単眼3D物体検出は、2D入力画像から物体の3D位置と特性を抽出することを目指しています。これは、深度情報を無視するカメラによる情報損失が主な難しさとなる非適切問題です。従来の手法では、空間から3Dバウンディングボックスをサンプリングし、対象物体とそれぞれの関係を推論しますが、有効なサンプルの確率は3D空間において比較的小さいです。サンプリングの効率を向上させるために、初期予測から始め、各ステップで1つの3Dパラメータのみを変更しながら徐々に真値へと改良していく方法を提案します。これには、複数のステップ後に報酬を得るポリシーを設計する必要があるため、強化学習を用いて最適化を行います。提案されたフレームワーク「Reinforced Axial Refinement Network (RAR-Net)」は後処理段階として機能し、既存の単眼3D検出方法に自由に統合でき、KITTIデータセットでの性能向上に寄与しつつも追加的な計算コストは最小限に抑えられます。