論文の概要: Hierarchically Composing Level Generators for the Creation of Complex
Structures
- arxiv url: http://arxiv.org/abs/2302.01561v1
- Date: Fri, 3 Feb 2023 06:08:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 17:13:36.432049
- Title: Hierarchically Composing Level Generators for the Creation of Complex
Structures
- Title(参考訳): 複雑構造構築のための階層的レベルジェネレータの構成
- Authors: Michael Beukman, Manuel Fokam, Marcel Kruger, Guy Axelrod, Muhammad
Nasir, Branden Ingram, Benjamin Rosman, Steven James
- Abstract要約: 本稿では, 単純で低レベルなジェネレータを結合して構成し, 大規模かつ複雑な生成を行う構成レベル生成手法を提案する。
提案手法は,複数のタスクにおいて,設計者の機能要件をより正確に満たし,非構成ベースラインよりも優れていることを実証的に実証する。
- 参考スコア(独自算出の注目度): 9.073637457818835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Procedural content generation (PCG) is a growing field, with numerous
applications in the video game industry, and great potential to help create
better games at a fraction of the cost of manual creation. However, much of the
work in PCG is focused on generating relatively straightforward levels in
simple games, as it is challenging to design an optimisable objective function
for complex settings. This limits the applicability of PCG to more complex and
modern titles, hindering its adoption in industry. Our work aims to address
this limitation by introducing a compositional level generation method, which
recursively composes simple, low-level generators together to construct large
and complex creations. This approach allows for easily-optimisable objectives
and the ability to design a complex structure in an interpretable way by
referencing lower-level components. We empirically demonstrate that our method
outperforms a non-compositional baseline by more accurately satisfying a
designer's functional requirements in several tasks. Finally, we provide a
qualitative showcase (in Minecraft) illustrating the large and complex, but
still coherent, structures that were generated using simple base generators.
- Abstract(参考訳): プロシージャコンテンツ生成(PCG)は成長する分野であり、ビデオゲーム業界で多くの応用が見られ、手作業で作成するコストのごく一部でより良いゲームを作成するのに大いに役立つ。
しかし、pcgの作業の多くは、複雑な設定のために最適化可能な客観的関数を設計することが難しいため、単純なゲームで比較的単純なレベルを生成することに集中している。
これはPCGの適用性をより複雑で現代的なタイトルに制限し、業界における採用を妨げる。
本研究の目的は, 構成レベル生成手法を導入し, 単純で低レベルなジェネレータを再帰的に構成し, 大規模かつ複雑な生成物を構築することである。
このアプローチは、容易に最適化可能な目的と、低レベルのコンポーネントを参照することで、解釈可能な方法で複雑な構造を設計する能力を可能にする。
提案手法は,複数のタスクにおいて設計者の機能要件をより正確に満たし,非構成ベースラインよりも優れていることを示す。
最後に、簡単なベースジェネレータを用いて生成された、巨大で複雑な、しかしまだ一貫性のある構造を描写した質的なショーケース(Minecraft)を提供する。
関連論文リスト
- EpiCoder: Encompassing Diversity and Complexity in Code Generation [49.170195362149386]
抽象構文木(AST)にヒントを得た新しい特徴木ベース合成フレームワークを提案する。
コードの構文構造をキャプチャするASTとは異なり、私たちのフレームワークはコード要素間のセマンティックな関係をモデル化します。
広く使われているベースモデルを微調整してEpiCoderシリーズを作成し、関数レベルとファイルレベルの両方で最先端のパフォーマンスを実現しました。
論文 参考訳(メタデータ) (2025-01-08T18:58:15Z) - Proc-GS: Procedural Building Generation for City Assembly with 3D Gaussians [65.09942210464747]
資産の創出は労働集約的であり、設計ルールを開発するには専門的なスキルが必要である。
作成のための最近の生成モデルは、しばしばこれらのパターンを見落とし、視覚的忠実度が低く、スケーラビリティが制限される。
手続き的なコードを操作することで、このプロセスを合理化し、無限に多様な建物を生成することができます。
論文 参考訳(メタデータ) (2024-12-10T16:45:32Z) - HiVeGen -- Hierarchical LLM-based Verilog Generation for Scalable Chip Design [55.54477725000291]
HiVeGenは階層的なVerilog生成フレームワークで、生成タスクを階層的なサブモジュールに分解する。
自動設計空間探索(DSE)を階層対応のプロンプト生成に変換し、コードの再利用を強化するために重みに基づく検索を導入する。
エラー補正コストを低減し、生成した設計の質を大幅に向上させる。
論文 参考訳(メタデータ) (2024-12-06T19:37:53Z) - TaCIE: Enhancing Instruction Comprehension in Large Language Models through Task-Centred Instruction Evolution [27.949846287419998]
TaCIEは、単に進化したシード命令から、よりダイナミックで包括的な要素の組み合わせへと、命令の進化を再定義する。
複数の領域にまたがってTaCIEを適用することで、これらの進化した命令で微調整されたLLMは、従来の手法で調整された命令よりも大幅に性能が向上した。
論文 参考訳(メタデータ) (2024-09-18T10:06:28Z) - SceneX: Procedural Controllable Large-scale Scene Generation [52.4743878200172]
本稿では,デザイナーのテキスト記述に従って高品質な手続きモデルを自動生成するSceneXを紹介する。
提案手法はPCGHubとPCGPlannerの2つのコンポーネントからなる。
後者の目的は、Blenderがユーザの指示によって誘導される制御可能で正確な3Dアセットを生成するために実行可能なアクションを生成することである。
論文 参考訳(メタデータ) (2024-03-23T03:23:29Z) - CoCoST: Automatic Complex Code Generation with Online Searching and Correctness Testing [51.00909683314142]
大規模言語モデルは、自然言語記述を実行可能なコードに変換することによって、コード生成能力に革命をもたらした。
CoCoSTフレームワークは、オンライン検索によって複雑なコード生成を強化する。
CoCoSTはDS-1000とClassEvalデータセットの厳密な実験によって検証される。
論文 参考訳(メタデータ) (2024-03-20T13:33:55Z) - Parrot Mind: Towards Explaining the Complex Task Reasoning of Pretrained Large Language Models with Template-Content Structure [66.33623392497599]
テンプレート・コンテント構造(T-C構造)と呼ばれる構造は指数レベルから線形レベルへの可能な空間を減少させることができることを示す。
モデルがタスク構成を達成でき、線形から対数への学習に必要なスペースをさらに削減できることを実証する。
論文 参考訳(メタデータ) (2023-10-09T06:57:45Z) - Chimera: A Hybrid Machine Learning Driven Multi-Objective Design Space
Exploration Tool for FPGA High-Level Synthesis [11.128278223431805]
高レベル合成(HLS)ツールはFPGAのハードウェア設計を単純化するために開発された。
高いパフォーマンスを達成するためにこれらの最適化を適用するのには時間がかかり、通常は専門家の知識が必要です。
本稿では,HLS最適化ディレクティブを応用した自動設計空間探索ツールChimeraを提案する。
論文 参考訳(メタデータ) (2022-07-03T21:13:55Z)
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。