論文の概要: Level Generation for Angry Birds with Sequential VAE and Latent Variable
Evolution
- arxiv url: http://arxiv.org/abs/2104.06106v1
- Date: Tue, 13 Apr 2021 11:23:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-14 13:32:00.962069
- Title: Level Generation for Angry Birds with Sequential VAE and Latent Variable
Evolution
- Title(参考訳): 連続的vaeと潜在変数進化を伴うangry birdsのレベル生成
- Authors: Takumi Tanabe, Kazuto Fukuchi, Jun Sakuma, Youhei Akimoto
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 25.262831218008202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video game level generation based on machine learning (ML), in particular,
deep generative models, has attracted attention as a technique to automate
level generation. However, applications of existing ML-based level generations
are mostly limited to tile-based level representation. When ML techniques are
applied to game domains with non-tile-based level representation, such as Angry
Birds, where objects in a level are specified by real-valued parameters, ML
often fails to generate playable levels. In this study, we develop a
deep-generative-model-based level generation for the game domain of Angry
Birds. To overcome these drawbacks, we propose a sequential encoding of a level
and process it as text data, whereas existing approaches employ a tile-based
encoding and process it as an image. Experiments show that the proposed level
generator drastically improves the stability and diversity of generated levels
compared with existing approaches. We apply latent variable evolution with the
proposed generator to control the feature of a generated level computed through
an AI agent's play, while keeping the level stable and natural.
- Abstract(参考訳): 機械学習(ml)に基づくゲームレベル生成、特に深層生成モデルは、レベル生成を自動化する技術として注目を集めている。
しかし、既存のMLベースのレベルジェネレーションの応用はタイルベースのレベル表現に限られている。
ml技術がangry birdsのような非タイルベースのレベル表現を持つゲームドメインに適用されると、mlは実数値パラメータで指定されるため、しばしばプレイ可能なレベルを生成しない。
本研究ではangry birdsのゲーム領域における深層生成モデルに基づくレベル生成手法を開発した。
これらの欠点を克服するために,既存の手法ではタイルベースのエンコーディングを採用し,画像として処理するのに対して,レベルを逐次符号化してテキストデータとして処理する手法を提案する。
実験により, 既存の手法と比較して, 生成レベルの安定性と多様性が大幅に向上することが示された。
我々は,aiエージェントのプレイを通じて計算された生成レベルの特徴を安定かつ自然に制御するために,提案するジェネレータに潜在変数進化を適用した。
関連論文リスト
- RealGen: Retrieval Augmented Generation for Controllable Traffic
Scenarios [62.89459646611976]
RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。
RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。
このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
論文 参考訳(メタデータ) (2023-12-19T23:11:06Z) - GIFD: A Generative Gradient Inversion Method with Feature Domain
Optimization [52.55628139825667]
Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。
近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。
textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
論文 参考訳(メタデータ) (2023-08-09T04:34:21Z) - High-level Feature Guided Decoding for Semantic Segmentation [54.424062794490254]
そこで本稿では,アップサンプラーが頑健な結果を得るためのガイダンス(HFG)として,強力な事前学習高レベル機能を提案する。
具体的には、バックボーンの高レベルな機能はクラストークンのトレーニングに使用され、クラストークンはクラス分類のためにアップサンプラーによって再利用される。
HFGの上限を押し上げるために、低解像度の高レベル特徴に対して効率よく効果的に操作できる文脈拡張エンコーダ(CAE)を導入する。
論文 参考訳(メタデータ) (2023-03-15T14:23:07Z) - Hierarchical Semantic Regularization of Latent Spaces in StyleGANs [53.98170188547775]
本稿では,階層型意味正規化器(HSR)を提案する。これは,生成元が学習した階層的表現と,事前学習したネットワークが大量のデータに基づいて学習する強力な特徴とを一致させる。
HSRは、ジェネレータ表現の改善だけでなく、潜在スタイル空間の線形性と滑らかさも示しており、より自然なスタイル編集画像の生成につながっている。
論文 参考訳(メタデータ) (2022-08-07T16:23:33Z) - Combining Evolutionary Search with Behaviour Cloning for Procedurally
Generated Content [2.7412662946127755]
ゲームレベルの手続き的コンテンツ生成の問題について考察する。
従来のアプローチは、多様なレベルを生成することができる進化探索(ES)手法に依存していた。
本稿では,ESとRLの長所を組み合わせた手続き的コンテンツ生成問題に対処する枠組みを提案する。
論文 参考訳(メタデータ) (2022-07-29T16:25:52Z) - Improving Semantic Segmentation in Transformers using Hierarchical
Inter-Level Attention [68.7861229363712]
Hierarchical Inter-Level Attention (HILA)は、異なるレベルの機能間のボトムアップとトップダウン更新をキャプチャするアテンションベースの手法である。
HILAは階層型ヴィジュアルトランスフォーマーアーキテクチャを拡張し、上位と下位の機能間の局所的な接続をバックボーンエンコーダに追加する。
より少ないパラメータとFLOPSを用いたセマンティックセグメンテーションでは,精度が顕著に向上した。
論文 参考訳(メタデータ) (2022-07-05T15:47:31Z) - Modeling Image Composition for Complex Scene Generation [77.10533862854706]
本稿では,レイアウト・ツー・イメージ生成タスクにおける最先端結果を実現する手法を提案する。
本稿では,RGB画像をパッチトークンに圧縮した後,オブジェクト・トゥ・オブジェクト,オブジェクト・トゥ・パッチ,パッチ・トゥ・パッチの依存関係を探索するTransformer with Focal Attention (TwFA)を提案する。
論文 参考訳(メタデータ) (2022-06-02T08:34:25Z) - Path of Destruction: Learning an Iterative Level Generator Using a Small
Dataset [7.110423254122942]
既存のレベルのデータセットから反復的なレベルの生成を学習する新しい手続き型コンテンツ生成手法を提案する。
The Path of Destruction method view level generation as repair; level are created by repeateratively repairing from a random starting state。
本手法は,複数の2Dゲームに対して,独特でプレイ可能なタイルベースのレベルを生成するために,本手法を適用して実証する。
論文 参考訳(メタデータ) (2022-02-21T12:51:38Z) - 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) - Video Game Level Repair via Mixed Integer Linear Programming [20.815591392882716]
提案フレームワークは,人為的な実例で訓練されたGAN(Generative Adversarial Network)を用いてレベルを構築し,遊び性制約のある混合整数線形プログラム(MIP)を用いてそれらを修復する。
以上の結果から,提案フレームワークは多種多様なプレイ可能なレベルを生成し,人間に許可されたレベルのオブジェクト間の空間的関係をキャプチャする。
論文 参考訳(メタデータ) (2020-10-13T18:37:58Z) - 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)
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。