論文の概要: GameFactory: Creating New Games with Generative Interactive Videos

• arxiv url: http://arxiv.org/abs/2501.08325v2
• Date: Tue, 25 Mar 2025 03:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 20:14:02.654571
• Title: GameFactory: Creating New Games with Generative Interactive Videos
• Title（参考訳）: GameFactory: ジェネレーティブなインタラクティブビデオで新しいゲームを作る
• Authors: Jiwen Yu, Yiran Qin, Xintao Wang, Pengfei Wan, Di Zhang, Xihui Liu,
• Abstract要約: 生成ビデオは、新しいコンテンツを自律的に作成することによって、ゲーム開発に革命をもたらす可能性がある。 本稿では,アクション制御型シーン汎用ゲーム生成フレームワークであるGameFactoryを紹介する。 実験により,GameFactoryはオープンドメインアクション制御可能なゲームビデオを効果的に生成することを示した。
• 参考スコア（独自算出の注目度）: 32.98135338530966
• License:
• Abstract: Generative videos have the potential to revolutionize game development by autonomously creating new content. In this paper, we present GameFactory, a framework for action-controlled scene-generalizable game video generation. We first address the fundamental challenge of action controllability by introducing GF-Minecraft, a action-annotated game video dataset without human bias, and developing a action control module that enables precise control over both keyboard and mouse inputs. We further extend to support autoregressive generation for unlimited-length interactive videos. More importantly, GameFactory tackles the critical challenge of scene-generalizable action control, which most existing methods fail to address. To enable the creation of entirely new and diverse games beyond fixed styles and scenes, we leverage the open-domain generative priors from pre-trained video diffusion models. To bridge the domain gap between open-domain priors and small-scale game datasets, we propose a multi-phase training strategy with a domain adapter that decouples game style learning from action control. This decoupling ensures that action control learning is no longer bound to specific game styles, thereby achieving scene-generalizable action control. Experimental results demonstrate that GameFactory effectively generates open-domain action-controllable game videos, representing a significant step forward in AI-driven game generation. Our dataset and project page are publicly available at https://yujiwen.github.io/gamefactory/.
• Abstract（参考訳）: 生成ビデオは、新しいコンテンツを自律的に作成することによって、ゲーム開発に革命をもたらす可能性がある。 本稿では,アクション制御型シーン汎用ゲーム生成フレームワークであるGameFactoryを提案する。 まず、人間のバイアスを伴わないアクションアノテーション付きゲームビデオデータセットであるGF-Minecraftを導入し、キーボードとマウスの両方の入力を正確に制御できるアクション制御モジュールを開発した。 さらに、無制限のインタラクティブビデオの自己回帰生成をサポートするよう拡張する。 さらに重要なのは、GameFactoryはシーン一般化可能なアクションコントロールという重要な課題に取り組むことだ。 固定されたスタイルやシーンを超えて、全く新しい多様なゲームの作成を可能にするため、事前学習されたビデオ拡散モデルから、オープンドメイン生成の先行を活用できる。 オープンドメインと小規模ゲームデータセット間のドメインギャップを埋めるために,アクション制御からゲームスタイルの学習を分離するドメインアダプタを用いたマルチフェーズトレーニング戦略を提案する。 この分離により、アクション制御学習が特定のゲームスタイルに縛られなくなり、シーン一般化可能なアクション制御が達成される。 実験の結果、GameFactoryはオープンドメインのアクション制御可能なゲームビデオを効果的に生成し、AIによるゲーム生成において大きな前進を示すことが示された。 私たちのデータセットとプロジェクトページはhttps://yujiwen.github.io/gamefactory/で公開されています。

関連論文リスト

• Generative Video Propagation [87.15843701018099]
  我々のフレームワークであるGenPropは、オリジナルビデオを選択コンテンツエンコーダでエンコードし、画像から映像への生成モデルを用いて第1フレームに変更を伝達する。 実験結果は,様々なビデオタスクにおいて,我々のモデルが先行する性能を示す。
  論文  参考訳（メタデータ） (2024-12-27T17:42:29Z)
• Video Creation by Demonstration [59.389591010842636]
  我々は、条件付き将来のフレーム予測によってラベルなしビデオから学習する自己教師型トレーニングアプローチである$delta$-Diffusionを提案する。 映像基盤モデルと外観ボトルネック設計を併用して,実演映像から動作遅延を抽出し,生成プロセスの条件付けを行う。 実証的に、$delta$-Diffusionは人間の好みと大規模マシン評価の両方の観点から、関連するベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-12-12T18:41:20Z)
• GameGen-X: Interactive Open-world Game Video Generation [10.001128258269675]
  我々は,オープンワールドゲームビデオの生成とインタラクティブ制御に特化して設計された,最初の拡散トランスフォーマーモデルであるGameGen-Xを紹介する。 革新的なキャラクター、動的環境、複雑なアクション、多様なイベントなど、一連のゲームエンジン機能をシミュレートする。 インタラクティブな制御性を提供し、現在のクリップに基づいたコンテンツの予測と将来的な変更を可能にし、ゲームプレイシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2024-11-01T17:59:17Z)
• GAVEL: Generating Games Via Evolution and Language Models [40.896938709468465]
  我々は,Ludiiゲーム記述言語における新規ゲームの生成について検討する。 我々は、コードとして表現されたゲームやメカニクスをインテリジェントに変更し、再結合するモデルを訓練する。 生成されたゲームのサンプルは、Ludiiポータルからオンラインでプレイすることができる。
  論文  参考訳（メタデータ） (2024-07-12T16:08:44Z)
• A Text-to-Game Engine for UGC-Based Role-Playing Games [6.5715027492220734]
  本稿では,単純なテキスト入力を複雑なマルチモーダルRPG体験に変換する基礎モデルを活用する,テキスト・ツー・ゲームエンジンの新しいフレームワークを提案する。 エンジンは動的にゲームナラティブを生成し、テキスト、ビジュアル、メカニックを統合すると同時に、プレイヤーのインタラクションに基づいてキャラクター、環境、ゲームプレイをリアルタイムで適応させる。
  論文  参考訳（メタデータ） (2024-07-11T05:33:19Z)
• 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)
• 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)
• Multi-Game Decision Transformers [49.257185338595434]
  そこで本研究では,1つのトランスフォーマーモデルを用いて,最大46個のAtariゲーム群を,人間に近いパフォーマンスで同時にプレイ可能であることを示す。 オンラインやオフラインのRL手法や行動クローンなど,マルチゲーム設定におけるいくつかのアプローチを比較した。 マルチゲーム決定変換モデルは、最高のスケーラビリティとパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2022-05-30T16:55:38Z)
• Playable Video Generation [47.531594626822155]
  我々は,ユーザが生成した映像を,ビデオゲームのように毎回個別のアクションを選択することで制御できるようにすることを目標とする。 タスクの難しさは、意味的に一貫性のあるアクションを学習することと、ユーザ入力に条件付けされたリアルなビデオを生成することの両方にある。 本稿では,ビデオの大規模なデータセットに基づいて,自己教師型で訓練されたPVGのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-28T18:55:58Z)

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。