論文の概要: Controllable Level Blending between Games using Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2002.11869v1
• Date: Thu, 27 Feb 2020 01:38:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 07:29:33.690731
• Title: Controllable Level Blending between Games using Variational Autoencoders
• Title（参考訳）: 変分オートエンコーダを用いたゲーム間の制御可能なレベルブレンド
• Authors: Anurag Sarkar, Zhihan Yang, Seth Cooper
• Abstract要約: スーパーマリオブラザーズとキッド・イカラスのレベルデータに基づいてVAEをトレーニングし、両方のゲームにまたがる潜伏空間を捕捉できるようにします。 次に、この空間を用いて、両方のゲームからレベルの特性を組み合わせたレベルセグメントを生成する。 これらの余裕は、特に共同創造的レベルの設計にVAEベースのアプローチを適していると我々は主張する。
• 参考スコア（独自算出の注目度）: 6.217860411034386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous work explored blending levels from existing games to create levels for a new game that mixes properties of the original games. In this paper, we use Variational Autoencoders (VAEs) for improving upon such techniques. VAEs are artificial neural networks that learn and use latent representations of datasets to generate novel outputs. We train a VAE on level data from Super Mario Bros. and Kid Icarus, enabling it to capture the latent space spanning both games. We then use this space to generate level segments that combine properties of levels from both games. Moreover, by applying evolutionary search in the latent space, we evolve level segments satisfying specific constraints. We argue that these affordances make the VAE-based approach especially suitable for co-creative level design and compare its performance with similar generative models like the GAN and the VAE-GAN.
• Abstract（参考訳）: 以前の研究では、既存のゲームのブレンドレベルを探求し、オリジナルのゲームの性質を混ぜ合わせた新しいゲームのレベルを作成した。 本稿では, 変分オートエンコーダ(VAE)を用いて, このような手法を改良する。 vaesは、データセットの潜在表現を学習し、新しい出力を生成する人工ニューラルネットワークである。 スーパーマリオブラザースとキッド・イカルスからのレベルデータでvaeを訓練し、両方のゲームにまたがる潜在空間を捉えることができる。 そして、この空間を使って両方のゲームからレベルの特性を結合したレベルセグメントを生成します。 さらに、潜在空間に進化探索を適用することにより、特定の制約を満たすレベルセグメントを進化させる。 これらの価格設定により、VAEベースのアプローチは特に共同創造的レベルの設計に適しており、GANやVAE-GANといった類似の生成モデルと比較する。

関連論文リスト

• Unbounded: A Generative Infinite Game of Character Life Simulation [68.37260000219479]
  生成モデルを用いて,有限なハードコードシステムの境界を超越したゲームである生成無限ゲームの概念を導入する。 我々は、生成AIの最近の進歩を活用して、生成モデルに完全にカプセル化されたキャラクターライフシミュレーションゲームUnboundedを作成する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:31Z)
• Latent Combinational Game Design [4.8951183832371]
  本稿では,あるゲームセットを所望の組合せでブレンドしたプレイ可能なゲームを生成するための,深層生成潜在変数モデルを提案する。 これらの手法は,入力ゲームと特定の組み合わせを混合したプレイ可能なゲームを生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:54:17Z)
• Multi-Game Decision Transformers [49.257185338595434]
  そこで本研究では,1つのトランスフォーマーモデルを用いて,最大46個のAtariゲーム群を,人間に近いパフォーマンスで同時にプレイ可能であることを示す。 オンラインやオフラインのRL手法や行動クローンなど,マルチゲーム設定におけるいくつかのアプローチを比較した。 マルチゲーム決定変換モデルは、最高のスケーラビリティとパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2022-05-30T16:55:38Z)
• Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
  Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。 MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-01T16:52:03Z)
• Spatial Dependency Networks: Neural Layers for Improved Generative Image Modeling [79.15521784128102]
  画像生成装置(デコーダ)を構築するための新しいニューラルネットワークを導入し、可変オートエンコーダ(VAE)に適用する。 空間依存ネットワーク(sdns)では、ディープニューラルネットの各レベルにおける特徴マップを空間的にコヒーレントな方法で計算する。 空間依存層による階層型vaeのデコーダの強化は密度推定を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-03-16T07:01:08Z)
• Generating and Blending Game Levels via Quality-Diversity in the Latent Space of a Variational Autoencoder [7.919213739992465]
  ここでは,vaesアルゴリズムとqdアルゴリズムを組み合わせたレベル生成とゲームブレンド手法を提案する。 具体的には,ゲームレベルでVAEをトレーニングし,学習したVAEの潜在空間を探索空間としてMAP-Elites QDアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-02-24T18:44:23Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)
• Conditional Level Generation and Game Blending [6.217860411034386]
  我々は,条件付きVAE(CVAEs)によって実現されるレベル設計の余裕と応用を探求し,先行研究に基づいて構築する。 CVAEはラベル付きデータを使ってVAEを訓練することで、出力をいくつかの入力で条件付きで生成できるようにする。 このようなモデルは、所望のレベル要素とパターンを持つレベルを生成するとともに、所望のゲームの組み合わせでブレンドされたレベルを生成することで、レベル設計を支援することができることを示す。
  論文  参考訳（メタデータ） (2020-10-13T00:28:20Z)
• Mixup-Transformer: Dynamic Data Augmentation for NLP Tasks [75.69896269357005]
  Mixupは、入力例と対応するラベルを線形に補間する最新のデータ拡張技術である。 本稿では,自然言語処理タスクにmixupを適用する方法について検討する。 我々は、様々なNLPタスクに対して、mixup-transformerと呼ばれる、トランスフォーマーベースの事前学習アーキテクチャにmixupを組み込んだ。
  論文  参考訳（メタデータ） (2020-10-05T23:37:30Z)
• Game Level Clustering and Generation using Gaussian Mixture VAEs [6.217860411034386]
  変分オートエンコーダ(VAE)はゲームレベルを生成することができるが、所望の属性で出力を生成するためには学習した潜在空間を手動で探索する必要がある。 本稿では,非正則ガウス空間にガウス多様体(GM)の混合を課すVAEの変種を適用する。 これにより、GMのコンポーネントを使用して教師なしの方法でGMVAEがクラスタ化され、学習したコンポーネントを使用して新しいレベルが生成される。
  論文  参考訳（メタデータ） (2020-08-22T15:07:30Z)
• 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)

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。