特表 2023-532436 トポロジフレンドリ表現を用いたグラフ条件付きオートエンコーダ（ＧＣＡＥ）のための方法、装置、及びシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-07-28

(54)【発明の名称】トポロジフレンドリ表現を用いたグラフ条件付きオートエンコーダ（ＧＣＡＥ）のための方法、装置、及びシステム

(51)【国際特許分類】

   G06N 3/0455 20230101AFI20230721BHJP

   G06T 7/00 20170101ALI20230721BHJP

   G06V 10/82 20220101ALI20230721BHJP

   G06V 10/86 20220101ALI20230721BHJP

   G06N 3/04 20230101ALI20230721BHJP

【ＦＩ】

G06N3/0455

G06T7/00 350C

G06V10/82

G06V10/86

G06N3/04 100

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022578678

(86)(22)【出願日】2021-05-27

(85)【翻訳文提出日】2023-01-10

(86)【国際出願番号】 US2021034400

(87)【国際公開番号】W WO2022005653

(87)【国際公開日】2022-01-06

(31)【優先権主張番号】63/047,446

(32)【優先日】2020-07-02

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＷＣＤＭＡ

２．３ＧＰＰ

(71)【出願人】

【識別番号】510030995

【氏名又は名称】インターデイジタル パテント ホールディングス インコーポレイテッド

(74)【代理人】

【識別番号】110001243

【氏名又は名称】弁理士法人谷・阿部特許事務所

(72)【発明者】

【氏名】パン、チアハオ

(72)【発明者】

【氏名】ティエン、トン

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096AA09

5L096EA39

5L096FA32

5L096GA32

5L096HA11

5L096KA04

5L096MA07

(57)【要約】

ニューラルネットワークベースのデコーダ（ＮＮＢＤ）によって実装される方法、装置、及びシステムが開示される。１つの方法では、ＮＮＢＤは、入力データ表現の記述子としてコードワードを取得又は受信することができる。第１のニューラルネットワークモジュールは、少なくともコードワード及び初期グラフに基づいて、入力データ表現の予備的再構築を決定することができる。ＮＮＢＤは、少なくとも予備的再構築及びコードワードに基づいて、修正されたグラフを決定することができる。第１のニューラルネットワークモジュールは、少なくともコードワード及び修正されたグラフに基づいて、入力データ表現の精緻化された再構築を決定することができる。修正されたグラフは、入力データ表現に関連するトポロジ情報を示し得る。
【選択図】図５

【特許請求の範囲】

【請求項1】

ニューラルネットワークベースのデコーダ（ＮＮＢＤ）によって実装される方法であって、
前記ＮＮＢＤによって、入力データ表現の記述子としてコードワードを取得又は受信することと、
第１のニューラルネットワークモジュールによって、少なくとも前記コードワード及び初期グラフに基づいて、前記入力データ表現の予備的再構築を決定することと、
少なくとも前記予備的再構築及び前記コードワードに基づいて、修正されたグラフを決定することと、
前記第１のニューラルネットワークモジュールによって、少なくとも前記コードワード及び前記修正されたグラフに基づいて、前記入力データ表現の精緻化された再構築を決定することであって、
前記修正されたグラフは、前記入力データ表現に関連するトポロジ情報を示す、ことと、を含む、方法。

【請求項2】

前記修正されたグラフは、前記初期グラフと第２のニューラルネットワークモジュールの出力とを組み合わせることによって決定される、請求項１に記載の方法。

【請求項3】

前記修正されたグラフは、局所接続グラフである、請求項１に記載の方法。

【請求項4】

少なくとも複製されたコードワード、前記初期グラフ又は前記修正されたグラフ、及び前記再構築されたデータ表現を連結することによって、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）によって処理するための連結行列を生成することを更に含む、請求項１に記載の方法。

【請求項5】

前記生成された連結行列を使用して一連の畳み込み層演算を実行することを更に含み、各畳み込み層演算のカーネルサイズは（２ｎ＋１）×（２ｎ＋１）カーネルサイズであり、ｎは非負整数である、請求項４に記載の方法。

【請求項6】

前記入力データ表現は、（１）点群、（２）画像、（３）ビデオ、又は（４）オーディオのうちのいずれかである、請求項１に記載の方法。

【請求項7】

前記ＮＮＢＤはグラフ条件付きＮＮＢＤであり、
前記入力データ表現の前記精緻化された再構築を前記決定することは、少なくとも前記第１のニューラルネットワークモジュールの複数の反復動作を介して実行される、
請求項１に記載の方法。

【請求項8】

前記ＮＮＢＤは、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）又は１つ以上の多層パーセプトロン（ＭＬＰ）のうちのいずれかを含む、請求項１に記載の方法。

【請求項9】

前記ＮＮＢＤは、１つ以上の多層パーセプトロン（ＭＬＰ）を含み、
前記修正されたグラフ及び前記データ表現の前記精緻化された再構築は、前記１つ以上のＭＬＰによって生成された勾配情報に更に基づく、
請求項１に記載の方法。

【請求項10】

前記修正されたグラフによって示される前記トポロジ情報に従って、（１）前記入力データ表現で表される１つ以上のオブジェクト、（２）前記オブジェクトの数、（３）前記入力データ表現で表されるオブジェクト表面、及び／又は（４）前記入力データ表現で表されるオブジェクトに関連する動きベクトル、のうちのいずれかを識別することを更に含む、請求項１に記載の方法。

【請求項11】

前記コードワードは、オブジェクト又は複数のオブジェクトを有するシーンを表す記述子ベクトルである、請求項１に記載の方法。

【請求項12】

前記初期グラフ及び前記修正されたグラフは、２次元（２Ｄ）点セットであり、
前記入力データ表現は点群であり、
前記入力データ表現の前記予備的再構築を前記決定することは、前記記述子ベクトルと、平面内の所定のサンプリングで初期化される前記２Ｄ点セットとに基づいて、変形動作を実行することを含む、
請求項１に記載の方法。

【請求項13】

前記入力データ表現の前記予備的再構築を前記決定することは、前記点群の前記予備的再構築を生成することを含む、請求項１２に記載の方法。

【請求項14】

前記修正されたグラフを前記決定することは、
前記修正されたグラフを生成するために、前記点群、前記記述子ベクトル、及び前記初期グラフの前記予備的再構築に基づいて、分割動作を実行することを含む、請求項１２に記載の方法。

【請求項15】

前記修正されたグラフを局所接続グラフとして生成することと、
前記入力データ表現の前記精緻化された再構築に対してグラフフィルタリングを実行することと、
前記入力データ表現の前記フィルタリングされ精緻化された再構築を、前記入力データ表現の最終再構築として出力することと、
を更に含む、請求項１３に記載の方法。

【請求項16】

前記局所接続グラフは、
前記初期グラフ又は修正されたグラフ内の最近傍のグラフエッジを生成することと、
前記修正されたグラフ内の点距離に基づいてグラフエッジ重みを割り当てることと、
閾値よりも小さいグラフ重みを有するグラフエッジをプルーニングすることと、に基づく、請求項１５に記載の方法。

【請求項17】

前記入力データ表現の前記精緻化された再構築に対して前記グラフフィルタリングを前記実行することは、前記入力データ表現の前記最終再構築がグラフ領域において平滑化されるように、平滑化され再構築された入力データ表現を生成することを含む、請求項１５に記載の方法。

【請求項18】

２段階訓練動作に従って前記ＮＮＢＤにおけるニューラルネットワーク重みを設定することを更に含む、請求項１に記載の方法。

【請求項19】

前記２段階訓練動作の前記第１の段階において、第１の段階の損失関数に含まれるスーパーセット距離を用いて前記第１のニューラルネットワークモジュールを訓練することと、
前記２段階訓練動作の前記第２の段階において、サブセット距離及び前記スーパーセット距離に基づいて、第２の段階の損失関数に含まれる面取り距離を用いて前記第１のニューラルネットワークモジュール及び前記第２のニューラルネットワークモジュールを訓練することと、
を含む、請求項１８に記載の方法。

【請求項20】

前記初期グラフは、各点が２Ｄ位置を示す点の行列を含む２Ｄグリッドであり、
前記２Ｄグリッドは多様体に関連し、各点は前記多様体上の固定位置を示し、
前記２Ｄグリッドは、２Ｄ平面からサンプリングされた点の固定セットである、
請求項１に記載の方法。

【請求項21】

前記修正されたグラフを前記決定することは、
Ｋ×Ｄコードワード行列を生成するために、前記受信又は取得したコードワードをＫ回複製することであって、Ｋは前記初期グラフ内のノードの数であり、Ｄは前記コードワードの長さである、ことと、
前記Ｋ×Ｄコードワード行列と前記初期グラフとをＫｘＮ行列として連結して、Ｋｘ（Ｄ＋Ｎ）連結行列を生成することと、
前記連結行列を１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）又は多層パーセプトロン（ＭＬＰ）に入力することと、
前記連結行列から前記１つ以上のＣＮＮ又はＭＬＰによって、前記修正されたグラフを生成することと、
前記修正されたグラフに基づいて前記入力データ表現の前記精緻化された再構築を更新して、前記入力データ表現の最終再構築を生成することと、を含む、請求項２０に記載の方法。

【請求項22】

前記コードワード行列を、連結された中間行列として、ＣＮＮ層又はＭＬＰ層の第１のセットの前記出力に連結することと、
前記連結された中間行列を、ＣＮＮ層又はＭＬＰ層の前記第１のセットに続くＣＮＮ層又はＭＬＰ層の次のセットに入力することと、
を更に含む、請求項２１に記載の方法。

【請求項23】

ニューラルネットワークベースのデコーダ（ＮＮＢＤ）であって、
入力データ表現の記述子としてコードワードを受信又は取得するように構成された受信機ユニットと、
少なくとも前記コードワード及び初期グラフに基づいて、前記入力データ表現の予備的再構築を決定するように構成された第１のニューラルネットワーク（ＮＮ）モジュールと、
少なくとも前記予備的再構築及び前記コードワードに基づいて、修正されたグラフを決定するように構成された第２のＮＮモジュールと、を含み、
前記第１のＮＮモジュールは、少なくとも前記コードワード及び前記修正されたグラフに基づいて、前記入力データ表現の精緻化された再構築を決定するように更に構成され、
前記修正されたグラフは、前記入力データ表現に関連するトポロジ情報を示す、ニューラルネットワークベースのデコーダ（ＮＮＢＤ）。

【請求項24】

前記修正されたグラフは局所接続グラフである、請求項２３に記載のＮＮＢＤ。

【請求項25】

前記第２のＮＮモジュールは、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）を含み、
前記ＮＮＢＤは、少なくとも（１）複製されたコードワード、（２）前記初期グラフ又は前記修正されたグラフ、及び（３）前記再構築されたデータ表現を使用して連結行列を生成するように構成され、
前記１つ以上のＣＮＮは、前記連結行列を処理し、前記修正されたグラフ又は精緻化された修正されたグラフを生成するように構成されている、
請求項２３に記載のＮＮＢＤ。

【請求項26】

前記１つ以上のＣＮＮは、前記生成された連結行列を使用して、一連の畳み込み層演算を実行するように構成され、
各畳み込み層演算のためのカーネルサイズは、（２ｎ＋１）×（２ｎ＋１）カーネルサイズであり、ここで、ｎは非負整数である、
請求項２５に記載のＮＮＢＤ。

【請求項27】

前記入力データ表現は、（１）点群、（２）画像、（３）ビデオ、又は（４）オーディオのうちのいずれかである、請求項２３に記載のＮＮＢＤ。

【請求項28】

前記ＮＮＢＤはグラフ条件付きＮＮＢＤであり、
前記第１のＮＮモジュールは、複数の反復動作を実行するように構成されている、
請求項２３に記載のＮＮＢＤ。

【請求項29】

前記第２のＮＮモジュールは、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）又は１つ以上の多層パーセプトロン（ＭＬＰ）のうちのいずれかを含む、請求項２３に記載のＮＮＢＤ。

【請求項30】

前記第１のＮＮモジュールは、勾配情報を生成するように構成された１つ以上の多層パーセプトロン（ＭＬＰ）を含み、
前記第２のＮＮモジュールは、前記１つ以上のＭＬＰによって生成された前記勾配情報に基づいて、前記修正されたグラフを出力するように構成されている、
請求項２３に記載のＮＮＢＤ。

【請求項31】

前記修正されたグラフによって示される前記トポロジ情報に従って、（１）前記入力データ表現で表される１つ以上のオブジェクト、（２）前記オブジェクトの数、（３）前記入力データ表現で表されるオブジェクト表面、又は（４）前記入力データ表現で表されるオブジェクトに関連する動きベクトルのうちのいずれかを識別するように構成されている、請求項２３に記載のＮＮＢＤ。

【請求項32】

前記コードワードは、オブジェクト又は複数のオブジェクトを有するシーンを表す記述子ベクトルである、請求項２３に記載のＮＮＢＤ。

【請求項33】

前記初期グラフ及び前記修正されたグラフは、２次元（２Ｄ）点セットであり、
前記入力データ表現は点群であり、
前記第１のＮＮモジュールは、前記記述子ベクトルと、平面内の所定のサンプリングで初期化された前記２Ｄ点セットとに基づいて変形動作を実行するように構成されている、
請求項２３に記載のＮＮＢＤ。

【請求項34】

前記第１のＮＮモジュールは、前記点群の前記予備的再構築を生成するように構成されている、請求項３３に記載のＮＮＢＤ。

【請求項35】

前記第２のＮＮモジュールは、前記修正されたグラフを生成するために、前記点群、前記記述子ベクトル、及び前記初期グラフの前記予備的再構築に基づいて、分割動作を実行するように構成されている、請求項３３に記載のＮＮＢＤ。

【請求項36】

前記第２のＮＮモジュールは、前記修正されたグラフを局所接続グラフとして生成するように構成され、
前記ＮＮＢＤは、前記入力データ表現の前記精緻化された再構築に対してグラフフィルタリングを実行し、前記入力データ表現の前記フィルタリングされ精緻化された再構築を、前記入力データ表現の最終再構築として出力するように構成されている、
請求項３４に記載のＮＮＢＤ。

【請求項37】

前記局所接続グラフは、前記初期グラフ又は閾値を上回る割り当てられた重みを有する前記修正されたグラフ内の最近傍のグラフエッジに基づいて構築される、請求項３６に記載のＮＮＢＤ。

【請求項38】

前記ＮＮＢＤは、前記入力データ表現の前記最終再構築がグラフ領域において平滑化されるように、平滑化され再構築された入力データ表現を生成するように構成されている、請求項３６に記載のＮＮＢＤ。

【請求項39】

前記ＮＮＢＤは、２段階訓練動作に従って前記ＮＮＢＤ内のニューラルネットワーク重みを設定するように更に構成されている、請求項２３に記載のＮＮＢＤ。

【請求項40】

前記２段階訓練動作の前記第１の段階において、前記ＮＮＢＤは、第１の段階の損失関数に含まれるスーパーセット距離を使用して前記第１のＮＮモジュールを訓練するように構成され、
前記２段階訓練動作の前記第２の段階において、前記ＮＮＢＤは、サブセット距離及び前記スーパーセット距離に基づいて、第２の段階の損失関数に含まれる面取り距離を使用して、前記第１のＮＮモジュール及び前記第２のＮＮモジュールを訓練するように構成されている、
請求項３９に記載のＮＮＢＤ。

【請求項41】

前記初期グラフは、各点が２Ｄ位置を示す点の行列を含む２Ｄグリッドであり、
前記２Ｄグリッドは多様体に関連し、各点は前記多様体上の固定位置を示し、
前記２Ｄグリッドは、２Ｄ平面からサンプリングされた点の固定セットである、
請求項２３に記載のＮＮＢＤ。

【請求項42】

前記ＮＮＢＤは、
Ｋ×Ｄコードワード行列を生成するために、前記受信又は取得したコードワードをＫ回複製することであって、Ｋは前記初期グラフ内のノードの数であり、Ｄは前記コードワードの長さである、ことと、
前記Ｋ×Ｄコードワード行列と前記初期グラフとをＫｘＮ行列として連結して、Ｋｘ（Ｄ＋Ｎ）連結行列を生成することと、
前記連結行列を前記ＮＮＢＤの１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）又は多層パーセプトロン（ＭＬＰ）に入力することと、
前記連結行列から前記ＮＮＢＤの前記１つ以上のＣＮＮ又はＭＬＰによって、前記修正されたグラフを生成することと、
前記修正されたグラフに基づいて前記入力データ表現の前記精緻化された再構築を更新して、前記入力データ表現の最終再構築を生成することと、を実行するように構成されている、請求項４１に記載のＮＮＢＤ。

【請求項43】

前記ＮＮＢＤは、
前記コードワード行列を、連結された中間行列として、ＣＮＮ層又はＭＬＰ層の第１のセットの前記出力に連結することと、
前記連結された中間行列を、ＣＮＮ層又はＭＬＰ層の前記第１のセットに続くＣＮＮ層又はＭＬＰ層の次のセットに入力することと、を実行するように構成されている、請求項４２に記載のＮＮＢＤ。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願の相互参照）
本出願は、２０２０年６月１日に出願され、２０２０年７月２日に再出願された米国特許出願第６３／０４７，４４６号に対する優先権の利益を主張し、その内容は、本明細書に完全に記載されているかのように参照により組み込まれる。

【0002】

本明細書に開示される実施形態は、概して、データ表現の処理及び／又は圧縮及び再構築のためのオートエンコーダに関し、例えば、学習トポロジフレンドリ表現を使用して、例えば、点群（ＰＣ）、ビデオ、画像、及びオーディオを含むデータ表現を処理、分析、補間、表現、及び／又は理解するための方法、装置、及びシステムに関する。

【発明を実施するための形態】

【0003】

特定の実施形態では、教師なし学習プロセス、動作、方法、及び／又は機能は、とりわけ、ＴｅａｒｉｎｇＮｅｔ又はグラフ条件付きオートエンコーダ（ＧＣＡＥ）を使用して、例えば３Ｄ ＰＣ及び／又は他の実装形態のために実装され得る。例えば、教師なし学習動作は、ラベリング情報なしの、とりわけ、３Ｄ ＰＣ、ビデオ、画像、及び／又はオーディオのコンパクト表現の学習を含み得る。このように、代表的な特徴は、３Ｄ ＰＣ及び／又は他のデータ表現から抽出（例えば、自動的に抽出）されてもよく、補助情報及び／又は事前情報として任意の後続タスクに適用されてもよい。大量のデータ（例えば、ＰＣデータ又は他のデータ）をラベル付けすることは、時間がかかることがあり、及び／又は高価であることがあるので、教師なし学習は有益であり得る。

【0004】

特定の実施形態では、オートエンコーダは、例えば、そのコンパクト表現及び／又はセマンティック記述子に基づいて、ＰＣを再構築するために実装されてもよい。例えば、オブジェクトに対応するセマンティック記述子が与えられると、特定のオブジェクトを表すＰＣが復元され得る。そのような再構築は、一般的な教師なし学習フレームワーク（例えば、オートエンコーダ）内のデコーダとして実装（例えば、フィッティング）され得、ここで、エンコーダは、意味解釈をもつ特徴記述子を出力し得る。

【0005】

特定の実施形態では、オートエンコーダは、例えば、（例えば、トポロジ推論及び／又はトポロジ情報を介して）トポロジを考慮／使用するために実装され得る。ＰＣ再構築を扱う場合、グラフトポロジは、点間の関係を決定／考慮（例えば、明示的に決定／考慮）するために実装され得る。完全に接続されたグラフトポロジは、オブジェクト表面に追従しないため、ＰＣトポロジの表現においてかなり不正確である可能性があり、高い種数を有するオブジェクト及び／又は複数のオブジェクトを有するシーンを扱う場合にはあまり効果的でない可能性がある。再構築されたＰＣ内のＮ^２個の所与の点において、学習すべきＮ個のグラフパラメータ（グラフ重み）があるため、完全なグラフの学習はコストがかかる場合があり、及び／又は大量のメモリ及び／又は計算を使用する場合がある。

【0006】

いくつかの実施形態では、方法、装置、システム、及び／又は手順は、ＰＣトポロジ表現を学習する（例えば、効果的に学習する）ように実装され得る。実装は、複雑なオブジェクト／シーンのためのＰＣの再構築において有益であり得るだけでなく、とりわけ、分類、セグメント化、及び／又は認識における弱教師ありＰＣタスクにも適用され得る。

【図面の簡単な説明】

【0007】

より詳細な理解は、以下の詳細な説明から、例示として添付の図面と併せて与えられ得る。説明中の図は例である。したがって、図及び詳細な説明は限定的であるとみなされるべきではなく、他の同様に効果的な例が可能であり、可能性が高い。また、図中の同様の参照番号は、同様の要素を示している。

【図1A】１つ以上の開示された実施形態が実装され得る、例示的な通信システムを示すシステム図である。

【図1B】一実施形態による、図１Ａに示される通信システム内で使用され得る、例示的な無線送信／受信ユニット（ＷＴＲＵ）を示すシステム図である。

【図1C】一実施形態による、図１Ａに示される通信システム内で使用され得る、例示的な無線アクセスネットワーク（radio access network、ＲＡＮ）及び例示的なコアネットワーク（core network、ＣＮ）を示すシステム図である。

【図1D】一実施形態による、図１Ａに示される通信システム内で使用され得る、更なる例示的なＲＡＮ及び更なる例示的なＣＮを示すシステム図である。

【図2】代表的なオートエンコーダ（例えば、ＦｏｌｄｉｎｇＮｅｔ）を示す図である。

【図3】別の代表的なオートエンコーダ（例えば、ＡｔｌａｓＮｅｔ）を示す図である。

【図4】更なる代表的なオートエンコーダ（例えば、ＦｏｌｄｉｎｇＮｅｔ＋＋）を示す図である。

【図5】例えばＴｅａｒｉｎｇ Ｎｅｔｗｏｒｋ（Ｔ－Ｎｅｔ）モジュールを有する追加の代表的なオートエンコーダ（例えば、ＴｅａｒｉｎｇＮｅｔ）を示す図である。

【図6】代表的なＴ－Ｎｅｔモジュールを示す図である。

【図7A】入力ＰＣと、結果として生じる引き裂かれた２Ｄグリッドと、再構築されたＰＣの一例を示す図である。

【図7B】入力ＰＣと、結果として生じる引き裂かれた２Ｄグリッドと、再構築されたＰＣの一例を示す図である。

【図7C】入力ＰＣと、結果として生じる引き裂かれた２Ｄグリッドと、再構築されたＰＣの一例を示す図である。

【図8】例えばＰＣ用のＴ－Ｎｅｔモジュールを使用する代表的なＧＣＡＥオートエンコーダを示す図である。

【図9】例えば、一般化された動作において使用するための（例えば、とりわけ、ＰＣ、画像、ビデオ、及び／又はオーディオと共に使用するためなどの）Ｔ－Ｎｅｔモジュールを使用する代表的なＧＣＡＥを示す図である。

【図10】（例えば、ニューラルネットワークベースのデコーダ（ＮＮＢＤ）によって実装される）代表的な方法を示すブロック図である。

【図11】多段階訓練動作を使用する代表的な訓練方法を示すブロック図である。

【図12】別の代表的な方法（例えば、ＮＮＢＤによって実装される）を示すブロック図である。

【図13】例えば、符号化ネットワーク（Ｅ－Ｎｅｔ）モジュール及びＮＮＢＤを含む、（例えば、ニューラルネットワークベースのオートエンコーダ（ＮＮＢＡＥ）によって実装される）更なる代表的な方法を示すブロック図である。

【図14】追加の代表的な方法（例えば、ＮＮＢＤによって実装される）を示すブロック図である。

【図15】多段階訓練動作を使用する（例えば、ニューラルネットワーク（ＮＮ）によって実装される）別の代表的な訓練方法を示すブロック図である。

【図16】（例えば、Ｅ－Ｎｅｔモジュール及びＮＮＢＤを含むＮＮＢＡＥによって実装される）更に別の代表的な方法を示すブロック図である。 （発明を実施するための形態）

【0008】

実施形態を実施するための例示的なネットワーク
図１Ａは、１つ以上の開示された実施形態が実装され得る、例示的な通信システム１００を示す図である。通信システム１００は、音声、データ、ビデオ、メッセージ伝達、ブロードキャストなどのコンテンツを、複数の無線ユーザに提供する、多重アクセスシステムであり得る。通信システム１００は、複数の無線ユーザが、無線帯域幅を含むシステムリソースの共有を通じて、上記のようなコンテンツにアクセスすることを可能にし得る。例えば、通信システム１００は、符号分割多重アクセス（code division multiple access、ＣＤＭＡ）、時分割多重アクセス（time division multiple access、ＴＤＭＡ）、周波数分割多重アクセス（frequency division multiple access、ＦＤＭＡ）、直交ＦＤＭＡ（orthogonal FDMA、ＯＦＤＭＡ）、シングルキャリアＦＤＭＡ（single-carrier FDMA、ＳＣ－ＦＤＭＡ）、ゼロテールユニークワードＤＦＴ－Ｓｐｒｅａｄ ＯＦＤＭ（zero-tail unique-word DFT-Spread OFDM、ＺＴ ＵＷ ＤＴＳ－ｓ ＯＦＤＭ）、ユニークワードＯＦＤＭ（unique word OFDM、ＵＷ－ＯＦＤＭ）、リソースブロックフィルタ処理ＯＦＤＭ、フィルタバンクマルチキャリア（filter bank multicarrier、ＦＢＭＣ）などの、１つ以上のチャネルアクセス方法を採用し得る。

