▶ ＨＥＲＯＺ株式会社の特許一覧 ▶ 株式会社ポケモンの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022163251
(43)【公開日】2022-10-26
(54)【発明の名称】プログラム、方法、情報処理装置
(51)【国際特許分類】
A63F 13/60 20140101AFI20221019BHJP
G06T 7/00 20170101ALI20221019BHJP
G06T 19/00 20110101ALI20221019BHJP
G06N 20/00 20190101ALI20221019BHJP
【ＦＩ】
A63F13/60
G06T7/00 350C
G06T7/00 610B
G06T19/00 A
G06N20/00
【審査請求】有
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2021068063
(22)【出願日】2021-04-14
(71)【出願人】
【識別番号】514080981
【氏名又は名称】ＨＥＲＯＺ株式会社
(71)【出願人】
【識別番号】504440133
【氏名又は名称】株式会社ポケモン
(74)【代理人】
【識別番号】110002815
【氏名又は名称】ＩＰＴｅｃｈ弁理士法人
(72)【発明者】
【氏名】今井 達也
(72)【発明者】
【氏名】曽羽 孝則
(72)【発明者】
【氏名】太田 信之
(72)【発明者】
【氏名】海野 隆雄
(72)【発明者】
【氏名】山本 裕輝
(72)【発明者】
【氏名】高橋 友也
(72)【発明者】
【氏名】若松 幸一郎
(72)【発明者】
【氏名】今野 達斗
【テーマコード（参考）】
5B050
5L096
【Ｆターム（参考）】
5B050AA10
5B050BA09
5B050CA01
5B050EA26
5B050FA02
5B050FA12
5L096BA03
5L096DA02
5L096FA69
5L096HA11
5L096KA04
5L096KA15
(57)【要約】
【課題】ゲームリソースに関するテストに係る負担を軽減する。
【解決手段】プロセッサと、メモリとを備えるコンピュータに実行させるためのプログラムである。プログラムは、プロセッサに、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップとを実行させる。
【選択図】図６
【解決手段】プロセッサと、メモリとを備えるコンピュータに実行させるためのプログラムである。プログラムは、プロセッサに、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップとを実行させる。
【選択図】図６
【特許請求の範囲】
【請求項1】
プロセッサと、メモリとを備えるコンピュータに実行させるためのプログラムであって、前記プログラムは、前記プロセッサに、
ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、
２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップと
を実行させるプログラム。
ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、
２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップと
を実行させるプログラム。
【請求項2】
前記判定するステップにおいて、前記第１学習済みモデルは、入力された２次元画像に含まれる異常の種類を表す情報を出力する請求項１記載のプログラム。
【請求項3】
前記判定するステップにおいて、前記第１学習済みモデルは、入力された２次元画像に含まれる異常の種類と、当該種類の異常である可能性を表す指標を出力する請求項１記載のプログラム。
【請求項4】
前記判定するステップにおいて、前記第１学習済みモデルは、入力された２次元画像において着目するべき領域を出力する請求項１乃至３のいずれかに記載のプログラム。
【請求項5】
前記判定するステップにおいて、１の３次元モデルデータに基づく複数の２次元画像についての異常の有無の判定結果を入力とし、前記３次元モデルデータについての異常の有無に関する情報を正解出力として学習された第２学習済みモデルに、前記第１学習済みモデルから出力される判定結果を入力することで、第１学習済みモデルに入力した２次元画像の元となる３次元モデルデータについての異常の有無を判定する請求項１乃至４のいずれかに記載のプログラム。
【請求項6】
前記２次元画像を生成するステップにおいて、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成する請求項１乃至５のいずれかに記載のプログラム。
【請求項7】
前記２次元画像を生成するステップにおいて、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成し、
前記判定するステップにおいて、前記第２学習済みモデルに、前記第１学習済みモデルから出力される、各フレームの３次元モデルデータについての２次元画像の判定結果を入力することで、前記各フレームの３次元モデルデータについての異常の有無を判定する請求項５記載のプログラム。
前記判定するステップにおいて、前記第２学習済みモデルに、前記第１学習済みモデルから出力される、各フレームの３次元モデルデータについての２次元画像の判定結果を入力することで、前記各フレームの３次元モデルデータについての異常の有無を判定する請求項５記載のプログラム。
【請求項8】
プロセッサと、メモリとを備えるコンピュータに実行される方法であって、前記プロセッサが、
ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、
２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップと
を実行する方法。
ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、
２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップと
を実行する方法。
【請求項9】
制御部と、記憶部とを備える情報処理装置であって、前記制御部が、
ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、
２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップと
を実行する情報処理装置。
ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、
２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップと
を実行する情報処理装置。
【請求項10】
プロセッサと、メモリとを備えるコンピュータに実行させるためのプログラムであって、前記プログラムは、前記プロセッサに、
ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、
前記加工した３次元モデルデータに基づき、２次元画像を生成するステップと、
前記生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップと
を実行させるプログラム。
ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、
前記加工した３次元モデルデータに基づき、２次元画像を生成するステップと、
前記生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップと
を実行させるプログラム。
【請求項11】
前記加工するステップにおいて、前記３次元モデルデータに与える異常の種類は、頂点破壊、ＵＶ破壊、ドットノイズ、マテリアル異常、ポリゴン欠け、又はめり込みである請求項１０記載のプログラム。
【請求項12】
前記トレーニングするステップにおいて、前記加工により異常を与えた位置を正解出力として前記第１学習済みモデルをトレーニングする請求項１０又は１１に記載のプログラム。
【請求項13】
複数の２次元画像を入力とした第１学習済みモデルからの出力を入力とし、前記加工により与えた異常の種類を正解出力として第２学習済みモデルをトレーニングする請求項１０乃至１２のいずれかに記載のプログラム。
【請求項14】
プロセッサと、メモリとを備えるコンピュータに実行される方法であって、前記プロセッサが、
ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、
前記加工した３次元モデルデータに基づき、２次元画像を生成するステップと、
前記生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップと
を実行する方法。
ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、
前記加工した３次元モデルデータに基づき、２次元画像を生成するステップと、
前記生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップと
を実行する方法。
【請求項15】
制御部と、記憶部とを備える情報処理装置であって、前記制御部が、
ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、
