論文の概要: In the Blink of an Eye: Instant Game Map Editing using a Generative-AI Smart Brush

• arxiv url: http://arxiv.org/abs/2503.19793v1
• Date: Tue, 25 Mar 2025 16:01:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:55:04.869217
• Title: In the Blink of an Eye: Instant Game Map Editing using a Generative-AI Smart Brush
• Title（参考訳）: In the Blink of an Eye: Instant Game Map Editing using a Generative-AI Smart Brush
• Authors: Vitaly Gnatyuk, Valeriia Koriukina Ilya Levoshevich, Pavel Nurminskiy, Guenter Wallner,
• Abstract要約: 我々は,アーティストが最小限の努力でゲームマップの選択領域をシームレスに修正できるようにデザインされた,地図編集のための新しいSmart Brushを紹介した。 当社のハイブリッドワークフローは,芸術的柔軟性と生産効率の向上を目標としています。
• 参考スコア（独自算出の注目度）: 0.12499537119440242
• License:
• Abstract: With video games steadily increasing in complexity, automated generation of game content has found widespread interest. However, the task of 3D gaming map art creation remains underexplored to date due to its unique complexity and domain-specific challenges. While recent works have addressed related topics such as retro-style level generation and procedural terrain creation, these works primarily focus on simpler data distributions. To the best of our knowledge, we are the first to demonstrate the application of modern AI techniques for high-resolution texture manipulation in complex, highly detailed AAA 3D game environments. We introduce a novel Smart Brush for map editing, designed to assist artists in seamlessly modifying selected areas of a game map with minimal effort. By leveraging generative adversarial networks and diffusion models we propose two variants of the brush that enable efficient and context-aware generation. Our hybrid workflow aims to enhance both artistic flexibility and production efficiency, enabling the refinement of environments without manually reworking every detail, thus helping to bridge the gap between automation and creative control in game development. A comparative evaluation of our two methods with adapted versions of several state-of-the art models shows that our GAN-based brush produces the sharpest and most detailed outputs while preserving image context while the evaluated state-of-the-art models tend towards blurrier results and exhibit difficulties in maintaining contextual consistency.
• Abstract（参考訳）: ビデオゲームの複雑さが着実に増加し、ゲームコンテンツの自動生成が広く関心を集めている。 しかし、3Dゲームマップアート作成の課題は、その独特な複雑さとドメイン固有の課題のために、現在まで探索されていない。 最近の研究は、レトロスタイルのレベル生成や手続き的な地形生成といった関連するトピックに対処しているが、これらは主に単純なデータ分布に焦点を当てている。 我々の知識を最大限に活用するために、我々は、複雑な高精細なAAA 3Dゲーム環境における高精細なテクスチャ操作に現代AI技術の応用を初めて実演した。 我々は,アーティストが最小限の努力でゲームマップの選択領域をシームレスに修正できるようにデザインされた,地図編集のための新しいSmart Brushを紹介した。 生成的対向ネットワークと拡散モデルを活用することにより、効率的な文脈認識生成を可能にするブラシの2つの変種を提案する。 我々のハイブリッドワークフローは、芸術的柔軟性と生産効率の向上を目標とし、あらゆる詳細を手作業で書き換えることなく環境の洗練を可能にし、ゲーム開発における自動化と創造的コントロールのギャップを埋めることを支援する。 複数の最先端技術モデルに適応した2つの手法の比較評価を行った結果,GANをベースとしたブラシは画像コンテキストを保ちながら,最も鋭く,最も詳細な出力を生成する一方で,評価された最先端技術モデルは曖昧な結果に近づき,文脈整合性の維持に困難を示すことがわかった。

