論文の概要: Path of Destruction: Learning an Iterative Level Generator Using a Small
Dataset
- arxiv url: http://arxiv.org/abs/2202.10184v1
- Date: Mon, 21 Feb 2022 12:51:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-22 16:26:09.552807
- Title: Path of Destruction: Learning an Iterative Level Generator Using a Small
Dataset
- Title(参考訳): 破壊の道:小さなデータセットを用いた反復レベルジェネレータの学習
- Authors: Matthew Siper, Ahmed Khalifa, Julian Togelius
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.110423254122942
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new procedural content generation method which learns iterative
level generators from a dataset of existing levels. The Path of Destruction
method, as we call it, views level generation as repair; levels are created by
iteratively repairing from a random starting state. The first step is to
generate an artificial dataset from the original set of levels by introducing
many different sequences of mutations to existing levels. In the generated
dataset, features are observations of destroyed levels and targets are the
specific actions that repair the mutated tile in the middle of the
observations. Using this dataset, a convolutional network is trained to map
from observations to their respective appropriate repair actions. The trained
network is then used to iteratively produce levels from random starting states.
We demonstrate this method by applying it to generate unique and playable
tile-based levels for several 2D games (Zelda, Danger Dave, and Sokoban) and
vary key hyperparameters.
- Abstract(参考訳): 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。
破壊の経路(Path of Destruction)と呼ばれる手法は、ランダムな開始状態から繰り返し修復することで、レベル生成を修復と見なす。
最初のステップは、既存のレベルに多くの異なる突然変異列を導入することで、元のレベルから人工データセットを生成することである。
生成されたデータセットでは、特徴は破壊されたレベルの観測であり、ターゲットは観測の途中で変異したタイルを修復する特定のアクションである。
このデータセットを使用して、畳み込みネットワークは、観測から適切な修復行動にマップするように訓練される。
トレーニングされたネットワークは、ランダムな開始状態からレベルを反復的に生成するために使用される。
本手法は,いくつかの2Dゲーム(ゼルダ,ダンガー・デイブ,ソコバン)に対して一意かつプレイ可能なタイルベースレベルを生成し,キーハイパーパラメータを変化させることによって実証する。
関連論文リスト
- Background Activation Suppression for Weakly Supervised Object
Localization and Semantic Segmentation [84.62067728093358]
弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。
画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。
本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
論文 参考訳(メタデータ) (2023-09-22T15:44:10Z) - Controllable Path of Destruction [5.791285538179053]
Path of Destruction (PoD) は反復ジェネレータを学習するための自己教師型手法である。
生成したアーティファクトの側面をデザイナが制御できるように,PoD法を拡張した。
制御可能なPoD法を2Dダンジョン設定および小型3Dレゴ車の領域でテストする。
論文 参考訳(メタデータ) (2023-05-29T18:29:29Z) - Generalizing Dataset Distillation via Deep Generative Prior [75.9031209877651]
本稿では,データセット全体の知識をいくつかの合成画像に抽出することを提案する。
このアイデアは、学習アルゴリズムにトレーニングデータとして与えられる少数の合成データポイントを合成し、結果として元のデータに基づいてトレーニングされたデータを近似するモデルを構築する。
生成モデルの潜在空間における複数の中間特徴ベクトルに多数の画像を蒸留する新しい最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-02T17:59:31Z) - Density Map Distillation for Incremental Object Counting [37.982124268097]
インクリメンタルなオブジェクトカウントに対するナイーブなアプローチは、破滅的な忘れ込みに悩まされ、以前のタスクに対する劇的なパフォーマンス低下に悩まされる。
密度マップ蒸留法 (DMD) と呼ばれる, 先例のない関数正規化手法を提案する。
トレーニング中,各タスクに新しいカウンタヘッドを導入し,従来のタスクを忘れないように蒸留損失を導入する。
論文 参考訳(メタデータ) (2023-04-11T14:46:21Z) - Primitive3D: 3D Object Dataset Synthesis from Randomly Assembled
Primitives [44.03149443379618]
アノテーションで大量の3Dオブジェクトを自動生成するコスト効率のよい手法を提案する。
これらのオブジェクトはプリミティブから派生した部分ラベルで自動アノテーションされる。
生成したデータセットに対する学習のオーバーヘッドが大きいことを考慮し,データセットの蒸留戦略を提案する。
論文 参考訳(メタデータ) (2022-05-25T10:07:07Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳(メタデータ) (2021-07-07T11:43:59Z) - Level Generation for Angry Birds with Sequential VAE and Latent Variable
Evolution [25.262831218008202]
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。
論文 参考訳(メタデータ) (2021-04-13T11:23:39Z) - Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。
本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
論文 参考訳(メタデータ) (2021-04-07T05:42:11Z) - Data Augmentation for Object Detection via Differentiable Neural
Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。
この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。
オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文 参考訳(メタデータ) (2021-03-04T06:31:06Z) - JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。
本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
論文 参考訳(メタデータ) (2020-04-07T14:59:35Z) - 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。