論文の概要: Dungeon and Platformer Level Blending and Generation using Conditional VAEs

• arxiv url: http://arxiv.org/abs/2106.12692v1
• Date: Thu, 17 Jun 2021 05:46:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-27 09:07:23.249738
• Title: Dungeon and Platformer Level Blending and Generation using Conditional VAEs
• Title（参考訳）: 条件付きVAEを用いたダンジョンとプラットフォームレベルのブレンドと生成
• Authors: Anurag Sarkar, Seth Cooper
• Abstract要約: 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。
• 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: Variational autoencoders (VAEs) have been used in prior works for generating and blending levels from different games. To add controllability to these models, conditional VAEs (CVAEs) were recently shown capable of generating output that can be modified using labels specifying desired content, albeit working with segments of levels and platformers exclusively. We expand these works by using CVAEs for generating whole platformer and dungeon levels, and blending levels across these genres. We show that CVAEs can reliably control door placement in dungeons and progression direction in platformer levels. Thus, by using appropriate labels, our approach can generate whole dungeons and platformer levels of interconnected rooms and segments respectively as well as levels that blend dungeons and platformers. We demonstrate our approach using The Legend of Zelda, Metroid, Mega Man and Lode Runner.
• Abstract（参考訳）: 変分オートエンコーダ (VAE) は、異なるゲームからレベルを生成し、ブレンディングするために、以前の作業で使われてきた。 これらのモデルに制御性を加えるために、条件付きVAE(CVAE)が最近示され、所望のコンテンツを指定するラベルを使って修正できる出力を生成することができた。 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。 CVAEはダンジョンのドア配置とプラットフォームレベルの進行方向を確実に制御できることを示す。 したがって, 適切なラベルを用いることで, ダンジョン全体と相互接続された部屋とセグメントのプラットフォームレベル, ダンジョンとプラットフォームをブレンドするレベルを生成することができる。 The Legend of Zelda, Metroid, Mega Man, Lode Runnerを使って,私たちのアプローチを実演します。

関連論文リスト

• GALA3D: Towards Text-to-3D Complex Scene Generation via Layout-guided Generative Gaussian Splatting [52.150502668874495]
  GALA3D, GALA3D, 生成3D GAussian, LAyout-guided control, for effective compositional text-to-3D generation。 GALA3Dは、最先端のシーンレベルの3Dコンテンツ生成と制御可能な編集のための、ユーザフレンドリーでエンドツーエンドのフレームワークである。
  論文  参考訳（メタデータ） (2024-02-11T13:40:08Z)
• CommonScenes: Generating Commonsense 3D Indoor Scenes with Scene Graph Diffusion [83.30168660888913]
  シーングラフを対応する制御可能な3Dシーンに変換する完全生成モデルであるCommonScenesを提案する。 パイプラインは2つのブランチで構成されており、1つは変分オートエンコーダでシーン全体のレイアウトを予測し、もう1つは互換性のある形状を生成する。 生成されたシーンは、入力シーングラフを編集し、拡散モデルのノイズをサンプリングすることで操作することができる。
  論文  参考訳（メタデータ） (2023-05-25T17:39:13Z)
• Multi-Game Decision Transformers [49.257185338595434]
  そこで本研究では,1つのトランスフォーマーモデルを用いて,最大46個のAtariゲーム群を,人間に近いパフォーマンスで同時にプレイ可能であることを示す。 オンラインやオフラインのRL手法や行動クローンなど,マルチゲーム設定におけるいくつかのアプローチを比較した。 マルチゲーム決定変換モデルは、最高のスケーラビリティとパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2022-05-30T16:55:38Z)
• Illuminating the Space of Dungeon Maps, Locked-door Missions and Enemy Placement Through MAP-Elites [0.0]
  本稿ではMAP-Elites集団を組み込んだ進化的ダンジョン発生器の拡張版を紹介する。 我々のダンジョンレベルは、室内に鍵を掛けたミッションや敵がいるかもしれない部屋と区別される。 ミッションの実現性を確保するため、木構造を通してダンジョンをエンコードしました。
  論文  参考訳（メタデータ） (2022-02-18T17:06:04Z)
• AniFormer: Data-driven 3D Animation with Transformer [95.45760189583181]
  そこで本研究では,ターゲット3Dオブジェクトを原駆動シーケンスの動作によってアニメーションする,新しいタスクを提案する。 AniFormerは、生の駆動シーケンスと任意の同じタイプのターゲットメッシュを直接入力として取り込んでアニメーション3Dシーケンスを生成する。 我々のAniFormerは、様々なカテゴリのベンチマークにおいて、高忠実で、現実的で、時間的に一貫性のあるアニメーション結果を実現し、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-10-20T12:36:55Z)
• 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)
• Generating and Blending Game Levels via Quality-Diversity in the Latent Space of a Variational Autoencoder [7.919213739992465]
  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。
  論文  参考訳（メタデータ） (2021-02-24T18:44:23Z)
• Reducing the Annotation Effort for Video Object Segmentation Datasets [50.893073670389164]
  ピクセルマスクでフレームを密にラベル付けしても 大規模なデータセットにはスケールしない 我々は、より安価なバウンディングボックスアノテーションからピクセルレベルで擬似ラベルを自動生成するために、深層畳み込みネットワークを使用します。 我々は新しいTAO-VOSベンチマークを取得し、www.vision.rwth-aachen.de/page/taovosで公開している。
  論文  参考訳（メタデータ） (2020-11-02T17:34:45Z)
• 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)
• 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。