2024NIPS | 在目标引导下利用强化学习范式进行图像冲印调优

文章标题：Goal Conditioned Reinforcement Learning for Photo Finishing Tuning
原文链接：RLPixTuner
本文是上海AI Lab联合香港中文大学（薛天帆等人）发表在2024NIPS上的论文。

1. Abstract

图像冲印调优旨在自动化对图像冲印管道（如Adobe Lightroom或Darktable）的手动调参过程。先前的工作要么使用零阶优化方法，要么依靠目标冲印管道的可微代理（进行模型训练）。前一种优化方法在参数量增加时会变得很慢；后一种优化方法很难训练。为了克服这些困难，本文提出了一个新颖的基于目标引导的强化学习框架，在使用目标图像作为条件的前提下，高效地调优管道参数。和先前的工作不同，本模型不需要依靠任何的代理并且仅把图像冲印管道视为黑盒。利用一个训练好的强化学习策略，本框架可以在十次查询内就可以找到最优的参数集，而基于优化的方法通常需要200次查询。除此以外，我们的架构使用目标图像（包括像素对齐的目标图像，风格化图像，或者是其他的可视化表示目标）引导管道参数的迭代调优过程。本文在图像冲印调优和图像风格化调优任务上执行了详细的实验，证明了方法的有效性。

2. Method

2.1 Problem Definition

本框架的目标定义为：$$\underset{P}{\mathrm{argmin}}\mathcal{L}(I_g,f_{PIPE}(I_0,P)),$$
其中，$f_{PIPE}$是图像处理管道，$I_0$为输入图像，$P$为图像处理管道的配置参数。$I_g$为目标图像，需要注意的是，在不同的任务中，$I_g$是不同的。

2.2 Goal Conditioned Reinforcement Learning

本节定义强化学习因素。定义$\mathcal{S}$为状态空间，$\mathcal{O}$为观测空间，$\mathcal{A}$是动作空间，$\mathcal{T}$是转移函数，$\mathcal{R}$是奖励函数，$\mathcal{G}$是目标分布，${\rho }_0$是初始状态分布，$\gamma$是折扣因子。这些因子在形式上形成了基于目标的偏观测的马尔可夫过程$(\mathcal{S},\mathcal{O},\mathcal{A},\mathcal{T},\mathcal{R},\mathcal{G},{\rho }_0,\gamma )$。
在每一个调优步$t$中，智能体接收一张目标图像$I_g\in \mathcal{G}$和一个观测$o_t\in \mathcal{O}$。其中，观测$o_t$由当前的图像$I_t$和历史动作及观测组成。动作$a_t$是图像处理管道在$t$步将采取的参数集$P$。转移方程$\mathcal{T}:\mathcal{S}\times \mathcal{A}\to \mathcal{S}$就是在Sec2.1中定义的$f_{PIPE}$。奖励函数是$\mathcal{R}(s,I_g)$，其中，$s\in \mathcal{S}$,$I_g\in \mathcal{G}$。本模型旨在学到一个目标引导的策略$\pi (a|o,I_g):\mathcal{S}\times \mathcal{G}\to \mathcal{A}$，从而最大化折扣奖励的期望和$${\mathbb{E}}_{s_0\sim {\rho }_0,I_g\sim \mathcal{G}}\sum _t{\gamma }^t\mathcal{R}(s_t,I_g).$$
其中，策略$\pi$是一个确定策略${\mu }_{\theta }$，输出连续的动作值$a_t={\mu }_{\theta }(o_t,I_g)$。