関連論文リスト

• InsTex: Indoor Scenes Stylized Texture Synthesis [81.12010726769768]
  拡張現実(ARVR)アプリケーションでは、高品質なテクスチャが3Dシーンに不可欠である。 現在の手法は、長い処理時間と視覚的アーティファクトに悩まされている。 3Dシーンのための高品質なテクスチャを生成するために設計された2段階アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-01-22T08:37:59Z)
• Make-A-Texture: Fast Shape-Aware Texture Generation in 3 Seconds [11.238020531599405]
  テキストプロンプトから高分解能テクスチャマップを効率的に合成する新しいフレームワークであるMake-A-Textureを提案する。 この手法の重要な特徴は、NVIDIA H100 GPUでわずか3.07秒のエンドツーエンドランタイム内で完全なテクスチャ生成を実現するという、その顕著な効率である。 本研究は,インタラクティブなテクスチャ作成やテキストガイドによるテクスチャ編集を含む,現実世界の3Dコンテンツ作成のためのテクスチャ生成モデルの適用性と実用性を大幅に改善する。
  論文  参考訳（メタデータ） (2024-12-10T18:58:29Z)
• GenesisTex2: Stable, Consistent and High-Quality Text-to-Texture Generation [35.04723374116026]
  大規模テキスト・トゥ・イメージ(T2I)モデルは、テキスト・トゥ・イメージ(T2I)生成において驚くべき結果を示している。 これらのモデルを用いて3次元ジオメトリーのテクスチャを合成することは、2次元画像と3次元表面のテクスチャとの領域ギャップのために依然として困難である。 本稿では,事前学習した拡散モデルを活用する新しいテキスト・テクスチャ合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T02:32:42Z)
• GETAvatar: Generative Textured Meshes for Animatable Human Avatars [69.56959932421057]
  高品質なジオメトリとテクスチャを備えたアニマタブルな人体アバターを製作することを目的とした,3D対応フルボディヒューマンジェネレーションの課題について検討した。 アニマタブルなヒトアバターの3Dレンダリングを直接生成する生成モデルであるGETAvatarを提案する。
  論文  参考訳（メタデータ） (2023-10-04T10:30:24Z)
• TwinTex: Geometry-aware Texture Generation for Abstracted 3D Architectural Models [13.248386665044087]
  我々はTwinTexについて紹介する。TwinTexは写真にリアルなテクスチャを生成する最初の自動テクスチャマッピングフレームワークである。 提案手法は, 高品質なテクスチャマッピング手法を超越し, より少ない労力で, 熟練した生産水準に達する。
  論文  参考訳（メタデータ） (2023-09-20T12:33:53Z)
• Breathing New Life into 3D Assets with Generative Repainting [74.80184575267106]
  拡散ベースのテキスト・ツー・イメージ・モデルは、ビジョン・コミュニティ、アーティスト、コンテンツ・クリエーターから大きな注目を集めた。 近年の研究では、拡散モデルとニューラルネットワークの絡み合いを利用した様々なパイプラインが提案されている。 予備訓練された2次元拡散モデルと標準3次元ニューラルラジアンスフィールドのパワーを独立したスタンドアロンツールとして検討する。 我々のパイプラインはテクスチャ化されたメッシュや無テクスチャのメッシュのような、レガシなレンダリング可能な幾何学を受け入れ、2D生成の洗練と3D整合性強化ツール間の相互作用をオーケストレーションします。
  論文  参考訳（メタデータ） (2023-09-15T16:34:51Z)
• Guide3D: Create 3D Avatars from Text and Image Guidance [55.71306021041785]
  Guide3Dは拡散モデルに基づく3Dアバター生成のためのテキスト・画像誘導生成モデルである。 我々のフレームワークは、トポロジカルかつ構造的に正しい幾何と高分解能なテクスチャを生成する。
  論文  参考訳（メタデータ） (2023-08-18T17:55:47Z)
• Efficient Geometry-aware 3D Generative Adversarial Networks [50.68436093869381]
  既存の3D GANは計算集約的であるか、3D一貫性のない近似を行う。 本研究では、3D GANの計算効率と画質をこれらの近似に頼らずに改善する。 本稿では,高解像度のマルチビュー一貫性画像だけでなく,高品質な3次元形状をリアルタイムに合成する,表現型ハイブリッド・明示型ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-15T08:01:43Z)
• Aggregated Contextual Transformations for High-Resolution Image Inpainting [57.241749273816374]
  画像の高精細化のための拡張GANモデルAggregated Contextual-Transformation GAN (AOT-GAN)を提案する。 そこで,提案するAOTブロックの複数のレイヤを積み重ねることで,AOT-GANのジェネレータを構築する。 テクスチャ合成を改善するため,AOT-GANの識別をマスク予測タスクでトレーニングすることで強化する。
  論文  参考訳（メタデータ） (2021-04-03T15:50:17Z)

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。