論文の概要: Game Level Blending using a Learned Level Representation

• arxiv url: http://arxiv.org/abs/2306.16666v1
• Date: Thu, 29 Jun 2023 03:55:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 14:45:51.385306
• Title: Game Level Blending using a Learned Level Representation
• Title（参考訳）: 学習レベル表現を用いたゲームレベルのブレンディング
• Authors: Venkata Sai Revanth Atmakuri, Seth Cooper and Matthew Guzdial
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.3946853660795884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Game level blending via machine learning, the process of combining features of game levels to create unique and novel game levels using Procedural Content Generation via Machine Learning (PCGML) techniques, has gained increasing popularity in recent years. However, many existing techniques rely on human-annotated level representations, which limits game level blending to a limited number of annotated games. Even with annotated games, researchers often need to author an additional shared representation to make blending possible. In this paper, we present a novel approach to game level blending that employs Clustering-based Tile Embeddings (CTE), a learned level representation technique that can serve as a level representation for unannotated games and a unified level representation across games without the need for human annotation. CTE represents game level tiles as a continuous vector representation, unifying their visual, contextual, and behavioral information. We apply this approach to two classic Nintendo games, Lode Runner and The Legend of Zelda. We run an evaluation comparing the CTE representation to a common, human-annotated representation in the blending task and find that CTE has comparable or better performance without the need for human annotation.
• Abstract（参考訳）: 機械学習によるゲームレベルのブレンドは、プロシーデュラルコンテンツ生成(pcgml)技術を用いて、ゲームレベルの特徴を組み合わせてユニークで新しいゲームレベルを作成するプロセスであり、近年は人気が高まっている。 しかし、既存の多くの技術は人間によるアノテートレベル表現に依存しており、ゲームレベルでのブレンドは限られた数のアノテートゲームに限られている。 注釈付きゲームであっても、研究者はブレンドを可能にするために追加の共有表現を作成する必要がある。 本稿では,クラスタリングに基づくタイル埋め込み (cte) を応用したゲームレベルブレンディングの新たな手法を提案する。 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。 我々は,cte表現とブレンディングタスクにおける共通的なヒューマンアノテート表現を比較した評価を行い,人間のアノテーションを必要とせずにcteが同等あるいは優れた性能を持つことを示す。

関連論文リスト

• Spatial Action Unit Cues for Interpretable Deep Facial Expression Recognition [55.97779732051921]
  表情認識(FER)のための最先端の分類器は、エンドユーザーにとって重要な特徴である解釈可能性に欠ける。 新しい学習戦略が提案され、AU cues を分類器訓練に明示的に組み込むことで、深い解釈可能なモデルを訓練することができる。 我々の新しい戦略は汎用的であり、アーキテクチャの変更や追加のトレーニング時間を必要とすることなく、ディープCNNやトランスフォーマーベースの分類器に適用できます。
  論文  参考訳（メタデータ） (2024-10-01T10:42:55Z)
• Guided Interpretable Facial Expression Recognition via Spatial Action Unit Cues [55.97779732051921]
  オーキューを分類器学習に明示的に組み込むための新しい学習戦略が提案されている。 分類性能を劣化させることなく階層的解釈性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-02-01T02:13:49Z)
• CAPro: Webly Supervised Learning with Cross-Modality Aligned Prototypes [93.71909293023663]
  クロスモダリティ・アライテッド・プロトタイプ(CAPro)は、視覚表現を正しい意味論で学習する統合コントラスト学習フレームワークである。 CAProは、新しい最先端のパフォーマンスを実現し、オープンセット認識に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2023-10-15T07:20:22Z)
• Towards General Game Representations: Decomposing Games Pixels into Content and Style [2.570570340104555]
  ゲームのピクセル表現を学習することは、複数の下流タスクにまたがる人工知能の恩恵を受けることができる。 本稿では,コンピュータビジョンエンコーダの汎用化について検討する。 我々は、ゲームジャンルに基づく事前学習されたビジョントランスフォーマーエンコーダと分解技術を用いて、個別のコンテンツとスタイルの埋め込みを得る。
  論文  参考訳（メタデータ） (2023-07-20T17:53:04Z)
• Joint Level Generation and Translation Using Gameplay Videos [0.9645196221785693]
  機械学習による手続き的コンテンツ生成(PCGML)は、画像やテキスト生成など他の分野と切り離す重要なハードルに直面している。 機械学習による手続き的レベルの生成には、レベル画像以外の二次的な表現が必要である。 我々は,同時翻訳と生成を同時に行うことを学ぶ,新しいマルチテールフレームワークを開発した。
  論文  参考訳（メタデータ） (2023-06-29T03:46:44Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• 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)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• 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)
• Controllable Level Blending between Games using Variational Autoencoders [6.217860411034386]
  スーパーマリオブラザーズとキッド・イカラスのレベルデータに基づいてVAEをトレーニングし、両方のゲームにまたがる潜伏空間を捕捉できるようにします。 次に、この空間を用いて、両方のゲームからレベルの特性を組み合わせたレベルセグメントを生成する。 これらの余裕は、特に共同創造的レベルの設計にVAEベースのアプローチを適していると我々は主張する。
  論文  参考訳（メタデータ） (2020-02-27T01:38:35Z)
• Learning Dynamic Belief Graphs to Generalize on Text-Based Games [55.59741414135887]
  テキストベースのゲームをプレイするには、自然言語処理とシーケンシャルな意思決定のスキルが必要である。 本研究では,原文からエンドツーエンドに学習したグラフ構造化表現を用いて,エージェントがテキストベースのゲームでどのように計画・一般化できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-21T04:38:37Z)

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。