論文の概要: Word2Minecraft: Generating 3D Game Levels through Large Language Models
- arxiv url: http://arxiv.org/abs/2503.16536v1
- Date: Tue, 18 Mar 2025 18:38:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-24 14:57:26.861101
- Title: Word2Minecraft: Generating 3D Game Levels through Large Language Models
- Title（参考訳）: Word2Minecraft: 大規模言語モデルによる3Dゲームレベルの生成
- Authors: Shuo Huang, Muhammad Umair Nasir, Steven James, Julian Togelius,
- Abstract要約: 本稿では,構造化されたストーリーに基づいて,Minecraftでプレイ可能なゲームレベルを生成するシステムであるWord2Minecraftを紹介する。
ストーリーの複雑さをカスタマイズできるフレキシブルなフレームワークを導入し、ダイナミックなレベル生成を可能にします。
GPT-4-Turboは物語のコヒーレンスや客観的楽しみなど,ほとんどの領域でGPT-4o-Miniより優れていた。
- 参考スコア（独自算出の注目度）: 6.037493811943889
- License:
- Abstract: We present Word2Minecraft, a system that leverages large language models to generate playable game levels in Minecraft based on structured stories. The system transforms narrative elements-such as protagonist goals, antagonist challenges, and environmental settings-into game levels with both spatial and gameplay constraints. We introduce a flexible framework that allows for the customization of story complexity, enabling dynamic level generation. The system employs a scaling algorithm to maintain spatial consistency while adapting key game elements. We evaluate Word2Minecraft using both metric-based and human-based methods. Our results show that GPT-4-Turbo outperforms GPT-4o-Mini in most areas, including story coherence and objective enjoyment, while the latter excels in aesthetic appeal. We also demonstrate the system' s ability to generate levels with high map enjoyment, offering a promising step forward in the intersection of story generation and game design. We open-source the code at https://github.com/JMZ-kk/Word2Minecraft/tree/word2mc_v0
- Abstract（参考訳）: 構造化されたストーリーに基づいて、大きな言語モデルを利用してMinecraftのプレイ可能なゲームレベルを生成するシステムであるWord2Minecraftを紹介する。
このシステムは、主人公の目標、敵の挑戦、環境設定といった物語要素を、空間的制約とゲームプレイ制約の両方でゲームレベルに変換する。
ストーリーの複雑さをカスタマイズできるフレキシブルなフレームワークを導入し、ダイナミックなレベル生成を可能にします。
このシステムは、キーゲーム要素を適応させながら空間整合性を維持するためにスケーリングアルゴリズムを使用する。
我々は、計量法と人間法の両方を用いてWord2Minecraftを評価した。
以上の結果から,GPT-4-Turboは物語のコヒーレンスや客観性など,ほとんどの領域でGPT-4o-Miniより優れており,後者は美的魅力に優れていた。
また,本システムでは,ストーリー生成とゲームデザインの交差において,将来的な一歩を踏み出すとともに,高いマップを楽しめるレベルを生成できることを実証する。
私たちはhttps://github.com/JMZ-kk/Word2Minecraft/tree/word2mc_v0でコードをオープンソース化しました。
関連論文リスト
- DreamRunner: Fine-Grained Compositional Story-to-Video Generation with Retrieval-Augmented Motion Adaptation [60.07447565026327]
本研究では,新しいストーリー・ツー・ビデオ生成手法であるDreamRunnerを提案する。
大規模言語モデル(LLM)を用いて入力スクリプトを構築し、粗粒度シーン計画と細粒度オブジェクトレベルのレイアウトと動き計画の両方を容易にする。
DreamRunnerは、検索拡張されたテストタイムアダプションで、各シーンのオブジェクトのターゲットモーションをキャプチャし、検索されたビデオに基づいたさまざまなモーションカスタマイズをサポートする。
