV 短い グ ン 分割し multi-task deep neural network(MDNN) 適用 こ 視覚的特徴 擬似的 音楽特徴 予測 予測 特徴 候補曲 グ ン 音楽特徴 類似性 評価 pseudo-song-based deep similarity matching(PDSM) 測定 使 用し DTWア ゴ 適用 こ 結果 従 pseudo-song- based deep concatenation cost (PDCC) 測定 得 ー ッ 連結 基 い UGV グ ン 選択 連結 最後 生成 MV ン 付け 最高 MV ー 提案 MDNN PDSM びPDCC 注釈付 公 式MV ー ー ング Design and Fabrication by Example Adriana Schulz Ariel Shamir David I. W. Levin Pitchaya Sitthi-amorn Wojciech Matusik 製作可能 3D 設計 ー 駆動型手法 提案 専門家 作成し 設計 ン 製造 必要 情 報 含 ー 化 テンプ ー ー ッ 変換 こ ー 離散 ー 連続 ー 両方 使用し 構造 維持し 操作 実行 テンプ ー 表現 階層的 あ ー 間 接続制約 含ま い ま こ ー ッ テンプ ー 抽出し 情報 使用し 初心 者向け ング テ 作成し ー ー ッ 部分構造 選択し 追加 テ ー 使用し 適切 ネ や ン ーネン 選択し 自 動的 接続 配置 構造 安定性 評価 物理ベー ミ ー ン 含ま 不安定 ー 見 け出
  52. The Acousticvisual Emotion Guassians Model for Automatic Generation of Music

    Video Ju-Chiang Wang, Yi-Hsuan Yang, I-Hong Jhuo, Yen-Yu Lin, Hsin-Min Wang 感情的 ンテン 関し 与え ビ ー ン 調和 楽曲 選択 Acousticvisual Emotion Guassians AVEG 呼 新しい機械学習 提案し こ ミ ー ッ ビ MV 感情注釈付 ー 音楽 ビ び感情 間 三者関係 共同 学習 ま グ ン 化 音楽 ビ 特徴 抽出し ま こ ー 因子分析(CFA) 利用し 低 ベ 音響特徴 視覚特徴 間 ップ 減 処理 特徴 AVEG 適用 音楽 ビ 感情空間 感情 予測 最後 対応 予測 感情間 い カ ッ ・ イ ー情報量 測定 こ 音楽 ビ ッチン グ 行う
  53. Evaluating the Effect of Youtube Advertising towards young coustomers’ purchase

    intention Dhiyaa Nadhifa Aziza Rifelly Dewi Astuti Investigating the impact of visual design on consumers’ perception towards advertising
  54. How Smartphone Advertising influences consumers’ purchase intensions José Martinsa Catarina

    Costab, Tiago Oliveirab, Ramiro Gonçalvesa, Frederico Branco Personalization versus Customization Fang Wu Bernardo A. Huberman
  55. Social media engagement: What motivates user participation and consumption on

    Youtube? M Laeeq Khan The impact of television advertising on child health and family spendings Kadambini Katke
  56. An empirical study on consumers perceived value and attitudes toward

    advertising Ping Zhang
  57. ɾಛʹ΢ΣΞϥϒϧͱັ࿭ͷମݧͱ͍͏จ຺Ͱ)$*ݚڀऀͷوॏͳ ɹΠϯεϐϨʔγϣϯݯͱͯ͠"4.3ϝσΟΞΛ঺հ ɾݸਓతͳεέʔϧͰͷචઉʹਚ͘͠೉͍ମੑతͰັ࿭తͳ ɹΠϯλϥΫγϣϯΛଅͭ͢ͷҥ෰Λ੍࡞ ͲΜͳ΋ͷʁ ઌߦݚڀͱൺ΂ͯͲ͕͜ੌ͍ʁ ٕज़΍ख๏ͷΩϞ͸ʁ Ͳ͏΍ͬͯ༗ޮͰ͋Δͱݕূͨ͠ʁ ٞ࿦͸͋Δʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ

    ɾιʔϚσβΠϯ<>ͱັ࿭ͷମݧ< >ͷϨϯζΛ௨ͯ͠ ɹ"4.3ϝσΟΞͷજࡏతͳՁ஋Λڧௐ͢Δ"4.3ϝσΟΞͷϑϨʔϛϯά ɾ"4.3ͷಛੑΛద༻͢ΔͨΊͷࢲͨͪͷϓϩηεͱߟ࡯ͷৄࡉͳهड़ ɾ஌֮ͷ୅ସͱͯ͠ͷ΢ΣΞϥϒϧͷΑΓ޿͍ϏδϣϯΛண૝ͤ͞ΔΑ͏ͳ ɹҰ࿈ͷ΢ΣΞϥϒϧεϚʔτςΩελΠϧ ɾ"4.3͕ͲͷΑ͏ʹ৘ใΛఏڙͰ͖Δ͔ʹ͍ͭͯͷؼೲతʹௐࠪͨ͠ ݸਓతͳσβΠϯϓϩηεΛ௨ͯ͡ɺମݧͨ͜͠ͱΛ௲͍ͬͯΔɻ ͜ͷ࿦จΤοηʔʁΤεϊάϥϑΟʔʁΈ͕͋Δ ιχοΫϑΟϧλʔͱͯ͠ͷ΢ΣΞϥϒϧ΍ ֎ͷੈքl͕ମ಺ʹ࣋ͪࠐ·ΕΔൽෘΛ֦ு͢ΔΑ͏ͳ ΢ΣΞϥϒϧͷΑΓ޿ൣͳϘσΟ͸ΑΓৄࡉʹ ୳ٻ͞ΕΔՄೳੑ͕͋Δ ,BUF FUBM 8IBU)$*$BO-FBSOGSPN"4.3 #FDPNJOH&ODIBOUFEXJUIUIF.VOEBOF +PTFQIJOF,MFGFLFSMJCJTUSJFHM-BVSB%FWFOEPSG $)*
  58. ؔ࿈ݚڀ ϞφʔΫ͸΢ΣΞϥϒϧͰے೑Λ׆ੑԽͤ͞Δ ΩωςΟοΫςΩελΠϧͰ͋Δɻ ݞʹऔΓ෇͚ΒΕͨςΩελΠϧϑΥʔϜͰ ߏ੒͞Ε͓ͯΓɺண༻ऀͷے೑ͷಈ͖ʹԠͯ͡৳ॖ͢Δɻ ϞφʔΫ͸ඇݴޠతͳίϛϡχέʔγϣϯͱͯ͠࢖༻ͨ͠Γ ձ࿩ͷதͰϙΠϯτΛڧௐͨ͠ΓͰ͖Δɻ ۩ମతʹ͸࿹Λۓுͤͨ͞ΓϦϥοΫεͤͨ͞Γ͢Δ͜ͱͰ ೤ڰɺڵฃɺओுɺ߈ܸੑɺ͍ͨͣΒ৺ɺؔ৺Λදݱ͢Δ͜ͱ͕Ͱ͖Δɻ .POBSDI4FMG&YQSFTTJPO

    5ISPVHI8FBSBCMF,JOFUJD5FYUJMFT ,BUF FUBM ޻ܳΛ͢Δਓ͕ूஂͷδΣενϟʔΛ௒ԻԽ Ի੠Λ࢖ͬͯ σʔλΛ஌֮͢Δ ͢ΔͨΊͷσδλϧٕज़Λ։ൃ͠޻ܳʹର͢Δ ൴Βͷ಺লΛࢧԉ݁͠Ռతʹ޻ܳΛൃలͤ͞Δํ๏Λ୳ͬͨɻ δΣενϟʔΛ௚઀௒Ի೾Խ Ϟʔγϣϯηϯαʔͷσʔλ͔Β௚઀ੜ੒ ͞ΕͨԻ ͢Δ͜ͱͰ޻ܳʹऔΓ૊Ήਓ͕ࣗ෼ࣗ਎΍ଞͷਓͷ࣮ફΛཧղ͠ ൓লٞ͠࿦Λଅ͠ɺ޻ٕܳज़ͷमਖ਼ΛՄೳʹ͢Δ͜ͱΛൃݟͨ͠ɻ ௒Ի೾ͷઃܭΛϥΠϒͰߦ͍ͳ͕ΒΩϟϓνϟͨ͠σʔλΛ δΣενϟʔͷΩϟϓνϟͨ͠ө૾ͱͱ΋ʹ࠶ੜͰ͖ΔγεςϜΛ ઃܭɾ։ൃͨ͠ɻ &YQMPSJOH(FTUVSF4POJpDBUJPO UP4VQQPSU3FqFDUJWF$SBGU1SBDUJDF 5IPNBT FUBM
  59. ؔ࿈ݚڀ ϞϊΛத৺ͱͨ͠෺࣭తͳਪଌͷΞϓϩʔνΛԠ༻ͯ͠ ϞϊͱࢲͨͪͷؒͷΪϟοϓΛೝࣝ͠໰͍͔͚ΔͨΊʹ ϞʔϧεɾγϯάεΛσβΠϯͨ͠ɻ Ϟʔϧεɾγϯάε͸*P5ͷதͰϞʔϧε৴߸Λ࢖ͬͯ ಠཱͯ͠௨৴͢ΔͨΊʹωοτϫʔΫԽ͞Εͨ ηϥϛοΫ੡ͷϘ΢ϧͱΧοϓͷηοτͰ͋Δɻ *P5ͷ͋Δ฻Β͠ͷຊ࣭ΛৼΓฦΓਓؒத৺ͷٕज़Ͱ΋ σδλϧͰ΋ͳ͍Ոͷதͷ৽͍͠λΠϓͷϞϊΛߟ͑Δ ͖͔͚ͬͱͳͬͨɺϞϊͱਓؒͷΪϟοϓ΁ͷ

