特許 6829502 画像生成システム、画像生成方法、プログラム及びニューラルネットワークモデル生成システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6829502

(24)【登録日】2021年1月26日

(45)【発行日】2021年2月10日

(54)【発明の名称】画像生成システム、画像生成方法、プログラム及びニューラルネットワークモデル生成システム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20210128BHJP

【ＦＩ】

   G06T7/00 350C

   G06T7/00 U

【請求項の数】14

【全頁数】24

(21)【出願番号】特願2020-4763(P2020-4763)

(22)【出願日】2020年1月15日

【審査請求日】2020年4月8日

【早期審査対象出願】

(73)【特許権者】

【識別番号】517099007

【氏名又は名称】株式会社Ｃｏｇｅｎｔ Ｌａｂｓ

(74)【代理人】

【識別番号】110002147

【氏名又は名称】特許業務法人酒井国際特許事務所

(72)【発明者】

【氏名】ティアゴ・ラマル

【審査官】 粕谷 満成

(56)【参考文献】

【文献】 特開２０１８−１９５０７８（ＪＰ，Ａ）

【文献】 特開２０１９−２０４５０５（ＪＰ，Ａ）

【文献】 特開２０１８−１１６３７８（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｔ ７／００

(57)【特許請求の範囲】

【請求項1】

商品の情報を表す商品用画像を生成する画像生成システムであって、
複数の第１画像を取得する第１画像取得部と、
複数の前記第１画像の評価結果を取得する評価結果取得部と、
前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティング部と、
前記第１画像および前記レーティングを教師データとして、ニューラルネットワークモデルを生成するモデル生成部と、
複数の第２画像を取得する第２画像取得部と、
前記第２画像のそれぞれを前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング部と、
前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出部と、
を備え、
前記第１レーティング部は、前記第１画像毎にスコアを付与して、前記スコアに基づき、前記第１画像にレーティングを付与するものであり、肯定的な前記評価結果となった前記第１画像のスコアを増加させ、否定的な前記評価結果となった前記第１画像のスコアを低下させる、画像生成システム。

【請求項2】

商品の情報を表す商品用画像を生成する画像生成システムであって、
複数の第１画像を取得する第１画像取得部と、
複数の前記第１画像の評価結果を取得する評価結果取得部と、
前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティング部と、
前記第１画像および前記レーティングを教師データとして、ニューラルネットワークモデルを生成するモデル生成部と、
複数の第２画像を取得する第２画像取得部と、
前記第２画像のそれぞれを前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング部と、
前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出部と、
を備え、
前記画像抽出部は、複数の前記第２画像のうち、レーティングが上位の複数の前記第２画像を、前記商品用画像として抽出し、
前記第２画像取得部は、前記画像抽出部が抽出した複数の前記商品用画像に対する評価結果に基づき、更新した前記第２画像である更新第２画像を取得し、
前記第２レーティング部は、前記更新第２画像を前記ニューラルネットワークモデルに入力してレーティングを付与し、
前記画像抽出部は、前記更新第２画像のうち、レーティングが上位の複数の前記更新第２画像を、前記商品用画像として抽出し直す、画像生成システム。

【請求項3】

前記評価結果取得部は、一対の前記第１画像を抽出して、抽出した一対の前記第１画像の比較結果を前記評価結果として取得する処理を、抽出する前記第１画像を切り替えつつ繰り返す、
請求項１又は請求項２に記載の画像生成システム。

【請求項4】

前記評価結果取得部は、同じ一対の前記第１画像を複数回抽出して、同じ一対の前記第１画像について、複数の評価結果を取得する、請求項１から請求項３のいずれか１項に記載の画像生成システム。

【請求項5】

前記第１レーティング部は、前記第１画像毎にスコアを付与して、前記スコアに基づき、前記第１画像にレーティングを付与するものであり、肯定的な前記評価結果となった前記第１画像のスコアを増加させ、否定的な前記評価結果となった前記第１画像のスコアを低下させる、請求項２に記載の画像生成システム。

【請求項6】

前記第１レーティング部は、一対の前記第１画像のスコアに応じて、前記第１画像の前記スコアの変化量を異ならせる、請求項１から請求項５のいずれか１項に記載の画像生成システム。

【請求項7】

前記画像抽出部は、複数の前記第２画像のうち、レーティングが上位の複数の前記第２画像を、前記商品用画像として抽出する、請求項１に記載の画像生成システム。

【請求項8】

前記第２画像取得部は、前記画像抽出部が抽出した複数の前記商品用画像に対する評価結果に基づき、更新した前記第２画像である更新第２画像を取得し、
前記第２レーティング部は、前記更新第２画像を前記ニューラルネットワークモデルに入力してレーティングを付与し、
前記画像抽出部は、前記更新第２画像のうち、レーティングが上位の複数の前記更新第２画像を、前記商品用画像として抽出し直す、請求項７に記載の画像生成システム。

【請求項9】

前記第１画像取得部は、背景色と、文字と、マークと、前記文字及び前記マークの少なくとも一方の位置との、少なくとも１つが異なる前記第１画像を取得し、
前記第２画像取得部は、背景色と、文字と、マークと、前記文字及び前記マークの少なくとも一方の位置との、少なくとも１つが異なる前記第２画像を取得する、請求項１から請求項８のいずれか１項に記載の画像生成システム。

【請求項10】

商品の情報を表す商品用画像を生成する画像生成方法であって、
複数の第１画像を取得する第１画像取得ステップと、
複数の前記第１画像の評価結果を取得する評価結果取得ステップと、
前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティングステップと、
前記第１画像および前記レーティングを教師データとして、第２画像を入力した場合に前記第２画像にレーティングを付与するニューラルネットワークモデルを生成するモデル生成ステップと、
複数の第２画像を取得する第２画像取得ステップと、
複数の前記第２画像を前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング付与ステップと、
前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出ステップと、
を含み、
前記第１レーティングステップは、前記第１画像毎にスコアを付与して、前記スコアに基づき、前記第１画像にレーティングを付与するものであり、肯定的な前記評価結果となった前記第１画像のスコアを増加させ、否定的な前記評価結果となった前記第１画像のスコアを低下させる、画像生成方法。

【請求項11】

商品の情報を表す商品用画像を生成する画像生成方法であって、
複数の第１画像を取得する第１画像取得ステップと、
複数の前記第１画像の評価結果を取得する評価結果取得ステップと、
前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティングステップと、
前記第１画像および前記レーティングを教師データとして、第２画像を入力した場合に前記第２画像にレーティングを付与するニューラルネットワークモデルを生成するモデル生成ステップと、
複数の第２画像を取得する第２画像取得ステップと、
複数の前記第２画像を前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング付与ステップと、
前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出ステップと、
を含み、
前記画像抽出ステップは、複数の前記第２画像のうち、レーティングが上位の複数の前記第２画像を、前記商品用画像として抽出し、
前記第２画像取得ステップは、前記画像抽出ステップで抽出した複数の前記商品用画像に対する評価結果に基づき、更新した前記第２画像である更新第２画像を取得し、
前記第２レーティング付与ステップは、前記更新第２画像を前記ニューラルネットワークモデルに入力してレーティングを付与し、
前記画像抽出ステップは、前記更新第２画像のうち、レーティングが上位の複数の前記更新第２画像を、前記商品用画像として抽出し直す、画像生成方法。

【請求項12】

商品の情報を表す商品用画像を生成する画像生成方法をコンピュータに実行させるプログラムであって、
複数の第１画像を取得する第１画像取得ステップと、
複数の前記第１画像の評価結果を取得する評価結果取得ステップと、
前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティングステップと、
前記第１画像および前記レーティングを教師データとして、第２画像を入力した場合に前記第２画像にレーティングを付与するニューラルネットワークモデルを生成するモデル生成ステップと、
複数の第２画像を取得する第２画像取得ステップと、
複数の前記第２画像を前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング付与ステップと、
前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出ステップと、
を、コンピュータに実行させ、
前記第１レーティングステップは、前記第１画像毎にスコアを付与して、前記スコアに基づき、前記第１画像にレーティングを付与するものであり、肯定的な前記評価結果となった前記第１画像のスコアを増加させ、否定的な前記評価結果となった前記第１画像のスコアを低下させる、プログラム。

【請求項13】

商品の情報を表す商品用画像を生成する画像生成方法をコンピュータに実行させるプログラムであって、
複数の第１画像を取得する第１画像取得ステップと、
複数の前記第１画像の評価結果を取得する評価結果取得ステップと、
前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティングステップと、
前記第１画像および前記レーティングを教師データとして、第２画像を入力した場合に前記第２画像にレーティングを付与するニューラルネットワークモデルを生成するモデル生成ステップと、
複数の第２画像を取得する第２画像取得ステップと、
複数の前記第２画像を前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング付与ステップと、
前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出ステップと、
を、コンピュータに実行させ、
前記画像抽出ステップは、複数の前記第２画像のうち、レーティングが上位の複数の前記第２画像を、前記商品用画像として抽出し、
前記第２画像取得ステップは、前記画像抽出ステップで抽出した複数の前記商品用画像に対する評価結果に基づき、更新した前記第２画像である更新第２画像を取得し、
前記第２レーティング付与ステップは、前記更新第２画像を前記ニューラルネットワークモデルに入力してレーティングを付与し、
前記画像抽出ステップは、前記更新第２画像のうち、レーティングが上位の複数の前記更新第２画像を、前記商品用画像として抽出し直す、プログラム。

