ホーム > 特許ランキング > ＬＩＮＥヤフー株式会社
知財求人 - 知財ポータルサイト「IP Force」
(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】P2023178818
(43)【公開日】2023-12-18
(54)【発明の名称】情報処理装置、情報処理方法、及び情報処理プログラム
(51)【国際特許分類】
G06T 1/00 20060101AFI20231211BHJP
【ＦＩ】
G06T1/00 340A
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2022091736
(22)【出願日】2022-06-06
(71)【出願人】
【識別番号】500257300
【氏名又は名称】ＬＩＮＥヤフー株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】江森 正
【テーマコード（参考）】
5B057
【Ｆターム（参考）】
5B057AA20
5B057BA02
5B057CA08
5B057CA12
5B057CA16
5B057CB08
5B057CB12
5B057CB16
5B057CC02
5B057CE08
5B057DA07
5B057DA08
5B057DA16
5B057DB02
5B057DB09
5B057DC40
(57)【要約】
【課題】適切な合成情報を生成する。
【解決手段】本願に係る情報処理装置は、取得部と、生成部とを有する。取得部は、合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する。生成部は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成する。例えば、生成部は、第１対象、第２対象及び指定範囲と、第１対象における指定範囲の変動を抑制した第１対象及び第２対象の合成との関連性の特徴を学習した学習モデルを用いて、合成情報を生成する。
【選択図】図６
【解決手段】本願に係る情報処理装置は、取得部と、生成部とを有する。取得部は、合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する。生成部は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成する。例えば、生成部は、第１対象、第２対象及び指定範囲と、第１対象における指定範囲の変動を抑制した第１対象及び第２対象の合成との関連性の特徴を学習した学習モデルを用いて、合成情報を生成する。
【選択図】図６
【特許請求の範囲】
【請求項1】
合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、前記第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する取得部と、
前記範囲指定情報に基づいて前記第１対象情報における前記指定範囲の変動を抑制し、前記第１対象情報と前記第２対象情報とを合成した合成情報を生成する生成部と、
を備えることを特徴とする情報処理装置。
前記範囲指定情報に基づいて前記第１対象情報における前記指定範囲の変動を抑制し、前記第１対象情報と前記第２対象情報とを合成した合成情報を生成する生成部と、
を備えることを特徴とする情報処理装置。
【請求項2】
前記取得部は、
前記第１対象情報と、前記第２対象情報と、前記第１対象情報において前記合成情報にコピーしたい範囲として指定された前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１対象情報における前記指定範囲をコピーした前記合成情報を生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記第１対象情報と、前記第２対象情報と、前記第１対象情報において前記合成情報にコピーしたい範囲として指定された前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１対象情報における前記指定範囲をコピーした前記合成情報を生成する
ことを特徴とする請求項１に記載の情報処理装置。
【請求項3】
前記取得部は、
前記第１対象情報としての画像である第１画像と、前記第２対象情報としての画像である第２画像と、前記第１画像における前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１画像における前記指定範囲の変動を抑制して、前記第１画像と前記第２画像とを合成した前記合成情報である合成画像を生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記第１対象情報としての画像である第１画像と、前記第２対象情報としての画像である第２画像と、前記第１画像における前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１画像における前記指定範囲の変動を抑制して、前記第１画像と前記第２画像とを合成した前記合成情報である合成画像を生成する
ことを特徴とする請求項１に記載の情報処理装置。
【請求項4】
前記取得部は、
人の頭部を含む前記第１画像を取得し、
前記生成部は、
前記第１画像に含まれる前記人の頭部のうち前記指定範囲に対応する範囲の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項３に記載の情報処理装置。
人の頭部を含む前記第１画像を取得し、
前記生成部は、
前記第１画像に含まれる前記人の頭部のうち前記指定範囲に対応する範囲の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項３に記載の情報処理装置。
【請求項5】
前記取得部は、
前記第１画像における前記人の顔の範囲を示す前記範囲指定情報を取得し、
前記生成部は、
前記第１画像における前記人の顔の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項４に記載の情報処理装置。
前記第１画像における前記人の顔の範囲を示す前記範囲指定情報を取得し、
前記生成部は、
前記第１画像における前記人の顔の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項４に記載の情報処理装置。
【請求項6】
前記取得部は、
髪を含む前記第２画像を取得し、
前記生成部は、
前記第１画像に含まれる前記人の頭部に前記第２画像に含まれる前記髪を反映した前記合成画像を生成する
ことを特徴とする請求項４に記載の情報処理装置。
髪を含む前記第２画像を取得し、
前記生成部は、
前記第１画像に含まれる前記人の頭部に前記第２画像に含まれる前記髪を反映した前記合成画像を生成する
ことを特徴とする請求項４に記載の情報処理装置。
【請求項7】
前記生成部は、
前記第１対象、前記第２対象及び前記指定範囲と、前記第１対象における前記指定範囲の変動を抑制した前記第１対象及び前記第２対象の合成との関連性の特徴を学習した学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記第１対象、前記第２対象及び前記指定範囲と、前記第１対象における前記指定範囲の変動を抑制した前記第１対象及び前記第２対象の合成との関連性の特徴を学習した学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項１に記載の情報処理装置。
【請求項8】
前記生成部は、
前記第１対象情報及び前記第２対象情報を入力として次元圧縮を行うエンコーダと、前記エンコーダにより次元圧縮された情報の次元を増やすデコーダとを含む前記学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項７に記載の情報処理装置。
前記第１対象情報及び前記第２対象情報を入力として次元圧縮を行うエンコーダと、前記エンコーダにより次元圧縮された情報の次元を増やすデコーダとを含む前記学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項７に記載の情報処理装置。
【請求項9】
前記生成部は、
前記第１対象情報及び前記第２対象情報から特徴情報を抽出する前記エンコーダと、前記特徴情報と前記範囲指定情報とに基づいて前記合成情報を出力する前記デコーダとを含む前記学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項８に記載の情報処理装置。
前記第１対象情報及び前記第２対象情報から特徴情報を抽出する前記エンコーダと、前記特徴情報と前記範囲指定情報とに基づいて前記合成情報を出力する前記デコーダとを含む前記学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項８に記載の情報処理装置。
【請求項10】
前記生成部は、
前記エンコーダと、前記第１対象情報における前記指定範囲に対応する情報と前記特徴情報とを反映した前記合成情報を出力する前記デコーダとを含む前記学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項９に記載の情報処理装置。
前記エンコーダと、前記第１対象情報における前記指定範囲に対応する情報と前記特徴情報とを反映した前記合成情報を出力する前記デコーダとを含む前記学習モデルを用いて、前記合成情報を生成する
ことを特徴とする請求項９に記載の情報処理装置。
【請求項11】
前記取得部は、
前記第１対象情報としての画像である第１画像と、前記第２対象情報としての画像である第２画像と、前記第１画像における前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１画像及び前記第２画像を入力として、特徴情報を抽出する前記エンコーダと、前記特徴情報と前記範囲指定情報とに基づいて、前記第１画像及び前記第２画像を合成した前記合成情報である合成画像を出力する前記デコーダとを含む前記学習モデルを用いて、前記合成画像を生成する
ことを特徴とする請求項８に記載の情報処理装置。
前記第１対象情報としての画像である第１画像と、前記第２対象情報としての画像である第２画像と、前記第１画像における前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１画像及び前記第２画像を入力として、特徴情報を抽出する前記エンコーダと、前記特徴情報と前記範囲指定情報とに基づいて、前記第１画像及び前記第２画像を合成した前記合成情報である合成画像を出力する前記デコーダとを含む前記学習モデルを用いて、前記合成画像を生成する
ことを特徴とする請求項８に記載の情報処理装置。
【請求項12】
前記取得部は、
人の頭部を含む前記第１画像を取得し、
前記生成部は、
前記人の頭部を含む前記第１画像と、前記第２画像と、前記範囲指定情報と、前記学習モデルを用いて、前記第１画像に含まれる前記人の頭部のうち前記指定範囲に対応する範囲の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項１１に記載の情報処理装置。
人の頭部を含む前記第１画像を取得し、
前記生成部は、
前記人の頭部を含む前記第１画像と、前記第２画像と、前記範囲指定情報と、前記学習モデルを用いて、前記第１画像に含まれる前記人の頭部のうち前記指定範囲に対応する範囲の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項１１に記載の情報処理装置。
【請求項13】
前記取得部は、
前記第１画像における前記人の顔の範囲を示す前記範囲指定情報を取得し、
前記生成部は、
前記第１画像と、前記第２画像と、前記第１画像における前記人の顔の範囲を示す前記範囲指定情報と、前記学習モデルを用いて、前記第１画像における前記人の顔の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項１２に記載の情報処理装置。
前記第１画像における前記人の顔の範囲を示す前記範囲指定情報を取得し、
前記生成部は、
前記第１画像と、前記第２画像と、前記第１画像における前記人の顔の範囲を示す前記範囲指定情報と、前記学習モデルを用いて、前記第１画像における前記人の顔の変動を抑制した前記合成画像を生成する
