AAAINov, 2018

使用多步强化学习的全卷积网络进行图像处理

PDF
TL;DR本文介绍了一种新的强化学习方法 —— 像素级奖励 (pixelRL)，加入代理来像素改变像素值，提出了有效地学习方法，可用于各种像素级处理任务中，应用于三个图像处理任务：图像降噪、图像修复和局部调色等，与采用监督学习的现有方法相比，实验结果表明本文提出的方法可以获得相当好的表现。
reinforcement learningpixel-wise rewardsdeep rlimage processinglearning method
发现论文，激发创造
  • PixelRL：使用强化学习的全卷积网络进行图像处理

    本文提出了一种新颖的深度强化学习方法，即基于像素奖励的强化学习 (pixelRL)，以解决图像处理中的特定任务，如图像去噪、图像恢复、局部颜色增强和基于显著性的图像编辑。通过使用像素智能体来缩小强化学习的范围，提出了一种有效的学习方法，该学习方法不仅考虑了各个像素的未来状态，还考虑了相邻像素的状态。同时，该方法还提高了深度神经网络模型的可解释性和可理解性。

    Dec, 2019

  • 使用深度动态模型从图像像素中高效学习反馈策略

    本文提出了一种数据有效、基于模型的强化学习算法，通过使用像素信息直接学习闭环控制策略，实现了从像素到扭矩的端到端学习。该方法具有快速学习、高维状态空间可扩展、轻量级等优点，并且是解决在连续状态和动作下进行数据有效强化学习问题的重要步骤。

    Oct, 2015

  • 基于扩散模型的像素级强化学习：从丰富反馈中进行强化学习

    扩展了基于人类反馈训练的静态扩散模型生成算法，提出了基于像素的策略优化算法 (PXPO)，通过针对每个像素提供更细致的奖励给模型。

    Apr, 2024

  • 通过深度强化学习打造图像恢复工具链

    RL-Restore 通过训练多个小型卷积神经网络，学习如何根据图像状况逐步选择适当的恢复工具，以更加高效地处理复杂的图像失真。

    Apr, 2018

  • 基于像素的自主驾驶城市环境强化学习

    本文介绍了一种新的通过图像学习的强化学习（RLfP）方法，名为 RLAD，用于提高城市自动驾驶（AD）的性能。 该方法包括增强的图像编码器、WayConv1D 和辅助损失等技术，并在 NoCrash 基准测试中明显优于所有其他方法。

    May, 2023

  • 图像增强即所需：从像素中对深度强化学习进行正则化

    该研究提出了一项简单的数据增强技术，可以应用于标准的无模型强化学习算法，从像素直接学习，无需辅助损失或预训练，并使用图像处理来规范化值函数，实现与 DeepMind 控制套件相关的现有模型的最高表现。

    Apr, 2020

  • 基于逐层神经网络的像素级仿真机器人学习

    利用 Progressive Networks 框架实现了真实环境中机器人在视觉输入条件下进行复杂任务的学习，该方法可以通过在模拟环境中进行模型训练和预先学习来优化真实世界中的策略和性能，而不必依赖于模型基础的轨迹优化。

    Oct, 2016

  • 扭曲与恢复：使用深度强化学习进行色彩增强

    本文提出了一种基于深度强化学习 (DRL) 的彩色增强方法来明确地建模人类修饰过程的阶段性特征，其中颜色增强过程被视为一个马尔科夫决策过程，通过全局颜色调整操作定义其中的具体行为。我们通过 “扭曲和恢复” 训练方案，以高质量的参考图像作为训练数据，证明了我们的方法产生了不错的增强结果，并且我们的 DRL 方法比以前的监督方法更适合于该训练方案。

    Apr, 2018

  • 图像分割的强化主动学习

    策略是通过使用深度强化学习对语义分割进行主动学习实现的，该方法比最有竞争力的基线数量少约 30％的附加标签数据，提高模型对不足表达类别的分类性能。

    Feb, 2020

  • 基于像素观测的逐州安全强化学习

    本文提出了一种新的像素观测安全强化学习算法，通过引入潜在障碍函数学习机制，高效地编码未知危险区域的状态安全约束，并通过在潜在动力学上建立和学习潜在障碍函数以及同时进行策略优化的联合学习框架，从而在提高安全性和总预期收益方面取得显著的结果。在安全 - gym 基准套件上的实验评估表明，我们提出的方法明显减少了训练过程中的安全违规，并在安全收敛速度上比现有方法更快，同时在奖励回报方面取得了竞争性的结果。

    Nov, 2023