JPH03214369A - ニューロコンピュータを用いた形状記憶方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔目　次〕 概要 産業上の利用分野 従来の技術と発明が解決しようとする課題課題を解決す
るための手段 作用 実施例 発明の効果 〔概要〕 コンピュータグラフィンクスにおける光線追跡処理にお
ける形状記憶方式に関し、 ３次元の形状記憶に必要な、見えていない部分の計算や
．全ての方向からの可視計算、即ち、イメージ・コンパ
イレイションの実現に必要となる膨大なデータ量を削減
（圧縮）することを目的とし、 物体を囲む外接ハウンディングボンクスを設定して、該
設定されたハウンディングホンクスの各表面上の格子点
を通過する代表的な光線パラメータを交差情報の形で大
域的に記憶するニューロコンピュータを用いた形状記憶
部と、与えられた任意の光線パラメータと、上記形状記
憶部で記憶されている交差情報に基づいて、該物体の形
状を上記交差情報の形で生成するニューロコンピュータ
を用いた生成部と、該与えられた任意の光線パラメータ
に対して、上記生成部から出力される任意の光線に対す
る交差情報に基づいて、３次元映像の合成を行う３次元
映像合成部とを設けて、予め、入力された複数個の光線
に対する物体との交差計算結果（光線パラメータ）に基
づいて、上記形状記憶部で記憶したニューラル・ネント
ワークの結合重みによって、新たに入力された光線パラ
メータに対する交差情報を生成し、該生成された交差情
報に基づいて、３次元映像の合成を行うように構成する
。

〔産業上の利用分野〕

本発明は、コンピュータグラフィンクスにおける光線追
跡処理における形状記憶方式に関する。

一般に、モデリングが完成した形状は、形を変えること
なく、別なシーンで、部品として扱うごとができる。

然して、光線追跡（レイトレーシング）を含めた従来の
映像生成の方法は、懇切丁寧乙こ、殆から計算を行う方
式であった。

しかし、上記のように、定義が固定された物体の形状を
そのまま覚え、該記憶した情報を用いて、別なシーンで
の映像を３次元的に合成することができれば、非常に有
効な３次元映像合成法が確立できる。

該３次元映像合成に要求される事項としては、■手前の
物体が、後ろの物体を隠す機能としての隠面処理 ■反射，透過，影の表現 ■視点によって異゛なる見え方 が必要である。

上記、３次元の形状を固定する方式としては、所謂、ホ
ログラフィが従来での唯一の方式であった。これは、物
体の情報を振幅の他に、位相情報も含めて干渉パターン
として記憶するものである。

本発明は、上記ホログラフィの方式とは異なり、該３次
元の形状記憶を光線追跡法の枠組みで行うようにしよう
とするものである。

２次元の映像は奥行情報をもっていないため、例えば、
視点を変えた場合には、正しい映像とはならない。これ
を克服するために、３次元の形状記憶を行い、且つ、見
えていない部分の計算や全ての方向からの可視計算が必
要となる。

この計算は、本質的に省くことはできない。それは、ど
んな方向から物体を見るかは、計算時には不明であるか
らである。

この全方向からの可視計算を、ここでは、イメージコン
パイレイション（ｉｍａｇ’ｅ−ｃｏｍｐｉ　Ｉａ　ｔ
ｉｏｎ）　　と呼ぶことにする。これは、通常の意味の
コンパイルと同様に考えることができる。

該コンパイル時間は確かに長時間必要とする。

然し、一旦コンパイルすると、インクプリタ　（従来の
映像生成）の処理時間に比べて遥かに小さいコストで映
像の生成を行うことができる。

該イメージコンパイレイションが実現できれば、ホログ
ラフィとは異なる方式による３次元の映像合成が可能に
なる。

〔従来の技術と発明が解決しようとする課題〕第３図は
、従来のイメージコンパイレイションを説明する図であ
る。

前述のように、イメージコンパイレイソヨンを行うため
には、物体上の点に対して、全方向がらの光線に対する
可視点を記憶しなくてはならない。

これに必要なデータ量を試算すると、例えば、物体を１
面が５１２　Ｘ　５１２個の格子からなるバウンディン
グボックスで外接させ、各格子点について、「１度」の
解像度の光線を記憶すると仮定し、該可視点データ（Ｔ
）を４ハイトの浮動小数点データとし、法線を４ハイ゛
ト×３方向−１２ハイトの浮動小数点データとすると、
各面について、５１２　Ｘ５１２　Ｘ３６０　Ｘ１８０
　Ｘ１６ハイト＃２７０Ｇハイト のデータ量が必要となる。

