5篇关于将强化学习与马尔可夫决策过程结合使用的论文推荐

1、ReLLIE: Deep Reinforcement Learning for Customized Low-Light Image Enhancement

Rongkai Zhang, Lanqing Guo, Siyu Huang, Bihan Wen

低光图像增强 (LLIE) 是一个普遍但具有挑战性的问题，因为：

1，低光测量可能会因实际情况中不同的成像条件而有所不同；

2，图像可能根据每个人不同喜好有不同的主观操作。

为了解决这两个挑战，本文提出了一种新的基于深度强化学习的方法，称为 ReLLIE。ReLLIE 通过将 LLIE 建模为马尔可夫决策过程，即按顺序和循环地估计像素级图像特定曲线。并且从一组精心设计损失函数计算的奖励，提出了一种轻量级网络来估计用于启发低光图像输入的曲线。由于 ReLLIE 学习的是策略而不是单一的图像翻译，因此它可以处理各种低光测量并通过在不同时间灵活应用策略来提供定制的增强输出。除此以外，ReLLIE 还可以通过使用即插即用的降噪器来增强具有噪声或图像缺失的真实世界图像。与最先进的方法相比，各种基准的广泛实验证明了 ReLLIE 的优势。

完整文章：

https://www.overfit.cn/post/0be68dcea51b49fab80f69dcf1eeee06