ことを特徴とする請求項１２に記載の情報処理装置。
【請求項14】
前記取得部は、
髪を含む前記第２画像を取得し、
前記生成部は、
前記第１画像と、前記髪を含む前記第２画像と、前記範囲指定情報と、前記学習モデルを用いて、前記第１画像に含まれる前記人の頭部に前記第２画像に含まれる前記髪を反映した前記合成画像を生成する
ことを特徴とする請求項１２に記載の情報処理装置。
髪を含む前記第２画像を取得し、
前記生成部は、
前記第１画像と、前記髪を含む前記第２画像と、前記範囲指定情報と、前記学習モデルを用いて、前記第１画像に含まれる前記人の頭部に前記第２画像に含まれる前記髪を反映した前記合成画像を生成する
ことを特徴とする請求項１２に記載の情報処理装置。
【請求項15】
前記取得部は、
ユーザが指定した前記第２対象情報を取得し、
前記生成部は、
前記ユーザから取得した前記第２対象情報を用いて、前記合成情報を生成する
ことを特徴とする請求項１に記載の情報処理装置。
ユーザが指定した前記第２対象情報を取得し、
前記生成部は、
前記ユーザから取得した前記第２対象情報を用いて、前記合成情報を生成する
ことを特徴とする請求項１に記載の情報処理装置。
【請求項16】
前記合成情報を前記ユーザが利用する端末装置に提供する提供部、
をさらに備えることを特徴とする請求項１５に記載の情報処理装置。
をさらに備えることを特徴とする請求項１５に記載の情報処理装置。
【請求項17】
前記取得部は、
前記ユーザの頭部を撮像した前記第１対象情報である第１画像と、前記ユーザが指定した髪を含む前記第２対象情報である第２画像と、前記第１画像における前記ユーザの顔の範囲である前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１画像に含まれる前記ユーザの頭部に前記第２画像に含まれる前記髪を反映した前記合成情報である合成画像を生成する
ことを特徴とする請求項１５に記載の情報処理装置。
前記ユーザの頭部を撮像した前記第１対象情報である第１画像と、前記ユーザが指定した髪を含む前記第２対象情報である第２画像と、前記第１画像における前記ユーザの顔の範囲である前記指定範囲を示す前記範囲指定情報とを取得し、
前記生成部は、
前記第１画像に含まれる前記ユーザの頭部に前記第２画像に含まれる前記髪を反映した前記合成情報である合成画像を生成する
ことを特徴とする請求項１５に記載の情報処理装置。
【請求項18】
前記生成部は、
前記第１画像に含まれる前記ユーザの顔をコピーし、前記第１画像に含まれる前記ユーザのヘアスタイルに、前記第２画像に含まれる前記髪に対応するヘアスタイルを反映した前記合成画像を生成する
ことを特徴とする請求項１７に記載の情報処理装置。
前記第１画像に含まれる前記ユーザの顔をコピーし、前記第１画像に含まれる前記ユーザのヘアスタイルに、前記第２画像に含まれる前記髪に対応するヘアスタイルを反映した前記合成画像を生成する
ことを特徴とする請求項１７に記載の情報処理装置。
【請求項19】
コンピュータが実行する情報処理方法であって、
合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、前記第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する取得工程と、
前記範囲指定情報に基づいて前記第１対象情報における前記指定範囲の変動を抑制し、前記第１対象情報と前記第２対象情報とを合成した合成情報を生成する生成工程と、
を含むことを特徴とする情報処理方法。
合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、前記第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する取得工程と、
前記範囲指定情報に基づいて前記第１対象情報における前記指定範囲の変動を抑制し、前記第１対象情報と前記第２対象情報とを合成した合成情報を生成する生成工程と、
を含むことを特徴とする情報処理方法。
【請求項20】
合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、前記第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する取得手順と、
前記範囲指定情報に基づいて前記第１対象情報における前記指定範囲の変動を抑制し、前記第１対象情報と前記第２対象情報とを合成した合成情報を生成する生成手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。
前記範囲指定情報に基づいて前記第１対象情報における前記指定範囲の変動を抑制し、前記第１対象情報と前記第２対象情報とを合成した合成情報を生成する生成手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。
【背景技術】
【0002】
従来、複数の情報を合成した合成情報の生成に関する種々の技術が提供されている。例えば、複数の画像を合成した合成画像を生成する技術が提供されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－００４２０３号公報
【非特許文献】
【0004】
【非特許文献1】“U-Net: Convolutional Networks for Biomedical Image Segmentation”， Olaf Ronneberger, Philipp Fischer, and Thomas Brox＜インターネット＞https://arxiv.org/pdf/1505.04597.pdf（令和４年５月３１日検索）
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、上記の従来技術には、改善の余地がある。例えば、上記の従来技術では、複数の画像の各々の合成比率を変更して合成画像を生成することにより、各画像の合成比率が変化した合成情報を生成しているに過ぎず、適切な合成情報が生成できるとは限らない。そのため、適切な合成情報を生成することが望まれている。
【0006】
本願は、上記に鑑みてなされたものであって、適切な合成情報を生成する情報処理装置、情報処理方法、及び情報処理プログラ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】
【0007】
本願に係る情報処理装置は、合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、前記第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する取得部と、前記範囲指定情報に基づいて前記第１対象情報における前記指定範囲の変動を抑制し、前記第１対象情報と前記第２対象情報とを合成した合成情報を生成する生成部と、を備えたことを特徴とする。
【発明の効果】
【0008】
実施形態の一態様によれば、適切な合成情報を生成することができるという効果を奏する。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
以下に、本願に係る情報処理装置、情報処理方法、及び情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法、及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。
【0011】
（実施形態）
〔１．情報処理〕
まず、図１を用いて、情報処理装置１００が実行する情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。以下では、合成対象が画像であり、情報処理装置１００が合成情報として画像（「合成画像」ともいう）を生成する場合を一例として説明する。図１では、第１対象情報が人の頭部を含む画像（「第１画像」ともいう）であり、第２対象情報が髪（頭髪、毛髪）を含む画像（「第２画像」ともいう）であり、情報処理装置１００が第１画像と第２画像とを合成した合成画像を生成する。具体的は、図１では、情報処理装置１００は、第１対象情報である第１画像において変動を抑制する範囲（「指定範囲」ともいう）として人の顔の部分が指定され、第１画像における人の顔の変動を抑制し、第１画像と第２画像とを合成した合成画像を生成する。
〔１．情報処理〕
まず、図１を用いて、情報処理装置１００が実行する情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。以下では、合成対象が画像であり、情報処理装置１００が合成情報として画像（「合成画像」ともいう）を生成する場合を一例として説明する。図１では、第１対象情報が人の頭部を含む画像（「第１画像」ともいう）であり、第２対象情報が髪（頭髪、毛髪）を含む画像（「第２画像」ともいう）であり、情報処理装置１００が第１画像と第２画像とを合成した合成画像を生成する。具体的は、図１では、情報処理装置１００は、第１対象情報である第１画像において変動を抑制する範囲（「指定範囲」ともいう）として人の顔の部分が指定され、第１画像における人の顔の変動を抑制し、第１画像と第２画像とを合成した合成画像を生成する。
【0012】
なお、合成対象となる画像は、人の頭部に関する画像に限らず、様々な画像であってもよい。例えば、第１画像が人の外形を含む画像であり、第２画像が衣服、アクセサリー等の人が身につける物品を含む画像であってもよい。この場合、情報処理装置１００は、第１画像に含まれる人の外形に、第２画像に含まれる物品を反映した合成画像を生成する。例えば、物品が衣服である場合、情報処理装置１００は、第１画像に含まれる人が、第２画像に含まれる衣服を身に着けた合成画像を生成する。
【0013】
また、合成対象となる画像は、人体に関する画像に限らず、様々な画像であってもよい。例えば、第１画像が不動産の外壁を含む画像であり、第２画像が模様などを含む画像であってもよい。この場合、情報処理装置１００は、第１画像に含まれる不動産の外壁に、第２画像に含まれる模様を反映した合成画像を生成する。例えば、情報処理装置１００は、第１画像に含まれる不動産の外壁の模様が、第２画像に含まれる模様に変更された合成画像を生成する。
【0014】
また、画像は合成対象の一例に、合成対象は、画像に限らず、様々な情報であってもよい。例えば、合成対象は、音声であってもよい。この場合、情報処理装置１００が第１音声と第２音声とを合成した合成音声を生成する。例えば、情報処理装置１００は、第１対象情報である第１音声において変動を抑制する範囲（指定範囲）として、音の高さや母音、子音等が指定され、第１音声における指定範囲の変動を抑制し、第１音声と第２音声とを合成した合成音声を生成する。なお、上述した合成対象は一例に過ぎず、情報処理装置１００が処理可能な対象であれば、画像、音声に限らず様々な情報であってもよい。
【0015】
〔１－１．情報処理システムの構成〕
図１～図４に示す処理の説明に先立って、図１及び図５を用いて情報処理システム１の構成について説明する。図５は、実施形態に係る情報処理システムの構成例を示す図である。図５に示すように、情報処理システム１は、端末装置１０と、情報提供装置５０と、情報処理装置１００とが含まれる。端末装置１０と、情報提供装置５０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。なお、図５に示した情報処理システム１には、複数の端末装置１０や、複数の情報提供装置５０や、複数の情報処理装置１００が含まれてもよい。
図１～図４に示す処理の説明に先立って、図１及び図５を用いて情報処理システム１の構成について説明する。図５は、実施形態に係る情報処理システムの構成例を示す図である。図５に示すように、情報処理システム１は、端末装置１０と、情報提供装置５０と、情報処理装置１００とが含まれる。端末装置１０と、情報提供装置５０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。なお、図５に示した情報処理システム１には、複数の端末装置１０や、複数の情報提供装置５０や、複数の情報処理装置１００が含まれてもよい。
【0016】