【0009】

図１Ａに示されるように、通信システム１００は、無線送信／受信ユニット（ＷＴＲＵ）１０２ａ、１０２ｂ、１０２ｃ、１０２ｄと、ＲＡＮ１０４／１１３と、ＣＮ１０６／１１５と、公衆交換電話網（public switched telephone network、ＰＳＴＮ）１０８と、インターネット１１０と、他のネットワーク１１２とを含み得るが、開示される実施形態は、任意の数のＷＴＲＵ、基地局、ネットワーク、及び／又はネットワーク要素を企図していることが理解されよう。ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄの各々は、無線環境において動作し、かつ／又は通信するように構成された、任意のタイプのデバイスであり得る。例として、それらのいずれも「局」及び／又は「ＳＴＡ」と称され得るＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄは、無線信号を送信及び／又は受信するように構成され得、ユーザ機器（user equipment、ＵＥ）、移動局、固定又は移動加入者ユニット、加入ベースのユニット、ページャ、セルラ電話、携帯情報端末（personal digital assistant、ＰＤＡ）、スマートフォン、ラップトップ、ネットブック、パーソナルコンピュータ、無線センサ、ホットスポット又はＭｉ－Ｆｉデバイス、モノのインターネット（Internet of Things、ＩｏＴ）デバイス、ウォッチ又は他のウェアラブル、ヘッドマウントディスプレイ（ＨＭＤ）、車両、ドローン、医療デバイス及びアプリケーション（例えば、遠隔手術）、工業用デバイス及びアプリケーション（例えば、工業用及び／又は自動処理チェーンコンテキストで動作するロボット及び／又は他の無線デバイス）、家電デバイス、商業用及び／又は工業用無線ネットワークで動作するデバイスなどを含み得る。ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、及び１０２ｄのいずれも、互換的にＵＥと称され得る。

【0010】

通信システム１００はまた、基地局１１４ａ及び／又は基地局１１４ｂを含み得る。基地局１１４ａ、１１４ｂの各々は、ＣＮ１０６／１１５、インターネット１１０、及び／又は他のネットワーク１１２など、１つ以上の通信ネットワークへのアクセスを容易にするために、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄのうちの少なくとも１つと無線でインターフェース接続するように構成された、任意のタイプのデバイスであり得る。例として、基地局１１４ａ、１１４ｂは、基地局トランシーバ（base transceiver station、ＢＴＳ）、ノードＢ、ｅＮｏｄｅＢ（ｅＮＢ）、ホームノードＢ（ＨＮＢ）、ホームｅＮｏｄｅＢ（ＨｅＮＢ）、ｇＮＢ、ＮＲ ＮｏｄｅＢ、サイトコントローラ、アクセスポイント（access point、ＡＰ）、無線ルータなどであり得る。基地局１１４ａ、１１４ｂは各々単一の要素として示されているが、基地局１１４ａ、１１４ｂは、任意の数の相互接続された基地局及び／又はネットワーク要素を含み得ることが理解されるであろう。

【0011】

基地局１１４ａは、基地局コントローラ（base station controller、ＢＳＣ）、無線ネットワークコントローラ（radio network controller、ＲＮＣ）、リレーノードなど、他の基地局及び／又はネットワーク要素（図示せず）も含み得る、ＲＡＮ１０４／１１３の一部であり得る。基地局１１４ａ及び／又は基地局１１４ｂは、セル（図示せず）と称され得る、１つ以上のキャリア周波数で無線信号を送信及び／又は受信するように構成され得る。これらの周波数は、認可スペクトル、未認可スペクトル、又は認可及び未認可スペクトルの組み合わせであり得る。セルは、相対的に固定され得るか又は経時的に変化し得る特定の地理的エリアに、無線サービスのカバレッジを提供し得る。セルは、更にセルセクタに分割され得る。例えば、基地局１１４ａと関連付けられたセルは、３つのセクタに分割され得る。したがって、一実施形態では、基地局１１４ａは、３つのトランシーバを、すなわち、セルのセクタごとに１つのトランシーバを含み得る。一実施形態では、基地局１１４ａは、多重入力多重出力（multiple-input multiple output、ＭＩＭＯ）技術を用い得、セルのセクタごとに複数のトランシーバを利用し得る。例えば、ビームフォーミングを使用して、所望の空間方向に信号を送信及び／又は受信し得る。

【0012】

基地局１１４ａ、１１４ｂは、エアインターフェース１１６を介して、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄのうちの１つ以上と通信し得るが、このエアインターフェース１１６は、任意の好適な無線通信リンク（例えば、無線周波数（radio frequency、ＲＦ）、マイクロ波、センチメートル波、マイクロメートル波、赤外線（infrared、ＩＲ）、紫外線（ultraviolet、ＵＶ）、可視光など）であり得る。エアインターフェース１１６は、任意の好適な無線アクセス技術（radio access technology、ＲＡＴ）を使用して確立され得る。

【0013】

より具体的には、上記のように、通信システム１００は、多重アクセスシステムであり得、例えば、ＣＤＭＡ、ＴＤＭＡ、ＦＤＭＡ、ＯＦＤＭＡ、ＳＣ－ＦＤＭＡなどの、１つ以上のチャネルアクセススキームを用い得る。例えば、ＲＡＮ１０４／１１３内の基地局１１４ａ、及びＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、ユニバーサル移動体通信システム（Universal Mobile Telecommunications System、ＵＭＴＳ）地上無線アクセス（UMTS Terrestrial Radio Access、ＵＴＲＡ）などの無線技術を実装し得、これは広帯域ＣＤＭＡ（wideband CDMA、ＷＣＤＭＡ）を使用してエアインターフェース１１５／１１６／１１７を確立し得る。ＷＣＤＭＡは、高速パケットアクセス（High-Speed Packet Access、ＨＳＰＡ）及び／又は進化型ＨＳＰＡ（ＨＳＰＡ＋）などの通信プロトコルを含み得る。ＨＳＰＡは、高速ダウンリンク（Downlink、ＤＬ）パケットアクセス（High-Speed Downlink Packet Access、ＨＳＤＰＡ）及び／又は高速アップリンクパケットアクセス（High-Speed UL Packet Access、ＨＳＵＰＡ）を含み得る。

【0014】

一実施形態では、基地局１１４ａ及びＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、進化型ＵＭＴＳ地上無線アクセス（Evolved UMTS Terrestrial Radio Access、Ｅ－ＵＴＲＡ）などの無線技術を実装し得るが、これは、ロングタームエボリューション（ＬＴＥ）及び／又はＬＴＥ－Ａｄｖａｎｃｅｄ（ＬＴＥ－Ａ）及び／又はＬＴＥ－Ａｄｖａｎｃｅｄ Ｐｒｏ（ＬＴＥ－Ａ Ｐｒｏ）を使用してエアインターフェース１１６を確立し得る。

【0015】

一実施形態では、基地局１１４ａ及びＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、ＮＲ無線アクセスなどの無線技術を実装することができ、この技術は、Ｎｅｗ Ｒａｄｉｏ（ＮＲ）を使用してエアインターフェース１１６を確立することができる。

【0016】

一実施形態では、基地局１１４ａ及びＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、複数の無線アクセス技術を実装し得る。例えば、基地局１１４ａ及びＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、例えば、デュアルコネクティビティ（dual connectivity、ＤＣ）原理を使用して、ＬＴＥ無線アクセス及びＮＲ無線アクセスを一緒に実装し得る。したがって、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃによって利用されるエアインターフェースは、複数のタイプの基地局（例えば、ｅＮＢ及びｇＮＢ）に／から送信される複数のタイプの無線アクセス技術及び／又は送信によって特徴付けられ得る。

【0017】

他の実施形態では、基地局１１４ａ及びＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、ＩＥＥＥ８０２．１１（すなわち、無線フィデリティ（Wireless Fidelity、ＷｉＦｉ）、ＩＥＥＥ８０２．１６（すなわち、ワイマックス（Worldwide Interoperability for Microwave Access、ＷｉＭＡＸ）、ＣＤＭＡ２０００、ＣＤＭＡ２０００ １Ｘ、ＣＤＭＡ２０００ ＥＶ－ＤＯ、暫定規格２０００（ＩＳ－２０００）、暫定規格９５（ＩＳ－９５）、暫定規格８５６（ＩＳ－８５６）、汎欧州デジタル移動電話方式（Global System for Mobile communications、ＧＳＭ）、ＧＳＭ進化型高速データレート（Enhanced Data rates for GSM Evolution、ＥＤＧＥ）、ＧＳＭ ＥＤＧＥ（ＧＥＲＡＮ）などの無線技術を実装し得る。

【0018】

図１Ａの基地局１１４ｂは、例えば、無線ルータ、ホームノードＢ、ホームｅＮｏｄｅ Ｂ又はアクセスポイントであり得、事業所、家庭、車両、キャンパス、工業施設、（例えば、ドローンによる使用のための）空中回廊、道路などの場所などの局所的エリアにおける無線接続を容易にするために、任意の好適なＲＡＴを利用し得る。一実施形態では、基地局１１４ｂ及びＷＴＲＵ１０２ｃ、１０２ｄは、ＩＥＥＥ８０２．１１などの無線技術を実装して、無線ローカルエリアネットワーク（wireless local area network、ＷＬＡＮ）を確立し得る。一実施形態では、基地局１１４ｂ及びＷＴＲＵ１０２ｃ、１０２ｄは、ＩＥＥＥ８０２．１５などの無線技術を実装して、無線パーソナルエリアネットワーク（wireless personal area network、ＷＰＡＮ）を確立し得る。更に別の一実施形態では、基地局１１４ｂ及びＷＴＲＵ１０２ｃ、１０２ｄは、セルラベースのＲＡＴ（例えば、ＷＣＤＭＡ、ＣＤＭＡ２０００、ＧＳＭ、ＬＴＥ、ＬＴＥ－Ａ、ＬＴＥ－Ａ Ｐｒｏ、ＮＲなど）を利用して、ピコセル又はフェムトセルを確立し得る。図１Ａに示すように、基地局１１４ｂは、インターネット１１０への直接接続を有し得る。したがって、基地局１１４ｂは、ＣＮ１０６／１１５を介してインターネット１１０にアクセスする必要がない場合がある。

【0019】

ＲＡＮ１０４／１１３は、ＣＮ１０６／１１５と通信し得、これは、音声、データ、アプリケーション、及び／又はボイスオーバインターネットプロトコル（voice over internet protocol、ＶｏＩＰ）サービスをＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄのうちの１つ以上に提供するように構成された、任意のタイプのネットワークであり得る。データは、例えば、異なるスループット要件、待ち時間要件、エラー許容要件、信頼性要件、データスループット要件、モビリティ要件などの、様々なサービス品質（quality of service、ＱｏＳ）要件を有し得る。ＣＮ１０６／１１５は、呼制御、支払い請求サービス、移動体位置ベースのサービス、プリペイド呼、インターネット接続性、ビデオ配信などを提供し、かつ／又はユーザ認証などの高レベルセキュリティ機能を実行し得る。図１Ａには示されていないが、ＲＡＮ１０４／１１３及び／又はＣＮ１０６／１１５は、ＲＡＮ１０４／１１３と同じＲＡＴ又は異なるＲＡＴを採用する他のＲＡＮと、直接又は間接的に通信し得ることが理解されよう。例えば、ＮＲ無線技術を利用し得るＲＡＮ１０４／１１３に接続されていることに加えて、ＣＮ１０６／１１５はまた、ＧＳＭ、ＵＭＴＳ、ＣＤＭＡ２０００、ＷｉＭＡＸ、Ｅ－ＵＴＲＡ、又はＷｉＦｉ無線技術を採用して別のＲＡＮ（図示せず）と通信し得る。

【0020】

ＣＮ１０６／１１５はまた、ＰＳＴＮ１０８、インターネット１１０、及び／又は他のネットワーク１１２にアクセスするために、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄのためのゲートウェイとしての機能を果たし得る。ＰＳＴＮ１０８は、基本電話サービス（plain old telephone service、ＰＯＴＳ）を提供する公衆交換電話網を含み得る。インターネット１１０は、相互接続されたコンピュータネットワーク及びデバイスのグローバルシステムを含み得るが、これらのネットワーク及びデバイスは、送信制御プロトコル（transmission control protocol、ＴＣＰ）、ユーザデータグラムプロトコル（user datagram protocol、ＵＤＰ）、及び／又はＴＣＰ／ＩＰインターネットプロトコルスイートのインターネットプロトコル（internet protocol、ＩＰ）などの、共通通信プロトコルを使用する。ネットワーク１１２は、他のサービスプロバイダによって所有及び／又は運営される、有線及び／又は無線通信ネットワークを含み得る。例えば、ネットワーク１１２は、ＲＡＮ１０４／１１３と同じＲＡＴ又は異なるＲＡＴを採用し得る、１つ以上のＲＡＮに接続された別のＣＮを含み得る。

【0021】

通信システム１００におけるＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄのいくつか又は全ては、マルチモード能力を含み得る（例えば、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃ、１０２ｄは、異なる無線リンクを介して異なる無線ネットワークと通信するための複数のトランシーバを含み得る）。例えば、図１Ａに示されるＷＴＲＵ１０２ｃは、セルラベースの無線技術を用い得る基地局１１４ａ、及びＩＥＥＥ８０２無線技術を用い得る基地局１１４ｂと通信するように構成され得る。

【0022】

図１Ｂは、例示的なＷＴＲＵ１０２を示すシステム図である。図１Ｂに示すように、ＷＴＲＵ１０２は、とりわけ、プロセッサ１１８、トランシーバ１２０、送信／受信要素１２２、スピーカ／マイクロフォン１２４、キーパッド１２６、ディスプレイ／タッチパッド１２８、非リムーバブルメモリ１３０、リムーバブルメモリ１３２、電源１３４、全地球測位システム（global positioning system、ＧＰＳ）チップセット１３６、及び／又は他の周辺機器１３８を含み得る。ＷＴＲＵ１０２は、一実施形態との一貫性を有したまま、前述の要素の任意の部分的組み合わせを含み得ることが理解されよう。

【0023】

プロセッサ１１８は、汎用プロセッサ、専用プロセッサ、従来のプロセッサ、デジタル信号プロセッサ（digital signal processor、ＤＳＰ）、複数のマイクロプロセッサ、ＤＳＰコアと関連付けられた１つ以上のマイクロプロセッサ、コントローラ、マイクロコントローラ、特定用途向け集積回路（Application Specific Integrated Circuit、ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array、ＦＰＧＡ）回路、任意の他のタイプの集積回路（integrated circuit、ＩＣ）、状態機械などであり得る。プロセッサ１１８は、信号コーディング、データ処理、電力制御、入力／出力処理、及び／又はＷＴＲＵ１０２が無線環境で動作することを可能にする任意の他の機能性を実行し得る。プロセッサ１１８は、送信／受信要素１２２に結合され得るトランシーバ１２０に結合され得る。図１Ｂは、プロセッサ１１８及びトランシーバ１２０を別個のコンポーネントとして示すが、プロセッサ１１８及びトランシーバ１２０は、電子パッケージ又はチップにおいて一緒に統合され得るということが理解されよう。

【0024】

送信／受信要素１２２は、エアインターフェース１１６を介して基地局（例えば、基地局１１４ａ）に信号を送信するか又は基地局（例えば、基地局１１４ａ）から信号を受信するように構成され得る。例えば、一実施形態では、送信／受信要素１２２は、ＲＦ信号を送信及び／又は受信するように構成されたアンテナであり得る。一実施形態では、送信／受信要素１２２は、例えば、ＩＲ、ＵＶ又は可視光信号を送信及び／又は受信するように構成されたエミッタ／検出器であり得る。更に別の実施形態では、送信／受信要素１２２は、ＲＦ信号及び光信号の両方を送信及び／又は受信するように構成され得る。送信／受信要素１２２は、無線信号の任意の組み合わせを送信及び／又は受信するように構成され得るということが理解されよう。

【0025】

送信／受信要素１２２は、単一の要素として図１Ｂに示されているが、ＷＴＲＵ１０２は、任意の数の送信／受信要素１２２を含み得る。より具体的には、ＷＴＲＵ１０２は、ＭＩＭＯ技術を用い得る。したがって、一実施形態では、ＷＴＲＵ１０２は、エアインターフェース１１６を介して無線信号を送受信するための２つ以上の送信／受信要素１２２（例えば、複数のアンテナ）を含み得る。

【0026】

トランシーバ１２０は、送信／受信要素１２２によって送信される信号を変調し、送信／受信要素１２２によって受信される信号を復調するように構成され得る。上記のように、ＷＴＲＵ１０２は、マルチモード能力を有し得る。したがって、トランシーバ１２０は、例えばＮＲ及びＩＥＥＥ８０２．１１などの複数のＲＡＴを介してＷＴＲＵ１０２が通信することを可能にするための複数のトランシーバを含み得る。

【0027】

ＷＴＲＵ１０２のプロセッサ１１８は、スピーカ／マイクロフォン１２４、キーパッド１２６、及び／又はディスプレイ／タッチパッド１２８（例えば、液晶ディスプレイ（liquid crystal display、ＬＣＤ）表示ユニット若しくは有機発光ダイオード（organic light-emitting diode、ＯＬＥＤ）表示ユニット）に結合され得、これらからユーザが入力したデータを受信し得る。プロセッサ１１８はまた、ユーザデータをスピーカ／マイクロフォン１２４、キーパッド１２６、及び／又はディスプレイ／タッチパッド１２８に出力し得る。更に、プロセッサ１１８は、非リムーバブルメモリ１３０及び／又はリムーバブルメモリ１３２などの任意のタイプの好適なメモリから情報にアクセスし、当該メモリにデータを記憶し得る。非リムーバブルメモリ１３０は、ランダムアクセスメモリ（random-access memory、ＲＡＭ）、読み取り専用メモリ（read-only memory、ＲＯＭ）、ハードディスク又は任意の他のタイプのメモリ記憶デバイスを含み得る。リムーバブルメモリ１３２は、加入者識別モジュール（subscriber identity module、ＳＩＭ）カード、メモリスティック、セキュアデジタル（secure digital、ＳＤ）メモリカードなどを含み得る。他の実施形態では、プロセッサ１１８は、サーバ又はホームコンピュータ（図示せず）上など、ＷＴＲＵ１０２上に物理的に配置されていないメモリの情報にアクセスし、かつ当該メモリにデータを記憶し得る。

【0028】

プロセッサ１１８は、電源１３４から電力を受信し得るが、ＷＴＲＵ１０２における他の構成要素に電力を分配し、かつ／又は制御するように構成され得る。電源１３４は、ＷＴＲＵ１０２に電力を供給するための任意の好適なデバイスであり得る。例えば、電源１３４は、１つ以上の乾電池（例えば、ニッケルカドミウム（nickel-cadmium、ＮｉＣｄ）、ニッケル亜鉛（nickel-zinc、ＮｉＺｎ）、ニッケル金属水素化物（nickel metal hydride、ＮｉＭＨ）、リチウムイオン（lithium-ion、Ｌｉ－ｉｏｎ）など）、太陽セル、燃料セルなどを含み得る。

【0029】

プロセッサ１１８はまた、ＧＰＳチップセット１３６に結合され得、これは、ＷＴＲＵ１０２の現在の場所に関する場所情報（例えば、経度及び緯度）を提供するように構成され得る。ＧＰＳチップセット１３６からの情報に加えて又はその代わりに、ＷＴＲＵ１０２は、基地局（例えば、基地局１１４ａ、１１４ｂ）からエアインターフェース１１６を介して場所情報を受信し、かつ／又は２つ以上の近くの基地局から受信されている信号のタイミングに基づいて、その場所を判定し得る。ＷＴＲＵ１０２は、一実施形態との一貫性を有したまま、任意の好適な位置判定方法によって位置情報を取得し得るということが理解されよう。

【0030】

プロセッサ１１８は、他の周辺機器１３８に更に結合され得、他の周辺機器１３８には、追加の特徴、機能、及び／又は有線若しくは無線接続を提供する１つ以上のソフトウェア及び／又はハードウェアモジュールが含まれ得る。例えば、周辺機器１３８には、加速度計、電子コンパス、衛星トランシーバ、（写真及び／又はビデオのための）デジタルカメラ、ユニバーサルシリアルバス（universal serial bus、ＵＳＢ）ポート、振動デバイス、テレビトランシーバ、ハンズフリーヘッドセット、Ｂｌｕｅｔｏｏｔｈ（登録商標）モジュール、周波数変調（frequency modulated、ＦＭ）無線ユニット、デジタル音楽プレーヤ、メディアプレーヤ、ビデオゲームプレーヤモジュール、インターネットブラウザ、仮想現実及び／又は拡張現実（Virtual Reality/Augmented Reality、ＶＲ／ＡＲ）デバイス、アクティビティトラッカなどが含まれ得る。周辺機器１３８は、１つ以上のセンサを含み得、センサは、ジャイロスコープ、加速度計、ホール効果センサ、磁力計、方位センサ、近接センサ、温度センサ、時間センサ、ジオロケーションセンサ、高度計、光センサ、タッチセンサ、磁力計、気圧計、ジェスチャセンサ、生体認証センサ、及び／又は湿度センサのうちの１つ以上であり得る。

【0031】

ＷＴＲＵ １０２のプロセッサ１１８は、本明細書で開示される代表的な実施形態を実装するために、例えば、１つ以上の加速度計、１つ以上のジャイロスコープ、ＵＳＢポート、他の通信インターフェース／ポート、ディスプレイ及び／又は他の視覚／音声インジケータのうちのいずれかを含む様々な周辺機器１３８と動作可能に通信することができる。

【0032】

ＷＴＲＵ１０２は、（例えば、（例えば、送信のための）ＵＬ及び（例えば、受信のための）ＤＬの両方の特定のサブフレームと関連付けられた）信号の一部又は全部の送受信が、同時及び／又は一緒であり得る、全二重無線機を含み得る。全二重無線機は、ハードウェア（例えば、チョーク）又はプロセッサを介した信号処理（例えば、別個のプロセッサ（図示せず）又はプロセッサ１１８を介して）を介して自己干渉を低減し、かつ又は実質的に排除するための干渉管理ユニットを含み得る。一実施形態では、ＷＴＲＵ１０２は、（例えば、（例えば、送信のための）ＵＬ又は（例えば、受信のための）ＤＬのいずれかの特定のサブフレームと関連付けられた）信号の一部又は全部の送受信の半二重無線機を含み得る。

【0033】

図１Ｃは、一実施形態によるＲＡＮ１０４及びＣＮ１０６を図示するシステム図である。上記のように、ＲＡＮ１０４は、Ｅ－ＵＴＲＡ無線技術を用いて、エアインターフェース１１６を介してＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃと通信し得る。ＲＡＮ１０４はまた、ＣＮ１０６と通信し得る。

【0034】

ＲＡＮ１０４は、ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃを含み得るが、ＲＡＮ１０４は、一実施形態との一貫性を有しながら、任意の数のｅＮｏｄｅＢを含み得るということが理解されよう。ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃは各々、エアインターフェース１１６を介してＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃと通信するための１つ以上のトランシーバを含み得る。一実施形態では、ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃは、ＭＩＭＯ技術を実装し得る。したがって、ｅＮｏｄｅＢ１６０ａは、例えば、複数のアンテナを使用して、ＷＴＲＵ１０２ａに無線信号を送信し、かつ／又はＷＴＲＵ１０２ａから無線信号を受信し得る。

【0035】

ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃの各々は、特定のセル（図示せず）と関連付けられ得、ＵＬ及び／又はＤＬにおいて、無線リソース管理決定、ハンドオーバ決定、ユーザのスケジューリングなどを処理するように構成され得る。図１Ｃに示すように、ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃは、Ｘ２インターフェースを介して互いに通信し得る。

【0036】

図１Ｃに示されるＣＮ１０６は、モビリティ管理エンティティ（mobility management entity、ＭＭＥ）１６２、サービングゲートウェイ（serving gateway、ＳＧＷ）１６４、及びパケットデータネットワーク（packet data network、ＰＤＮ）ゲートウェイ（又はＰＧＷ）１６６を含み得る。前述の要素の各々は、ＣＮ１０６の一部として示されているが、これらの要素のいずれも、ＣＮオペレータ以外のエンティティによって所有及び／又は操作され得ることが理解されよう。