論文 参考訳（メタデータ） (2024-11-25T18:41:56Z) - 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) - DreamCraft: Text-Guided Generation of Functional 3D Environments in Minecraft [19.9639990460142]
本研究では,オープンワールドゲームMinecraftにおけるフリーフォームテキストプロンプトから機能的な3Dアーティファクトを生成する手法を提案する。
我々の手法であるDreamCraftは、与えられたテキスト記述にマッチするアーティファクトを表現するために、量子化されたNeRF(Neural Radiance Fields)を訓練する。
対象の分布にマッチする3D構造の生成や,ブロック型に対する特定の隣接ルールに従うために,これをどのように活用するかを示す。
論文 参考訳（メタデータ） (2024-04-23T21:57:14Z) - Minecraft-ify: Minecraft Style Image Generation with Text-guided Image
Editing for In-Game Application [5.431779602239565]
立方体多様体を有する3次元仮想キャラクタに適したテクスチャマッピングのための顔焦点画像を生成することができる。
StyleGANとStyleCLIPを使ってテキストガイダンスで操作できる。
論文 参考訳（メタデータ） (2024-02-08T07:01:00Z) - GPT4Point: A Unified Framework for Point-Language Understanding and
Generation [76.61439685940272]
GPT4PointはMLLMフレームワーク内での3Dオブジェクトの理解と生成のための画期的なポイント言語マルチモーダルモデルである。
GPT4Pointは強力な3D MLLMであり、ポイントクラウドキャプションやQ&Aのような様々なポイントテキスト参照タスクをシームレスに実行できる。
幾何学的な形状や色を維持する低品質のポイントテキスト機能によって、高品質な結果が得られる。
論文 参考訳（メタデータ） (2023-12-05T18:59:55Z) - SceneHGN: Hierarchical Graph Networks for 3D Indoor Scene Generation
with Fine-Grained Geometry [92.24144643757963]
3D屋内シーンは、インテリアデザインからゲーム、バーチャルおよび拡張現実に至るまで、コンピュータグラフィックスで広く使われている。
高品質な3D屋内シーンは、専門知識が必要であり、手動で高品質な3D屋内シーンを設計するのに時間を要する。
SCENEHGNは3次元屋内シーンの階層的なグラフネットワークであり,部屋レベルからオブジェクトレベルまでの全階層を考慮し,最後にオブジェクト部分レベルに展開する。
提案手法は, 立体形状の細かな家具を含む, 可塑性3次元室内容を直接生成し, 直接的に生成することができる。
論文 参考訳（メタデータ） (2023-02-16T15:31:59Z) - MarioGPT: Open-Ended Text2Level Generation through Large Language Models [20.264940262622282]
手続き型コンテンツ生成(PCG)は、複雑で多様な環境を自動生成する技術である。
ここでは、タイルベースのゲームレベルを生成するために訓練された微調整GPT2モデルであるMarioGPTを紹介する。
論文 参考訳（メタデータ） (2023-02-12T19:12:24Z) - Infusing Commonsense World Models with Graph Knowledge [89.27044249858332]
オープンワールドテキストアドベンチャーゲームにおける物語生成の設定について検討する。
基礎となるゲーム状態のグラフ表現は、接地グラフ表現と自然言語記述とアクションの両方を消費し出力するモデルを訓練するために使用することができる。
論文 参考訳（メタデータ） (2023-01-13T19:58:27Z) - Robust Preference Learning for Storytelling via Contrastive
Reinforcement Learning [53.92465205531759]
制御された自動ストーリ生成は、自然言語批判や嗜好から制約を満たす自然言語ストーリを生成することを目指している。
対照的なバイエンコーダモデルをトレーニングし、ストーリーを人間の批評と整合させ、汎用的な嗜好モデルを構築する。
我々はさらに、ストーリー生成の堅牢性を高めるために、プロンプトラーニング技術を用いて、対照的な報酬モデルを微調整する。
論文 参考訳（メタデータ） (2022-10-14T13:21:33Z) - Automated Isovist Computation for Minecraft [0.0]
アーキテクチャのアイデア,すなわちアイソビストと空間構文をモチベーションとした,新しい自動メトリクスセットを開発する。
これらのメトリクスは、プレイヤーの観点から特定のゲーム状態に対して計算され、ゲームの世界における彼らの体格を考慮に入れられる。
私たちはこれらのメトリクスをMinecraftの3Dブロックワールドに適用する方法を示します。
論文 参考訳（メタデータ） (2022-04-07T21:41:06Z) - World-GAN: a Generative Model for Minecraft Worlds [27.221938979891384]
この研究は、Minecraftで機械学習を介してデータ駆動の手続き型コンテンツ生成を実行する最初の方法であるWorld-GANを紹介する。
GAN(Generative Adversarial Network)アーキテクチャをベースとして,任意のサンプルから任意のサイズの世界スニペットを作成できる。
論文 参考訳（メタデータ） (2021-06-18T14:45:39Z)
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。