    ಎ࡯ʹ͍ͭͯٞ࿦͢Δɻ .PSTF5IJOHT"%FTJHO*ORVJSZ ɹɹɹɹɹɹɹɹJOUPUIF(BQ ɹɹɹɹɹɹɹɹ#FUXFFO5IJOHTBOE6T 3PO FUBM 4BSLB͸ڼթҐͷਓͷখ͞ͳಈ͖΍ମॏͷ෼෍Λɺ ਓͷ಑ମͱࠎ൫ͷԼʹ͋Δͭͷ໦ͷ෦෼ʹ෼ࢄ͞Εͨ ͭͷѹిࣜྗηϯαʔʹΑͬͯϦΞϧλΠϜʹऩू͞Εͨσʔλ͔Β ΠϯλϥΫςΟϒʹ௒Ի೾Խ͍ͯ͠Δɻ ମͷ͞·͟·ͳ෦෼ͷମॏ෼෍΍ӡಈڧ౓ΛԻͰϑΟʔυόοΫ ͢Δ͜ͱͰɺ஫ҙΛ޲͚ΔೳྗΛαϙʔτ͢Δɻ ຊ૷ஔͷҙਤ͸طଘͷମੑ࿅श΍਎ମೝࣝͷ࿅शʹ୅ΘΔ΋ͷͱͯ͠ ͋Δ͍͸ิ׬తͳ΋ͷͱͯ͠ػೳ͢Δ͜ͱ͕Ͱ͖Δ Ի೾ϑΟʔυόοΫ૷ஔΛ࡞੒͢Δ͜ͱͰ͋Δɻ ԻͷϑΟʔυόοΫ৴߸͕ϦεφʔʹͲͷΑ͏ʹӨڹΛ༩͑Δ͔Λٞ࿦͠ ଓ͍ͯ͜ͷσβΠϯͰ͸ࢲͨͪʹఏࣔ͞ΕͨෳࡶͳσβΠϯۭؒΛ ༠ಋ͢ΔͨΊʹͲͷΑ͏ʹ࡞ۀ͔ͨ͠Λઆ໌͢Δ 4BSLB4POJpDBUJPOBOE4PNBFTUIFUJD "QQSFDJBUJPO%FTJHO *MJBT FUBM
  60. ؔ࿈ݚڀ ຊݚڀ͸ϝϧησεͷεϓϦϯλʔόϯΛΩϟϯϐϯάΧʔόϯʹվ଄͢Δͱ͍͏ ࣗ఻తͳσβΠϯϓϩδΣΫτͷϲ݄ؒΛ঺հ͢Δɻ͜ͷϓϩδΣΫτͰ͸ ਓʑ͕ࣗ෼ͷॅΉۭؒΛ࡞Γɺม༰ͤ͞ɺదԠ͍ͤͯ͘͞ϓϩηεͷෳࡶ͞ͱχϡΞϯεΛௐࠪ͢Δ͜ͱ͕Ͱ͖Δɻ ຊ࿦จͷத৺తͳ໨ඪ͸Ոఉ޲͚ٕज़ɺಛʹεϚʔτϗʔϜͱ*P5ͷઃܭʹؔ͢Δ)$*ͷকདྷͷݚڀͷจ຺Ͱ ͜ͷϓϩδΣΫτ͔Βͷಎ࡯Λղऍ͢Δ͜ͱͰ͋Δɻ͜ͷϓϩδΣΫτ͸ਓʑ͕೔ৗతͳ؀ڥͷதͰ σδλϧͰ͋Δ͔Ͳ͏͔ʹؔΘΒͣ σβΠϯͷ૑࡞෺ͱͲͷΑ͏ʹڞଘ͍ͯ͠Δͷ͔ ·ͨܧଓతͳ࣮ફΛ௨ͯ͠ͲͷΑ͏ʹ૑଄తʹͦΕΒΛద੾ʹ͠ɺϦϝΠΫ͠ɺमਖ਼͍ͯ͠Δͷ͔Λ ௐࠪ͢Δ͜Ε·Ͱͷݚڀʹؔ࿈͍ͯ͠Δɻ

    -JWJOH*O"1SPUPUZQF"3FDPOpHVSFE4QBDF "VESFZ FUBM
  61. Robust, low-cost, auditable random number generation for embedded system security

    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 Ben Lampert, Riad S. Wahby, Shane Leonard, Philip Levis 離散的(discrete) 高 ン ー ー 乱数生成器 い 説明し い 少し前 論文 、こ 分野 新しい論文 読 い 課題 し avalanche noise 発生さ 高電圧 必要 、 そ 電圧 外乱 ン ー 低減し い う 必要 あ し い 1サン あ 0.98bit以上 ン ー 持 ッ 生成し、 温度 環境影響 ほ 受け いこ 論文中 確認さ い 、起動時 25ms 1000 ッ 以上 ン ー 生成し、 そ 生涯 わ 擬似乱数生成器 ー こ こ わ 非決定的 物理現象 あ avalanche noise(雪崩 ?) 用い 、そ 高い ン ー 有 乱数 生成 こ い 小型 安価、さ 出力さ 乱数 ン ー 極 高い乱数生成器 実装、説明し い
  62. ANALYSIS OF INTEL’S IVY BRIDGE DIGITAL RANDOM NUMBER GENERATOR どんなものか

