論文の概要: Deep Learning for Procedural Content Generation

• arxiv url: http://arxiv.org/abs/2010.04548v1
• Date: Fri, 9 Oct 2020 13:08:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 04:40:00.595121
• Title: Deep Learning for Procedural Content Generation
• Title（参考訳）: 手続き型コンテンツ生成のための深層学習
• Authors: Jialin Liu, Sam Snodgrass, Ahmed Khalifa, Sebastian Risi, Georgios N. Yannakakis, Julian Togelius
• Abstract要約: ゲームにおけるコンテンツ生成を中心とした研究分野は10年以上にわたって存在してきた。 ディープ・ラーニングは、コンテンツ制作において顕著な発明を推進してきた。 本稿では,ゲームコンテンツを直接的あるいは間接的に生成するための様々なディープラーニング手法について検討する。
• 参考スコア（独自算出の注目度）: 14.533560910477693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Procedural content generation in video games has a long history. Existing procedural content generation methods, such as search-based, solver-based, rule-based and grammar-based methods have been applied to various content types such as levels, maps, character models, and textures. A research field centered on content generation in games has existed for more than a decade. More recently, deep learning has powered a remarkable range of inventions in content production, which are applicable to games. While some cutting-edge deep learning methods are applied on their own, others are applied in combination with more traditional methods, or in an interactive setting. This article surveys the various deep learning methods that have been applied to generate game content directly or indirectly, discusses deep learning methods that could be used for content generation purposes but are rarely used today, and envisages some limitations and potential future directions of deep learning for procedural content generation.
• Abstract（参考訳）: ビデオゲームにおける手続き的コンテンツ生成には長い歴史がある。 検索ベース,ソルバベース,ルールベース,文法ベースといった既存の手続き型コンテンツ生成手法は,レベル,マップ,キャラクタモデル,テクスチャなど,さまざまなコンテンツタイプに適用されている。 ゲームにおけるコンテンツ生成を中心とした研究分野は10年以上存在してきた。 最近では、深層学習は、ゲームに適用可能な、コンテンツ制作における顕著な発明の動力となっている。 最先端のディープラーニング手法を独自に適用するものもあるが、従来の手法と組み合わせたり、インタラクティブな環境で適用するものもある。 本稿では,ゲームコンテンツの直接的又は間接的生成に応用された様々な深層学習手法を調査し,コンテンツ生成目的に使用できるが,今日では滅多に用いられない深層学習手法について検討し,手続き的コンテンツ生成における深層学習の限界と今後の方向性について考察する。

関連論文リスト

• Procedural Content Generation in Games: A Survey with Insights on Emerging LLM Integration [1.03590082373586]
  プロシージャコンテンツ生成(PCG)は、アルゴリズムを用いてゲームコンテンツの自動生成として定義される。 プレイヤーのエンゲージメントを高め、ゲームデザイナーの仕事を楽にする。 PCGにおけるディープラーニングアプローチの最近の進歩は、研究者や実践者がより洗練されたコンテンツを作成できるようにしている。 大規模言語モデル (LLMs) が登場し、PCGの進歩の軌跡を本当に破壊した。
  論文  参考訳（メタデータ） (2024-10-21T05:10:13Z)
• Deep Learning-based Depth Estimation Methods from Monocular Image and Videos: A Comprehensive Survey [31.414360704020254]
  単一のRGB画像とビデオから深度を推定することは、多くの分野で応用されているため、広く関心を集めている。 過去10年間に500以上のディープラーニングベースの論文が出版されている。 入力と出力のモダリティ、ネットワークアーキテクチャ、学習方法に基づいて、現在の作業を分類するための分類を提供する。
  論文  参考訳（メタデータ） (2024-06-28T06:25:21Z)
• Zero-Shot Reasoning: Personalized Content Generation Without the Cold Start Problem [0.0]
  本稿では,大規模言語モデルを用いてパーソナライズを実現するための新しいアプローチを提案する。 本研究では,個々のプレイヤーから連続的に収集されたゲームプレイデータに基づくレベルを提案する。 本手法は, 従来の手法が生成した生産環境では有効であり, プレイヤーが中間レベルを終了しない確率において, 性能が優れていた。
  論文  参考訳（メタデータ） (2024-02-15T17:37:25Z)
• Intelligent Generation of Graphical Game Assets: A Conceptual Framework and Systematic Review of the State of the Art [1.534667887016089]
  手続き的コンテンツ生成は、物語、レベル、音から木や武器まで、ゲームにおける様々なタスクに適用することができる。 本稿では,ゲーム内外の幅広いアプリケーションからの研究を通じて,グラフィカルアセット生成への最先端のアプローチについて検討する。
  論文  参考訳（メタデータ） (2023-11-16T18:36:16Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Procedural Content Generation using Neuroevolution and Novelty Search for Diverse Video Game Levels [2.320417845168326]
  手続き的に生成されたビデオゲームコンテンツは、ゲーム開発者や大手スタジオのコンテンツ制作予算を大幅に削減する可能性がある。 しかし、採用の妨げとなるのは、遅い生成や品質の低下、コンテンツの多様性といった制限だ。 進化的探索に基づく進化的探索手法を導入し,様々なレベルをリアルタイムでプロシージャ的に生成する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-14T12:54:32Z)
• TegTok: Augmenting Text Generation via Task-specific and Open-world Knowledge [83.55215993730326]
  本稿では,タスク固有およびオープンワールド知識(TegTok)によるTExt生成の統一化を提案する。 本モデルでは,2種類の知識ソースからの知識エントリを高密度検索により選択し,それぞれ入力エンコーディングと出力デコーディングの段階に注入する。
  論文  参考訳（メタデータ） (2022-03-16T10:37:59Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• A Survey of Knowledge-Enhanced Text Generation [81.24633231919137]
  テキスト生成の目標は、機械を人間の言語で表現できるようにすることである。 入力テキストを出力テキストにマッピングすることを学ぶことで、目的を達成するために、様々なニューラルエンコーダデコーダモデルが提案されている。 この問題に対処するために、研究者は入力テキスト以外の様々な種類の知識を生成モデルに組み込むことを検討してきた。
  論文  参考訳（メタデータ） (2020-10-09T06:46:46Z)
• Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
  本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。 常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。 我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-28T10:28:40Z)

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。