【0037】

ＭＭＥ１６２は、Ｓ１インターフェースを介して、ＲＡＮ１０４内のｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃの各々に接続され得、制御ノードとして機能し得る。例えば、ＭＭＥ１６２は、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃのユーザを認証すること、ベアラのアクティブ化／非アクティブ化、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃの初期アタッチ中に特定のサービス中のゲートウェイを選択すること、などの役割を果たし得る。ＭＭＥ１６２は、ＲＡＮ１０４と、ＧＳＭ及び／又はＷＣＤＭＡなどの他の無線技術を採用する他のＲＡＮ（図示せず）との間で切り替えるための制御プレーン機能を提供し得る。

【0038】

ＳＧＷ１６４は、Ｓ１インターフェースを介してＲＡＮ１０４におけるｅＮｏｄｅ－Ｂ１６０ａ、１６０ｂ、１６０ｃの各々に接続され得る。ＳＧＷ１６４は、概して、ユーザデータパケットをＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃに／からルーティングし、転送し得る。ＳＧＷ１６４は、ｅＮｏｄｅ－Ｂ間ハンドオーバ中にユーザプレーンをアンカする機能、ＤＬデータがＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃに利用可能であるときにページングをトリガする機能、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃのコンテキストを管理及び記憶する機能などの、他の機能を実行し得る。

【0039】

ＳＧＷ１６４は、ＰＧＷ１６６に接続され得、ＰＧＷ１６６は、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃとＩＰ対応デバイスとの間の通信を容易にするために、インターネット１１０などのパケット交換ネットワークへのアクセスをＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃに提供し得る。

【0040】

ＣＮ１０６は、他のネットワークとの通信を容易にし得る。例えば、ＣＮ１０６は、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃと従来の地上回線通信デバイスとの間の通信を容易にするために、ＰＳＴＮ１０８などの回路交換ネットワークへのアクセスをＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃに提供し得る。例えば、ＣＮ１０６は、ＣＮ１０６とＰＳＴＮ１０８との間のインターフェースとして機能するＩＰゲートウェイ（例えば、ＩＰマルチメディアサブシステム（IP multimedia subsystem、ＩＭＳ）サーバ）を含み得るか、又はそれと通信し得る。更に、ＣＮ１０６は、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃに他のネットワーク１１２へのアクセスを提供し得、他のネットワーク１１２は、他のサービスプロバイダによって所有及び／又は動作される他の有線及び／又は無線ネットワークを含み得る。

【0041】

ＷＴＲＵは、無線端末として図１Ａ～図１Ｄに記載されているが、特定の代表的な実施形態では、そのような端末は、通信ネットワークとの（例えば、一時的又は永久的に）有線通信インターフェースを使用し得ることが企図される。

【0042】

代表的な実施形態では、他のネットワーク１１２は、ＷＬＡＮであり得る。

【0043】

インフラストラクチャ基本サービスセット（Basic Service Set、ＢＳＳ）モードのＷＬＡＮは、ＢＳＳのアクセスポイント（ＡＰ）及びＡＰと関連付けられた１つ以上のステーション（station、ＳＴＡ）を有し得る。ＡＰは、配信システム（Distribution System、ＤＳ）若しくはＢＳＳに入る、かつ／又はＢＳＳから出るトラフィックを搬送する別のタイプの有線／無線ネットワークへのアクセス又はインターフェースを有し得る。ＢＳＳ外から生じる、ＳＴＡへのトラフィックは、ＡＰを通って到達し得、ＳＴＡに配信され得る。ＳＴＡからＢＳＳ外の宛先への生じるトラフィックは、ＡＰに送信されて、それぞれの宛先に送信され得る。ＢＳＳ内のＳＴＡどうしの間のトラフィックは、例えば、ＡＰを介して送信され得、ソースＳＴＡは、ＡＰにトラフィックを送信し得、ＡＰは、トラフィックを宛先ＳＴＡに配信し得。ＢＳＳ内のＳＴＡ間のトラフィックは、ピアツーピアトラフィックとしてみなされ、かつ／又は参照され得る。ピアツーピアトラフィックは、ソースＳＴＡと宛先ＳＴＡとの間で（例えば、それらの間で直接的に）、直接リンクセットアップ（direct link setup、ＤＬＳ）で送信され得る。特定の代表的な実施形態では、ＤＬＳは、８０２．１１ｅ ＤＬＳ又は８０２．１１ｚトンネル化ＤＬＳ（tunneled DLS、ＴＤＬＳ）を使用し得る。独立ＢＳＳ（Independent BSS、ＩＢＳＳ）モードを使用するＷＬＡＮは、ＡＰを有しない場合があり、ＩＢＳＳ内又はそれを使用するＳＴＡ（例えば、ＳＴＡの全部）は、互いに直接通信し得る。通信のＩＢＳＳモードは、本明細書では、「アドホック」通信モードと称され得る。

【0044】

８０２．１１ａｃインフラストラクチャ動作モード又は同様の動作モードを使用するときに、ＡＰは、プライマリチャネルなどの固定チャネル上にビーコンを送信し得る。一次チャネルは、固定幅（例えば、２０ＭＨｚ幅の帯域幅）又はシグナリングを介して動的に設定される幅であり得る。プライマリチャネルは、ＢＳＳの動作チャネルであり得、ＡＰとの接続を確立するためにＳＴＡによって使用され得る。特定の代表的な実施形態では、例えば、８０２．１１システムにおいて、衝突回避を備えたキャリア感知多重アクセス（Carrier Sense Multiple Access/Collision Avoidance、ＣＳＭＡ／ＣＡ）が実装され得る。ＣＳＭＡ／ＣＡの場合、ＡＰを含むＳＴＡ（例えば、全てのＳＴＡ）は、プライマリチャネルを感知し得る。プライマリチャネルが特定のＳＴＡによってビジーであると感知され／検出され、かつ／又は判定される場合、特定のＳＴＡはバックオフされ得る。１つのＳＴＡ（例えば、１つのステーションのみ）は、所与のＢＳＳにおいて、任意の所与の時間に送信し得る。

【0045】

高スループット（High Throughput、ＨＴ）ＳＴＡは、通信のための４０ＭＨｚ幅のチャネルを使用し得るが、この４０ＭＨｚ幅のチャネルは、例えば、プライマリ２０ＭＨｚチャネルと、隣接又は非隣接の２０ＭＨｚチャネルとの組み合わせを介して形成され得る。

【0046】

非常に高いスループット（Very High Throughput、ＶＨＴ）のＳＴＡは、２０ＭＨｚ、４０ＭＨｚ、８０ＭＨｚ、及び／又は１６０ＭＨｚ幅のチャネルをサポートし得る。上記の４０ＭＨｚ及び／又は８０ＭＨｚ幅のチャネルは、連続する２０ＭＨｚチャネルどうしを組み合わせることによって形成され得る。１６０ＭＨｚチャネルは、８つの連続する２０ＭＨｚチャネルを組み合わせることによって、又は８０＋８０構成と称され得る２つの連続していない８０ＭＨｚチャネルを組み合わせることによって、形成され得る。８０＋８０構成の場合、チャネル符号化後、データは、データを２つのストリームに分割し得るセグメントパーサを通過し得る。逆高速フーリエ変換（Inverse Fast Fourier Transform、ＩＦＦＴ）処理及び時間ドメイン処理は、各ストリームで別々に行われ得る。ストリームは、２つの８０ＭＨｚチャネルにマッピングされ得、データは、送信ＳＴＡによって送信され得る。受信ＳＴＡの受信機では、８０＋８０構成に対する上記で説明される動作を逆にされ得、組み合わされたデータを媒体アクセス制御（Medium Access Control、ＭＡＣ）に送信し得る。

【0047】

サブ１ＧＨｚの動作モードは、８０２．１１ａｆ及び８０２．１１ａｈによってサポートされる。チャネル動作帯域幅及びキャリアは、８０２．１１ｎ及び８０２．１１ａｃで使用されるものと比較して、８０２．１１ａｆ及び８０２．１１ａｈでは低減される。８０２．１１ａｆは、ＴＶホワイトスペース（TV White Space、ＴＶＷＳ）スペクトルにおいて、５ＭＨｚ、１０ＭＨｚ及び２０ＭＨｚ帯域幅をサポートし、８０２．１１ａｈは、非ＴＶＷＳスペクトルを使用して、１ＭＨｚ、２ＭＨｚ、４ＭＨｚ、８ＭＨｚ、及び１６ＭＨｚ帯域幅をサポートする。代表的な実施形態によれば、８０２．１１ａｈは、マクロカバレッジエリア内のＭＴＣデバイスなど、メータタイプの制御／マシンタイプ通信をサポートし得る。ＭＴＣデバイスは、例えば、特定の、かつ／又は限定された帯域幅のためのサポート（例えば、そのためのみのサポート）を含む、特定の能力を有し得る。ＭＴＣデバイスは、（例えば、非常に長いバッテリ寿命を維持するために）閾値を超えるバッテリ寿命を有するバッテリを含み得る。

【0048】

複数のチャネル、並びに８０２．１１ｎ、８０２．１１ａｃ、８０２．１１ａｆ、及び８０２．１１ａｈなどのチャネル帯域幅をサポートし得るＷＬＡＮシステムは、プライマリチャネルとして指定され得るチャネルを含む。プライマリチャネルは、ＢＳＳにおける全てのＳＴＡによってサポートされる最大共通動作帯域幅に等しい帯域幅を有し得る。プライマリチャネルの帯域幅は、最小帯域幅動作モードをサポートするＢＳＳで動作する全てのＳＴＡの中から、ＳＴＡによって設定され、かつ／又は制限され得る。８０２．１１ａｈの例では、プライマリチャネルは、ＡＰ及びＢＳＳにおける他のＳＴＡが２ＭＨｚ、４ＭＨｚ、８ＭＨｚ、１６ＭＨｚ、及び／又は他のチャネル帯域幅動作モードをサポートする場合であっても、１ＭＨｚモードをサポートする（例えば、それのみをサポートする）ＳＴＡ（例えば、ＭＴＣタイプデバイス）に対して１ＭＨｚ幅であり得る。キャリア感知及び／又はネットワーク配分ベクトル（Network Allocation Vector、ＮＡＶ）設定は、プライマリチャネルの状態に依存し得る。例えば、ＡＰに送信する（１ＭＨｚ動作モードのみをサポートする）ＳＴＡに起因して一次チャネルがビジーである場合、周波数帯域の大部分がアイドルのままであり、利用可能であり得るとしても、利用可能な周波数帯域全体がビジーであるとみなされ得る。

【0049】

米国では、８０２．１１ａｈにより使用され得る利用可能な周波数帯域は、９０２ＭＨｚ～９２８ＭＨｚである。韓国では、利用可能な周波数帯域は９１７．５ＭＨｚ～９２３．５ＭＨｚである。日本では、利用可能な周波数帯域は９１６．５ＭＨｚ～９２７．５ＭＨｚである。８０２．１１ａｈに利用可能な総帯域幅は、国のコードに応じて６ＭＨｚ～２６ＭＨｚである。

【0050】

図１Ｄは、一実施形態によるＲＡＮ１１３及びＣＮ１１５を例解するシステム図である。上記のように、ＲＡＮ１１３は、ＮＲ無線技術を用いて、エアインターフェース１１６を介してＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃと通信し得る。ＲＡＮ１１３はまた、ＣＮ１１５と通信し得る。

【0051】

ＲＡＮ１１３は、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃを含み得るが、ＲＡＮ１１３は、一実施形態との一貫性を維持しながら、任意の数のｇＮＢを含み得ることが理解されよう。ｇＮＢ１８０ａ、１８０ｂ、１８０ｃは各々、エアインターフェース１１６を介してＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃと通信するための１つ以上のトランシーバを含み得る。一実施形態では、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃは、ＭＩＭＯ技術を実装し得る。例えば、ｇＮＢ１８０ａ、１８０ｂは、ビームフォーミングを利用して、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃに信号を送信及び／又は受信し得る。したがって、ｇＮＢ１８０ａは、例えば、複数のアンテナを使用して、ＷＴＲＵ１０２ａに無線信号を送信し、かつ／又はＷＴＲＵ１０２ａから無線信号を受信し得る。一実施形態では、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃは、キャリアアグリゲーション技術を実装し得る。例えば、ｇＮＢ１８０ａは、複数のコンポーネントキャリアをＷＴＲＵ１０２ａ（図示せず）に送信し得る。これらのコンポーネントキャリアのサブセットは、未認可スペクトル上にあり得、残りのコンポーネントキャリアは、認可スペクトル上にあり得る。一実施形態では、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃは、多地点協調（Coordinated Multi-Point、ＣｏＭＰ）技術を実装し得る。例えば、ＷＴＲＵ１０２ａは、ｇＮＢ１８０ａ及びｇＮＢ１８０ｂ（及び／又はｇＮＢ１８０ｃ）からの協調送信を受信し得る。

【0052】

ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、拡張可能なヌメロロジと関連付けられた送信を使用して、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃと通信し得る。例えば、ＯＦＤＭシンボル間隔及び／又はＯＦＤＭサブキャリア間隔は、無線送信スペクトルの異なる送信、異なるセル、及び／又は異なる部分に対して変化し得る。ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、（例えば、様々な数のＯＦＤＭシンボルを含む、かつ／又は様々な長さの絶対時間が持続する）様々な又はスケーラブルな長さのサブフレーム又は送信時間間隔（transmission time interval、ＴＴＩ）を使用して、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃと通信し得る。

【0053】

ｇＮＢ１８０ａ、１８０ｂ、１８０ｃは、スタンドアロン構成及び／又は非スタンドアロン構成でＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃと通信するように構成され得る。スタンドアロン構成では、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、他のＲＡＮ（例えば、ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃなど）にアクセスすることなく、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃと通信し得る。スタンドアロン構成では、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、モビリティアンカポイントとしてｇＮＢ１８０ａ、１８０ｂ、１８０ｃのうちの１つ以上を利用し得る。スタンドアロン構成では、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、未認可バンドにおける信号を使用して、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃと通信し得る。非スタンドアロン構成では、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃと通信し、これらに接続する一方で、ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃなどの別のＲＡＮとも通信し、これらに接続し得る。例えば、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、１つ以上のｇＮＢ１８０ａ、１８０ｂ、１８０ｃ及び１つ以上のｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃと実質的に同時に通信するためのＤＣ原理を実装し得る。非スタンドアロン構成では、ｅＮｏｄｅＢ１６０ａ、１６０ｂ、１６０ｃは、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃのモビリティアンカとして機能し得るが、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃは、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃをサービスするための追加のカバレッジ及び／又はスループットを提供し得る。

【0054】

ｇＮＢ１８０ａ、１８０ｂ、１８０ｃの各々は、特定のセル（図示せず）と関連付けられ得、無線リソース管理決定、ハンドオーバ決定、ＵＬ及び／又はＤＬにおけるユーザのスケジューリング、ネットワークスライシングのサポート、デュアルコネクティビティ、ＮＲとＥ－ＵＴＲＡとの間のインターワーキング、ユーザプレーン機能（User Plane Function、ＵＰＦ）１８４ａ、１８４ｂへのユーザプレーンデータのルーティング、アクセス及びモビリティ管理機能（Access and Mobility Management Function、ＡＭＦ）１８２ａ、１８２ｂへの制御プレーン情報のルーティングなどを処理するように構成され得る。図１Ｄに示すように、ｇＮＢ１８０ａ、１８０ｂ、１８０ｃは、Ｘｎインターフェースを介して互いに通信し得る。

【0055】

図１Ｄに示されるＣＮ１１５は、少なくとも１つのＡＭＦ１８２ａ、１８２ｂ、少なくとも１つのＵＰＦ１８４ａ、１８４ｂ、少なくとも１つのセッション管理機能（Session Management Function、ＳＭＦ）１８３ａ、１８３ｂ、及び場合によってはデータネットワーク（Data Network、ＤＮ）１８５ａ、１８５ｂを含み得る。前述の要素の各々は、ＣＮ１１５の一部として示されているが、これらの要素のいずれも、ＣＮオペレータ以外のエンティティによって所有及び／又は操作され得ることが理解されよう。

【0056】

ＡＭＦ１８２ａ、１８２ｂは、Ｎ２インターフェースを介してＲＡＮ１１３におけるｇＮＢ１８０ａ、１８０ｂ、１８０ｃのうちの１つ以上に接続され得、制御ノードとして機能し得る。例えば、ＡＭＦ１８２ａ、１８２ｂは、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃのユーザ認証、ネットワークスライシングのためのサポート（例えば、異なる要件を有する異なるプロトコルデータユニット（Protocol Data Unit、ＰＤＵ）セッションの処理）、特定のＳＭＦ１８３ａ、１８３ｂを選択すること、登録エリアの管理、ＮＡＳ信号伝送の終了、モビリティ管理などの役割を果たし得る。ネットワークスライスは、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃを利用しているサービスのタイプに基づいて、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃのＣＮサポートをカスタマイズするために、ＡＭＦ１８２ａ、１８２ｂによって使用され得る。例えば、異なるネットワークスライスは、高信頼低遅延（ultra-reliable low latency、ＵＲＬＬＣ）アクセスに依存するサービス、高速大容量（enhanced massive mobile broadband、ｅＭＢＢ）アクセスに依存するサービス、マシンタイプ通信（machine type communication、ＭＴＣ）アクセスのためのサービス、及び／又は同様のものなどの異なる使用事例のために確立され得る。ＡＭＦ１６２は、ＲＡＮ１１３と、ＬＴＥ、ＬＴＥ－Ａ、ＬＴＥ－Ａ Ｐｒｏ、及び／又はＷｉＦｉなどの非３ＧＰＰアクセス技術などの他の無線技術を採用する他のＲＡＮ（図示せず）との間で切り替えるための制御プレーン機能を提供し得る。

【0057】

ＳＭＦ１８３ａ、１８３ｂは、Ｎ１１インターフェースを介して、ＣＮ１１５内のＡＭＦ１８２ａ、１８２ｂに接続され得る。ＳＭＦ１８３ａ、１８３ｂはまた、Ｎ４インターフェースを介して、ＣＮ１１５内のＵＰＦ１８４ａ、１８４ｂに接続され得る。ＳＭＦ１８３ａ、１８３ｂは、ＵＰＦ１８４ａ、１８４ｂを選択及び制御し、ＵＰＦ１８４ａ、１８４ｂを通るトラフィックのルーティングを構成し得る。ＳＭＦ１８３ａ、１８３ｂは、ＵＥ ＩＰアドレスを管理及び配分する機能、ＰＤＵセッションを管理する機能、ポリシー実施及びＱｏＳを制御する機能、ＤＬデータ通知を提供する機能などのような、他の機能を実行し得る。ＰＤＵセッションタイプは、ＩＰベース、非ＩＰベース、イーサネットベースなどであり得る。

【0058】

ＵＰＦ１８４ａ、１８４ｂは、Ｎ３インターフェースを介して、ＲＡＮ１１３内のｇＮＢ１８０ａ、１８０ｂ、１８０ｃのうちの１つ以上に接続され得、これにより、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃとＩＰ対応デバイスとの間の通信を容易にするために、インターネット１１０などのパケット交換ネットワークへのアクセスをＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃに提供し得る。ＵＰＦ１８４、１８４ｂは、パケットのルーティング及び転送、ユーザプレーンポリシーの実施、マルチホームＰＤＵセッションのサポート、ユーザプレーンＱｏＳの処理、ＤＬパケットのバッファリング、モビリティアンカリングなどの他の機能を実行し得る。

【0059】

ＣＮ１１５は、他のネットワークとの通信を容易にし得る。例えば、ＣＮ１１５は、ＣＮ１１５とＰＳＴＮ１０８との間のインターフェースとして機能するＩＰゲートウェイ（例えば、ＩＰマルチメディアサブシステム（IP multimedia subsystem、ＩＭＳ）サーバ）を含み得るか、又はそれと通信し得る。更に、ＣＮ１１５は、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃに他のネットワーク１１２へのアクセスを提供し得、他のネットワーク１１２は、他のサービスプロバイダによって所有及び／又は動作される他の有線及び／又は無線ネットワークを含み得る。一実施形態では、ＷＴＲＵ１０２ａ、１０２ｂ、１０２ｃは、ＵＰＦ１８４ａ、１８４ｂへのＮ３インターフェース、及びＵＰＦ１８４ａ、１８４ｂとＤＮ１８５ａ、１８５ｂとの間のＮ６インターフェースを介して、ＵＰＦ１８４ａ、１８４ｂを通じてローカルデータネットワーク（local Data Network、ＤＮ）１８５ａ、１８５ｂに接続され得る。

【0060】

図１Ａ～図１Ｄ、及び図１Ａ～図１Ｄの対応する説明を鑑みると、ＷＴＲＵ１０２ａ－ｄ、基地局１１４ａ～ｂ、ｅＮｏｄｅＢ１６０ａ～ｃ、ＭＭＥ１６２、ＳＧＷ１６４、ＰＧＷ１６６、ｇＮＢ１８０ａ～ｃ、ＡＭＦ１８２ａ～ａｂ、ＵＰＦ １８４ａ－ｂ、ＳＭＦ １８３ａ－ｂ、ＤＮ１８５ａ～ｂ、及び／又は本明細書に記載の任意の他のデバイスのうちの１つ以上に関して本明細書に記載の機能のうちの１つ以上又は全ては、１つ以上のエミュレーションデバイス（図示せず）によって実行され得る。エミュレーションデバイスは、本明細書に説明される機能の１つ以上又は全てをエミュレートするように構成された１つ以上のデバイスであり得る。例えば、エミュレーションデバイスを使用して、他のデバイスを試験し、かつ／又はネットワーク及び／若しくはＷＴＲＵ機能をシミュレートし得る。

【0061】

エミュレーションデバイスは、ラボ環境及び／又はオペレータネットワーク環境における他のデバイスの１つ以上の試験を実装するように設計され得る。例えば、１つ以上のエミュレーションデバイスは、通信ネットワーク内の他のデバイスを試験するために、有線及び／又は無線通信ネットワークの一部として完全に若しくは部分的に実装され、かつ／又は展開されている間、１つ以上若しくは全ての機能を実行し得る。１つ以上のエミュレーションデバイスは、有線及び／又は無線通信ネットワークの一部として一時的に実装／展開されている間、１つ以上若しくは全ての機能を実行し得る。エミュレーションデバイスは、試験を目的として別のデバイスに直接結合され得、かつ／又は地上波無線通信を使用して試験を実行し得る。

【0062】

１つ以上のエミュレーションデバイスは、有線及び／又は無線通信ネットワークの一部として実装／展開されていない間、全てを含む１つ以上の機能を実行し得る。例えば、エミュレーションデバイスは、１つ以上のコンポーネントの試験を実装するために、試験実験室での試験シナリオ、並びに／又は展開されていない（例えば、試験用の）有線及び／若しくは無線通信ネットワークにおいて利用され得る。１つ以上のエミュレーションデバイスは、試験機器であり得る。ＲＦ回路（例えば、１つ以上のアンテナを含み得る）を介した直接ＲＦ結合及び／又は無線通信は、データを送信及び／又は受信するように、エミュレーションデバイスによって使用され得る。

【0063】

ＷＴＲＵ １２０は、ＷＴＲＵ １０２において、本明細書で開示される様々な実施形態を可能にするために、オートエンコーダのデコーダ部分又はオートエンコーダ全体を含むことができる。

【0064】

代表的なＰＣデータフォーマット
点群（ＰＣ）データフォーマットは、自律運転、ロボット工学、拡張現実／仮想現実（ＡＲ／ＶＲ）、土木工学、コンピュータグラフィックス及び／又はアニメーション／映画を含む多くのビジネス領域にわたる汎用データフォーマットである。３Ｄ ＬＩＤＡＲセンサは、自動運転車のために配備され得る。新興の手頃なＬＩＤＡＲセンサは、多数の製品、例えば、Ａｐｐｌｅ ｉＰａｄ Ｐｒｏ ２０２０及び／又はＩｎｔｅｌ ＲｅａｌＳｅｎｓｅ ＬＩＤＡＲカメラＬ５１５に実装され得る。センシング技術の大幅な進歩により、３Ｄ ＰＣデータは、これまで以上に実用的になり得、本明細書で説明されるアプリケーションにおいてイネーブラ（例えば、究極のイネーブラ）になり得る。

【0065】

ＰＣデータは、（例えば、５Ｇネットワークを介して接続された自動車間で、及び／又はＶＲ／ＡＲなどの没入型通信のために）ネットワークトラフィックの大部分を消費し得ると考えられる。ＰＣの理解及び通信は、より効率的な表現形式につながり得る。例えば、生のＰＣデータは、３Ｄ世界モデリング及び／又は感知の目的で、適切に編成される必要がある場合があり、又は編成及び処理される場合がある。

