論文の概要: Generating and Blending Game Levels via Quality-Diversity in the Latent
Space of a Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2102.12463v1
- Date: Wed, 24 Feb 2021 18:44:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 13:42:15.989481
- Title: Generating and Blending Game Levels via Quality-Diversity in the Latent
Space of a Variational Autoencoder
- Title（参考訳）: 変分オートエンコーダの潜時空間における品質多様性によるゲームレベルの生成とブレンディング
- Authors: Anurag Sarkar, Seth Cooper
- Abstract要約: ここでは,vaesアルゴリズムとqdアルゴリズムを組み合わせたレベル生成とゲームブレンド手法を提案する。
具体的には,ゲームレベルでVAEをトレーニングし,学習したVAEの潜在空間を探索空間としてMAP-Elites QDアルゴリズムを実行する。
- 参考スコア（独自算出の注目度）: 7.919213739992465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several recent works have demonstrated the use of variational autoencoders
(VAEs) for both generating levels in the style of existing games as well as
blending levels across different games. Additionally, quality-diversity (QD)
algorithms have also become popular for generating varied game content by using
evolution to explore a search space while focusing on both variety and quality.
In order to reap the benefits of both these approaches, we present a level
generation and game blending approach that combines the use of VAEs and QD
algorithms. Specifically, we train VAEs on game levels and then run the
MAP-Elites QD algorithm using the learned latent space of the VAE as the search
space. The latent space captures the properties of the games whose levels we
want to generate and blend, while MAP-Elites searches this latent space to find
a diverse set of levels optimizing a given objective such as playability. We
test our method using models for 5 different platformer games as well as a
blended domain spanning 3 of these games. Our results show that using
MAP-Elites in conjunction with VAEs enables the generation of a diverse set of
playable levels not just for each individual game but also for the blended
domain while illuminating game-specific regions of the blended latent space.
- Abstract（参考訳）: 最近のいくつかの作品は、既存のゲームスタイルのレベルと異なるゲーム間のブレンドレベルの両方を生成するために変分オートエンコーダ(vaes)の使用を実証している。
さらに、qdアルゴリズムは、進化を用いて検索空間を探索し、多様性と品質の両方に焦点を合わせ、多様なゲームコンテンツを生成するためにも人気がある。
これら2つのアプローチの利点を享受するために,vaesアルゴリズムとqdアルゴリズムを組み合わせたレベル生成とゲームブレンド手法を提案する。
具体的には,ゲームレベルでVAEをトレーニングし,学習したVAEの潜在空間を探索空間としてMAP-Elites QDアルゴリズムを実行する。
潜在空間は、私たちが生成し、ブレンドしたいレベルを持つゲームの特性を捉え、MAP-Elitesはこの潜在空間を探索し、プレイ可能性のような特定の目的を最適化する様々なレベルのレベルを見つける。
5つの異なるプラットフォームゲームと3つのゲームにまたがるブレンドドメインのモデルを用いてこの手法をテストした。
以上の結果から, MAP-ElitesをVAEと併用することにより, 各ゲームに対してだけでなく, ブレンド領域に対して, ブレンド空間のゲーム固有の領域を照らしながら, 多様なプレイ可能なレベルを生成できることが示唆された。
関連論文リスト
- Unbounded: A Generative Infinite Game of Character Life Simulation [68.37260000219479]
生成モデルを用いて,有限なハードコードシステムの境界を超越したゲームである生成無限ゲームの概念を導入する。
我々は、生成AIの最近の進歩を活用して、生成モデルに完全にカプセル化されたキャラクターライフシミュレーションゲームUnboundedを作成する。
論文 参考訳（メタデータ） (2024-10-24T17:59:31Z) - HybridGait: A Benchmark for Spatial-Temporal Cloth-Changing Gait
Recognition with Hybrid Explorations [66.5809637340079]
そこで本研究では,第1世代CCGaitベンチマークを提案する。
我々は3次元メッシュの時間的ダイナミクスと投影された2次元情報の両方を利用する。
私たちのコントリビューションは2つあります: 拡張された空間にわたる現実的な外見の変化をキャプチャする、挑戦的なベンチマークCCGaitを提供しています。
論文 参考訳（メタデータ） (2023-12-30T16:12:13Z) - On the Convergence of No-Regret Learning Dynamics in Time-Varying Games [89.96815099996132]
時間変化ゲームにおける楽観的勾配降下(OGD)の収束を特徴付ける。
我々のフレームワークは、ゼロサムゲームにおけるOGDの平衡ギャップに対して鋭い収束境界をもたらす。
また,静的ゲームにおける動的後悔の保証に関する新たな洞察も提供する。
論文 参考訳（メタデータ） (2023-01-26T17:25:45Z) - 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) - Unifying Voxel-based Representation with Transformer for 3D Object
Detection [143.91910747605107]
マルチモード3Dオブジェクト検出のための統一フレームワークUVTRを提案する。
提案手法は, ボクセル空間におけるマルチモーダリティ表現を統一し, 高精度かつ堅牢な単一モード・クロスモーダリティ3D検出を実現することを目的とする。
UVTRは、69.7%、55.1%、71.1%のNDSで、それぞれLiDAR、カメラ、マルチモダリティの入力を行う。
論文 参考訳（メタデータ） (2022-06-01T17:02:40Z) - 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) - Expressivity of Parameterized and Data-driven Representations in Quality
Diversity Search [111.06379262544911]
2つの異なる検索空間で実施した品質多様性進化探索の出力多様性を比較する。
学習モデルは、未知の例への外挿や拡大よりも、既知のデータポイント間の補間が優れている。
論文 参考訳（メタデータ） (2021-05-10T10:27:43Z) - Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。
品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。
その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
論文 参考訳（メタデータ） (2021-04-17T20:33:24Z) - Illuminating Mario Scenes in the Latent Space of a Generative
Adversarial Network [11.055580854275474]
設計者は,我々のシステムにゲームプレイ対策を規定し,様々なレベルのメカニックで高品質な(プレイ可能な)レベルを抽出する方法を示す。
オンラインユーザスタディでは、自動生成されるレベルの異なるメカニズムが、認識される困難さと外観の主観的評価にどのように影響するかが示されている。
論文 参考訳（メタデータ） (2020-07-11T03:38:06Z) - Rolling Horizon Evolutionary Algorithms for General Video Game Playing [4.560263516804932]
ローリング水平進化アルゴリズム(Rolling Horizon Evolutionary Algorithms)は、最近、多くのビデオゲームで勝利率で最先端の技術を破ることに成功した。
本稿では,ローリング水平進化アルゴリズム(Rolling Horizon Evolutionary Algorithms)における技術の現状について述べる。
次に、パラメータオプティマイザであるN-Tuple Bandit Evolutionary Algorithmを用いて、General Video Game AI Frameworkから20のゲームで最適なパラメータの組み合わせを見つける。
論文 参考訳（メタデータ） (2020-03-27T11:19:10Z) - 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。