情報処理装置１００は、合成対象となる第１対象情報と第２対象情報とを合成した合成情報を生成する情報処理（「生成処理」ともいう）を実行するコンピュータである。情報処理装置１００は、第１対象情報において変動を抑制する範囲として指定された指定範囲を示す情報（「範囲指定情報」ともいう）に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成する。例えば、情報処理装置１００は、合成対象となる第１画像と第２画像とを合成した合成画像を生成する処理を実行する。情報処理装置１００は、第１画像において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報に基づいて第１画像における指定範囲の変動を抑制し、第１画像と第２画像とを合成した合成情報を生成する。
【0017】
端末装置１０は、ユーザによって利用されるコンピュータである。端末装置１０は、ユーザが携帯可能なデバイス（端末装置）である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１は、端末装置１０がスマートフォンである場合を示す。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。
【0018】
例えば、端末装置１０は、情報処理装置１００が提供する合成情報を表示するアプリケーション（「表示アプリ」ともいう）がインストールされたコンピュータである。例えば、端末装置１０は、表示アプリにより各種の情報を表示する。例えば、端末装置１０は、情報処理装置１００から受信した合成情報を表示アプリにより表示する。端末装置１０は、ユーザが指定した第２対象情報を示す情報を情報処理装置１００へ送信する。端末装置１０は、ユーザが指定した第２対象情報を反映した合成情報を情報処理装置１００から受信する。端末装置１０は、情報処理装置１００から合成画像を受信する。端末装置１０は、情報処理装置１００から受信した合成画像を表示する。例えば、端末装置１０は、表示アプリにより合成画像を表示する。
【0019】
端末装置１０は、情報処理装置１００が合成画像の生成に用いる情報を情報処理装置１００へ送信する。端末装置１０は、合成画像を出力するモデル（例えばモデルＭ１）への入力に用いる情報を情報処理装置１００へ送信する。例えば、端末装置１０は、ユーザの頭部を撮像した第１画像を情報処理装置１００へ送信する。例えば、端末装置１０は、ユーザが指定した髪を含む第２画像を情報処理装置１００へ送信する。例えば、端末装置１０は、第１画像におけるユーザの顔の範囲である指定範囲を示す範囲指定情報を情報処理装置１００へ送信する。
【0020】
端末装置１０は、第１画像に含まれるユーザの頭部に第２画像に含まれる髪を反映した合成画像を、情報処理装置１００から受信する。端末装置１０は、第１画像に含まれるユーザの顔をコピーし、第１画像に含まれるユーザのヘアスタイルに、第２画像に含まれる髪に対応するヘアスタイルを反映した合成画像を、情報処理装置１００から受信する。
【0021】
端末装置１０は、第１画像に含まれるユーザの頭部に第２画像に含まれる髪を反映した合成画像を表示する。端末装置１０は、第１画像に含まれるユーザの顔をコピーし、第１画像に含まれるユーザのヘアスタイルに、第２画像に含まれる髪に対応するヘアスタイルを反映した合成画像を表示する。
【0022】
情報提供装置５０は、サービスに関する種々の情報提供を行うための情報が格納されたコンピュータである。例えば、情報提供装置５０は、ウェブサーバ等の種々の外部装置から情報を収集し、収集した情報を情報処理装置１００へ提供する。例えば、情報提供装置５０は、例えば、サーバ装置又はクラウドシステム等により実現される。例えば、情報提供装置５０は、各種情報として、サービスに関する情報（サービス情報）、サービスを利用する利用者に関する情報（利用者情報）を提供する。
【0023】
例えば、情報提供装置５０は、情報処理装置１００へ学習に用いるデータ（「学習用データ」ともいう）を提供するサービスを提供してもよい。この場合、情報提供装置５０は、情報処理装置１００がモデルＭ１の学習に用いるデータ（学習用データ）を情報処理装置１００へ提供する。また、情報提供装置５０は、情報処理装置１００へ学習済みの学習モデル（単に「モデル」ともいう）を提供するサービスを提供してもよい。この場合、情報提供装置５０は、情報処理装置１００が合成情報の生成に用いるモデル（例えばモデルＭ１）を情報処理装置１００へ提供する。
【0024】
〔１－２．情報処理システムにおける処理の全体概要〕
ここから、図１～図４を用いて、情報処理システム１が行う情報処理の一例について説明する。まず、図１を用いて、情報処理システム１の各装置間での情報の送受信を含む情報処理システム１における処理の概要を説明した後、図２～図４を用いて合成画像の生成に用いるモデルの一例であるモデルＭ１の構成例を説明する。なお、情報処理システム１において行なわれる情報処理について、従来の処理と同様の点についての詳細な説明は適宜省略する。
ここから、図１～図４を用いて、情報処理システム１が行う情報処理の一例について説明する。まず、図１を用いて、情報処理システム１の各装置間での情報の送受信を含む情報処理システム１における処理の概要を説明した後、図２～図４を用いて合成画像の生成に用いるモデルの一例であるモデルＭ１の構成例を説明する。なお、情報処理システム１において行なわれる情報処理について、従来の処理と同様の点についての詳細な説明は適宜省略する。
【0025】
図１では、情報処理装置１００は、合成画像を生成する生成処理を実行するために用いる情報を情報提供装置５０から取得する（ステップＳ１）。情報処理装置１００は、生成処理を実行するために用いる情報を情報提供装置５０から受信する。例えば、情報処理装置１００は、合成画像を出力するモデルであるモデルＭ１を情報提供装置５０から取得する。なお、モデルＭ１の詳細については後述する。また、情報処理装置１００は、モデルＭ１を学習する場合、モデルＭ１の学習処理に用いるデータ（学習用データ）を情報提供装置５０から取得してもよい。
【0026】
情報処理装置１００は、情報提供装置５０から取得した情報を記憶部１２０（図６参照）に格納する（ステップＳ２）。情報処理装置１００は、情報提供装置５０から受信した情報を記憶部１２０に記憶する。例えば、情報処理装置１００は、情報提供装置５０からモデルＭ１を取得した場合、モデルＭ１をモデル情報記憶部１２２（図６参照）に記憶する。また、情報処理装置１００は、情報提供装置５０から学習処理に用いる学習用データを取得した場合、学習用データを学習用データ記憶部１２１（図６参照）に記憶してもよい。なお、情報処理装置１００は、合成画像を生成する生成処理を実行するために用いる情報を取得済みの場合、ステップＳ１、Ｓ２の処理を行わなくてもよい。
【0027】
また、情報処理装置１００は、端末装置１０から合成画像の生成の要求を受け付ける（ステップＳ３）。例えば、情報処理装置１００は、端末装置１０から合成画像の生成に用いる各種の情報を受信することにより、端末装置１０から合成画像の生成の要求を受け付ける。
【0028】
例えば、情報処理装置１００は、第１画像として用いる画像を、端末装置１０から受信する。図１では、情報処理装置１００は、第１画像として用いる画像ＩＭ１１を、端末装置１０から受信する。例えば、画像ＩＭ１１は、ユーザの頭部を含む画像である。また、情報処理装置１００は、第２画像として用いる画像を、端末装置１０から受信する。図１では、情報処理装置１００は、第２画像として用いる画像ＩＭ１２を、端末装置１０から受信する。例えば、画像ＩＭ１２は、ユーザが所望するヘアスタイルの髪を含む画像である。このように、情報処理装置１００は、ユーザが指定した第２画像である画像ＩＭ１２を、端末装置１０から受信する。また、情報処理装置１００は、第１画像において変動を抑制する指定範囲を示す情報（範囲指定情報）を、端末装置１０から受信する。図１では、情報処理装置１００は、画像ＩＭ１１中のユーザの顔の範囲を示す範囲指定情報ＲＤ１を、端末装置１０から受信する。例えば、範囲指定情報ＲＤ１は、画像ＩＭ１１におけるユーザの顔の位置（領域）を示す情報である。
【0029】
なお、上記は一例に過ぎず、情報処理装置１００は、合成画像の生成に用いる各種の情報を取得済みである場合、端末装置１０から合成画像の生成に用いる情報の指定を受け付けてもよい。この場合、情報処理装置１００は、第１画像を特定するための情報、第２画像を特定するための情報、及び指定範囲を特定するための情報等を、端末装置１０から受信する。例えば、情報処理装置１００は、ユーザが第１画像として選択した画像を示す情報、ユーザが第２画像として選択した画像を示す情報、及びユーザが指定範囲として選択した範囲を示す情報等を、端末装置１０から受信する。
【0030】
また、情報処理装置１００は、第１画像、第２画像、及び指定範囲のうち少なくとも１つを端末装置１０から受信してもよい。例えば、情報処理装置１００は、第２画像を端末装置１０から受信した場合、第１画像及び指定範囲については、それらを特定するための情報を端末装置１０から受信する。このように、情報処理装置１００は、ユーザが所望する合成画像を生成可能であれば、ユーザが利用する端末装置１０からどのような情報を取得してもよい。
【0031】
そして、情報処理装置１００は、合成画像を生成する生成処理を実行する（ステップＳ４）。情報処理装置１００は、範囲指定情報ＲＤ１に基づいて、第１画像である画像ＩＭ１１における指定範囲の変動を抑制し、画像ＩＭ１１と第２画像である画像ＩＭ１２とを合成した合成画像ＩＳ１を生成する生成処理を実行する。例えば、情報処理装置１００は、モデルＭ１を用いて合成画像ＩＳ１を生成する。まず、情報処理装置１００は、画像ＩＭ１１、画像ＩＭ１２及び範囲指定情報ＲＤ１に関する情報等を含む入力情報をモデルＭ１に入力する（ステップＳ４－１）。図１では、情報処理装置１００は、画像ＩＭ１１、画像ＩＭ１２及び範囲指定情報ＲＤ１等を入力情報としてモデルＭ１に入力する。
【0032】
入力情報が入力されたモデルＭ１は、合成結果を出力する（ステップＳ４－２）。図１では、画像ＩＭ１１、画像ＩＭ１２及び範囲指定情報ＲＤ１等を含む入力情報が入力されたモデルＭ１は、合成画像ＩＳ１に示すような画像情報を出力する。このように、情報処理装置１００は、モデルＭ１を用いることにより、画像ＩＭ１１に含まれるユーザの顔をコピーし、画像ＩＭ１１に含まれるユーザのヘアスタイルに、画像ＩＭ１２に含まれる髪に対応するヘアスタイルを反映した合成画像ＩＳ１を生成する。
【0033】
そして、情報処理装置１００は、生成処理により生成した情報を、ユーザへ提供する（ステップＳ５）。例えば、情報処理装置１００は、生成処理により生成した合成画像ＩＳ１を、ユーザが利用する端末装置１０へ送信する。
【0034】
このように、情報処理装置１００は、第１画像における指定範囲であるユーザの顔の変動を抑制し、第１画像と第２画像とを合成した合成画像を生成することにより、適切な合成画像を生成することができる。すなわち、情報処理装置１００は、第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成することにより、適切な合成情報を生成することができる。また、情報処理装置１００は、生成処理により生成した情報を、ユーザへ提供することにより、合成情報を適切にユーザに提供することができる。
【0035】
〔１－２－１．情報処理に用いられるモデル例〕
上述した情報処理システム１が行う情報処理を前提として、情報処理装置１００が合成情報を生成する際に用いるモデルの一例について、図２～図４を用いて説明する。図２～図４は、情報処理に用いられるモデルの一例を示す図である。まず、図２を用いて、合成情報を出力するモデルの全体構成の概要を説明する。例えば、図２は、情報処理に用いられるモデルの一例であるモデルＭ１の全体構成の概要を示す図である。なお、上記で説明した内容と同様の点や従来の合成画像の生成に用いられるモデルと同様の点については適宜説明を省略する。
上述した情報処理システム１が行う情報処理を前提として、情報処理装置１００が合成情報を生成する際に用いるモデルの一例について、図２～図４を用いて説明する。図２～図４は、情報処理に用いられるモデルの一例を示す図である。まず、図２を用いて、合成情報を出力するモデルの全体構成の概要を説明する。例えば、図２は、情報処理に用いられるモデルの一例であるモデルＭ１の全体構成の概要を示す図である。なお、上記で説明した内容と同様の点や従来の合成画像の生成に用いられるモデルと同様の点については適宜説明を省略する。
