論文の概要: Towards Game Design via Creative Machine Learning (GDCML)
- arxiv url: http://arxiv.org/abs/2008.13548v1
- Date: Sat, 25 Jul 2020 21:15:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 00:34:36.420768
- Title: Towards Game Design via Creative Machine Learning (GDCML)
- Title(参考訳): Creative Machine Learning (GDCML) によるゲームデザインに向けて
- Authors: Anurag Sarkar, Seth Cooper
- Abstract要約: 我々は、ゲームのためのコンテンツデザインにこのような創造的手法を活用・再利用し、クリエイティブML(GDCML)によるゲームデザインのアプローチとして言及する。
我々は、GDCMLを可能にする既存のシステムを強調し、サンプルアプリケーションと提案システムを介して、クリエイティブMLがいかに新しいシステムに通知できるかを説明する。
- 参考スコア(独自算出の注目度): 5.33024001730262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, machine learning (ML) systems have been increasingly applied
for performing creative tasks. Such creative ML approaches have seen wide use
in the domains of visual art and music for applications such as image and music
generation and style transfer. However, similar creative ML techniques have not
been as widely adopted in the domain of game design despite the emergence of
ML-based methods for generating game content. In this paper, we argue for
leveraging and repurposing such creative techniques for designing content for
games, referring to these as approaches for Game Design via Creative ML
(GDCML). We highlight existing systems that enable GDCML and illustrate how
creative ML can inform new systems via example applications and a proposed
system.
- Abstract(参考訳): 近年、機械学習(ML)システムはクリエイティブなタスクの実行にますます応用されている。
このような創造的なMLアプローチは、画像や音楽の生成やスタイル転送といった用途に視覚芸術や音楽の領域で広く利用されている。
しかし、ゲームコンテンツを生成するMLベースの手法が出現しても、ゲームデザインの分野では、同様の創造的ML技術が広く採用されていない。
本稿では,ゲーム用コンテンツ設計におけるこのような創造的手法の活用と再利用を論じ,創造的ML(GDCML)によるゲームデザインのアプローチとして言及する。
我々は、GDCMLを可能にする既存のシステムを強調し、サンプルアプリケーションと提案システムを介して、クリエイティブMLがいかに新しいシステムに通知できるかを説明する。
関連論文リスト
- Multi-modal Instruction Tuned LLMs with Fine-grained Visual Perception [63.03288425612792]
マルチモーダル参照から画素単位のオブジェクト認識と自然言語記述を生成できる汎用MLLMモデルであるbfAnyRefを提案する。
本モデルでは,領域レベルの参照表現生成とセグメンテーションの多様さを含む,複数のベンチマークにおける最先端結果を実現する。
論文 参考訳(メタデータ) (2024-03-05T13:45:46Z) - Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳(メタデータ) (2024-02-27T17:11:35Z) - Evolutionary Machine Learning and Games [2.742755573637173]
この章は、進化が機械学習(ML)の強化に使用されるか、進化を増強するためにMLが使用されるかに基づいて、ゲーム向けに構成する。
完全性については、ゲーム内でMLと進化を別々に使用することについても、簡潔に論じる。
論文 参考訳(メタデータ) (2023-11-20T13:21:39Z) - A Controllable Co-Creative Agent for Game System Design [9.356870107137093]
状態マシンライクなコンポーネントとリソースフローを用いたゲームモデルを提案する。
このシステムは、幅広いゲームを表現することができ、将来の共同制作アプリケーションに対して人間による制御が可能であることに気付きました。
論文 参考訳(メタデータ) (2023-08-04T13:34:51Z) - LayoutDETR: Detection Transformer Is a Good Multimodal Layout Designer [81.5482196644596]
グラフィックレイアウトデザインは視覚コミュニケーションにおいて重要な役割を担っている。
しかし、手作りのレイアウトデザインは、スキルを要求し、時間がかかり、バッチプロダクションではスケールできない。
ジェネレーティブモデルは、設計自動化をスケーラブルにするために出現するが、デザイナの欲求に沿うデザインを作成することは、未だに容易ではない。
論文 参考訳(メタデータ) (2022-12-19T21:57:35Z) - Pathway to Future Symbiotic Creativity [76.20798455931603]
そこで本研究では, 5クラス階層の創造システムを分類し, 擬人アーティストから機械アーティストへの創造の道筋を示す。
芸術創造においては、機械は欲求、感謝、感情を含む人間の精神状態を理解する必要があるが、機械の創造的能力と限界も理解する必要がある。
我々は、人間互換のAIシステムが「ループ内人間」の原理に基づいているべきだという哲学を取り入れた、未来のマシンアーティストを構築するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-18T15:12:02Z) - Threshold Designer Adaptation: Improved Adaptation for Designers in
Co-creative Systems [0.9645196221785693]
本稿では,クリエイティビティMLモデルを個々のデザイナに適用するための新しい手法として,しきい値デザイナ適応を提案する。
設計者は提案手法を好み,既存のベースラインに比べて高品質なコンテンツを生成する。
論文 参考訳(メタデータ) (2022-05-19T01:13:22Z) - Tiny Robot Learning: Challenges and Directions for Machine Learning in
Resource-Constrained Robots [57.27442333662654]
機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。
ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。
小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。
本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
論文 参考訳(メタデータ) (2022-05-11T19:36:15Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - Declarative Machine Learning Systems [7.5717114708721045]
機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。
近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。
MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
論文 参考訳(メタデータ) (2021-07-16T23:57:57Z) - Widening Access to Applied Machine Learning with TinyML [1.1678513163359947]
我々は,Tiny Machine Learning (TinyML)上で,大規模なオープンオンラインコース (MOOC) を通じて応用機械学習 (ML) へのアクセスを増やすための教育的アプローチについて述べる。
この目的のために、学界(ハーバード大学)と産業(Google)の協力により、TinyMLを使ってソリューションを開発するためのアプリケーション指向の指導を提供する4つのMOOCが作成された。
このシリーズは、edX MOOCプラットフォームで公開されており、基本的なプログラミング以上の前提条件がなく、世界中のさまざまなバックグラウンドから学習者向けに設計されている。
論文 参考訳(メタデータ) (2021-06-07T23:31:47Z)
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。