【請求項14】

商品の情報を表す商品用画像を選定するためのニューラルネットワークモデルを生成するニューラルネットワークモデル生成システムであって、
複数の第１画像を取得する第１画像取得部と、
ユーザによる複数の前記第１画像の評価結果を取得する評価結果取得部と、
前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティング部と、
前記第１画像および前記レーティングを教師データとして、前記商品用画像を選定するためのニューラルネットワークモデルを生成するモデル生成部と、を備え、
前記モデル生成部は、第２画像を入力した場合に前記第２画像にレーティングを出力するように、前記ニューラルネットワークモデルを生成し、
前記第１レーティング部は、前記第１画像毎にスコアを付与して、前記スコアに基づき、前記第１画像にレーティングを付与するものであり、肯定的な前記評価結果となった前記第１画像のスコアを増加させ、否定的な前記評価結果となった前記第１画像のスコアを低下させる、ニューラルネットワークモデル生成システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像生成システム、画像生成方法、プログラム及びニューラルネットワークモデル生成システムに関する。

【背景技術】

【0002】

商品の包装や容器などのパッケージには、いわゆるパッケージデザインが施される。通常、パッケージデザインは、複数のデザイン案のうちから、例えば消費者からの評価が高いものなど、適切なものが選定される。そのため、パッケージデザイン用の適切な画像を提供することが求められている。例えば特許文献１には、パッケージデザインの作成を支援するデザイン支援プログラムが記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１２−１５５４２２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、特許文献１では、デザインを支援するために課題を抽出するものであり、デザインされた画像を提供するものではない。そのため、パッケージデザイン用の適切な画像を提供するためには、改善の余地がある。また、パッケージデザイン用の画像に限られず、商品の情報を表す適切な画像を提供することが求められている。

【0005】

本発明は、上述した課題を解決するものであり、商品の情報を表す適切な画像を提供可能な画像生成システム、画像生成方法、プログラム及びニューラルネットワークモデル生成システムを提供することを目的とする。

【課題を解決するための手段】

【0006】

上述した課題を解決し、目的を達成するために、本開示に係る画像生成システムは、商品の情報を表す商品用画像を生成する画像生成システムであって、複数の第１画像を取得する第１画像取得部と、複数の前記第１画像の評価結果を取得する評価結果取得部と、前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティング部と、前記第１画像および前記レーティングを教師データとして、ニューラルネットワークモデルを生成するモデル生成部と、複数の前記第２画像を取得する第２画像取得部と、前記第２画像のそれぞれを前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング部と、前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出部と、を備える。

【0007】

前記評価結果取得部は、一対の前記第１画像を抽出して、抽出した一対の前記第１画像の比較結果を前記評価結果として取得する処理を、抽出する前記第１画像を切り替えつつ繰り返すことが好ましい。

【0008】

前記評価結果取得部は、同じ一対の前記第１画像を複数回抽出して、同じ一対の前記第１画像について、複数の評価結果を取得することが好ましい。

【0009】

前記第１レーティング部は、前記第１画像毎にスコアを付与して、前記スコアに基づき、前記第１画像にレーティングを付与するものであり、肯定的な前記評価結果となった前記第１画像のスコアを増加させ、否定的な前記評価結果となった前記第１画像のスコアを低下させることが好ましい。

【0010】

前記第１レーティング部は、一対の前記第１画像のスコアに応じて、前記第１画像の前記スコアの変化量を異ならせることが好ましい。

【0011】

前記画像抽出部は、複数の前記第２画像のうち、レーティングが上位の複数の前記第２画像を、前記商品用画像として抽出することが好ましい。

【0012】

前記第２画像取得部は、前記画像抽出部が抽出した複数の前記商品用画像に対する評価結果に基づき、更新した前記第２画像である更新第２画像を取得し、前記第２レーティング部は、前記更新第２画像を前記ニューラルネットワークモデルに入力してレーティングを付与し、前記画像抽出部は、前記更新第２画像のうち、レーティングが上位の複数の前記更新第２画像を、前記商品用画像として抽出し直すことが好ましい。

【0013】

前記第１画像取得部は、背景色と、文字と、マークと、前記文字及び前記マークの少なくとも一方の位置との、少なくとも１つが異なる前記第１画像を取得し、前記第２画像取得部は、背景色と、文字と、マークと、前記文字及び前記マークの少なくとも一方の位置との、少なくとも１つが異なる前記第２画像を取得することが好ましい。

【0014】

上述した課題を解決し、目的を達成するために、本開示に係る画像生成方法は、商品の情報を表す商品用画像を生成する画像生成方法であって、複数の第１画像を取得する第１画像取得ステップと、複数の前記第１画像の評価結果を取得する評価結果取得ステップと、前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティングステップと、前記第１画像および前記レーティングを教師データとして、第２画像を入力した場合に前記第２画像にレーティングを付与するニューラルネットワークモデルを生成するモデル生成ステップと、複数の前記第２画像を取得する第２画像取得ステップと、複数の前記第２画像を前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング付与ステップと、前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出ステップと、を含む。

【0015】

上述した課題を解決し、目的を達成するために、本開示に係るプログラムは、商品の情報を表す商品用画像を生成する画像生成方法をコンピュータに実行させるプログラムであって、複数の第１画像を取得する第１画像取得ステップと、複数の前記第１画像の評価結果を取得する評価結果取得ステップと、前記評価結果に基づき、前記第１画像のそれぞれにレーティングを付与する第１レーティングステップと、前記第１画像および前記レーティングを教師データとして、第２画像を入力した場合に前記第２画像にレーティングを付与するニューラルネットワークモデルを生成するモデル生成ステップと、複数の前記第２画像を取得する第２画像取得ステップと、複数の前記第２画像を前記ニューラルネットワークモデルに入力して、前記第２画像のそれぞれにレーティングを付与する第２レーティング付与ステップと、前記第２画像のレーティングに基づき、複数の前記第２画像のうちから、前記商品用画像を抽出する画像抽出ステップと、を、コンピュータに実行させる。

【発明の効果】

【0016】

本発明によれば、商品の情報を表す適切な画像を提供することができる。

【図面の簡単な説明】

【0017】

【図1】図１は、本実施形態に係る画像生成システムの模式的なブロック図である。

【図2】図２は、パッケージの一例を示す模式図である。

【図3】図３は、第１画像の例を示す模式図である。

【図4】図４は、それぞれの第１画像の要素の例を示した表である。

【図5】図５は、第１画像を評価するための画像の一例を示す図である。

【図6】図６は、第１画像の抽出の一例を示す表である。

【図7】図７は、評価結果に応じたスコアの変化の一例を示す表である。

【図8】図８は、第１レーティング部が設定したレーティングの一例を示す表である。

【図9】図９は、ＣＮＮモデルの概念的な模式図である。

【図10】図１０は、本実施形態に係るＣＮＮモデルの生成フローを説明するフローチャートである。

【図11】図１１は、第２画像の例を示す模式図である。

【図12】図１２は、それぞれの第２画像の要素の例を示した表である。

【図13】図１３は、第２画像に付与されるレーティングの一例を示す表である。

【図14】図１４は、第２画像に付与されるレーティングの一例を示す表である。

【図15】図１５は、更新第２画像の生成の一例を説明する表である。

【図16】図１６は、本実施形態に係る商品用画像の抽出フローを説明するフローチャートである。

【発明を実施するための形態】

【0018】

以下に添付図面を参照して、本発明の好適な実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではなく、また、実施形態が複数ある場合には、各実施形態を組み合わせて構成するものも含むものである。

【0019】

図１は、本実施形態に係る画像生成システムの模式的なブロック図である。図１に示すように、本実施形態に係る画像生成システム１は、例えばコンピュータであり、入力部１０と、出力部１２と、記憶部１４と、制御部１６とを備える。入力部１０は、操作者の操作を受け付ける装置であり、例えばマウスやキーボードやタッチパネルなどである。出力部１２は、情報を出力する装置であり、本実施形態では、画像を表示する表示装置である。記憶部１４は、制御部１６の演算内容やプログラムの情報などを記憶するメモリである。記憶部１４は、後述のＣＮＮ（Conventional Neural Network：畳み込みニューラルネットワーク）モデルＣを記憶する。記憶部１４は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）のような主記憶装置と、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの外部記憶装置とのうち、少なくとも１つ含み、主記憶装置及び外部記憶装置の少なくとも１つに、制御部１６の演算内容やプログラムの情報などを記憶する。また、記憶部１４は、例えばＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの揮発性の記憶装置を含んでよく、制御部１６が、ＲＯＭからＲＡＭにプログラムを読み出して実行してよい。制御部１６は、演算装置、すなわちＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。

