論文の概要: Reconstructing Existing Levels through Level Inpainting

• arxiv url: http://arxiv.org/abs/2309.09472v1
• Date: Mon, 18 Sep 2023 04:10:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 15:10:55.683132
• Title: Reconstructing Existing Levels through Level Inpainting
• Title（参考訳）: レベルインパインティングによる既存レベルの再構築
• Authors: Johor Jara Gonzalez, Mathew Guzdial
• Abstract要約: 本稿では、コンテンツ拡張について紹介し、レベルのインペイントのサブプロブレムに焦点を当てる。 本稿では,オートエンコーダとU-netの2つのレベルインペイント手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Procedural Content Generation (PCG) and Procedural Content Generation via Machine Learning (PCGML) have been used in prior work for generating levels in various games. This paper introduces Content Augmentation and focuses on the subproblem of level inpainting, which involves reconstructing and extending video game levels. Drawing inspiration from image inpainting, we adapt two techniques from this domain to address our specific use case. We present two approaches for level inpainting: an Autoencoder and a U-net. Through a comprehensive case study, we demonstrate their superior performance compared to a baseline method and discuss their relative merits. Furthermore, we provide a practical demonstration of both approaches for the level inpainting task and offer insights into potential directions for future research.
• Abstract（参考訳）: プロシージャコンテンツ生成 (PCG) とプロシージャコンテンツ生成 (PCGML) は, 様々なゲームにおいて, 先行研究に用いられている。 本稿では,ゲームレベルの再構築と拡張を伴うレベルインペインティングのサブプロブレムに着目し,コンテンツ拡張について述べる。 イメージインペインティングからインスピレーションを得て、このドメインから2つのテクニックを適用して、特定のユースケースに対処します。 本稿では,オートエンコーダとU-netの2つのレベルインペイント手法を提案する。 包括的ケーススタディを通じて,ベースライン法と比較して優れた性能を示し,それらの相対的メリットについて議論する。 さらに, レベルインペインティングタスクのアプローチを実践的に実証し, 今後の研究の方向性について考察する。

関連論文リスト

• BrushNet: A Plug-and-Play Image Inpainting Model with Decomposed Dual-Branch Diffusion [61.90969199199739]
  BrushNetは、ピクセルレベルのマスク付きイメージ機能を事前訓練されたDMに埋め込むために設計された、新しいプラグアンドプレイデュアルブランチモデルである。 BrushNetは、画像品質、マスク領域保存、テキストコヒーレンスを含む7つの主要な指標で、既存のモデルよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-03-11T17:59:31Z)
• Deep Learning-based Image and Video Inpainting: A Survey [47.53641171826598]
  本稿では,深層学習に基づく画像と映像のインペイント手法について概観的にレビューする。 既存のメソッドを,ハイレベルなインペイントパイプラインの観点から,さまざまなカテゴリに分類する。 我々は,低レベルの画素と高レベルの知覚的類似性の評価指標を提示し,性能評価を行い,代表印字方法の長所と短所について議論する。
  論文  参考訳（メタデータ） (2024-01-07T05:50:12Z)
• Segmentation-Based Parametric Painting [22.967620358813214]
  本研究では,人間のような質とスタイルのバリエーションを持つ大規模で高忠実な絵画の作成を容易にする,新しい画像から絵画へのアプローチを提案する。 我々は,人間の絵画戦略に触発されたセグメンテーションに基づく絵画プロセスとダイナミックアテンションマップアプローチを導入する。 最適化されたバッチ処理とパッチベースの損失フレームワークは、大きなキャンバスの効率的な処理を可能にします。
  論文  参考訳（メタデータ） (2023-11-24T04:15:10Z)
• Interactive Neural Painting [66.9376011879115]
  本稿では,対話型ニューラルペイント(NP)の最初のアプローチを提案する。 2段デコーダを用いた条件変圧器変分自動エンコーダ(VAE)アーキテクチャに基づく新しい手法であるI-Paintを提案する。 実験の結果,本手法は良好なストローク提案を提供し,最先端技術と比較した。
  論文  参考訳（メタデータ） (2023-07-31T07:02:00Z)
• Deep Image Matting: A Comprehensive Survey [85.77905619102802]
  本稿では,ディープラーニング時代における画像マッチングの最近の進歩を概観する。 本稿では,補助的な入力ベースの画像マッチングと,自動的な画像マッチングという,2つの基本的なサブタスクに焦点を当てる。 画像マッチングの関連応用について論じ,今後の研究への課題と可能性を明らかにする。
  論文  参考訳（メタデータ） (2023-04-10T15:48:55Z)
• Modeling Image Composition for Complex Scene Generation [77.10533862854706]
  本稿では,レイアウト・ツー・イメージ生成タスクにおける最先端結果を実現する手法を提案する。 本稿では,RGB画像をパッチトークンに圧縮した後,オブジェクト・トゥ・オブジェクト,オブジェクト・トゥ・パッチ,パッチ・トゥ・パッチの依存関係を探索するTransformer with Focal Attention (TwFA)を提案する。
  論文  参考訳（メタデータ） (2022-06-02T08:34:25Z)
• Combining Semantic Guidance and Deep Reinforcement Learning For Generating Human Level Paintings [22.889059874754242]
  脳卒中に基づく非フォトリアリスティック画像の生成は、コンピュータビジョンコミュニティにおいて重要な問題である。 従来の手法は、前景オブジェクトの位置、規模、正当性にほとんど変化のないデータセットに限られていた。 本研究では,1)前景と背景の筆画の区別を学習するための2段階の塗装手順を備えたセマンティック・ガイダンス・パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-11-25T09:00:04Z)
• SketchyCOCO: Image Generation from Freehand Scene Sketches [71.85577739612579]
  本稿では,シーンレベルのフリーハンドスケッチから画像の自動生成手法を提案する。 主要なコントリビューションは、EdgeGANと呼ばれる属性ベクトルをブリッジしたGeneversarative Adrial Networkである。 我々はSketchyCOCOと呼ばれる大規模複合データセットを構築し、ソリューションをサポートし評価した。
  論文  参考訳（メタデータ） (2020-03-05T14:54:10Z)
• 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。