【0036】
なお、図２に示すモデルＭ１の構成は一例に過ぎず、モデルＭ１は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を出力可能であれば、任意の構成が採用可能である。
【0037】
例えば、モデルＭ１は、オートエンコーダ、ＶＡＥ（変分オートエンコーダ）等の各種の技術を適宜用いて、構成されてもよい。例えば、モデルＭ１は、潜在変数等の特徴情報（特徴量）を介して情報を伝達する構成であってもよい。例えば、モデルＭ１は、エンコーダで抽出した特徴情報を介して情報をデコーダへ伝達する構成であってもよい。例えば、モデルＭ１は、確率分布パラメータ等の確率変数に基づく潜在変数等の特徴情報（特徴量）を介して情報をデコーダへ伝達する構成であってもよい。例えば、モデルＭ１は、確率変数を推定し、確率変数より潜在変数を生成し、生成した潜在変数を介して情報へ伝達する構成であってもよい。
【0038】
例えば、モデルＭ１は、全層畳み込みネットワーク（ＦＣＮ：Fully Convolutional Network）等を含む構成であってもよい。例えば、モデルＭ１は、非特許文献１に開示される手法（Ｕ－ｎｅｔ）等、画像において認識対象がどこに存在するかを推定する為のネットワーク等を含む構成であってもよい。例えば、モデルＭ１は、潜在変数を介して情報を伝達するとともに、各層の特徴を伝達する構成することにより、画像の位置に関する情報を伝達する構成であってもよい。例えば、モデルＭ１は、エンコーダの複数の層の各々から、その層に対応するデコーダの層へ特徴を伝達する構成であってもよい。
【0039】
例えば、モデルＭ１は、画像をダウンサンプリングした情報を用いる構成であってもよい。例えば、モデルＭ１は、人の顔を含む画像をダウンサンプリングした情報を用いる構成であってもよい。例えば、モデルＭ１は、人の顔を含む画像をダウンサンプリングした情報を、デコーダへ伝達する構成であってもよい。例えば、モデルＭ１は、人の顔を含む画像をダウンサンプリングした情報を、デコーダの各層へ伝達する構成であってもよい。
【0040】
ここから、図２に示すモデルＭ１の概要を説明する。モデルＭ１は、人の頭部を含む第１画像、頭髪（髪）を含む第２画像、及び第１画像中の人の顔の範囲（領域）を示す指定範囲と、第１画像における人の顔の変動を抑制した第１画像及び第２画像の合成との関連性の特徴を学習したモデルである。例えば、モデルＭ１は、第１画像及び第２画像を入力として次元圧縮を行うエンコーダＭ１１と、エンコーダＭ１１により次元圧縮された情報の次元を増やすデコーダＭ１２とを含むモデルである。
【0041】
まず、モデルＭ１の部分モデルの一例であるエンコーダＭ１１について説明する。例えば、エンコーダＭ１１は、入力された画像からその画像に対応する特徴情報を抽出するエンコーダである。また、エンコーダＭ１１は、第１画像から第１画像に対応する特徴情報を抽出する。エンコーダＭ１１は、第２画像から第２画像に対応する特徴情報を抽出する。
【0042】
図２において「encoder」と表記されたエンコーダＭ１１は、層ＥＬ１、ＥＬ２、ＥＬ３、ＥＬ４等の複数の層を有する。以下、層ＥＬ１、ＥＬ２、ＥＬ３、ＥＬ４等のエンコーダＭ１１における層を特に区別せずに説明する場合「層ＥＬ」を記載する場合がある。エンコーダＭ１１の各層ＥＬは、任意の構成が採用可能である。例えば、エンコーダＭ１１の各層ＥＬには、LeakyReLU等のReLU関数、シグモイド関数等の任意の活性化関数が用いられてもよい。また、例えば、エンコーダＭ１１の各層ＥＬは、畳み込み処理を行ったり、ダウンサンプリングを行ったりする構成であってもよい。
【0043】
なお、図２では、浅い方から順に層ＥＬ１、ＥＬ２、ＥＬ３、ＥＬ４の４つの層を図示するが、エンコーダＭ１１の層は４つに限らず、任意の数の層で構成されてもよい。図２では、エンコーダＭ１１の複数の層のうち、一番浅い層が層ＥＬ１であり、層ＥＬ１がエンコーダＭ１１に入力された画像の最も表層部分の特徴を学習している部分となる。そして、層ＥＬ２、ＥＬ３、ＥＬ４と層が深くなるにつれて、エンコーダＭ１１に入力された画像の表層ではない部分の特徴を学習している部分となる。
【0044】
例えば、エンコーダＭ１１は、図３に示すような構成であってもよい。図３は、エンコーダＭ１１の構成の一例を示す図である。図３では、「block 512x512x64」と表記された一番上の層が、図２中の層ＥＬ１に対応する。エンコーダＭ１１は、図３に示すような構成により画像の特徴を示す情報を生成する。なお、図３に示すエンコーダＭ１１の構成は、一例に過ぎず、エンコーダＭ１１は、所望の情報を生成可能であれば、どのような構成であってもよい。
【0045】
図３において「e1」と表記されたデータＥＤ１１は、画像ＩＭ１１が入力された場合のエンコーダＩＭ１１で生成されたデータ（例えば特徴情報）に対応する。また、図３において「e2」と表記されたデータＥＤ１２は、画像ＩＭ１１が入力された場合のエンコーダＩＭ１１の層ＥＬのうち、「block 512x512x64」と表記された一番上の層（図２中の層ＥＬ１に対応）で生成されたデータに対応する。
【0046】
図２に戻って、モデルＭ１の部分モデルの一例であるデコーダＭ１２について説明する。例えば、デコーダＭ１２は、エンコーダＭ１１により生成された特徴情報と、範囲指定情報とに基づいて、合成画像を出力するデコーダである。デコーダＭ１２は、エンコーダＭ１１により生成された第１画像の特徴情報及び第２画像の特徴情報と、範囲指定情報とに基づいて、合成画像を出力するデコーダである。デコーダＭ１２は、第１画像における指定範囲に対応する情報と特徴情報とを反映した合成画像を出力するデコーダである。
【0047】
図２において「decoder」と表記されたデコーダＭ１２は、層ＤＬ１、ＤＬ２、ＤＬ３、ＤＬ４等の複数の層を有する。以下、層ＤＬ１、ＤＬ２、ＤＬ３、ＤＬ４等のデコーダＭ１２における層を特に区別せずに説明する場合「層ＤＬ」を記載する場合がある。デコーダＭ１２の各層ＤＬは、任意の構成が採用可能である。例えば、デコーダＭ１２の各層ＤＬには、LeakyReLU等のReLU関数、シグモイド関数等の任意の活性化関数が用いられてもよい。また、例えば、デコーダＭ１２の各層ＤＬは、畳み込み処理を行ったり、アップサンプリングを行ったり、ダウンサンプリングを行ったりする構成であってもよい。
【0048】
なお、図２では、浅い方から順に層ＤＬ１、ＤＬ２、ＤＬ３、ＤＬ４の４つの層を図示するが、デコーダＭ１２の層は４つに限らず、任意の数の層で構成されてもよい。図２では、デコーダＭ１２の複数の層のうち、一番浅い層が層ＤＬ１であり、層ＤＬ１がデコーダＭ１２において最も表層部分まで情報を生成した部分となる。
【0049】
なお、図２では図示を省略するが、例えば、モデルＭ１は、Ｕ－ｎｅｔ等と同様の構成により、エンコーダＭ１１の各層ＥＬから、その層ＥＬに対応するデコーダＭ１２の層ＤＬへ特徴を伝達する構成を有する。モデルＭ１は、エンコーダＭ１１の層ＥＬ１から、層ＥＬ１に対応するデコーダＭ１２の層ＤＬ１へ、層ＥＬ１における特徴を伝達する構成を有する。また、モデルＭ１は、エンコーダＭ１１の層ＥＬ２から、層ＥＬ２に対応するデコーダＭ１２の層ＤＬ２へ、層ＥＬ２における特徴を伝達する構成を有する。また、モデルＭ１は、エンコーダＭ１１の層ＥＬ３から、層ＥＬ３に対応するデコーダＭ１２の層ＤＬ３へ、層ＥＬ３における特徴を伝達する構成を有する。また、モデルＭ１は、エンコーダＭ１１の層ＥＬ４から、層ＥＬ４に対応するデコーダＭ１２の層ＤＬ４へ、層ＥＬ４における特徴を伝達する構成を有する。
【0050】
モデルＭ１は、エンコーダＭ１１の各層ＥＬから、その層ＥＬに対応するデコーダＭ１２の層ＤＬへ特徴を伝達する構成のうち、エンコーダＭ１１の層ＥＬ１から、層ＥＬ１に対応するデコーダＭ１２の層ＤＬ１へ伝達する情報の重みも重くする。これにより、モデルＭ１は、エンコーダＭ１１で抽出した人の顔の表層的な特徴（外見）を、そのままデコーダＭ１２へ伝達することができる。すなわち、モデルＭ１は、エンコーダＭ１１へ入力された画像中に含まれる人の顔の外見を、そのままデコーダＭ１２へ伝達することができ、入力された画像中に含まれる人の顔をコピーした合成画像を生成することができる。
【0051】
図２中の特徴情報ＦＩのうち、「顔」と表記された第１特徴Ｆ１は、人の顔を含む画像から抽出された特徴情報に対応する。例えば、第１特徴Ｆ１は、ユーザの顔を含む画像ＩＭ１１から抽出された特徴情報に対応する。また、図２中の特徴情報ＦＩのうち、「髪」と表記された第２特徴Ｆ２は、髪を含む画像から抽出された特徴情報に対応する。例えば、第２特徴Ｆ２は、髪を含む画像ＩＭ１２から抽出された特徴情報に対応する。すなわち、図２では、顔と髪（の毛）を別々にエンコードし、特徴を抽出する。これにより、情報処理装置１００は、顔と髪質（ヘアスタイル等）の組み合わせを自由に変更することができる。
【0052】
また、図２において「マージ＆展開」と表記されたモデルＭ１の処理ブロックＭＤは、第１特徴Ｆ１及び第２特徴Ｆ２とをマージし、展開する。例えば、処理ブロックＭＤは、第１特徴Ｆ１及び第２特徴Ｆ２との２つの特徴情報を結合し、複数の情報に展開する。例えば、処理ブロックＭＤは、潜在変数を展開することにより、スタイル変数として伝達する情報を生成する。例えば、処理ブロックＭＤは、解像度ごとの情報に分けることにより、スタイル変数として伝達する情報を生成する。これにより、モデルＭ１は、高精細な画像生成を可能にすることができる。例えば、処理ブロックＭＤは、エンコーダＭ１１により生成された潜在変数等の特徴情報（特徴量）を、デコーダＭ１２の層数に対応する数に展開する。図２では、処理ブロックＭＤは、特徴情報ＦＩをデコーダＭ１２の層数に対応する「４」に展開し、特徴情報群ＩＧを生成する。
【0053】
そして、モデルＭ１は、特徴情報群ＩＧ中の各情報を対応するデコーダＭ１２の層ＤＬへスタイル変数として伝達する。例えば、モデルＭ１は、特徴情報群ＩＧのうち、デコーダＭ１２の層ＤＬ１に対応する情報を層ＤＬ１へのスタイル変数として層ＤＬ１へ伝達する。例えば、モデルＭ１は、特徴情報群ＩＧのうち、デコーダＭ１２の層ＤＬ２に対応する情報を層ＤＬ２へのスタイル変数として層ＤＬ２へ伝達する。例えば、モデルＭ１は、特徴情報群ＩＧのうち、デコーダＭ１２の層ＤＬ３に対応する情報を層ＤＬ３へのスタイル変数として層ＤＬ３へ伝達する。例えば、モデルＭ１は、特徴情報群ＩＧのうち、デコーダＭ１２の層ＤＬ４に対応する情報を層ＤＬ４へのスタイル変数として層ＤＬ４へ伝達する。
【0054】
また、図２において「フィルタ」と表記されたモデルＭ１の処理ブロックＦＬは、画像に含まれる人の顔に関する情報をデコーダＭ１２へ伝達するための情報として、顔特徴情報ＦＦを生成する。例えば、モデルＭ１は、処理ブロックＦＬに情報を入力することにより、顔特徴情報ＦＦを生成する。モデルＭ１は、エンコーダＭ１１の層ＥＬのうち画像の最も表層部分の特徴を学習した層ＥＬ１の情報と、コピーしたい箇所（指定範囲）を示す範囲指定情報とを用いて、顔特徴情報ＦＦを生成する。例えば、処理ブロックＦＬは、層ＥＬ１の情報のうち、人の顔が含まれる領域に対応する値の重みを大きくし、他の箇所に対応する値の重みを小さくすることにより、人の顔の特徴をデコーダＭ１２へ伝達するための顔特徴情報ＦＦを生成する。例えば、処理ブロックＦＬは、層ＥＬ１の情報のうち、人の顔が含まれる領域に対応する値に１を掛け、他の箇所に１未満（例えば０）を掛けることにより、顔特徴情報ＦＦを生成する。
【0055】
例えば、モデルＭ１は、人の顔の造形物の情報をデコーダＭ１２へ伝達するための情報として顔特徴情報ＦＦを生成する。例えば、モデルＭ１は、髪の毛の境界を示す情報をデコーダＭ１２へ伝達するための情報として顔特徴情報ＦＦを生成する。図２では、モデルＭ１は、画像ＩＭ１１が入力されたエンコーダＭ１１の層ＥＬ１の情報と、画像ＩＭ１１中のユーザの顔が含まれる範囲を示す範囲指定情報ＲＤ１とを用いて、ユーザの顔を含む画像ＩＭ１１をダウンサンプリングした情報である顔特徴情報ＦＦを生成する。
【0056】
