ERL-MPP：基于演化强化学习的多头拼图感知用于求解带有被腐蚀间隙的大规模拼图问题
计算机视觉与模式识别
2025-04-15 v1
摘要
拼图问题的求解已被广泛研究。虽然大多数现有模型专注于求解小规模拼图或拼图之间无间隙的情况，但求解带有间隙的大规模拼图在图像理解和组合优化方面提出了独特的挑战。为应对这些挑战，我们提出了基于演化强化学习的多头拼图感知框架（ERL-MPP），以获得更优的换位动作集合以求解拼图。具体而言，为解决带间隙拼图的感知挑战，设计了带共享编码器的多头拼图感知网络（MPPN），其中多个拼图头全面感知局部装配状态，判别头提供拼图的全局评估。为高效探索大规模换位动作空间，设计了演化强化学习（EvoRL）智能体，其中演员根据感知的拼图状态推荐一组合适的换位动作，评论家使用估计的奖励和拼图状态更新演员，评估器结合演化策略对动作进行演化，以匹配历史装配经验。我们在带有大间隙的 JPLEG-5 数据集和大规模拼图的 MIT 数据集上全面评估了所提议的 ERL-MPP。在两个数据集上，该方法均显著优于所有最先进的模型。
引用
@article{arxiv.2504.09608,
title = {ERL-MPP: Evolutionary Reinforcement Learning with Multi-head Puzzle Perception for Solving Large-scale Jigsaw Puzzles of Eroded Gaps},
author = {Xingke Song and Xiaoying Yang and Chenglin Yao and Jianfeng Ren and Ruibin Bai and Xin Chen and Xudong Jiang},
journal= {arXiv preprint arXiv:2504.09608},
year = {2025}
}
备注
9 pages, 5 figures