Fully Convolutional Network with Multi-Step Reinforcement Learning for Image Processing

一言でいうと

pixelRLと呼ばれる, Fully CNNの各pixelにAgentを埋め込んで学習する, 画像処理タスク用の深層強化学習(Deep RL)手法を提案. Agent × NNの学習手法としてDeep Q-Network等を用いたDeep RLが存在するが, 従来は対象が画像全体に対する処理を対象としたタスクのみに限定. pixelRLでは, Agentが自pixelの将来の状態と隣接するpixelの状態を考慮することで, pixel単位の操作が必要な画像処理タスクに対する性能を大幅に改善. 画像ノイズ除去, 画像復元, ローカルカラー増幅(画像の一部に対して, RGB/明度/濃淡の強さを調整)の3つのタスクにおいて, 教師あり学習と同等以上の性能を実証.

論文リンク

https://arxiv.org/abs/1811.04323

著者/所属機関

Ryosuke Furuta, Naoto Inoue, Toshihiko Yamasaki/Tokyo University

投稿日付

2018/11/10

概要

この論文では、画像処理のためのピクセル単位の報酬（pixelRL）による強化学習という新しい問題の設定に取り組んでいます。Deep Q Networkの導入後、Deep RLは大きな成功を収めています。ただし、画像処理用のDeep RLのアプリケーションはまだ限られています。そのため、様々な画像処理アプリケーション向けに、Deep RLをpixelRLに拡張しています。 pixelRLでは、各pixelにAgentがあり、Agentはアクションを実行してpixel値を変更します。また、pixelRLの効果的な学習方法を提案します。これは、自pixelの将来の状態だけでなく、隣接pixelの状態も考慮することで、パフォーマンスを大幅に改善します。提案手法は、pixel単位の操作を必要とするいくつかの画像処理タスクに適用できますが、Deep RLは適用されていません。提案された方法を3つの画像処理タスクに適用します：画像ノイズ除去、画像復元、およびローカルカラー増幅。私たちの実験結果は、提案手法が、教師あり学習に基づく最先端の方法と比較して、同等以上のパフォーマンスを達成することを示しています。

新規性・差分

AgentのActionを介して学習するため, CNNの学習が人間にとって解釈可能
pixel単位の操作が必要なタスクへの学習手法として, 従来とは完全に異なる

nekonookangae / SummarizePapers