従って、該３次元の映像合成のためＣこ、上記イメージ
コンパイレイションの結果により、物体の形状を記憶す
ることは、現実的には困難であるという問題があった。

本発明は上記従来の欠点に鑑み、コンビュークグラフィ
ノクスるこおける光線追跡処理における形状記憶を行う
のに、３次元の形状記憶に必要な、見えていない部分の
計算や，全ての方向からの可視計算、即ち、イメージ・
コンパイレインヨンの実現に必要となる膨大なデータ量
を削減（圧縮）することができる形状記憶方式を提供す
ることを目的とするものである。

（課題を解決するための手段〕 第１図は本発明の原理を説明する図であり、（ａ）はシ
ステム構成を示し、（ｂ）はニューラル・矛ントワーク
学習装置，生成装置の構成例を示し、（ｃ）はニューラ
ル・ネソトワークの入出力特性を示し、（ｄ）はニュー
ラル・ネントワークの構造例を示している。

上記の問題点は下記のように構成した形状記憶方式によ
って解決される。

コンピュータグラフィンクスにおける光線追跡処理にお
ける形状記憶方式であって、 物体を囲む外接バウンディングボックスを設定して、該
設定されたバウンディングボックスの各表面上の格子点
を通過する代表的な光線パラメタを交差情報の形で大域
的に記憶するニューロコンピュータを用いた形状記憶部
１と、 与えられた任意の光線パラメータと、上記形状記憶部１
で記憶されている交差情報に基づいて、該物体の形状を
上記交差情報の形で生成するニューロコンピュータを用
いた生成部２と、該与えられた任意の光線パラメータに
対して、上記生成部２から出力される任意の光線に対す
る交差情報に基づいて、３次元映像の合成を行う３次元
映像合成部３とを設けて、 予め、入力された複数個の光線に対する物体との交差計
算結果に基づいて、上記記憶部１で記憶したニューラル
・ネットワークの結合重みによって、新たに入力された
光線パラメータに対する交差情報を生成し、該生成され
た交差情報に基づいて、３次元映像の合成を行うように
構成する。

〔作用〕

即ち、本発明は、ニューロコンピュータの持っている特
徴の一つとして、離散的な点における学習と、学習され
ていない点に対して補間して生成結果を出力する機能が
あること乙こ着目して、この特性をコンピュータグラフ
ィノクスで生成された物体の形状の記憶に用いるもので
ある。

即ち、本方式の記憶表現には、ニューラル・ネットワー
クによる分散表現を用いて、膨大な情報量を効率的に記
憶する。

更に、交差情報の生成部，及び、３次元映像合成部では
、上記ニューロコンピュータの補間機能を用いて、学習
時に与えられていない角度の光線や，格子点を通る光線
の物体との交差情報（具体的には、可視点，法線ヘクタ
）の生成結果を用いて、該３次元映像の合成を行うよう
にする。

該ニューロコンピュータによる形状記憶処理で学習した
交差情報（認識パターン）は該物体固有の情報として、
例えば、データヘースに登録しておき、３次元の映像合
成に使用する。

以下、「ニューロコンピュータ学習．認識装置」ニュー
ラル・ネソトワーク学習装置２０は学習パターン保持部
２０１と，ニューラル・ネントワク実行部２００と，重
み更新部２０２からなる。学習パターン保持部２０１で
は入力パターン（光線パラメータ）と．それに対する望
ましい出力パターン（交差情報：教師信号）を保持して
いる。

ハノクブ口パゲーション法を通用するニューラル・ネノ
トワークは、多層皐ノトワークである。

各層は多くのユニノトで構成されており、各層のユニン
ト間は、互いにある重みで結合されている。

このＺノトワークＣこ入カパターンと、望ましい出力パ
ターン（教師信号）の組を与えることによって、ネノト
ワークの重みを学習させることができる。

学習は以下の様に進められる。ニューラル・ネットワー
クに或る入力パターンを与え、出力を得る。その出力が
正しくなければ正しい（望ましい）出力値を該ニューラ
ル・ネットワークに教える。すると、ニューラル・ネ，
トワークは正じい出力と実際の出力値の差が滅少するよ
うに、該ニューラル・ネノトワークの内部構造（結合の
強さ一重み）を調整する。これを何度も繰り返すことに
よって、該ニューラル・ネットワークは、或る入出力関
係を満たす様な重みを、自動的に学習していくのである
。この学習アルゴリズムをハックプロパゲーション法と
いう。