【0020】

画像生成システム１は、商品用画像ＰＣを生成する装置である。本実施形態における商品用画像ＰＣは、商品のパッケージに付される画像であり、パッケージデザイン用の画像であるといえる。パッケージとは、例えば、商品の包装や容器などを指す。図２は、パッケージの一例を示す模式図である。図２の例に示すように、商品のパッケージＴには、表面に文字やマークや模様などが印刷されている。本実施形態における商品用画像ＰＣは、パッケージＴの表面に印刷される文字やマークや模様などを含んだ画像であるといえる。消費者は、パッケージＴの表面に印刷される文字やマークや模様などを視認することで、商品を識別するため、商品用画像ＰＣは、商品の情報を示す画像であるといえる。なお、図２では、商品が飲料であり、パッケージＴが飲料の容器であり、パッケージＴの表面に商品用画像ＰＣが印刷された例を説明している。ただし、パッケージＴは、飲料の容器に限られず、任意の商品のパッケージであってよい。また、商品用画像ＰＣは、商品の情報を示す画像であり、パッケージＴに付される画像であることに限られない。例えば、商品用画像ＰＣは、例えばパッケージＴに貼り付けられたラベルに商品用画像ＰＣが印刷されていてもよいし、商品に直接付されてもよい。また、本実施形態の商品用画像ＰＣは、パッケージなどの表面に付される２次元の画像データであるが、例えばパッケージや商品の立体的な形状の情報も含んだ３次元データであってもよい。

【0021】

画像生成システム１は、制御部１６が記憶部１４に記憶されたプログラムを読み出して処理を実行することで、商品用画像ＰＣを生成する。図１に示すように、制御部１６は、学習部２０及び商品用画像生成部２２を含む。学習部２０は、教師データを用いて学習されたＣＮＮモデルＣを生成し、商品用画像生成部２２は、ＣＮＮモデルＣに基づき商品用画像ＰＣを生成する。学習部２０及び商品用画像生成部２２は、制御部１６が記憶部１４に記憶されたプログラム（ソフトウェア）を読み出すことで実現され、以降で説明する処理を実行する。

【0022】

学習部２０は、第１画像取得部３０と、評価結果取得部３２と、第１レーティング部３４と、モデル生成部３６とを含む。

【0023】

図３は、第１画像の例を示す模式図である。第１画像取得部３０は、内容が異なる複数の第１画像ＰＡを取得する。第１画像ＰＡは、ＣＮＮモデルＣの教師データとなる画像である。第１画像ＰＡは、画像を特徴付ける複数種類の要素が含まれており、それぞれの第１画像ＰＡは、要素の内容が互いに異なっている。図３の例では、第１画像ＰＡは、複数種類の要素として、マークＥＡ１ａ、文字ＥＡ１ｂ、および背景色ＥＡ１ｃを含んでいる。そして、それぞれの第１画像ＰＡは、マークＥＡ１ａ、文字ＥＡ１ｂ、および背景色ＥＡ１ｃの内容が、互いに異なっている。例えば、図３の第１画像ＰＡ１、ＰＡ２、ＰＡ３、ＰＡ４は、マークＥＡ１ａ、文字ＥＡ１ｂ、および背景色ＥＡ１ｃが、互いに異なっている。一例として、第１画像ＰＡ１、ＰＡ２、ＰＡ３、ＰＡ４のマークＥＡ１ａは、それぞれ丸、三角、四角、菱形となっており、要素としてのマークＥＡ１ａの内容が、互いに異なっているといえる。また、第１画像ＰＡ１、ＰＡ２、ＰＡ３、ＰＡ４は、マークＥＡ１ａ及び文字ＥＡ１ｂの位置（座標）も、互いに異なっており、マークＥＡ１ａ及び文字ＥＡ１ｂの位置も、画像を特徴付ける要素であるといえる。なお、図３の例では、１つの第１画像ＰＡに、マークＥＡ１ａ及び文字ＥＡ１ｂが１つずつ設けられているが、マークＥＡ１ａ及び文字ＥＡ１ｂが複数設けられていてもよい。また、図３の例では、それぞれの第１画像ＰＡは、全ての要素（ここでは、マークＥＡ１ａ、文字ＥＡ１ｂ、背景色ＥＡ１ｃ、およびマークＥＡ１ａ及び文字ＥＡ１ｂの位置）が、互いに異なっているが、それに限られない。それぞれの第１画像ＰＡは、複数種類の要素のうち、少なくとも１つの要素の内容が、他の第１画像ＰＡの要素の内容と異なるものであってよい。また、それぞれの第１画像ＰＡは、要素の数が異なっていてもよい。また、第１画像ＰＡの要素は、マークＥＡ１ａ、文字ＥＡ１ｂ、背景色ＥＡ１ｃ、マークＥＡ１ａの位置、および文字ＥＡ１ｂの位置に限られない。

【0024】

図４は、それぞれの第１画像の要素の例を示した表である。第１画像取得部３０は、それぞれの第１画像ＰＡを生成する。本実施形態においては、要素の種類毎に、内容が異なる複数の要素のデータが、記憶部１４に記憶されている。第１画像取得部３０は、記憶部１４から、各種類の要素について、複数の要素の内容のうちから要素の内容を選択して読み出して、読み出した要素の内容を用いて第１画像ＰＡを生成する。第１画像取得部３０は、複数の要素の内容のうちから、読み出す要素の内容を、ランダムに選択してよい。例えば、記憶部１４は、形状（内容）が異なる複数のマークＥＡ１ａなどを記憶しており、それらの複数のマークＥＡ１ａのうちから、１つのマークＥＡ１ａ（例えば丸形状のマークなど）を読み出して、第１画像ＰＡを生成する。例えば、図４の例では、第１画像取得部３０は、複数のマークＥＡ１ａから選択したマークＥＡ１ａ１と、複数の文字ＥＡ１ｂから選択した文字ＥＡ１ｂ１０と、複数の背景色ＥＡ１ｃから選択した背景色ＥＡ１ｃ２０と、複数のマーク位置（マークＥＡ１の位置）から選択したマーク位置ＥＡ１ｄ１５と、複数の文字位置（文字ＥＡ１ｂの位置）から選択した文字位置ＥＡ１ｅ１００と、を用いて、第１画像ＰＡ１を生成している。そして、図４の例では、第１画像取得部３０は、複数のマークＥＡ１ａから選択したマークＥＡ１ａ２８と、複数の文字ＥＡ１ｂから選択した文字ＥＡ１ｂ１２０と、複数の背景色ＥＡ１ｃから選択した背景色ＥＡ１ｃ８と、複数のマーク位置（マークＥＡ１の位置）から選択したマーク位置ＥＡ１ｄ１と、複数の文字位置（文字ＥＡ１ｂの位置）から選択した文字位置ＥＡ１ｅ８８と、を用いて、第１画像ＰＡ２を生成している。

【0025】

なお、第１画像取得部３０による第１画像ＰＡの取得方法は、これに限られない。例えば、第１画像取得部３０は、入力部１０への操作者の操作に基づき第１画像ＰＡを生成してもよいし、外部の装置から第１画像ＰＡのデータを受信することにより、第１画像ＰＡを取得してもよい。また、図４の例では、第１画像取得部３０が取得する第１画像ＰＡの数は、ＰＡ１からＰＡ１００までの１００個となっているが、第１画像取得部３０が取得する第１画像ＰＡの数は、任意であってよい。第１画像取得部３０が取得する第１画像ＰＡの数は、少なくとも３つ以上であることが好ましい。

【0026】

図５は、第１画像を評価するための画像の一例を示す図である。図１に示す評価結果取得部３２は、複数の第１画像ＰＡの評価結果を取得する。本実施形態においては、評価結果取得部３２は、第１ユーザ（ユーザ）による第１画像ＰＡの評価結果を取得する。第１画像ＰＡを評価する第１ユーザは、任意の人であってよいが、例えば商品を販売するターゲットとなる消費者であることが好ましい。また、第１ユーザは、複数人であってもよいし１人であってもよい。評価結果取得部３２は、第１画像取得部３０が取得した複数の第１画像ＰＡから、一部の複数の第１画像ＰＡを抽出して、抽出した第１画像ＰＡを第１ユーザに比較させて評価させ、その評価結果を取得する。本実施形態では、評価結果取得部３２は、第１画像取得部３０が取得した複数の第１画像ＰＡから、一対（２つ）の第１画像ＰＡを選択して抽出する。評価結果取得部３２は、図５に示すように、抽出した２つの第１画像ＰＡを、出力部１２に表示させて、第１ユーザによる評価結果の入力を受け付ける。評価結果取得部３２は、１つの画面上で、２つの第１画像ＰＡを並んで表示させることが好ましい。第１ユーザは、出力部１２に表示されている２つの第１画像ＰＡを比較して、その比較結果を、評価結果として入力部１０に入力する。例えば、第１ユーザは、２つの第１画像ＰＡのうち、自身が好む第１画像ＰＡを選択して、２つの第１画像ＰＡのうちどちらの第１画像ＰＡを好むかの情報を、入力部１０に入力する。評価結果取得部３２は、第１ユーザが入力した２つの第１画像ＰＡの評価結果を取得する。本実施形態における評価結果とは、２つの第１画像ＰＡのうち、第１ユーザが好む第１画像ＰＡがどちらかを示す情報であるといえ、第１画像ＰＡに対する第１ユーザの評価結果であるともいえる。なお、第１ユーザによる評価結果の入力方法は任意であるが、例えば、第１ユーザは、自身が好む第１画像ＰＡが表示されている箇所をタッチすることで、評価結果を入力してよい。また、評価結果取得部３２は、例えば、第１ユーザに２つの第１画像ＰＡを比較することを促す情報（例えば「好きな画像を選択して下さい。」などの文章）を、２つの第１画像ＰＡと共に出力部１２に表示させてもよい。

