論文の概要: Game Level Clustering and Generation using Gaussian Mixture VAEs
- arxiv url: http://arxiv.org/abs/2009.09811v1
- Date: Sat, 22 Aug 2020 15:07:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 07:56:45.823234
- Title: Game Level Clustering and Generation using Gaussian Mixture VAEs
- Title（参考訳）: ガウス混合VAEを用いたゲームレベルのクラスタリングと生成
- Authors: Zhihan Yang, Anurag Sarkar, Seth Cooper
- Abstract要約: 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。
- 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: Variational autoencoders (VAEs) have been shown to be able to generate game
levels but require manual exploration of the learned latent space to generate
outputs with desired attributes. While conditional VAEs address this by
allowing generation to be conditioned on labels, such labels have to be
provided during training and thus require prior knowledge which may not always
be available. In this paper, we apply Gaussian Mixture VAEs (GMVAEs), a variant
of the VAE which imposes a mixture of Gaussians (GM) on the latent space,
unlike regular VAEs which impose a unimodal Gaussian. This allows GMVAEs to
cluster levels in an unsupervised manner using the components of the GM and
then generate new levels using the learned components. We demonstrate our
approach with levels from Super Mario Bros., Kid Icarus and Mega Man. Our
results show that the learned components discover and cluster level structures
and patterns and can be used to generate levels with desired characteristics.
- Abstract（参考訳）: 変分オートエンコーダ(vaes)はゲームレベルを生成することができるが、必要な属性の出力を生成するために学習された潜在空間を手作業で探索する必要がある。
条件付きVAEはラベルに生成を条件付けることでこの問題に対処するが、そのようなラベルはトレーニング中に提供されなければならないため、常に利用できるとは限らない事前知識が必要である。
本稿では, ガウス混合系(GMVAEs) の変種であるガウス混合系(英語版) (GMVAEs) を適用し, 潜時空間にガウス混合系(英語版) (GM) を課す。
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。
我々はスーパーマリオブラザース、キッド・イカルス、メガマンのレベルから我々のアプローチを実証する。
その結果、学習したコンポーネントがクラスタレベルの構造やパターンを発見し、望ましい特徴を持つレベルを生成することができることがわかった。
関連論文リスト
- The Mamba in the Llama: Distilling and Accelerating Hybrid Models [76.64055251296548]
注目層からの線形射影重みを学術的なGPU資源で再利用することにより,大規模な変換器を線形RNNに蒸留することが可能であることを示す。
その結果、注意層を4分の1含むハイブリッドモデルは、チャットベンチマークのオリジナルのTransformerに匹敵するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-08-27T17:56:11Z) - GaussianDreamerPro: Text to Manipulable 3D Gaussians with Highly Enhanced Quality [99.63429416013713]
3D-GSは現実世界のシーンの再構築とレンダリングで大きな成功を収めた。
高いレンダリング品質を生成タスクに転送するために、テキストから3Dガウス資産を生成するための一連の研究が進められている。
生成品質を向上させるため,GaussianDreamerProという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） (2024-06-26T16:12:09Z) - GMMSeg: Gaussian Mixture based Generative Semantic Segmentation Models [74.0430727476634]
結合分布 p(ピクセル特徴,クラス) の高密度な生成型分類器に依存する分割モデルの新たなファミリーを提案する。
さまざまなセグメンテーションアーキテクチャとバックボーンにより、GMMSegはクローズドセットデータセットにおいて差別的よりも優れています。
GMMSegは、オープンワールドデータセットでもうまく機能する。
論文 参考訳（メタデータ） (2022-10-05T05:20:49Z) - 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) - Illuminating Diverse Neural Cellular Automata for Level Generation [5.294599496581041]
本稿では,ゲームレベルを設計するためのニューラルネットワークオートマトン(NCA)のコレクションを生成する手法を提案する。
提案手法は,審美的基準や機能的基準に基づいて,出力レベルが異なる多様なレベルジェネレータを訓練することができる。
本手法は,迷路ゲーム,ソコバン,ゼルダなどの2次元タイルゲームのためのレベルジェネレータ生成に応用する。
論文 参考訳（メタデータ） (2021-09-12T11:17:31Z) - Regularizing Transformers With Deep Probabilistic Layers [62.997667081978825]
本研究では,BERT に深層生成モデルを含めることで,より汎用的なモデルを実現する方法を示す。
トランスフォーマーだけでなく、最も関連性の高いエンコーダデコーダベースのLM, seq2seqでも、注意なく有効であることを示す。
論文 参考訳（メタデータ） (2021-08-23T10:17:02Z) - 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) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-04-19T12:26:26Z) - 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) - Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow [83.27681781274406]
一般化されたゼロショット学習は、意味的記述から視覚的表現へ知識を移すことによって、目に見えないクラスと見えないクラスの両方を認識することを目的としている。
近年のGZSLはデータ不足問題として定式化されており、主にGANやVAEを採用して、目に見えないクラスの視覚的特徴を生成する。
GZSLのための条件付き生成フロー,すなわちVAE-Conditioned Generative Flow (VAE-cFlow)を提案する。
論文 参考訳（メタデータ） (2020-09-01T09:12:31Z) - Controllable Level Blending between Games using Variational Autoencoders [6.217860411034386]
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。
論文 参考訳（メタデータ） (2020-02-27T01:38:35Z)
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。