Fugu-MT 論文翻訳(概要): tile2tile: Learning Game Filters for Platformer Style Transfer

論文の概要: tile2tile: Learning Game Filters for Platformer Style Transfer

arxiv url: http://arxiv.org/abs/2208.07699v1
Date: Mon, 15 Aug 2022 15:19:10 GMT
ステータス: 処理完了
システム内更新日: 2022-08-17 12:41:28.639415
Title: tile2tile: Learning Game Filters for Platformer Style Transfer
Title（参考訳）: tile2tile: プラットフォームスタイル転送のための学習ゲームフィルタ
Authors: Anurag Sarkar, Seth Cooper
Abstract要約: tile2tileは、タイルベースのゲームのレベル間のスタイル転送のアプローチである。本手法は,各ゲームにおいて,タイル割当に基づく低解像度スケッチ表現から元のタイル表現にレベルを変換する学習モデルを含む。
参考スコア（独自算出の注目度）: 5.33024001730262
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present tile2tile, an approach for style transfer between levels of tile-based platformer games. Our method involves training models that translate levels from a lower-resolution sketch representation based on tile affordances to the original tile representation for a given game. This enables these models, which we refer to as filters, to translate level sketches into the style of a specific game. Moreover, by converting a level of one game into sketch form and then translating the resulting sketch into the tiles of another game, we obtain a method of style transfer between two games. We use Markov random fields and autoencoders for learning the game filters and apply them to demonstrate style transfer between levels of Super Mario Bros, Kid Icarus, Mega Man and Metroid.
Abstract（参考訳）: タイルベースのプラットフォームゲームのレベル間のスタイル転送手法である tile2tile を提案する。本手法は,各ゲームにおいて,タイル割当に基づく低解像度スケッチ表現から元のタイル表現にレベルを変換する学習モデルを含む。これにより、これらのモデルをフィルタと呼び、レベルスケッチを特定のゲームのスタイルに変換することができる。さらに,あるゲームのレベルをスケッチ形式に変換し,得られたスケッチを別のゲームのタイルに変換することによって,2つのゲーム間のスタイル転送方法を得る。ゲームフィルタを学習するためにマルコフ確率場とオートエンコーダを使用し、スーパーマリオブラザーズ、キッドイカルス、メガマン、メトロイドのレベル間のスタイル転送をデモします。

関連論文リスト

Game Level Blending using a Learned Level Representation [3.3946853660795884]
本稿では,クラスタリングに基づくタイル埋め込み(CTE)を利用したゲームレベルのブレンディング手法を提案する。 CTEは、ゲームレベルのタイルを連続ベクトル表現として表現し、視覚的、文脈的、行動的な情報を統一する。我々はこのアプローチを2つのクラシックゲーム、Lode RunnerとThe Legend of Zeldaに適用する。
論文参考訳（メタデータ） (2023-06-29T03:55:09Z)
A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive Learning [84.8813842101747]
Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
論文参考訳（メタデータ） (2023-03-09T04:35:00Z)
Clustering-based Tile Embedding (CTE): A General Representation for Level Design with Skewed Tile Distributions [0.9645196221785693]
本稿では,Clustering-based Tile Embedding (CTE) と呼ばれるタイルの埋め込み表現について述べる。連続的なCTE表現を識別するためにクラスタリングを採用し、これら2つの表現を活用するために新しい2段階のレベル生成を提案する。そこで本研究では,スキュータイル分布を持つゲームや未確認ゲームに対して,本手法の有効性を評価し,元のタイル埋め込みよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-10-23T17:10:42Z)
Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,スタイル分布を効果的に学習するためのドメイン拡張モジュール,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
論文参考訳（メタデータ） (2022-05-19T13:11:24Z)
Interactive Style Transfer: All is Your Palette [74.06681967115594]
本稿では,ユーザが対話的に調和したスタイルのイメージを作成できる,図形的な対話型スタイル転送(IST)手法を提案する。私たちのISTメソッドは、どこからでもブラシやディップスタイルとして機能し、ターゲットのコンテンツイメージの任意の領域にペイントします。
論文参考訳（メタデータ） (2022-03-25T06:38:46Z)
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)
Drafting and Revision: Laplacian Pyramid Network for Fast High-Quality Artistic Style Transfer [115.13853805292679]
アートスタイルの転送は、サンプルイメージからコンテンツイメージへのスタイルの移行を目的としている。図案作成と細部改訂の共通画法に触発されて,ラプラシアンピラミッドネットワーク(LapStyle)という新しいフィードフォワード方式を導入する。本手法は, 定型的パターンを適切に伝達した高品質なスタイリズド画像をリアルタイムで合成する。
論文参考訳（メタデータ） (2021-04-12T11:53:53Z)
AniGAN: Style-Guided Generative Adversarial Networks for Unsupervised Anime Face Generation [84.52819242283852]
本稿では,肖像画をアニメ化するための新しい枠組みを提案する。私たちの目標は、特定の参照アニメフェイスとスタイル一貫性のあるアニメフェイスを合成することです。既存の方法は、しばしば参照アニメフェイスのスタイルを転送したり、生成された顔の局所的な形状に顕著なアーティファクトや歪みを導入することに失敗する。
論文参考訳（メタデータ） (2021-02-24T22:47:38Z)
3DSNet: Unsupervised Shape-to-Shape 3D Style Transfer [66.48720190245616]
本稿では,3次元オブジェクト間のスタイル伝達のための学習に基づくアプローチを提案する。提案手法は点雲とメッシュの両方で新しい3次元形状を合成することができる。選択したドメインのマルチモーダルなスタイル分布を暗黙的に学習するために,我々の手法を拡張した。
論文参考訳（メタデータ） (2020-11-26T16:59:12Z)
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)

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。