例えば、モデルＭ１は、図４に示すような処理により、顔特徴情報ＦＦを生成する。図４は、モデルＭ１における処理の一例を示す図である。図４中のデータＥＤ１１は、図３において「e1」と表記されたデータＥＤ１１に対応する。また、図４中のデータＥＤ１２は、図３において「e2」と表記されたデータＥＤ１２に対応する。
【0057】
また、図４中のデータＥＤ２１は、画像ＩＭ１２が入力された場合のエンコーダＩＭ１１で生成されたデータ（例えば特徴情報）を示す。また、図３において「e2」と表記されたデータＥＤ２２は、画像ＩＭ１２が入力された場合のエンコーダＩＭ１１の層ＥＬのうち、「block 512x512x64」と表記された一番上の層（図２中の層ＥＬ１に対応）で生成されたデータを示す。
【0058】
図４において「m3」と表記されたデータＩＤ１２は、エンコーダＩＭ１１により生成される特徴情報に対応する。例えば、モデルＭ１は、画像ＩＭ１１が入力された場合のエンコーダＩＭ１１で生成されたデータＥＤ１１と、データ（例え画像ＩＭ１２が入力された場合のエンコーダＩＭ１１で生成されたデータＥＤ２１とを用いて、入力された画像の特徴を示すデータＩＤ１２を生成する。
【0059】
図４において「m1」と表記されたデータＩＤ１１は、画像中の人の顔に関する特徴情報に対応する。モデルＭ１は、データＥＤ１２と範囲指定情報ＲＤ１とを用いて、ユーザの顔に関するデータＩＤ１１を生成する。例えば、モデルＭ１は、画像ＩＭ１１が入力されたエンコーダＭ１１の層ＥＬ１の情報に対応する図４中のデータＥＤ１２と、範囲指定情報ＲＤ１とを用いて、顔特徴情報ＦＦに対応する図４中のデータＩＤ１１を生成する。例えば、モデルＭ１は、画像ＩＭ１１中のユーザの顔の造形的な特徴を示す情報を含む顔特徴情報ＦＦを生成する。例えば、モデルＭ１は、画像ＩＭ１１中のユーザの髪と顔との境界を示す情報を含む顔特徴情報ＦＦを生成する。なお、情報処理装置１００は、図４において「split」と表記された処理ＳＰ１により、人の顔を含む画像から範囲指定情報ＲＤ１を生成してもよい。なお、上記は一例に過ぎず、人の顔を含む画像における顔の範囲を示す情報であれば、範囲指定情報ＲＤ１はどのように情報であってもよく、任意の手法により生成されてもよい。
【0060】
モデルＭ１は、顔特徴情報ＦＦを、デコーダＭ１２へ伝達する。例えば、モデルＭ１は、人の顔の造形的な特徴及び髪と顔との境界を示す顔特徴情報ＦＦを、デコーダＭ１２の各層ＤＬへ伝達する。図２では、モデルＭ１は、画像ＩＭ１１中のユーザの顔の造形的な特徴、及び画像ＩＭ１１中のユーザの髪と顔との境界を示す顔特徴情報ＦＦを、デコーダＭ１２の各層ＤＬへ伝達する。例えば、モデルＭ１は、デコーダＭ１２の各層ＤＬのうち、表層部分の層ＤＬ１へ伝達される顔特徴情報ＦＦの重みを強くしてデコーダＭ１２の各層ＤＬに伝達する。これにより、情報処理装置１００は、顔の再現性の向上させることができる。また、情報処理装置１００は、髪の形を編集できるようにすることができる。
【0061】
従来の合成画像の生成では、全体的な形状は再現できるが顔が微妙に違う等といった問題があった。一方で、情報処理装置１００は、上記のようなモデルＭ１を用いることにより、適切な合成画像を生成することができる。具体的には、情報処理装置１００は、顔部分は学習データ（学習用データ）に依存しない形でコピーして、髪の毛の質や形状を合成させることにより、適切にヘアスタイル変換が行われた画像を生成することができる。
【0062】
このように、情報処理装置１００は、第１合成対象と、第２合成対象と、第１合成対象において変動許容が低い範囲の指定とを受け付ける。そして、情報処理装置１００は、第１合成対象の指定範囲の変動を抑えつつ、第１合成対象と第２合成対象とを合成した合成情報を生成する。
【0063】
例えば、従来のモデルでは、顔画像と髪画像とを入力すると、髪型を変えた画像を出力するように学習される。このため、顔部分が髪画像に引っ張られて変化してしまい利用者の印象を悪化させてしまう。すなわち、第１合成対象において第２合成対象を合成する部分以外の部分が、第２合成対象の特徴に応じて変化してしまう場合がある。
【0064】
一方で、情報処理装置１００は、モデルＭ１のエンコーダＭ１１のうち、表層部分の特徴を学習する比較的入力装置に近い層（入力層から所定の範囲内）の出力を取得し、出力した出力のうち、指定範囲の特徴をデコーダＭ１２の所定の層に入力する。例えば、情報処理装置１００は、デコーダＭ１２の所定の層の出力に重みを加える。具体的には、情報処理装置１００は、モデルＭ１の表層部分の伝達情報のうち、指定範囲の重みを強くした状態でデコーダのＭ１２出力層に近い層に伝達する。これにより、情報処理装置１００は、第１合成対象において第２合成対象を合成する部分以外の部分が、第２合成対象の特徴に応じて変化してしまうことを抑制することができる。このように、情報処理装置１００は、複数の層で第１画像と第２画像との特徴量を学習し、変動許容が低い領域については、第１画像が有する表層的表現を重視して、第１画像と第２画像とを合成した合成画像を生成する。
【0065】
〔１－２－２．その他例等〕
なお、上述したモデルＭ１を用いた処理は一例に過ぎず、情報処理装置１００は、第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成できば、どのような処理により合成情報を生成してもよい。
なお、上述したモデルＭ１を用いた処理は一例に過ぎず、情報処理装置１００は、第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成できば、どのような処理により合成情報を生成してもよい。
【0066】
例えば、情報処理装置１００は、第１画像と第２画像とを入力して、第１画像と第２画像とを合成した第１合成画像を出力するモデル（モデルＭ２）を用いてもよい。この場合、情報処理装置１００は、第１画像におけるユーザの顔の範囲である指定範囲を示す範囲指定情報に基づいて、モデルＭ２が出力した第１合成画像を編集することにより、第１画像における指定範囲の変動を抑制した第２合成画像を生成してもよい。
【0067】
例えば、情報処理装置１００は、モデルＭ２が出力した第１合成画像中において第１画像で人の顔が位置する領域に対応する領域を、第１画像で人の顔が位置する領域の画像に置き換えてもよい。これにより、情報処理装置１００は、合成画像における顔が位置する領域に、第１画像で人の顔が位置する領域を第１画像における指定範囲の変動を抑制した第２合成画像を生成してもよい。例えば、情報処理装置１００は、モデルＭ２が出力した第１合成画像中において第１画像で人の顔が位置する領域に対応する領域に、第１画像で人の顔が位置する領域の画像をコピーした第２合成画像を生成してもよい。
【0068】
また、情報処理装置１００は、合成情報に対するユーザの評価を受け付けてもよい。例えば、情報処理装置１００は、合成情報を提供したユーザ（「提供先ユーザ」ともいう）からの合成情報に対する評価を受け付ける。情報処理装置１００は、提供先ユーザの顔を含む第１画像と、提供先ユーザが指定したヘアスタイルの髪を含む第２画像とを合成した合成画像（「提供合成画像」ともいう）を提供先ユーザが利用する端末装置１０へ送信する。また、情報処理装置１００は、提供合成画像に対するユーザの評価を受け付けるためのコンテンツ（「評価受付用コンテンツ」ともいう）を提供先ユーザが利用する端末装置１０へ送信する。
【0069】
提供先ユーザが利用する端末装置１０は、受信した提供合成画像とともに、提供合成画像に対する評価を受け付けるコンテンツ（評価受付用コンテンツ）を表示する。端末装置１０は、０～１００点の点数を入力する数値入力ボックスと、その点数を送信するためにボタン（「評価送信用ボタン」ともいう）とを含む評価受付用コンテンツを表示する。端末装置１０は、提供先ユーザが評価受付用コンテンツの数値入力ボックスに数値を入力し、評価送信用ボタンを選択する操作を行った場合、提供先ユーザが入力した数値を、合成情報に対するユーザの評価を示す情報（「評価情報」ともいう）として、情報処理装置１００へ送信する。
【0070】
情報処理装置１００は、提供合成画像に対する提供先ユーザによる評価を示す評価情報を受信する。端末装置１０から評価情報を受信した情報処理装置１００は、受信した評価情報を記憶部１２０へ登録する。情報処理装置１００は、提供先ユーザによる評価に基づいて学習用データを生成してもよい。
【0071】
例えば、情報処理装置１００は、提供先ユーザによる評価が所定の基準を満たす場合、その提供先ユーザに提供した提供合成画像を正例として学習用データに追加してもよい。例えば、情報処理装置１００は、正例とした提供合成画像の生成時の入力情報が入力された場合、その提供合成画像を出力するように学習処理を行うことにより、モデルＭ１を更新してもよい。例えば、情報処理装置１００は、正例とした提供合成画像の生成時の入力情報が入力された場合、その提供合成画像を出力するように学習処理を行うことにより、モデルＭ１を更新してもよい。
【0072】
例えば、情報処理装置１００は、提供先ユーザによる点数が所定の閾値以上である場合、その提供先ユーザに提供した提供合成画像を正例として学習用データに追加してもよい。例えば、情報処理装置１００は、提供先ユーザによる点数が所定の閾値以上である場合、その提供先ユーザに提供した提供合成画像と、その提供合成画像の生成時の入力情報との組み合わせを、学習用データに追加してもよい。
【0073】
例えば、情報処理装置１００は、提供先ユーザによる評価が所定の基準を満たさない場合、その提供先ユーザに提供合成画像の編集を要求してもよい。この場合、情報処理装置１００は、その提供先ユーザにより編集された画像（「編集後合成画像」ともいう）を学習用データとして用いてもよい。この場合、情報処理装置１００は、編集後合成画像に対応する提供合成画像の生成時の入力情報が入力された場合、編集後合成画像を出力するように学習処理を行うことにより、モデルＭ１を更新してもよい。例えば、情報処理装置１００は、編集後合成画像に対応する提供合成画像の生成時の入力情報が入力された場合、その編集後合成画像を出力するように学習処理を行うことにより、モデルＭ１を更新してもよい。なお、上述した処理は一例に過ぎず、情報処理装置１００は、様々な処理により、モデルＭ１等のモデルを学習する学習処理を行ってもよい。
【0074】
〔２．情報処理装置の構成〕
次に、図６を用いて、実施形態に係る情報処理装置１００の構成について説明する。図６は、実施形態に係る情報処理装置１００の構成例を示す図である。図６に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
次に、図６を用いて、実施形態に係る情報処理装置１００の構成について説明する。図６は、実施形態に係る情報処理装置１００の構成例を示す図である。図６に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
【0075】
（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、端末装置１０及び情報提供装置５０との間で情報の送受信を行う。
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、端末装置１０及び情報提供装置５０との間で情報の送受信を行う。
【0076】
（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図６に示すように、学習用データ記憶部１２１と、モデル情報記憶部１２２と、合成結果情報記憶部１２３とを有する。また、記憶部１２０は、上記に限らず、種々の情報を記憶してもよい。
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図６に示すように、学習用データ記憶部１２１と、モデル情報記憶部１２２と、合成結果情報記憶部１２３とを有する。また、記憶部１２０は、上記に限らず、種々の情報を記憶してもよい。
【0077】
（学習用データ記憶部１２１）
実施形態に係る学習用データ記憶部１２１は、学習に用いるデータに関する各種情報を記憶する。なお、情報処理装置１００は、情報提供装置５０からモデルＭ１等の学習モデルを取得する場合、学習用データ記憶部１２１を有しなくてもよい。
