Fugu-MT 論文翻訳(概要): Generative Adversarial Network Rooms in Generative Graph Grammar Dungeons for The Legend of Zelda

論文の概要: Generative Adversarial Network Rooms in Generative Graph Grammar Dungeons for The Legend of Zelda

arxiv url: http://arxiv.org/abs/2001.05065v2
Date: Sun, 19 Apr 2020 19:07:28 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 11:49:35.003858
Title: Generative Adversarial Network Rooms in Generative Graph Grammar Dungeons for The Legend of Zelda
Title（参考訳）: ゼルダ伝説のための生成グラフ文法ダンジョンにおける生成逆ネットワークルーム
Authors: Jake Gutierrez and Jacob Schrum
Abstract要約: 本稿では,個々の部屋を生成するためのGANアプローチと,部屋をダンジョンに結合するグラフ文法アプローチを組み合わせる。 GANは個々の部屋の設計原則を捉えているが、グラフ文法は部屋をグローバルなレイアウトに整理し、デザイナによって決定される一連の障害を発生させる。このアプローチはユーザスタディによって検証され、GANダンジョンは元のゲームと同等のレベルでプレイでき、グラフ文法だけで生成されるレベルを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative Adversarial Networks (GANs) have demonstrated their ability to learn patterns in data and produce new exemplars similar to, but different from, their training set in several domains, including video games. However, GANs have a fixed output size, so creating levels of arbitrary size for a dungeon crawling game is difficult. GANs also have trouble encoding semantic requirements that make levels interesting and playable. This paper combines a GAN approach to generating individual rooms with a graph grammar approach to combining rooms into a dungeon. The GAN captures design principles of individual rooms, but the graph grammar organizes rooms into a global layout with a sequence of obstacles determined by a designer. Room data from The Legend of Zelda is used to train the GAN. This approach is validated by a user study, showing that GAN dungeons are as enjoyable to play as a level from the original game, and levels generated with a graph grammar alone. However, GAN dungeons have rooms considered more complex, and plain graph grammar's dungeons are considered least complex and challenging. Only the GAN approach creates an extensive supply of both layouts and rooms, where rooms span across the spectrum of those seen in the training set to new creations merging design principles from multiple rooms.
Abstract（参考訳）: Generative Adversarial Networks (GANs) は、データ内のパターンを学習し、ビデオゲームを含むいくつかのドメインでトレーニングセットと似ているが異なる新しい例を生成する能力を示した。しかし、GANは出力サイズが一定であるため、ダンジョンクローリングゲームにおいて任意のサイズを作成することは困難である。 GANはまた、レベルを面白く、遊びやすくするセマンティックな要求をエンコードするのに苦労している。本稿では,個々の部屋を生成するためのGANアプローチと,部屋をダンジョンに結合するグラフ文法アプローチを組み合わせる。 ganは個々の部屋の設計原則をキャプチャするが、グラフ文法は部屋を設計者が決定する障害物のシーケンスでグローバルレイアウトに整理する。 The Legend of Zeldaのルームデータは、GANのトレーニングに使用される。このアプローチはユーザ調査によって検証され、gan dungeonsがオリジナルのゲームからレベルとしてプレイするのも楽しいこと、グラフ文法だけで生成されたレベルであることが示されている。しかし、GANダンジョンはより複雑であると考えられる部屋を持ち、平易なグラフ文法のダンジョンは最も複雑で難しいと考えられている。 ganアプローチのみがレイアウトと部屋の両方を広範囲に供給し、トレーニングセットに見られるものの範囲にまたがる部屋を、複数の部屋からデザイン原則をマージする新しい創造物へと拡張する。

