利用强化学习进行 2D 线框投影的自下而上分部重建

本工作关注于重建投影至图像平面的任意 3D 线框模型的所有边缘。我们探索了由 RL 智能体执行的自下而上分部程序，以分割和重建这些 2D 多部件对象。环境的状态表示为四色图像，其中不同颜色分别对应背景、目标边缘、重建线和两者的叠加。在每个步骤中，智能体可以在四维动作空间内对重建线进行变换，或使用特定终止动作终止该 episode。为考察奖励函数公式化的影响，我们测试了 episode 奖励、递增奖励以及组合方法。经验结果表明，后者产生了最有效的训练性能。为进一步提高效率和稳定性，我们引入了课程学习策略。首先，实施基于动作的课程学习，其中智能体最初限制在受限的动作空间内，只能执行三项五种可能动作之一，随后逐步过渡到完整动作空间。其次，我们测试了基于任务的课程学习，其中智能体首先解决问题的一个简化版本，然后再面对更复杂的完整任务。后一种方法取得了令人鼓舞的效果，智能体不仅成功地从学习简化任务转移到掌握完整任务，而且在此过程中获得了显著的性能提升。本研究表明，结合优化的奖励函数公式化与课程学习策略，迭代 RL 线框在二维中的重建具有巨大的潜力。所提出的方法为解决类似任务提供了有效框架，代表了该领域未来研究的有前景的方向。