本チュートリアルでは，デノイジング拡散確率モデル（DDPM）を中心に拡散モデルの技術についてその概要を説明します． またその応用事例として，SIGGRAPHやCVPRで発表された画像生成・編集に関する最新研究を紹介します．

ChatGPT（GPT-3.5）やLLaMA-2に代表される巨大なニューラルネットワークを大量のテキストで自己教師あり学習した「大規模言語モデル」は， 人の自然言語による指示に基づいた応答の学習や，人のフィードバックに基づく強化学習の導入により，汎用人工知能の初期段階と言える水準に達した． さらに近年では大規模言語モデルの成果がVision-and-Languageと呼ばれる視覚情報と言語情報を組み合わせた課題解決を行う研究分野にも導入され， GPT-4を始め大きな成果を挙げている．本チュートリアルでは，大規模言語モデルおよびVision-and-Langaugeモデルについて最新の動向を紹介する．

このチュートリアルではコンピュータグラフィックスの歴史を軽く振り返りながら，どのようにしてNeRFが発見され， なぜNeRFが研究トピックとして人気になったのかを解説します．NeRFの最新研究や将来へ向けての課題などについても解説を行います．

微分可能レンダリングは二次元画像を損失関数に使用し三次元シーンの最適化を行うための技術であり， グラフィックスのみならずビジョンや機械学習の分野でも注目を集めています． 本チュートリアルでは微分可能レンダリングの基礎知識と実装についてリアルタイムグラフィックスの観点から解説します． まずレンダリングパイプラインを微分可能に拡張する際の課題と，それらを克服するためのテクニックを解説します． さらにOpenGLやニューラルネットワーク用の自動微分ライブラリを用いた実装には改善の余地があることを示し， 現代的なグラフィックスAPIであるVulkanを用いた効率的な実装を紹介します．関連する最新の研究についても紹介します．

メッシュは，多角形の集まりによって，2-多様体として表現される物体表面を離散的に表現するデータ形式です． メッシュには物体表面上の頂点位置の他に，頂点同士の接続関係が保持されており，この接続関係を動的に変更する難しさから， ボクセルや点群，陰関数といった他の三次元形状表現に比べて，深層学習の応用が進んでいないという現状があります． 本講演では，そのようなメッシュ特有の課題に対してのメッシュ処理の歴史を振り返りつつ，近年の研究動向について紹介します． 特に，三角形メッシュに特有の性質を利用した畳み込み層の他，メッシュをグラフと見なすことで定義されるグラフ畳み込み層について， その研究の進展を振り返ります．