関連論文リスト

ControlRoom3D: Room Generation using Semantic Proxy Rooms [48.93419701713694]
高品質なルームメッシュを生成するための新しい手法であるControlRoom3Dを提案する。われわれのアプローチはユーザ定義の3Dセマンティック・プロキシールームであり、粗い部屋のレイアウトを概説している。 2Dにレンダリングすると、この3D表現は強力な2Dモデルを制御するための貴重な幾何学的および意味的な情報を提供する。
論文参考訳（メタデータ） (2023-12-08T17:55:44Z)
SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation with Fine-Grained Geometry [92.24144643757963]
3D屋内シーンは、インテリアデザインからゲーム、バーチャルおよび拡張現実に至るまで、コンピュータグラフィックスで広く使われている。高品質な3D屋内シーンは、専門知識が必要であり、手動で高品質な3D屋内シーンを設計するのに時間を要する。 SCENEHGNは3次元屋内シーンの階層的なグラフネットワークであり,部屋レベルからオブジェクトレベルまでの全階層を考慮し,最後にオブジェクト部分レベルに展開する。提案手法は, 立体形状の細かな家具を含む, 可塑性3次元室内容を直接生成し, 直接的に生成することができる。
論文参考訳（メタデータ） (2023-02-16T15:31:59Z)
Structured Graph Variational Autoencoders for Indoor Furniture layout Generation [7.035614458419328]
室内3Dシーンのレイアウトを生成するための構造化グラフ変分オートエンコーダを提案する。このアーキテクチャは、入力グラフを構造化潜在空間にマッピングするグラフエンコーダと、家具グラフを生成するグラフデコーダから構成される。 3D-FRONTデータセットを用いた実験により,本手法は多様で室内レイアウトに適応したシーンを生成する。
論文参考訳（メタデータ） (2022-04-11T04:58:26Z)
DGL-GAN: Discriminator Guided Learning for GAN Compression [57.6150859067392]
高計算コストのGAN(Generative Adversarial Networks)は、ランダムノイズから高分解能画像を合成する際、顕著な成果を上げている。本稿では,bf DGL-GAN と呼ばれるバニラ bf GAN を圧縮するための,新しい単純な bf 識別器 bf 誘導 bf 学習手法を提案する。
論文参考訳（メタデータ） (2021-12-13T09:24:45Z)
Dungeon and Platformer Level Blending and Generation using Conditional VAEs [7.919213739992465]
条件付きVAE(CVAE)は、最近、所望のコンテンツを指定するラベルを使用して変更可能な出力を生成する能力を示した。 CVAEを使用してプラットフォームレベルとダンジョンレベルを生成し、これらのジャンルをブレンドすることで、これらの作業を拡張する。
論文参考訳（メタデータ） (2021-06-17T05:46:03Z)
MarioNette: Self-Supervised Sprite Learning [67.51317291061115]
反復要素のグラフィカルな非絡み合い表現を得るための深層学習手法を提案する。テクスチャパッチの辞書を共同で学習し,それらをキャンバスに配置するネットワークを訓練することにより,スプライトベースのコンテンツをスパースで一貫性があり,解釈可能な表現に効果的に分解する。
論文参考訳（メタデータ） (2021-04-29T17:59:01Z)
Illuminating Mario Scenes in the Latent Space of a Generative Adversarial Network [11.055580854275474]
設計者は,我々のシステムにゲームプレイ対策を規定し,様々なレベルのメカニックで高品質な(プレイ可能な)レベルを抽出する方法を示す。オンラインユーザスタディでは、自動生成されるレベルの異なるメカニズムが、認識される困難さと外観の主観的評価にどのように影響するかが示されている。
論文参考訳（メタデータ） (2020-07-11T03:38:06Z)
Interactive Evolution and Exploration Within Latent Level-Design Space of Generative Adversarial Networks [8.091708140619946]
潜在変数進化(LVE)は、最近ゲームレベルに適用されている。本稿では,ゲーム用タイルベースレベルのインタラクティブなLVEツールを提案する。このツールは、潜伏次元の直接探索も可能で、ユーザーは発見レベルをプレイできる。
論文参考訳（メタデータ） (2020-03-31T22:52:17Z)
House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation [59.86153321871127]
主な考え方は、制約をリレーショナルネットワークのグラフ構造にエンコードすることである。我々は、新しい住宅レイアウト生成問題に対する提案されたアーキテクチャを実証した。
論文参考訳（メタデータ） (2020-03-16T03:16:12Z)
Freeze the Discriminator: a Simple Baseline for Fine-Tuning GANs [104.85633684716296]
判別器の冷凍下層を有するGANの簡易微調整が驚くほど良好であることを示す。この単純なベースラインであるFreezeDは、非条件GANと条件GANの両方で使用されている従来の技術よりも大幅に優れている。
論文参考訳（メタデータ） (2020-02-25T15:30:17Z)

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。