発明が解決しようとする課題[発明の詳細な説明]から抜粋

課題を解決するための手段[発明の詳細な説明]から抜粋

発明の効果[発明の詳細な説明]から抜粋

非特許文献１に記載の技術でもそうであるが、一般的なＧＡＮでは、データの分布を学習して、本物データの分布に類似する偽のデータ分布を生成可能な生成器を得る。これに対し、本発明に係る観測値の推定方法及び装置の一態様では、ＧＡＮ等の敵対的学習において関数自体の分布を学習する。即ち、この関数は観測場の状態に応じて変化する関数であり、関数の分布は観測場の状態に応じた確率的な分布である。

観測場における観測対象の分布が時間的に明確な周期性を有していない場合であっても、いつかは実質的に同じであるとみなせる分布が現れるという仮定が可能であれば、観測値の分布のパターンは有限であるといえる。つまりは、観測場の状態も有限である。そうした仮定の下では、少数の観測位置における観測結果に基く敵対的学習によって、観測場の状態を表す変数と観測位置を示す変数とを引数にとる生成関数を求めることができる。

本発明に係る観測値の推定方法及び装置の一態様によれば、要求される空間分解能に対応する観測場全体の観測位置の数に比べて、かなり少ない数の観測位置における観測値に基いて、観測場全体又はその一部の範囲についての観測値の分布を推定可能な関数を取得することができる。それにより、例えば観測場内の全ての観測位置における観測値を取得するためにスキャンを行う速度に比べて高速に変動する現象や状態を観測したい場合に、物理的な或いはコスト的な制約条件にとらわれることなく、また全体を測定した過去のデータに基く統計的な分布に頼ることなく、比較的少数の観測値に基いて取得した分布情報に依る圧縮センシングを実施することができる。その結果、手間とコストとを節約しながら、広い観測場についての観測値の分布を的確に把握することができる。

また、本発明に係る画像再構成方法及び装置の一態様によれば、観測場内の比較的少数の観測位置における観測値に基いて、該観測場全体についての精度の高い観測値の分布を示す画像を得ることができる。