    内容 どんなものか 内容 Mike Hamburg, et al. 真性乱数生成器(TRNG) 重要 ・ 、 秘密鍵 公開鍵 様々 重要 乱数 生成 使用さ TRNG 設計 今 数多く提案 さ 、不確実性や予測不可能性 示 いく 基礎 物理現象 ン 性 抽出 、 異 使用し い 発生源 例 し 、回路内 熱 や ョッ 、 回路内 ッ ッ や ン運動、大気 、核崩壊 あ こ 論文 ッ ッ 用い こ わ 5個 CLB(Configurable Logic Block, 構成可能論理 ッ ) 後処理 ン 後 2Mbit/sec ー ッ 低 ー ー ッ 生成 こ ッ ッ 発生源 し 用い 、 FPGA上 真性乱数生成器(TRNG) 実装 新しい手法 提案し い FPGA-Based True Random Number Generation Using Circuit Metastability with Adaptive Feedback Control Mehrdad Majzoobi, et al. Intel Ivy Bridge design 含 最新 RNG ほ 、 ン ー ソー (ES) digital post-processing logic 構成さ 、 ン ー源 raw output 一般的 検出可能 や、 ン ー 出力 区別 他 ー 含 い digital post-processing logic 目的 こ raw output 低 ッ ー あ 、 高品質 ン ー 変換 こ あ Intel RNG digital post-processing logic 比較的洗練さ 、 多く ソ ー RNG 同様 、強力 暗号 使用し 、 ン ー源 欠陥 悪用可能 弱点 防い い 暗号 ー ョン 使用 目的 し ン ー ー 乱数発生器 RNG 評価 行 い
  63. Recommendations for Randomness in the Operating System どんなものか 内容 どんなものか

    内容 Henry Corrigan-Gibbs and Suman Jana 従来 ワ 保証 保守的 傾向 あ 、通常 16-32 ー ー ッ 追加し い し し少 い 、貧弱 ッサ、限 ー、 そし 30 ッ 、 ンサー ッ ワー こ う 贅沢 こ い そこ TinySec 慎重 設計 こ 極端 ソー 制約 対処し い TinySec 様々 ー や無線 ッ ー 移植可能 あ 36 ー 分散型 ンサ ッ ワー ー ョン 実験結果 ソ ー ン 層 実現可能 あ 、 ー、 遅延、帯域幅 ー ッ 10%以下 抑え こ こ 明確 示し 無線 ンサ ッ ワー 初 完全 実装さ ン 層 ー あ TinySec 紹介し い TinySec: A Link Layer Security Architecture for Wireless Sensor Networks Chris Karlof, et al. 暗号鍵, TLS nonces, ASLR offsets, password salts, TCP ー ン 番号, DNS ソー ポー 番号 予測 困難 ン ッ ソー 依存し い し し乱数や乱数生成器 誤用や乱数 乱用 最近 膨大 数 や ホー い こ う 欠陥 一般的 OS 共通 ン 性 欠陥 あ 設計 ー 起こしや い ン ー ー 起因し い 人気 あ OS け ン 性 ソー 状態 考え 、 開発者 ン 性 誤解し 誤用 こ 多い 当然 こ あ 、こ 論文 ン 性 現実 調査 こ 誤 論破し、OS ン 性サ 新しい ー 原則 記し い ン 性 関 一般的 誤解 解く説明 OS ン 性サ 新しい ー 原則 記し い
  64. Stealthy Dopant-Level Hardware Trojans どんなものか 内容 Georg T. Becker, et

    al. 近年、 ー 政府や産業界 け く、科学者 間 注目 集 い 主 懸念さ い こ 軍事や重要 ン 用途 集積回路 、 海外 製造工程中 悪意 持 操作さ 可能性 あ こ あ 例 し 、2010年 ッ ー ー VisionTech 偽 ッ 販売し し 起訴さ 、 そ 多く 高速列車 破損、F-16戦闘機 敵対的 ー ー追跡、弾道 サ 制御 、 安全・ 上重要 向け あ ー 脅威 、特 最近 サ ー戦争 懸念 、 時間 経過 増加 予想さ い 、改造さ 回路 配線層( 金属 ポ ン 含 ) 問題 い う 見え 、提案さ い ー 微細 光学検査や"golden chip" 対 ッ 、ほ 検出技術 耐性 あ ー 以下 ー 実装 極 性 高い ー 提案し、 ー ッ 影響 評価し い
  65. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ᢏ⾡䜔ᡭἲ䛾䜻䝰 䛹䛖䜔䛳䛶᭷ຠ䛰䛸᳨ド䛧䛯䠛 ㆟ㄽ䛿䛒䜛䠛 ḟ䛻ㄞ䜐䜉䛝ㄽᩥ䛿䠛 䜲䞁䝨䜲䞁䝖᪉ᘧ䛻䜘䜛㧗⏬㉁䛺⏬ീෆ䛾≀య㝖ཤ 䜰䝑䝥䝃䞁䝥䝸䞁䜾䝛䝑䝖䝽䞊䜽䜢᪤Ꮡ䛾䝟䝑䝏䜢฼⏝䛧䛶 ⤖ᯝ䜢෌ᵓ⠏䛧䛶䛔䜛䛯䜑⮬⏤ᗘ䛜ప䛟䛺䜛 ᪤Ꮡ䛾ᡭἲ