実施形態に係る学習用データ記憶部１２１は、学習に用いるデータに関する各種情報を記憶する。なお、情報処理装置１００は、情報提供装置５０からモデルＭ１等の学習モデルを取得する場合、学習用データ記憶部１２１を有しなくてもよい。
【0078】
学習用データ記憶部１２１は、学習に用いる学習用データ（データセット）を記憶する。図７は、実施形態に係る学習用データ記憶部の一例を示す図である。例えば、学習用データ記憶部１２１は、学習に用いる学習用データや精度評価（測定）に用いる評価用データ等の種々のデータに関する各種情報を記憶する。図７に、実施形態に係る学習用データ記憶部１２１の一例を示す。図７の例では、学習用データ記憶部１２１は、「データセットＩＤ」、「データＩＤ」、「入力情報」、「正解情報」、「日時」といった項目が含まれる。
【0079】
「データセットＩＤ」は、データセットを識別するための識別情報を示す。「データＩＤ」は、データを識別するための識別情報を示す。また、「入力情報」は、データＩＤにより識別されるデータ（教師データ）の入力情報を示す。
【0080】
「正解情報」は、対応するデータ（教師データ）の正解情報（合成情報）を示す。例えば、「正解情報」は、対応する入力情報を用いた場合に生成される合成情報（合成画像）であってもよい。
【0081】
また、「日時」は、対応するデータに関する時間（日時）を示す。なお、図７の例では、「ＤＡ１」等で図示するが、「日時」には、「２０２２年５月２７日１７時４８分３７秒」等の具体的な日時であってもよいし、「バージョンＸＸのモデル学習から使用開始」等、そのデータがどのモデルの学習から使用が開始されたかを示す情報が記憶されてもよい。
【0082】
図７の例では、データセットＩＤ「ＤＳ１」により識別されるデータセット（データセットＤＳ１）には、データＩＤ「ＤＩＤ１」、「ＤＩＤ２」、「ＤＩＤ３」等により識別される複数のデータが含まれることを示す。例えば、データＩＤ「ＤＩＤ１」、「ＤＩＤ２」、「ＤＩＤ３」等により識別される各データ（学習用データ）は、モデルの学習に用いられる教師データである。
【0083】
例えば、データＩＤ「ＤＩＤ１」により識別されるデータは、入力情報がデータＤＴ１であり、そのデータＤＴ１をモデルＭ１に入力した場合に生成されるべき合成情報が正解情報ＬＢ１であることを示す。
【0084】
なお、学習用データ記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、学習用データ記憶部１２１は、各データが学習用データであるか、評価用データであるか等を特定可能に記憶してもよい。例えば、学習用データ記憶部１２１は、学習用データと評価用データとを区別可能に記憶する。学習用データ記憶部１２１は、各データが学習用データや評価用データであるかを識別する情報を記憶してもよい。情報処理装置１００は、学習用データとして用いられる各データと正解情報とに基づいて、モデルを学習する。情報処理装置１００は、評価用データとして用いられる各データと正解情報とに基づいて、モデルの精度を算出する。情報処理装置１００は、評価用データを入力した場合にモデルが出力する出力結果と、正解情報とを比較した結果を収集することにより、モデルの精度を算出する。
【0085】
（モデル情報記憶部１２２）
実施形態に係るモデル情報記憶部１２２は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２２は、学習処理により学習（生成）された学習済みモデル（モデル）の情報（モデルデータ）を記憶する。図８は、実施形態に係るモデル情報記憶部の一例を示す図である。図８に示した例では、モデル情報記憶部１２２は、「モデルＩＤ」、「用途」、「部分モデルＩＤ」、「部分用途」、「モデルデータ」といった項目が含まれる。なお、図８では、モデルＭ１のみを図示するが、モデルＭ２、Ｍ３等の複数のモデル情報が記憶されてもよい。
実施形態に係るモデル情報記憶部１２２は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２２は、学習処理により学習（生成）された学習済みモデル（モデル）の情報（モデルデータ）を記憶する。図８は、実施形態に係るモデル情報記憶部の一例を示す図である。図８に示した例では、モデル情報記憶部１２２は、「モデルＩＤ」、「用途」、「部分モデルＩＤ」、「部分用途」、「モデルデータ」といった項目が含まれる。なお、図８では、モデルＭ１のみを図示するが、モデルＭ２、Ｍ３等の複数のモデル情報が記憶されてもよい。
【0086】
「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「用途」は、対応するモデルの用途を示す。「部分モデルＩＤ」は、対応するモデルの部分モデルを識別するための識別情報を示す。例えば、部分モデルＩＤ「Ｍ１１」により識別される部分モデルは、図１の例に示したエンコーダＭ１１に対応する。「部分用途」は、対応する部分モデルの用途を示す。また、「モデルデータ」は、対応する部分モデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。
【0087】
図８では、モデルＭ１は、画像合成に用いられることを示す。モデルＭ１には、エンコーダＭ１１、デコーダＭ１２等が含まれることを示す。例えば、エンコーダＭ１１は、画像から特徴を抽出する部分モデル（エンコーダ）であり、デコーダＭ１２はエンコーダＭ１１が抽出した特徴を用いて画像を生成する部分モデル（デコーダ）である。
【0088】
例えば、部分モデルＩＤ「Ｍ１１」により識別されるモデル（エンコーダＭ１１）は、用途が「特徴抽出」であり、入力された画像情報からの特徴の抽出に用いられることを示す。また、図８では、エンコーダＭ１１は、モデルデータがモデルデータＭＤＴ１１であることを示す。また、部分モデルＩＤ「Ｍ１２」により識別されるモデル（デコーダＭ１２）は、用途が「画像生成」であり、入力された画像情報からの特徴の抽出に用いられることを示す。また、図８では、デコーダＭ１２は、モデルデータがモデルデータＭＤＴ１２であることを示す。
【0089】
なお、モデル情報記憶部１２２は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。モデル情報記憶部１２２は、学習に用いたデータ（学習用データ）を学習済みモデル（モデル）に対応付けて記憶してもよい。
【0090】
（合成結果情報記憶部１２３）
実施形態に係る合成結果情報記憶部１２３は、処理結果に関する各種情報を記憶する。図９は、実施形態に係る合成結果情報記憶部の一例を示す図である。図９に示す合成結果情報記憶部１２３は、「処理結果ＩＤ」、「合成前情報」、「合成結果情報」といった項目が含まれる。
実施形態に係る合成結果情報記憶部１２３は、処理結果に関する各種情報を記憶する。図９は、実施形態に係る合成結果情報記憶部の一例を示す図である。図９に示す合成結果情報記憶部１２３は、「処理結果ＩＤ」、「合成前情報」、「合成結果情報」といった項目が含まれる。
【0091】
「処理結果ＩＤ」は、処理結果を識別する識別情報を示す。「合成前情報」は、合成を行うために用いた入力情報等を示す。「合成前情報」には、「第１画像」、「第２画像」、「範囲指定情報」といった項目が含まれる。「合成結果情報」は、生成処理により得られた合成画像等の生成処理の結果（情報）を示す。
【0092】
例えば、処理結果ＩＤ「ＲＳ１」により識別される処理では、第１画像ＩＭ１１、第２画像ＩＭ１２、及び範囲指定情報ＲＤ１が用いられ、処理結果として合成画像ＩＳ１が得られたことを示す。
【0093】
なお、合成結果情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
【0094】
（制御部１３０）
図６の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
図６の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
【0095】
図６に示すように、制御部１３０は、取得部１３１と、学習部１３２と、決定部１３３と、生成部１３４と、提供部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図６に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
【0096】
（取得部１３１）
取得部１３１は、種々の情報を取得する。取得部１３１は、端末装置１０等の外部装置から各種情報を取得する。また、取得部１３１は、記憶部１２０から各種情報を取得する。また、取得部１３１は、学習用データ記憶部１２１や、モデル情報記憶部１２２や、合成結果情報記憶部１２３等から各種情報を取得する。
取得部１３１は、種々の情報を取得する。取得部１３１は、端末装置１０等の外部装置から各種情報を取得する。また、取得部１３１は、記憶部１２０から各種情報を取得する。また、取得部１３１は、学習用データ記憶部１２１や、モデル情報記憶部１２２や、合成結果情報記憶部１２３等から各種情報を取得する。
【0097】
取得部１３１は、通信部１１０を介して、外部の情報処理装置から各種情報を受信する。取得部１３１は、受信した情報を記憶部１２０に格納する。取得部１３１は、端末装置１０または情報提供装置５０から各種情報を受信する。取得部１３１は、ユーザが利用する端末装置１０から情報を取得する。例えば、取得部１３１は、情報提供装置５０から各種情報を取得する。例えば、取得部１３１は、情報提供装置５０からモデルの学習に用いる学習用データを受信する。例えば、取得部１３１は、情報提供装置５０からモデルを受信する。
【0098】
取得部１３１は、合成対象となる第１対象である第１対象情報を取得する。取得部１３１は、合成対象となる第２対象である第２対象情報を取得する。取得部１３１は、第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報を取得する。取得部１３１は、第１対象情報において合成情報にコピーしたい範囲として指定された指定範囲を示す範囲指定情報とを取得する。
【0099】
取得部１３１は、第１対象情報としての画像である第１画像を取得する。取得部１３１は、第２対象情報としての画像である第２画像を取得する。取得部１３１は、第１画像における指定範囲を示す範囲指定情報を取得する。
【0100】
取得部１３１は、人の頭部を含む第１画像を取得する。取得部１３１は、第１画像における人の顔の範囲を示す範囲指定情報を取得する。取得部１３１は、髪を含む第２画像を取得する。取得部１３１は、ユーザが指定した第２対象情報を取得する。
【0101】
取得部１３１は、ユーザの頭部を撮像した第１対象情報である第１画像を取得する。取得部１３１は、ユーザが指定した髪を含む第２対象情報である第２画像を取得する。取得部１３１は、第１画像におけるユーザの顔の範囲である指定範囲を示す範囲指定情報を取得する。
【0102】
（学習部１３２）
学習部１３２は、学習モデル（モデル）を学習する学習処理を実行する。なお、情報処理装置１００は、情報提供装置５０からモデルＭ１等の学習モデルを取得する場合、学習部１３２を有しなくてもよい。
学習部１３２は、学習モデル（モデル）を学習する学習処理を実行する。なお、情報処理装置１００は、情報提供装置５０からモデルＭ１等の学習モデルを取得する場合、学習部１３２を有しなくてもよい。
【0103】
例えば、学習部１３２は、取得部１３１により取得された各種情報に基づいて、学習処理を実行する。学習部１３２は、外部の情報処理装置からの情報や記憶部１２０に記憶された情報に基づいて、学習処理を実行する。学習部１３２は、モデル情報記憶部１２２に記憶された情報に基づいて、学習処理を実行する。学習部１３２は、学習により生成したモデルをモデル情報記憶部１２２に格納する。
【0104】
学習部１３２は、学習処理を行う。学習部１３２は、各種学習を行う。学習部１３２は、取得部１３１により取得された情報に基づいて、各種情報を学習する。学習部１３２は、モデルを学習（生成）する。学習部１３２は、モデル等の各種情報を学習する。学習部１３２は、学習によりモデルを生成する。学習部１３２は、種々の機械学習に関する技術を用いて、モデルを学習する。例えば、学習部１３２は、モデル（ネットワーク）のパラメータを学習する。学習部１３２は、種々の機械学習に関する技術を用いて、モデルを学習する。
