論文の概要: Level generation and style enhancement -- deep learning for game development overview

• arxiv url: http://arxiv.org/abs/2107.07397v1
• Date: Thu, 15 Jul 2021 15:24:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-16 14:00:29.975129
• Title: Level generation and style enhancement -- deep learning for game development overview
• Title（参考訳）: レベル生成とスタイル強化 -- ゲーム開発概要のためのディープラーニング
• Authors: Piotr Migda{\l}, Bart{\l}omiej Olechno, B{\l}a\.zej Podg\'orski
• Abstract要約: 統計的手法,機械学習,あるいはディープラーニングを用いて,レベルマップを作成するための7つのアプローチを提案する。 我々はゲーム開発者とレベルアーティストに新たな可能性を示すことを目指している。
• 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: We present practical approaches of using deep learning to create and enhance level maps and textures for video games -- desktop, mobile, and web. We aim to present new possibilities for game developers and level artists. The task of designing levels and filling them with details is challenging. It is both time-consuming and takes effort to make levels rich, complex, and with a feeling of being natural. Fortunately, recent progress in deep learning provides new tools to accompany level designers and visual artists. Moreover, they offer a way to generate infinite worlds for game replayability and adjust educational games to players' needs. We present seven approaches to create level maps, each using statistical methods, machine learning, or deep learning. In particular, we include: - Generative Adversarial Networks for creating new images from existing examples (e.g. ProGAN). - Super-resolution techniques for upscaling images while preserving crisp detail (e.g. ESRGAN). - Neural style transfer for changing visual themes. - Image translation - turning semantic maps into images (e.g. GauGAN). - Semantic segmentation for turning images into semantic masks (e.g. U-Net). - Unsupervised semantic segmentation for extracting semantic features (e.g. Tile2Vec). - Texture synthesis - creating large patterns based on a smaller sample (e.g. InGAN).
• Abstract（参考訳）: 本稿では,デスクトップ,モバイル,ウェブといったビデオゲームのレベルマップとテクスチャの作成と強化にディープラーニングを用いる実践的アプローチを提案する。 我々はゲーム開発者とレベルアーティストに新しい可能性を提案することを目指している。 レベルを設計し、詳細を埋める作業は難しいです。 時間を消費し、レベルを豊かにし、複雑にし、自然に感じられるように努力する。 幸いなことに、ディープラーニングの最近の進歩は、レベルデザイナーやビジュアルアーティストに付随する新しいツールを提供する。 さらに、ゲーム再生性のための無限の世界を生成し、プレイヤーのニーズに合わせて教育ゲームを調整する方法を提供する。 統計的手法,機械学習,あるいはディープラーニングを用いて,レベルマップを作成するための7つのアプローチを提案する。 特に, 既存の例(例えば)から新しい画像を生成するための生成型adversarial network。 ProGAN)。 -明細を保ちながら画像をアップスケールする超解像技術(例) ESRGAN)。 -視覚テーマ変更のためのニューラルスタイル転送。 -画像翻訳-意味地図を画像に変換する(例) ゴーガン)。 -イメージを意味マスクに変換する意味セグメンテーション(例) U-Net)。 -意味的特徴抽出のための教師なし意味セグメンテーション(例) Tile2Vec)。 -テクスチャ合成 - 小さいサンプル(例)に基づいて大きなパターンを作成する。 GAN)。