     䛴䛸ᮏᡭἲ䛻䛶䜰䝑䝥䝃䞁䝥䝸䞁䜾䜢䛧䛯䜒䛾䛸䛧䛺 䛔䜒䛾䛻䜘䜛ẚ㍑䚹  ௳䛾ධฟຊ⏬ീ䜢  ே䛾䝴䞊䝄䞊䛻䝷䞁 䝎䝮䛺㡰ᗎ䛷ぢ䛫䜛䚹᭷ຠ⚊䛿䚸  ᅇぢ䛫䛶  ᅇ䛸䜒ྠ䛨⤖ᯝ䜢 㑅䜣䛰ሙྜ䛾䜏䛻䛧䚸  ⾲㞟䜑䛯䚹ᮏᡭἲ䛾䜰䝑䝥䝃䞁䝥䝸䞁 䜾䛧䛶䛺䛔䜒䛾䛜  ⚊䚸䛧䛯䜒䛾䛜  ⚊䜢㞟䜑᭷ຠ䛰䛸♧䛧䛯䚹 ᗈ⠊ᅖ䛾Ḟᦆ䛻ᑐ䛧䛶䜒㧗ゎീᗘ䛾⤖ᯝ䛜ᚓ䜙䜜䜛䚹Ḟ ᦆ䛾ᙧ䛜䛣䜜䜎䛷䛿ṇ᪉ᙧ䜔෇䛷䛒䛳䛯䛜䚸㝖ཤ䛧䛯䛔 ᑐ㇟䛾ᙧ䛻ྜ䜟䛫䛶ฎ⌮䜢⾜䛖䛣䛸䛜䛷䛝䜛䚹 ಙ㢗ᗘ䝬䝑䝥䜢⏕ᡂ䛧䛶Ḟⴠ㡿ᇦ䜢ᇙ䜑䜛㝿䛻ಙ㢗ᗘ䛜㧗䛔䝢䜽䝉 䝹䛾䜏ᇙ䜑䛶䚸ṧ䜚䛾䝢䜽䝉䝹䛿ḟ䛻ᅇ䛩཯᚟䜲䞁䝨䜲䞁䝔䜱䞁䜾䚹 ๓䛾᧯స䛷ᇙ䜑䛯䝢䜽䝉䝹䛿᪤▱䛾䜒䛾䛸䛧䛶ᢅ䛔ಙ㢗ᗘ䝬䝑䝥䜢 ᭦᪂䛧䛶䛔䛟䚹 <X=HQJ=KH/LQ-LPHL<DQJ-LDQPLQJ=KDQJ(OL6KHFKWPDQ+XFKXDQ/X +LJK5HVROXWLRQ,PDJH,QSDLQWLQJZLWK,WHUDWLYH&RQıGHQFH)HHGEDFNDQG*XLGHG8SVDPSOLQJ 䜲䞁䝨䜲䞁䝖ἲ䛻㛵䛩䜛䜒䛾
  66. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛  ᯛ䛾ධຊ⏬ീ䛛䜙ู䛾ゅᗘ䛛䜙䛾䠏 ' 䝡䝳䞊⏬ീ䜢ྜᡂ 䛩䜛䛯䜑䛾⏕ᡂ䝛䝑䝖䝽䞊䜽 ධຊ⏬ീ䛛䜙䛹䛾䜘䛖䛻ኚ᥮䛥䜜䜛䛛ண 䛧ྍどᛶ䝬䝑䝥䜢⏕ᡂ䛩 䜛䚹䛣䜜䛻ᇶ䛵䛝䝢䜽䝉䝹䜢෌㓄⨨䛧䛶䛔䛟䚹䛣䛾෌㓄⨨䛜䛹䜜䛰䛡 䜘䛟䛷䛝䛶䛔䜛䛛ホ౯䛩䜛ᦆኻ䝛䝑䝖䝽䞊䜽䜢౑⏝䛧ྜᡂ⏬ീ䛾ရ㉁