このようにして学習したニューラル・ネノトヮークを用
いると、学習させた入力パターン（光線パラメータ）に
ついては教示した正しい出力（交差情報）を返すが、更
に学習させていない入力パターン（光線パラメータ）に
ついても学習した入出力パターンを補間した出力パター
ン（交差情報）を返すことができる。これが、ニューラ
ル・ネ，トワークの大きな特徴となっている。

以下に、この学習を行うニューラル・ネ・ノトヮク学習
装置｛第１［Ｆ（ｂ）参照｝について述べる。

ニューラル・ネットワーク学習装置２０は、前述のよう
Ｃこ、学習パターン保持部２０１と，ニューラル・ネノ
トワーク実行部２００と，重み更新部２０２からなる。

（１）学習パターン保持部 入力パターンと，それに対する望ましい出力バターン（
教師信号）を保持している。

（２）　　ニューラル・ネントワーク実行部多層のネッ
トワーク構造になっている。各層は多くのユニントで構
成されており，各ユニント間には、各々結合の重みＷが
定義される。

各ユニノトは以下に示すようにしてネノトワークの出力
値を計算ず゛る。

あるユニントが複数のユニソトから入力を受けた場合、
その総和に該ユニントの閾値θを加えたものか、入力値
ｎｅｔになる。｛第１図（ｃ）参照｝即ち、ユニントＵ
ｉの入力ｎｅＪ　は、ｎｅｔ　；　＝ΣＷ　ｉ　ｊ　Ｏ
　ｊ　＋θ、Ｗ、、：　ユニントＵ４からユニ，ン ｝ｔＪｉへの結合の重み ＯＪ　＝　ユニノトＵＪの出力 ｅ，：　ユニントＵ８の闇値 ユニントの出力値はこの入力の総和ｎｅｔに、活性化関
数を適用して計算される。該活性化関数には微分可能な
非線型関数である、例えば、ｓｉＢｍｏｉ一関数をもち
いると、ユニｙトｌＪ；　の出力値０，は、 １ になる。

ハックプ口パゲーション法で用いるネッワークは、一般
的には多層のネットワークであるが、ここでは通常よ《
用いられる、第１図（ｄ）に示すような３層のネントワ
ークの場合についてのべる。

３つの層は入力層，隠れ層，出力層と呼ばれており、各
層は多くのユニントで構成される。隠れ層の各ユニット
は、入力層のすべてのユニットと結合している。出力層
の各ユニントは、入力層と隠れ層のすべてのユニットと
結合している。そして、各層内での結合は無い。

入力層の各ユニソトには、ネットワークへの入力データ
が与えられる。

従って、隠れ層の各ユニノトＵＪの出力値ｈＪは、 ｎｅｔＪ　一　　ΣｗＪ，ｄ，＋　　ＯＢ１ ｄ，：ｋ番目の入力ユニントの出力値 ｈ、：ｊ番目の隠れユニソトの出力値 ｗＪｋ：ｋ番目の入力ユニットと．ｊ番目の隠れユニン
ト間の結合の重み ｅ、：ｊ番目の隠れユニノトの闇値 また，出力層の各ユニットの出力値Ｏ，は、上記の式よ
り、 ｈ、：ｊ番目の隠れユニノトの出力イ直０，：１番目の
出力ユニントの出力値 ｗｉｊ’Ｊ番目の隠れユニットと，ｉ番目の出力ユニノ
ト間の結合の重み θ，＝ｉ番目の出力ユニノトのｌｌｄ｛直となる。

（３）重み更新部 ネントワークの出力が、望ましい出力になるように、ネ
ントワークの重みを変える部分てある。

あるパターンｐを与えた時の実際の出力値（ｏｐ，）と
，望ましい出力値（ｔ．．ｉ）の平均２乗誤差Ｅ，をと
る。

１ Ｅ，＝　　　　　Σ　（ｔｐ、　　Ｏ　ｐｉ）２２′ 上記、あるパターンｐを学習させるためには、この誤差
を減らすように、ネソトワーク中のすべての重みを変え
る。