関連論文リスト

• PixWizard: Versatile Image-to-Image Visual Assistant with Open-Language Instructions [66.92809850624118]
  PixWizardは、画像生成、操作、翻訳を自由言語命令に基づいて行うために設計されたイメージ・ツー・イメージのビジュアルアシスタントである。 我々は、様々な視覚タスクを統一された画像テキスト・画像生成フレームワークに取り組み、Omni Pixel-to-Pixel Instruction-Tuningデータセットをキュレートする。 我々の実験は、PixWizardが様々な解像度の画像に対して印象的な生成能力と理解能力を示すだけでなく、目に見えないタスクや人間の指示で有望な一般化能力を示すことを示した。
  論文  参考訳（メタデータ） (2024-09-23T17:59:46Z)
• TextureDreamer: Image-guided Texture Synthesis through Geometry-aware Diffusion [64.49276500129092]
  TextureDreamerは画像誘導型テクスチャ合成法である。 少数の入力画像から任意のカテゴリでターゲットの3D形状に光沢のあるテクスチャを転送することができる。
  論文  参考訳（メタデータ） (2024-01-17T18:55:49Z)
• Stroke-based Rendering: From Heuristics to Deep Learning [0.17188280334580194]
  近年のディープラーニング手法の発展は,ストロークベースの絵画と画素写真生成のギャップを埋めるのに役立つ。 我々は,ストロークベースのレンダリングアルゴリズムにおける共通課題とアプローチについて,構造化された紹介と理解を提供することを目指している。
  論文  参考訳（メタデータ） (2022-12-30T05:34:54Z)
• Looks Like Magic: Transfer Learning in GANs to Generate New Card Illustrations [5.006086647446482]
  MTGという名の新しいデータセットを導入し、多様なカードタイプから数千のイラストを出し、メタデータが豊富です。 我々は、DCGANのような単純なモデルでは、任意の設定で適切な図形を生成することを学べないことを示す。 StyleGan2の事前訓練済みの機能がターゲットドメインにどの程度転送できるかを理解するために実験を行う。
  論文  参考訳（メタデータ） (2022-05-28T14:02:09Z)
• A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
  本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。 シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。 我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-12-09T18:59:21Z)
• Fully Context-Aware Image Inpainting with a Learned Semantic Pyramid [102.24539566851809]
  画像中の任意の欠落する領域に対して、合理的で現実的なコンテンツを復元することは、重要な課題である。 最近の画像インパインティングモデルは鮮明な視覚的詳細を生成するために大きな進歩を遂げているが、それでもテクスチャのぼやけや構造的歪みにつながる可能性がある。 本研究では,画像中の局所的欠落コンテンツの回復に大きく貢献する,多スケールなセマンティック・セマンティック・ピラミッド・ネットワーク(SPN)を提案する。
  論文  参考訳（メタデータ） (2021-12-08T04:33:33Z)
• Tile Embedding: A General Representation for Procedural Level Generation via Machine Learning [1.590611306750623]
  タイルをベースとした2Dゲームのための,統一的で手頃な表現であるタイル埋め込みを提案する。 我々は、既存の人間の注釈付きゲームからタイルの視覚的および意味的な情報に基づいて訓練されたオートエンコーダを採用する。 我々は、この表現を、目に見えないタイルの余裕を予測し、注釈付きゲームや注釈なしゲームのためのPLGML表現として機能する能力に基づいて評価する。
  論文  参考訳（メタデータ） (2021-10-07T04:48:48Z)
• Context-Aware Image Inpainting with Learned Semantic Priors [100.99543516733341]
  欠落した内容を推定するために意味的に意味のある前文タスクを導入する。 本研究では,グローバルなセマンティクスと局所的な特徴を適応的に統合した文脈認識型画像インパインティングモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-14T08:09:43Z)
• MarioNette: Self-Supervised Sprite Learning [67.51317291061115]
  反復要素のグラフィカルな非絡み合い表現を得るための深層学習手法を提案する。 テクスチャパッチの辞書を共同で学習し,それらをキャンバスに配置するネットワークを訓練することにより,スプライトベースのコンテンツをスパースで一貫性があり,解釈可能な表現に効果的に分解する。
  論文  参考訳（メタデータ） (2021-04-29T17:59:01Z)
• Learning to Generate Levels From Nothing [5.2508303190856624]
  演奏レベルを設計するジェネレーティブ・プレイング・ネットワークを提案する。 このアルゴリズムは、ゲームのレベルを学習するエージェントと、プレイ可能なレベルの分布を学習するジェネレータの2つの部分で構成されている。 本研究では,2次元ダンジョンクローラゲームにおけるエージェントとレベルジェネレータの訓練により,このフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2020-02-12T22:07:23Z)

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。