論文の概要: Lode Enhancer: Level Co-creation Through Scaling

• arxiv url: http://arxiv.org/abs/2308.01543v1
• Date: Thu, 3 Aug 2023 05:23:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 15:16:48.077675
• Title: Lode Enhancer: Level Co-creation Through Scaling
• Title（参考訳）: Lode Enhancer: スケーリングによるレベルの共創
• Authors: Debosmita Bhaumik, Julian Togelius, Georgios N. Yannakakis, Ahmed Khalifa
• Abstract要約: 2Dゲームレベルを作成するコンテキストにおいて、デザイン支援ツールとしてAIを活用したアップスケーリングについて検討する。 ディープニューラルネットワークは、パズルのプラットフォームゲームLode Runnerから、人工的にダウンスケールされたレベルのパッチをスケールアップするために使用される。
• 参考スコア（独自算出の注目度）: 6.739485960737326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore AI-powered upscaling as a design assistance tool in the context of creating 2D game levels. Deep neural networks are used to upscale artificially downscaled patches of levels from the puzzle platformer game Lode Runner. The trained networks are incorporated into a web-based editor, where the user can create and edit levels at three different levels of resolution: 4x4, 8x8, and 16x16. An edit at any resolution instantly transfers to the other resolutions. As upscaling requires inventing features that might not be present at lower resolutions, we train neural networks to reproduce these features. We introduce a neural network architecture that is capable of not only learning upscaling but also giving higher priority to less frequent tiles. To investigate the potential of this tool and guide further development, we conduct a qualitative study with 3 designers to understand how they use it. Designers enjoyed co-designing with the tool, liked its underlying concept, and provided feedback for further improvement.
• Abstract（参考訳）: 2Dゲームレベルを作成するコンテキストにおいて、デザイン支援ツールとしてAIを活用したアップスケーリングについて検討する。 ディープニューラルネットワークは、パズルプラットフォームゲームlode runnerのレベルを人工的にダウンスケールするパッチをスケールアップするために使用される。 トレーニングされたネットワークはWebベースのエディタに組み込まれ、4x4、8x8、16x16という3段階の解像度でレベルを作成し編集することができる。 任意の解像度での編集はすぐに他の解像度に転送される。 upscalingでは、低解像度で存在しない可能性のある機能を発明する必要があるため、これらの機能を再現するためにニューラルネットワークをトレーニングします。 我々は,高スケーリングを学習するだけでなく,より頻度の低いタイルに対して高い優先度を与えるニューラルネットワークアーキテクチャを導入する。 このツールの可能性を調査し、さらなる開発を導くため、3人のデザイナーによる質的研究を行い、その使い方を理解する。 デザイナーはツールとの共同設計を楽しみ、基礎となるコンセプトを気に入り、さらなる改善のためのフィードバックを提供した。

関連論文リスト

• PonderV2: Pave the Way for 3D Foundation Model with A Universal Pre-training Paradigm [114.47216525866435]
  本稿では,効率的な3D表現の獲得を容易にするために,新しいユニバーサル3D事前学習フレームワークを提案する。 PonderV2は、11の室内および屋外ベンチマークで最先端のパフォーマンスを達成したことで、その効果が示唆された。
  論文  参考訳（メタデータ） (2023-10-12T17:59:57Z)
• Total Variation Optimization Layers for Computer Vision [130.10996341231743]
  コンピュータビジョンのためのレイヤとして,全変動(TV)最小化を提案する。 画像処理における全変動の成功により、我々は、層としてのテレビがディープネットに有用な帰納バイアスを与えるという仮説を立てた。 本仮説は,画像分類,弱教師付き物体の局所化,エッジ保存平滑化,エッジ検出,画像復調という5つのコンピュータビジョンタスクについて検討する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:27Z)
• Level generation and style enhancement -- deep learning for game development overview [0.0]
  統計的手法,機械学習,あるいはディープラーニングを用いて,レベルマップを作成するための7つのアプローチを提案する。 我々はゲーム開発者とレベルアーティストに新たな可能性を示すことを目指している。
  論文  参考訳（メタデータ） (2021-07-15T15:24:43Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)
• Mixed-Initiative Level Design with RL Brush [8.979403815167178]
  本稿では,混合開始型コクリエーション用に設計されたタイルベースのゲームのためのレベル編集ツールであるRL Brushを紹介する。 このツールは、強化学習に基づくモデルを使用して、AI生成の提案を追加することで、手動の人間レベルの設計を強化する。
  論文  参考訳（メタデータ） (2020-08-06T17:25:14Z)
• Shape Adaptor: A Learnable Resizing Module [59.940372879848624]
  ニューラルネットワークのための新しいリサイズモジュール: 従来のリサイズ層上に構築されたドロップインエンハンスメントであるシェイプアダプタを提案する。 我々の実装では、追加の監督なしに形状適応器をエンドツーエンドで訓練することが可能です。 ネットワーク圧縮と伝達学習の2つの応用における形状適応器の有効性を示す。
  論文  参考訳（メタデータ） (2020-08-03T14:15:52Z)
• Improving Target-driven Visual Navigation with Attention on 3D Spatial Relationships [52.72020203771489]
  3次元屋内シーンにおける深部強化学習(DRL)を用いた目標駆動型視覚ナビゲーションについて検討した。 提案手法は視覚特徴と3次元空間表現を組み合わせてナビゲーションポリシーを学習する。 AI2-THORで実施した我々の実験は、SRとSPLの指標において、モデルがベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2020-04-29T08:46:38Z)
• Interactive Evolution and Exploration Within Latent Level-Design Space of Generative Adversarial Networks [8.091708140619946]
  潜在変数進化(LVE)は、最近ゲームレベルに適用されている。 本稿では,ゲーム用タイルベースレベルのインタラクティブなLVEツールを提案する。 このツールは、潜伏次元の直接探索も可能で、ユーザーは発見レベルをプレイできる。
  論文  参考訳（メタデータ） (2020-03-31T22:52:17Z)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)
• Learning to Generate Levels From Nothing [5.2508303190856624]
  演奏レベルを設計するジェネレーティブ・プレイング・ネットワークを提案する。 このアルゴリズムは、ゲームのレベルを学習するエージェントと、プレイ可能なレベルの分布を学習するジェネレータの2つの部分で構成されている。 本研究では,2次元ダンジョンクローラゲームにおけるエージェントとレベルジェネレータの訓練により,このフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2020-02-12T22:07:23Z)
• PCGRL: Procedural Content Generation via Reinforcement Learning [6.32656340734423]
  ゲームにおけるレベル設計エージェントの訓練に強化学習をどのように利用できるかを検討する。 設計問題をシーケンシャルなタスクと見なすことで、強化学習を使用して次のアクションを取る方法を学ぶことができる。 このアプローチは、トレーニングする例がほとんど、あるいは存在しない場合に使用することができ、トレーニングされたジェネレータは非常に高速である。
  論文  参考訳（メタデータ） (2020-01-24T22:09:08Z)

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。