    䜢ྥୖ䛩䜛䚹䛣䜜䛻䜘䜚ぢ䛘䛶䛔䛺䛔㒊ศ䛺䛹䛾᥎ᐃ⢭ᗘ䛜ྥୖ䛧 䛯䚹 (XQE\XQJ3DUN-LPHL<DQJ(UVLQ<XPHU'X\JX&H\ODQ $OH[DQGHU&%HUJ 7UDQVIRUPDWLRQ*URXQGHG,PDJH*HQHUDWLRQ 1HWZRUNIRU1RYHO'9LHZ6\QWKHVLV&935 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ῝ᒙᏛ⩦୰䛻Ḟⴠ⟠ᡤ࿘ᅖ䛾⏬ീ≉ᚩ䜢ཧ↷䛧ண ⤖ ᯝ䛾⢭ᗘ䜢ྥୖ䛥䛫䜛䜲䞁䝨䜲䞁䝖ἲ 䝣䜱䞊䝗䝣䜷䝽䞊䝗ᆺ䛾⏕ᡂ䝛䝑䝖䝽䞊䜽䛾ᵓ⠏䚹 Ḟⴠ䛧䛶䛔䜛ෆᐜ䜢኱䜎䛛䛻☜ㄆ䛩䜛෌ᵓᡂᦆኻ䜢Ꮫ⩦䛻⏝䛔䛯 &11 䛸ᩥ⬦ⓗ䛺ὀព䜢⪃៖䛩䜛ᒙ䛾  䛴䛾ᒙ䜢ᵓᡂ䛧䚸Ḟⴠ㒊ศ䛛 䜙㞳䜜䛯䛸䛣䜝䛻䛒䜛≉ᚩⓗ䛻㢮ఝ䛧䛯䝟䝑䝏䜢ཧ↷䛩䜛䛣䛸䛻䜘䜚 ⢭ᗘྥୖ䜢ᯝ䛯䛧䛯䚹 *HQHUDWLYH,PDJH,QSDLQWLQJZLWK&RQWH[WXDO$WWHQWLRQ -LDKXL<X=KH/LQ-LPHL<DQJ;LDRKXL6KHQ;LQ/X7KRPDV6+XDQJ
  67. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ព࿡ⓗ䚸⌧ᐇⓗ䛺䜲䞁䝨䜲䞁䝖ᡭἲ ప䝺䝧䝹䛾䝢䜽䝉䝹䛛䜙㧗䝺䝧䝹䛾ព࿡ⓗ≉ᚩ䝬䝑䝥䜈䝁䞁䝔䜻䝇䝖 䜢䜶䞁䝁䞊䝗䛧䚸䛭䛾≉ᚩ䜢⏬ീ䜈䝕䝁䞊䝗䛩䜛䝢䝷䝭䝑䝗䝁䞁䝔䜻䝇䝖 䜶䞁䝁䞊䝎䛸䝬䝹䝏䝇䜿䞊䝹䝕䝁䞊䝎䛻䜘䜚⏬ീ䝺䝧䝹䛸≉ᚩ䝺䝧䝹 䛾୧᪉䛷Ḟⴠ䜢ᇙ䜑䜛䛣䛸䛜䛷䛝䜛䚹 5DKXO$URUD5XEDLDW+DELE.D]L7RYL*URVVPDQ*HRUJH)LW]PDXULFH.DUDQ6LQJK 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛

    ⏬ീෆ䛾䝁䞁䝔䞁䝒䛾෌䝅䝱䝑䝣䝹䚸⿵᏶䚸䝸䝍䞊䝀䝔䜱䞁 䜾䜢䜲䞁䝍䝷䜽䝔䜱䝤䛻䛷䛝䜛⏬ീ⦅㞟䝒䞊䝹 &38 ᐇ⿦䛷 a ಸ䚸 *38 ᐇ⿦䛷䠓ಸ䜋䛹㧗㏿໬䛧䛯䝷䞁䝎䝮䝃 䞁䝥䝸䞁䜾䜰䝹䝂䝸䝈䝮䚹 3DWFK0DWFK$5DQGRPL]HG&RUUHVSRQGHQFH$OJRULWKP IRU6WUXFWXDO,PDJH(GLWLQJ6,**5$3+ &RQQHOO\%DUQHV(OL6KHFKWPDQ$GDP)LQNHOVWHLQ'DQ%*ROGPDQ /HDUQLQJ3\UDPLG&RQWH[W(QFRGHU1HWZRUNIRU +LJK4XDOLW\,PDJH,QSDLQWLQJ&935
  68. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ධຊ⏬ീ䛾Ḟⴠ㒊ศ䜢ᩍᖌ䛺䛧Ꮫ⩦䛻䜘䛳䛶ᇙ䜑䜛䜲䞁 䝨䜲䞁䝖ᡭἲ Ḟⴠ㒊ศ䜢ព࿡ⓗ䛻ᇙ䜑䜛ึ䜑䛶䛾䝟䝷䝯䝖䝸䝑䜽䜲䞁䝨䜲䞁䝖䜰䝹 䝂䝸䝈䝮䚹 䜶䞁䝁䞊䝎䛿⏬ീ䝟䝑䝏䛾䝁䞁䝔䜻䝇䝖䛰䛡䜢➢ྕ໬䛧䚸䛭䛾≉ᚩ㔞 䛷䝕䞊䝍䝉䝑䝖䛛䜙᭱㏆ഐᩥ⬦᳨⣴䜢䛧ព࿡ⓗ䛻㢮ఝ䛧䛯䝟䝑䝏䜢ᚓ 䜛䚹 'HHSDN3DWKDN3KLOLSS.UDKHQEXKO-HII'RQDKXH

    7UHYRU'DUUHOO$OH[HL$(IURV &RQWH[W(QFRGHUV)HDWXUH/HDUQLQJE\ ,QSDLQWLQJ&9
  69. TileGAN: Synthesis of Large-Scale Non-Homogeneous Textures 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? ⼩さい解像度でトレーニングされたGANを組み合わせ て境界のない⼤規模で⾼品質なテクスチャマップを⽣ 成するアルゴリズムを提案。またこのシステムではイ ンタラクティブに修正が可能。 GANの低解像度レベルの潜在コードを操作することに よってタイルをうまくつなぎ合わせ、⾃然なテクス チャを⽣成している。 以前の⽅法と視覚的な⽐較。実⾏時間の⽐較。前処理 時間を除くと他の⽅法より⾼速に実⾏できる。 トレーニング、データセットのサンプリング、または 選択したGAN実装の固有の制限が原因で視覚的アー ティファクトが⽣成されることもある。 Karras et al。 2018a 今までの⽅法よりも⾼速で⾼品質であり、インタラク ティブに修正を加えることができるようになった点。 ANNA FRÜHSTÜCK, IBRAHEEM ALHASHIM, PETER WONKA
  70. Tero Karras, Samuli Laine, Timo Aila スタイル転送の⽂献に元に画像合成プロセスを制御する 新たな⽅法を提案し、ジェネレーターの構造を再設計す る。 このジェネレーターは、学習された⼀定の⼊⼒から始ま

