論文の概要: Mario Plays on a Manifold: Generating Functional Content in Latent Space through Differential Geometry

• arxiv url: http://arxiv.org/abs/2206.00106v1
• Date: Tue, 31 May 2022 20:39:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-03 10:58:43.612025
• Title: Mario Plays on a Manifold: Generating Functional Content in Latent Space through Differential Geometry
• Title（参考訳）: マリオがマニフォールドで演奏する:微分幾何学による潜在空間の機能的内容の生成
• Authors: Miguel Gonz\'alez-Duque, Rasmus Berg Palm, S{\o}ren Hauberg, Sebastian Risi
• Abstract要約: 本稿では,カテゴリVAEの潜在空間における信頼度とランダムウォークの手法を提案する。 われわれはスーパーマリオブラザーズ』と『ゼルダ伝説』でテストを行った。 その結果、我々が提案する幾何学は補間とサンプリングがより良くなり、再生可能なコンテンツにデコードする潜在空間の一部に確実に近づいた。
• 参考スコア（独自算出の注目度）: 7.863826008567604
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep generative models can automatically create content of diverse types. However, there are no guarantees that such content will satisfy the criteria necessary to present it to end-users and be functional, e.g. the generated levels could be unsolvable or incoherent. In this paper we study this problem from a geometric perspective, and provide a method for reliable interpolation and random walks in the latent spaces of Categorical VAEs based on Riemannian geometry. We test our method with "Super Mario Bros" and "The Legend of Zelda" levels, and against simpler baselines inspired by current practice. Results show that the geometry we propose is better able to interpolate and sample, reliably staying closer to parts of the latent space that decode to playable content.
• Abstract（参考訳）: 深層生成モデルは、様々なタイプのコンテンツを自動的に生成することができる。 しかし、そのようなコンテンツがエンドユーザに提示するために必要な基準を満たし、機能的であるという保証はない。 本稿では,この問題を幾何学的な観点から検討し,リーマン幾何学に基づく圏 vaes の潜在空間における信頼性の高い補間とランダムウォークの方法を提案する。 我々は,「スーパーマリオブラザーズ」と「ゼルダ伝説」で手法を検証し,現在の実践にインスパイアされたシンプルなベースラインに対して実験を行った。 その結果、我々が提案する幾何学は補間とサンプリングがより良くなり、再生可能なコンテンツにデコードする潜在空間の一部に確実に近づいた。

関連論文リスト

• Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
  我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。 本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:56:56Z)
• Unsupervised Representation Learning for Diverse Deformable Shape Collections [30.271818994854353]
  本稿では,3次元表面メッシュを符号化し,操作するための新しい学習手法を提案する。 本手法は,変形可能な形状収集のための解釈可能な埋め込み空間を作成するために設計されている。
  論文  参考訳（メタデータ） (2023-10-27T13:45:30Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation with Fine-Grained Geometry [92.24144643757963]
  3D屋内シーンは、インテリアデザインからゲーム、バーチャルおよび拡張現実に至るまで、コンピュータグラフィックスで広く使われている。 高品質な3D屋内シーンは、専門知識が必要であり、手動で高品質な3D屋内シーンを設計するのに時間を要する。 SCENEHGNは3次元屋内シーンの階層的なグラフネットワークであり,部屋レベルからオブジェクトレベルまでの全階層を考慮し,最後にオブジェクト部分レベルに展開する。 提案手法は, 立体形状の細かな家具を含む, 可塑性3次元室内容を直接生成し, 直接的に生成することができる。
  論文  参考訳（メタデータ） (2023-02-16T15:31:59Z)
• On Linking Level Segments [3.04585143845864]
  本稿では,マルコフ連鎖と木探索アルゴリズムを用いて,2つのレベルセグメント間のリンクを探索する。 この方法はセグメント間のリンクを確実に見つけ、デザイナのニーズを満たすようにカスタマイズできる。
  論文  参考訳（メタデータ） (2022-03-09T21:32:41Z)
• Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
  本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。 純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。 また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:03Z)
• Hybrid Encoding For Generating Large Scale Game Level Patterns With Local Variations Using a GAN [5.144809478361604]
  我々はまずCPPNを進化させる新しいハイブリッドアプローチを提案するが、遅延ベクトルは後に進化し、両方のアプローチの利点を組み合わせることができる。 これらのアプローチはスーパーマリオブラザーズとゼルダの伝説で評価されている。
  論文  参考訳（メタデータ） (2021-05-27T06:27:19Z)
• Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
  適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
  論文  参考訳（メタデータ） (2021-02-11T18:52:08Z)
• 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)
• Deep Geometric Texture Synthesis [83.9404865744028]
  幾何学的テクスチャを合成するための新しい枠組みを提案する。 単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。 我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
  論文  参考訳（メタデータ） (2020-06-30T19:36:38Z)
• Capturing Local and Global Patterns in Procedural Content Generation via Machine Learning [9.697217570243845]
  機械学習(PCGML)法による最近の手続き的コンテンツ生成により、学習者は既存のコンテンツから類似したコンテンツを生成することができる。 これらのアプローチが対称性のような大規模な視覚パターンをどの程度うまく捉えることができるかは、オープンな疑問である。 本稿では,PCGMLアルゴリズムが適切なパターンを生成する能力について,その領域として3つのゲームにマッチする手法を提案する。
  論文  参考訳（メタデータ） (2020-05-26T08:58:37Z)

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。