・出力層についての学習規則（上記の誤差を滅ら為の学
習規則） ）隠れ層のユニットＵ、一出力層のユニットＵ．の間の
重みの変化ΔＷ；Ｊ（ｎ）は、Δｗ＝＝　（ｎ）＝ηΣ
δａｉｌ”ｌｐｊ　　＋ｔｘΔｗｉｊ（ｎ１） １１）入力層のユニノトＵ５一出力層のユニ，トＵ８０
間の重みの変化ΔＷｉｋ（ｎ）は、ΔＷｉ１（　（ｎ　
）　−７７Σδ９、ｄ．，　　＋ｒｘΔＷｉ，（ｆｉ１
） ここで、ｎ：学習回数 α：モーメンタム（上記、ｓ　ｉ　ｇｍｏ　ｉｄ関数の
滑らかさ） δｐｒ＝　　（ｔｐ．Ｏｐ＝）　　（Ｏｐ；　　（１　
　　ｏｐ；）　　）・隠れ層についての学習規則 入力層のユニットＵ，　一隠れ層のユニッｌ−ＵＪＯ間
の重みの変化ΔＷＪｋ（ｎ）は、 ΔｗＪｋ（ｎ）＝ηΣδ．ＪｈｐＪ　＋ＣＸΔＷＪｋ（
ｎ１） δ，Ｊ＝　ｈ　ｐｊ　（　１　−’ｈ　ｐｊ）Σδ．ｉ
Ｗｉｊで求められる。

上記の平均２乗誤差Ｅ，を減らすように、上記重み変化
ΔＷ、、，ΔＷｉｋ．ΔＷｊｋを計算して、ニューラル
・ネソトワークに与えることで、学習が行われる。

上記の各入力層，隠れ層，出力層での各ユニントの出力
値を与える式，或いは、出力層，隠れ層での学習規則の
式の導出過程の詳細については、例えば、ｒＰＤＰモデ
ル“認知科学とニューロン回路網の探索”，Ｄ．Ｅ．ラ
メルハー１−　，Ｊ．Ｌ．マクレランド，　ＰＤＰリサ
ーチグループ著，甘利俊一監訳，平成元年２月２７日，
産業図書株式会社，初版刊」に詳しいので、ここでは、
結果のみ乙こついて示すのみとする。

■　結合の重み記憶部（データヘース）結合重み記憶部
２ｌでは、上記ニューラル・ネントワークの各ユニット
間の重みを、任意の学習段階で保存する。

■ ■　生成装置 生成装置２２は、上記結合重み記憶部（データヘース）
２１に保存してあるニューラル・ネソトワクの結合重み
をロードし、上記学習時とは異なる入力パターン（光線
パラメータ）を与えると、各ユニントの結合重みによっ
て定まる該ニューラル・ネットワークの出力（交差情報
）を計算する。

以上のように学習した不ノトワークを用いると、学習さ
せた入力パターンについては、上記教示した正しい出力
を返すが、更に学習させていない入力パターンについて
も学習した入出力パターンを元乙こしたような出力、即
ち、上記補間出力のパターン（交差情報）を返すように
機能する。

該ニューロコンピュータは上記のように機能するので、
物体の形状をニューラル・ネントワークの結合重みとし
て記憶し、このデータを、該ニューラル・ネソトワーク
にストア．或いは、ロードし、該ニューラル・ネソトワ
ークに新たな光線パラメータを入力することによって、
学習時とは異なる人力光線に対する物体との交差情報（
可視点法線ヘクタ）を得ることができ、その光線に対す
る３次元映像を、現実的な記憶手段と，現実的な処理時
間によって合成することができる効果がある。