前記加工した３次元モデルデータに基づき、２次元画像を生成するステップと、
前記生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップと
を実行する情報処理装置。
ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、
前記加工した３次元モデルデータに基づき、２次元画像を生成するステップと、
前記生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップと
を実行する情報処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、プログラム、方法、情報処理装置に関する。
【背景技術】
【0002】
コンピュータゲームのプログラムは、ゲームのルールだけでなく、画面の描画処理、音響の入出力処理、コントローラからの入力処理、通信処理、ＡＩの思考処理等、様々な要素の処理を並行して行う複雑なプログラムである。そのため、各処理が正常に動作するのかを確認するテストについても多くの工数がかかる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－１９１７８６号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
コンピュータゲームの動作を確認するためのテストには、ゲームリソース、例えば、ゲーム内で登場させるキャラクターに関するテストがある。当該テストでは、製作者は、例えば、ゲームリソースとしてのモデルを凝視し、モデルについての異常の有無を確認する。
【0005】
製作者としては、ゲームに登場させるキャラクターを増やすことでゲームのクオリティを上げたいが、登場させるキャラクター数が増えるとテストケースが増えることになり、製作者の負担が増大することになる。
【0006】
特許文献１では、ゲームルール処理プログラムが正しい状態となっているかをテストするためのプログラムを生成することが記載されている。しかしながら、特許文献では、登場キャラクターのモデルのテストについては記載されていない。
【0007】
本開示の目的は、ゲームリソースに関するテストに係る負担を軽減することである。
【課題を解決するための手段】
【0008】
プロセッサと、メモリとを備えるコンピュータに実行させるためのプログラムである。プログラムは、プロセッサに、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップとを実行させる。
【発明の効果】
【0009】
本開示によれば、ゲームリソースに関するテストに係る負担を軽減できる。
【図面の簡単な説明】
【0010】
【図1】システムの全体構成を示すブロック図である。
【図3】サーバの機能的な構成を示す図である。
【図7】端末装置のユーザに提示される推論結果を表す図である。
【図9】端末装置のユーザに提示される推論結果を表す図である。
【図10】端末装置のユーザに提示される推論結果の詳細を表す図である。
【発明を実施するための形態】
【0011】
以下、図面を参照しつつ、本開示の実施形態について説明する。以下の説明では、同一の部品には同一の符号を付してある。それらの名称及び機能も同じである。したがって、それらについての詳細な説明は繰り返さない。
【0012】
＜概略＞
本実施形態に係るシステムは、ゲームリソースについての３次元モデルを表すデータについて異常が発生しているか否かを、学習済みモデルを用いて判断する。
本実施形態に係るシステムは、ゲームリソースについての３次元モデルを表すデータについて異常が発生しているか否かを、学習済みモデルを用いて判断する。
【0013】
＜１ システム全体の構成図＞
図１は、システム１の全体構成の例を示すブロック図である。図１に示すシステム１は、複数の端末装置１０と、サーバ２０とを含む。端末装置１０、及びサーバ２０は、例えば、ネットワーク８０を介して通信接続する。ネットワーク８０は、例えば、インターネット、及び／又は通信事業者が提供する通信網等により実現される。ネットワーク８０は、接続可能な端末が限定されている構内ネットワークであってもよい。
図１は、システム１の全体構成の例を示すブロック図である。図１に示すシステム１は、複数の端末装置１０と、サーバ２０とを含む。端末装置１０、及びサーバ２０は、例えば、ネットワーク８０を介して通信接続する。ネットワーク８０は、例えば、インターネット、及び／又は通信事業者が提供する通信網等により実現される。ネットワーク８０は、接続可能な端末が限定されている構内ネットワークであってもよい。
【0014】
図１において、システム１が端末装置１０を３台ずつ含む例を示しているが、システム１に含まれる端末装置１０の数は、３台に限定されない。端末装置１０が３台未満であってもよいし、３台以上であってもよい。
【0015】
本実施形態において、複数の装置の集合体を１つのサーバとしてもよい。１つ又は複数のハードウェアに対して本実施形態に係るサーバ２０を実現することに要する複数の機能の配分の仕方は、各ハードウェアの処理能力及び／又はサーバ２０に求められる仕様等に鑑みて適宜決定することができる。
【0016】
端末装置１０は、例えば、ゲームのデバッガーとしてもユーザが操作する装置である。本実施形態において、ゲームのデバッガーは、例えば、３次元モデルを表すデータにおけるバグの有無を確認する者を表す。ユーザは、端末装置１０を操作し、例えば、３次元モデルを表すデータにおいてバグが発生しているか否かを確認する。端末装置１０は、据え置き型のＰＣ（Personal Computer）、又はラップトップＰＣ等により実現される。端末装置１０は、例えば、スマートフォン、又はタブレット等の携帯端末により実現されてもよい。
【0017】
端末装置１０は、通信ＩＦ（Interface）１２と、入力装置１３と、出力装置１４と、メモリ１５と、ストレージ１６と、プロセッサ１９とを備える。
【0018】
通信ＩＦ１２は、端末装置１０が外部の装置と通信するため、信号を入出力するためのインタフェースである。
【0019】
入力装置１３は、ユーザからの入力操作を受け付けるための装置（例えば、タッチパネル、タッチパッド、マウス等のポインティングデバイス、キーボード等）である。
【0020】
出力装置１４は、ユーザに対して情報を提示するための装置（ディスプレイ、スピーカ等）である。
【0021】
メモリ１５は、プログラム、及び、プログラム等で処理されるデータ等を一時的に記憶するためのものであり、例えばＤＲＡＭ（Dynamic Random Access Memory）等の揮発性のメモリである。
【0022】
ストレージ１６は、データを保存するためのものであり、例えばフラッシュメモリ、ＨＤＤ（Hard Disc Drive）である。
【0023】
プロセッサ１９は、プログラムに記述された命令セットを実行するためのハードウェアであり、演算装置、レジスタ、周辺回路等により構成される。
【0024】
サーバ２０は、例えば、端末装置１０で使用される学習済みモデルを学習させる、又は再学習させる装置である。また、サーバ２０は、例えば、バグを取り除く対象としての、３次元モデルを表すデータを管理する。
【0025】
サーバ２０は、通信ＩＦ２２と、入出力ＩＦ２３と、メモリ２５と、ストレージ２６と、プロセッサ２９とを備える。
【0026】
通信ＩＦ２２は、サーバ２０が外部の装置と通信するため、信号を入出力するためのインタフェースである。
【0027】
入出力ＩＦ２３は、ユーザからの入力操作を受け付けるための入力装置、及び、ユーザに対し、情報を提示するための出力装置とのインタフェースとして機能する。
【0028】
メモリ２５は、プログラム、及び、プログラム等で処理されるデータ等を一時的に記憶するためのものであり、例えばＤＲＡＭ等の揮発性のメモリである。
【0029】
ストレージ２６は、データを保存するためのものであり、例えばフラッシュメモリ、ＨＤＤである。
【0030】
プロセッサ２９は、プログラムに記述された命令セットを実行するためのハードウェアであり、演算装置、レジスタ、周辺回路等により構成される。プロセッサ２９は、例えば、ＣＰＵ（Central Processing Unit）、又はＧＰＵ（Graphics Processing Unit）等を含む。
【0031】
＜１．１ 端末装置の構成＞
図２は、図１に示す端末装置１０の構成例を表すブロック図である。図２に示すように、端末装置１０は、通信部１２０と、入力装置１３と、出力装置１４と、音声処理部１７と、マイク１７１と、スピーカ１７２と、カメラ１６０と、記憶部１８０と、制御部１９０とを備える。端末装置１０に含まれる各ブロックは、例えば、バス等により電気的に接続される。
図２は、図１に示す端末装置１０の構成例を表すブロック図である。図２に示すように、端末装置１０は、通信部１２０と、入力装置１３と、出力装置１４と、音声処理部１７と、マイク１７１と、スピーカ１７２と、カメラ１６０と、記憶部１８０と、制御部１９０とを備える。端末装置１０に含まれる各ブロックは、例えば、バス等により電気的に接続される。
【0032】
通信部１２０は、端末装置１０が他の装置と通信するための変復調処理等の処理を行う。通信部１２０は、制御部１９０で生成された信号に送信処理を施し、外部（例えば、サーバ２０）へ送信する。通信部１２０は、外部から受信した信号に受信処理を施し、制御部１９０へ出力する。
【0033】