    り、潜在コードに基づいて各畳み込み層で画像の「スタ イル」を調整する。 これにより、様々なスケールで画像の特徴の強度を直接 制御できる。 Image Melding: Combining Inconsistent Images using Patch-based Synthesis Soheil Darabi, Eli Shechtman, Connelly Barnes, Dan B Goldman, Pradeep Sen A Style-Based Generator Architecture for Generative Adversarial Networks 画像内及び画像間の不整合を処理するパッチベース の合成フレームワークを提案。 このフレームワークではパッチベースの合成原理と 勾配領域合成、及びテクスチャ補間を組み合わせて 強⼒な合成処理を⾏う。 制限はとして、⾃由度が多すぎると歪みが発⽣して しまう可能性などがある。また、テクスチャによっ てはあまりに違うものだとシームレスに合成するこ とはできない。
  71. Vivek Kwatra, Arno Schodl, Irfan Essa, Greg Turk, Aaron Bobick

    画像やビデオのパッチ領域を変換して出⼒にコピーし、 より⼤きな画像やビデオを⽣成する。 この論⽂ではグラフカットのテクニックを利⽤して、出 ⼒に転送するパッチの最適な領域を⾒つけている。 ⼊⼒パッチの変換を可能にする拡張機能や2つの異なる画 像をインタラクティブにマージするアプリケーションも 提案している。 Generative Image Inpainting with Contextual Attention Jiahui Yu, Zhe Lin, Jimei Yang, Xiaohui Shen, Xin Lu, Thomas S. Huang Graphcut Textures: Image and Video Synthesis Using Graph Cuts 新しい画像構造を合成するだけでなく、ネットワークトレーニ ング中に周囲の画像の特徴を参照して、より良い予測を⾏うこ とができる、新しい⽣成モデルに基づくアプローチを提案。 このネットワークは2段階で構成されており、最初の段階は、 不⾜しているコンテンツを⼤まかに再構成するために再構成損 失をトレーニングした単純な拡張畳み込みネットワーク、2つ ⽬の段階で、コンテキストの注意を統合して、⽳埋めを⾏う。
  72. Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros ペアのトレーニング例が⼀つもない状態で、画像の特徴

    的な部分を他の画像に適⽤させる⽅法を提案。 「サイクル整合である」という特性を利⽤して、実装し ている。サイクル整合は翻訳したものをまた元に戻すよ うに翻訳した際に元に戻るという性質である。サイクル 整合性損失とドメインXとYの敵対的損失を組み合わせる ことで画像から画像への変換を実現している。 Unpaired Image-to-Image Translation using Cycle- Consistent Adversarial Networks
  73. Generating High-Resolution Fashion Model Images Wearing Custom Outfits Gökhan Yildirim,

    Nikolay Jetchev, Roland Vollgraf, Urs Bergmann も 先行研究 比べ す い 技術や手法 キモ うや 有効 検証し 議論 あ 次 読むべ 研究 StyleGAN 利用し 高解像度 服や ー 特徴 細 く指 定し 人物画像生成 ン StyleGAN 各生成段階(各解像度) 特徴 挿入 AdaIN(Adaptive Instance Normalization) 用い い 服 行う 服 色や形状 操作 そ 中 ラン ョンモ 画像 生成 す ターン 服 ー 指定し 生成 行う ターン 2 モ 提案し実験し い 既存手法 も圧倒的 高解像度 整合性 取 画像 生成 人物 服 特徴や ー 変化 せ ま 服 組 合わせ 画像生成も出来 ター 人物 服 色変化や ー 変化 特徴 変化 せ 実験 モ 実験 好 服 着 せ 人物画像生成 実験 モ 実験 2 行い Fおネcheが Incepがion Distance (FID)スコ 画像品質 評価 し 結果 前者 (unconditional) ほう 後者(conditional) 良い いう結果 品質 け見 前者 良い 指定 考え ー オ 関係 複雑す 形状 服や ー 関し 単純 GAN 適用す け うし も限界 自然 い画像生成 出来上 し ま い も も 見
  74. 低解像度 画像 徐々 学習 せ い 高解像度 も 段階的 し

    いくPGGAN Progressive Growing of GANs 提案 Network 層 学習 過程 積 あ いく 本モ 特徴 徐々 解像度 あ いく latent vectors ン 発 見す いう目標( ー ?) い 達成す 簡単 task し い 最終的 得 解像度 も 従来 も も2~6倍 速 学習 学習時間 削減す 可能 Progressive growing of gans for improved quality, stability, and variation Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen The conditional analogy gan: Swapping fashion articles on people images. Nikolay Jetchev, Urs Bergmann 入力x_i y_i y_j 関係 学習し x_i y_j 対応す x_i^j 生成す CA-GAN 提案 服 着用し いモ 別 服 着せ え 出来 手 入 やすいhuman モ 着用画像 article 置 撮 画像 画像 精度 高い着せ替え 成功し
  75. 服 着 い 人物 全身像 画像 生成す モ 提案 本稿