【0027】

なお、評価結果取得部３２が取得する第１画像ＰＡの評価結果は、第１ユーザによる評価結果であることに限られない。例えば、第１画像ＰＡの評価結果が予め設定されており、評価結果取得部３２がその評価結果を取得してもよい。

【0028】

このように、評価結果取得部３２は、一対の第１画像ＰＡを抽出して、抽出した一対の第１画像ＰＡの評価結果を取得する処理を実行する。評価結果取得部３２は、この処理を、抽出する第１画像ＰＡを切り替えつつ繰り返す。評価結果取得部３２は、予め設定した所定回数、この処理を実行する。ここでの所定回数は任意に設定されてよい。本実施形態において、評価結果取得部３２は、抽出する一対の画像ＰＡを、ランダムに選択する。ただし、評価結果取得部３２は、１つの第１画像ＰＡを複数回抽出することで、１つの第１画像ＰＡについて、異なる第１画像ＰＡとの比較結果を取得することが好ましい。また、評価結果取得部３２は、抽出される回数が、全ての第１画像ＰＡについて同じとなるように、第１画像ＰＡを抽出することが好ましい。また、評価結果取得部３２は、抽出する第１画像ＰＡを切り替えつつ処理を繰り返すが、同じ一対の第１画像ＰＡ１を複数回抽出して比較させることが好ましい。言い換えれば、評価結果取得部３２は、同じ一対の第１画像ＰＡ１を複数回抽出して、抽出する毎に第１ユーザに評価結果を入力させることで、同じ一対の第１画像ＰＡについて、複数の評価結果を取得することが好ましい。図６は、第１画像の抽出の一例を示す表である。図６の例においては、評価結果取得部３２は、１回目で第１画像ＰＡ１、ＰＡ２を抽出し、２回目で第１画像ＰＡ５、ＰＡ１０を抽出し、３回目で第１画像ＰＡ２０、ＰＡ１００を抽出し、４回目で第１画像ＰＡ１、ＰＡ３０を抽出し、Ｎ回目及びＮ１回目で、１回目と同じペアの第１画像ＰＡ１、ＰＡ２を抽出している。

【0029】

評価結果取得部３２は、以上のようにして、第１ユーザによる複数の第１画像ＰＡの評価結果を取得するが、第１画像ＰＡの評価結果の取得方法は以上説明した方法に限られない。例えば、評価結果取得部３２は、３つ以上の第１画像ＰＡを抽出して、それらの第１画像ＰＡについての第１ユーザの比較結果を、評価結果として取得してもよい。また、評価結果取得部３２は、抽出した第１画像ＰＡを出力部１２に表示させることで、評価結果を取得しているが、それに限られない。例えば、評価結果取得部３２は、抽出した第１画像ＰＡを外部に送信することで、出力部１２（画像生成システム１）以外の表示装置に、抽出した第１画像ＰＡを表示させてもよい。また、評価結果取得部３２は、予め複数のペアの第１画像ＰＡを抽出しておき、それぞれのペアの第１画像ＰＡを、同時又は異なるタイミングで、異なる表示装置に表示させてもよい。

【0030】

図１に示す第１レーティング部３４は、評価結果取得部３２が取得した第１画像ＰＡの評価結果に基づき、第１画像ＰＡのそれぞれにレーティングを付与する。第１レーティング部３４は、イロレーティングの手法を用いて、第１画像ＰＡの評価結果から第１画像ＰＡのレーティングを設定する。

【0031】

図７は、評価結果に応じたスコアの変化の一例を示す表である。本実施形態に係る第１レーティング部３４は、それぞれの第１画像ＰＡに、予め同じ値のスコア（点数）を割り当てる。そして、第１レーティング部３４は、第１画像ＰＡの評価結果に応じて、第１画像ＰＡのスコアを変化させる。第１レーティング部３４は、比較された２つの第１画像ＰＡのうち、肯定的な評価結果となった第１画像ＰＡのスコアを、すなわち第１ユーザが好ましいものとして選択した第１画像ＰＡのスコアを、増加させる。そして、第１レーティング部３４は、比較された２つの第１画像ＰＡのうち、否定的な評価結果となった第１画像ＰＡのスコアを、すなわち第１ユーザが好ましいものとして選択しなかった第１画像ＰＡのスコアを、低下させる。第１レーティング部３４は、このようなスコアを変化させる処理を、評価結果毎に順番に実行する。この際、第１レーティング部３４は、現在（最新）のスコアを反映させた状態で、スコアを変化させる処理を実行する。すなわち例えば、ある１つの第１画像ＰＡのスコアは、最初の評価結果によって変化する場合には、最初に設定されたスコアから変化し、次の評価結果においては、最初の評価結果に基づき変化した後のスコアから変化する。図７の例では、第１画像ＰＡ１のスコアは、１回目の評価結果において３００から３１０に変化して、第１画像ＰＡ１がその次に比較された４回目の評価結果においては、１回目の評価結果における変化後の３１０から、３１５に変化している。

【0032】

また、第１レーティング部３４は、比較された２つの第１画像ＰＡの現在のスコア（今回の評価結果に応じて変化する直前のスコア）に応じて、評価結果に応じた第１画像ＰＡのスコアの変化量を異ならせる。ここで、第１画像ＰＡの現在のスコアが比較相手の第１画像ＰＡの現在のスコアよりも低い場合を、第１ケースとし、第１画像ＰＡの現在のスコアが比較相手の第１画像ＰＡの現在のスコアと同じ場合を、第２ケースとし、第１画像ＰＡの現在のスコアが比較相手の第１画像ＰＡの現在のスコアよりも高い場合を、第３ケースとする。第１レーティング部３４は、第１ケースの場合において肯定的な評価結果となった際のスコアの増加量を、第２ケース及び第３ケースの場合において肯定的な比評価結果となった際のスコアの増加量よりも、大きくする。さらに、同じ第１ケースの場合であっても、第１画像ＰＡと比較相手の第１画像ＰＡとの現在のスコアの差分が大きいほど、すなわち第１画像ＰＡのスコアが比較相手のスコアより低いほど、肯定的な評価結果となった際のスコアの増加量を、大きくする。これにより、スコアが高い比較相手に対して肯定的な評価結果となった場合に、すなわち強い比較相手に勝利した場合に、スコアの増加量を大きくすることができ、スコアが低い比較相手に対して肯定的な評価結果となった場合に、すなわち弱い比較相手に勝利した場合に、スコアの増加量を小さくすることができる。図７の例においては、例えば、強い比較相手に勝利したＭ１回目の評価結果における第１画像ＰＡ２３のスコアの上昇量が、弱い比較相手に勝利したＭ回目の評価結果における第１画像ＰＡ１２のスコアの上昇量よりも、大きくなっている。

【0033】

また、第１レーティング部３４は、第３ケースの場合において否定的な評価結果となった際のスコアの減少量を、第１ケース及び第２ケースの場合において否定的な評価結果となった際のスコアの減少量よりも、大きくする。さらに、同じ第３ケースの場合であっても、第１画像ＰＡと比較相手の第１画像ＰＡとの現在のスコアの差分が大きいほど、すなわち第１画像ＰＡのスコアが比較相手のスコアより高いほど、否定的な評価結果となった際のスコアの減少量を、大きくする。これにより、弱い比較相手に敗北した場合にスコアの減少量を大きくすることができ、強い比較相手に敗北した場合にスコアの減少量を小さくすることができる。図７の例においては、例えば、弱い比較相手に敗北したＭ１回目の評価結果における第１画像ＰＡ８のスコアの低下量は、強い比較相手に敗北したＭ回目の評価結果における第１画像ＰＡ２２のスコアの低下量よりも、大きくなっている。

【0034】

また、上述のように、評価結果取得部３２は、同じ一対の第１画像について、複数の評価結果（比較結果）を取得する。第１レーティング部３４は、同じ一対の第１画像ＰＡ同士の評価結果毎に、それらの第１画像ＰＡスコアを変化させる。図７の例では、第１画像ＰＡ１、ＰＡ２が、１回目、Ｎ回目、Ｎ１回目の評価結果（比較結果）毎に、スコアが変化している。これにより、第１画像ＰＡ同士を比較する順番によって第１画像ＰＡの最終スコアにバラつきが生じることを、抑制することができる。