入力装置１３は、端末装置１０を操作するユーザが指示、又は情報を入力するための装置である。入力装置１３は、例えば、マウス１３１、キーボード１３２、及び、操作面へ触れることで指示が入力されるタッチ・センシティブ・デバイス１３３等により実現される。入力装置１３は、ユーザから入力される指示、又は情報を電気信号へ変換し、電気信号を制御部１９０へ出力する。なお、入力装置１３には、例えば、外部の入力機器から入力される電気信号を受け付ける受信ポートが含まれてもよい。
【0034】
出力装置１４は、端末装置１０を操作するユーザへ情報を提示するための装置である。出力装置１４は、例えば、ディスプレイ１４１等により実現される。ディスプレイ１４１は、制御部１９０の制御に応じて、会計処理に関するデータを表示する。ディスプレイ１４１は、例えば、ＬＣＤ（Liquid Crystal Display）、又は有機ＥＬ（Electro-Luminescence）ディスプレイ等によって実現される。
【0035】
音声処理部１７は、例えば、音声信号のデジタル－アナログ変換処理を行う。音声処理部１７は、マイク１７１から与えられる信号をデジタル信号に変換して、変換後の信号を制御部１９０へ与える。また、音声処理部１７は、音声信号をスピーカ１７２へ与える。音声処理部１７は、例えば音声処理用のプロセッサによって実現される。マイク１７１は、音声入力を受け付けて、当該音声入力に対応する音声信号を音声処理部１７へ与える。スピーカ１７２は、音声処理部１７から与えられる音声信号を音声に変換して当該音声を端末装置１０の外部へ出力する。
【0036】
カメラ１６０は、受光素子により光を受光し、撮影信号として出力するためのデバイスである。
【0037】
記憶部１８０は、例えば、メモリ１５、及びストレージ１６等により実現され、端末装置１０が使用するデータ、及びプログラムを記憶する。記憶部１８０は、例えば、第１学習済みモデル１８１、第２学習済みモデル１８２、及び３次元モデルデータ１８３を記憶する。
【0038】
第１学習済みモデル１８１、及び第２学習済みモデル１８２は、モデル学習プログラムに従い、サーバ２０で機械学習モデルに機械学習を行わせることで生成されるモデルである。第１学習済みモデル１８１、及び第２学習済みモデル１８２は、例えば、入力されるデータに基づき、所定の推論を実施する、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。本実施形態に係る学習済みモデルは、上記の要請を満たす如何なるパラメータ付き合成関数であってもよい。
【0039】
例えば、第１学習済みモデル１８１、及び第２学習済みモデル１８２が順伝播型の多層化ネットワークを用いて生成される場合、パラメータ付き合成関数は、例えば、重み行列を用いた各層間の線形関係、各層における活性化関数を用いた非線形関係（又は線形関係）、及びバイアスの組み合わせとして定義される。重み付行列、及びバイアスは、多層化ネットワークのパラメータと呼ばれる。パラメータ付き合成関数は、パラメータをどのように選ぶかで、関数としての形を変える。多層化ネットワークでは、構成するパラメータを適切に設定することで、出力層から好ましい結果を出力することが可能な関数を定義することができる。
【0040】
本実施形態に係る多層化ネットワークとしては、例えば、深層学習（Deep Learning）の対象となる多層ニューラルネットワークである深層ニューラルネットワーク（Deep Neural Network：ＤＮＮ）が用いられ得る。ＤＮＮとしては、例えば、画像を対象とする畳み込みニューラルネットワーク（Convolution Neural Network：ＣＮＮ）を用いてもよい。
【0041】
第１学習済みモデル１８１は、画像が入力されると、画像に異常が含まれているか否かを出力するモデルである。本実施形態では、第１学習済みモデル１８１は、例えば、画像の異常を以下のクラス（種類）で判断する。なお、以下に示す以外のクラスで判断されてもよい。
・頂点破壊（ポリゴンの頂点座標のノイズ）
・ＵＶ破壊（ポリゴンのＵＶ座標のノイズ）
・ドットノイズ
・マテリアル異常（３次元モデルの表面を描画する際のパラメータがポリゴン間で不連続であることによるノイズ）
・ポリゴン欠け
・めり込み
・頂点破壊（ポリゴンの頂点座標のノイズ）
・ＵＶ破壊（ポリゴンのＵＶ座標のノイズ）
・ドットノイズ
・マテリアル異常（３次元モデルの表面を描画する際のパラメータがポリゴン間で不連続であることによるノイズ）
・ポリゴン欠け
・めり込み
【0042】
第１学習済みモデル１８１は、画像が入力されると、上記の異常のいずれかを含むかを所定の指標で表すように学習されてもよい。所定の指標は、例えば、以下である。
・所定の最大値に基づく指標値（確率）
・異常の程度を表す記号（ＡＢＣ、丸、三角、ばつ）
・所定の最大値に基づく指標値（確率）
・異常の程度を表す記号（ＡＢＣ、丸、三角、ばつ）
【0043】
また、第１学習済みモデル１８１は、画像が入力されると、画像中の着目すべき領域を識別可能に出力するように学習されてもよい。画像中の着目すべき領域とは、例えば、異常が存在する確率が高い領域である。
【0044】
第２学習済みモデル１８２は、１つの３次元モデルについて取得された複数の画像の異常の判断結果が入力されると、３次元モデルを表すデータにバグが含まれているか否かを出力するモデルである。
【0045】
３次元モデルデータ１８３は、ゲームリソースとしての複数のキャラクターそれぞれについての３次元モデルを表すデータを記憶している。ゲームリソースとしてのキャラクターは、ゲーム中でのユーザの操作に応じ、任意の方向から表示される可能性がある。そのため、ゲームリソースとしての３次元モデルは、全方位から視認されても異常がないようにしなければならない。
【0046】
３次元モデルを表すデータは、例えば、ポリゴンデータ及びテクスチャデータを含む。３次元モデルを表すデータは、ポリゴンデータ及びテクスチャデータに限定されないが、以下ではポリゴンデータ及びテクスチャデータとして説明する。
【0047】
制御部１９０は、プロセッサ１９が記憶部１８０に記憶されるプログラムを読み込み、プログラムに含まれる命令を実行することにより実現される。制御部１９０は、端末装置１０の動作を制御する。制御部１９０は、プログラムに従って動作することにより、操作受付部１９１と、送受信部１９２と、画像生成部１９３と、推論部１９４と、表示制御部１９５としての機能を発揮する。
【0048】
操作受付部１９１は、入力装置１３から入力される指示、又は情報を受け付けるための処理を行う。具体的には、例えば、操作受付部１９１は、マウス１３１、キーボード１３２、又はタッチ・センシティブ・デバイス１３３等から入力される指示に基づく情報を受け付ける。
【0049】
送受信部１９２は、端末装置１０が、サーバ２０等の外部の装置と、通信プロトコルに従ってデータを送受信するための処理を行う。
【0050】
画像生成部１９３は、３次元モデルから、複数の２次元画像を生成する処理を行う。例えば、画像生成部１９３は、記憶部１８０に記憶される１体のキャラクターについてのポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。３次元モデルが複数フレームのポリゴンデータ及びテクスチャデータを含む場合、画像生成部１９３は、少なくとも１フレームのポリゴンデータ及びテクスチャデータから複数の２次元画像を生成してもよい。
【0051】
推論部１９４は、記憶部１８０に記憶されている第１学習済みモデル１８１を利用して入力に対する出力を推論する。
【0052】
推論部１９４は、記憶部１８０に記憶されている第１学習済みモデル１８１及び第２学習済みモデル１８２を利用して入力に対する出力を推論してもよい。例えば、推論部１９４は、第１学習済みモデル１８１を利用して出力した推論の結果を、第２学習済みモデル１８２への入力として出力を推論する。
【0053】
表示制御部１９５は、ユーザに対して推論の結果を提示するため、出力装置１４を制御する。具体的には、例えば、表示制御部１９５は、推論部１９４で推論された推論結果をディスプレイ１４１に表示させる。
【0054】
【0055】
通信部２０１は、サーバ２０が外部の装置と通信するための処理を行う。
【0056】
記憶部２０２は、例えば、メモリ２５、及びストレージ２６等により実現され、サーバ２０が使用するデータ、及びプログラムを記憶する。記憶部２０２は、例えば、第１学習済みモデル２０２１、第２学習済みモデル２０２２、及び３次元モデルデータ２０２３を有する。
【0057】
第１学習済みモデル２０２１、及び第２学習済みモデル２０２２は、サーバ２０でトレーニングされたもの、又はサーバ２０で再トレーニングされたものである。第１学習済みモデル２０２１が更新されると、更新された第１学習済みモデル２０２１は、端末装置１０へ提供される。第２学習済みモデル２０２２が更新されると、更新された第２学習済みモデル２０２２は、端末装置１０へ提供される。
【0058】
第１学習済みモデル２０２１、又は第２学習済みモデル２０２２は、外部の装置でトレーニングされ、サーバ２０に提供されてもよい。
【0059】
３次元モデルデータ２０２３は、ゲームリソースとしての複数のキャラクターそれぞれについてのポリゴンデータ及びテクスチャデータを記憶している。３次元モデルデータ２０２３が更新されると、更新された３次元モデルデータ２０２３は、端末装置１０へ提供される。
【0060】
