Fugu-MT 論文翻訳(概要): Utilizing Generative Adversarial Networks for Stable Structure Generation in Angry Birds

論文の概要: Utilizing Generative Adversarial Networks for Stable Structure Generation in Angry Birds

arxiv url: http://arxiv.org/abs/2309.02614v1
Date: Tue, 5 Sep 2023 23:19:13 GMT
ステータス: 処理完了
システム内更新日: 2023-09-07 17:16:00.091233
Title: Utilizing Generative Adversarial Networks for Stable Structure Generation in Angry Birds
Title（参考訳）: angry birdsの安定構造生成における生成逆ネットワークの利用
Authors: Frederic Abraham, Matthew Stephenson
Abstract要約: 本稿では,GAN(Generative Adversarial Networks)を用いて,物理学ベースのパズルゲームAngry Birdsの安定した構造を生成する方法を提案する。以上の結果から,GANは多種多様な複雑で安定なAngry Birds構造を生成するのに有効であることが示唆された。
参考スコア（独自算出の注目度）: 0.9790236766474201
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper investigates the suitability of using Generative Adversarial Networks (GANs) to generate stable structures for the physics-based puzzle game Angry Birds. While previous applications of GANs for level generation have been mostly limited to tile-based representations, this paper explores their suitability for creating stable structures made from multiple smaller blocks. This includes a detailed encoding/decoding process for converting between Angry Birds level descriptions and a suitable grid-based representation, as well as utilizing state-of-the-art GAN architectures and training methods to produce new structure designs. Our results show that GANs can be successfully applied to generate a varied range of complex and stable Angry Birds structures.
Abstract（参考訳）: 本稿では,GAN(Generative Adversarial Networks)を用いて,物理学ベースのパズルゲームAngry Birdsの安定した構造を生成する方法を提案する。レベル生成のためのganの以前の応用はタイルベースの表現に限られているが、本論文は複数の小さなブロックから安定した構造を作成するのに適していることを示す。これには、Angry Birdsのレベル記述と適切なグリッドベースの表現を変換するための詳細なエンコーディング/デコーディングプロセス、最先端のGANアーキテクチャと新しい構造設計のトレーニング方法の利用が含まれる。以上の結果から,ganは多種多様な複雑で安定なangry birds構造を生成できることがわかった。

関連論文リスト

Generative Hierarchical Materials Search [91.93125016916463]
結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
論文参考訳（メタデータ） (2024-09-10T17:51:28Z)
Latent Diffusion Models for Structural Component Design [11.342098118480802]
本稿では,構造部品の生成設計のための枠組みを提案する。我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
論文参考訳（メタデータ） (2023-09-20T19:28:45Z)
Constructing a personalized AI assistant for shear wall layout using Stable Diffusion [6.739378766136524]
本稿では,安定拡散に基づくせん断壁レイアウトのためのパーソナライズされたAIアシスタントを提案する。テストによって優れた生成結果が得られることが証明されている。
論文参考訳（メタデータ） (2023-05-18T09:12:07Z)
Hierarchically Composing Level Generators for the Creation of Complex Structures [9.073637457818835]
簡単な低レベルジェネレータを構成する構成レベル生成手法を導入し,大規模かつ複雑な生成システムを構築する。提案手法は,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。簡単なベースジェネレータを用いて生成した,大規模かつ複雑な,しかしなお一貫性のある構造を,(Minecraftで)定性的な展示会として紹介する。
論文参考訳（メタデータ） (2023-02-03T06:08:28Z)
DepGraph: Towards Any Structural Pruning [68.40343338847664]
我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
論文参考訳（メタデータ） (2023-01-30T14:02:33Z)
Structural Prior Guided Generative Adversarial Transformers for Low-Light Image Enhancement [51.22694467126883]
低照度画像強調を実現するために,SPGAT (Structure Prior Guided Generative Adversarial Transformer) を提案する。このジェネレータはU字型のトランスフォーマーをベースとしており、非局所的な情報を探り、画像の鮮明な復元に役立てている。より現実的な画像を生成するために,生成器と識別器のスキップ接続を構築することによって,新しい構造的事前学習手法を開発した。
論文参考訳（メタデータ） (2022-07-16T04:05:40Z)
Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。 Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文参考訳（メタデータ） (2021-06-24T14:34:24Z)
MOGAN: Morphologic-structure-aware Generative Learning from a Single Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文参考訳（メタデータ） (2021-03-04T12:45:23Z)
Structure-Aware Human-Action Generation [126.05874420893092]
グラフ畳み込みネットワーク(GCN)は構造情報を利用して構造表現を学習する有望な方法である。本稿では, 時間空間における完全な行動グラフを適応的にスパース化するために, 強力な自己認識機構を活用するためのGCNの変種を提案する。提案手法は,重要な過去のフレームに動的に対応し,GCNフレームワークに適用するためのスパースグラフを構築し,その構造情報をアクションシーケンスで適切にキャプチャする。
論文参考訳（メタデータ） (2020-07-04T00:18:27Z)
GRIDS: Interactive Layout Design with Integer Programming [25.88822318048848]
本稿では,グリッドベースのレイアウト生成のための新しい最適化手法を提案する。我々の混合整数線形プログラミング(MILP)モデルは、厳密で効率的なグリッド生成方法を提供する。グリッドレイアウトのインタラクティブな多様化,拡張,完成のための技術を提案する。
論文参考訳（メタデータ） (2020-01-09T11:08:15Z)

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。