論文の概要: Playable Game Generation

• arxiv url: http://arxiv.org/abs/2412.00887v1
• Date: Sun, 01 Dec 2024 16:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:46:32.256253
• Title: Playable Game Generation
• Title（参考訳）: プレイ可能なゲーム生成
• Authors: Mingyu Yang, Junyou Li, Zhongbin Fang, Sheng Chen, Yangbin Yu, Qiang Fu, Wei Yang, Deheng Ye,
• Abstract要約: 本稿では,ゲームデータ生成,自動回帰型DiT拡散モデル,プレイヤビリティに基づく評価フレームワークなどを含むemphPlayGenを提案する。 PlayGenはリアルタイムインタラクションを実現し、十分な視覚的品質を確保し、正確なインタラクティブなメカニクスシミュレーションを提供する。
• 参考スコア（独自算出の注目度）: 22.17100581717806
• License:
• Abstract: In recent years, Artificial Intelligence Generated Content (AIGC) has advanced from text-to-image generation to text-to-video and multimodal video synthesis. However, generating playable games presents significant challenges due to the stringent requirements for real-time interaction, high visual quality, and accurate simulation of game mechanics. Existing approaches often fall short, either lacking real-time capabilities or failing to accurately simulate interactive mechanics. To tackle the playability issue, we propose a novel method called \emph{PlayGen}, which encompasses game data generation, an autoregressive DiT-based diffusion model, and a comprehensive playability-based evaluation framework. Validated on well-known 2D and 3D games, PlayGen achieves real-time interaction, ensures sufficient visual quality, and provides accurate interactive mechanics simulation. Notably, these results are sustained even after over 1000 frames of gameplay on an NVIDIA RTX 2060 GPU. Our code is publicly available: https://github.com/GreatX3/Playable-Game-Generation. Our playable demo generated by AI is: http://124.156.151.207.
• Abstract（参考訳）: 近年、AIGC(Artificial Intelligence Generated Content)はテキスト・ツー・画像生成からテキスト・ツー・ビデオ・マルチモーダルビデオ合成へと進歩している。 しかし,プレイ可能なゲームの生成には,リアルタイムインタラクションの厳密な要件,高画質,ゲームメカニクスの正確なシミュレーションなど,大きな課題が伴う。 既存のアプローチは、リアルタイム機能が欠けているか、インタラクティブなメカニクスを正確にシミュレートできないかのいずれかで、しばしば不足する。 プレイ可能性問題に対処するため,ゲームデータ生成,自動回帰型DiT拡散モデル,総合的なプレイ可能性評価フレームワークなどを含む新しい手法である「emph{PlayGen}」を提案する。 有名な2Dゲームと3Dゲームで検証されたPlayGenは、リアルタイムインタラクションを実現し、十分な視覚的品質を確保し、正確なインタラクティブなメカニクスシミュレーションを提供する。 特に、これらの結果はNVIDIA RTX 2060 GPU上で1000フレーム以上もプレイした後でも持続する。 私たちのコードは、https://github.com/GreatX3/Playable-Game-Generation.comで公開されています。 AIが生成したプレイ可能なデモは、http://124.156.151.207です。

関連論文リスト

• Unbounded: A Generative Infinite Game of Character Life Simulation [68.37260000219479]
  生成モデルを用いて,有限なハードコードシステムの境界を超越したゲームである生成無限ゲームの概念を導入する。 我々は、生成AIの最近の進歩を活用して、生成モデルに完全にカプセル化されたキャラクターライフシミュレーションゲームUnboundedを作成する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:31Z)
• TextToon: Real-Time Text Toonify Head Avatar from Single Video [34.07760625281835]
  乾燥可能なトーン化アバターを生成するためのTextToonを提案する。 短い単眼ビデオシーケンスとアバタースタイルに関する命令が与えられた場合,本モデルは高忠実度トーン化アバターを生成することができる。
  論文  参考訳（メタデータ） (2024-09-23T15:04:45Z)
• VideoPhy: Evaluating Physical Commonsense for Video Generation [93.28748850301949]
  生成したビデオが現実世界のアクティビティの物理的常識に従うかどうかを評価するためのベンチマークであるVideoPhyを提示する。 そして、さまざまな最先端のテキスト・ビデオ生成モデルからキャプションに条件付けされたビデオを生成する。 人間の評価では、既存のモデルには、与えられたテキストプロンプトに付着したビデオを生成する能力が欠けていることが判明した。
  論文  参考訳（メタデータ） (2024-06-05T17:53:55Z)
• Towards a Holodeck-style Simulation Game [40.044978986425676]
  Infinitiaは生成画像と言語モデルを使用して、プレイヤーからの短い記述に基づいて設定とNPCの全ての側面を再構築する。 InfinitiaはサーバクライアントアーキテクチャでUnityエンジンに実装されている。 マルチプレイヤーのフレームワークを使って、人間がシミュレーションに参加して対話できるようにしている。
  論文  参考訳（メタデータ） (2023-08-22T19:19:19Z)
• 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)
• Steps towards prompt-based creation of virtual worlds [1.2891210250935143]
  プロンプトベースの手法はVRレベルの編集を促進できるだけでなく、ゲームプレイの一部にもなり得ることを示す。 私たちは、VRにおけるAI支援共同創造の差し迫った課題を議論することで結論付けます。
  論文  参考訳（メタデータ） (2022-11-10T21:13:04Z)
• MUGEN: A Playground for Video-Audio-Text Multimodal Understanding and GENeration [46.19536568693307]
  マルチモーダルなビデオオーディオテキスト理解と生成は、狭いがリッチなデータセットの恩恵を受けることができる。 本稿では,オープンソースのプラットフォームゲームCoinRunを用いて収集した大規模ビデオオーディオテキストデータセットMUGENについて述べる。 我々は375Kビデオクリップ(それぞれ3.2秒)をサンプリングし、人間のアノテーションからテキスト記述を収集する。
  論文  参考訳（メタデータ） (2022-04-17T17:59:09Z)
• Video Generation from Text Employing Latent Path Construction for Temporal Modeling [70.06508219998778]
  ビデオ生成は、機械学習とコンピュータビジョンの分野における最も困難なタスクの1つである。 本稿では,映像生成の条件形式であるテキストから映像生成の問題に取り組む。 自然言語文からのビデオ生成が人工知能に重要な影響を与えると考えている。
  論文  参考訳（メタデータ） (2021-07-29T06:28:20Z)
• Megaverse: Simulating Embodied Agents at One Million Experiences per Second [75.1191260838366]
  私たちは、強化学習と具体化AI研究のための新しい3DシミュレーションプラットフォームであるMegaverseを紹介します。 MegaverseはDeepMind Labより最大70倍速い。 私たちはMegaverseを使って、複数の単一エージェントタスクとマルチエージェントタスクからなる新しいベンチマークを構築します。
  論文  参考訳（メタデータ） (2021-07-17T03:16:25Z)
• Model-Based Reinforcement Learning for Atari [89.3039240303797]
  エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。 本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
  論文  参考訳（メタデータ） (2019-03-01T15:40:19Z)

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。