論文の概要: Conditional Level Generation and Game Blending

• arxiv url: http://arxiv.org/abs/2010.07735v1
• Date: Tue, 13 Oct 2020 00:28:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:22:48.598218
• Title: Conditional Level Generation and Game Blending
• Title（参考訳）: 条件レベルの生成とゲームブレンディング
• Authors: Anurag Sarkar, Zhihan Yang, Seth Cooper
• Abstract要約: 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。
• 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: Prior research has shown variational autoencoders (VAEs) to be useful for generating and blending game levels by learning latent representations of existing level data. We build on such models by exploring the level design affordances and applications enabled by conditional VAEs (CVAEs). CVAEs augment VAEs by allowing them to be trained using labeled data, thus enabling outputs to be generated conditioned on some input. We studied how increased control in the level generation process and the ability to produce desired outputs via training on labeled game level data could build on prior PCGML methods. Through our results of training CVAEs on levels from Super Mario Bros., Kid Icarus and Mega Man, we show that such models can assist in level design by generating levels with desired level elements and patterns as well as producing blended levels with desired combinations of games.
• Abstract（参考訳）: 従来の研究では、変動オートエンコーダ(VAE)は、既存のレベルのデータの潜在表現を学習することで、ゲームレベルの生成とブレンドに有用であることが示されている。 我々は,条件付きVAE(CVAE)によって実現される設計の水準と応用を探索し,そのようなモデルを構築した。 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。 本研究は,pcgml手法を用いて,レベル生成プロセスの制御性の向上と,ラベル付きゲームレベルデータのトレーニングによる所望のアウトプット生成能力について検討した。 スーパーマリオブラザーズ、キッド・イカルス、メガマンのレベルでCVAEをトレーニングした結果、所望のレベル要素とパターンのレベルを生成し、ゲームの組み合わせでブレンドし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した。

関連論文リスト

• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Octopus: Embodied Vision-Language Programmer from Environmental Feedback [58.04529328728999]
  身体視覚言語モデル(VLM)は多モード認識と推論において大きな進歩を遂げた。 このギャップを埋めるために、我々は、計画と操作を接続する媒体として実行可能なコード生成を使用する、具体化された視覚言語プログラマであるOctopusを紹介した。 Octopusは、1)エージェントの視覚的およびテキスト的タスクの目的を正確に理解し、2)複雑なアクションシーケンスを定式化し、3)実行可能なコードを生成するように設計されている。
  論文  参考訳（メタデータ） (2023-10-12T17:59:58Z)
• Level Generation Through Large Language Models [3.620115940532283]
  大きな言語モデル(LLM)は、自然言語によるトレーニングを活用して、ストーリーを書いたり、コードを作ったり、質問に答えることのできる強力なツールです。 しかし、彼らは機能的なビデオゲームレベルを生成できるだろうか? 複雑な機能的制約と1次元以上の空間的関係を持つゲームレベルは、LLMがトレーニング中に一般的に見るデータの種類とは大きく異なる。 ゲーム「ソコバン」のレベル生成におけるLLMの使用について検討し、LLMが実際に実現可能であること、およびデータセットサイズとともにその性能が劇的に拡大していることを見出した。
  論文  参考訳（メタデータ） (2023-02-11T23:34:42Z)
• MLP Architectures for Vision-and-Language Modeling: An Empirical Study [91.6393550858739]
  視覚・機能融合(VL)におけるアーキテクチャの利用に関する最初の実証的研究を開始する。 プレトレーニングなしでは、マルチモーダルフュージョンの使用はトランスに比べて顕著な性能差があることが判明した。 マルチヘッドの注意を多用する代わりに、エンコーダに小さなワンヘッドの注意を加えることで、トランスフォーマーに匹敵するパフォーマンスを達成するのに十分である。
  論文  参考訳（メタデータ） (2021-12-08T18:26:19Z)
• Controllable Data Augmentation Through Deep Relighting [75.96144853354362]
  我々は、既存のモデルが照度変化に不変である能力を改善するために、リライトを通じて様々な画像データセットを拡大する方法を探る。 我々は,エンコーダ・デコーダネットワークをベースとして,様々な入力シーンの照明の様々なバリエーションを迅速に生成できるツールを開発した。 パイプラインで拡張されたデータセットのモデルをトレーニングすることで、ローカライゼーションベンチマークでより高いパフォーマンスを実現することが可能であることを実証した。
  論文  参考訳（メタデータ） (2021-10-26T20:02:51Z)
• 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)
• Level Generation for Angry Birds with Sequential VAE and Latent Variable Evolution [25.262831218008202]
  我々は,Angry Birdsのゲームドメインに対して,深部生成モデルに基づくレベル生成を開発する。 実験により,提案したレベルジェネレータは生成レベルの安定性と多様性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2021-04-13T11:23:39Z)
• Mixup-Transformer: Dynamic Data Augmentation for NLP Tasks [75.69896269357005]
  Mixupは、入力例と対応するラベルを線形に補間する最新のデータ拡張技術である。 本稿では,自然言語処理タスクにmixupを適用する方法について検討する。 我々は、様々なNLPタスクに対して、mixup-transformerと呼ばれる、トランスフォーマーベースの事前学習アーキテクチャにmixupを組み込んだ。
  論文  参考訳（メタデータ） (2020-10-05T23:37:30Z)
• Game Level Clustering and Generation using Gaussian Mixture VAEs [6.217860411034386]
  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。
  論文  参考訳（メタデータ） (2020-08-22T15:07:30Z)
• 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。