【0066】

ＰＣは、１つ以上の移動オブジェクトを含み得る同じシーンの順次更新を表し得る。そのようなＰＣは、静的シーン又は静的オブジェクトから捕捉され得る静的ＰＣ（ＳＰＣ）と比べて、動的ＰＣ（ＤＰＣ）と呼ばれる。ＤＰＣは、通常、フレームに編成され、異なるフレームが異なる時間に捕捉される。

【0067】

ＰＣデータの代表的な使用事例
自動車産業及び自動走行車もまた、ＰＣが使用され得る分野である。自律走行車は、それらの環境を「プローブ」して、すぐ近く（例えば、自律走行車のすぐ隣／すぐ近くの環境の現実）に基づいて良好な運転決定を行うことができる。ＬＩＤＡＲのような典型的なセンサは、決定エンジンによって使用され得るＤＰＣを生成し得る。これらのＰＣは、人間が見ることを意図していなくてもよく、又は意図しておらず、ＰＣは小さくてもよく、必ずしも色分けされていなくてもよく、かつ高い捕捉頻度で動的であってもよい。ＰＣは、ＬＩＤＡＲによって提供される反射率のような他の属性を有し得る。反射率は、感知されたオブジェクトの材料に関する良好な情報であり得、決定に関するより多くの情報（例えば、決定を行う際に役立ち得る）を提供し得る。

【0068】

ＰＣを使用し得るＶＲ及び没入型世界は、２Ｄフラットビデオの将来の置き換えとして多くの人によって予見されている。ＶＲ及び没入型世界の場合、視聴者は、（例えば、視聴者の周り全体囲で視聴可能である）環境に没入することができる。これは、視聴者が視聴者の前の仮想世界しか見ることができない標準的なＴＶとは対照的である。環境内の視聴者の自由度に応じて、没入性には、いくつかの段階がある。ＰＣは、ＶＲ世界を配信するためのフォーマット（例えば、良いフォーマット候補）である。ＶＲ及び没入型世界で使用するためのＰＣは、静的又は動的であってもよく、例えば、一度に１億ポイントまでの範囲（例えば、一度に数百万ポイント以下）の平均サイズであってもよい。

【0069】

ＰＣは、例えば、オブジェクトを送信及び／又は訪問することなくオブジェクトの空間構成を共有するため、及び／又はオブジェクトが破壊された場合（例えば、地震によって寺院が破壊された場合）にオブジェクトについての知識の保存を確実にするために、彫像又は建物のようなオブジェクトが３Ｄでスキャンされる文化遺産／建物などの様々な目的のために使用されてもよい。そのようなＰＣは、典型的には静的で、着色されており、サイズが大きい（例えば、巨大であり、例えば閾値サイズを超える）場合がある。

【0070】

ＰＣは、３Ｄ表現及び／又はマップが平面に限定されず、起伏（隆起及び陥没の表示など）を含み得る、地形学及び／又は地図学において使用され得る。グーグルマップは、３Ｄマップの良い例である。ＰＣは、３Ｄマップのための好適なデータフォーマットであり得、そのようなＰＣは、静的で、着色されており、及び／又は大型（例えば、閾値サイズを上回る、及び／又は巨大）であり得る。

【0071】

ＰＣを介した世界モデリング及び感知は、例えば、本明細書で説明される用途のために機械がそれらの周りの３Ｄ世界に関する知識を得ることを可能にするための技術（例えば、有用な及び／又は必須の技術）であり得る。

【0072】

代表的なＰＣデータフォーマット。
３Ｄ空間における連続面の一般的な離散表現として、ＰＣは、２つのカテゴリ、すなわち、例えばカメラ状３Ｄセンサ又は３Ｄレーザスキャナによって収集され、グリッド上に配置された組織化されたＰＣ（ＯＰＣ）と、組織化されていないＰＣ（ＵＰＣ）とに分類される。ＵＰＣは、例えば、複雑な構造を有し得る。ＵＰＣは、複数の視点からスキャンされ得、その後、一緒に融合され得、インデックスの順序付けの損失につながる。ＯＰＣは、下地となるグリッドが感知順序を反映し得る自然の空間的接続性を意味するため、より容易に処理することができる。ＵＰＣに対する処理は、（例えば、ＵＰＣが１Ｄ音声データ及び／又は２Ｄ画像とは異なることに起因して）より困難であり得、規則正しい格子に関連付けられている。ＵＰＣは、３Ｄ空間においてまばらかつ不規則に散在している可能性があり、又は通常は散在しており、これにより、従来の格子ベースのアルゴリズムは、３Ｄ ＰＣを扱うことが困難になり得る。例えば、畳み込み演算子は、規則正しい格子上に明確に定義され、３Ｄ ＰＣに直接適用することができない。

【0073】

特定の例では、離散化された３Ｄ ＰＣは、例えば、ＰＣ（例えば、ＵＰＣ）を、とりわけ、（１）３Ｄボクセル及び／又は（２）多視点画像のうちのいずれかに変換するために実装されてもよく、これは、体積冗長性及び／又は１つ以上の量子化アーチファクトを引き起こし得る。一例では、ディープニューラルネットワークベースの教師ありプロセスは、ポイントワイズ多層パーセプトロン（ＭＬＰ）と、それに続くプーリング（例えば、最大プーリング）とを使用して、順列不変性を提供／保証し、３Ｄ ＰＣの認識、セグメント化、及び意味的シーンセグメント化などの一連の教師あり学習タスクに対する成功を達成することができる。同様の技法が、３Ｄ ＰＣ検出、分類、及び／又はアップサンプリングなど、多くの他のタスクに適用され得ることを、当業者は理解する。

【0074】

いくつかの代表的な実施形態では、教師なし学習プロセス、動作、方法、及び／又は機能は、とりわけ、ＴｅａｒｉｎｇＮｅｔ又はグラフ条件付きオートエンコーダ（ＧＣＡＥ）を使用して、例えば３Ｄ ＰＣ及び／又は他の実装形態のために実装され得る。例えば、教師なし学習動作は、ラベリング情報なしの、とりわけ、３Ｄ ＰＣ、ビデオ、画像、及び／又はオーディオのコンパクト表現の学習を含み得る。このように、代表的な特徴は、３Ｄ ＰＣ及び／又は他のデータ表現から抽出（例えば、自動的に抽出）されてもよく、補助情報及び／又は事前情報として任意の後続タスクに適用されてもよい。大量のデータ（例えば、ＰＣデータ又は他のデータ）をラベル付けすることは、時間がかかることがあり、及び／又は高価であることがあるので、教師なし学習は有益であり得る。

【0075】

いくつかの代表的な実施形態では、オートエンコーダは、例えば、そのコンパクト表現及び／又はセマンティック記述子に基づいて、ＰＣを再構築するために実装されてもよい。例えば、オブジェクトに対応するセマンティック記述子が与えられると、特定のオブジェクトを表すＰＣが復元され得る。そのような再構築は、一般的な教師なし学習フレームワーク（例えば、オートエンコーダ）内のデコーダとして実装（例えば、フィッティング）され得、ここで、エンコーダは、意味解釈をもつ特徴記述子を出力し得る。

【0076】

いくつかの代表的な実施形態では、オートエンコーダは、例えば、（例えば、トポロジ推論及び／又はトポロジ情報を介して）トポロジを考慮／使用するために実装され得る。ＰＣ再構築を扱う場合、グラフトポロジは、点間の関係を決定／考慮（例えば、明示的に決定／考慮）するために実装され得る。完全に接続されたグラフトポロジは、オブジェクト表面に追従しないため、ＰＣトポロジの表現においてかなり不正確である可能性があり、高い種数を有するオブジェクト及び／又は複数のオブジェクトを有するシーンを扱う場合にはあまり効果的でない可能性がある。再構築されたＰＣ内のＮ^２個の所与の点において、学習すべきＮ個のグラフパラメータ（グラフ重み）があるため、完全なグラフの学習はコストがかかる場合があり、及び／又は大量のメモリ及び／又は計算を使用する場合がある。

【0077】

いくつかの代表的な実施形態では、方法、装置、システム、及び／又は手順は、ＰＣトポロジ表現を学習する（例えば、効果的に学習する）ように実装され得る。実装は、複雑なオブジェクト／シーンのためのＰＣの再構築において有益であり得るだけでなく、とりわけ、分類、セグメント化、及び／又は認識における弱教師ありＰＣタスクにも適用され得る。

【0078】

本明細書で開示する例の多くはＰＣ実装形態に関するが、画像、ビデオ、オーディオ、及びそれらに関連するトポロジを有し得る他のデータ表現のためのグラフトポロジの使用など、他の実装形態も同様に可能である。

【0079】

ＰＣのための代表的な教師なし学習手順
ＰＣのための教師なし学習は、エンコーダ－デコーダフレームワークを採用し得る。３Ｄ点は、３Ｄボクセルに離散化されてもよく、３Ｄ畳み込みは、エンコーダ及び／又はデコーダを設計及び／又は実装するために使用され得る。離散化は、不可避の離散化誤差につながる可能性があり、３Ｄ畳み込みの使用は高価である可能性がある。特定の例では、ＰｏｉｎｔＮｅｔがエンコーダとして使用され、かつ全結合層がデコーダとして使用される場合、３Ｄ点が処理（例えば、直接処理）され得、効果的であり得る。いくつかの代表的な実施形態では、方法、装置、システム、及び／又は手順は、例えば、膨大な量の訓練パラメータを使用／要求することなくＰＣ再構築を改善するためにグラフトポロジを使用し得るＰＣ再構築のために実装され得る。

【0080】

ＰＣ用のＦｏｌｄｉｎｇＮｅｔ及びＡｔｌａｓＮｅｔなどのオートエンコーダを使用する代表的な手順
ＦｏｌｄｉｎｇＮｅｔデコーダは、完全接続ネットワーク実装／設計と比較して低減された訓練パラメータを可能にする効率的なデコーダ設計／実装である。ＦｏｌｄｉｎｇＮｅｔデコーダは、意味記述子を入力として（例えば、エンコーダから）受信し、２Ｄサンプル点のセットを３Ｄ空間にマッピングする射影関数を学習する。２Ｄ点のセットは、２Ｄグリッドにわたって定期的にサンプリングされ得る。これらの動作は、単純なトポロジを有する単一のオブジェクトに対しては効率的（例えば、非常に効率的）であるが、複雑なトポロジを有するオブジェクト又は複数のオブジェクトを有するシーンを扱う際には良好ではない。

【0081】

図２は、エンコーダ及びデコーダを含む代表的なオートエンコーダ（例えば、ＦｏｌｄｉｎｇＮｅｔアーキテクチャ）の高レベル構造／アーキテクチャを示す図である。エンコーダ及びデコーダは両方とも、学習されたネットワークノードパラメータ／重みを生成し、記憶するニューラルネットワークを含む。

【0082】

図２を参照すると、代表的なオートエンコーダ２００は、エンコーダ２２０及びデコーダ２６０を含み得る。エンコーダ２２０は、入力として点２１０のセット（例えば、３Ｄ点のセット及び／又は点群）を有し得、出力として記述子ベクトル２３０を有し得る。デコーダ２６０は、入力として記述子ベクトル２３０を有し得、出力として再構築点群２７０を有し得る。デコーダ２６０は、ニューラルネットワーク（ＮＮ）及び／又はフォールディングモジュール（ＦＭ）２５０を含み得る。ＮＮ／ＦＭ ２５０への入力は、記述子ベクトル２３０と、グリッド２４０（例えば、２Ｄグリッド）上で事前サンプリングされた点セットから構成されてもよく、及び／又はそれらを含んでもよい。

【0083】

図３は、別の代表的なオートエンコーダ構造／アーキテクチャ（例えば、ＡｔｌａｓＮｅｔタイプアーキテクチャ）を示す図である。

【0084】

図３を参照すると、代表的なオートエンコーダ３００は、エンコーダ３２０及びデコーダ３６０を含み得る。エンコーダ３２０は、入力として点３１０のセット（例えば、３Ｄ点のセット及び／又は点群）を有し得、出力として記述子ベクトル３３０を有し得る。デコーダ３６０は、入力として記述子ベクトル３３０を有し得、出力として再構築点群３７０を有し得る。デコーダ３６０は、複数のＮＮ／ＦＭ ３５０－１、３５０－２・・・３５０－Ｋを、例えば並列に含み得る。各ＮＮ／ＦＭへの入力は、記述子ベクトル３３０と、Ｎ次元グリッド３４０上で事前サンプリングされた点セットから構成されてもよく、及び／又はそれらを含んでもよい（例えば、各ＮＮ／ＦＭは、２Ｄグリッド３４０－１、３４０－２又は３４０－Ｋを含んでもよい）。特定の例では、グリッド３４０－１、３４０－２・・・３４０－Ｋは同じであり得る。他の例では、各グリッド３４０は異なっていてもよい。

【0085】

代表的なオートエンコーダ３００（例えば、ＡｔｌａｓＮｅｔタイプオートエンコーダ及び／又はＡｔｌａｓＮｅｔ２タイプオートエンコーダ）は、デコーダ３６０に複数のＫ個のＦＭ３５０を含めることによって複雑なトポロジを処理する単純な方法を提供する。ＡｔｌａｓＮｅｔ型エンコーダでは、各ＦＭ３５０は、アトラスパッチ（２Ｄグリッド）をオブジェクト部分にマッピングする。パッチ数Ｋが変更されると、オートエンコーダ／ＮＮ３００は再訓練されなければならない場合がある。ＦＭ３５０の数が（例えばＫ個のＦＭまで）増加すると、必要とされるネットワークサイズ及びメモリは、ネットワークパラメータ／データを記憶するために線形にスケールアップされ得る。事前にパッチ数Ｋを設定すると、広範囲の複雑さを有するＰＣをカバーするようにネットワークを適合させることが困難又は不可能になり得る。再構築性能は、パッチ数に敏感であり得る（例えば、視覚的品質は、パッチの数と共に向上し得るが、より多くのパラメータ化に伴って、より多くのアーチファクトが現れ得る）。

【0086】

特定の代表的な実施形態では、手順は、フォールディング手順／動作を改善するためにトポロジ情報（例えば、トポロジグラフ）を使用するように実装され得る。

【0087】

ＰＣ用の代表的なオートエンコーダ（例えば、グラフトポロジ推論を伴うＦｏｌｄｉｎｇＮｅｔ＋＋）
図４は、更なる代表的なオートエンコーダ（例えば、ＦｏｌｄｉｎｇＮｅｔ＋＋）を示す図である。

【0088】

図４を参照すると、グラフトポロジ推論を伴う代表的なオートエンコーダ４００（例えば、ＦｏｌｄｉｎｇＮｅｔ＋＋型オートエンコーダ）は、トポロジ（例えば、点群ＰＣトポロジ）の表現を可能にするように実装され得る。オートエンコーダ４００は、エンコーダ４２０及びデコーダ４６０を含み得る。エンコーダ４２０は、入力として点４１０のセット（例えば、３Ｄ点のセット及び／又は点群）を有し得、出力として記述子ベクトル４３０を有し得る。デコーダ４６０は、入力として記述子ベクトル４３０を有してもよく、出力として再構築点群４７０及び／又は点群４１０に関連する完全接続グラフ４５５を有してもよい。デコーダ４６０は、ＮＮ／ＦＭ４５０及び／又はグラフ推論モジュール４５４を含む複数のモジュールを含み得る。ＮＮ／ＦＭ４５０への入力は、記述子ベクトル４３０と、グリッド４４０上で事前サンプリングされた点セットから構成されてもよく、及び／又はそれらを含んでもよい。グラフ推論モジュール４５４への入力は、グリッド状グラフトポロジを記述する隣接行列４５２（例えば、完全隣接行列）及び／又は記述子ベクトル４３０であってもよい。グラフ干渉モジュール４５４の出力は、別の隣接行列／接続グラフ４５５（例えば、学習された完全接続グラフの完全隣接行列）であってもよい。隣接行列／接続グラフ４５５及び／又は再構築点群４７０は、グラフフィルタリングモジュール４８０への入力であってもよい。グラフフィルタモジュール４８０は、再構築点群４７０をグラフ４５５でフィルタリングして、最終的な（例えば、精緻化された）再構築点群４９０を生成することができる。

【0089】

ＦＭ、グラフ推論モジュール及び／又はグラフフィルタリングモジュールは、１つ以上のＮＮであってもよく、又は１つ以上のＮＮを含んでもよいと考えられる。

【0090】

ＮＮは、グラフトポロジを捕捉するように設計／実装され得る。例えば、任意の点対がグラフエッジによって接続され得る完全接続グラフ４５５が展開され得る。しかしながら、完全接続グラフトポロジは、離れた点対間の接続を可能にし、したがって、ＰＣによって表される２Ｄ多様体に従わないため、（例えば、局所接続グラフトポロジと比較して）ＰＣトポロジの良好な近似ではない。

【0091】

ＦｏｌｄｉｎｇＮｅｔオートエンコーダ構造と比較して、ＦｏｌｄｉｎｇＮｅｔ＋＋オートエンコーダは、グラフ推論モジュール４５４及びグラフフィルタリングモジュール４８０を含み得る。グラフ推論モジュール４８０への入力は、グリッド状グラフトポロジを記述する完全隣接行列であってもよく、グラフ干渉モジュール４５４の出力は、学習された完全接続グラフの別の完全隣接行列であると考えられる。グラフフィルタリングモジュール４５４は、フォールディングモジュール（例えば、変形モジュール）からの粗い再構築を修正し、点群（ＰＣ）４１０の最終再構築を出力することができる。

【0092】

ＡｔｌａｓＮｅｔオートエンコーダ構造と比較して、ＦｏｌｄｉｎｇＮｅｔ＋＋オートエンコーダのグラフ推論モジュール４５４は、複雑なトポロジでスケールアップされない場合があり、それでも、膨大な数のグラフパラメータ（例えば、グラフ重み）に起因して、大きなメモリ及び大きな計算を使用する／必要とする場合がある。再構築されたＰＣにおける点の数がＮであるとすると、グラフパラメータの数はＮ^２である。

【0093】

特定の代表的な実施形態では、方法、装置、システム、動作、及び／又は手順は、（例えば、ＴｅａｒｉｎｇＮｅｔモジュールを有する）オートエンコーダアーキテクチャが（例えば、トポロジを有する他のデータ表現の中でもとりわけ、ＰＣ、画像、ビデオ、及び／又はオーディオのための）トポロジフレンドリ表現を学習することを可能にするように実装され得る。

【0094】

特定の代表的な実施形態では、方法、装置、システム、動作及び／又は手順は、データ表現のトポロジを提供するように実装され得る。例えば、１つの代表的な方法では、ＰＣトポロジの明示的な表現は、２Ｄグリッドを複数のパッチに分割することによって実装され得る。互いに完全に独立しているＡｔｌａｓＮｅｔオートエンコーダにおけるパッチとは異なり、これらの実施形態におけるパッチは、重複して又は重複せずに、同じ２Ｄ平面及び同じ座標系に含まれ得る。

【0095】

ＦｏｌｄｉｎｇＮｅｔオートエンコーダの場合、２Ｄグリッドからサンプリングされた点セットが、意味的記述子からＰＣを再構築するためのフォールディング処理への入力として提供され、これは、完全接続ネットワークと比較して計算上効率的である。ＦｏｌｄｉｎｇＮｅｔオートエンコーダにおける２Ｄグリッドからの初期サンプルの場合、初期サンプルは、種数０を有する最も単純なトポロジを表す。ＦｏｌｄｉｎｇＮｅｔオートエンコーダは、複雑なトポロジを有するオブジェクト又は複数のオブジェクトを有するシーンを適切に扱うことができないことが観察される。２Ｄグリッドの過度に単純化されたトポロジが、そのような複雑なトポロジを扱うことができない理由であり得ると考えられる。

【0096】

グラフトポロジは、ＰＣトポロジを近似するために使用され得るが、２つの弱点、すなわち、（１）完全接続グラフトポロジとＰＣトポロジとの間の不整合が存在すること、及び（２）グラフフィルタリング手順が、サーフェスの外側に誤ってマッピングされた点を補正するのに失敗する（例えば、しばしば失敗する）可能性があることが観察されている。

【0097】

特定の代表的な実施形態では、ＴｅａｒｉｎｇＮｅｔオートエンコーダ（例えば、分割モジュール及び／又はトポロジ発展グリッド表現を有する）が実装されてもよく、２Ｄトポロジ（例えば、ｎ－１次元グリッドトポロジ）を３Ｄトポロジ（例えば、ｎ次元ＰＣトポロジ又はデータ表現に関連する他のｎ次元トポロジ）と位置合わせすることができる。例えば、通常の２Ｄグリッドを複数のパッチに分割して、パッチを有する２Ｄグリッド（例えば、トポロジフレンドリな２Ｄグリッド及び／又はトポロジ発展グリッド表現）を提供することができる。

【0098】

特定の代表的な実施形態では、ＴｅａｒｉｎｇＮｅｔオートエンコーダを実装することができ、３ＤのＰＣトポロジのより良好な近似として局所接続グラフを促進することができる。

【0099】

特定の代表的な実施形態では、ＴｅａｒｉｎｇＮｅｔオートエンコーダを実装することができ、学習された２Ｄトポロジが３Ｄ ＰＣ再構築において直接カウント／考慮され得るように、修正されたトポロジを有する分割２Ｄグリッドをフォールディングモジュールへの入力として設定／使用し得る。例えば、通常の２Ｄグリッドは、最初に、フォールディングモジュールへの入力として使用されてもよく、その後、修正及び／又は発展２Ｄグリッドが、フォールディングモジュールへの次の入力として使用されてもよい。

【0100】

特定の代表的な実施形態では、Ｔ－Ｎｅｔモジュールを実装することができ、Ｔ－Ｎｅｔモジュールは、通常のグリッド（例えば、２Ｄグリッド）を、後続のフォールディングネットワーク（Ｆ－Ｎｅｔ）モジュール又は変形モジュールの入力として機能することができる、分割されたグリッド（例えば、２Ｄグリッド、例えば、１つ以上のパッチを有する発展２Ｄグリッド）に分割することによって、トポロジ（例えば、ＰＣトポロジ）を表す（例えば、明示的に表す）ことができる修正／発展グリッドを生成することができる。例えば、分割された２Ｄグリッドに基づいて、３Ｄトポロジ（例えば、３Ｄ ＰＣトポロジ又は他の３Ｄトポロジ）に従うことができる局所接続グラフを構築することができる。構築された局所接続グラフは、出力ＰＣを精緻化するために使用され得る。

【0101】

特定の代表的な実施形態では、オートエンコーダ（例えば、ＴｅａｒｉｎｇＮｅｔ）を実装することができ、様々なトポロジ構造を有するＰＣ（例えば、異なる種数を有するオブジェクト及び／又は複数のオブジェクトを有するシーンを有するＰＣ）のためのＰＣ再構築を可能にし得る。オートエンコーダは、入力ＰＣの基礎となるトポロジを反映する（例えば、よく反映する）表現（例えば、コードワード）を生成することができる。

【0102】

特定の代表的な実施形態では、例えば、面取り距離の使用によって引き起こされ得る点崩壊を解決するために、多段階（例えば、２つ以上の段階）訓練手順が実施され得る。

【0103】

特定の代表的な実施形態では、複数の反復（例えば、２回を超える反復）を有するＴｅａｒｉｎｇＮｅｔオートエンコーダ／グラフ条件付きオートエンコーダ（ＧＣＡＥ）を実装して、複雑なトポロジを有するＰＣシーン及び／又は他のシーン（例えば、とりわけビデオ及び／又はデータ表現）を処理することができる。

【0104】

代表的なＴｅａｒｉｎｇＮｅｔオートエンコーダ
図５は、追加のオートエンコーダ（例えば、ＴｅａｒｉｎｇＮｅｔオートエンコーダ）と、ＴｅａｒｉｎｇＮｅｔオートエンコーダと共に使用される教師なし訓練フレームワーク／手順とを示す図である。

【0105】

図５を参照すると、ＴｅａｒｉｎｇＮｅｔオートエンコーダ５００は、エンコーダ５２０及びデコーダ５６０を含み得る。エンコーダ５２０は、入力として点５１０のセット（例えば、３Ｄ点のセット及び／又は点群）を有し得、出力として記述子ベクトル５３０を有し得る。デコーダ５６０は、入力として記述ベクトル５３０を有してもよく、出力として再構築点群５７０及び／又は点群５１０に関連する局所接続グラフ５５８を有し得る。デコーダ５６０は、１つ以上のＮＮ及び／又は複数のＦＭ ５５０－１及び５５０－２及び／又は分割モジュール５５６を含む複数のモジュールを含み得る。第１のＮＮ／ＦＭ ５５０－１への入力は、記述子ベクトル５３０と、グリッド５４０上で事前サンプリングされた点セットから構成されてもよく、及び／又はそれらを含んでもよい。分割モジュール５５６への入力は、グリッド５４０上で事前サンプリングされた点セット、記述子ベクトル５３０、及び／又は第１のＮＮ／ＦＭ ５５０－１の出力を含み得る。分割モジュール５５６の出力は、局所接続グラフ５５８を生成するために、グリッド５４０上で事前サンプリングされた点セットと組み合わせられ、及び／又は合計され得る。第２のＮＮ／ＦＭ ５５０－２への入力は、記述子ベクトル５３０及び／又は局所接続グラフ５５８から構成されてもよく、及び／又はそれらを含んでもよい。デコーダ５６０のＮＮ／ＦＭ ５５０－１及び５５０－２は、同じニューラルネットワークアーキテクチャ及び同じ学習されたＮＮパラメータを共有してもよい。第２のＮＮ／ＦＭ ５５０－２への出力は、再構築点群５７０を含んでもよい。局所接続グラフ５５８及び／又は再構築点群５７０は、グラフフィルタリングモジュール５８０への入力であってもよい。グラフフィルタモジュール５８０は、再構築点群５７０をグラフ５５８でフィルタリングして、最終的な（例えば、精緻化された）再構築点群５９０を生成することができる。