【0035】

このように、第１レーティング部３４は、第１画像ＰＡのスコアを、評価結果毎に順番に変化させてゆく。第１レーティング部３４は、全ての評価結果に基づいたスコア変化の処理が終了したら、終了した時点におけるそれぞれの第１画像ＰＡのスコアを、第１画像ＰＡの最終スコアとして決定する。なお、評価結果に基づいてスコアを変化させる方法は、以上説明したものに限られない。例えば、上記の説明においては、第１レーティング部３４は、１つの評価結果において、肯定的な評価結果の第１画像ＰＡのスコアを上げ、否定的な評価結果の第１画像ＰＡのスコアを下げたが、それに限られず、肯定的な評価結果の第１画像ＰＡのスコアを上げることと、否定的な評価結果の第１画像ＰＡのスコアを下げることとの、少なくとも一方を実行するものであってもよいまた例えば、第１レーティング部３４は、イロレーティングの手法を用いなくてもよい。

【0036】

図８は、第１レーティング部が設定したレーティングの一例を示す表である。第１レーティング部３４は、このように評価結果に応じて変化させた第１画像ＰＡのスコアに基づき、すなわち第１画像ＰＡの最終スコアに基づき、それぞれの第１画像ＰＡのレーティングを設定する。第１レーティング部３４は、最終スコアが高い第１画像ＰＡほど、レーティングを高く設定する。本実施形態では、第１レーティング部３４は、第１画像ＰＡの最終スコアを正規化して、最終スコアを正規化した値を、第１画像ＰＡのレーティングとして設定する。このように設定した第１画像ＰＡのレーティングは、第１画像ＰＡ毎に異なる値となり、第１画像ＰＡの順位を示すものとなる。レーティングが高い第１画像ＰＡほど、第１ユーザにより好ましいと認識される傾向が高いともいえる。なお、図８の例では、第１画像ＰＡのレーティングが、１から１００の整数のいずれかをとるようにレーティングが設定されているが、それに限られない。また、本実施形態では、スコアをレーティングに変換しているが、それに限られず、例えば、スコアをそのままレーティングとしてもよい。

【0037】

図９は、ＣＮＮモデルの概念的な模式図である。図１に示すモデル生成部３６は、第１レーティング部３４が設定したレーティングと第１画像ＰＡとを教師データとして、ＣＮＮモデルＣを構築する。すなわち、モデル生成部３６は、それぞれの第１画像ＰＡとレーティングとを教師データとしてＣＮＮモデルに学習させて、学習済みのＣＮＮモデルＣを生成する。モデル生成部３６は、学習済みのＣＮＮモデルＣを、記憶部１８に記憶させる。ＣＮＮモデルＣは、モデル生成部３６によって生成されたニューラルネットワークモデルであり、さらに言えば、畳み込みニューラルネットワークモデルである。ＣＮＮモデルＣは、ディープラーニングによって学習された分類器を構成するニューラルネットワークを定義するモデル（ニューラルネットワークの構成情報）と、変数とで構成される。ディープラーニングは、複数層以上のニューラルネットワークから構成される。より詳しくは、ＣＮＮモデルＣは、図９に示すように、複数の畳み込み層及び複数のプーリング層を含む中間層Ｍと、全結合層を含む最終層Ｆと、を備える。ＣＮＮモデルＣは、入力データＩが入力された場合に、中間層Ｍと最終層Ｆとで演算を行って、出力データＯを出力する。

【0038】

モデル生成部３６は、教師データを用いてＣＮＮモデルＣにおける重み付け係数を設定することで、学習済みのＣＮＮモデルＣを生成する。モデル生成部３６は、学習済みのＣＮＮモデルＣを生成する際には、第１画像ＰＡに基づくデータを、入力データＩとしてＣＮＮモデルＣに入力して、その第１画像ＰＡに付与されたレーティングを、ラベルとしてＣＮＮモデルＣに入力する。モデル生成部３６は、それぞれの第１画像ＰＡについて、この処理を実行する。これにより、モデル生成部３６は、バックプロパケーション（誤差逆伝搬法）により、ＣＮＮモデルＣの重み係数を算出する。すなわち、モデル生成部３６は、第１画像ＰＡに基づく入力データＩをＣＮＮモデルＣに入力した場合の演算結果（出力）が、その第１画像ＰＡに付与されたレーティングになるように、重み係数を算出する。なお、モデル生成部３６は、第１画像ＰＡのピクセルデータを、入力データとする。ピクセルデータとは、第１画像ＰＡのピクセル毎の階調値のデータであり、例えば、第１画像ＰＡを座標毎に複数の画像データに区分して、区分したそれぞれの画像データにおけるＲ（赤色）、Ｇ（緑色）、Ｂ（青色）の階調値を、入力データＩとする。ただし、入力データＩは、このような区分した画像データのＲ、Ｇ、Ｂの階調値に限られず、第１画像ＰＡに基づくデータであればよい。

【0039】

このように生成されるＣＮＮモデルＣは、後述する第２画像ＰＢが入力データＩとして入力された場合に、その第２画像ＰＢのレーティングを、出力データＯとして出力可能である。なお、本実施形態では、ＣＮＮモデルＣは、商品用画像ＰＣが適用される商品に関連付いておらず、任意の商品の商品用画像ＰＣに対して汎用的に適用可能である。ただし、ＣＮＮモデルＣは、商品に関連付いて設定されてもよく、言い換えれば、商品毎に設定されてもよい。ＣＮＮモデルＣが商品毎に設定される場合、例えば、第１画像ＰＡの要素（文字やマークなど）が、商品に関連付いたものとなる。すなわちこの場合、第１画像ＰＡの要素の内容が、商品毎に設定される。

【0040】

以下、ＣＮＮモデルＣの生成フローを、フローチャートに基づき説明する。図１０は、本実施形態に係るＣＮＮモデルの生成フローを説明するフローチャートである。

【0041】

図１０に示すように、学習部２０は、第１画像取得部３０により、複数の第１画像ＰＡを取得する（ステップＳ１０）。そして、学習部２０は、評価結果取得部３２により、２つの第１画像ＰＡを表示させて、２つの第１画像ＰＡの評価結果を取得する（ステップＳ１２）。具体的には、評価結果取得部３２は、複数の第１画像ＰＡから２つの第１画像ＰＡを抽出して、抽出した２つの第１画像ＰＡを出力部１２に表示させて、第１ユーザによる２つの第１画像ＰＡの評価結果（比較結果）を取得する。そして、学習部２０は、第１レーティング部３４により、評価結果取得部３２が取得した評価結果から、第１画像ＰＡにスコアを付ける（ステップＳ１４）。第１レーティング部３４は、肯定的な評価結果となった第１画像ＰＡのスコアを上昇させ、否定的な評価結果となった第１画像ＰＡのスコアを減少させる。そして、学習部２０は、評価が終了したか、言い換えれば、第１画像ＰＡの評価結果を取得してスコアを変化させる処理が終了したか、を判断する（ステップＳ１６）。評価が終了していない場合（ステップＳ１６；Ｎｏ）、学習部２０は、ステップＳ１２に戻り、次の２つの第１画像ＰＡを抽出して、以降の処理を実行する。評価が終了した場合（ステップＳ１６；Ｙｅｓ）、学習部２０は、第１レーティング部３４により、それぞれの第１画像ＰＡにレーティングを付与する（ステップＳ１８）。第１レーティング部３４は、第１画像ＰＡの最終スコアに基づき、第１画像ＰＡのレーティングを付与する。そして、学習部２０は、第１画像ＰＡと第１画像ＰＡに付与されたレーティングとを教師データとして、ＣＮＮモデルＣを生成する（ステップＳ２０）。これにより、ＣＮＮモデルＣの生成処理は終了する。

【0042】

なお、図１０の例では、１つの評価結果からスコアを付けた処理が終了してから次の２つの第１画像ＰＡを抽出するという処理の流れ（ステップＳ１２、Ｓ１４，Ｓ１６；ＮｏからステップＳ１２に戻る流れ）になっているが、それに限られない。例えば、２つの第１画像ＰＡを抽出して評価結果を取得する処理を所定回数繰り返した後に、スコアを付ける処理を行ってもよい。また、２つの第１画像ＰＡを抽出する処理を所定回数繰り返した後に、それぞれの評価結果を取得して、スコアを付ける処理を行ってもよい。

【0043】

次に、図１に示す商品用画像生成部２２について説明する。商品用画像生成部２２は、ＣＮＮモデルＣに基づき商品用画像ＰＣを生成するものであり、図１に示すように、第２画像取得部４０と、第２レーティング部４２と、画像抽出部４４とを含む。

