본 논문은 이미지 기반 심층 강화 학습에서 모델 크기 증가가 성능 향상에 중요한 요소임을 지적하며, 기존 연구들이 주로 Impala-CNN을 이미지 인코더로 사용하는 것에 주목합니다. Impala-CNN의 출력 특징 맵을 평탄화하는 대신 전역 평균 풀링을 사용하는 새로운 인코더 모델인 Impoola-CNN을 제안합니다. Procgen 벤치마크에서 Impoola-CNN은 더 크고 복잡한 모델보다 우수한 성능, 특히 일반화 성능을 보여줍니다. 이는 에이전트 중심 관측이 없는 게임에서 특히 두드러지며, 네트워크의 변환 민감도 감소와 관련이 있을 수 있습니다. 결론적으로, 모델 크기 증가뿐 아니라 효율적인 네트워크 설계 또한 중요함을 강조합니다.
