論文の概要: CPPN2GAN: Combining Compositional Pattern Producing Networks and GANs for Large-scale Pattern Generation

• arxiv url: http://arxiv.org/abs/2004.01703v1
• Date: Fri, 3 Apr 2020 04:29:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 03:54:01.195521
• Title: CPPN2GAN: Combining Compositional Pattern Producing Networks and GANs for Large-scale Pattern Generation
• Title（参考訳）: CPPN2GAN:大規模パターン生成のための構成パターン生成ネットワークとGANの組み合わせ
• Authors: Jacob Schrum and Vanessa Volz and Sebastian Risi
• Abstract要約: CPPN2GANは、GANによって出力されるレベルセグメントを完全なレベルにまとめることができる。 この新しいCPPN2GANアプローチはスーパーマリオブラザーズとゼルダ伝説の両方で検証されている。
• 参考スコア（独自算出の注目度）: 8.719982934025417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) are proving to be a powerful indirect genotype-to-phenotype mapping for evolutionary search, but they have limitations. In particular, GAN output does not scale to arbitrary dimensions, and there is no obvious way of combining multiple GAN outputs into a cohesive whole, which would be useful in many areas, such as the generation of video game levels. Game levels often consist of several segments, sometimes repeated directly or with variation, organized into an engaging pattern. Such patterns can be produced with Compositional Pattern Producing Networks (CPPNs). Specifically, a CPPN can define latent vector GAN inputs as a function of geometry, which provides a way to organize level segments output by a GAN into a complete level. This new CPPN2GAN approach is validated in both Super Mario Bros. and The Legend of Zelda. Specifically, divergent search via MAP-Elites demonstrates that CPPN2GAN can better cover the space of possible levels. The layouts of the resulting levels are also more cohesive and aesthetically consistent.
• Abstract（参考訳）: Generative Adversarial Networks (GANs) は進化的探索のための強力な間接的な遺伝子型対フェノタイプマッピングであることが証明されている。 特にgan出力は任意の次元にスケールせず、複数のgan出力を結合的な全体に変換する明確な方法は存在せず、ビデオゲームレベルの生成など、多くの分野で有用である。 ゲームレベルは、しばしばいくつかのセグメントで構成され、しばしば直接または変化して、エンゲージメントパターンに編成される。 このようなパターンをコンポジションパターン生成ネットワーク(CPPN)で生成することができる。 具体的には、CPPN は遅延ベクトル GAN 入力を幾何学の関数として定義することができ、GAN によって出力されるレベルセグメントを完全なレベルに整理する方法を提供する。 この新しいCPPN2GANアプローチはスーパーマリオブラザーズとゼルダ伝説の両方で検証されている。 具体的には、MAP-Elitesによる発散探索により、CPPN2GANは可能なレベルの空間をよりよくカバーできることを示した。 結果として得られるレベルのレイアウトもより凝集的で、美学的に一貫性がある。

関連論文リスト

• Signed Diverse Multiplex Networks: Clustering and Inference [4.070200285321219]
  設定は多重バージョンに拡張され、すべてのレイヤが同じノードのコレクションを持ち、SGRDPGに従う。 まず,ネットワーク構築過程におけるエッジの符号の保持が,推定とクラスタリングの精度の向上につながることを示す。 第二に、新しいアルゴリズムを用いることで、階層の強い一貫したクラスタリングと、部分空間推定の高精度を保証できる。
  論文  参考訳（メタデータ） (2024-02-14T19:37:30Z)
• Distance Guided Generative Adversarial Network for Explainable Binary Classifications [16.217674670254382]
  本稿では,超平面空間における生成サンプルの変動度を制御できる距離誘導型GAN(DisGAN)を提案する。 実験結果から, DisGAN は GAN に基づく拡張法よりも一貫した性能を示した。
  論文  参考訳（メタデータ） (2023-12-29T09:50:35Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• Auto-Parsing Network for Image Captioning and Visual Question Answering [101.77688388554097]
  本稿では,入力データの隠れ木構造を発見し,活用するための自動パーシングネットワーク(APN)を提案する。 具体的には、各自己注意層における注意操作によってパラメータ化された確率的グラフモデル(PGM)を課し、スパース仮定を組み込む。
  論文  参考訳（メタデータ） (2021-08-24T08:14:35Z)
• Hybrid Encoding For Generating Large Scale Game Level Patterns With Local Variations Using a GAN [5.144809478361604]
  我々はまずCPPNを進化させる新しいハイブリッドアプローチを提案するが、遅延ベクトルは後に進化し、両方のアプローチの利点を組み合わせることができる。 これらのアプローチはスーパーマリオブラザーズとゼルダの伝説で評価されている。
  論文  参考訳（メタデータ） (2021-05-27T06:27:19Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• EigenGAN: Layer-Wise Eigen-Learning for GANs [84.33920839885619]
  EigenGANは、異なる発電機層から解釈可能で制御可能な寸法を無監督にマイニングすることができます。 特定の固有次元の係数をトラバースすることで、ジェネレータは特定の意味属性に対応する連続的な変化を伴うサンプルを生成することができる。
  論文  参考訳（メタデータ） (2021-04-26T11:14:37Z)
• Using Multiple Generative Adversarial Networks to Build Better-Connected Levels for Mega Man [0.0]
  本稿では,GAN生成セグメントをスネーキングパターンに組み合わせて,メガマンのレベルを作成することに焦点を当てる。 複数のGANは、セグメント間のより良いフローを保証するために、異なるタイプのセグメントで訓練された。
  論文  参考訳（メタデータ） (2021-01-30T23:34:15Z)
• Rethinking conditional GAN training: An approach using geometrically structured latent manifolds [58.07468272236356]
  条件付きGAN(cGAN)は、生成された出力の多様性の欠如などの重大な欠点に悩まされる。 本稿では,バニラcGANの多様性と視覚的品質を両立させる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2020-11-25T22:54:11Z)

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。