【0106】

ＦＭ、分割モジュール、及び／又はグラフフィルタリングモジュールは、１つ以上のＮＮであってもよく、又は１つ以上のＮＮを含んでもよいと考えられる。

【0107】

例えば、エンコーダ５２０は、（例えば、ＦｏｌｄｉｎｇＮｅｔ又はＦｏｌｄｉｎｇＮｅｔ＋＋エンコーダにおいて使用される）ＰｏｉｎｔＮｅｔのようなエンコーダ、又は記述子ベクトル５３０を出力することができる任意の他のニューラルネットワークエンコーダであり得る。デコーダ５６０は、１つ以上のＦ－Ｎｅｔ／変形モジュール５５０（例えば、１つ以上のＦ－Ｎｅｔ／変形ニューラルネットワーク）と、１つ以上のＴ－Ｎｅｔモジュール５５６（例えば、１つ以上のＴ－Ｎｅｔニューラルネットワーク）と、２Ｄグリッド５４０とを含み得る。第１のＦ－Ｎｅｔモジュール５５０－１への入力は、記述子ベクトル５３０及び初期２－Ｄグリッド５４０を含み得る。Ｔ－Ｎｅｔモジュール５５６への入力は、記述子ベクトル５３０、初期２－Ｄグリッド５４０、及び第１のＦ－Ｎｅｔモジュール５５０－１の出力を含み得る。Ｔ－Ｎｅｔモジュール５５６の出力は、分割２Ｄグリッド５５８（例えば、発展２Ｄグリッド、及び／又はエンコーダを介して記述子ベクトルを生成するデータ表現のトポロジを表すパッチを有する２Ｄグリッド）を含み得る。同じニューラルネットワークアーキテクチャ及び同じ学習されたＮＮパラメータ／重みを有する第１のＦ－Ｎｅｔモジュール５５０－１への後続の入力又は別のＦ－Ｎｅｔモジュール５５０－２への入力は、記述子ベクトル５４０と、第１のＴ－Ｎｅｔモジュール５５８から出力された分割２Ｄグリッドとを含み得る。Ｔ－Ｎｅｔモジュール５５６の出力は、局所接続グラフ５５８を含み得る。

【0108】

Ｆ－Ｎｅｔモジュール５５０と同様に、変形モジュールは、Ｆ－Ｎｅｔモジュール及び変形モジュールが交換可能に使用され得るように、入力データ表現を再構築するために入力を変形し得る。

【0109】

最後のＦ－Ｎｅｔモジュール５５０－２及び最後の発展２Ｄグリッド５５８の出力は、グラフフィルタリングモジュール５８０への入力であってもよい。グラフフィルタリングモジュール５８０の出力は、最終再構築されたＰＣ ５９０であり得る。

【0110】

２つのＦ－Ｎｅｔモジュール及び１つのＴ－Ｎｅｔモジュールが図５に示されているが、任意の数のＦ－Ｎｅｔモジュール（例えば、Ｎ個のＦ－Ｎｅｔモジュール）がデコーダに実装されてもよく、対応する数のＴ－Ｎｅｔモジュール（例えば、Ｎ個又はＮ－１個のＴ－Ｎｅｔモジュール）が実装されてもよい。特定の実施形態では、単一のＦ－Ｎｅｔモジュール及び単一のＴ－Ｎｅｔモジュールは、一連の発展した分割２Ｄグリッドを生成する反復プロセスを用いてデコーダ内に実装され得る。各分割２Ｄグリッドは、再構築されたＰＣの１つの反復のためのＦ－Ｎｅｔモジュールへの入力として使用され得る。

【0111】

ＴｅａｒｉｎｇＮｅｔオートエンコーダを、図２及び図４にそれぞれ示すＦｏｌｄｉｎｇＮｅｔオートエンコーダ及びＦｏｌｄｉｎｇＮｅｔ＋＋オートエンコーダと比較すると、エンコーダ（Ｅ－Ｎｅｔ）モジュール、フォールディング（Ｆ－Ｎｅｔ）モジュール、Ｆ－Ｎｅｔモジュールの第１の実行への入力としての２Ｄ点セット、及びグラフフィルタリング（Ｇ－Ｆｉｌｔｅｒ）モジュールを含むいくつかのモジュールを同様に実装／設計することができる。

【0112】

特定の実装では、Ｅ－Ｎｅｔモジュールは、ＰＣｘ_ｋ＝（ｘ_ｋ，ｙ_ｋ，ｚ_ｋ）を入力として取り、記述子ベクトルを出力する、ＰｏｉｎｔＮｅｔに基づき得る。

【0113】

記述子ベクトルは、Ｆ－Ｎｅｔモジュール及びＴ－Ｎｅｔモジュールを含むデコーダに送信され得る。Ｆ－Ｎｅｔモジュール及びＴ－Ｎｅｔモジュールの両方は、インデックスｋ又はｉを有する各２Ｄ点に対して呼び出され得る。

【0114】

Ｆ－Ｎｅｔモジュールの第１の実行の場合、入力は、事前定義されたサンプリング動作、例えば等間隔で均一にサンプリングされたものを使用して、記述子ベクトルｆと２ Ｄグリッドｕ^（０） _ｉ＝（ｕ^（０） _ｉ，ｖ^（０） _ｉ）からの２ Ｄ点ｉとの連結として設定され得る。Ｆ－Ｎｅｔモジュールは、ＰＣの第１の再構築ｘ^（１） _ｉ＝（ｘ^（１） _ｉ，ｙ^（１） _ｉ，ｚ^（１） _ｉ）を出力することができる。次に、Ｔ－Ｎｅｔモジュールを呼び出すことができる。Ｔ－Ｎｅｔモジュールへの入力は、記述子ベクトルｆ、２ Ｄグリッドからサンプリングされた２Ｄ点ｉｕ^（０） _ｉ＝（ｕ^（０） _ｉ，ｖ^（０） _ｉ）、及びＰＣの第１の再構築ｘ^（１） _ｉ＝（ｘ^（１） _ｉ，ｙ^（１） _ｉ，ｚ^（１） _ｉ）を含むことができる。例えば、入力は、以下の式１に示すように、ｕ^（０） _ｉ＝（ｕ^（０） _ｉ，ｖ^（０） _ｉ）、ｘ^（１） _ｉ＝（ｘ^（１） _ｉ，ｙ^（１） _ｉ，ｚ^（１） _ｉ）、及び６－ｄｉｍ勾配ベクトル∂ｘ^（１） _ｉ／∂^（０） _ｉからの連結ベクトルであってもよい。

【0115】

【数1】

【0116】

Ｔ－Ｎｅｔモジュールは、以下のように、ｕ^（０） _ｉ＝（ｕ^（０） _ｉ，ｖ^（０） _ｉ）に追加される／上に追加される２ Ｄ点セット上の修正を出力（例えば、最終的な出力）することができ、式２に示すように修正された２ Ｄ点をもたらすことができる。

【0117】

【数2】

【0118】

Ｆ－Ｎｅｔモジュールの第２の実行を呼び出すことができる。この動作／実行におけるＦ－Ｎｅｔモジュール及び前の動作／実行からのＦ－Ｎｅｔモジュールは、共通のＦ－Ｎｅｔモジュールを使用／共有できると考えられる。この動作のために、入力は、記述子ベクトルｆと修正２ Ｄグリッドｕ^（１） _ｉ＝（ｕ^（１） _ｉ，ｖ^（１） _ｉ）（例えば、修正２ Ｄ点又は修正２ Ｄサンプルのセット）との連結として設定されてもよい。Ｆ－Ｎｅｔモジュールは、ＰＣ ｘ^（２） _ｉ＝（ｘ^（２） _ｉ，ｙ^（２） _ｉ，ｚ^（２） _ｉ）の第２の再構築を出力することができる。

【0119】

Ｆ－Ｎｅｔモジュールと同様に、Ｔ－Ｎｅｔモジュールは、パラメータが１つ以上のＰＣデータセット（例えば、訓練データセット）に基づく訓練を介して達成されるニューラルネットワークを介して実装され得る。

【0120】

修正された２ Ｄサンプルｕ^（１） _ｉから、最近傍グラフＧ（例えば、局所接続グラフ）を構築することができる。第２の再構築されたＰＣ ｘ^（２） _ｉ＝（ｘ^（２） _ｉ，ｙ^（２） _ｉ，ｚ^（２） _ｉ）に対して、最近傍グラフＧに基づくことができるグラフフィルタを使用して、グラフフィルタリングを実行することができる。グラフフィルタリングは、最終的なＰＣ再構築

【0121】

【数3】

を出力することができる。

【0122】

ＴｅａｒｉｎｇＮｅｔ自動エンコーダ（例えば、ＴｅａｒｉｎｇＮｅｔフレームワーク）を訓練するために、特定の実施態様では、式３に示す損失関数は、Ｍ点の入力ＰＣ Ｘ＝｛ｘ_k｝とＮ点の出力ＰＣ

【0123】

【数4】

との間の面取り距離に基づいて定義／使用することができる。

【0124】

【数5】

【0125】

損失関数は、面取り距離に基づくものとして示されているが、他の距離関連尺度（例えば、とりわけハウスドルフ距離又はアースムーバ距離）に基づく他の損失関数も可能である。

【0126】

代表的なＴネットモジュール
図６は、代表的な分割（Ｔ－Ｎｅｔ）モジュールの図である。

【0127】

図６を参照すると、代表的な分割／Ｔ－Ｎｅｔモジュール６００は、他のタイプのニューラルネットワークの中でも、Ｎ×Ｎ畳み込みニューラルネットワーク（ＣＮＮ）６１０及び６２０（例えば、３×３ ＣＮＮ）の複数のセット（例えば、２つ以上のセット）並びに／又は１つ以上の多層パーセプトロン（ＭＬＰ）（例えば、完全接続ニューラルネットワーク）を含み得る。

【0128】

コードワードｆ（例えば、記述子ベクトル５３０）は、Ｎ×５１２の行列６３０でＮ回複製することができる（例えば、コードワードｆが５１２－ｄｉｍである場合、とりわけ１２８、２５６、１０２４、２０４８又は４０９６などの他の次元も可能である）。ｆからの複製された行列６３０は、連結されて、第１の連結行列６４０を生成することができる（例えば、グリッド／点５４０（例えば、２Ｄグリッド／点ｕ）からのＮ×２行列６４５を含むＮ×５２３行列、３Ｄ点ｘからのＮ×３行列、及び勾配６５０（例えば、勾配∂ｘ／∂ｕ）からのＮ×６行列）。３Ｄ点ｘは、Ｆ－Ｎｅｔモジュール５５０－１からの出力であり得る。第１の連結行列６４０の各行（例えば、Ｎ×５２３行列）は、分割／Ｔ－Ｎｅｔモジュール５５６の第１のニューラルネットワーク６１０（例えば、共有３×３ ＣＮＮ又はＭＬＰ）に通され得る。第１のニューラルネットワーク６１０（例えば、第１のＣＮＮ）は、Ｎ個の層（例えば、３個の層）を含むか、又はそれから構成され得る。第１の連結行列６４０は、一連のＣＮＮ（図示せず）のうちの第１のＣＮＮ（図示せず）に入力され得る。第１の一連のＣＮＮは、第１、第２及び第３の層に対してそれぞれ２５６、１２８及び６４の出力次元を有し得る）。

【0129】

一連のニューラルネットワークのうちの第２のニューラルネットワーク６２０（例えば、第２のＣＮＮ）のための入力行列は、前の動作と同様に形成、生成、及び／又は構築することができ、第１の連結行列６４５と、第１のＣＮＮ ６１０から出力された前の動作からの６４次元の特徴出力（例えば、Ｎ×６４行列６５５）とを含む第２の連結行列６６０を含むことができる。第２の連結行列６６０（Ｎ×５８７行列であってもよい）は、第２のニューラルネットワーク６２０の入力行列Ｎ×５８７（例えば、系列内の第２のＣＮＮ又はＭＬＰ）であってもよい。入力行列の各行は、第２のＣＮＮ ６２０（例えば、共有３×３ ＣＮＮ又はＭＬＰ）を通過し得る。第２の一連のＣＮＮは、それぞれ第１、第２、及び第３の層に対して２５６、１２８及び２の出力次元を有する３つの層（図示せず）を含むか、又はそれらから構成され得る。分割／Ｔ－Ｎｅｔモジュール５５６の最終的な出力行列Ｎ×２６６５は、２ Ｄグリッド５４０（例えば、２ Ｄグリッドｘ）の修正／発展を表すことができる。

【0130】

ＦｏｌｄｉｎｇＮｅｔ＋＋の複雑さと比較して、Ｎ点を有する２ Ｄグリッドの同じサイズでは、ＦｏｌｄｉｎｇＮｅｔ＋＋の入力及び出力次元はＮ＋５１２及びＮであり、ＴｅａｒｉｎｇＮｅｔの入力及び出力次元は１１＋５１２及び２である。ＡｔｌａｓＮｅｔとＴｅａｒｉｎｇＮｅｔの複雑さを比較すると、ＡｔｌａｓＮｅｔでは、Ｆ－Ｎｅｔモジュールの数はＡｔｌａｓの事前設定されたサイズに等しく、これは実際のシーンのために大きくあるべきであるか、又は大きくなければならない。ＴｅａｒｉｎｇＮｅｔは、シーンの複雑さにかかわらず、デコーダにおいて合計で１つのＦ－Ｎｅｔモジュール及び１つのＴ－Ｎｅｔモジュールを必要とする／使用するだけでよい。

【0131】

Ｔ－Ｎｅｔモジュールは、以下のようなマッピング関数としてニューラルネットワークを使用することができる。

【0132】

【数6】

【0133】

記述子ｆは、Ｔ－Ｎｅｔモジュールを駆動して、前記２Ｄグリッド／点をパッチに分割することができる。例えば、３つのオブジェクトを有するＰＣの場合、２Ｄグリッド／点は、３つのパッチに分割されてもよく、又は分割されており、Ｔ－Ｎｅｔモジュールは、修正／進化２Ｄグリッド／点を生成し得る。

【0134】

図７Ａは、入力ＰＣの一例を示す図である。図７Ｂは、図７Ａの入力ＰＣに関連する分割／進化２Ｄグリッドの一例を示す図である。図７Ｃは、図７Ａの入力ＰＣに関連する再構築されたＰＣの例を示す図である。図７Ｂの分割２Ｄグリッドは、パッチＡ１、Ｂ１、Ｃ１、及びＤ１を含み得る。分割／Ｔ－Ｎｅｔモジュール５５６は、分割／進化２Ｄグリッドを生成し得る。入力ＰＣは、４つのオブジェクト（例えば、３つの車両（オブジェクトＡ、Ｃ及びＤ）及びサイクリスト（オブジェクトＢ））を含み、分割された２Ｄグリッドは、入力ＰＣ内の各オブジェクトの周りのエリアに概して対応する分割部分を含む。

【0135】

代表的なスカルプチャ訓練手順
特定の代表的な実施形態では、訓練手順（例えば、２段階スカルプチャ訓練手順）が、ＴｅａｒｉｎｇＮｅｔを訓練するために、例えば距離尺度（例えば、面取り距離、土工機械の距離、又は他の距離メトリック）を使用して実装され得る。面取り距離は、土工機械の距離よりも複雑ではないが、点崩壊の問題を有する。式３の面取り距離を使用する損失関数は、以下のように、式５及び６に記載されているように書き直され得る。

【0136】

【数7】

ここで、ｍａｘ（．，．）の２つの距離項目は、それぞれ

【0137】

【数8】

として参照される。２つの距離項目は、ＰＣ評価に対して２つの異なる方法で寄与し得る。入力ＰＣとしてＸが固定され、探索中の再構築として

【0138】

【数9】

が評価されると考えられる。

【0139】

【数10】

は、スーパーセット距離として参照され、再構築ＰＣ

【0140】

【数11】

が入力ＰＣ Ｘのスーパーセットである限り緩和され得る。例えば、再構築が正確に入力のスーパーセットである場合、スーパーセット距離は０に等しくてもよく、Ｘの外側の残りの点は、スーパーセット距離を不利にしない。

【0141】

【数12】

は、サブセット距離として参照され、再構築ＰＣ

【0142】

【数13】

が入力ＰＣ Ｘのサブセットである限り緩和され得る。例えば、再構築が正確に入力のサブセットである場合、サブセット距離は０に等しくなる。

【0143】

訓練から始めると、ネットワークパラメータがランダムに初期化されるため、再構築された点が空間の周りで飛び散る。十分な数の点及び十分なトポロジ構造を有するデータセットが与えられると、サブセット距離は、スーパーセット距離よりも大きく、スーパーセット距離よりも優勢である可能性が高い。これは、潜在コードワードが与えられた場合に各空間位置における条件付き発生確率を学習するものとして再構築を扱うことによって解釈／決定することができる。訓練のために使用される形状（例えば、ＰＣ）が劇的に変動する場合、学習された分布は、空間にわたってより均一に広がり得る。したがって、再構築された点がグラウンドトゥルース入力ＰＣの外側になる可能性がより多く存在する。サブセット距離は、スーパーセット距離よりも不利になる可能性があり、これにより、訓練中にサブセット距離が支配的になる可能性がある。

【0144】

支配的なサブセット距離を有するバランスの悪い面取り距離は、訓練の開始時であっても点崩壊につながる可能性がある。データセット内の全てのオブジェクトの間に単一の共有点が存在することを考慮すると、サブセット距離を最小化する（０にする）ための自明な解決策は、全ての点を共有点に折り畳むことである。オブジェクト形状間に交点が存在しない場合であっても、点は、サブセット距離を最小化するための自明な解決策のために、表面に近い単一の点推定量に崩壊する可能性がある。

【0145】

スカルプチャ訓練手順／戦略が実装されてもよく、少なくとも２つの訓練段階を含んでもよい。第１の段階では、スーパーセット距離（例えば、スーパーセット距離のみ）を訓練損失として使用して、予備的な形式を粗くすることができる。第２の段階では、サブセット距離を含む面取り距離が、再構築を洗練する（例えば、精緻化する）ために使用され得る。ＴｅａｒｉｎｇＮｅｔを訓練するためのスカルプチャ訓練手順は、減法スカルプチャ手順／プロセスに似ていてもよい。第１の段階から粗いフォームが構築／生成された後、Ｔ－Ｎｅｔモジュールは、第２の段階において最終像のために不要な材料を切削してもよく（例えば、具体的に切削してもよく）、（例えば、図７Ｂに示すようなパッチを含む）分割２Ｄグリッドを生成してもよい。２段階スカルプチャ訓練手順は、例えば、以下を含むことができる。
（１）Ｆ－Ｎｅｔモジュールを、損失関数であるスーパーセット距離を用いてＦｏｌｄｉｎｇＮｅｔアーキテクチャの下で訓練すること（特定の実施形態では、学習率は、ｒ_１＝１０^－３に設定されてもよい）と、
（２）予め訓練されたＦ－ＮｅｔモジュールをＴｅａｒｉｎｇＮｅｔアーキテクチャにロードし、損失関数としての面取り距離を用いてＦ－Ｎｅｔモジュール及びＴ－Ｎｅｔモジュールを訓練し続けること（例えば、スーパーセット距離とサブセット距離の両方をカウントし、学習率をより小さくなるように、例えば、ｒ_２＝１０^－３ｒ_１＝１０^－６となるように調整することができる）。

【0146】

代表的な反復ＴｅａｒｉｎｇＮｅｔアーキテクチャ／実装
図８は、複数の反復をサポートする代表的な反復ＴｅａｒｉｎｇＮｅｔアーキテクチャを示す図である。図８を参照すると、反復ＴｅａｒｉｎｇＮｅｔ ８００は、図６のモジュールと同じ又は類似のモジュールを含むことができる。例えば、反復ＴｅａｒｉｎｇＮｅｔ ８００は、Ｔ－Ｎｅｔモジュール８５６及びＦ－Ｎｅｔモジュール８５０を含み得るエンコーダ８２０及びデコーダ８６０を含み得、進化２Ｄグリッド８５８を使用し得る。ループ構造を用いて、Ｆ－Ｎｅｔモジュール８５０及びＴ－Ｎｅｔモジュール８５６は、任意の回数の反復（例えば、いくつかの反復）を実行することができる。各反復において、Ｆ－Ｎｅｔモジュール８５０は、前の反復からＴ－Ｎｅｔモジュール８５０から出力された２Ｄグリッド８５８をＦ－Ｎｅｔモジュール８５０への１つの入力として取ることができ、Ｔ－Ｎｅｔモジュール８５６は、現在の反復からＦ－Ｎｅｔモジュール８５６から出力された３Ｄ点（及び勾配）をＴ－Ｎｅｔモジュール８５６への入力として取ることができる。複数の反復を伴うＴｅａｒｉｎｇＮｅｔ ８００は、困難な（例えば、更により困難な）オブジェクト／シーントポロジを扱うために使用され得る。

【0147】

エンコーダ８２０への入力は、例えば、点群８１０であってもよく、又はそれを含んでもよい。

【0148】

エンコーダ８２０は、記述子ベクトル８３０を出力し得る。第１のステップ破線として図８に示される、反復ＴｅａｒｉｎｇＮｅｔ ８００の第１の反復の第１の動作／ステップにおいて、Ｆ－Ｎｅｔモジュール８５０は、記述子ベクトル８３０及び初期２Ｄグリッド８５８－１から入力を受信することができる。初期２ Ｄグリッド８５８－１は、局所接続グラフとして出力され得る。第２のステップ破線として図８に示される、反復ＴｅａｒｉｎｇＮｅｔ ８００の第１の反復の第２の動作／ステップにおいて、Ｔ－Ｎｅｔ ８５６は、入力として、第１の動作からのＦ－Ｎｅｔ ８５０の出力、記述子ベクトル８３０、及び初期２Ｄグリッド８５８－１を受信することができる。第２の動作／ステップにおけるＦ－Ｎｅｔ ８５０の出力は、再構築された点群８７０であり得る。第３のステップ破線として図８に示される、反復ＴｅａｒｉｎｇＮｅｔ ８００の第１の反復の第３の動作／ステップにおいて、Ｔ－Ｎｅｔ ８５６は、第１の修正された２Ｄグリッド８５８－２を出力することができる。

【0149】

第１のステップ破線として図８に示される、反復ＴｅａｒｉｎｇＮｅｔ ８００の第２の反復の第１の動作／ステップにおいて、Ｆ－Ｎｅｔモジュール８５０は、記述子ベクトル８３０及び第１の修正された２Ｄグリッド８５８－２から入力を受信することができる。第１の修正された２Ｄグリッド８５８－２は、局所接続グラフとして出力され得る。第２のステップ破線として図８に示される、反復ＴｅａｒｉｎｇＮｅｔ ８００の第２の反復の第２の動作／ステップにおいて、Ｔ－Ｎｅｔ ８５６は、入力として、第２の反復における第１の動作からのＦ－Ｎｅｔ ８５０の出力、記述子ベクトル８３０、及び第１の修正された２Ｄグリッド８５８－２を受信し得る。第２の反復の第２の動作／ステップにおけるＦ－Ｎｅｔ ８５０の出力は、第１の修正された再構築された点群８７０であり得る。第３のステップ破線として図８に示される、反復ＴｅａｒｉｎｇＮｅｔ ８００の第２の反復の第３の動作／ステップにおいて、Ｔ－Ｎｅｔ ８５６は、第２の修正された２Ｄグリッド８５８－３を出力することができる。

【0150】

反復ごとに、２Ｄグリッド／修正された２Ｄグリッドの出力（例えば、現在の局所接続グラフ８５８－１、８５８－２、又は８５８－３、及び再構築又は修正された再構築点群８７０）は、グラフフィルタリングを提供し、最終再構築点群を生成するために、グラフフィルタリングモジュール８８０に入力されてもよい。