制御部２０３は、プロセッサ２９が記憶部２０２に記憶されるプログラムを読み込み、プログラムに含まれる命令を実行することにより実現される。制御部２０３は、プログラムに従って動作することにより、受信制御モジュール２０３１、送信制御モジュール２０３２、画像生成モジュール２０３３、加工モジュール２０３４、学習モジュール２０３５、及び推論モジュール２０３６として示す機能を発揮する。
【0061】
受信制御モジュール２０３１は、サーバ２０が外部の装置から通信プロトコルに従って信号を受信する処理を制御する。
【0062】
送信制御モジュール２０３２は、サーバ２０が外部の装置に対し通信プロトコルに従って信号を送信する処理を制御する。
【0063】
画像生成モジュール２０３３は、３次元モデルから、複数の２次元画像を生成する処理を行う。例えば、画像生成モジュール２０３３は、記憶部２０２に記憶される１体のキャラクターについてのポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。また、例えば、画像生成モジュール２０３３は、加工モジュール２０３４で加工された３次元モデルについてのポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。３次元モデルが複数フレームのポリゴンデータ及びテクスチャデータを含む場合、画像生成モジュール２０３３は、各フレームのポリゴンデータ及びテクスチャデータから複数の２次元画像を生成してもよい。
【0064】
加工モジュール２０３４は、３次元モデルを加工する処理を行う。例えば、加工モジュール２０３４は、記憶部２０２に記憶されるポリゴンデータ又はテクスチャデータを以下のように加工する。
・ポリゴンの各頂点座標に確率的にノイズベクトルを加える。
・ポリゴンの各ＵＶ座標に確率的にノイズベクトルを加える。
・テクスチャにドットノイズを加える。
・３次元モデルの表面を描画する際のパラメータの少なくとも１つを、ランダムなポリゴンで変更する。
・ランダムにポリゴンを欠けさせる。
・所定の領域（関節）を連続的にずらし、めり込み（突き抜け）を発生させる。
・ポリゴンの各頂点座標に確率的にノイズベクトルを加える。
・ポリゴンの各ＵＶ座標に確率的にノイズベクトルを加える。
・テクスチャにドットノイズを加える。
・３次元モデルの表面を描画する際のパラメータの少なくとも１つを、ランダムなポリゴンで変更する。
・ランダムにポリゴンを欠けさせる。
・所定の領域（関節）を連続的にずらし、めり込み（突き抜け）を発生させる。
【0065】
学習モジュール２０３５は、学習用データに基づき、機械学習モデルに機械学習を行わせることで第１学習済みモデル２０２１、又は第２学習済みモデル２０２２を生成する。
【0066】
具体的には、例えば、学習モジュール２０３５は、記憶部２０２に記憶されている３次元モデルから生成された２次元画像を入力データとし、この２次元画像が正常であることを正解出力データとして機械学習モデルを学習させる。また、学習モジュール２０３５は、加工モジュール２０３４で加工された３次元モデルから生成された２次元画像を入力データとし、３次元モデルの加工により与えられた異常に関する情報を正解出力データとして機械学習モデルを学習させることで、第１学習済みモデル２０２１を生成する。３次元モデルの加工により与えられた異常に関する情報には、例えば、３次元モデルへの異常の与え方（異常のクラス）、与えられた異常の位置等を含む。
【0067】
また、例えば、学習モジュール２０３５は、第１学習済みモデル２０２１を用いた推論の結果を入力データとし、３次元モデルが正常であること、又は３次元モデルの加工により与えられた異常に関する情報を正解出力データとして機械学習モデルを学習させることで、第２学習済みモデル２０２２を生成する。
【0068】
学習モジュール２０３５は、記憶部２０２に記憶されている３次元モデルから生成された複数の２次元画像を入力データとし、これらの２次元画像の元となる３次元モデルが正常であることを正解出力データとして機械学習モデルを学習させてもよい。このとき、学習モジュール２０３５は、加工モジュール２０３４で加工された３次元モデルから生成された複数の２次元画像と、与えられた加工及び加工の位置とを入力データとし、これらの２次元画像の元となる３次元モデルへ与えられた加工及び加工の位置を正解出力データとして機械学習モデルを学習させることで、第２学習済みモデル２０２２を生成する。
【0069】
また、学習モジュール２０３５は、新たに追加される学習用データに基づき、第１学習済みモデル２０２１、又は第２学習済みモデル２０２２を再学習させる。具体的には、例えば、学習モジュール２０３５は、以下の場合に、第１学習済みモデル２０２１、又は第２学習済みモデル２０２２を再学習させる。
・新たなキャラクターが追加された場合
・新たなクラスのエラーが定義された場合
・新たなキャラクターが追加された場合
・新たなクラスのエラーが定義された場合
【0070】
推論モジュール２０３６は、記憶部２０２に記憶されている第１学習済みモデル２０２１を利用して入力に対する出力を推論する。推論モジュール２０３６の出力は、第２学習済みモデル２０２２の学習における入力データとして用いられる。
【0071】
＜２ 動作＞
（第１学習済みモデル２０２１の生成）
サーバ２０で第１学習済みモデル２０２１が生成される際の制御部２０３の動作を説明する。
（第１学習済みモデル２０２１の生成）
サーバ２０で第１学習済みモデル２０２１が生成される際の制御部２０３の動作を説明する。
【0072】
【0073】
制御部２０３は、記憶部２０２に記憶される１体のキャラクターについてのポリゴンデータ及びテクスチャデータを読み出す。制御部２０３は、加工モジュール２０３４により、読み出したポリゴンデータ又はテクスチャデータを加工する。加工モジュール２０３４は、例えば、読み出したポリゴンデータ又はテクスチャデータに対し、各加工を施す。
【0074】
制御部２０３は、画像生成モジュール２０３３により、加工モジュール２０３４で加工されたポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。画像生成モジュール２０３３は、例えば、加工が施された各ポリゴンデータ及びテクスチャデータに基づき、複数の２次元画像を生成する。
【0075】
制御部２０３は、学習モジュール２０３５により、機械学習モデルに機械学習を行わせることで第１学習済みモデル２０２１を生成する。機械学習のアルゴリズムとして、判別分析、ロジスティック回帰、サポートベクターマシン、ニューラルネットワーク、Randomized Trees、又は部分空間法等が挙げられる。
【0076】
学習モジュール２０３５は、例えば、画像生成モジュール２０３３により生成された２次元画像を入力データとし、入力される２次元画像における異常のクラス、及び異常の位置等を正解出力データとして機械学習モデルを学習させる。
【0077】
具体的には、学習モジュール２０３５は、ポリゴンの頂点座標にノイズベクトルが加えられた３次元モデルについての２次元画像を入力データとし、異常のクラスが「頂点破壊」であること、及びノイズの位置を正解出力データとして機械学習モデルを学習させる。
【0078】
また、学習モジュール２０３５は、ポリゴンのＵＶ座標にノイズベクトルが加えられた３次元モデルについての２次元画像を入力データとし、異常のクラスが「ＵＶ破壊」であること、及びノイズの位置を正解出力データとして機械学習モデルを学習させる。
【0079】
また、学習モジュール２０３５は、テクスチャにドットノイズが加えられた３次元モデルについての２次元画像を入力データとし、異常のクラスが「ドットノイズ」であること、及びドットノイズの位置を正解出力データとして機械学習モデルを学習させる。
【0080】
また、学習モジュール２０３５は、３次元モデルの表面を描画する際のパラメータの少なくとも１つが、ランダムなポリゴンで変更された３次元モデルについての２次元画像を入力データとし、異常のクラスが「マテリアル異常」であること、及びマテリアル異常の位置を正解出力データとして機械学習モデルを学習させる。
【0081】
また、学習モジュール２０３５は、所定のポリゴンで３次元モデルの表面を描画する際のパラメータの少なくとも１つが変更された３次元モデルについての２次元画像を入力データとし、異常のクラスが「マテリアル異常」であること、及びマテリアル異常の位置を正解出力データとして機械学習モデルを学習させる。
【0082】
また、学習モジュール２０３５は、ポリゴンが欠けさせられた３次元モデルについての２次元画像を入力データとし、異常のクラスが「ポリゴン欠け」であること、及び欠けているポリゴンの位置を正解出力データとして機械学習モデルを学習させる。
【0083】
また、学習モジュール２０３５は、めり込みを発生させた３次元モデルについての２次元画像を入力データとし、異常のクラスが「めり込み」であること、及びめり込みが発生している位置を正解出力データとして機械学習モデルを学習させる。
【0084】
制御部２０３は、画像生成モジュール２０３３により、読み出したポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。
【0085】
制御部２０３は、学習モジュール２０３５により、例えば、加工を加えていない３次元モデルに基づいて生成された２次元画像を入力データとし、入力される２次元画像が正常であることを正解出力データとして第１学習済みモデル２０２１を生成する。
【0086】
制御部２０３は、上記処理を、例えば、記憶部２０２に記憶されている所定のキャラクターについて繰り返すことで、第１学習済みモデル２０２１を学習させる。所定のキャラクターとは、例えば、以下である。
