汎化能力に優れたニューラルネットワーク(以下，NN)に 画像を効率的に学習させる技術は，画像処理の研究に NNを応用する上で有益である． しかし，画像の全画素値をNNの直接の入力とすると， 結合数が指数的に増大して学習に時間がかかり， 収束性が著しく低下するという問題点がある． その問題に対して，原画像を小さい部分画像に分割して 複数のNNに別々に学習させる分割学習法が考えられるが， この方法では複数のNNの学習が独立に進行するため， ネットワーク全体の収束性は改善されにくい． 特に，時系列信号を学習するリカレント型NN(RNN)では， 単独のネットワークの学習における自由度が階層型NNと 比較して大きいため，単純な分割処理では，各RNNの 学習結果が大きくばらつく場合が多い． そこで，本研究では，各部分画像を処理するRNNにおいて， 過去の履歴を記憶する文脈層を拡張し，周囲８近傍の RNNの出力を結合することにより，文脈層を介して， RNN間の協調学習を自然に実現する並列協調型 アーキテクチャを提案した． これによって，ネットワーク全体の収束を安定させて 収束率を高め，同時に，学習結果における部分画像間の 連続性を高めることが可能となる． 提案手法の有効性を確認するため，人工画像系列４系列， 自然画像系列１０系列(１系列の長さ１０)を用いた 評価実験を行った． 最大学習回数を１００００回，NMSE(平均２乗誤差)の 判定閾値を３％に設定して実験した結果，単純分割法では 最良パラメータを用いてもNMSEが６％の局所解に陥り 学習しきれなかったが，提案手法では１３００回で 収束条件を満たし，NMSEも単純分割法の最小NMSEの 半分以下である２．７％に収まり，学習結果の改善が 見られた． また，学習後は視覚的にも原画像と遜色のない出力画像を 得ることができ，部分画像間の連続性も失われない． このように，協調学習を付加することによって， 学習回数を重ねるにつれて全体出力の誤差が滑らかに 減少し，収束条件を満たすまでに要する平均学習回数も 少なく抑えられ，学習所要時間と計算コストを少なく 抑えながら，画像を安定的にNNに学習させることができた． この結果から，提案手法が時系列画像の学習効率を 向上させるのに有効であることが分かった．