論文の概要: Using Multiple Generative Adversarial Networks to Build Better-Connected Levels for Mega Man

• arxiv url: http://arxiv.org/abs/2102.00337v1
• Date: Sat, 30 Jan 2021 23:34:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 16:19:07.884862
• Title: Using Multiple Generative Adversarial Networks to Build Better-Connected Levels for Mega Man
• Title（参考訳）: メガマンのためのより良い接続レベル構築のための複数生成逆ネットワークの利用
• Authors: Benjamin Capps and Jacob Schrum
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) can generate levels for a variety of games. This paper focuses on combining GAN-generated segments in a snaking pattern to create levels for Mega Man. Adjacent segments in such levels can be orthogonally adjacent in any direction, meaning that an otherwise fine segment might impose a barrier between its neighbor depending on what sorts of segments in the training set are being most closely emulated: horizontal, vertical, or corner segments. To pick appropriate segments, multiple GANs were trained on different types of segments to ensure better flow between segments. Flow was further improved by evolving the latent vectors for the segments being joined in the level to maximize the length of the level's solution path. Using multiple GANs to represent different types of segments results in significantly longer solution paths than using one GAN for all segment types, and a human subject study verifies that these levels are more fun and have more human-like design than levels produced by one GAN.
• Abstract（参考訳）: Generative Adversarial Networks (GAN) は様々なゲームのレベルを生成することができる。 本稿では,GAN生成セグメントをスネーキングパターンで組み合わせ,メガマンのレベルを作成することに焦点を当てる。 そのようなレベルの隣接セグメントは直交的に任意の方向に近接できるので、訓練セットのどのセグメントが最も密にエミュレートされているか、垂直またはコーナーのセグメントかによって、その他の細かいセグメントは隣同士の障壁を課す可能性がある。 適切なセグメントを選択するために、複数のGANを異なるタイプのセグメントでトレーニングし、セグメント間のフローを改善する。 フローは、レベルに結合されるセグメントの潜伏ベクトルを進化させ、レベル解路の長さを最大化することでさらに改善された。 複数のGANを使用して異なる種類のセグメントを表すと、すべてのセグメントタイプに1つのGANを使用するよりもかなり長いソリューションパスになり、人間の被験者の研究は、これらのレベルがより楽しく、1つのGANによって生成されるレベルよりも人間的なデザインを持っていることを証明します。

関連論文リスト

• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• On Linking Level Segments [3.04585143845864]
  本稿では,マルコフ連鎖と木探索アルゴリズムを用いて,2つのレベルセグメント間のリンクを探索する。 この方法はセグメント間のリンクを確実に見つけ、デザイナのニーズを満たすようにカスタマイズできる。
  論文  参考訳（メタデータ） (2022-03-09T21:32:41Z)
• HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation [81.87943324048756]
  本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。 提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T16:33:29Z)
• 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)
• Segmenter: Transformer for Semantic Segmentation [79.9887988699159]
  セマンティックセグメンテーションのためのトランスフォーマーモデルであるSegmenterを紹介します。 最近のViT(Vision Transformer)上に構築し,セマンティックセグメンテーションに拡張する。 これは、挑戦的なADE20Kデータセット上でのアートの状態を上回り、Pascal ContextとCityscapesでオンパーを実行する。
  論文  参考訳（メタデータ） (2021-05-12T13:01:44Z)
• Labels4Free: Unsupervised Segmentation using StyleGAN [40.39780497423365]
  本稿では,StyleGAN生成オブジェクトに対する教師なしセグメンテーションフレームワークを提案する。 最先端の教師付きセグメンテーションネットワークに対する比較結果について報告する。
  論文  参考訳（メタデータ） (2021-03-27T18:59:22Z)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)
• Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
  本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。 ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。 親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
  論文  参考訳（メタデータ） (2020-09-26T10:28:11Z)
• Sequential Segment-based Level Generation and Blending using Variational Autoencoders [5.33024001730262]
  生成されたセグメントが論理的に先行セグメントから従うようなセグメント生成のシーケンシャルモデルを学ぶために、VAEを訓練する。 これら4つの方向のいずれかで進行する任意の長レベルを任意に生成できるパイプラインを得る。 非固定長のよりコヒーレントなレベルを生成することに加えて、この方法は別のゲームからレベルを暗黙にブレンドすることを可能にしている。
  論文  参考訳（メタデータ） (2020-07-17T04:11:51Z)
• CPPN2GAN: Combining Compositional Pattern Producing Networks and GANs for Large-scale Pattern Generation [8.719982934025417]
  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。
  論文  参考訳（メタデータ） (2020-04-03T04:29:43Z)

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。