論文の概要: Controllable Path of Destruction
- arxiv url: http://arxiv.org/abs/2305.18553v2
- Date: Wed, 31 May 2023 18:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 11:10:56.047123
- Title: Controllable Path of Destruction
- Title（参考訳）: 破壊の制御可能な経路
- Authors: Matthew Siper, Sam Earle, Zehua Jiang, Ahmed Khalifa, Julian Togelius
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.791285538179053
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Path of Destruction (PoD) is a self-supervised method for learning iterative
generators. The core idea is to produce a training set by destroying a set of
artifacts, and for each destructive step create a training instance based on
the corresponding repair action. A generator trained on this dataset can then
generate new artifacts by repairing from arbitrary states. The PoD method is
very data-efficient in terms of original training examples and well-suited to
functional artifacts composed of categorical data, such as game levels and
discrete 3D structures. In this paper, we extend the Path of Destruction method
to allow designer control over aspects of the generated artifacts.
Controllability is introduced by adding conditional inputs to the state-action
pairs that make up the repair trajectories. We test the controllable PoD method
in a 2D dungeon setting, as well as in the domain of small 3D Lego cars.
- Abstract（参考訳）: 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。
基本的な考え方は、一連のアーティファクトを破壊してトレーニングセットを作成し、破壊的なステップ毎に、対応する修復アクションに基づいてトレーニングインスタンスを作成することだ。
このデータセットでトレーニングされたジェネレータは、任意の状態から修復することで新しいアーティファクトを生成することができる。
PoD法は非常にデータ効率が良く、ゲームレベルや離散3D構造などのカテゴリデータからなる機能的アーティファクトに適している。
本稿では,生成したアーティファクトの側面を設計者が制御できるように,破壊の経路を拡張する。
制御性は、修復軌道を構成する状態-作用対に条件入力を追加することによって導入される。
2dダンジョンの設定で制御可能なpodメソッドをテストし、また小さな3dレゴカーの領域でテストした。
関連論文リスト
- LISO: Lidar-only Self-Supervised 3D Object Detection [25.420879730860936]
本稿では,SOTAライダーオブジェクト検出ネットワークを学習するための新しい自己教師手法を提案する。
これはライダー点雲のラベルなし列にのみ作用する。
ボンネット下のSOTA自監督ライダーシーンフローネットワークを利用して、疑似地上真実を生成し、追跡し、反復的に洗練する。
論文 参考訳（メタデータ） (2024-03-11T18:02:52Z) - Unsupervised Roofline Extraction from True Orthophotos for LoD2 Building
Model Reconstruction [0.0]
本稿では,LoD2 レベルでの建築モデル再構築のためのライン検出手法として,真正正光線から屋根線を抽出する方法を提案する。
本手法は, 既設の平面検出法や最先端の深層学習法よりも, 再建された建物の精度と完全性において優れている。
論文 参考訳（メタデータ） (2023-10-02T10:23:08Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - Farm3D: Learning Articulated 3D Animals by Distilling 2D Diffusion [67.71624118802411]
本稿では,カテゴリー固有の3D再構成器の学習方法であるFarm3Dについて述べる。
本稿では,Stable Diffusion などの画像生成装置を用いて,合成学習データを生成するフレームワークを提案する。
我々のネットワークは、単分子再構成や合成などの分析に利用でき、ビデオゲームのようなリアルタイムアプリケーションのための音響資産を生成することができる。
論文 参考訳（メタデータ） (2023-04-20T17:59:34Z) - Learnable Earth Parser: Discovering 3D Prototypes in Aerial Scans [20.030706182672144]
そこで本研究では,現実のシーンの大規模な3次元スキャンを,容易に解釈可能な形状で解析するための教師なし手法を提案する。
提案手法は,入力された3次元点群を学習された3次元形状の小さな集合に分解する確率的再構成モデルに基づく。
実世界の様々なシナリオから得られた7つの大型LiDARスキャンのデータセット上で,本モデルの有用性を実証する。
論文 参考訳（メタデータ） (2023-04-19T14:49:31Z) - Weakly Supervised Monocular 3D Object Detection using Multi-View
Projection and Direction Consistency [78.76508318592552]
モノクロ3Dオブジェクト検出は、その容易なアプリケーションのための自動駆動において、主流のアプローチとなっている。
現在のほとんどの方法は、トレーニングフェーズで使用される真実をラベル付けするために、まだ3Dポイントのクラウドデータに依存しています。
画像にマークされた2次元ラベルだけでモデルを訓練できる,弱教師付きモノクル3次元オブジェクト検出法を提案する。
論文 参考訳（メタデータ） (2023-03-15T15:14:00Z) - Unsupervised Learning of Efficient Geometry-Aware Neural Articulated
Representations [89.1388369229542]
本稿では,3次元幾何認識による音声オブジェクトの表現学習のための教師なし手法を提案する。
私たちは、GANトレーニングで表現を学ぶことで、このニーズを回避します。
実験は,本手法の有効性を実証し,GANに基づくトレーニングにより,制御可能な3次元表現を,監督なしで学習できることを示す。
論文 参考訳（メタデータ） (2022-04-19T12:10:18Z) - Path of Destruction: Learning an Iterative Level Generator Using a Small
Dataset [7.110423254122942]
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。
論文 参考訳（メタデータ） (2022-02-21T12:51:38Z) - 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D
Object Detection [111.32054128362427]
安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。
トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。
我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
論文 参考訳（メタデータ） (2021-12-09T08:50:54Z) - ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection [78.71826145162092]
点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。
当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
論文 参考訳（メタデータ） (2021-03-09T10:51:24Z)
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。