・すべてのキャラクター
・管理者が選択したキャラクター
・人に関するキャラクター
・クリーチャーに関するキャラクター
・新たにデザインされたキャラクター（更新日が所定の日以降のキャラクター）
クリーチャーに関するキャラクターについては、例えば、以下の態様がある。
・二足歩行のクリーチャー
・四足歩行のクリーチャー
・飛行するクリーチャー
・節足動物を模したクリーチャー
・四肢のないクリーチャー
制御部２０３は、上記処理を、例えば、クリーチャーに関するキャラクターの態様毎、又は所定の組み合わせについて繰り返すことで、第１学習済みモデル２０２１を学習させてもよい。
・すべてのキャラクター
・管理者が選択したキャラクター
・人に関するキャラクター
・クリーチャーに関するキャラクター
・新たにデザインされたキャラクター（更新日が所定の日以降のキャラクター）
クリーチャーに関するキャラクターについては、例えば、以下の態様がある。
・二足歩行のクリーチャー
・四足歩行のクリーチャー
・飛行するクリーチャー
・節足動物を模したクリーチャー
・四肢のないクリーチャー
制御部２０３は、上記処理を、例えば、クリーチャーに関するキャラクターの態様毎、又は所定の組み合わせについて繰り返すことで、第１学習済みモデル２０２１を学習させてもよい。
【0087】
以上のように上記実施形態では、制御部２０３は、加工モジュール２０３４により、ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、複数のキャラクターの３次元モデルデータを加工する。制御部２０３は、画像生成モジュール２０３３により、加工した３次元モデルデータに基づき、２次元画像を生成する。そして、制御部２０３は、学習モジュール２０３５により、生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデル２０２１をトレーニングするようにしている。これにより、第１学習済みモデル２０２１をトレーニングするための学習用データを自動で作成することが可能となる。このため、第１学習済みモデル２０２１の学習用データを作成するのに、異常が発見された３次元モデルを記憶しておく必要がなくなる。また、第１学習済みモデル２０２１を生成しようとしても、様々なエラー状況が発生した３次元モデルを準備することは容易ではなく、実際の３次元モデルのみでは、データの数が少ない場合も生じ得る。本実施形態では、第１学習済みモデル２０２１をトレーニングするためのデータを自動で作成するため、トレーニングに十分なデータを取得することが可能となる。
【0088】
また、上記実施形態では、制御部２０３は、学習モジュール２０３５により、いろいろなタイプのキャラクターの３次元モデルデータを学習用データとして第１学習済みモデル２０２１を学習させるようにしている。これにより、第１学習済みモデル２０２１を用いることで、学習されていないキャラクターについての３次元モデルデータについても、３次元モデルデータの異常を高精度に検出可能となる。
【0089】
また、上記実施形態では、制御部２０３は、加工モジュール２０３４により、３次元モデルに、頂点破壊、ＵＶ破壊、ドットノイズ、マテリアル異常、ポリゴン欠け、又はめり込み等の種類の異常を付与するようにしている。これにより、現実に発生し得る異常を含む学習用データを自動で作成することが可能となる。
【0090】
また、上記実施形態では、制御部２０３は、学習モジュール２０３５により、加工により異常を与えた位置を正解出力として第１学習済みモデル２０２１をトレーニングするようにしている。これにより、第１学習済みモデル２０２１の出力として、異常が発生している可能性のある領域が出力されるようになる。
【0091】
したがって、本実施形態に係るサーバ２０によれば、ゲームリソースに関するテストに係る負担を軽減できる。
【0092】
（第２学習済みモデル２０２２の生成）
サーバ２０で第１学習済みモデル２０２１が生成される際の制御部２０３の動作を説明する。
サーバ２０で第１学習済みモデル２０２１が生成される際の制御部２０３の動作を説明する。
【0093】
【0094】
制御部２０３は、記憶部２０２に記憶される１体のキャラクターについてのポリゴンデータ及びテクスチャデータを読み出す。制御部２０３は、加工モジュール２０３４により、読み出したポリゴンデータ又はテクスチャデータを加工する。
【0095】
制御部２０３は、画像生成モジュール２０３３により、加工モジュール２０３４で加工されたポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。
【0096】
制御部２０３は、推論モジュール２０３６により、記憶部２０２に記憶されている第１学習済みモデル２０２１を利用して入力に対する出力を推論する。具体的には、例えば、推論モジュール２０３６は、画像生成モジュール２０３３で生成された２次元画像を、第１学習済みモデル２０２１へ入力し、異常のクラス、及び異常の位置を出力させる。
【0097】
制御部２０３は、学習モジュール２０３５により、機械学習モデルに機械学習を行わせることで第２学習済みモデル２０２２を生成する。学習モジュール２０３５は、例えば、推論モジュール２０３６により推論された、１つの３次元モデルについての複数の２次元画像の推論結果を入力データとし、３次元モデルに与えられた加工のクラス、及び加工の位置等を正解出力データとして機械学習モデルを学習させる。
【0098】
制御部２０３は、画像生成モジュール２０３３により、読み出したポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。
【0099】
制御部２０３は、推論モジュール２０３６により、記憶部２０２に記憶されている第１学習済みモデル２０２１を利用して入力に対する出力を推論する。具体的には、例えば、推論モジュール２０３６は、画像生成モジュール２０３３で生成された、加工が施されていない３次元モデルについての２次元画像を、第１学習済みモデル２０２１へ入力し、２次元画像についての推論結果を出力させる。
【0100】
制御部２０３は、学習モジュール２０３５により、例えば、推論モジュール２０３６により推論された、加工が施されていない３次元モデルについての複数の２次元画像の推論結果を入力データとし、３次元モデルが正常であることを正解出力データとして機械学習モデルを学習させる。
【0101】
制御部２０３は、上記処理を、例えば、記憶部２０２に記憶されている所定のキャラクターについて繰り返すことで、第２学習済みモデル２０２２を学習させる。
【0102】
以上のように上記実施形態では、制御部２０３は、学習モジュール２０３５により、複数の２次元画像を入力とした第１学習済みモデル２０２１からの出力を入力とし、加工により与えた異常の種類を正解出力として第２学習済みモデル２０２２をトレーニングするようにしている。１枚１枚の画像の認識では、画像に異常が含まれていなくても、光の当たり方、又はフレームによっては人間でも異常を誤認することがある。このような、人間でも誤認するような学習用データがＡＩの見かけ上の性能を下げるおそれがある。複数の２次元画像と、２次元画像の異常についての情報とを入力データとすることで、３次元モデルにおける異常の有無を総合的に判断することが可能となる。これにより、サーバ２０は、３次元モデルにおける異常の有無の検出精度を向上させることが可能となる。
【0103】
また、上記実施形態では、制御部２０３は、学習モジュール２０３５により、いろいろなタイプのキャラクターの３次元モデルデータを学習用データとして第１学習済みモデル２０２１及び第２学習済みモデル２０２２を学習させるようにしている。これにより、第１学習済みモデル２０２１及び第２学習済みモデル２０２２を用いることで、学習されていないキャラクターについての３次元モデルデータについても、３次元モデルデータの異常を高精度に検出可能となる。
【0104】
したがって、本実施形態に係るサーバ２０によれば、ゲームリソースに関するテストに係る負担を軽減できる。
【0105】
（端末装置１０における推論処理１）
端末装置１０で推論処理が実施される際の制御部１９０の動作を説明する。
端末装置１０で推論処理が実施される際の制御部１９０の動作を説明する。
【0106】
【0107】
制御部１９０は、記憶部１８０に記憶される１体のキャラクターについてのポリゴンデータ及びテクスチャデータを読み出す。このとき読み出されるポリゴンデータ及びテクスチャデータのキャラクターは、第１学習済みモデル１８１の学習において用いられたキャラクターであってもよいし、第１学習済みモデル１８１の学習において用いられたキャラクターと異なるキャラクターであってもよい。制御部１９０は、画像生成部１９３により、読み出したポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。３次元モデルが複数フレームのポリゴンデータ及びテクスチャデータを含む場合、画像生成部１９３は、少なくとも１フレームのポリゴンデータ及びテクスチャデータから複数の２次元画像を生成してもよい。
【0108】
制御部１９０は、推論部１９４により、記憶部１８０に記憶されている第１学習済みモデル１８１を利用し、入力に対する出力を推論する。具体的には、例えば、推論部１９４は、第１学習済みモデル１８１により実現される第１異常判定部１９４１に、画像生成部１９３で生成された２次元画像を入力する。第１異常判定部１９４１は、入力された２次元画像に異常が含まれているか否かを表す推論結果を出力する。例えば、第１異常判定部１９４１は、２次元画像が、正常、頂点破壊、ＵＶ破壊、ドットノイズ、マテリアル異常、ポリゴン欠け、又はめり込みのクラスに該当する可能性を表す指標値、及び着目すべき領域を出力する。