【0105】
学習部１３２は、モデルＭ１等の各種の学習モデルを生成する。学習部１３２は、ネットワークのパラメータを学習する。例えば、学習部１３２は、モデルＭ１等の各種の学習モデルのネットワークのパラメータを学習する。学習部１３２は、モデル情報記憶部１２２に記憶された学習用データを用いて、学習処理を行うことにより、モデルＭ１等の各種の学習モデルを生成する。例えば、学習部１３２は、合成情報の生成に用いられるモデルを生成する。学習部１３２は、モデルＭ１等の各種の学習モデルのネットワークのパラメータを学習することにより、モデルＭ１等の各種の学習モデルを生成する。
【0106】
学習部１３２は、モデル情報記憶部１２２に記憶された学習用データ（教師データ）に基づいて、学習処理を行う。学習部１３２は、モデル情報記憶部１２２に記憶された学習用データを用いて、学習処理を行うことにより、モデルＭ１等の各種の学習モデルを生成する。
【0107】
例えば、学習部１３２は、モデルＭ１が出力する合成情報が、モデルＭ１に入力した入力情報（第１対象情報、第２対象情報、及び範囲指定情報）に対応付けられた正解情報（望ましい合成結果を示す情報）に近づくように、バックプロパゲーション（誤差逆伝播法）等の手法により学習処理を行う。例えば、学習部１３２は、第１画像、第２画像、及び範囲指定情報を含む入力情報が入力されたモデルＭ１が出力する合成画像が、その入力情報に対応付けられた正解情報に近づくように学習処理を行う。
【0108】
例えば、学習部１３２は、学習処理によりノード間で値が伝達する際に考慮される重み（すなわち、接続係数）の値を調整する。このように、学習部１３２は、モデルＭ１における出力と、入力に対応する正解情報との誤差が少なくなるようにパラメータ（接続係数）を補正するバックプロパゲーション等の処理によりモデルＭ１を学習する。例えば、学習部１３２は、所定の損失（ロス）関数を最小化するようにバックプロパゲーション等の処理を行うことによりモデルＭ１を生成する。これにより、学習部１３２は、モデルＭ１のパラメータを学習する学習処理を行うことができる。
【0109】
なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、学習部１３２は、学習用データに含まれる入力情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。
【0110】
上記のように、学習部１３２による学習の手法は特に限定されないが、例えば、データ（入力情報）とその正解情報（出力情報）とを紐づけた学習用データを用意し、その学習用データを多層ニューラルネットワークに基づいた計算モデルに入力して学習してもよい。また、例えばＣＮＮ、３Ｄ－ＣＮＮ等のＤＮＮに基づく手法が用いられてもよい。学習部１３２は、音声等のような時系列データを対象とする場合、再帰型ニューラルネットワーク（ＲＮＮ）やＲＮＮを拡張したＬＳＴＭ（Long Short-Term Memory units）に基づく手法を用いてもよい。
【0111】
（決定部１３３）
決定部１３３は、種々の情報を決定する決定処理を実行する。決定部１３３は、決定処理により決定した情報を記憶部１２０に格納する。例えば、決定部１３３は、取得部１３１により取得された各種情報に基づいて、決定処理を実行する。決定部１３３は、記憶部１２０に記憶された各種情報に基づいて、決定処理を実行する。例えば、決定部１３３は、外部の情報処理装置から受信された各種情報に基づいて、決定処理を実行する。
決定部１３３は、種々の情報を決定する決定処理を実行する。決定部１３３は、決定処理により決定した情報を記憶部１２０に格納する。例えば、決定部１３３は、取得部１３１により取得された各種情報に基づいて、決定処理を実行する。決定部１３３は、記憶部１２０に記憶された各種情報に基づいて、決定処理を実行する。例えば、決定部１３３は、外部の情報処理装置から受信された各種情報に基づいて、決定処理を実行する。
【0112】
（生成部１３４）
生成部１３４は、各種情報を生成する生成処理を実行する。例えば、生成部１３４は、取得部１３１により取得された各種情報に基づいて、生成処理を実行する。例えば、生成部１３４は、記憶部１２０に記憶された情報に基づいて、生成処理を実行する。
生成部１３４は、各種情報を生成する生成処理を実行する。例えば、生成部１３４は、取得部１３１により取得された各種情報に基づいて、生成処理を実行する。例えば、生成部１３４は、記憶部１２０に記憶された情報に基づいて、生成処理を実行する。
【0113】
生成部１３４は、学習部１３２により学習されたモデルを用いて、生成処理を実行する。例えば、生成部１３４は、決定部１３３により決定された情報に基づいて、生成処理を実行する。生成部１３４は、モデル情報記憶部１２２に記憶されたモデルを用いて、合成情報を生成する。
【0114】
生成部１３４は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成する。生成部１３４は、第１対象情報における指定範囲をコピーした合成情報を生成する。生成部１３４は、第１画像における指定範囲の変動を抑制して、第１画像と第２画像とを合成した合成情報である合成画像を生成する。
【0115】
生成部１３４は、第１画像に含まれる人の頭部のうち指定範囲に対応する範囲の変動を抑制した合成画像を生成する。生成部１３４は、第１画像における人の顔の変動を抑制した合成画像を生成する。生成部１３４は、第１画像に含まれる人の頭部に第２画像に含まれる髪を反映した合成画像を生成する。
【0116】
生成部１３４は、第１対象、第２対象及び指定範囲と、第１対象における指定範囲の変動を抑制した第１対象及び第２対象の合成との関連性の特徴を学習した学習モデルを用いて、合成情報を生成する。生成部１３４は、第１対象情報及び第２対象情報を入力として次元圧縮を行うエンコーダと、エンコーダにより次元圧縮された情報の次元を増やすデコーダとを含む学習モデルを用いて、合成情報を生成する。
【0117】
生成部１３４は、第１対象情報及び第２対象情報から特徴情報を抽出するエンコーダと、特徴情報と範囲指定情報とに基づいて合成情報を出力するデコーダとを含む学習モデルを用いて、合成情報を生成する。生成部１３４は、エンコーダと、第１対象情報における指定範囲に対応する情報と特徴情報とを反映した合成情報を出力するデコーダとを含む学習モデルを用いて、合成情報を生成する。
【0118】
生成部１３４は、第１画像及び第２画像を入力として、特徴情報を抽出するエンコーダと、特徴情報と範囲指定情報とに基づいて、第１画像及び第２画像を合成した合成情報である合成画像を出力するデコーダとを含む学習モデルを用いて、合成画像を生成する。生成部１３４は、人の頭部を含む第１画像と、第２画像と、範囲指定情報と、学習モデルを用いて、第１画像に含まれる人の頭部のうち指定範囲に対応する範囲の変動を抑制した合成画像を生成する。
【0119】
生成部１３４は、第１画像と、第２画像と、第１画像における人の顔の範囲を示す範囲指定情報と、学習モデルを用いて、第１画像における人の顔の変動を抑制した合成画像を生成する。生成部１３４は、第１画像と、髪を含む第２画像と、範囲指定情報と、学習モデルを用いて、第１画像に含まれる人の頭部に第２画像に含まれる髪を反映した合成画像を生成する。
【0120】
生成部１３４は、ユーザから取得した第２対象情報を用いて、合成情報を生成する。生成部１３４は、第１画像に含まれるユーザの頭部に第２画像に含まれる髪を反映した合成情報である合成画像を生成する。生成部１３４は、第１画像に含まれるユーザの顔をコピーし、第１画像に含まれるユーザのヘアスタイルに、第２画像に含まれる髪に対応するヘアスタイルを反映した合成画像を生成する。
【0121】
生成部１３４は、コンテンツを生成する。生成部１３４は、例えば、生成部１３４は、Ｊａｖａ（登録商標）等の種々の技術を適宜用いて、端末装置１０へ提供する画面（コンテンツ）を生成する。なお、生成部１３４は、ＣＳＳやＪａｖａＳｃｒｉｐｔ（登録商標）やＨＴＭＬの形式に基づいて、端末装置１０へ提供する画面（コンテンツ）を生成してもよい。また、例えば、生成部１３４は、ＪＰＥＧ（Joint Photographic Experts Group）やＧＩＦ（Graphics Interchange Format）やＰＮＧ（Portable Network Graphics）など様々な形式で画面（コンテンツ）を生成してもよい。生成部１３４は、評価受付用コンテンツを生成する。
【0122】
（提供部１３５）
提供部１３５は、各種情報を提供する。提供部１３５は、通信部１１０を介して、外部の情報処理装へ各種情報を送信する。提供部１３５は、端末装置１０や情報提供装置５０へ各種情報を送信する。提供部１３５は、生成処理の結果を端末装置１０へ送信する。
提供部１３５は、各種情報を提供する。提供部１３５は、通信部１１０を介して、外部の情報処理装へ各種情報を送信する。提供部１３５は、端末装置１０や情報提供装置５０へ各種情報を送信する。提供部１３５は、生成処理の結果を端末装置１０へ送信する。
【0123】
提供部１３５は、決定部１３３により決定された情報を提供する。提供部１３５は、生成部１３４により生成された情報を提供する。提供部１３５は、合成情報をユーザが利用する端末装置１０に提供する。提供部１３５は、合成画像ＩＳ１をユーザが利用する端末装置１０に送信する。提供部１３５は、生成部１３４により生成された評価受付用コンテンツをユーザが利用する端末装置１０に送信する。
【0124】
【0125】
図１０では、情報処理装置１００は、合成対象となる第１対象である第１対象情報を取得する（ステップＳ１０１）。例えば、情報処理装置１００は、第１対象情報としての画像である第１画像を取得する。
【0126】
また、情報処理装置１００は、合成対象となる第２対象である第２対象情報を取得する（ステップＳ１０２）。例えば、情報処理装置１００は、第２対象情報としての画像である第２画像を取得する。
【0127】
また、情報処理装置１００は、第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報を取得する（ステップＳ１０３）。例えば、情報処理装置１００は、第１画像における指定範囲を示す範囲指定情報する。
【0128】
そして、情報処理装置１００は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成する（ステップＳ１０４）。例えば、情報処理装置１００は、第１画像における指定範囲の変動を抑制して、第１画像と第２画像とを合成した合成情報である合成画像を生成する。
【0129】
〔４．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、取得部１３１と、生成部１３４とを有する。取得部１３１は、合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する。生成部１３４は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成する。
上述してきたように、実施形態に係る情報処理装置１００は、取得部１３１と、生成部１３４とを有する。取得部１３１は、合成対象となる第１対象である第１対象情報と、合成対象となる第２対象である第２対象情報と、第１対象情報において変動を抑制する範囲として指定された指定範囲を示す範囲指定情報とを取得する。生成部１３４は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成する。
【0130】
このように、実施形態に係る情報処理装置１００は、範囲指定情報に基づいて第１対象情報における指定範囲の変動を抑制し、第１対象情報と第２対象情報とを合成した合成情報を生成することにより、適切な合成情報を生成することができる。
【0131】
また、実施形態に係る情報処理装置１００において、取得部１３１は、第１対象情報と、第２対象情報と、第１対象情報において合成情報にコピーしたい範囲として指定された指定範囲を示す範囲指定情報とを取得する。生成部１３４は、第１対象情報における指定範囲をコピーした合成情報を生成する。
【0132】