【0044】

図１１は、第２画像の例を示す模式図である。第２画像取得部４０は、内容が異なる複数の第２画像ＰＢを取得する。第２画像ＰＢは、商品用画像ＰＣの候補となる画像である。第２画像ＰＢは、画像を特徴付ける複数種類の要素が含まれており、それぞれの第２画像ＰＢは、要素の内容が互いに異なっている。第２画像ＰＢに含まれる要素の種類は、第１画像ＰＡに含まれる要素の種類と共通することが好ましいが、要素の内容は、第１画像ＰＡと異なってもよい。図１１の例では、第２画像ＰＢは、複数種類の要素として、マークＥＢ１ａ、文字ＥＢ１ｂ、および背景色ＥＢ１ｃを含んでいる。そして、それぞれの第２画像ＰＢは、マークＥＢ１ａ、文字ＥＢ１ｂ、および背景色ＥＢ１ｃの内容が、互いに異なっている。例えば、図１１の第２画像ＰＢ１、ＰＢ２、ＰＢ３、ＰＢ４は、マークＥＢ１ａ、文字ＥＢ１ｂ、および背景色ＥＢ１ｃの内容が、互いに異なっている。また、第２画像ＰＢ１、ＰＢ２、ＰＢ３、ＰＢ４は、マークＥＢ１ａ及び文字ＥＢ１ｂの位置（座標）も、互いに異なっており、マークＥＢ１ａ及び文字ＥＢ１ｂの位置も、画像を特徴付ける要素であるといえる。なお、図１１の例では、１つの第２画像ＰＢに、マークＥＢ１ａ及び文字ＥＢ１ｂが１つずつ設けられているが、マークＥＢ１ａ及び文字ＥＢ１ｂが複数設けられていてもよい。また、図１１の例では、それぞれの第２画像ＰＢは、全ての要素（ここでは、マークＥＢ１ａ、文字ＥＢ１ｂ、背景色ＥＢ１ｃ、およびマークＥＢ１ａ及び文字ＥＢ１ｂの位置）が、互いに異なっているが、それに限られない。それぞれの第２画像ＰＢは、複数種類の要素のうち、少なくとも１つの要素の内容が、他の第２画像ＰＢの要素の内容と異なるものであってよい。また、それぞれの第２画像ＰＢは、要素の数が異なっていてもよい。また、第２画像ＰＢの要素は、マークＥＢ１ａ、文字ＥＢ１ｂ、背景色ＥＢ１ｃ、マークＥＢ１ａの位置、および文字ＥＢ１ｂの位置に限られない。

【0045】

図１２は、それぞれの第２画像の要素の例を示した表である。第２画像取得部４０は、は、それぞれの第２画像ＰＢを生成する。本実施形態においては、第２画像取得部４０は、それぞれの要素の種類毎に、商品用画像ＰＣが付される商品に関連する要素の内容のデータを取得して、記憶部１４に記憶させる。すなわち例えば、商品が飲料の場合、第２画像取得部４０は、その飲料に関連した要素の内容（マークの形状など）を取得して、記憶部１４に記憶させる。商品に関連した要素の内容の取得方法は任意であり、外部の装置やサーバから送信されてもよいし、操作者によって入力されてもよいし、予め記憶部１４が記憶していてもよい。第２画像取得部４０が取得するこれらの要素の内容は、商品に関連したものであるため、商品に関連しない第１画像ＰＡにおける要素の内容と、異なることが好ましいが、少なくとも一部が共通してもよい。第２画像取得部４０は、各種類の要素について、商品に関連した複数の要素の内容のうちから、要素の内容を選択して読み出して、読み出した要素の内容を用いて、第２画像ＰＢを生成する。第２画像取得部４０は、複数の要素の内容のうちから読み出す要素の内容を、ランダムに選択してよい。例えば、図１１の例では、第２画像取得部４０は、複数のマークＥＢ１ａから選択したマークＥＢ１ａ１と、複数の文字ＥＢ１ｂから選択した文字ＥＢ１ｂ１０と、複数の背景色ＥＢ１ｃから選択した背景色ＥＢ１ｃ２０と、複数のマーク位置（マークＥＢ１の位置）から選択したマーク位置ＥＢ１ｄ１５と、複数の文字位置（文字ＥＢ１ｂの位置）から選択した文字位置ＥＢ１ｅ１００と、を用いて、第２画像ＰＢ１を生成している。そして、図１１の例では、第２画像取得部４０は、複数のマークＥＢ１ａから選択したマークＥＢ１ａ２８と、複数の文字ＥＢ１ｂから選択した文字ＥＢ１ｂ１２０と、複数の背景色ＥＢ１ｃから選択した背景色ＥＢ１ｃ８と、複数のマーク位置（マークＥＢ１の位置）から選択したマーク位置ＥＢ１ｄ１と、複数の文字位置（文字ＥＢ１ｂの位置）から選択した文字位置ＥＢ１ｅ８８と、を用いて、第２画像ＰＢ２を生成している。

【0046】

なお、第２画像取得部４０による第２画像ＰＢの取得方法は、これに限られない。例えば、第２画像取得部４０は、入力部１０への操作者の操作に基づき第２画像ＰＢを生成してもよいし、外部の装置から第２画像ＰＢのデータを受信することにより、第２画像ＰＢを取得してもよい。また、第２画像取得部４０が取得する第２画像ＰＢの数は、任意であってよいが、第１画像取得部３０が取得した第２画像ＰＢの数より多いことが好ましい。ただし、第２画像取得部４０が取得する第２画像ＰＢの数は、任意であってよい。

【0047】

図１３は、第２画像に付与されるレーティングの一例を示す表である。図１に示す第２レーティング部４２は、第２画像ＰＢのそれぞれをＣＮＮモデルＣに入力して、第２画像ＰＢのそれぞれにレーティングを付与する。第２レーティング部４２は、モデル生成部３６が生成した学習済みのＣＮＮモデルＣを読み出す。そして、第２レーティング部４２は、第２画像取得部４０が生成した第２画像ＰＢを取得して、第２画像ＰＢに基づくデータを、入力データＩとしてＣＮＮモデルＣに入力して、ＣＮＮモデルＣに演算を実行させる。第２レーティング部４２は、ＣＮＮモデルＣの演算の結果出力された出力データＯを、その第２画像ＰＢのレーティングとして取得する。図１２の例に示すように、第２レーティング部４２は、それぞれの第２画像ＰＢをＣＮＮモデルＣに入力して、それぞれの第２画像ＰＢに対して、レーティングを取得する。なお、第２レーティング部４２は、第２画像ＰＢのピクセルデータ、すなわち第２画像ＰＢの座標（ピクセル）毎の階調値のデータを、入力データＩとしてＣＮＮモデルＣに入力する。このように、第２画像ＰＢの入力データＩが、学習の際に用いた第１画像ＰＡの入力データＩと同じ種類のデータであるため、ＣＮＮモデルＣによって、第２画像ＰＢのレーティングを適切に算出することができる。

【0048】

図１に示す画像抽出部４４は、第２画像ＰＢのレーティングに基づき、第２画像取得部４０が取得した複数の第２画像ＰＢのうちから、商品用画像ＰＣを抽出する。言い換えれば、画像抽出部４４は、第２画像ＰＢのレーティングに基づき、複数の第２画像ＰＢのうちから、商品用画像ＰＣとする第２画像ＰＢを選択して抽出する。本実施形態においては、画像抽出部４４は、全ての第２画素ＰＢのうちから、一部の複数の第２画素ＰＢを、商品用画像ＰＣとして選択する。商品用画像ＰＣとして選択する第２画像ＰＢの数は任意であるが、例えば１０個程度であってよい。また、画像抽出部４４は、それぞれの第２画素ＰＢのレーティングを比較して、レーティングが上位の第２画像ＰＢを、言い換えればレーティングが高い第２画像ＰＢを、商品用画像ＰＣとして選択する。商品用画像ＰＣとして選択する第２画像ＰＢの数をＱ個とすると、画像抽出部４４は、レーティングが、最上位からＱ番目までのそれぞれの第２画像ＰＢを、商品用画像ＰＣとして選択する。図１３の例において、商品用画像ＰＣとして選択する第２画像ＰＢの数を３個とすると、画像抽出部４４は、レーティングが最上位の第２画像ＰＢ１と、レーティングが上位２番目の第２画像ＰＢ１００と、レーティングが上位３番目の第２画像ＰＢ２とを、商品用画像ＰＣとして選択する。なお、商品用画像ＰＣとする第２画像ＰＢの抽出方法はこれに限られず任意であり、例えば、レーティングが所定の閾値以上となる第２画像ＰＢを、商品用画像ＰＣとして抽出してもよい。

【0049】

図１４は、商品用画像の表示例を示す模式図である。画像抽出部４４は、商品用画像ＰＣの情報を、すなわち商品用画像ＰＣとして抽出した第２画像ＰＢの情報を、出力する。具体的には、画像抽出部４４は、図１４に示すように、商品用画像ＰＣを、出力部１２に表示させる。画像抽出部４４は、１つの画面上で、商品用画像ＰＣを並んで表示させることが好ましい。第２ユーザ（ユーザ）は、商品用画像ＰＣを視認することで、複数の商品用画像ＰＣから適切な商品用画像ＰＣを選択することができる。ここでの第２ユーザは、任意の人であってよいが、商品の販売会社の担当者などであることが好ましく、第１画像ＰＡの評価を行った第１ユーザとは異なることが好ましい。第２ユーザは、複数人であってもよいし１人であってもよい。なお、画像抽出部４４による商品用画像ＰＣの出力方法は、出力部１２に表示させることに限られない。例えば、画像抽出部４４は、抽出した商品用画像ＰＣを外部に送信（出力）することで、出力部１２（画像生成システム１）以外の表示装置に商品用画像ＰＣを表示させてもよい。