【0109】
制御部１９０は、例えば、ユーザにより指定されたキャラクターの３次元モデルについて上記処理を繰り返す。
【0110】
制御部１９０は、ユーザにより指定されたキャラクターの３次元モデルについての推論部１９４から推論結果が出力されると、表示制御部１９５により、ユーザへ推論結果を提示する。
【0111】
図７は、端末装置１０のユーザに提示される推論結果の一例を表す模式図である。図７において、ディスプレイ１４１は、アラートリスト１４１１と、検証履歴リスト１４１２とを含む。アラートリスト１４１１は、異常を含む可能性が高い２次元画像が提示される。ディスプレイ１４１は、例えば、出力された指標値が予め設定された閾値よりも高い２次元画像を、アラートリスト１４１１に追加する。アラートリスト１４１１は、例えば、項目「実施日付」と、項目「ファイル名」と、項目「画像番号」と、項目「スコアサマリ」と、項目「サムネイル」とを含む。
【0112】
項目「実施日付」は、検証を実施した日付を表す。
【0113】
項目「ファイル名」は、検証が実施された３次元モデルのファイル名を表す。
【0114】
項目「画像番号」は、３次元モデルについて生成された画像の識別番号を表す。
【0115】
項目「スコアサマリ」は、２次元画像に対して出力された推論結果のサマリを表す。例えば、表示制御部１９５は、推論部１９４により出力されたクラスのうち、該当する可能性が最も高いクラスを項目「スコアサマリ」に表示する。例えば、表示制御部１９５は、推論部１９４により出力されたクラスのうち、指標値が最も高いクラスを項目「スコアサマリ」に表示する。
【0116】
項目「サムネイル」は、入力した２次元画像のサムネイルを表す。例えば、図７の四角で示される領域に、入力した２次元画像のサムネイル画像が表示される。表示制御部１９５は、ユーザによりサムネイル画像が押下されると、画像中の着目するべき領域をユーザに提示する。
【0117】
検証履歴リスト１４１２は、検証対象となった２次元画像が提示される。検証履歴リスト１４１２は、例えば、項目「実施日付」と、項目「ファイル名」と、項目「画像番号」と、項目「スコアサマリ」と、項目「サムネイル」とを含む。
【0118】
ユーザは、ディスプレイ１４１に表示される推論結果を参照し、３次元モデルにおける異常を判断する。
【0119】
制御部１９０は、推論結果を他の端末装置１０へ送信してもよい。また、制御部１９０は、推論結果そのものでなく、推論が完了した旨を他の端末装置１０へ送信してもよい。
【0120】
以上のように、上記実施形態では、制御部１９０は、画像生成部１９３により、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成する。制御部１９０は、推論部１９４により、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデル１８１に、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するようにしている。これにより、端末装置１０は、ゲームリソースとしての３次元モデルデータにおける異常の有無を検出することが可能となる。
【0121】
また、ゲームリソースについての１の３次元モデルデータは、第１学習済みモデル１８１の学習の際に利用された３次元モデルデータと異なるものであってもよい。このため、新たなキャラクターについての３次元モデルデータにおける異常（バグ）の有無を、第１学習済みモデル１８１を用いて検出することが可能となる。
【0122】
したがって、本実施形態に係る端末装置１０によれば、ゲームリソースに関するテストに係る負担を軽減できる。
【0123】
また、上記実施形態では、制御部１９０は、推論部１９４において、第１学習済みモデル１８１に、入力された２次元画像に含まれる異常の種類を表す情報を出力させるようにしている。これにより、ユーザは、異常の確認をすることが容易となる。
【0124】
また、上記実施形態では、制御部１９０は、推論部１９４において、第１学習済みモデル１８１に、入力された２次元画像に含まれる異常の種類と、当該種類の異常である可能性を表す指標とを出力させるようにしている。これにより、ユーザは、異常の確認をすることがさらに容易となる。
【0125】
また、上記実施形態では、制御部１９０は、推論部１９４において、第１学習済みモデル１８１に、入力された２次元画像において着目するべき領域を出力させるようにしている。これにより、ユーザは、異常を確認する際に着目するべき領域の見当をつけることが可能となる。
【0126】
また、上記実施形態では、制御部１９０は、画像生成部１９３により、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成するようにしている。これにより、記憶部１８０に記憶されている３次元モデルデータが動画であっても、テストにおけるユーザの負担を軽減することが可能となる。
【0127】
（端末装置１０における推論処理２）
端末装置１０で推論処理が実施される際の制御部１９０の動作を説明する。
端末装置１０で推論処理が実施される際の制御部１９０の動作を説明する。
【0128】
【0129】
制御部１９０は、記憶部１８０に記憶される１体のキャラクターについてのポリゴンデータ及びテクスチャデータを読み出す。このとき読み出されるポリゴンデータ及びテクスチャデータのキャラクターは、第１学習済みモデル１８１及び第２学習済みモデル１８２の学習において用いられたキャラクターであってもよいし、第１学習済みモデル１８１及び第２学習済みモデル１８２の学習において用いられたキャラクターと異なるキャラクターであってもよい。制御部１９０は、画像生成部１９３により、読み出したポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する。３次元モデルが複数フレームのポリゴンデータ及びテクスチャデータを含む場合、画像生成部１９３は、少なくとも１フレームのポリゴンデータ及びテクスチャデータから複数の２次元画像を生成してもよい。
【0130】
制御部１９０は、推論部１９４により、記憶部１８０に記憶されている第１学習済みモデル１８１及び第２学習済みモデル１８２を利用し、入力に対する出力を推論する。具体的には、例えば、推論部１９４は、第１学習済みモデル１８１により実現される第１異常判定部１９４１に、画像生成部１９３で生成された２次元画像を入力する。第１異常判定部１９４１は、入力された２次元画像に異常が含まれているか否かを表す推論結果を出力する。第１異常判定部１９４１は、画像生成部１９３で生成されたすべての２次元画像についての推論結果を、第２学習済みモデル１８２により実現される第２異常判定部１９４２へ出力する。
【0131】
第２異常判定部１９４２は、入力された推論結果の元となる３次元モデルに異常が含まれているか否かを表す推論結果を出力する。例えば、第２異常判定部１９４２は、３次元モデルが、正常、頂点破壊、ＵＶ破壊、ドットノイズ、マテリアル異常、ポリゴン欠け、又はめり込みのクラスに該当する可能性があること、上記異常のクラスに該当する可能性を表す指標値、又は着目すべき領域を出力する。
【0132】
制御部１９０は、例えば、ユーザにより指定されたキャラクターの３次元モデルについて上記処理を繰り返す。
【0133】
制御部１９０は、ユーザにより指定されたキャラクターの３次元モデルについての推論部１９４から推論結果が出力されると、表示制御部１９５により、ユーザへ推論結果を提示する。
【0134】
図９、図１０は、端末装置１０のユーザに提示される推論結果の一例を表す模式図である。図９において、ディスプレイ１４１は、アラートリスト１４１３と、検証履歴リスト１４１４とを含む。アラートリスト１４１３は、異常を含む可能性が高いと判断された３次元モデルが提示される。ディスプレイ１４１は、例えば、出力された指標値が予め設定された閾値よりも高い３次元モデルを、アラートリスト１４１３に追加する。アラートリスト１４１３は、例えば、項目「実施日付」と、項目「ファイル名」と、項目「スコアサマリ」と、項目「サムネイル」とを含む。
【0135】
項目「実施日付」は、検証を実施した日付を表す。
【0136】
項目「ファイル名」は、検証が実施された３次元モデルのファイル名を表す。
【0137】
項目「スコアサマリ」は、３次元モデルに対して出力された推論結果のサマリを表す。例えば、表示制御部１９５は、推論部１９４により出力されたクラスのうち、該当する可能性が最も高いクラスを項目「スコアサマリ」に表示する。例えば、表示制御部１９５は、推論部１９４により出力されたクラスのうち、指標値が最も高いクラスを項目「スコアサマリ」に表示する。
【0138】
項目「サムネイル」は、３次元モデルについて生成された代表的な２次元画像のサムネイルを表す。代表的な２次元画像は、例えば、以下である。
・指標値が最も高い２次元画像
・代表図として予め登録されている２次元画像
・指標値が最も高い２次元画像
・代表図として予め登録されている２次元画像
【0139】
図９の四角で示される領域に、３次元モデルについてのサムネイル画像が表示される。
【0140】