    生 成 セス 体 服 い ー 異 色 塗 ス 生成 分割 ー 情報 条件 し 新しい画像 生成す 2 分割し 組 合わせ 服装 スタ や ー エー ョン 多様性 配慮し い Variational Autoencoder 用い 1 服 組 合わせ 様々 ー 構図 生成 . 中 最終的 画像 生成す pix2pixモ 使わ い A Generative Model of People in Clothing Christoph Lassner, Gerard Pons-Moll, Peter V. Gehler A style-based generator architecture Tero Karras, Samuli Laine, Timo Aila 高解像度 1024x1024 画像 生成す GAN,StyleGAN 提案 前 述 Progressive-Growing of GANs generator部分 発展 せ も Progressive-Growing of GANs 低い解像度 層 順 学習す いうも そ 手法 生成す 画像 操作す 難し い ,generator 改良 各生成段階(各解像度) 画像特徴 挿 入手法 あ AdaIN(Adaptive Instance Normalization) 用い 画像生 成 行う 高解像度 自然 画像操作 可能 し
  76. Deep High-Resolution Representation Learning for Human Pose Estimation Ke Sun,

    Bin Xiao, Dong Liu, Jingdong Wang ワー 全体 ま セス全体 高解像度 維持 複数ス ー 繰 返し ュー ョンす 姿勢推定 High Resolution Network HRNet 提案 複数ス ー interaction 密 す 精度 向上し HRNet全体 4ス ー 4並列 ワー 構成 最終層 1x(HR)・2x・ 4x・ 8x ス ー 出力 そ 中 も最も精度 高い1x 出力 用い
  77. DeepFaceDrawing: Deep Generation of Face Images from Sketches 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? 顔のラフスケッチから⾼品質な顔画 像を⽣成するシステム。 従来では、ある程度品質の⾼いス ケッチを⼊⼒に必要としたが、顔画 像の形状空間をモデル化することに より、素⼈の適当なスケッチにも対 応できるようにした。 ある顔画像とそれをスケッチ化した ものを1つのデータセットとし、右 ⽬、左⽬、⿐、⼝、その他に分けて 学習させる。GANの前に32チャンネ ルの機能マップに変換することで、 最終的な出⼒における部位の合成が スムーズになった。 ユーザ調査により。 それぞれのコンポーネントを、個別 に評価しているため、(⽬などの)対 称性のあるパーツに不⾃然さが発⽣ することがある。⾊調整メカニズム の導⼊が必要。トレーニングデータ の拡⼤。 1 ARVO et al. 6 DEKEL et al. 19 ISOLA et al. 38 WANG et al. 11 GOODFELLOW et al. SHU-YU CHEN, WANCHAO SU, LIN GAO, SHIHONG XIA, HONGBO FU
  78. どんなもの? 形状認識と⾼速モーフィングを 融合させて、リアルタイムで⼿ 描きスケッチされたストローク を、理想的な幾何学的形状に変 形する⼿法。 どんなもの? 画像とその輪郭線より構成され るデータセットにおいて、輪郭 線を操作することによって、そ

    れに応じて元の画像を再構築す るネットワーク。GANを⽤いた。 どんなもの? 条件付き敵対ネットワークを⽤ いた画像から画像への変換問題 への⼿法。インスタンスラベル から実画像変換、⽩⿊からフル カラー変換、スケッチから実画 像変換、昼夜変換などに対応で きることを証明した。 Fluid Sketches: Continuous Recognition and Morphing of Simple Hand-Drawn Shapes JAMES ARVO, KEVIN NOVINS Smart, Sparse Contours to Represent and Edit Images TALI DEKEL, CHUANG GAN, DILIP KRISHNAN, CE LIU, WILLIAM T. FREEMAN Image-to-Image Translation with Conditional Adversarial Networks PHILLIP ISOLA, JUN-YAN ZHU, TINGHUI ZHOU, ALEXEI A. EFROS
  79. どんなもの? 条件付きGANsを⽤いた⾼画質 画像合成の⼿法。セマンティッ クラベルから画像を合成する。 どんなもの? ⽣成モデルと識別モデルの2つ のネットワークから構成される 教師なし学習フレームワーク。 ⽣成モデルは、識別モデルの正 答率を下げようとトレーニング

    され、反対に識別モデルは正答 率を上げるようにトレーニング される。これにより学習を進め る。 High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs TING-CHUN WANG, MING-YU LIU, JUN-YAN ZHU, ANDREW TAO, JAN KAUTZ, BRYAN CATANZARO Generative Adversarial Networks IAN J. GOODFELLOW,JEAN POUGET-ABADIE, MEHDI MIRZA,BING XU,DAVID WARDE-FARLEY, SHERJIL OZAIR,AARON COURVILLE,YOSHUA BENGIO