深層学習の登場によって画像認識は人間の認識能力を超え，実用段階に入ってきている．さらに，深層学習は画像の認識のみではなく，本物と区別がつかないような高精度の画像の生成・変換も可能となってきている．
本講演では，深層学習による最新の画像認識・生成技術について紹介し，我々の研究室で取り組んでいる食事画像への応用研究[1] について紹介する．

あらゆる情報系の分野で深層学習 (deep learning) が目覚ましい成果を挙げている。コンピュータグラフィックス分野では他分野からやや遅れて 2016 年前後から深層学習が本格的に導入され始め、現在はもはや不可欠のツールとなりつつある。本講演では、コンピュータグラフィックス分野のトップ会議である ACM SIGGRAPH や SIGGRAPH Asia などにおける最近の深層学習の応用事例や我々の研究室での研究例などを紹介する。具体的には、我々の研究室が得意とする、コンピュータビジョンや画像処理分野との融合領域である、画像を入力とした応用例 (単眼画像からのHDR階調復元や遮蔽を考慮した逆レンダリングなど) を中心に、コンピュータグラフィックス特有の応用例についても紹介する。

深層学習の精度が年々線形に向上している一方でそのために必要なモデルのパラメータ数やそれを学習するのにかかる時間は指数関数的に増加する傾向にある．そこで，大規模分散並列化による高速化が喫緊の課題となっているがデータ並列による分散並列化ではミニバッチの増大による汎化性能の低下が指摘されている．本研究ではミニバッチが大きい学習において２次の最適化手法を用いることの効果を検証する．ImageNet-1Kを用いたResNet-50の学習を4000GPU規模で行う場合に想定される128,000のミニバッチにおいても最終的に得られる精度が維持できることを示す．