【0050】

このように、商品用画像生成部２２は、第２画像取得部４０が取得した多数の第２画像ＰＢのうちから、ＣＮＮモデルＣにおいてレーティングが高いとされた第２画像ＰＢを、商品用画像ＰＣとして抽出して、出力する。商品用画像生成部２２は、このように第２画像ＰＢから商品用画像ＰＣを抽出するため、商品用画像ＰＣを生成しているともいえる。商品用画像生成部２２によると、多数の第２画像ＰＢから商品用画像ＰＣを選択することが可能となるため、選択肢を多くすることができ、適切な商品用画像ＰＣを提供することができる。また、第２画像取得部４０が取得した多数の第２画像ＰＢを、そのまま商品用画像ＰＣとして第２ユーザに見せた場合、数が多いため、第２ユーザによる選択の負担が大きくなる。それに対し、画像生成システム１は、ＣＮＮモデルＣを用いて多数の第２画像ＰＢにフィルタをかけて、消費者に好まれる可能性が高い第２画像ＰＢのみを商品用画像ＰＣとして抽出して、第２ユーザに提供することができる。そのため、商品用画像生成部２２によると、多数の第２画像ＰＢを準備して選択肢を多くしつつ、第２ユーザによる選択の負担を抑制することが可能となり、より適切な商品用画像ＰＣを提供することが可能となる。

【0051】

また、商品用画像生成部２２は、商品用画像ＰＣ（商品用画像ＰＣとして抽出した第２画像ＰＢ）に対する第２ユーザの評価結果を取得して、評価結果に基づき商品用画像ＰＣを更新してもよい。この場合、商品用画像生成部２２の画像抽出部４４は、例えば、出力部１２に商品用画像ＰＣを表示させて、第２ユーザによる商品用画像ＰＣの評価結果の入力を受け付ける。第２ユーザは、出力部１２に表示されている商品用画像ＰＣを評価して、その評価結果を入力部１０に入力する。例えば、第２ユーザは、複数の商品用画像ＰＣのうち、自身が好む商品用画像ＰＣを選択して、複数の商品用画像ＰＣのうちどの商品用画像ＰＣを選択したかの情報を、評価結果として入力部１０に入力する。第２ユーザは、複数の商品用画像ＰＣを選択してもよい。画像抽出部４４は、このように第２ユーザに選択された商品用画像ＰＣの情報を、評価結果として取得する。なお、第２ユーザによる評価結果の入力方法は任意であるが、例えば、第２ユーザは、自身が好む商品用画像ＰＣが表示されている箇所をタッチすることで、評価結果を入力してよい。また、画像抽出部４４は、例えば、商品用画像ＰＣを選択することを促す情報（例えば「好きな画像を選択して下さい。」などの文章）を、商品用画像ＰＣと共に出力部１２に表示させてもよい。

【0052】

第２画像取得部４０は、画像抽出部４４が取得した商品用画像ＰＣの評価結果に基づき、第２画像ＰＢを更新して取得する。すなわち、第２画像取得部４０は、商品用画像ＰＣの評価結果に基づき、更新した第２画像ＰＢである更新第２画像ＰＢａを取得するともいえる。第２画像取得部４０は、商品用画像ＰＣの評価結果に基づき、複数の更新第２画像ＰＢａを取得する。第２画像取得部４０は、商品用画像ＰＣの評価結果に基づき、例えば遺伝的アルゴリズムを用いて、複数の更新第２画像ＰＢａを生成する。

【0053】

図１５は、更新第２画像の生成の一例を説明する表である。第２画像取得部４０は、第２ユーザが選択した商品用画像ＰＣに含まれる要素の内容に基づき、更新第２画像ＰＢａを生成する。第２画像取得部４０は、最初に第２画像ＰＢを生成した際と同様に、商品に関連する複数の要素の内容のうちから要素の内容を選択して、更新第２画像ＰＢａを生成するが、商品用画像ＰＣの評価結果に基づいて要素の内容を選択する点で、最初に第２画像ＰＢを生成した際の生成方法と異なる。ここで、第２ユーザに選択された商品用画像ＰＣに含まれる要素の内容を、選択要素内容とする。この場合、第２画像取得部４０は、更新第２画像ＰＢａを生成する場合に複数の要素の内容から選択要素内容を選択する確率が、最初に第２画像ＰＢを生成した場合よりも高くなるように、更新第２画像ＰＢａを生成する。例えば、図１５の例では、第２ユーザに選択された商品用画像ＰＣの背景色ＥＢ１ｃが、背景色ＥＢ１ｃ１（例えばピンク）である場合の例を説明している。この場合、第２画像取得部４０は、更新第２画像ＰＢａを生成する場合に背景色ＥＢ１ｃ１を選択する確率を、最初に第２画像ＰＢを生成した場合に背景色ＥＢ１ｃ１を選択した確率よりも、高くする。図１５の例では、更新第２画像ＰＢ１ａ、ＰＢ２ａ、ＰＢ３ａ、ＰＢ４ａ、ＰＢ１００ａが、背景色ＥＢ１ｃ１となっている。これにより、更新第２画像ＰＢａは、第２ユーザの好みをより適切に反映したものとなる。また、ここで、第２ユーザに選択された複数の商品用画像ＰＣに共通する要素の内容を、共通要素内容とする。この場合、第２画像取得部４０は、更新第２画像ＰＢａを生成する場合に共通要素内容を選択する確率が、最初に第２画像ＰＢを生成した場合に共通要素内容を選択する確率よりも高くなるように、更新第２画像ＰＢａを生成することが好ましい。このように複数の商品用画像ＰＣに共通する要素の内容を反映することで、第２ユーザの好みをさらに適切に反映することができる。

【0054】

第２レーティング部４２は、第２画像ＰＢのレーティングを取得した場合と同様の方法で、更新第２画像ＰＢａのそれぞれをＣＮＮモデルＣに入力して、更新第２画像ＰＢａのそれぞれにレーティングを付与する。すなわち、第２レーティング部４２は、更新第２画像ＰＢａに基づくデータを入力データＩとしてＣＮＮモデルＣに入力して、その更新第２画像ＰＢａのレーティングを、出力データＯとして取得する。

【0055】

画像抽出部４４は、第２画像ＰＢから商品用画像ＰＣを抽出した場合と同様の方法で、更新第２画像ＰＢａのレーティングに基づき、複数の更新第２画像ＰＢａのうちから、商品用画像ＰＣを抽出する。すなわち、画像抽出部４４は、更新第２画像ＰＢａのうちのレーティングが上位の所定数の更新第２画像ＰＢａを、更新した商品用画像ＰＣとして選択する。画像抽出部４４は、更新した商品用画像ＰＣを、すなわち商品用画像ＰＣとして選択された更新第２画像ＰＢａを出力して、出力部１２に表示させる。その後、画像抽出部４４は、更新した商品用画像ＰＣについての第２ユーザの評価結果を取得して、その評価結果に基づいて更新第２画像ＰＢａを取得して、商品用画像ＰＣをさらに更新して出力する処理を、繰り返してもよい。この処理の回数は、任意に設定してよい。

【0056】

このように、商品用画像ＰＣについての第２ユーザの評価結果に基づき商品用画像ＰＣを更新することによって、商品用画像ＰＣを第２ユーザの好みに近づけることが可能となり、より適切な商品用画像ＰＣを提供することが可能となる。第２ユーザは、最終的に表示された複数の商品用画像ＰＣから、実際に商品に用いる画像を選択することができる。

【0057】

商品用画像生成部２２は、以上のようにして、商品用画像ＰＣを抽出する。以下、商品用画像ＰＣの抽出フローを、フローチャートに基づき説明する。図１６は、本実施形態に係る商品用画像の抽出フローを説明するフローチャートである。

【0058】

図１６に示すように、商品用画像生成部２２は、第２画像取得部４０により、複数の第２画像ＰＢを取得し（ステップＳ３０）、第２レーティング部４２により、第２画像ＰＢをＣＮＮモデルＣに入力して、第２画像ＰＢのレーティングを取得する（ステップＳ３２）。商品用画像生成部２２は、画像抽出部４４により、レーティングが上位の第２画像ＰＢを、商品用画像ＰＣとして抽出し、出力部１２に表示させる（ステップＳ３４）。商品用画像生成部２２は、商品用画像ＰＣの抽出が終了したかを判断し（ステップＳ３６）、終了した場合（ステップＳ３６；Ｙｅｓ）は、本処理を終了する。商品用画像ＰＣの抽出が終了しない場合（ステップＳ３６；Ｎｏ）、画像抽出部４４は、第２ユーザによる商品用画像ＰＣの評価結果を取得し、第２画像取得部４０は、第２ユーザによる商品用画像ＰＣの評価結果に基づき、更新した第２画像ＰＢ（更新第２画像ＰＢａ）を取得する（ステップＳ３８）。そして、ステップＳ３２に戻り、以降の処理を繰り返す。すなわち、第２レーティング部４２が、更新した第２画像ＰＢをＣＮＮモデルＣに入力してレーティングを取得して、画像抽出部４４が、レーティングが上位の更新した第２画像ＰＢを、商品用画像ＰＣとして抽出して表示する。