【0151】

図８には２回の反復が示されているが、ＴｅａｒｉｎｇＮｅｔ ８００の任意の回数の反復が可能である。

【0152】

特定の代表的な実施形態では、初期点セットは、２Ｄグリッド（例えば、第１の／初期２Ｄグリッド８５８）にわたって定期的にサンプリングされ得る。球面又は立方体表面が、２Ｄグリッドを置換するために選択されてもよく、及び／又は２Ｄグリッドが、Ｎ次元グリッドと置換されてもよい。特定の実施形態では、別のサンプリング動作が、表面上の均一サンプリングを置き換えてもよい。

【0153】

ＴｅａｒｉｎｇＮｅｔ ８００は、教師なし学習フレームワークを提供することができる。そのようなＰＣのデータ表現の再構築のための手順が本明細書に開示され、ニューラルネットワーク重み／パラメータがエンドツーエンド動作においてＥ－Ｎｅｔモジュール、Ｔ－Ｎｅｔモジュール、及びＦ－Ｎｅｔモジュールのために確立される初期学習動作を含み得る。初期学習動作の後、（例えば、ニューラルネットワーク重み／パラメータが確立された）オートエンコーダ８００のエンコーダ８２０及びデコーダ８６０は、別々に動作され得る。記述子ｆは、トポロジ認識表現として機能することができると考えられる。ＴｅａｒｉｎｇＮｅｔ ８００は、エンコーダ８２０に、オブジェクト／シーントポロジに対してよりフレンドリな特徴空間における記述子を出力させることができる。そのようなトポロジ認識表現は、ラベル付けされたデータの必要性を軽減することによって、オブジェクト分類、セグメント化、検出、シーン完成などの多くのタスクに利益をもたらし得る。ＴｅａｒｉｎｇＮｅｔは、ＰＣを再構築するための異なる方法を提供するので、ＰＣ圧縮において有用であり得る。

【0154】

特定の代表的な実施形態では、ニューラルネットワークは、例えば、とりわけ、ＰＣ、ビデオ、画像、及び／又はオーディオなどのデータ表現に関連するトポロジフレンドリ表現を学習するために、Ｔ－Ｎｅｔモジュールを用いて実装され得る。例えば、進化２Ｄグリッド／点を使用することによって、ニューラルネットワークは、複雑なトポロジを有するオブジェクト／シーンを扱うことができる。ニューラルネットワークは、教師なし学習のためのエンドツーエンドオートエンコーダのデコーダ部分内に存在し得る。他の代表的な実施形態では、スカルプチャ訓練手順／戦略は、例えば、より良好に調整されたニューラルネットワーク重み／パラメータを可能にすることができる。

【0155】

統合されたＴ－Ｎｅｔ及び第２のＦ－Ｎｅｔモジュールの代表的な設計／アーキテクチャ
特定の実施形態では、Ｔ－Ｎｅｔモジュールの第１の反復及びＦ－Ｎｅｔモジュールの第２の反復に関連する機能は、統合されたアーキテクチャ／モジュール（例えば、組み合わされた分割フォールディングネットワーク（ＴＦ－Ｎｅｔ）アーキテクチャ／モジュール）に実装され得る。ＴＦ－Ｎｅｔモジュールへの入力は、Ｆ－Ｎｅｔモジュールへの入力、例えば、潜在コードワード及び２Ｄグリッドからの２Ｄ点セットと同じように構成され得る。ＴＦ－Ｎｅｔモジュールの出力は、３Ｄ点の修正であってもよい。最終的なＰＣ再構築のために、３Ｄ修正は、第１のＦ－Ｎｅｔモジュールからの出力に適用され得る。ＴＦ－Ｎｅｔモジュールは、２Ｄグリッドの分割の代わりに、３Ｄ空間における直接分割として見ることができる。例えば、ＴＦ－Ｎｅｔモジュール実装の利点は、図８のアーキテクチャと比較して、全体的なアーキテクチャを簡略化することであり得る。

【0156】

代表的なＧＣＡＥ
図９は、代表的なＧＣＡＥ ９００を示す図である。図９を参照すると、ＧＣＡＥは、複数の反復を伴うＴｅａｒｉｎｇＮｅｔにおけるような一般的なデータタイプのためのトポロジ学習を促進する方法を強調している。ＧＣＡＥ ９００は、ＴｅａｒｉｎｇＮｅｔ ８００と同じ又は同様のモジュール、例えば、エンコーダＥ及びデコーダＤを含んでもよい。デコーダＤは、フォールディングモジュールＦ及び分割モジュールＴを含んでもよい。エンコーダＥの出力は、デコーダＤへの入力であってもよい記述子ベクトルｃであってもよい。デコーダＤの出力は、再構築されたデータ表現

【0157】

【数14】

（例えば、再構築されたＰＣ、再構築されたビデオ、再構築された画像及び／又は再構築されたオーディオ）及び入力データ表現のトポロジを示すことができる進化グリッド

【0158】

【数15】

を含んでもよい。ＧＣＡＥ ９００は、オートエンコーダ実装／設計における信号のトポロジの利用を促進することができる。ＧＣＡＥアーキテクチャ／設計は、例えば、とりわけ画像／ビデオ符号化、画像処理、ＰＣ処理、及び／又はデータ処理などの関連用途においてトポロジが問題となる任意の信号（例えば、データ表現）に適用されてもよい。

【0159】

ＧＣＡＥ ９００は、分割モジュールＴを有するループ構造のフォールディングモジュールＦを含んでもよい。フォールディングモジュールＦへの入力は、反復ごとに修正されてもよい。最初に、２Ｄグリッドｕは、フォールディングモジュールＦに入力され得る。２回目以降の反復では、出力Δｕが結合されて（例えば、最初の２Ｄグリッドｕと合計されて）

【0160】

【数16】

が取得され、これがフォールディングモジュールＦに入力される。

【0161】

２モジュールの従来のオートエンコーダの代わりに、ＧＣＡＥは、エンコーダモジュール（例えば、Ｅ－Ｎｅｔモジュール（Ｅ））、フォールディングモジュール（例えば、Ｆ－Ｎｅｔモジュール（Ｆ））、及び分割モジュール（例えば、Ｔ－Ｎｅｔモジュール（Ｔ））を含み得る３モジュールアーキテクチャ／設計を含み得る。様々な図に示されるように、特定の初期化を伴うグラフも実装され得る。グラフは、復号動作（例えば、復号計算）におけるデータ表現のトポロジを明示的に表し得る。

【0162】

図９のオートエンコーダのデコーダＤでは、Ｆ－Ｎｅｔモジュール及びＴ－Ｎｅｔモジュールがインターフェースされている（例えば、反復的に互いに対話する）。相互作用の間、Ｆ－Ｎｅｔモジュールは、再構築された信号にグラフトポロジを埋め込むことができる。例えば、信号（例えば、画像又はＰＣ）が空間領域においてサンプリングされる場合、トポロジは、サンプリング点（ピクセル及び／又は点）の関係によって暗黙的に表され得る。Ｔ－Ｎｅｔモジュールは、再構築された信号から暗黙的トポロジを抽出することができ、グラフ領域においてトポロジを表すことができる。Ｔ－Ｎｅｔモジュールの出力（例えば、Ｔ－Ｎｅｔモジュールの直接出力）は、最適な構成のために訓練をより容易に収束させるために、元のグラフへの修正として選択され得る。

【0163】

実際のシステムでは、反復の数は、信号伝達されてもよく、明確であってもよく、又は予め決定されていてもよく、グラフトポロジは、反復の各々と共に発展すると考えられる。

【0164】

本明細書で開示されるＰＣオートエンコーダのＴｅａｒｉｎｇＮｅｔは、ＧＣＡＥの一例であり、当業者は、ＰＣなどの信号（例えば、データ表現）のトポロジフレンドリな表現を学習するためにＧＣＡＥがどのように利用され得るかをＴｅａｒｉｎｇＮｅｔから理解する。ＧＣＡＥは、ＰＣが高い種数を有するオブジェクト又は複数のオブジェクトを有するシーンに対するものである場合に、利益（例えば、明確な利益）を提供することができる。

【0165】

Ｔ－Ｎｅｔモジュールの代表的な設計／アーキテクチャ
Ｔ－Ｎｅｔモジュールは、構築ブロックとして、ＭＬＰネットワークの使用を含むいくつかの異なる方法で実装することができる。ＭＬＰ実装では、グラフに対するＦ－Ｎｅｔモジュールの出力の勾配は、勾配が近傍情報を提供するので、有用であり得る。他の実施形態では、Ｔ－Ｎｅｔモジュールは、１つ以上のＣＮＮを用いて（例えば、設計／アーキテクチャとして、例えば、３×３畳み込みカーネルを使用して、畳み込みニューラルネットワーク層を用いて）実装されてもよい。そのようなカーネルは、コンテキストをカウントしてもよく、Ｔ－Ｎｅｔモジュールへの入力としての勾配の導入／使用をスキップしてもしなくてもよい。

【0166】

人間の動作認識のための代表的なＧＣＡＥ手順
人間の骨格は、様々な方法で検出することができる。これはしばしば人間の動作認識に使用される。オートエンコーダは、人間の動作認識のタスクのために考慮され得る。入力信号は、人間の骨格の２Ｄ（又は３Ｄ）座標のシーケンスであってもよく、Ｅ－Ｎｅｔモジュールからのコードワードは、動作認識のために使用されてもよく、ＧＣＡＥデコーダ（Ｆ－Ｎｅｔモジュールを含む）及びＴ－Ｎｅｔモジュールは、コードワードから人間の骨格を再構築することができると考えられる。例えば、特定の実施形態では、このタスクのために、人体の関節接続に従って初期グラフトポロジが選択されてもよい。接続部上のグラフ重みは、Ｔ－Ｎｅｔモジュールの出力から更新され得る。Ｆ－Ｎｅｔモジュールは、グラフを入力として取り、骨格関節位置の座標を予測するように実装／設計されてもよい。骨格グラフは、かなり少数の点（関節）を含むので、Ｆ－Ｎｅｔモジュールへのグラフ入力は、グラフの隣接行列として配置することができる。Ｆ－Ｎｅｔモジュール及びＴ－Ｎｅｔモジュールの両方が、グラフに加えてコードワードを入力として受信することもできると考えられる。簡潔にするために、コードワード処理は詳細に検討されない。トポロジのコンテキストに焦点が当てられる。損失関数は、骨格に対する入力データ表現と骨格に対する出力データ表現との間の平均二乗誤差として定義され得る。例えば、各関節における誤差が計算されてもよく、次いで、平均二乗誤差が計算されてもよい。

【0167】

画像検索及び取得のための代表的なＧＣＡＥ手順
画像検索及び取得アプリケーションの場合、画像データセットの中のコミュニティを識別することが有用／必要であり得る。画像検索及び取得アプリケーションでは、画像データセットをコンテキストとみなすことができる。ＧＣＡＥを適用するために、画像をＥ－Ｎｅｔモジュールに入力してコードワードを出力することができる。デコーダは、データセット内の他の画像に対する入力画像の類似性を表すグラフを初期化することができる。Ｆ－Ｎｅｔモジュールは、画像データセット内の各画像に対する入力画像の類似性のスコアを予測することができる。Ｔ－Ｎｅｔモジュールは、予測スコアを入力として取ることができ、グラフが類似性トポロジをより良好に予測することができるようにグラフを更新することができる。最後に、損失関数は、入力画像と最も高いスコアを有する画像との間の画像類似度として定義され得る。画像データセットにわたるグラフトポロジは、実際には、検索及び取得アプリケーションのためのアセット（例えば、重要なアセット）である。ＧＣＡＥを使用して、そのようなトポロジを構築し、精緻化することができる。したがって、グラフトポロジは、画像データセット内でクエリを実行した後のＧＣＡＥデコーダの出力であってもよい。

【0168】

画像分析のための代表的なＧＣＡＥ手順
画像分析アプリケーションの場合、画像内のトポロジはアセット（例えば、キーアセット）である。画像表現記述をどのように抽出するかが、アプリケーションのターゲットであり得る。画像検索のための表現を学習するために、ＧＣＡＥ設計／アーキテクチャを実装することができる。Ｅ－Ｎｅｔモジュールは、画像を入力として取ってもよく、画像の潜在コードワードを生成してもよい。Ｅ－Ｎｅｔモジュールは、既知の画像特徴抽出器、例えば、ＡｌｅｘＮｅｔ、ＲｅｓＮｅｔなどを選択することができる。デコーダ設計／アーキテクチャは、エンドツーエンド訓練を介して、（例えば、訓練中のニューラルネットワーク重みの設定を介して）エンコーダの出力を駆動／修正することができる。画像ピクセルが２Ｄで編成されているので、グラフは、２Ｄグリッドとして初期化され得る。グラフエッジは、一定の重みを有する隣接ピクセル間（例えば、隣接ピクセル間のみ）に構築され得る。Ｆ－Ｎｅｔモジュールは、コードワードに加えてグラフを入力として取ることができ、出力として画像を生成することができる。Ｔ－Ｎｅｔモジュールは、出力画像からグラフ修正を推定することができる。

【0169】

入力画像と出力画像との間の損失関数は、平均二乗誤差（ＭＳＥ）又は別の距離ベースの誤差関数に基づいて計算され得る。再サンプリングは、ＭＳＥの計算を容易にするために、入力解像度と出力解像度とを整合させると仮定される。

【0170】

画像符号化のための代表的なＧＣＡＥ手順
画像検索及び取得アプリケーションと同様に、画像符号化の場合、冗長性を除去するための類似画像パッチの識別が有用／必要である。ＧＣＡＥは、画像が符号化／圧縮（例えば、符号化／圧縮目的）のためにブロックに分割され得るブロックベースの画像符号化を容易にするように適合され得る。画像分析の実施形態に類似する実施形態に加えて、異なるグラフトポロジが学習されるように選択されてもよい。例えば、小さなピクチャを符号化するための画像ブロックとして、１Ｄグラフ（例えば、線グラフ）が適用され得る。例えば、小さなピクチャの撮像（例えば、画像コーディング）は、単一ストロークを使用して完了され得る。損失関数は、本明細書で先に述べたのと同じ方法で定義することができる。

【0171】

ビデオ符号化のための代表的なＧＣＡＥ手順
画像符号化と比較して、ビデオ符号化は、例えば、第３の次元（例えば、時間方向）を導入するフレーム間予測に起因して異なる。いくつかの実施形態では、ＧＣＡＥデコーダにおける反復によって生成される進化トポロジを使用して、画像フレーム間の動きフィールドを符号化することができる。１つのフレームワーク内でフレームのグループ及び／又はピクチャのグループ（ＧＯＰ）を扱うことが考えられる。例えば、ビデオ符号化ＧＣＡＥへの入力はＧＯＰであってもよい。ＧＣＡＥデコーダの各反復は、ＧＯＰ内のフレームを出力することができる。この例では、グラフは、全てのピクセルが０に等しい画像として初期化され得る。Ｔ－Ｎｅｔモジュールは動きフィールドを復号することができ、Ｆ－Ｎｅｔモジュールは動きフィールドを前のフレームに適用することができる。特定の実施形態では、ＧＯＰは、時間方向にわたってより小さいボリュームに修正されてもよく、この修正されたＧＯＰは、ブロックのグループ（ＧＯＢ）と呼ばれてもよい。

【0172】

シーン分析のための代表的なＧＣＡＥ手順
ＧＣＡＥ及び／又はＴｅａｒｉｎｇＮｅｔは、例えば、オブジェクトのカウント及び検出を含むシーン分析に使用され得る。エンコーダ（Ｅ－Ｎｅｔ）モジュールから得られたコードワードは、入力シーンのトポロジを特徴付ける。例えば、類似のトポロジを有する２つのシーンは、類似のコードワードを有するはずである。ＧＣＡＥによって作成／生成されたコードワードは、オブジェクトのカウント及び／又は検出などのシーン分析タスクを可能にすることができる。例えば、分類器は、コードワードを入力として取って訓練され得、シーン中のオブジェクトの数を出力し得る。分類器出力に加えて、又はその代わりに、分割２Ｄグリッドはまた、例えば、検出されたパッチに基づいて、オブジェクトのカウント及び／又は検出を行うために使用され得る。

【0173】

ＰＣ符号化のための代表的なＧＣＡＥ手順
ＰＣ符号化に関して、当業者は、画像符号化及び／又はビデオ符号化に関する本明細書の例が適用される（例えば、原理的に適用される）ことを理解する。これらの手順は、静的ＰＣ及び／又は動的ＰＣを符号化するために使用され得る。

【0174】

図１０は、（例えば、ニューラルネットワークベースのデコーダ（ＮＮＢＤ）によって実装される）代表的な方法を示すブロック図である。

【0175】

図１０を参照すると、代表的な方法１０００は、ブロック１０１０において、ＮＮＢＤが、入力データ表現の記述子としてコードワードを取得又は受信することを含み得る。ブロック１０２０において、ＮＮＢＤの第１のニューラルネットワーク（ＮＮ）モジュールは、少なくともコードワード及び初期グラフに基づいて、入力データ表現の予備的再構築を決定することができる。ブロック１０３０において、ＮＮＢＤは、少なくとも予備的再構築及びコードワードに基づいて、修正されたグラフを決定することができる。ブロック１０４０において、第１のＮＮモジュールは、少なくともコードワード及び修正されたグラフに基づいて、入力データ表現の精緻化された再構築を決定することができる。例えば、修正されたグラフは、入力データ表現に関連するトポロジ情報を示し得る。

【0176】

特定の代表的な実施形態では、修正されたグラフは、初期グラフと第２のＮＮモジュールの出力とを組み合わせることによって決定され得る。

【0177】

特定の代表的な実施形態では、修正されたグラフは、局所接続グラフであり得る。

【0178】

特定の代表的な実施形態では、ＮＮＢＤは、少なくとも、（１）複製されたコードワード、（２）初期グラフ又は修正されたグラフ、及び（３）再構築されたデータ表現を連結することによって、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）によって処理するための連結行列を生成することができる。例えば、ＮＮＢＤは、生成された連結行列を使用して、一連の畳み込み層演算を実行してもよい。各畳み込み層演算のためのカーネルサイズは、（２ｎ＋１）×（２ｎ＋１）カーネルサイズであり得、ここで、ｎは非負整数である。

【0179】

特定の代表的実施形態では、入力データ表現は、（１）点群、（２）画像、（３）ビデオ、及び／又は（４）オーディオのうちのいずれかであってもよく、又はそれを含んでもよい。

【0180】

特定の代表的な実施形態では、ＮＮＢＤは、グラフ条件付きＮＮＢＤであってもよく、又はそれを含んでもよい。

【0181】

特定の代表的な実施形態では、入力データ表現の精緻化された再構築の決定は、少なくとも第１のＮＮモジュールの複数の反復動作を介して実行されてもよい。

【0182】

特定の代表的な実施形態ではＮＮＢＤは、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）又は１つ以上の多層パーセプトロン（ＭＬＰ）のうちのいずれかを含んでもよい。

【0183】

特定の代表的な実施形態では、ＮＮＢＤは、１つ以上の多層パーセプトロン（ＭＬＰ）を含んでもよい。例えば、修正されたグラフ及び／又はデータ表現の精緻化された再構築は、１つ以上のＭＬＰによって生成された勾配情報に基づくか、又は更に基づくことができる。

【0184】

特定の代表的な実施形態では、ＮＮＢＤは、修正されたグラフによって示されるトポロジ情報に従って、以下のうちのいずれかを識別することができる。（１）入力データ表現で表される１つ以上のオブジェクト、（２）オブジェクトの数、（３）入力データ表現で表されるオブジェクト表面、及び／又は（４）入力データ表現で表されるオブジェクトに関連する動きベクトル。

【0185】

特定の代表的な実施形態ではコードワードは、オブジェクト又は複数のオブジェクトを有するシーンを表す記述子ベクトルであり得る。

【0186】

特定の代表的な実施形態では、初期グラフ及び修正されたグラフは、２次元（２Ｄ）点セットであり得る。入力データ表現は、点群であってもよい。

【0187】

特定の代表的な実施形態では、入力データ表現の予備的再構築の決定は、記述子ベクトルと、平面内の所定のサンプリングで初期化される２Ｄ点セットとに基づいて、ＮＮＢＤが変形動作を実行することを含んでもよい。

【0188】

特定の代表的な実施形態では、入力データ表現の予備的再構築の決定は、ＮＮＢＤが点群の予備的再構築を生成することを含み得る。

【0189】

特定の代表的な実施形態では、修正されたグラフの決定は、ＮＮＢＤが、修正されたグラフを生成するために、点群、記述子ベクトル、及び初期グラフの予備的再構築に基づいて、分割動作を実行することを含み得る。

【0190】

特定の代表的な実施形態では、ＮＮＢＤは、局所接続グラフとして、修正されたグラフを生成してもよい。

【0191】

特定の代表的な実施形態では、ＮＮＢＤは、入力データ表現の精緻化された再構築に対してグラフフィルタリングを実行してもよく、及び／又は入力データ表現のフィルタリングされ精緻化された再構築を、入力データ表現の最終再構築として出力してもよい。

【0192】

特定の代表的な実施形態では、局所接続グラフは、以下に基づいて構築されもよい。（１）初期グラフ又は修正されたグラフ内の最近傍についてのグラフエッジの生成、（２）修正されたグラフ内の点距離に基づくグラフエッジ重みの割り当て、及び／又は（３）閾値よりも小さいグラフ重みを有するグラフエッジのプルーニング。

【0193】

特定の代表的な実施形態では、入力データ表現の精緻化された再構築に対するグラフフィルタリングの実行は、入力データ表現の最終再構築がグラフ領域において平滑化されるように、平滑化され再構築された入力データ表現の生成を含んでもよい。

【0194】

いくつかの代表的な実施形態では、ＮＮＢＤは、２段階訓練動作に従ってＮＮＢＤ内のニューラルネットワーク重みを設定することができる。例えば、２段階訓練動作の第１の段階において、第１のＮＮモジュールは、第１の段階損失関数に含まれるスーパーセット距離を用いて訓練されてよく、２段階訓練動作の第２の段階において、第１のＮＮモジュール及び第２のＮＮモジュールは、サブセット距離及びスーパーセット距離に基づいて、第２段階損失関数に含まれる面取り距離を用いて訓練されてもよい。

【0195】

特定の代表的な実施形態では初期グラフは、各点が２Ｄ位置を示す点の行列を含む２Ｄグリッドであってもよい。例えば、２Ｄグリッドは多様体に関連付けられてもよく、各点は多様体上の固定位置を示し、及び／又は２Ｄグリッドは２Ｄ平面からのサンプリングされた点の固定セットであってもよい。

【0196】

いくつかの代表的な実施形態では、修正されたグラフの決定は、１）ＫｘＤコードワード行列を生成するための、受信した又は取得したコードワードのＫ回の反復であって、Ｋは初期グラフ内のノードの数であり、Ｄはコードワードの長さである、ことと、（２）ＫｘＤコードワード行列と初期グラフとをＫｘＮ行列として連結してＫｘ（Ｄ＋Ｎ）連結行列を生成することと、（３）１つ以上のＣＮＮ及び／又はＭＬＰへの連結行列の入力、（４）連結行列からの１つ以上のＣＮＮ又はＭＬＰによる、修正されたグラフの生成、及び／又は（５）修正されたグラフに基づいて入力データ表現の精緻化された再構築を更新して、入力データ表現の最終再構築を生成することと、のうちのいずれかを含むことができる。

【0197】

特定の代表的な実施形態では、ＮＮＢＤは、コードワード行列を、連結された中間行列として、ＣＮＮ層又はＭＬＰ層の第１のセットの出力に連結することができ、及び／又は、連結された中間行列を、ＣＮＮ層又はＭＬＰ層の第１のセットに続くＣＮＮ層又はＭＬＰ層の次のセットに入力することができる。

【0198】

図１１は、多段階訓練動作を使用する代表的な訓練方法を示すブロック図である。

【0199】

図１１を参照すると、代表的な方法１１００は、ブロック１１１０において、多段階訓練動作の第１の段階において、第１のＮＮ（例えば、第１のＮＮモジュール）が第１の損失関数を使用して訓練されることを含み得る。ブロック１１２０において、多段階訓練動作の第２の段階において、第１のＮＮ（例えば、第１のＮＮモジュール）及び第１のＮＮにインターフェースされた第２のＮＮ（例えば、第２のＮＮモジュール）は、第２の損失関数を使用して訓練されてもよい。例えば第１の損失関数はスーパーセット距離に基づいてもよく、第２の損失関数はサブセット距離及びスーパーセット距離に基づいてもよい。いくつかの例では、第１のＮＮはフォールディングモジュールを含むことができ、第２のＮＮは分割モジュールを含むことができる。

【0200】

特定の代表的な実施形態では、多段階訓練動作の第１の段階において、訓練は、入力データ表現と再構築された入力データ表現との間の差に関連する第１の損失条件を満たす第１のＮＮ内のノードに関連するパラメータの値を反復的に決定することを含むことができ、及び／又は多段階訓練動作の第２の段階において、訓練は、入力データ表現と再構築された入力データ表現との間の差に関連する第２の損失条件を満たす第１及び第２のＮＮ内のノードに関連するパラメータの値を反復的に決定することを含むことができる。例えば、多段階訓練動作の第１の段階における第１のＮＮ内のノードに関連する決定された値は、多段階訓練動作の第２の段階における第１のＮＮのノードのために最初に使用された値であり得る。

