用于图像处理的多步强化学习全卷积网络
计算机视觉与模式识别
2018-11-14 v2 人工智能
摘要
本文处理一个新的问题设定：用于图像处理的像素级奖励强化学习（pixelRL）。在深度 Q 网络提出之后，深度 RL 已取得巨大成功。然而，深度 RL 在图像处理中的应用仍然有限。因此，我们将深度 RL 扩展至 pixelRL 以用于多种图像处理应用。在 pixelRL 中，每个像素拥有一个智能体，该智能体通过采取动作改变像素值。我们还提出了一种针对 pixelRL 的有效学习方法，其通过不仅考虑自身像素的未来状态、也考虑邻域像素的未来状态显著提升了性能。所提方法可应用于一些需要像素级操作的图像处理任务，而深度 RL 此前从未应用于这些任务。我们将所提方法应用于三个图像处理任务：图像去噪、图像复原与局部色彩增强。我们的实验结果表明，与基于监督学习的先进方法相比，所提方法取得了相当或更好的性能。
引用
@article{arxiv.1811.04323,
title = {Fully Convolutional Network with Multi-Step Reinforcement Learning for Image Processing},
author = {Ryosuke Furuta and Naoto Inoue and Toshihiko Yamasaki},
journal= {arXiv preprint arXiv:1811.04323},
year = {2018}
}
备注
Accepted to AAAI 2019