このように、実施形態に係る情報処理装置１００は、第１対象情報における指定範囲をコピーした合成情報を生成することにより、適切な合成情報を生成することができる。
【0133】
また、実施形態に係る情報処理装置１００において、取得部１３１は、第１対象情報としての画像である第１画像と、第２対象情報としての画像である第２画像と、第１画像における指定範囲を示す範囲指定情報とを取得する。生成部１３４は、第１画像における指定範囲の変動を抑制して、第１画像と第２画像とを合成した合成情報である合成画像を生成する。
【0134】
このように、実施形態に係る情報処理装置１００は、第１画像における指定範囲の変動を抑制して、第１画像と第２画像とを合成した合成情報である合成画像を生成することにより、適切な合成情報を生成することができる。
【0135】
また、実施形態に係る情報処理装置１００において、取得部１３１は、人の頭部を含む第１画像を取得する。生成部１３４は、第１画像に含まれる人の頭部のうち指定範囲に対応する範囲の変動を抑制した合成画像を生成する。
【0136】
このように、実施形態に係る情報処理装置１００は、第１画像に含まれる人の頭部のうち指定範囲に対応する範囲の変動を抑制した合成画像を生成することにより、適切な合成情報を生成することができる。
【0137】
また、実施形態に係る情報処理装置１００において、取得部１３１は、第１画像における人の顔の範囲を示す範囲指定情報を取得する。生成部１３４は、第１画像における人の顔の変動を抑制した合成画像を生成する。
【0138】
このように、実施形態に係る情報処理装置１００は、第１画像における人の顔の変動を抑制した合成画像を生成することにより、適切な合成情報を生成することができる。
【0139】
また、実施形態に係る情報処理装置１００において、取得部１３１は、髪を含む第２画像を取得する。生成部１３４は、第１画像に含まれる人の頭部に第２画像に含まれる髪を反映した合成画像を生成する。
【0140】
このように、実施形態に係る情報処理装置１００は、第１画像に含まれる人の頭部に第２画像に含まれる髪を反映した合成画像を生成することにより、適切な合成情報を生成することができる。
【0141】
また、実施形態に係る情報処理装置１００において、生成部１３４は、第１対象、第２対象及び指定範囲と、第１対象における指定範囲の変動を抑制した第１対象及び第２対象の合成との関連性の特徴を学習した学習モデルを用いて、合成情報を生成する。
【0142】
このように、実施形態に係る情報処理装置１００は、第１対象、第２対象及び指定範囲と、第１対象における指定範囲の変動を抑制した第１対象及び第２対象の合成との関連性の特徴を学習した学習モデルを用いて、合成情報を生成することにより、適切な合成情報を生成することができる。
【0143】
また、実施形態に係る情報処理装置１００において、生成部１３４は、第１対象情報及び第２対象情報を入力として次元圧縮を行うエンコーダと、エンコーダにより次元圧縮された情報の次元を増やすデコーダとを含む学習モデルを用いて、合成情報を生成する。
【0144】
このように、実施形態に係る情報処理装置１００は、第１対象情報及び第２対象情報を入力として次元圧縮を行うエンコーダと、エンコーダにより次元圧縮された情報の次元を増やすデコーダとを含む学習モデルを用いて、合成情報を生成することにより、適切な合成情報を生成することができる。
【0145】
また、実施形態に係る情報処理装置１００において、生成部１３４は、第１対象情報及び第２対象情報から特徴情報を抽出するエンコーダと、特徴情報と範囲指定情報とに基づいて合成情報を出力するデコーダとを含む学習モデルを用いて、合成情報を生成する。
【0146】
このように、実施形態に係る情報処理装置１００は、第１対象情報及び第２対象情報から特徴情報を抽出するエンコーダと、特徴情報と範囲指定情報とに基づいて合成情報を出力するデコーダとを含む学習モデルを用いて、合成情報を生成することにより、適切な合成情報を生成することができる。
【0147】
また、実施形態に係る情報処理装置１００において、生成部１３４は、エンコーダと、第１対象情報における指定範囲に対応する情報と特徴情報とを反映した合成情報を出力するデコーダとを含む学習モデルを用いて、合成情報を生成する。
【0148】
このように、実施形態に係る情報処理装置１００は、エンコーダと、第１対象情報における指定範囲に対応する情報と特徴情報とを反映した合成情報を出力するデコーダとを含む学習モデルを用いて、合成情報を生成することにより、適切な合成情報を生成することができる。
【0149】
また、実施形態に係る情報処理装置１００において、取得部１３１は、第１対象情報としての画像である第１画像と、第２対象情報としての画像である第２画像と、第１画像における指定範囲を示す範囲指定情報とを取得する。生成部１３４は、第１画像及び第２画像を入力として、特徴情報を抽出するエンコーダと、特徴情報と範囲指定情報とに基づいて、第１画像及び第２画像を合成した合成情報である合成画像を出力するデコーダとを含む学習モデルを用いて、合成画像を生成する。
【0150】
このように、実施形態に係る情報処理装置１００は、第１画像及び第２画像を入力として、特徴情報を抽出するエンコーダと、特徴情報と範囲指定情報とに基づいて、第１画像及び第２画像を合成した合成情報である合成画像を出力するデコーダとを含む学習モデルを用いて、合成画像を生成することにより、適切な合成情報を生成することができる。
【0151】
また、実施形態に係る情報処理装置１００において、取得部１３１は、人の頭部を含む第１画像を取得する。生成部１３４は、人の頭部を含む第１画像と、第２画像と、範囲指定情報と、学習モデルを用いて、第１画像に含まれる人の頭部のうち指定範囲に対応する範囲の変動を抑制した合成画像を生成する。
【0152】
このように、実施形態に係る情報処理装置１００は、人の頭部を含む第１画像と、第２画像と、範囲指定情報と、学習モデルを用いて、第１画像に含まれる人の頭部のうち指定範囲に対応する範囲の変動を抑制した合成画像を生成することにより、適切な合成情報を生成することができる。
【0153】
また、実施形態に係る情報処理装置１００において、取得部１３１は、第１画像における人の顔の範囲を示す範囲指定情報を取得する。生成部１３４は、第１画像と、第２画像と、第１画像における人の顔の範囲を示す範囲指定情報と、学習モデルを用いて、第１画像における人の顔の変動を抑制した合成画像を生成する。
【0154】
このように、実施形態に係る情報処理装置１００は、第１画像と、第２画像と、第１画像における人の顔の範囲を示す範囲指定情報と、学習モデルを用いて、第１画像における人の顔の変動を抑制した合成画像を生成することにより、適切な合成情報を生成することができる。
【0155】
また、実施形態に係る情報処理装置１００において、取得部１３１は、髪を含む第２画像を取得する。生成部１３４は、第１画像と、髪を含む第２画像と、範囲指定情報と、学習モデルを用いて、第１画像に含まれる人の頭部に第２画像に含まれる髪を反映した合成画像を生成する。
【0156】
このように、実施形態に係る情報処理装置１００は、第１画像と、髪を含む第２画像と、範囲指定情報と、学習モデルを用いて、第１画像に含まれる人の頭部に第２画像に含まれる髪を反映した合成画像を生成することにより、適切な合成情報を生成することができる。
【0157】
また、実施形態に係る情報処理装置１００において、取得部１３１は、ユーザが指定した第２対象情報を取得する。生成部１３４は、ユーザから取得した第２対象情報を用いて、合成情報を生成する。
【0158】
このように、実施形態に係る情報処理装置１００は、ユーザから取得した第２対象情報を用いて、合成情報を生成することにより、適切な合成情報を生成することができる。
【0159】
また、実施形態に係る情報処理装置１００は、提供部１３５を有する。提供部１３５は、合成情報をユーザが利用する端末装置１０に提供する。
【0160】
このように、実施形態に係る情報処理装置１００は、合成情報をユーザが利用する端末装置１０に提供することにより、適切に生成された合成情報をユーザに提供することができる。
【0161】
また、実施形態に係る情報処理装置１００において、取得部１３１は、ユーザの頭部を撮像した第１対象情報である第１画像と、ユーザが指定した髪を含む第２対象情報である第２画像と、第１画像におけるユーザの顔の範囲である指定範囲を示す範囲指定情報とを取得する。生成部１３４は、第１画像に含まれるユーザの頭部に第２画像に含まれる髪を反映した合成情報である合成画像を生成する。
【0162】
このように、実施形態に係る情報処理装置１００は、第１画像に含まれるユーザの頭部に第２画像に含まれる髪を反映した合成情報である合成画像を生成することにより、適切な合成情報を生成することができる。
【0163】
また、実施形態に係る情報処理装置１００において、生成部１３４は、第１画像に含まれるユーザの顔をコピーし、第１画像に含まれるユーザのヘアスタイルに、第２画像に含まれる髪に対応するヘアスタイルを反映した合成画像を生成する。
【0164】
このように、実施形態に係る情報処理装置１００は、第１画像に含まれるユーザの顔をコピーし、第１画像に含まれるユーザのヘアスタイルに、第２画像に含まれる髪に対応するヘアスタイルを反映した合成画像を生成することにより、適切な合成情報を生成することができる。
【0165】
〔５．ハードウェア構成〕
上述してきた実施形態に係る情報処理装置１００は、例えば図１１に示すような構成のコンピュータ１０００によって実現される。図１１は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
上述してきた実施形態に係る情報処理装置１００は、例えば図１１に示すような構成のコンピュータ１０００によって実現される。図１１は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
【0166】
ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
【0167】
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。
【0168】
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。
【0169】
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
【0170】
例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。
【0171】
以上、本願の実施形態及び変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
【0172】
〔６．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
【0173】
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
【0174】
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
【0175】
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。
【符号の説明】
【0176】
１ 情報処理システム
１００ 情報処理装置
１２１ 学習用データ記憶部
１２２ モデル情報記憶部
１２３ 合成結果情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 学習部
１３３ 決定部
１３４ 生成部
１３５ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ ネットワーク
１００ 情報処理装置
１２１ 学習用データ記憶部
１２２ モデル情報記憶部
１２３ 合成結果情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 学習部
１３３ 決定部
１３４ 生成部
１３５ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ 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】
【図11】