【0201】

図１２は、別の代表的な方法（例えば、ＮＮＢＤによって実装される）を示すブロック図である。

【0202】

図１２を参照すると、代表的な方法１２００は、ブロック１２１０において、ＮＮＢＤが、入力データ表現の記述子としてコードワードを取得又は受信することを含み得る。ブロック１２２０において、ＮＮＢＤは、コードワードに基づいて、入力データ表現の予備的再構築を決定することができる。ブロック１２３０において、ＮＮＢＤは、（１）入力データ表現に関連する初期グラフ、（２）入力データ表現の予備的再構築、及び（３）コードワードに基づいて、修正されたグラフを決定することができる。修正されたグラフは、入力データ表現に関連するトポロジ情報を示し得る。

【0203】

特定の代表的な実施形態では、修正されたグラフ、進化したグラフ、及び／又は精緻化され修正されたグラフが、入力データ表現に関連するトポロジ情報を提供するために出力され、使用され得る。

【0204】

特定の代表的な実施形態では、ＮＮＢＤは、修正されたグラフによって示されるトポロジ情報に従って、以下のうちのいずれかを識別することができる。（１）入力データ表現で表される１つ以上のオブジェクト、（２）オブジェクトの数、（３）入力データ表現で表されるオブジェクト表面、及び／又は（４）入力データ表現で表されるオブジェクトの動きベクトル。

【0205】

特定の代表的な実施形態では、ＮＮＢＤは、コードワード及び修正されたグラフに基づいて、入力データ表現の精緻化された再構築を決定することができ、及び／又は、（１）修正されたグラフ、（２）入力データ表現の精緻化された再構築、及び（３）コードワードに基づいて、精緻化された修正されたグラフを決定することができ、精緻化された修正されたグラフは、入力データ表現に関連する精緻化されたトポロジ情報を示すことができる。

【0206】

図１３は、例えば、符号化ネットワーク（Ｅ－Ｎｅｔ）モジュール及びニューラルネットワークベースのデコーダ（ＮＮＢＤ）を含む、（例えば、ニューラルネットワークベースのオートエンコーダ（ＮＮＢＡＥ）によって実装される）更なる代表的な方法を示すブロック図である。

【0207】

図１３を参照すると、代表的な方法１３００は、ブロック１３１０において、ＮＮＢＡＥのＥ－Ｎｅｔモジュールが、入力データ表現に基づいて、コードワードを入力データ表現の記述子として決定することを含み得る。ブロック１３２０において、ＮＮＢＡＥのＦ－Ｎｅｔ／フォールディングモジュールは、少なくともコードワード及びＫ個の点を有する初期グラフに基づいて、入力データ表現の予備的再構築を決定することができる。ブロック１３３０において、ＮＮＢＤのＴ－Ｎｅｔ／分割モジュールは、少なくともコードワード及び初期グラフに基づいて、初期グラフから発展した修正Ｎグラフを決定することができる。ブロック１３４０において、ＮＮＢＤのＦ－Ｎｅｔモジュールは、少なくともコードワード及び修正されたグラフに基づいて、入力データ表現の精緻化された再構築を決定することができる。修正されたグラフは、入力データ表現に関連するトポロジ情報を示してもよく、Ｅ－Ｎｅｔモジュールは、ＮＮＢＤと共同で訓練されてもよい。

【0208】

図１４は、追加の代表的な方法（例えば、ＮＮＢＤによって実装される）を示すブロック図である。

【0209】

図１４を参照すると、代表的な方法１４００は、ブロック１４１０において、ＮＮＢＤが、入力データ表現の記述子としてコードワードを取得又は受信することを含み得る。ブロック１４２０において、第１のＮＮ及び／又はフォールディングネットワーク（Ｆ－Ｎｅｔ）モジュールは、少なくともコードワード及びＫ個の点を有するＮ次元点セットに基づいて、入力データ表現の予備的再構築を決定することができ、ここで、Ｎは整数である。ブロック１４３０において、ＮＮＢＤは、少なくともコードワード及びＮ次元点セットに基づいて、Ｎ次元点セットから進化した修正されたＮ次元点セットを決定することができる。ブロック１４４０において、第１のＮＮ及び／又はＦ－Ｎｅｔモジュールは、少なくともコードワード及び修正されたＮ次元点セットに基づいて、入力データ表現の精緻化された再構築を決定することができる。修正されたＮ次元点セットは、入力データ表現に関連するトポロジ情報を示し得る。

【0210】

いくつかの代表的な実施形態では、第２のＮＮ及び／又は分割ネットワーク（Ｔ－Ｎｅｔ）モジュールは、少なくともコードワード及びＮ次元点セットに基づいて、Ｎ次元点セットに対する修正を決定することができる。修正されたＮ次元点セットの決定は、修正されたＮ次元点セットを生成するために、Ｍ次元点セットをＮ次元点セットに対する修正と組み合わせることを含み得る。

【0211】

特定の代表的な実施形態では、Ｎ次元点セットに対する修正の決定は、（１）連結行列としての、複製されたコードワードとＮ次元点セットとの連結、（２）１つ以上のＣＮＮへの連結行列の入力、（３）連結行列からの１つ以上のＣＮＮによる、Ｍ次元特徴空間における第２の点セットの生成、（４）複製されたコードワード、Ｎ次元点セット、及び第２の点セットを第２の連結行列として連結すること、及び／又は（５）第２の連結行列からの１つ以上のＣＮＮによる、Ｎ次元点セットに対する修正の生成、のうちのいずれかを含み得る。

【0212】

特定の代表的な実施形態ではＮＮＢＤは、１つ以上のＮＮを使用して連結行列に対して一連の畳み込み層演算を実行して、修正されたＮ次元点セットを生成することができ、各畳み込み層演算のカーネルサイズは、とりわけ、（１）１×１カーネルサイズ、（２）３×３カーネルサイズ、及び／又は（３）５×５カーネルサイズなどのいずれかとすることができる。

【0213】

特定の代表的実施形態では、入力データ表現は、（１）点群、（２）画像、（３）ビデオ、又は（４）オーディオのうちのいずれかであってもよく、又はそれを含んでもよい。

【0214】

特定の代表的な実施形態では、Ｎは２に等しく、入力データ表現は点群であってもよく、又は点群を含んでもよい。

【0215】

特定の代表的な実施形態では、ＮＮＢＤは、グラフ条件付きＮＮＢＤであってもよく、又はそれを含む。

【0216】

いくつかの例では、入力データ表現の精緻化された再構築の決定は、少なくともＦ－Ｎｅｔモジュールの反復動作を介して実行されてもよい。

【0217】

特定の代表的な実施形態では、ＮＮＢＤは、１つ以上のＣＮＮ及び／又は１つ以上のＭＬＰのうちのいずれかを含んでもよい。

【0218】

特定の代表的な実施形態では、ＮＮＢＤは、１つ以上のＭＬＰを含んでもよい。例えば、修正されたＮ次元点セットは、１つ以上のＭＬＰによって生成された勾配情報に更に基づき得る。

【0219】

特定の代表的な実施形態では、ＮＮＢＤは、修正されたＮ次元点セットによって示されるトポロジ情報に従って、入力データ表現で表される１つ以上のオブジェクトを識別し得る。例えば、ＮＮＢＤ又は別のデバイスは、トポロジ情報を使用して、入力データ表現内の１つ以上のオブジェクトを識別し、及び／又は修正されたＮ次元点セットによって示されるトポロジ情報に従って入力データ表現で表されるいくつかのオブジェクトを識別することができる。

【0220】

別の例として、ＮＮＢＤ又は別のデバイスは、修正されたＮ次元点セットによって示されるトポロジ情報に従って、入力データ表現で表されるオブジェクト表面を識別し得る。

【0221】

特定の代表的な実施形態では、ＮＮＢＤは、修正されたＮ次元点セットから、入力データ表現の異なるトポロジ領域を識別するパッチを決定し得る。

【0222】

特定の代表的な実施形態ではコードワードは、オブジェクト又は複数のオブジェクトを有するシーンを表す記述子ベクトルであってもよく、又はそれを含んでもよい。

【0223】

特定の代表的な実施形態では、Ｎ次元点セットは、２Ｄ点セットであってもよく、又はそれを含んでもよい。例えば、入力データ表現は、点群であってもよく、又はそれを含んでもよく、及び／又は入力データ表現の予備的再構築の決定は、記述子ベクトルと、平面内の所定のサンプリングで初期化される２Ｄ点セットとに基づく変形動作の実行を含んでもよい。

【0224】

特定の代表的な実施形態では、入力データ表現の予備的再構築の決定は、点群の予備的再構築の生成を含み得る。

【0225】

特定の代表的な実施形態では、２Ｄ点セットからの進化した修正されたＮ次元点セットの決定は、点群、記述子ベクトル、及び２Ｄ点セットの予備的再構築に基づく分割動作の実行、及び／又は２Ｄ点セットからの修正された２Ｄ点セットとしての修正されたＮ次元点セットの生成を含み得る。

【0226】

特定の代表的な実施形態では、ＮＮＢＤは、２Ｄ点セット及び修正された２Ｄ点セットに基づいて局所接続グラフを生成することができる。

【0227】

特定の代表的な実施形態では、ＮＮＢＤ又は別のデバイス（例えばグラフフィルタなど）は、グラフフィルタリングを構築／実装してもよい（例えば、Ｆ－Ｎｅｔモジュールからの点群の精緻化された再構築に対して生成されたグラフフィルタを使用してグラフフィルタリングを実行してもよく、及び／又は点群のフィルタリングされ精緻化された再構築を出力してもよい）。

【0228】

特定の代表的な実施形態では、局所接続グラフは、以下に基づいて構築されもよい。（１）２Ｄ点セット内の最近傍についてのグラフエッジの生成、（２）修正された２Ｄ点セット内の点距離に基づくグラフエッジ重みの割り当て、及び／又は閾値よりも小さいグラフ重みを有するグラフエッジのプルーニング。

【0229】

特定の代表的な実施形態では、点群の精緻化された再構築に対するグラフフィルタリングの実行は、精緻化され再構築された点群がグラフ領域において平滑化され得るように、平滑化され再構築された精緻化された点群の生成を含み得る。

【0230】

いくつかの代表的な実施形態では、ＮＮＢＤは、２段階訓練動作に従ってＮＮＢＤ内のニューラルネットワーク重みを設定することができる。例えば、２段階訓練動作の第１の段階において、Ｆ－Ｎｅｔモジュールは、スーパーセット距離を損失関数として使用して訓練されてもよく、及び／又は、２段階訓練動作の第２の段階において、Ｆ－Ｎｅｔモジュール及びＴ－Ｎｅｔモジュールは、面取り距離をスーパーセット距離及びサブセット距離に基づく損失関数として使用して訓練されてもよい。

【0231】

特定の代表的な実施形態ではＮ次元点セットは、各点が２Ｄ位置を示し得る、点の行列を含む２Ｄグリッドであってもよく、又はそれを含んでもよい。例えば、２Ｄグリッドは多様体に関連付けられてもよく、各点は、多様体上の固定位置を示してもよく、及び／又は２Ｄグリッドは、多様体として、２Ｄ平面、球、又は立方体ボックス表面からサンプリングされた点の固定セットであってもよい。

【0232】

特定の代表的な実施形態では、ＮＮＢＤは、受信又は取得したコードワードを複製して、２Ｄグリッドのサイズであり得る複製されたコードワードのコードワード行列を生成することができ、及び／又はコードワード行列を連結行列に連結することができる。

【0233】

特定の代表的な実施形態では、修正されたＮ次元点セットの決定は、Ｋ×（Ｄ＋Ｎ）連結行列を生成するための、複製されたコードワードからのＫ×Ｄ行列とＮ次元点セットからのＫ×Ｎ行列との連結、１つ以上のＣＮＮ及び／又はＭＬＰへの連結行列の入力、連結行列からの１つ以上のＣＮＮ及び／又はＭＬＰによる、Ｎ次元点セットに対する修正の生成、及び／又は修正に基づいてＮ次元点セットを更新することによる、修正されたＮ次元点セットの生成、のうちのいずれかを含むことができる。

【0234】

特定の代表的な実施形態では、ＮＮＢＤは、（１）複製されたコードワードからのＫ×Ｄ行列を第１のＣＮＮ層又はＭＬＰ層の出力に連結すること、及び／又は、（２）連結行列を第１のＣＮＮ層又はＭＬＰ層に続く次のＣＮＮ層又はＭＬＰ層に入力することのうちのいずれかを行うことができる。

【0235】

図１５は、多段階訓練動作を使用する（例えば、ニューラルネットワーク（ＮＮ）によって実装される）代表的な訓練方法を示すブロック図である。

【0236】

図１５を参照すると、代表的な方法１５００は、ブロック１５１０において、多段階訓練動作の第１の段階において、スーパーセット距離を損失関数として使用して訓練されたＮＮの第１のニューラルネットワークを含み得る。ブロック１５２０において、多段階訓練動作の第２の段階において、第１のニューラルネットワーク及び第１のニューラルネットワークにインターフェースされた第２のニューラルネットワークは、スーパーセット距離及びサブセット距離に基づく損失関数として、面取り距離を使用して訓練され得る。

【0237】

図１６は、（例えば、Ｅ－Ｎｅｔモジュール及びＮＮＢＤを含むＮＮＢＡＥによって実装される）代表的な訓練方法を示すブロック図である。

【0238】

図１６を参照すると、代表的な方法１６００は、ブロック１６１０において、Ｅ－Ｎｅｔモジュールによって、入力データ表現に基づいて、コードワードを入力データ表現の記述子として決定することを含み得る。ブロック１６２０において、ＮＮＢＤのＦ－Ｎｅｔモジュールは、少なくともコードワード及びＫ個の点を有するＮ次元点セットに基づいて、入力データ表現の予備的再構築を決定することができ、ここで、Ｎは整数である。ブロック１６３０において、ＮＮＢＤは、少なくともコードワード及びＮ次元点セットに基づいて、Ｎ次元点セットから進化した修正されたＮ次元点セットを決定することができる。ブロック１６４０において、Ｆ－Ｎｅｔモジュールは、少なくともコードワード及び修正されたＮ次元点セットに基づいて、入力データ表現の精緻化された再構築を決定することができる。例えば、修正されたＮ次元点セットは、入力データ表現に関連するトポロジ情報を示してもよく、及び／又はＥ－Ｎｅｔは、ＮＮＢＤと共同で訓練されてもよい。

【0239】

特定の代表的な実施形態では、ＮＮＢＤ又は別のデバイスは、トポロジフレンドリコードワードに埋め込まれたトポロジ情報に従って、入力データ表現で表される１つ以上のオブジェクトを識別し得る。

【0240】

特定の代表的な実施形態では、ＮＮＢＤ又は別のデバイスは、トポロジフレンドリコードワードに埋め込まれたトポロジ情報に従って、入力データ表現で表されるいくつかのオブジェクトを識別し得る。

【0241】

特定の代表的な実施形態では、分割ネットワーク（Ｔ－Ｎｅｔ）モジュールは、少なくともコードワード及びＮ次元点セットに基づいて、Ｎ次元点セットへの修正を決定することができる。例えば、修正されたＮ次元点セットの決定は、修正されたＮ次元点セットを生成するために、Ｍ次元点セットをＮ次元点セットに対する修正と組み合わせることを含み得る。

【0242】

代表的な実施形態によるデータを処理するためのシステム及び方法は、メモリデバイスに含まれる命令のシーケンスを実行する１つ以上のプロセッサによって実行され得る。そのような命令は、２次データ記憶装置などの他のコンピュータ可読媒体からメモリデバイスに読み込まれてもよい。メモリデバイスに含まれる命令のシーケンスの実行により、プロセッサは、例えば上述したように動作する。代替の実施形態では、本発明を実施するために、ソフトウェア命令の代わりに、又はソフトウェア命令と組み合わせて、ハードワイヤ回路を使用することができる。

【0243】

ハードウェア（例えば、プロセッサ、ＧＰＵ、又は他のハードウェア）及び適切なソフトウェアは、とりわけ、知覚ニューラルネットワークアーキテクチャ、フィードフォワードニューラルネットワークアーキテクチャ、ラジアル基底ネットワークアーキテクチャ、ディープフィードフォワードニューラルネットワークアーキテクチャ、リカレントニューラルネットワークアーキテクチャ、長期／短期記憶ニューラルネットワークアーキテクチャ、ゲーテッドリカレントユニットニューラルネットワークアーキテクチャ、オートエンコーダ（ＡＥ）ニューラルネットワークアーキテクチャ、バリエーションＡＥニューラルネットワークアーキテクチャ、ノイズ除去ＡＥニューラルネットワークアーキテクチャ、スパースＡＥニューラルネットワークアーキテクチャ、マルコフ連鎖ニューラルネットワークアーキテクチャ、ホップフィールドネットワークニューラルネットワークアーキテクチャ、ボルツマンマシン（ＢＭ）ニューラルネットワークアーキテクチャ、制限ＢＭニューラルネットワークアーキテクチャ、深層信念ネットワークニューラルネットワークアーキテクチャ、深層畳み込みネットワークニューラルネットワークアーキテクチャ、デコンボリューショナルネットワークアーキテクチャ、深層畳み込み逆グラフィックスネットワークｋアーキテクチャ、敵対的生成ネットワークアーキテクチャ、液体状態機械ニューラルネットワークアーキテクチャ、極限学習機械ニューラルネットワークアーキテクチャ、エコー状態ネットワークアーキテクチャ、深層残差ネットワークアーキテクチャ、Ｋｏｈｏｎｅｎネットワークアーキテクチャ、サポートベクターマシンニューラルネットワークアーキテクチャ、及びニューラルチューリングマシンニューラルネットワークアーキテクチャなどの様々なアーキテクチャを有する１つ以上のニューラルネットワークを実装し得る。様々なアーキテクチャにおける各セルは、バックフィードセル、入力セル、ノイジー入力セル、隠れセル、確率的隠れセル、スパイキング隠れセル、出力セル、マッチ入力出力セル、リカレントセル、メモリセル、異なるメモリセル、カーネルセル、又は畳み込み／プールセルとして実装され得る。ニューラルネットワークのセルのサブセットは、複数の層を形成し得る。これらのニューラルネットワークは、手動で、又は自動化された訓練プロセスを通して訓練され得る。

【0244】

特徴及び要素は、特定の組み合わせにおいて上で説明されているが、当業者は、各特徴又は要素が単独で又は他の特徴及び要素との任意の組み合わせで使用され得ることを理解されよう。更に、本明細書に説明される方法は、コンピュータ又はプロセッサによる実行のためにコンピュータ可読媒体に組み込まれたコンピュータプログラム、ソフトウェア又はファームウェアに実装され得る。非一時的なコンピュータ可読記憶媒体の例としては、読み取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、レジスタ、キャッシュメモリ、半導体メモリデバイス、内部ハードディスク及びリムーバブルディスクなどの磁気媒体、磁気光学媒体及びＣＤ－ＲＯＭディスク及びデジタル多用途ディスク（ＤＶＤ）などの光学媒体が挙げられるが、これらに限定されない。ソフトウェアと関連付けられたプロセッサを使用して、ＷＴＲＵ１０２、ＵＥ、端末、基地局、ＲＮＣ、又は任意のホストコンピュータにおいて使用するための無線周波数トランシーバを実装し得る。

【0245】

更に、上記の実施形態では、処理プラットフォーム、コンピューティングシステム、コントローラ、及びプロセッサを含む他のデバイスが記載されている。これらのデバイスは、少なくとも１つの中央処理装置（「ＣＰＵ」）及びメモリを含み得る。コンピュータプログラミングの技術分野における当業者の慣例によれば、動作、及び演算又は命令の記号表現の言及は、様々なＣＰＵ及びメモリによって実施され得る。そのような動作及び演算又は命令は、「実行される」、「コンピュータによって実行される」、又は「ＣＰＵによって実行される」と言及されることがある。

【0246】

当該技術分野における通常の技術を有する者には、動作及び記号的に表現された演算又は命令が、ＣＰＵによる電気信号の操作を含むことが理解されるであろう。電気システムは、電気信号の結果的な変換又は減少を引き起こすことができるデータビットを表し、メモリシステムのメモリ位置にデータビットを維持し、それによってＣＰＵの動作及び他の信号の処理を再構成又は別の方法で変更する。データビットが維持されるメモリ位置は、データビットに対応する、又はデータビットを表す特定の電気的特性、磁気的特性、光学的特性、又は有機的特性を有する物理的位置である。代表的な実施形態は、上述のプラットフォーム又はＣＰＵに限定されず、他のプラットフォーム及びＣＰＵが、提供された方法をサポートし得るということを理解されたい。

【0247】

データビットはまた、磁気ディスク、光学ディスク、及び任意の他の揮発性（例えば、ランダムアクセスメモリ（「ＲＡＭ」））又はＣＰＵによって読み取り可能な不揮発性（例えば、読み取り専用メモリ（「ＲＯＭ」））大容量記憶システムを含む、コンピュータ可読媒体上に維持され得る。コンピュータ可読媒体は、処理システム上に排他的に存在するか、又は処理システムに対してローカル又はリモートであり得る複数の相互接続された処理システム間で分散された、協調的又は相互接続されたコンピュータ可読媒体を含んでもよい。代表的な実施形態は、上述のメモリに限定されず、他のプラットフォーム及びメモリが、記載された方法をサポートし得るということが理解される。

【0248】

例示的な実施形態において、本明細書に記載されている動作、プロセスなどのいずれも、コンピュータ可読媒体に格納されたコンピュータ可読命令として実装されてもよい。コンピュータ可読命令は、移動体、ネットワーク要素、及び／又は任意の他のコンピューティングデバイスのプロセッサによって実行され得る。

【0249】

システムの態様のハードウェア実装とソフトウェア実装の間には、ほとんど区別がない。ハードウェア又はソフトウェアの使用は、一般に（常にではないが、特定の状況では、ハードウェアとソフトウェアとの間の選択が大きな意味を持ち得る）、コスト対効率のトレードオフを意味する設計上の選択事項である。本明細書に記載されているプロセス及び／又はシステム及び／又は他の技術が影響を受ける可能性があり得る様々なビークル（例えばハードウェア、ソフトウェア、及び／又はファームウェア）が存在し得、好ましいビークルは、プロセス及び／又はシステム及び／又は他の技術が配備される状況によって変化し得る。例えば、実装者が、速度及び正確性が最重要であると判断した場合、実装者は、主にハードウェア及び／又はファームウェアのビークルを選択することができる。柔軟性が最重要である場合、実装者は、主にソフトウェア実装を選択することができる。あるいは、実装者は、ハードウェア、ソフトウェア、及び／又はファームウェアの何らかの組み合わせを選択してもよい。

【0250】

前述の詳細な説明では、ブロック図、フローチャート、及び／又は例の使用を通じて、デバイス及び／又はプロセスの様々な実施形態を示した。そのようなブロック図、フローチャート、及び／又は例が１つ以上の機能及び／又は動作を含む限り、そのようなブロック図、フローチャート、又は例の中の各機能及び／又は各動作は、広範なハードウェア、ソフトウェア、ファームウェア、又はそれらの実質的に任意の組み合わせによって、個別にかつ／又は集合的に実装されてよいことが当業者には理解されるであろう。好適なプロセッサとしては、例として、汎用プロセッサ、専用プロセッサ、従来型プロセッサ、デジタル信号プロセッサ（ＤＳＰ）、複数のマイクロプロセッサ、ＤＳＰコアと関連付けられた１つ以上のマイクロプロセッサ、コントローラ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、特定用途用標準製品（ＡＳＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）回路、任意の他のタイプの集積回路（ＩＣ）、及び／又は状態機械が挙げられる。

【0251】

上記では特徴及び要素が特定の組み合わせにおいて提供されているが、当該技術分野の通常の技術を有する者には、各特徴若しくは各要素を単独で使用する、又は他の特徴及び要素との任意の組み合わせにおいて使用できることが理解されるであろう。本開示は、本出願に記載されている特定の実施形態の観点において限定されるものではなく、これらの実施形態は、様々な態様の例示として意図されるものである。当業者には明らかなように、本発明の趣旨及び範囲から逸脱することなく、多くの修正及び変形を行うことができる。本出願の説明において使用されているいかなる要素、動作、又は指示も、そのように明示的に提示されていない限り、本発明にとって重要又は本質的であると解釈されるべきではない。本明細書に列挙したものに加えて、本開示の範囲内の機能的に等価な方法及び装置が、上述した説明から、当業者には明らかであろう。そのような修正及び変形は、添付の請求項の範囲に入ることが意図されている。本開示は、添付の請求項の条項によってのみ限定されるものであり、かかる請求項が権利を有する等価物の完全な範囲と共に、限定されるものである。本開示は、特定の方法又はシステムに限定されないことを理解されたい。