【0059】

なお、本実施形態においては、第２ユーザが選択した商品用画像ＰＣを教師データとしてＣＮＮモデルＣを再学習させない。このようにＣＮＮモデルＣを再学習させないことで、ＣＮＮモデルＣを、汎用的に用いることが可能となり、様々な商品に利用することが可能となる。また、ＣＮＮモデルＣの学習の処理負担の増加も抑制できる。ただし、第２ユーザが選択した商品用画像ＰＣを教師データとして、ＣＮＮモデルＣを再学習させてもよい。この場合、例えば、第２ユーザが選択した商品用画像ＰＣのレーティングを例えば高い値に設定して、商品用画像ＰＣのピクセルデータを入力データＩとした場合に出力データＯが設定したレーティングとなるように、ＣＮＮモデルＣを再学習させてよい。

【0060】

以上説明したように、本実施形態に係る画像生成システム１は、商品の情報を表す商品用画像ＰＣを生成するものであって、第１画像取得部３０と、評価結果取得部３２と、第１レーティング部３４と、モデル生成部３６と、第２画像取得部４０と、第２レーティング部４２と、画像抽出部４４とを備える。第１画像取得部３０は、複数の第１画像ＰＡを取得する。評価結果取得部３２は、複数の第１画像ＰＡの評価結果を取得する。第１レーティング部３４は、複数の第１画像ＰＡの評価結果に基づき、第１画像ＰＡのそれぞれにレーティングを付与する。モデル生成部３６は、第１画像ＰＡおよびレーティングを教師データとして、ＣＮＮモデルＣ（ニューラルネットワークモデル）を生成する。第２画像取得部４０は、複数の第２画像ＰＢを取得する。第２レーティング部４２は、第２画像ＰＢのそれぞれをＣＮＮモデルＣに入力して、第２画像ＰＢのそれぞれにレーティングを付与する。画像抽出部４４は、第２画像ＰＢのレーティングに基づき、複数の第２画像ＰＢのうちから、商品用画像ＰＣを抽出する。

【0061】

このように、画像生成システム１は、第２画像取得部４０が取得した多数の第２画像ＰＢをＣＮＮモデルＣに入力してレーティング付けすることで、第２画像ＰＢを順位付けする。そして、画像生成システム１は、レーティングに基づき、すなわち順位付けに基づき、多数の第２画像ＰＢから商品用画像ＰＣとして抽出する。そのため、画像生成システム１によると、多数の第２画像ＰＢから商品用画像ＰＣを選択することが可能となるため、選択肢を多くすることができ、適切な商品用画像ＰＣを提供することができる。また、画像生成システム１は、ＣＮＮモデルＣを用いて多数の第２画像ＰＢにフィルタをかけて、消費者に好まれる可能性が高い第２画像ＰＢのみを抽出して、第２ユーザに提供することができる。そのため、多数の第２画像ＰＢを準備して選択肢を多くしつつ、第２ユーザによる選択の負担を抑制することが可能となり、より適切な商品用画像ＰＣを提供することが可能となる。

【0062】

また、評価結果取得部３２は、一対の第１画像ＰＡを抽出して、抽出した一対の第１画像ＰＡの比較結果を、評価結果として取得する。評価結果取得部３２は、この処理を、抽出する第１画像ＰＡを切り替えつつ繰り返す。そのため、画像生成システム１によると、様々な第１画像ＰＡ同士の比較結果から、第１画像ＰＡのレーティングを付けることが可能となるため、ＣＮＮモデルＣの精度を高くすることができ、第１ユーザが好む商品用画像ＰＣを提供することが可能となる。

【0063】

また、評価結果取得部３２は、同じ一対の第１画像ＰＡを複数回抽出して、同じ一対の第１画像ＰＡについて、複数の評価結果を取得する。画像生成システム１によると、同じ一対の第１画像ＰＡについて複数の評価結果を用いてレーティングを付けることが可能となるため、第１画像ＰＡ同士を比較する順番によってレーティングにバラつきが生じることを抑制することができ、ＣＮＮモデルＣの精度を高くすることが可能となる。

【0064】

また、第１レーティング部３４は、第１画像ＰＡ毎にスコアを付与して、スコアに基づき、第１画像ＰＡにレーティングを付与する。第１レーティング部３４は、肯定的な評価結果となった第１画像ＰＡのスコアを増加させ、否定的な評価結果となった第１画像ＰＡのスコアを低下させる。画像生成システム１は、スコアに基づきレーティングを設定するため、第１画像ＰＡのレーティングを適切に設定して、ＣＮＮモデルＣの精度を高くすることが可能となる。

【0065】

また、第１レーティング部３４は、一対の第１画像ＰＡのスコアに応じて、第１画像ＰＡのスコアの変化量を異ならせる。第１レーティング部３４は、比較する２つの第１画像ＰＡの現在のスコアに応じて、評価結果に基づいた第１画像ＰＡのスコアの変化量を異ならせるため、スコアが極端にばらつくことを抑制して、ＣＮＮモデルＣの精度を高くすることが可能となる。さらに言えば、第１レーティング部３４は、イロレーティングの手法を用いてスコアを設定することで、スコアが極端にばらつくことを抑制して、ＣＮＮモデルＣの精度を高くすることが可能となる。

【0066】

画像抽出部４４は、複数の第２画像ＰＢのうち、レーティングが上位の複数の第２画像ＰＢを、商品用画像ＰＣとして抽出する。画像生成システム１は、レーティングが上位の第２画像ＰＢを商品用画像ＰＣとして抽出することで、第１ユーザが好む商品用画像ＰＣを提供することが可能となる。また、複数の第２画像ＰＢを商品用画像ＰＣとすることで、第２ユーザによる選択の余地を残し、適切なパッケージデザインの選定を補助することができる。

【0067】

また、第２画像取得部４０は、画像抽出部４４が抽出した複数の商品用画像ＰＣに対する評価結果に基づき、更新第２画像ＰＢａを取得する。第２レーティング部４２は、更新第２画像ＰＢａをＣＮＮモデルＣに入力してレーティングを付与する。画像抽出部４４は、更新第２画像ＰＢａのうち、レーティングが上位の複数の更新第２画像ＰＢａを、商品用画像ＰＣとして抽出し直す。このように、画像生成システム１は、一度抽出した商品用画像ＰＣの評価結果に基づき、第２画像ＰＢを取得し直して、その第２画像ＰＢから商品用画像ＰＣを再度抽出する。そのため、画像生成システム１によると、商品用画像ＰＣを第２ユーザの好みに近づけることが可能となり、より適切な商品用画像ＰＣを提供することが可能となる。

【0068】

また、第１画像取得部３０は、マークＥＡ１ａと、文字ＥＡ１ｂと、背景色ＥＡ１ｃと、マークＥＡ１ａ及び文字ＥＡ１ｂの少なくとも一方の位置との、少なくとも１つが異なる第１画像ＰＡを取得する。そして、第２画像取得部４０は、マークＥＢ１ａと、文字ＥＢ１ｂと、背景色ＥＢ１ｃと、マークＥＢ１ａ及び文字ＥＢ１ｂの少なくとも一方の位置との、少なくとも１つが異なる第２画像ＰＢを取得する。画像生成システム１は、このように要素の内容が異なる第１画像ＰＡを取得することでＣＮＮモデルＣの精度を高め、要素の内容が異なる第２画像ＰＢを取得することで、商品用画像ＰＣの選択肢を増やして、より適切な商品用画像ＰＣを提供することが可能となる。また、画像生成システム１は、第１画像ＰＡと第２画像ＰＢとの要素の種類を共通にすることで、ＣＮＮモデルＣを用いた第２画像ＰＢのレーティングの算出精度を高くすることができる。

【0069】

なお、本実施形態においては、ＣＮＮモデルＣの学習を行う学習部２０と、ＣＮＮモデルＣを用いて商品用画像ＰＣを抽出（生成）する商品用画像生成部２２とを、１つの装置（画像生成システム１）によって実現しているが、それに限られない。例えば、学習部２０を備える装置と、商品用画像生成部２２を備える装置とを分けて、それぞれ別の装置にしてもよい。

【0070】

以上、本発明の実施形態を説明したが、この実施形態の内容により実施形態が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。

【符号の説明】

【0071】

１ 画像生成システム
１０ 入力部
１２ 出力部
１４ 記憶部
１６ 制御部
２０ 学習部
２２ 商品用画像生成部
３０ 第１画像取得部
３２ 評価結果取得部
３４ 第１レーティング部
３６ モデル生成部
４０ 第２画像取得部
４２ 第２レーティング部
４４ 画像抽出部
Ｃ ＣＮＮモデル（ニューラルネットワークモデル）
ＰＡ 第１画像
ＰＢ 第２画像
ＰＣ 商品用画像

【要約】

【課題】商品の情報を表す適切な画像を提供する。
【解決手段】画像生成システム１は、複数の第１画像を取得する第１画像取得部３０と、複数の第１画像の評価結果を取得する評価結果取得部３２と、評価結果に基づき第１画像のそれぞれにレーティングを付与する第１レーティング部３４と、第１画像およびレーティングを教師データとして、ニューラルネットワークモデルを生成するモデル生成部３６と、複数の第２画像を取得する第２画像取得部４０と、第２画像のそれぞれをニューラルネットワークモデルに入力して、第２画像のそれぞれにレーティングを付与する第２レーティング部４２と、第２画像のレーティングに基づき、複数の第２画像のうちから商品用画像を抽出する画像抽出部４４と、を備える。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】