検証履歴リスト１４１４は、検証対象となった３次元モデルが提示される。検証履歴リスト１４１４は、例えば、項目「実施日付」と、項目「ファイル名」と、項目「画像番号」と、項目「スコアサマリ」と、項目「サムネイル」とを含む。
【0141】
表示制御部１９５は、アラートリスト１４１３に表示されるレコードのいずれかがユーザにより押下されると、図１０に示す詳細情報をディスプレイ１４１に表示させる。図１０において、ディスプレイ１４１は、サマリ情報１４１５と、詳細リスト１４１６とを含む。サマリ情報１４１５は、ユーザにより選択されたレコードについての情報を提示する。サマリ情報１４１５は、例えば、項目「実施日付」と、項目「ファイル名」と、項目「スコアサマリ」と、項目「サムネイル」とを含む。
【0142】
詳細リスト１４１６は、ユーザにより指定された３次元モデルに基づいて生成された２次元画像それぞれについての推論結果を表す。詳細リスト１４１６は、例えば、項目「画像」と、項目「着目点」と、項目「スコア」とを含む。
【0143】
項目「画像」は、画像生成部１９３により生成された２次元画像を表す。この２次元画像は、第１異常判定部１９４１に入力された２次元画像と換言してもよい。
【0144】
項目「着目点」は、第１異常判定部１９４１から出力された２次元画像であり、着目すべき領域を含む２次元画像である。この２次元画像では、例えば、異常が発生している可能性が高い領域に、他の領域と区別して識別可能な表示がなされている。
【0145】
項目「スコア」は、第１異常判定部１９４１に入力された２次元画像に対して出力される、異常のクラスに該当する可能性を表す指標値を表す。
【0146】
ユーザは、ディスプレイ１４１に表示される推論結果を参照し、３次元モデルにおける異常を判断する。
【0147】
制御部１９０は、推論結果を他の端末装置１０へ送信してもよい。また、制御部１９０は、推論結果そのものでなく、推論が完了した旨を他の端末装置１０へ送信してもよい。
【0148】
以上のように上記実施形態では、端末装置１０は、推論部１９４により、１の３次元モデルデータに基づく複数の２次元画像についての異常の有無の判定結果を入力とし、３次元モデルデータについての異常の有無に関する情報を正解出力として学習された第２学習済みモデル１８２に、第１学習済みモデル１８１から出力される判定結果を入力することで、第１学習済みモデル１８１に入力した２次元画像の元となる３次元モデルデータについての異常の有無を判定するようにしている。これにより、端末装置１０は、３次元モデルにおける異常の有無を総合的に判断することが可能となる。このため、ユーザは、１枚１枚の画像の異常の有無の推論結果を確認する必要がなくなる。つまり、端末装置１０は、ユーザの負担を軽減することが可能となる。
【0149】
また、ゲームリソースについての１の３次元モデルデータは、第１学習済みモデル１８１及び第２学習済みモデル１８２の学習の際に利用された３次元モデルデータと異なるものであってもよい。このため、新たなキャラクターについての３次元モデルデータにおける異常（バグ）の有無を、第１学習済みモデル１８１及び第２学習済みモデル１８２を用いて検出することが可能となる。
【0150】
また、上記実施形態では、制御部１９０は、画像生成部１９３により、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成する。制御部１９０は、推論部１９４により、第２学習済みモデル１８２に、第１学習済みモデル１８１から出力される、各フレームの３次元モデルデータについての２次元画像の判定結果を入力することで、各フレームの３次元モデルデータについての異常の有無を判定するようにしている。これにより、記憶部１８０に記憶されている３次元モデルデータが動画であっても、テストにおけるユーザの負担を軽減することが可能となる。
【0151】
したがって、本実施形態に係る端末装置１０によれば、ゲームリソースに関するテストに係る負担を軽減できる。
【0152】
＜変形例＞
上記実施形態では、画像生成部１９３、又は画像生成モジュール２０３３において、ポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する場合を例に説明した。しかしながら、複数の画像は、視点を変えて確認される２次元画像に限定されない。例えば、画像生成部１９３、又は画像生成モジュール２０３３は、ライティングを変えて、複数の２次元画像を生成してもよい。ライティングの変更とは、例えば、光源の位置、又は光量を変更することを含む。
上記実施形態では、画像生成部１９３、又は画像生成モジュール２０３３において、ポリゴンデータ及びテクスチャデータに基づき、複数の視点から見た２次元画像を生成する場合を例に説明した。しかしながら、複数の画像は、視点を変えて確認される２次元画像に限定されない。例えば、画像生成部１９３、又は画像生成モジュール２０３３は、ライティングを変えて、複数の２次元画像を生成してもよい。ライティングの変更とは、例えば、光源の位置、又は光量を変更することを含む。
【0153】
また、上記実施形態では、サーバ２０で第１学習済みモデル２０２１、又は第２学習済みモデル２０２２をトレーニングし、トレーニングされた第１学習済みモデル２０２１、又は第２学習済みモデル２０２２を、端末装置１０へ提供する場合を例に説明した。しかしながら、第１学習済みモデル２０２１、又は第２学習済みモデル２０２２がトレーニングされるのは、サーバ２０に限定されない。端末装置１０が第１学習済みモデル２０２１、又は第２学習済みモデル２０２２をトレーニングするようにしてもよい。
【0154】
以上、本開示のいくつかの実施形態を説明したが、これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものとする。
【0155】
＜付記＞
以上の各実施形態で説明した事項を以下に付記する。
以上の各実施形態で説明した事項を以下に付記する。
【0156】
（付記１）
プロセッサ１９と、メモリ１５とを備えるコンピュータに実行させるためのプログラムであって、プログラムは、プロセッサに、ゲームリソースについての１の３次元モデルデータ１８３に基づき、複数の２次元画像を生成するステップ（画像生成部１９３）と、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデル１８１に、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップ（推論部１９４）とを実行させるプログラム。
プロセッサ１９と、メモリ１５とを備えるコンピュータに実行させるためのプログラムであって、プログラムは、プロセッサに、ゲームリソースについての１の３次元モデルデータ１８３に基づき、複数の２次元画像を生成するステップ（画像生成部１９３）と、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデル１８１に、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップ（推論部１９４）とを実行させるプログラム。
【0157】
（付記２）
判定するステップにおいて、第１学習済みモデルは、入力された２次元画像に含まれる異常の種類を表す情報を出力する（付記１）に記載のプログラム。
判定するステップにおいて、第１学習済みモデルは、入力された２次元画像に含まれる異常の種類を表す情報を出力する（付記１）に記載のプログラム。
【0158】
（付記３）
判定するステップにおいて、第１学習済みモデルは、入力された２次元画像に含まれる異常の種類と、当該種類の異常である可能性を表す指標を出力する（付記１）に記載のプログラム。
判定するステップにおいて、第１学習済みモデルは、入力された２次元画像に含まれる異常の種類と、当該種類の異常である可能性を表す指標を出力する（付記１）に記載のプログラム。
【0159】
（付記４）
判定するステップにおいて、第１学習済みモデルは、入力された２次元画像において着目するべき領域を出力する（付記１）乃至（付記３）のいずれかに記載のプログラム。
判定するステップにおいて、第１学習済みモデルは、入力された２次元画像において着目するべき領域を出力する（付記１）乃至（付記３）のいずれかに記載のプログラム。
【0160】
（付記５）
判定するステップにおいて、１の３次元モデルデータに基づく複数の２次元画像についての異常の有無の判定結果を入力とし、３次元モデルデータについての異常の有無に関する情報を正解出力として学習された第２学習済みモデル１８２に、第１学習済みモデルから出力される判定結果を入力することで、第１学習済みモデルに入力した２次元画像の元となる３次元モデルデータについての異常の有無を判定する（付記１）乃至（付記４）のいずれかに記載のプログラム。
判定するステップにおいて、１の３次元モデルデータに基づく複数の２次元画像についての異常の有無の判定結果を入力とし、３次元モデルデータについての異常の有無に関する情報を正解出力として学習された第２学習済みモデル１８２に、第１学習済みモデルから出力される判定結果を入力することで、第１学習済みモデルに入力した２次元画像の元となる３次元モデルデータについての異常の有無を判定する（付記１）乃至（付記４）のいずれかに記載のプログラム。
【0161】
（付記６）
２次元画像を生成するステップにおいて、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成する（付記１）乃至（付記５）のいずれかに記載のプログラム。
