論文の概要: Higher Resolution, Better Generalization: Unlocking Visual Scaling in Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.10546v1
• Date: Mon, 11 May 2026 13:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 02:24:05.566671
• Title: Higher Resolution, Better Generalization: Unlocking Visual Scaling in Deep Reinforcement Learning
• Title（参考訳）: より高解像度な一般化: 深層強化学習におけるビジュアルスケーリングの解き放つ
• Authors: Raphael Trumpp, Ömer Veysel Çağatan, Barış Akgün, Marco Caccamo,
• Abstract要約: 観察分解能は政策学習にとって重要ではあるが見過ごされがちな変数であることを示す。 我々は、広く使われているImpalaエンコーダをグローバル平均プールに置き換える。 ビジュアルスケーリングにより、ImpoolaはImpalaよりも28パーセントパフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 2.731398851340082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pixel-based deep reinforcement learning agents are typically trained on heavily downsampled visual observations, a convention inherited from early benchmarks rather than grounded in principled design. In this work, we show that observation resolution is a critical yet overlooked variable for policy learning: higher-resolution inputs can substantially improve both performance and generalization, provided the network architecture can process them effectively. We find that the widely used Impala encoder, which flattens spatial features into a vector, suffers from quadratic parameter growth as resolution increases and fails to leverage the additional visual detail. Replacing this operation with global average pooling, as in the Impoola architecture, decouples parameter count from resolution and yields consistent improvements across resolutions and network widths - at their respective best conditions, visual scaling unlocks a 28 % performance gain for Impoola over Impala. These gains are strongest in environments that require precise perception of small or distant objects, and gradient saliency analysis confirms that the underlying mechanism is a more spatially localized visual attention of the policy at higher resolutions. Our results challenge the prevailing practice of aggressive input downsampling and position resolution-independent architectures as a simple, effective path toward scalable visual deep RL. To facilitate future research on resolution scaling in deep RL, we publicly release the open-source code for the Procgen-HD benchmark: https://github.com/raphajaner/procgen-hd.
• Abstract（参考訳）: Pixelベースの深層強化学習エージェントは、一般的に、原則化された設計ではなく、初期のベンチマークから受け継がれた、過度にサンプル化された視覚的観察に基づいて訓練されている。 ネットワークアーキテクチャが効果的に処理できるならば,高解像度入力は性能と一般化の両方を大幅に改善することができる。 空間的特徴をベクトルに平らにするImpalaエンコーダは,解像度が増大するにつれて2次パラメータ成長に悩まされ,さらに視覚的詳細を活用できないことが判明した。 Impoolaアーキテクチャのように、この操作をグローバル平均プールで置き換えることで、パラメータカウントを解像度から切り離し、解像度とネットワーク幅をまたいだ一貫した改善を実現します。 これらの利得は、小または遠方の物体の正確な認識を必要とする環境において最強であり、勾配塩分濃度分析により、より高解像度での政策のより空間的局所的な視覚的注意であることを確認した。 本研究は,大規模視覚深度RLへの簡易かつ効果的な経路として,アグレッシブな入力ダウンサンプリングと位置分解非依存アーキテクチャの実践に挑戦するものである。 深部RLにおける解像度スケーリングの今後の研究を容易にするため,Procgen-HDベンチマークのオープンソースコードを公開している。

関連論文リスト

• HRSeg: High-Resolution Visual Perception and Enhancement for Reasoning Segmentation [74.1872891313184]
  HRSegは高精細な知覚を持つ効率的なモデルである。 高分解能知覚(HRP)と高分解能増強(HRE)の2つの重要な革新を特徴としている。
  論文  参考訳（メタデータ） (2025-07-17T08:09:31Z)
• JAFAR: Jack up Any Feature at Any Resolution [53.343826346140624]
  JAFARは、Foundation Visionsの軽量で柔軟な機能アップサンプラーである。 これは、どんなファンデーションビジョンから任意の目標解像度まで、視覚的特徴の空間分解能を高める。 非常に高い出力スケールに非常によく一般化する。
  論文  参考訳（メタデータ） (2025-06-10T20:53:12Z)
• Low-Resolution Self-Attention for Semantic Segmentation [93.30597515880079]
  我々は,グローバルコンテキストを計算コストの大幅な削減で捉えるために,低解像度自己認識(LRSA)機構を導入する。 我々のアプローチは、入力画像の解像度に関わらず、固定された低解像度空間における自己注意を計算することである。 本稿では,エンコーダ・デコーダ構造を持つビジョントランスであるLRFormerを構築することで,LRSA手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-10-08T06:10:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。