TODO

TODO

ブラシパラメータとストロークパラメータを最適化し, 既存のイラストのブラシスタイルの学習を行った.

画像特徴量とガウス過程回帰を組み合わせることによって岩盤内に生じた亀裂を自動抽出した。

TODO

顔データセットによるファインチューニングをおこない、Transformerをデコーダも含めてランドマーク推定に利用した。

ユーザのヒントに着目して確定的に生成されたヒントを用いた線画着色の評価手法を提案した

推論時DropoutもしくはReparameterization-trickを先行研究に組み込んだ提案モデルを用いて、確率的に変動するリズムを持った譜面の生成について実験した。

インベントリ・ゲーム内文字列・熟練者データの活用という三つの観点から，NetHackをプレイする強化学習エージェントの学習手法を改善した．

物体クエリを活用したTubelet Action Detectionモデルを提案した.

本論文では、低照度写真の品質を向上させるためのISO領域変換を行う敵対的多領域変換器を新たに提案する。

光学数理解析を参考して画像を自動的に補正できる機械学習モデルを作って検証した。

深層生成モデルであるVAE（Variational Autoencoder）を用いて、音楽から3Dダンスモーションを自動生成した。

WebGL上でSSGIの一種を実装した。

順列不変の入力データを扱うことのできる新しいモデルを提案し、段幕ゲームのプレイで優れた性能を発揮した。また、今後の研究を容易にするため、段幕ゲームのためのジム環境を構築した。

修復が困難な古い映像の劣化に対して, 4つの改善手法を提案し, 有効性を検証した．

TODO

複雑なグラフィックレイアウトの制御可能な生成手法を二つ提案する。一つ目の手法では、事前に学習した深層生成モデルを用いて、制約を満たすレイアウトを生成する。二つ目の手法では、視覚的な包含関係を木構造として表現し、Webページのレイアウトを生成する。最後に、制御可能な生成手法の設計指針を整理し、今後の方向性について議論する。

スーパーマリオゲームレベルを入力として、PixelCNN++モデルを用いることで、新しいマリオレベルを生成するをできるかどうか実験を行った。

ポケモンみたいな部分的観測可能且つ確率的なゲームを複数なエージェントによるランダムマッチングで学習の安定化を実現した。

与えられたヒントに基づいて線画に色を付けるための、条件付き敵対的生成ネットワークモデルを複数提案し、実験を行った。

自動運転のモデリングを車間通信と強化学習を用いて行えるようにSUMOに対するインターフェース(gym環境)の定義をし、強化学習の実験を行うことで、インターフェースが機能するかの検証をした。

楽曲を入力として音楽ゲーム譜面を生成するモデルとして、音声合成のための深層学習モデルであるWaveNetを適用して譜面生成をできるかどうか実験を行った。

NetHackに対して強化学習を適用し，戦略の学習を目指した．そのためのモデルを提案し，有効性を確認した．

eスポーツドメインでのデータセット作成・解説文生成を行った。

RGBカメラで撮られた手部の姿に基づき、三つの深層学習モデルを用いることで、押したいキーを予測する研究。

数学の勉強をする際に効率よく学習するための手法を提案した。問題の依存関係に着目し問題選択の効率化を測った。

イラストの作成時に発生する塗り残しを、深層学習を用いることで簡単に補完できるようにすることを目的とした。

キャラクターイラストからその線画を自動的に抽出する手法として深層学習を用いた。代表的な誤差関数に加えてperceptual lossを用いることで精度を向上させることを目的として実験を行い、結果を比較・検討した。

ニューラルネットワークを用いて翼型推定を約1200倍高速化し、またそれを初学者が容易に扱えるウェブインターフェースを開発した。