〔実施例〕

以下本発明の実施例を１面によって詳述する。

前述の第１ばか本発明の原理を説明する図であり、第２
図は本発明の一実施例を示した関であって、（ａ）は記
憶される形状と，その外接立方体の例を示し、（ｂ）は
ニューロコンピュータへの入出力パターンの例を示し、
（ｃ）は世界座標系と外接立方体の座標系との関係を示
し、（ｄ）はニューロコンピュータからのデータ出力の
例を示し、（ｅ）はンステム構成の例を模式的に示して
おり、形状記憶部１で、先ず、物体に外接するハウンデ
ィングボソクスを設定し、該設定されたハウンディング
ボンクス上の全格子点を通過するＮ度毎の光線を人力し
たときの各光線と物体との交差を計算し、上記入力した
光線のパラメータ　（ハウンディングホ，クスの面番号
，格子点．入射角度）をニューロコンピュータ乙こ入力
し、上記計算で得られた交差情報｛可視点情報（例えば
、スカラーデークＴ），法線ヘクク（ＮＸ，　Ｎｙ．　
Ｎ２）を教師信号として、学習しｆコ光線パラメータと
交差情報との対応関係を、ニューラル・ふソトワークの
結合重みとしてデークヘース（結合重み記憶部）２１に
記憶しておき、該記憶されている結合重みを該ニューラ
ル・不ットワークにロードして、新たな、光線パラメー
タを入力して、該入力された光線に対する交差情報を得
て、その光線に対する３次元映像を合成する手段が本発
明を実施するの乙こ必要な手段である。尚、全回を通し
て同じ符号は同し対象物を示している。

以下、第１圀を参照しながら第２図によって、本発明の
ニューロコンピュータを用いた形状記憶方式を説明する
。

本発明による形状記憶処理は、物体の形状を記憶する段
階と、該記憶された情報を抽出して、３次元の映像を合
成する段階とに分けることができる。

形状記憶処理でば、先ず、各物体の形状を３次元的に記
憶する為に、（ａ）図に示したように、外接立方体（ハ
ウンディングホンクス）を設定し、該ハウンディングボ
ンクスの各面の各格子点を通過するサンプル光線を必要
量出射して、それぞれの光線と物体との交差情報を、予
め、計算して、該入力された光線と該光線に対する物体
との交差情報を関係付ける。

即ち、該ハウンディングホ，クスの各表面の格子点に対
して、幾つかのサンプルされた角度（α）の光線に対す
る可視点と，その法線ヘクタを求める。

前述のように、各格子点に対して、必要量のサンプル光
線の情報を記憶することは、従来の技術では事実上不可
能であった。

本発明においては、この対応関係の情報の記憶を、ニュ
ーロコンピュータの学習によって実現する。

該ニューロコンピュータに対する入力パターンは、各光
線（ｉ）に対する、 ■ハウンディングホックスの面番号情報■各面の通過格
子点情報（Ｇ．”，Ｇｙ’）■光線の入射角度（但し、
世界座標系での方向余弦）（α、”．α，”、α２”） で、これらを光線パラメータと総称する。

該入力パターンに対する教師信号として、上記各光線に
対する物体との交差情報、即ち、（１）上記ハウンディ
ングボックスの格子点から物体の交点迄のスカラーデー
ク（Ｔ） （２）該交点での法線ヘクタ（ＮＸ’，　Ｎｙ’，　Ｎ
２’）を入力することで、該ニューラル・ネノトワーク
の出力パターンと、上記教師信号との差が小さくなるよ
うに学習され、該学習結果は該ニューロコンピュータの
ニューラル・不ノトワークの結合重みとして記憶され、
例えば、データヘース２１に格納される。｛（ｅ）図参
照｝ ，ｔ図の（ｂ）は該ニューロコンピュータへの上記入出
力のパターンを示したもので、それぞれの入出力パター
ンは、゛０”〜“１゛　の範囲に入るよう乙こ規格化さ
れで使用される。

次に、３次元映像゛合成段階の処理を説明する。

この段階では、先ず、前処理として、（ｃ）図乙こ示し
たようＣこ、世界座標系上での光線を該当ハウンディン
グホノクス（外接立方体）の固有座標系己こ変換する。

この変換によって、固定された形状をシーンの任意の部
分に移動させたり、回転することが可能になる。

続いて、該物体に対する視点からの光線か、−Ｌ記ハウ
ンディングホノクスのどの面の，どの位置を通過するか
を計算する。

この計算は、（ｅ）　Ｕａに示したように、例えば、汎
用計算機上で、通常の、光線と立方体との交差計算によ
って行う。

次に、上記記憶されている結合重み情報をニューラル・
ネットワークＣこロートした後、上記のようにして求め
た、視点からの光線のパラメータ、即ち、「面番号」 「通過格子点（ＧＸ’　，Ｇｙ’　）　」［光線の角度
（αウ′，α，゜，α２゛）」を入カパターンとして入
力すると、該結合重みに従った可視点（Ｔ：スカラー表
示）と、その法線ベクタ（ＮＹ’，Ｎｙ”，ＮＸ’）が
、補間された値として出力される。