２次元画像を生成するステップにおいて、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成する（付記１）乃至（付記５）のいずれかに記載のプログラム。
【0162】
（付記７）
２次元画像を生成するステップにおいて、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成し、判定するステップにおいて、第２学習済みモデルに、第１学習済みモデルから出力される、各フレームの３次元モデルデータについての２次元画像の判定結果を入力することで、各フレームの３次元モデルデータについての異常の有無を判定する（付記５）に記載のプログラム。
２次元画像を生成するステップにおいて、複数フレーム分の３次元モデルデータのうち、少なくとも１フレームの３次元モデルデータから複数の２次元画像を生成し、判定するステップにおいて、第２学習済みモデルに、第１学習済みモデルから出力される、各フレームの３次元モデルデータについての２次元画像の判定結果を入力することで、各フレームの３次元モデルデータについての異常の有無を判定する（付記５）に記載のプログラム。
【0163】
（付記８）
プロセッサと、メモリとを備えるコンピュータに実行される方法であって、プロセッサが、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップとを実行する方法。
プロセッサと、メモリとを備えるコンピュータに実行される方法であって、プロセッサが、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップとを実行する方法。
【0164】
（付記９）
制御部１９０と、記憶部１８０とを備える情報処理装置１０であって、制御部が、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップとを実行する情報処理装置。
制御部１９０と、記憶部１８０とを備える情報処理装置１０であって、制御部が、ゲームリソースについての１の３次元モデルデータに基づき、複数の２次元画像を生成するステップと、２次元画像を入力とし、入力された２次元画像についての異常の有無に関する情報を正解出力として学習された第１学習済みモデルに、生成された複数の２次元画像をそれぞれ入力することで、各２次元画像についての異常の有無を判定するステップとを実行する情報処理装置。
【0165】
（付記１０）
プロセッサ２９と、メモリ２５とを備えるコンピュータに実行させるためのプログラムであって、プログラムは、プロセッサに、ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップ（加工モジュール２０３４）と、加工した３次元モデルデータに基づき、２次元画像を生成するステップ（画像生成モジュール２０３３）と、生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップ（学習モジュール２０３５）とを実行させるプログラム。
プロセッサ２９と、メモリ２５とを備えるコンピュータに実行させるためのプログラムであって、プログラムは、プロセッサに、ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップ（加工モジュール２０３４）と、加工した３次元モデルデータに基づき、２次元画像を生成するステップ（画像生成モジュール２０３３）と、生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップ（学習モジュール２０３５）とを実行させるプログラム。
【0166】
（付記１１）
加工するステップにおいて、３次元モデルデータに与える異常の種類は、頂点破壊、ＵＶ破壊、ドットノイズ、マテリアル異常、ポリゴン欠け、又はめり込みである（付記１０）に記載のプログラム。
加工するステップにおいて、３次元モデルデータに与える異常の種類は、頂点破壊、ＵＶ破壊、ドットノイズ、マテリアル異常、ポリゴン欠け、又はめり込みである（付記１０）に記載のプログラム。
【0167】
（付記１２）
トレーニングするステップにおいて、加工により異常を与えた位置を正解出力として第１学習済みモデルをトレーニングする（付記１０）又は（付記１１）に記載のプログラム。
トレーニングするステップにおいて、加工により異常を与えた位置を正解出力として第１学習済みモデルをトレーニングする（付記１０）又は（付記１１）に記載のプログラム。
【0168】
（付記１３）
複数の２次元画像を入力とした第１学習済みモデルからの出力を入力とし、加工により与えた異常の種類を正解出力として第２学習済みモデルをトレーニングする（付記１０）乃至（付記１２）のいずれかに記載のプログラム。
複数の２次元画像を入力とした第１学習済みモデルからの出力を入力とし、加工により与えた異常の種類を正解出力として第２学習済みモデルをトレーニングする（付記１０）乃至（付記１２）のいずれかに記載のプログラム。
【0169】
（付記１４）
プロセッサと、メモリとを備えるコンピュータに実行される方法であって、プロセッサが、ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、加工した３次元モデルデータに基づき、２次元画像を生成するステップと、生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップとを実行する方法。
プロセッサと、メモリとを備えるコンピュータに実行される方法であって、プロセッサが、ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、加工した３次元モデルデータに基づき、２次元画像を生成するステップと、生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップとを実行する方法。
【0170】
（付記１５）
制御部２０３と、記憶部２０２とを備える情報処理装置２０であって、制御部が、ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、加工した３次元モデルデータに基づき、２次元画像を生成するステップと、生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップとを実行する情報処理装置。
制御部２０３と、記憶部２０２とを備える情報処理装置２０であって、制御部が、ゲームリソースについての３次元モデルデータが予め設定した種類の異常を含むように、３次元モデルデータを加工するステップと、加工した３次元モデルデータに基づき、２次元画像を生成するステップと、生成した２次元画像を入力とし、加工により与えた異常の種類を正解出力として第１学習済みモデルをトレーニングするステップとを実行する情報処理装置。
【符号の説明】
【0171】
１…システム
１０…端末装置
１２…通信ＩＦ
１２０…通信部
１３…入力装置
１３１…マウス
１３２…キーボード
１３３…タッチ・センシティブ・デバイス
１４…出力装置
１４１…ディスプレイ
１４１１…アラートリスト
１４１２…検証履歴リスト
１４１３…アラートリスト
１４１４…検証履歴リスト
１４１５…サマリ情報
１４１６…詳細リスト
１５…メモリ
１６…ストレージ
１６０…カメラ
１７…音声処理部
１７１…マイク
１７２…スピーカ
１８０…記憶部
１８１…第１学習済みモデル
１８２…第２学習済みモデル
１８３…３次元モデルデータ
１９…プロセッサ
１９０…制御部
１９１…操作受付部
１９２…送受信部
１９３…画像生成部
１９４…推論部
１９４１…第１異常判定部
１９４２…第２異常判定部
１９５…表示制御部
２０…サーバ
２０１…通信部
２０２…記憶部
２０２１…第１学習済みモデル
２０２２…第２学習済みモデル
２０２３…３次元モデルデータ
２０３…制御部
２０３１…受信制御モジュール
２０３２…送信制御モジュール
２０３３…画像生成モジュール
２０３４…加工モジュール
２０３５…学習モジュール
２０３６…推論モジュール
２２…通信ＩＦ
２３…入出力ＩＦ
２５…メモリ
２６…ストレージ
２９…プロセッサ
８０…ネットワーク
１０…端末装置
１２…通信ＩＦ
１２０…通信部
１３…入力装置
１３１…マウス
１３２…キーボード
１３３…タッチ・センシティブ・デバイス
１４…出力装置
１４１…ディスプレイ
１４１１…アラートリスト
１４１２…検証履歴リスト
１４１３…アラートリスト
１４１４…検証履歴リスト
１４１５…サマリ情報
１４１６…詳細リスト
１５…メモリ
１６…ストレージ
１６０…カメラ
１７…音声処理部
１７１…マイク
１７２…スピーカ
１８０…記憶部
１８１…第１学習済みモデル
１８２…第２学習済みモデル
１８３…３次元モデルデータ
１９…プロセッサ
１９０…制御部
１９１…操作受付部
１９２…送受信部
１９３…画像生成部
１９４…推論部
１９４１…第１異常判定部
１９４２…第２異常判定部
１９５…表示制御部
２０…サーバ
２０１…通信部
２０２…記憶部
２０２１…第１学習済みモデル
２０２２…第２学習済みモデル
２０２３…３次元モデルデータ
２０３…制御部
２０３１…受信制御モジュール
２０３２…送信制御モジュール
２０３３…画像生成モジュール
２０３４…加工モジュール
２０３５…学習モジュール
２０３６…推論モジュール
２２…通信ＩＦ
２３…入出力ＩＦ
２５…メモリ
２６…ストレージ
２９…プロセッサ
８０…ネットワーク
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
