論文の概要: DefogGAN: Predicting Hidden Information in the StarCraft Fog of War with Generative Adversarial Nets

• arxiv url: http://arxiv.org/abs/2003.01927v2
• Date: Sun, 15 Mar 2020 04:24:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 12:24:48.123736
• Title: DefogGAN: Predicting Hidden Information in the StarCraft Fog of War with Generative Adversarial Nets
• Title（参考訳）: defoggan: 星空霧の中の隠れた情報を生成的敵網で予測する
• Authors: Yonghyun Jeong, Hyunjin Choi, Byoungjip Kim, Youngjune Gwon
• Abstract要約: 部分的に観察された状態になると、DefogGANは予測情報としてゲームのデポジット画像を生成する。 我々は,プロのStarCraftリプレイの大きなデータセットを用いて,DefogGANを実証的に検証した。 以上の結果から,DefogGANはプロ選手と同等の精度で敵の建物や戦闘部隊を予測でき,最先端のデフォガーの間で優れた性能を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 8.121902604438288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose DefogGAN, a generative approach to the problem of inferring state information hidden in the fog of war for real-time strategy (RTS) games. Given a partially observed state, DefogGAN generates defogged images of a game as predictive information. Such information can lead to create a strategic agent for the game. DefogGAN is a conditional GAN variant featuring pyramidal reconstruction loss to optimize on multiple feature resolution scales.We have validated DefogGAN empirically using a large dataset of professional StarCraft replays. Our results indicate that DefogGAN can predict the enemy buildings and combat units as accurately as professional players do and achieves a superior performance among state-of-the-art defoggers.
• Abstract（参考訳）: 我々は,リアルタイム戦略(RTS)ゲームにおいて,戦争の霧の中に隠れた状態情報を推論する問題に対する生成的アプローチであるDefogGANを提案する。 部分的に観察された状態になると、DefogGANは予測情報としてゲームのデポジット画像を生成する。 このような情報によって、ゲームのための戦略エージェントを作ることができる。 DefogGANは、複数の特徴解像度スケールで最適化するためにピラミッド再構成損失を特徴とする条件付きGAN派生体である。 以上の結果から,DefogGANはプロ選手と同等の精度で敵の建物や戦闘部隊を予測でき,最先端のデフォガーの間で優れた性能を達成できることが示唆された。

関連論文リスト

• HiKER-SGG: Hierarchical Knowledge Enhanced Robust Scene Graph Generation [13.929906773382752]
  視覚データに対する推論を可能にする一般的なアプローチとして、Scene Graph Generation (SGG)がある。 そこで本稿では,視覚ゲノムデータセット上でのプロシージャ的に生成された気象汚染やその他の変換を含む新しいSGGベンチマークを提案する。 また,HKER-SGGは劣化した画像に対してゼロショット方式で優れた性能を示すだけでなく,非破壊なSGGタスクにおける最先端の手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-03-18T17:59:10Z)
• Reward Shaping for Improved Learning in Real-time Strategy Game Play [0.3347089492811693]
  適切な設計の報酬形成機能により、プレイヤーのパフォーマンスを大幅に向上させることができることを示す。 本研究は,海中キャプチャー・ザ・フラッグゲームのための模擬環境下での報酬形成機能を検証した。
  論文  参考訳（メタデータ） (2023-11-27T21:56:18Z)
• Removing Adverse Volumetric Effects From Trained Neural Radiance Fields [4.9699077347287695]
  従来のNeRFモデルは霧で満たされたシーンを再現することができ、新規なビューを合成する際に霧を取り除く方法を提案する。 これにより、霧に満ちた環境にある関心のあるオブジェクトの明確なビューをレンダリングする手段として、NeRFを使用することが可能になる。
  論文  参考訳（メタデータ） (2023-11-17T13:44:51Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Pseudo Label-Guided Model Inversion Attack via Conditional Generative Adversarial Network [102.21368201494909]
  モデル反転(MI)攻撃はプライバシーに対する懸念を高めている。 近年のMI攻撃では,探索空間を狭める前にGAN(Generative Adversarial Network)を画像として活用している。 我々は条件付きGAN(cGAN)による擬似ラベル誘導MI(PLG-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2023-02-20T07:29:34Z)
• Public Information Representation for Adversarial Team Games [31.29335755664997]
  対戦チームゲームは、プレイ中にチームメンバーが利用可能な非対称情報の中にあります。 本アルゴリズムは,対戦相手を持つ逐次チームゲームから古典的な2プレイヤーゼロサムゲームに変換する。 この問題のNPハード性のため、結果のパブリックチームゲームは元のゲームよりも指数関数的に大きいかもしれない。
  論文  参考訳（メタデータ） (2022-01-25T15:07:12Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• Exploiting Defenses against GAN-Based Feature Inference Attacks in Federated Learning [3.376269351435396]
  フェデレートラーニング(FL)は、データプライバシを維持しながら、孤立したデータアイランドをマージすることを目的としている。 近年の研究では、GANベースの攻撃をFLで使用して、プライベートデータセットの分布を学習できることが示されている。 攻撃者が被害者のデータの実際の分布を学習するのを防ぐためのフレームワークであるAnti-GANを提案する。
  論文  参考訳（メタデータ） (2020-04-27T03:45:48Z)
• Efficient exploration of zero-sum stochastic games [83.28949556413717]
  ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。 限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。 私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
  論文  参考訳（メタデータ） (2020-02-24T20:30:38Z)

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。