（ｄ）図は学習の完了したニューロコンピュータから上
記可視点（Ｔ）　と，その法線ヘクタ（ＮＸ’，Ｎｙ旨
゛）が出力される動作を模式的に示したものである。

」二記のようにして求めた、可視点と、その法綿ヘクタ
情報を用いて、所望の３次元の映像を合成するのである
。

（ｅ）図は上記の形状記憶方式のシステム構成例を模式
的乙こ示したものである。

形状記憶部１では、ハウンディングホノクスの各格子点
を通過する光線（光線パラメータ）を出し、これとハウ
ンディングボンクス内の物体との交点（可視点）と，法
線ベクタ、即ち、交差情報を、例えば、汎用計算機上で
算出する。この際に、該ハウンディングボンクスを構成
する、例えば、８個の面を識別しておく。

上記の算出で得られた交差情報｛即ち、可視点（Ｔ）と
，法線ベクタ｝を教師信号とし、上記光線パラメータを
入力パターンとして、ハウンディングボックスの面毎に
、上記ニューロコンピュータで学習を行う。

該学習結果のニューラル・ネットワークの結合重みが記
憶の本体となり、これを、例えば、データヘース２１に
格納することにより、上記記憶処理を完了する。

生成部２では、最初、視点からの光線と上記バウンディ
ングボックスとの交差（光線パラメータ）の計算を、例
えば、汎用計算機上で行う。

このとき、上記光線パラメータを，世界座標系から該ハ
ウンディングボックスの持つ固有座標系に変換する。こ
れは、記憶時と同し光線バラメークを使用することを意
味する。

続いて、対応する物体のニューラル・ネットワークの結
合重みを、上記データヘース２１からニューラル・ネッ
トワークにロードする。

このニューラル・ネントワークに対して、上記生成部２
で算出した光線パラメータを入力すると、上記形状記憶
部１での記憶処理時に与えられていない光線に対しても
、前述のように、補間された交差情報が出力される。

この値、即ち、可視点（Ｔ）　と，法線ヘクタ（ＮＸ’
Ｎ　ｙｌ　．　Ｎ　．　ｌ　）を用いて、３次元映像合
成部（例えば、汎用計算機）３で、公知の映像処理｛こ
より、光線追跡法のアルゴリズムを実行して３次元の映
像合成を行うことができる。

このように、本発明は、コンピュータグラフィンクスに
おける光線追跡処理において形状を記憶するのに、モデ
リングが完成した形状は、形を変えることなく別なンー
ンで部品として使うことができること，及び、ニューロ
コンピュータに、離敗的な点における学習と、学習せれ
ていない点に対する補間機能があることに着目して、先
ず、物体に外接するハウンディングボックスを設定し、
該ハウンディングホノクス上の全格子点を通過するＮ度
毎の光線を入力したときの各光線と物体との交差（交差
情報）を計算し、上記入力した光線のパラメータ　（ハ
ウ′ンデイングホックスの面番号格子点，入射角度）を
ニューロコンピュータに入力し、上記計算で得られた交
差情報｛可視点情報（例えば、スカラーデークＴ），法
線ヘクタ（ＮＸ，Ｎ，，Ｎ２）を教師信号として、該光
線パラメータと交差情報との対応関係を学習し、ニュー
ラル・ネ７トワークの結合重みとして記憶し、デークヘ
ースに格納しておき、該格納されている結合重みを該ニ
ューラル・不ントワークにロードして、新たな、光線パ
ラメータを入力して、該入力された光線に対する補間さ
れた交差情報を得て、その光線に対する３次元映像を合
成するようにした所に特徴がある。