【0252】

本明細書で使用される用語は、特定の実施形態のみを説明する目的のためであり、限定することを意図するものではないということも理解されたい。本明細書で使用される場合、本明細書で言及される場合、「ステーション」及びその略語「ＳＴＡ」、「ユーザ機器」及びその略語「ＵＥ」は、（ｉ）記載されたインフラストラクチャなどの無線送信及び／又は受信ユニット（ＷＴＲＵ）、（ｉｉ）記載されたインフラストラクチャのような、ＷＴＲＵのいくつかの実施形態の任意のもの、（ｉｉｉ）例示されるようなＷＴＲＵ（例えば記載されたインフラストラクチャなど）の一部又は全ての構造及び機能を有して構成された無線可能及び／又は有線可能な（例えば、テザー可能な）デバイス、（ｉｉｉ）記載されるようなＷＴＲＵ（例えば記載されたインフラストラクチャなど）の、全てよりも少ない構造及び機能を有して構成された無線可能及び／又は有線可能デバイス、又は（ｉｖ）その他、を意味し得る、又は含み得る。本明細書に列挙される任意のＵＥを代表し得る例示的なＷＴＲＵの詳細が、図１Ａ～図１Ｄに関して以下に提供される。

【0253】

特定の代表的な実施形態では、本明細書に記載の主題のいくつかの部分は、特定用途用集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、及び／又は他の統合フォーマットを介して実装され得る。しかしながら、本明細書に開示されている実施形態のいくつかの態様は、その全体又は一部が、１つ以上のコンピュータ上で動作する１つ以上のコンピュータプログラムとして（例えば１つ以上のコンピュータシステム上で動作する１つ以上のプログラムとして）、１つ以上のプロセッサ上で動作する１つ以上のプログラムとして（例えば１つ以上のマイクロプロセッサ上で動作する１つ以上のプログラムとして）、ファームウェアとして、又はこれらの実質的に任意の組み合わせとして、集積回路において等価的に実施され得ること、並びに、回路を設計すること、及び／又は、ソフトウェア及び／若しくはファームウェアのコードを書くことが、この開示に照らして当業者の技術の範囲内であることが、当業者には認識されるであろう。更に、本明細書に記載されている主題のメカニズムが、様々な形態のプログラム製品として配布され得ること、及び、本明細書に記載されている主題の例示的な実施形態が、配布を実際に行うために使用される特定のタイプの信号担持媒体にかかわらず適用されることが、当業者には理解されるであろう。信号担持媒体の例としては、フロッピーディスク、ハードディスクドライブ、ＣＤ、ＤＶＤ、デジタルテープ、コンピュータメモリなどの記録可能型媒体、並びに、デジタル及び／又はアナログ通信媒体（例えば光ファイバケーブル、導波管、有線通信リンク、無線通信リンクなど）などの伝送型媒体が挙げられ、ただしこれらに限定されない。

【0254】

本明細書に記載されている主題は、場合によっては、異なる他の構成要素内に含まれるか、又は、異なる他の構成要素に接続されている、異なる構成要素を示していることがある。そのような図示されたアーキテクチャは単なる例であり、実際には、同じ機能を達成する他の多くのアーキテクチャが実施され得ることを理解されたい。概念的には、同じ機能を達成するための構成要素の任意の配置は、所望の機能が達成され得るように、効果的に「関連付けられる」。したがって、特定の機能を達成するために本明細書において組み合わされた、任意の２つの構成要素は、アーキテクチャ又は中間構成要素に関係なく、所望の機能が達成されるように、互いに「関連付けられた」として見ることができる。同様に、そのように関連付けられた任意の２つの構成要素は、所望の機能を達成するために互いに「動作可能に接続されている」、又は「動作可能に結合されている」とみなすこともでき、そのように関連付けることができる任意の２つの構成要素は、所望の機能を達成するために互いに「動作可能に結合可能」であるとみなすこともできる。動作可能に結合可能の具体例としては、物理的に嵌合可能かつ／若しくは物理的に相互作用する構成要素、及び／又は、無線で相互作用可能かつ／若しくは無線で相互作用する構成要素、及び／又は、論理的に相互作用するかつ／若しくは論理的に相互作用可能な構成要素が挙げられ、ただしこれらに限定されない。

【0255】

本明細書における実質的に任意の複数形及び／又は単数形の用語の使用に関して、当業者は、文脈及び／又は用途に適切であるように、複数形から単数形に、かつ／又は単数形から複数形に変換することができる。本明細書では、明瞭にする目的で、様々な単数形／複数形の並べ換えが明示的に記載され得る。

【0256】

一般に、本明細書、特に添付の請求項（例えば添付の請求項の本体）において使用されている用語は、一般に「非限定」用語として意図されることが当業者には理解されるであろう（例えば、用語「含んでいる」は、「含んでいるがそれらに限定されない」と解釈するべきであり、用語「有する」は、「を少なくとも有する」と解釈するべきであり、用語「含む」は、「含むがそれらに限定されない」と解釈するべきである）。更に、導入された請求項の特定の数の記載が意図される場合、そのような意図は請求項に明示的に記載されており、そのような記載がない場合、そのような意図は存在しないことが、当業者には理解されるであろう。例えば、１つの項目のみが意図される場合、「単一」という用語又は類似する言葉が使用され得る。理解を助けるために、以下の添付の請求項及び／又は本明細書の説明は、請求項の記載を導入するために「少なくとも１つの」及び「１つ以上の」という導入句の使用を含み得る。しかしながら、このような句の使用は、不定冠詞「ａ」又は「ａｎ」による請求項の記載の導入が、そのような導入された請求項の記載を含む任意の特定の請求項を、１つのそのような記載のみを含む実施形態に制限することを意味するものと解釈すべきではなく、たとえ同じ請求項に、導入句「１つ以上の」又は「少なくとも１つの」及び「ａ」又は「ａｎ」などの不定冠詞が含まれていても同様である（例えば「ａ」及び／又は「ａｎ」は「少なくとも１つの」又は「１つ以上」を意味するものと解釈すべきである）。請求項の記載を導入するために使用される定冠詞の使用も同様である。更に、導入された請求項の特定の数の記載が明示的に記載されている場合でも、かかる記載は少なくとも記載された数を意味するものと解釈されるべきであることが、当業者には認識されるであろう（例えば、他の修飾語なしの「２つの記載」という単純な記載は、少なくとも２つの記載、又は２つ以上の記載を意味する）。更に、「Ａ、Ｂ、及びＣのうちの少なくとも１つ」に類似する表記が使用される場合、一般に、そのような構造は、当業者がその表記を理解するであろう意味として意図される（例えば、「Ａ、Ｂ、及びＣのうちの少なくとも１つを有するシステム」は、Ａのみ、Ｂのみ、Ｃのみ、Ａ及びＢを一緒に、Ａ及びＣを一緒に、Ｂ及びＣを一緒に、並びに／又は、Ａ、Ｂ、及びＣを一緒に、有するシステムを含み、ただしこれらに限定されない）。「Ａ、Ｂ、又はＣのうちの少なくとも１つ」に類似する表記が使用される場合、一般に、そのような構造は、当業者がその表記を理解するであろう意味として意図される（例えば、「Ａ、Ｂ、又はＣのうちの少なくとも１つを有するシステム」は、Ａのみ、Ｂのみ、Ｃのみ、Ａ及びＢを一緒に、Ａ及びＣを一緒に、Ｂ及びＣを一緒に、並びに／又は、Ａ、Ｂ、及びＣを一緒に、有するシステムを含み、ただしこれらに限定されない）。説明、請求項、又は図面のいずれにおいても、２つ以上の代替的な用語を提示する実質的に任意の離接的な語及び／又は句は、用語の一方、用語のいずれか、又は両方の用語を含む可能性を企図するものと理解されるべきであることが、当業者には更に理解されるであろう。例えば、「Ａ又はＢ」という句は、「Ａ」若しくは「Ｂ」又は「Ａ及びＢ」の可能性を含むものと理解されたい。更に、本明細書で使用される、複数の項目のリスト及び／又は複数の項目のカテゴリのリストが後ろに続く用語「～のいずれか」は、項目及び／又は項目のカテゴリの、「のいずれか」、「の任意の組み合わせ」、「の任意の複数」、及び／又は「の任意の複数の組み合わせ」を、個別に、又は他の項目及び／又は他の項目のカテゴリとの組み合わせにおいて、含むことを意図している。更に、本明細書で使用される場合、「セット／組」又は「グループ／群」という用語は、ゼロを含む任意の数のアイテムを含むことが意図される。更に、本明細書で使用される、用語「数」は、ゼロを含む任意の数を含むことを意図している。

【0257】

更に、本開示の特徴又は態様がＭａｒｋｕｓｈ群の観点から説明されている場合、当業者には、本開示がそれによってＭａｒｋｕｓｈ群の任意の個々のメンバー又はメンバーのサブグループの観点からも説明されることが認識されるであろう。

【0258】

当業者には理解されるように、書面による説明を提供するという観点など、あらゆる目的のために、本明細書に開示される全ての範囲は、その任意の可能な部分範囲及び部分範囲の組み合わせも包含している。任意の列挙された範囲は、同じ範囲が、少なくとも等しい２分の１、３分の１、４分の１、５分の１、１０分の１などに分解されることを十分に説明して可能にするものとして、容易に認識することができる。非限定的な例として、本明細書に記載されている各範囲は、下位３分の１、中央の３分の１、及び上位３分の１などに容易に分解され得る。また、当業者には理解されるように、「まで」、「少なくとも」、「より大きい」、「より小さい」等の全ての言葉は、言及された数を含み、かつ、上述したように更に部分範囲に分解され得る範囲を意味する。最後に、当業者には理解されるように、範囲は個々の要素を含む。したがって、例えば、１～３個のセルを有するグループは、１個、２個、又は３個のセルを有するグループを指す。同様に、１～５個のセルを有するグループは、１個、２個、３個、４個、又は５個のセルを有するグループを指し、以下同様である。

【0259】

更に、請求項は、特にそのように記載されない限り、提供された順序又は提供された要素に限定されるものとして読まれるべきではない。更に、いかなる請求項においても、「ための手段」という用語の使用は、米国特許法第１１２条、第６項、又はミーンズプラスファンクションの請求項形式に訴えることを意図しており、「ための手段」という用語を有さないいかなる請求項もそのようには意図されていない。

【0260】

ソフトウェアに関連するプロセッサを使用して、無線送受信ユニット（ＷＴＲＵ）、ユーザ機器（ＵＥ）、端末、基地局、モビリティ管理エンティティ（ＭＭＥ）若しくは進化型パケットコア（Evolved Packet Core、ＥＰＣ）、又は任意のホストコンピュータで使用するための、無線周波数トランシーバを実装し得る。ＷＴＲＵは、例えば、ソフトウェア無線（Software Defined Radio、ＳＤＲ）などのハードウェア及び／又はソフトウェアに実装されたモジュールと併せて使用されてもよく、また、カメラ、ビデオカメラモジュール、テレビ電話、スピーカ電話、振動デバイス、スピーカ、マイクロフォン、テレビトランシーバ、ハンズフリー式ヘッドセット、キーボード、ブルートゥース（登録商標）モジュール、周波数変調（ＦＭ）ラジオユニット、近距離無線通信（Near Field Communication、ＮＦＣ）モジュール、ＬＣＤディスプレイユニット、有機発光ダイオード（ＯＬＥＤ）ディスプレイユニット、デジタル音楽プレーヤ、メディアプレーヤ、ビデオゲームプレーヤモジュール、インターネットブラウザ、及び／又は無線ローカルエリアネットワーク（ＷＬＡＮ）又は超広帯域（Ultra Wide Band、ＵＷＢ）モジュールなどの他のコンポーネントに実装されてもよい。

【0261】

本発明は、通信システムに関して説明されてきたが、システムは、マイクロプロセッサ／汎用コンピュータ（図示せず）上のソフトウェアに実装され得ることが企図される。特定の実施形態では、様々な構成要素の機能のうちの１つ以上は、汎用コンピュータを制御するソフトウェアに実装され得る。

【0262】

更に、本発明は、特定の実施形態を参照して本明細書に例示及び説明されるが、本発明は、示された詳細に限定されることを意図していない。むしろ、請求項の範囲及びその等価物の範囲内にいて、しかも本発明から逸脱することなく、詳細に様々な修正を行うことができる。

【0263】

本開示を通して、当業者は、ある特定の代表的な実施形態が、代替的又は他の代表的な実施形態と組み合わせて使用され得ることを理解する。

【0264】

特徴及び要素は、特定の組み合わせにおいて上で説明されているが、当業者は、各特徴又は要素が単独で又は他の特徴及び要素との任意の組み合わせで使用され得ることを理解されよう。更に、本明細書に説明される方法は、コンピュータ又はプロセッサによる実行のためにコンピュータ可読媒体に組み込まれたコンピュータプログラム、ソフトウェア又はファームウェアに実装され得る。非一時的なコンピュータ可読記憶媒体の例としては、読み取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、レジスタ、キャッシュメモリ、半導体メモリデバイス、内部ハードディスク及びリムーバブルディスクなどの磁気媒体、磁気光学媒体及びＣＤ－ＲＯＭディスク及びデジタル多用途ディスク（ＤＶＤ）などの光学媒体が挙げられるが、これらに限定されない。ソフトウェアと関連付けられたプロセッサを使用して、ＷＴＲＵ、ＵＥ、端末、基地局、ＲＮＣ又は任意のホストコンピュータにおいて使用するための無線周波数トランシーバを実装し得る。

【0265】

更に、上記の実施形態では、処理プラットフォーム、コンピューティングシステム、コントローラ、及びプロセッサを含む他のデバイスが記載されている。これらのデバイスは、少なくとも１つの中央処理装置（「ＣＰＵ」）及びメモリを含み得る。コンピュータプログラミングの技術分野における当業者の慣例によれば、動作、及び演算又は命令の記号表現の言及は、様々なＣＰＵ及びメモリによって実施され得る。そのような動作及び演算又は命令は、「実行される」、「コンピュータによって実行される」、又は「ＣＰＵによって実行される」と言及されることがある。

【0266】

当該技術分野における通常の技術を有する者には、動作及び記号的に表現された演算又は命令が、ＣＰＵによる電気信号の操作を含むことが理解されるであろう。電気システムは、電気信号の結果的な変換又は減少を引き起こすことができるデータビットを表し、メモリシステムのメモリ位置にデータビットを維持し、それによってＣＰＵの動作及び他の信号の処理を再構成又は別の方法で変更する。データビットが維持されるメモリ位置は、データビットに対応する、又はデータビットを表す特定の電気的特性、磁気的特性、光学的特性、又は有機的特性を有する物理的位置である。

【0267】

データビットはまた、磁気ディスク、光学ディスク、及び任意の他の揮発性（例えば、ランダムアクセスメモリ（「ＲＡＭ」））又はＣＰＵによって読み取り可能な不揮発性（例えば、読み取り専用メモリ（「ＲＯＭ」））大容量記憶システムを含む、コンピュータ可読媒体上に維持され得る。コンピュータ可読媒体は、処理システム上に排他的に存在するか、又は処理システムに対してローカル又はリモートであり得る複数の相互接続された処理システム間で分散された、協調的又は相互接続されたコンピュータ可読媒体を含んでもよい。代表的な実施形態は、上述のメモリに限定されず、他のプラットフォーム及びメモリが、記載された方法をサポートし得るということが理解される。

【0268】

好適なプロセッサとしては、例として、汎用プロセッサ、専用プロセッサ、従来型プロセッサ、デジタル信号プロセッサ（ＤＳＰ）、複数のマイクロプロセッサ、ＤＳＰコアと関連付けられた１つ以上のマイクロプロセッサ、コントローラ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、特定用途用標準製品（ＡＳＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）回路、任意の他のタイプの集積回路（ＩＣ）、及び／又は状態機械が挙げられる。

【0269】

本発明は、通信システムに関して説明されてきたが、システムは、マイクロプロセッサ／汎用コンピュータ（図示せず）上のソフトウェアに実装され得ることが企図される。特定の実施形態では、様々な構成要素の機能のうちの１つ以上は、汎用コンピュータを制御するソフトウェアに実装され得る。

【0270】

更に、本発明は、特定の実施形態を参照して本明細書に例示及び説明されるが、本発明は、示された詳細に限定されることを意図していない。むしろ、請求項の範囲及びその等価物の範囲内にいて、しかも本発明から逸脱することなく、詳細に様々な修正を行うことができる。

【図1A】

【図1B】

【図1C】

【図1D】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図7C】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【手続補正書】

【提出日】2023-02-21

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

ニューラルネットワークベースのデコーダ（ＮＮＢＤ）によって実装される方法であって、
前記ＮＮＢＤによって、入力データ表現の記述子としてコードワードを取得又は受信することと、
第１のニューラルネットワークモジュールによって、少なくとも前記コードワード及び初期グラフに基づいて、前記入力データ表現の予備的再構築を決定することと、
第２のニューラルネットワークモジュールによって、少なくとも前記予備的再構築及び前記コードワードに基づいて、修正されたグラフを決定することと、
前記第１のニューラルネットワークモジュールによって、少なくとも前記コードワード及び前記修正されたグラフに基づいて、前記入力データ表現の精緻化された再構築を決定することであって、
前記修正されたグラフは、前記入力データ表現に関連するトポロジ情報を示す、ことと、を含む、方法。

【請求項2】

前記修正されたグラフは、前記初期グラフと前記第２のニューラルネットワークモジュールの出力とを組み合わせることによって決定される、請求項１に記載の方法。

【請求項3】

前記修正されたグラフは、局所接続グラフである、請求項１に記載の方法。

【請求項4】

少なくとも複製されたコードワード、前記初期グラフ又は前記修正されたグラフ、及び前記再構築されたデータ表現を連結することによって、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）によって処理するための連結行列を生成することを更に含む、請求項１に記載の方法。

【請求項5】

前記ＮＮＢＤはグラフ条件付きＮＮＢＤであり、
前記入力データ表現の前記精緻化された再構築を前記決定することは、少なくとも前記第１のニューラルネットワークモジュールの複数の反復動作を介して実行される、
請求項１に記載の方法。

【請求項6】

前記ＮＮＢＤは、１つ以上の多層パーセプトロン（ＭＬＰ）を含み、
前記修正されたグラフ及び前記データ表現の前記精緻化された再構築は、前記１つ以上のＭＬＰによって生成された勾配情報に更に基づく、
請求項１に記載の方法。

【請求項7】

前記初期グラフ及び前記修正されたグラフは、２次元（２Ｄ）点セットであり、
前記入力データ表現は点群であり、
前記入力データ表現の前記予備的再構築を前記決定することは、前記記述子ベクトルと、平面内の所定のサンプリングで初期化される前記２Ｄ点セットとに基づいて、変形動作を実行することを含む、
請求項１に記載の方法。

【請求項8】

前記修正されたグラフを前記決定することは、
前記修正されたグラフを生成するために、前記入力データ表現、前記記述子ベクトル、及び前記初期グラフの前記予備的再構築に基づいて、分割動作を実行することを含む、請求項１に記載の方法。

【請求項9】

前記修正されたグラフを前記決定することは、
Ｋ×Ｄコードワード行列を生成するために、前記受信又は取得したコードワードをＫ回複製することであって、Ｋは前記初期グラフ内のノードの数であり、Ｄは前記コードワードの長さである、ことと、
前記Ｋ×Ｄコードワード行列と前記初期グラフとをＫｘＮ行列として連結して、Ｋｘ（Ｄ＋Ｎ）連結行列を生成することと、
前記連結行列を１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）又は多層パーセプトロン（ＭＬＰ）に入力することと、
前記連結行列から前記１つ以上のＣＮＮ又はＭＬＰによって、前記修正されたグラフを生成することと、
前記修正されたグラフに基づいて前記入力データ表現の前記精緻化された再構築を更新して、前記入力データ表現の最終再構築を生成することと、を含む、請求項１に記載の方法。

【請求項10】

前記コードワード行列を、連結された中間行列として、ＣＮＮ層又はＭＬＰ層の第１のセットの前記出力に連結することと、
前記連結された中間行列を、ＣＮＮ層又はＭＬＰ層の前記第１のセットに続くＣＮＮ層又はＭＬＰ層の次のセットに入力することと、
を更に含む、請求項９に記載の方法。

【請求項11】

ニューラルネットワークベースのデコーダ（ＮＮＢＤ）であって、
入力データ表現の記述子としてコードワードを受信又は取得するように構成された受信機ユニットと、
少なくとも前記コードワード及び初期グラフに基づいて、前記入力データ表現の予備的再構築を決定するように構成された第１のニューラルネットワーク（ＮＮ）モジュールと、
少なくとも前記予備的再構築及び前記コードワードに基づいて、修正されたグラフを決定するように構成された第２のＮＮモジュールと、を含み、
前記第１のＮＮモジュールは、少なくとも前記コードワード及び前記修正されたグラフに基づいて、前記入力データ表現の精緻化された再構築を決定するように更に構成され、前記修正されたグラフは、前記入力データ表現に関連するトポロジ情報を示す、ニューラルネットワークベースのデコーダ（ＮＮＢＤ）。

【請求項12】

前記修正されたグラフは局所接続グラフである、請求項１１に記載のＮＮＢＤ。

【請求項13】

前記第２のＮＮモジュールは、１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）を含み、
前記ＮＮＢＤは、少なくとも（１）複製されたコードワード、（２）前記初期グラフ又は前記修正されたグラフ、及び（３）前記再構築されたデータ表現を使用して連結行列を生成するように構成され、
前記１つ以上のＣＮＮは、前記連結行列を処理し、前記修正されたグラフ又は精緻化された修正されたグラフを生成するように構成されている、
請求項１１に記載のＮＮＢＤ。

【請求項14】

前記ＮＮＢＤはグラフ条件付きＮＮＢＤであり、
前記第１のＮＮモジュールは、複数の反復動作を実行するように構成されている、
請求項１１に記載のＮＮＢＤ。

【請求項15】

前記第１のＮＮモジュールは、勾配情報を生成するように構成された１つ以上の多層パーセプトロン（ＭＬＰ）を含み、
前記第２のＮＮモジュールは、前記１つ以上のＭＬＰによって生成された前記勾配情報に基づいて、前記修正されたグラフを出力するように構成されている、
請求項１１に記載のＮＮＢＤ。

【請求項16】

前記初期グラフ及び前記修正されたグラフは、２次元（２Ｄ）点セットであり、前記入力データ表現は点群であり、
前記第１のＮＮモジュールは、前記記述子ベクトルと、平面内の所定のサンプリングで初期化された前記２Ｄ点セットとに基づいて変形動作を実行するように構成されている、
請求項１１に記載のＮＮＢＤ。

【請求項17】

前記第２のＮＮモジュールは、前記修正されたグラフを生成するために、前記入力データ表現、前記記述子ベクトル、及び前記初期グラフの前記予備的再構築に基づいて、分割動作を実行するように構成されている、請求項１６に記載のＮＮＢＤ。

【請求項18】

前記初期グラフは、各点が２Ｄ位置を示す点の行列を含む２Ｄグリッドであり、
前記２Ｄグリッドは多様体に関連し、各点は前記多様体上の固定位置を示し、
前記２Ｄグリッドは、２Ｄ平面からサンプリングされた点の固定セットである、
請求項１１に記載のＮＮＢＤ。

【請求項19】

前記ＮＮＢＤは、
Ｋ×Ｄコードワード行列を生成するために、前記受信又は取得したコードワードをＫ回複製することであって、Ｋは前記初期グラフ内のノードの数であり、Ｄは前記コードワードの長さである、ことと、
前記Ｋ×Ｄコードワード行列と前記初期グラフとをＫ×Ｎ行列として連結して、Ｋ×（Ｄ＋Ｎ）連結行列を生成することと、
前記連結行列を前記ＮＮＢＤの１つ以上の畳み込みニューラルネットワーク（ＣＮＮ）又は多層パーセプトロン（ＭＬＰ）に入力することと、
前記連結行列から前記ＮＮＢＤの前記１つ以上のＣＮＮ又はＭＬＰによって、前記修正されたグラフを生成することと、
前記修正されたグラフに基づいて前記入力データ表現の前記精緻化された再構築を更新して、前記入力データ表現の最終再構築を生成することと、を実行するように構成されている、請求項１８に記載のＮＮＢＤ。

【請求項20】

前記ＮＮＢＤは、
前記コードワード行列を、連結された中間行列として、ＣＮＮ層又はＭＬＰ層の第１のセットの前記出力に連結することと、
前記連結された中間行列を、ＣＮＮ層又はＭＬＰ層の前記第１のセットに続くＣＮＮ層又はＭＬＰ層の次のセットに入力することと、を実行するように構成されている、請求項１９に記載のＮＮＢＤ。

【国際調査報告】