〔発明の効果〕

以上、詳細に説明したように、本発明のニューロコンピ
ュータを用いた形状記憶方式は、コンピュータグラフィ
ンクスにおける光線追跡処理において形状を記憶するの
に、物体を囲む外接ノ＼ウンディングボノクスを設定し
て、該設定されたハウンディングホソクスの各表面上の
格子点を通過する代表的な光線パラメータを交差情報の
形で大域的に記憶するニューロコンピュータを用いた形
状記憶部と、与えられた任意の光線パラメータと上記形
状記憶部で記憶されている交差情報に基づいて、該物体
の形状を上記交差情報の形で生成すルニューロコンピュ
ータを用いた生成部と、該与えられた任意の光線パラメ
ータに対して、上記生成部から出力される任意の光線に
対する交差情報に基づいて、３次元映像の合成を行う３
次元映像合成部とを設けて、予め、入力され１こ複数個
の光線に対する物体との交差計算結果（光線パラメータ
）に基ついて、上記記憶部で記憶したニューラル・ネノ
トワークの結合重みによって、新たに入カされた光線パ
ラメータに対する交差情報を生成し、該生成された交差
情報に基づいて、３次元映像の合成を行うようにしたも
のであるので、物体の形状をニューラル・ぶットワーク
の結合重みとして記憶し、このデータをニューラル・ネ
ットワークにストア．或いは、ロードし、該ニューラル
・ネノトワークに新たな光線パラメータを入力すること
によって、学習時とは異なる入力光線に対する物体との
交差情報（可視点，法線ヘクタ）を得ることができ、そ
の光線に対する３次元映像を、現実的な記憶手段と，現
実的な処理時間によって合成することかできる効果があ
る。

【図面の簡単な説明】

第１回は本発明の原理を説明する図， 第２回は本発明の一実施例を示した図 第３図は従来のイメーンコンパイレイションを説明する
圀， である。 圓面において、 １は形状記憶部， ２は交差情報の生成部，又は、生成部，２０はニューラ
ル・ネットワーク学習装置２１は結合重み記憶部，又は
、データヘース２２は生成装置 ２００はニューラル・゛ネットワーク実行部２０１は学
習パターン保持部， ２０２は重み更新部， ３は３次元映像合成部， をそれぞれ示す。 （ａ） 本発明の原理を説明する閲 第 ■ 図 （その１） （ｂ） 本発明の原理を説明する図 第 ｌ 図 （その２） （ｃ） （ｄ） 本発明の原理を説明する図 第 １ 図 （その３） 出力 ［ＰＸ．Ｐｙ，Ｐア．ＮＸ，Ｎｙ，Ｎ２］１１　　　　
↑ 入力 ↑ ［面番号，ＧＸ．Ｇｙ α、，α，．α２１ （ｂ） 本発明の一実加散１１を示した図 第 ２ 図 （その１） 交差情報ｔｐＸ’，ｐｙ’，ｐ．’ ｌ１ ＮＸ，Ｎｙ Ｎ２′１ ？ 光線パラメータ ［面番号 ＧＸ’　＋　Ｇｙ’　＋α８ α，゛，α２′］ Ｇ゛ ：学習された以外の点 （ｄ） 本発明の一実加散Ｉ１を示した図 第 ２ 図 （その２）

Claims (1)

1. 【特許請求の範囲】 コンピュータグラフィックスにおける光線追跡処理にお
   ける形状記憶方式であって、 物体を囲む外接バウンディングボックスを設定して、該
   設定されたバウンディングボックスの各表面上の格子点
   を通過する代表的な光線パラメータを交差情報の形で大
   域的に記憶するニューロコンピュータを用いた形状記憶
   部（１）と、 与えられた任意の光線パラメータと、上記形状記憶部（
   １）で記憶されている交差情報に基づいて、該物体の形
   状を上記交差情報の形で生成するニューロコンピュータ
   を用いた生成部（２）と、該与えられた任意の光線パラ
   メータに対して、上記生成部（２）から出力される任意
   の光線に対する交差情報に基づいて、３次元映像の合成
   を行う３次元映像合成部（３）とを設けて、 予め、入力された複数個の光線に対する物体との交差計
   算結果に基づいて、上記形状記憶部（１）で記憶したニ
   ューラル・ネットワークの結合重みによって、新たに入
   力された光線パラメータに対する交差情報を生成し、該
   生成された交差情報に基づいて、３次元映像の合成を行
   うことを特徴とするニューロコンピュータを用いた形状
   記憶方式。